薛濤平

（山西霍寶干河煤礦有限公司， 山西 臨汾 041600）

引言

為適應綜采工作面生產要求，刮板輸送機逐漸向自動化、重型化、智能化方向發(fā)展，PLC控制技術、傳感器技術、通信技術逐漸應用于刮板輸送機鏈條張緊裝置、狀態(tài)監(jiān)測和故障診斷等系統，并逐步引進專家系統、神經網絡、聚類方法對刮板輸送機進行建模和故障診斷分析。目前，井下刮板輸送機總功率已達4 000 kW以上，逐漸向超大超重型方向發(fā)展。綜采工作面刮板輸送機運行環(huán)境惡劣，除運輸煤料外，還要運輸矸石等雜物。刮板輸送機延伸距離較長，由于地質環(huán)境原因，機身可能發(fā)生局部彎曲，導致刮板輸送機的負荷發(fā)生嚴重變化；機身上下傾斜，會使刮板輸送機發(fā)送“上竄下跳”的故障；機尾左右歪斜，會使機身電氣元器件接線發(fā)生斷裂，無法正常工作。另外，還可能發(fā)生機械部件的磨損、刮板機鏈條的斷鏈、卡鏈等故障[1-2]。國內外對刮板輸送機故障診斷系統的研究越來越重視。早在20世紀60年代，美國成立MFPG故障診斷小組，歐洲、日本等發(fā)達國家也隨之對故障診斷技術進行研究，并將計算機、數學分析等理論引入故障診斷，實時監(jiān)測設備運行狀態(tài)，跟蹤采集參數的變化趨勢，對故障進行預測預判，對發(fā)生的故障進行診斷、分析，并給出解決故障的方法。國內對故障診斷的研究起步較晚，國內科研人員在學習、吸收國外研究成果的基礎上，逐漸將故障診斷技術應用于各行業(yè)，比如重慶分院開發(fā)的主通風機在線監(jiān)測與故障診斷儀，實現對常見故障的自診斷[3-4]。針對刮板輸送機傳動部，對常見故障進行分析，并提出基于BP神經網絡與D-S證據理論相結合的智能故障診斷系統，保證刮板輸送機連續(xù)、穩(wěn)定運行。

1 基本理論

1.1 BP神經網絡

BP神經網絡是一種基于正向計算和反向誤差傳播進行自主學習的多層感知器，反向誤差傳播遵循正向計算路徑將計算誤差值進行回傳。典型的BP神經網絡結構如圖1所示，由一個輸入層、一個或多個隱含層以及一個輸出層構成，其中輸入層包含n個節(jié)點、隱含層包含2n+1個節(jié)點，輸出層包含m個節(jié)點。經 BP 神經網絡實現輸入X（k）到Y（k）的映射，其中輸入層函數為X（k）=（x1k，x2k，...，xnk），輸出層函數為Y（k）=（y1k，y2k，...，ynk），k=1,2，...，u，且xik∈R，yik∈R。

圖1 單隱層BP神經網絡結構

BP神經網絡學習算法步驟為[5]：

1）確定連接權值Wij，Vjt以及閾值θt（0＜θt＜1）：Wij為輸出層到隱含層節(jié)點權值；Vjt為隱含層到輸出層節(jié)點權值；θt為輸出層的閾值；

2）對X（k）→Y（k），（k=1,2，...，u）進行正向計算，且有式（1）以及式（2）：

式中：zj為BP神經網絡隱含層輸出。

3）計算輸出值yt與期望輸出之間的誤差以及反向傳播誤差，有式（3）以及式（4）：

4）根據誤差值對連接權值Wij、Vjt進行調整，如式（5）以及式（6）所示：

其中：ΔTj=βej；α、β為學習率，取值為（0，1）。

5）調整輸出層、隱含層的閾值，如式（7）以及式（8）所示：

6）根據不同的訓練樣本，從步驟（2）開始循環(huán)訓練，直至輸出值滿足精度要求。

1.2 D-S證據理論信息融合方法

D-S證據理論以信任函數和似然函數為依據用于處理不確定信息，即對每個命題指派兩個不確定性度量，存在一個證據屬于一個命題的不確定性測度，使該命題似乎成立，但又不直接支持或拒絕。

定義U為以識別框架，函數f：2U→[0，1]滿足條件 （fφ）=0且時，（fA）為命題A的基本概

定義函數Bel：2U→[0，1] 且（?A?U），稱Bel（A）是U上的信任函數。定義Pl：2U→[0，1]為率賦值，亦即命題A的精確信任程度[6]。R（a1），...，R（ap）}為似真度函數，即不否定A的函數。D-S證據理論證據區(qū)間圖如圖2所示。

圖2 D-S證據理論證據區(qū)間

對圖2所示的信任區(qū)間特別定義如下：（1，1）表示A為真，Bel（A）=1且表示A為偽，Bel（A）=0且表示A為未知，Bel（A）=0且

基于最小風險決策方法對命題A進行決策分析，令狀態(tài)集S={x1，x2，...，xq}，決策集A={a1，a2，...，ap}，風險函數r（ai，xl），i=1，2，...，p，l=1，2，...，q，其中r（ai，xl）為狀態(tài)xl時作出決策ai的風險。令新證據E在狀態(tài)集S中產生基本概率賦值，焦元為A1，A2，...，An，賦值函數為m（A1），m（A2），...，m（An），令：

如果?ak∈A使ak=argmin{R（a1），...，R（ap）}，則ak為最優(yōu)決策。

2 故障診斷模型

刮板輸送機傳動部發(fā)生故障的頻率較高，例如減速器軸承溫度故障，油溫、油位故障，電動機繞組溫度故障，冷卻水流量、壓力故障等。針對刮板輸送機傳動部設計基于BP神經網絡以及D-S證據理論信息融合的智能故障診斷模型，見圖3所示。

圖3 刮板輸送機傳動部智能故障診斷模型

該智能故障診斷模型獲取減速器、電動機傳感器數據后，首先完成數據歸一化處理，將處理結果作為BP神經網絡輸入層信號，經多層感知器學習后，將輸出層結果作為D-S證據理論信息融合的基本概率賦值函數，利用最小風險決策方法得出最優(yōu)決策，作為故障診斷結果。

3 實例分析

3.1 減速器BP神經網絡故障診斷

以刮板輸送機減速器監(jiān)測量為特征向量，采用單隱層BP神經網絡對所監(jiān)測的高速軸承溫度、油溫、油位等故障點進行智能診斷。設計的單隱層BP神經網絡的輸入層節(jié)點為6個（對應6個特征向量），隱含層設定節(jié)點數為13個，輸出層設定節(jié)點數為3（對應無故障、高速軸承故障、低速軸承故障）。表1為減速器測試數據，x1～x6為輸入特征向量。

表1 減速器測試數據

對測試數據進行歸一化處理后，判斷輸出Yn，如果Yn的取值接近1時，表示有故障，接近0時，表示無故障。針對表1的減速器故障診斷結果如表2所示，為高速軸承故障。

表2 減速器故障診斷結果

3.2 減速器D-S融合故障診斷

對經過BP神經網絡學習的訓練誤差作為不確定因素，構造基本概率賦值方法如下：

式中：Ai為故障模式，y（Ai）為BP神經網絡的輸出，En為樣本誤差。結合3.1可知，Ai取值為A1、A2以及A3，分別表示無故障、高速軸承故障和低速軸承故障。根據式（10）計算可得表3。

表3 減速器D-S基本概率賦值

m1（Ai）、m2（Ai）以及m'（Aj）、m3（Ai）采用D-S證據理論信息融合后的結果如表4以及表5所示。

由表4以及表5可知，為提高故障診斷正確率，提高識別精度，可進行多次信息融合，如m'（Aj）中A2值為0.097 47小于m''（Aj）中A2值0.998 1。

表4 m1（Ai）和m2（Ai）時域融合結果

表5 m'（Aj）和m3（Ai）時域融合結果

4 結語

以刮板輸送機傳動部為研究對象，利用BP神經網絡預測減速器以及電動機故障發(fā)生的可能性，利用D-S證據信息融合對BP神經網絡的輸出值進行多次時域信息融合，可提高故障診斷的精度和可靠性。在后續(xù)的研究中，需要對減速器、電動機實際參數進行收集和整理，為BP神經網絡和D-S證據信息融合提高可靠的原始監(jiān)測數據。