基于 PSO-BP 神經(jīng)網(wǎng)絡(luò)的液壓支架推移控制回路故障診斷仿真研究

鐘金豹，亓京帥，孟祥一

1內(nèi)蒙古科技大學(xué)機(jī)械工程學(xué)院 內(nèi)蒙古包頭 014010

2山東泰開(kāi)隔離開(kāi)關(guān)有限公司 山東泰安 271000

隨著我們國(guó)家煤炭行業(yè)的蓬勃發(fā)展，液壓支架在煤炭綜采工作中的使用日益普遍，已成為煤礦綜采設(shè)備中最重要的設(shè)備之一[1]。由于其一直處在井下的惡劣環(huán)境中，液壓系統(tǒng)很容易出現(xiàn)故障[2-5]。據(jù)統(tǒng)計(jì)，造成液壓支架故障的原因中，液壓系統(tǒng)約占80%。液壓系統(tǒng)處在封閉的環(huán)境中，各部分的具體運(yùn)行狀況無(wú)法直接觀測(cè)到，查驗(yàn)十分不便[6]，再加之干擾液壓系統(tǒng)正常運(yùn)行的因素錯(cuò)綜繁雜，導(dǎo)致查找異常部位較困難。傳統(tǒng)做法是通過(guò)對(duì)其進(jìn)行拆卸，逐一對(duì)比查找，不僅費(fèi)時(shí)費(fèi)力，還需要依靠現(xiàn)場(chǎng)工程師豐富的工作經(jīng)驗(yàn)。

因此，能否快速準(zhǔn)確查找到液壓系統(tǒng)的故障部位將直接決定企業(yè)損失的大小。隨著人工智能的快速發(fā)展，液壓系統(tǒng)的故障診斷進(jìn)入了新時(shí)代。基于人工智能來(lái)實(shí)現(xiàn)故障診斷最常用的方法是 BP 神經(jīng)網(wǎng)絡(luò)技術(shù)。Ren[7]采用 BP 神經(jīng)網(wǎng)絡(luò)算法構(gòu)建了電力物聯(lián)網(wǎng)設(shè)備故障診斷模型，結(jié)果顯示，BP 神經(jīng)網(wǎng)絡(luò)在物聯(lián)網(wǎng)中對(duì)電力設(shè)備故障診斷具有較高的應(yīng)用價(jià)值。Hu 等人[8]針對(duì)機(jī)器人關(guān)節(jié)故障診斷精度不高的問(wèn)題，設(shè)計(jì)了一種基于 BP 神經(jīng)網(wǎng)絡(luò)的機(jī)器人關(guān)節(jié)故障診斷方法，該方法對(duì)于機(jī)器人關(guān)節(jié)故障的診斷十分有效。基于 BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)故障診斷時(shí)需收集其故障數(shù)據(jù)，但直接獲取其不同故障下的數(shù)據(jù)比較困難，且 BP 神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過(guò)程中存在易陷入局部極小值等問(wèn)題。

筆者利用 AMESim 仿真軟件模擬某型液壓支架推移控制回路常見(jiàn)故障來(lái)獲取故障數(shù)據(jù)，解決直接獲取不同故障下數(shù)據(jù)樣本難的問(wèn)題，然后通過(guò) PSO 算法避免 BP 神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過(guò)程中因陷入局部極小值而導(dǎo)致故障診斷失敗或準(zhǔn)確率偏低等問(wèn)題的發(fā)生，有效提高了故障診斷準(zhǔn)確率和效率，降低了企業(yè)的經(jīng)濟(jì)損失。

1 基于 AMESim 的液壓支架推移控制回路仿真建模

1.1 液壓支架推移控制回路的工作原理

支架推移控制回路在液壓支架工作過(guò)程中起著非常重要的作用，它不僅可以實(shí)現(xiàn)支架的移動(dòng)，還可以實(shí)現(xiàn)推溜動(dòng)作。支架底座的中間部位是支架推移控制回路中千斤頂所在的位置，其一端鉸接支架底座，另一端連接刮板輸送機(jī)。支架推移控制回路的構(gòu)成部件主要有推移千斤頂、液控單向閥及換向閥等，如圖1所示。

圖1 支架推移控制回路Fig.1 Movement control system of support

支架推移控制回路中的推移千斤頂并不直接和支架底座及刮板輸送機(jī)連接，目前最常用的連接方式是框架連接式，因其能保證移架力大于推溜力，進(jìn)而可以有效提高工作效率，所以被廣泛應(yīng)用在液壓支架中。所謂的框架連接式就是指推移千斤頂通過(guò)框架和支架底座及刮板輸送機(jī)連接在一起，如圖2 所示。

圖2 框架連接方式Fig.2 Frame connection method

當(dāng)換向閥置于右位時(shí)，由泵站提供的乳化液依次流經(jīng)換向閥、液控單向閥流入推移千斤頂?shù)幕钊麠U腔，與此同時(shí)活塞腔回液，使得活塞桿回縮，帶動(dòng)框架向前移動(dòng)，從而實(shí)現(xiàn)推溜動(dòng)作 (液壓支架作為支點(diǎn))。當(dāng)換向閥置于左位時(shí)，由泵站提供的乳化液流經(jīng)換向閥進(jìn)入活塞腔，與此同時(shí)活塞桿腔回液，使得液壓缸向前移動(dòng)，從而帶動(dòng)液壓支架底座前移，實(shí)現(xiàn)移架動(dòng)作 (刮板輸送機(jī)作為支點(diǎn))。為了確保相鄰的支架在移架時(shí)刮板輸送機(jī)不被拉回，需要在活塞桿腔回路中增加由溢流閥和液控單向閥構(gòu)成的控制閥組。

1.2 支架推移控制回路仿真模型的建立

按照 AMESim 軟件建模的步驟[9]，根據(jù)支架推移控制回路工作原理以及所選用液壓支架推移控制回路的主要參數(shù)，在 AMESim 軟件中搭建支架推移控制回路仿真模型，如圖3 所示。

圖3 支架推移控制回路 AMESim 模型Fig.3 AMESim model of movement control system of support

2 基于 AMESim 的液壓支架推移控制回路故障注入及數(shù)據(jù)提取

2.1 液壓支架推移控制回路的常見(jiàn)故障分析

液壓支架長(zhǎng)期處于井下惡劣環(huán)境中，故其推移控制回路經(jīng)常發(fā)生故障。通過(guò)查閱大量資料可知，其常見(jiàn)的故障主要有液壓支架推溜時(shí)不動(dòng)或速度慢、移架時(shí)不動(dòng)或速度慢，此 2 類(lèi)故障主要是由組成回路的液壓元件損壞等原因引起[10-11]。造成這 2 類(lèi)故障現(xiàn)象的具體原因主要有換向閥閥芯卡滯、液壓缸泄漏、液控單向閥閥芯卡滯、液壓泵內(nèi)泄漏、進(jìn)油管路堵塞、液壓泵排量不足、電動(dòng)機(jī)轉(zhuǎn)速低、安全閥開(kāi)啟壓力低、溢流閥開(kāi)啟壓力低、安全閥泄漏、溢流閥泄漏、回油路堵塞等。

2.2 基于 AMESim 的液壓支架推移控制回路故障注入

根據(jù) 2.1 節(jié)中對(duì)支架推移控制回路的常見(jiàn)故障分析得出的故障原因，在 AMESim 中采用模擬故障注入技術(shù)，分別對(duì)引起其常見(jiàn)故障的原因進(jìn)行故障注入，具體的故障注入過(guò)程如表1 所列。

表1 每種故障類(lèi)型的故障注入Tab.1 Fault injection for each fault type

2.3 基于 AMESim 的支架推移控制回路故障數(shù)據(jù)提取

將2.2 節(jié)已經(jīng)建好的元件故障模型依次注入支架推移控制回路中，對(duì)其運(yùn)行仿真。將故障工況下與正常工況下仿真所得到的狀態(tài)量進(jìn)行比較，其中變化量明顯的狀態(tài)量作為該故障工況下的樣本特征。將每種故障工況下所采集到的樣本特征組合在一起構(gòu)成樣本數(shù)據(jù)。

在推溜時(shí)不動(dòng)或速度慢的故障現(xiàn)象下，對(duì)液壓泵出口壓力、換向閥進(jìn)口流量、換向閥出口壓力和流量、液控單向閥出口壓力和流量、液壓缸無(wú)桿腔壓力和流量、液壓缸有桿腔壓力和流量、活塞桿速度和位移、溢流閥入口壓力和出口流量、安全閥入口壓力和出口流量等 16 個(gè)狀態(tài)變量進(jìn)行采集；在移架時(shí)不動(dòng)或速度慢的故障現(xiàn)象下，對(duì)液壓泵出口壓力、換向閥進(jìn)口流量、換向閥出口壓力和流量、液控單向閥出口壓力和流量、液壓缸無(wú)桿腔壓力和流量、液壓缸有桿腔壓力和流量、活塞桿速度和位移、安全閥入口壓力、溢流閥入口壓力等 14 個(gè)狀態(tài)變量進(jìn)行采集。每種故障現(xiàn)象共采集 1 類(lèi)正常樣本和多類(lèi)故障樣本，每類(lèi)樣本數(shù)均為 201。

3 基于 PSO-BP 神經(jīng)網(wǎng)絡(luò)的液壓支架推移控制回路故障診斷

3.1 基于 BP 神經(jīng)網(wǎng)絡(luò)的故障診斷

3.1.1 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

3.1.1.1 輸入層設(shè)計(jì)

(1) 推溜時(shí)不動(dòng)或速度慢故障 將活塞桿速度和位移、溢流閥入口壓力和出口流量等 16 種狀態(tài)作為神經(jīng)網(wǎng)絡(luò)的輸入。

(2) 移架時(shí)不動(dòng)或速度慢故障 將液壓缸無(wú)桿腔壓力和流量、液壓缸有桿腔壓力和流量等 14 種狀態(tài)量做為神經(jīng)網(wǎng)絡(luò)的輸入。

3.1.1.2 輸出層設(shè)計(jì)

將造成每種故障現(xiàn)象的具體原因作為神經(jīng)網(wǎng)絡(luò)的輸出。

(1) 推溜時(shí)不動(dòng)或速度慢故障 將液壓泵內(nèi)泄漏、進(jìn)油管路堵塞、液壓泵排量不足等 12 種故障原因和 1 類(lèi)正常狀態(tài)作為神經(jīng)網(wǎng)絡(luò)的輸出。

(2) 移架時(shí)不動(dòng)或速度慢故障 將安全閥開(kāi)啟壓力低、安全閥泄漏、回油路堵塞等 10 種故障原因和 1 類(lèi)正常狀態(tài)作為神經(jīng)網(wǎng)絡(luò)的輸出。

3.1.1.3 隱含層設(shè)計(jì)

選擇隱含層神經(jīng)元的數(shù)量是一個(gè)較為復(fù)雜的問(wèn)題，并且通常沒(méi)有一個(gè)嚴(yán)格的定理可以支持。為了選擇適當(dāng)?shù)碾[含層神經(jīng)元數(shù)量，可以借助經(jīng)驗(yàn)公式來(lái)計(jì)算[12]。

式中：n1為隱含層節(jié)點(diǎn)數(shù)；n為輸入層節(jié)點(diǎn)數(shù)；m為輸出層節(jié)點(diǎn)數(shù)；a為 [0，10]之間的常數(shù)。

通過(guò)經(jīng)驗(yàn)公式以及實(shí)踐經(jīng)驗(yàn)將隱含層神經(jīng)元的個(gè)數(shù)確定為 10。

3.1.2 BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練與診斷結(jié)果

在MATLAB 環(huán)境下編寫(xiě) BP 神經(jīng)網(wǎng)絡(luò)算法程序。將提取的樣本數(shù)據(jù)經(jīng)過(guò)歸一化處理后，導(dǎo)入已經(jīng)編寫(xiě)好的算法程序?qū)ζ溥M(jìn)行訓(xùn)練。分別選取每類(lèi) 201個(gè)樣本中的 181 個(gè)組成訓(xùn)練數(shù)據(jù)，剩余的 20 個(gè)組成測(cè)試數(shù)據(jù)。

為了訓(xùn)練一個(gè)具有更好泛化能力的神經(jīng)網(wǎng)絡(luò)，需要在訓(xùn)練過(guò)程中對(duì)學(xué)習(xí)率、最大循環(huán)次數(shù)和目標(biāo)誤差進(jìn)行設(shè)置：學(xué)習(xí)率設(shè)為 0.01；最大循環(huán)次數(shù)設(shè)為 1 000次；目標(biāo)誤差設(shè)為 10-5。

當(dāng)訓(xùn)練次數(shù)達(dá)到最大循環(huán)次數(shù) 1 000 次或目標(biāo)誤差達(dá)到設(shè)定值 10-5時(shí)，訓(xùn)練停止。在 BP 神經(jīng)網(wǎng)絡(luò)故障診斷模型訓(xùn)練完成后，將測(cè)試數(shù)據(jù)導(dǎo)入已經(jīng)訓(xùn)練好的模型，對(duì)其進(jìn)行分類(lèi)，得到的故障診斷結(jié)果如圖4、5 所示。

圖4 基于 BP 神經(jīng)網(wǎng)絡(luò)推溜時(shí)不動(dòng)或速度慢故障診斷Fig.4 Fault diagnosis of immobility or slow speed during pushing based on BP neural network

圖5 基于 BP 神經(jīng)網(wǎng)絡(luò)移架時(shí)不動(dòng)或速度慢故障診斷Fig.5 Fault diagnosis of immobility or slow speed when moving support based on BP neural network

由圖4、5 可知，基于 BP 神經(jīng)網(wǎng)絡(luò)對(duì)支架推移控制回路中推溜時(shí)不動(dòng)或速度慢、移架時(shí)不動(dòng)或速度慢 2 種故障進(jìn)行診斷時(shí)，準(zhǔn)確率分別為 84.231% 和81.818%。

3.2 基于 PSO-BP 神經(jīng)網(wǎng)絡(luò)的故障診斷

3.2.1 基于 PSO-BP 神經(jīng)網(wǎng)絡(luò)模型的建立

(1) 步驟一 參照 3.1.1 節(jié)中的方法建立一個(gè)3 層的 BP 神經(jīng)網(wǎng)絡(luò)模型，其輸入神經(jīng)單元為利用AMEsim 故障模擬仿真后提取到的狀態(tài)量，其輸出神經(jīng)單元為具體的故障原因。

(2) 步驟二 設(shè)置 PSO 算法的各項(xiàng)參數(shù)[13]。種群數(shù)量N=10，學(xué)習(xí)因子c1=c2=2，ωstart=0.9，ωend=0.6，Vmax=6，最大迭代次數(shù)Tmax=30。

(3) 步驟三 參數(shù)初始化。將粒子位置和速度、個(gè)體最優(yōu)位置及全局最優(yōu)位置隨機(jī)初始化為 [0，1]之間，粒子適應(yīng)度和個(gè)體最佳適應(yīng)度初始化為 0，全局最佳適應(yīng)度初始化為 1。

(4) 步驟四 設(shè)置循環(huán)算法，計(jì)算粒子適應(yīng)度值，設(shè)定判定準(zhǔn)則，以判斷準(zhǔn)則為依據(jù)來(lái)更新粒子個(gè)體最優(yōu)值和種群全局最優(yōu)值。

(5) 步驟五 定義粒子速度和位置更新公式，根據(jù)此公式來(lái)更新粒子的速度和位置。

(6) 步驟六 進(jìn)入下一次循環(huán)，重復(fù)步驟四、五，直到達(dá)到最大迭代次數(shù)，跳出循環(huán)。

(7) 步驟七 將 PSO 算法搜索到的全局最優(yōu)位置設(shè)為 BP 神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，進(jìn)行網(wǎng)絡(luò)訓(xùn)練。訓(xùn)練時(shí)，將神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率設(shè)為 0.01，最大循環(huán)次數(shù)設(shè)為 1 000 次，目標(biāo)誤差設(shè)為 10-5。當(dāng)訓(xùn)練次數(shù)達(dá)到最大循環(huán)次數(shù) 1 000 次或目標(biāo)誤差達(dá)到設(shè)定值10-5時(shí)，訓(xùn)練停止。

3.2.2 基于 PSO-BP 神經(jīng)網(wǎng)絡(luò)診斷結(jié)果

根據(jù) 3.2.1 節(jié)所建立的 PSO-BP 神經(jīng)網(wǎng)絡(luò)模型，在 MATLAB 環(huán)境下編寫(xiě) PSO-BP 神經(jīng)網(wǎng)絡(luò)算法程序，將故障模擬仿真后提取到的樣本數(shù)據(jù)分成訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)兩組，經(jīng)過(guò)歸一化處理后導(dǎo)入該模型，通過(guò) MATLAB 軟件對(duì)其進(jìn)行訓(xùn)練和測(cè)試。基于 PSOBP 神經(jīng)網(wǎng)絡(luò)對(duì)支架推移控制回路 2 種故障的診斷結(jié)果如圖6、7 所示。

圖6 基于 PSO-BP 神經(jīng)網(wǎng)絡(luò)推溜時(shí)不動(dòng)或速度慢故障診斷Fig.6 Fault diagnosis of immobility or slow speed during pushing based on PSO-BP neural network

圖7 基于 PSO-BP 神經(jīng)網(wǎng)絡(luò)移架時(shí)不動(dòng)或速度慢故障診斷Fig.7 Fault diagnosis of immobility or slow speed when moving support based on PSO-BP neural network

由圖6、7 可知，基于 PSO-BP 神經(jīng)網(wǎng)絡(luò)對(duì)支架推移控制回路中推溜時(shí)不動(dòng)或速度慢、移架時(shí)不動(dòng)或速度慢 2 種故障進(jìn)行診斷時(shí)，準(zhǔn)確率分別為 92.308%、91.364%。

4 結(jié)語(yǔ)

使用 AMESim 軟件，對(duì)推移控制回路的 2 種故障進(jìn)行模擬仿真并獲得樣本數(shù)據(jù)，分別構(gòu)建常規(guī)的 BP 神經(jīng)網(wǎng)絡(luò)模型及 PSO-BP 神經(jīng)網(wǎng)絡(luò)模型，并在 MATLAB環(huán)境下，對(duì)診斷模型進(jìn)行訓(xùn)練和測(cè)試。結(jié)果顯示，基于 BP 神經(jīng)網(wǎng)絡(luò)對(duì)支架推移控制回路中推溜時(shí)不動(dòng)或速度慢、移架時(shí)不動(dòng)或速度慢 2 種故障進(jìn)行診斷時(shí)，準(zhǔn)確率分別為 84.231%、81.818%；基于 PSO-BP 神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行診斷時(shí)，準(zhǔn)確率分別為 92.308%、91.364%。

基于 AMESim 仿真軟件對(duì)推移控制回路常見(jiàn)的故障進(jìn)行模擬仿真時(shí)能夠提取到可靠的故障樣本數(shù)據(jù)，可以作為特征量用來(lái)進(jìn)行故障分類(lèi)。所構(gòu)建的BP 神經(jīng)網(wǎng)絡(luò)模型和 PSO-BP 網(wǎng)絡(luò)模型都可以用來(lái)實(shí)現(xiàn)故障診斷，基于 PSO-BP 神經(jīng)網(wǎng)絡(luò)在故障類(lèi)型的識(shí)別分類(lèi)能力方面明顯優(yōu)于常規(guī)的 BP 神經(jīng)網(wǎng)絡(luò)。

筆者采用了一種以故障模擬仿真和 PSO-BP 神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的故障診斷方法，只針對(duì)液壓支架推移控制回路中的 2 種常見(jiàn)故障做了故障診斷分類(lèi)，然而在實(shí)際工況中，故障形式是多種多樣的，遠(yuǎn)不止本文所列舉的 2 種，其他故障形式也可以通過(guò)此方法來(lái)實(shí)現(xiàn)故障分類(lèi)，后續(xù)還可以在此方法的基礎(chǔ)上搭建液壓支架推移控制回路故障診斷專(zhuān)家系統(tǒng)。