李佳杰

（陽(yáng)煤集團(tuán)壽陽(yáng)開(kāi)元礦業(yè)有限責(zé)任公司， 山西 壽陽(yáng) 045400）

引言

常用的采煤機(jī)傳統(tǒng)故障診斷方法有溫度、壓力監(jiān)測(cè)診斷法和鐵譜分析法[1-3]。溫度、壓力監(jiān)測(cè)法是在液壓系統(tǒng)中各元件處設(shè)置溫度或壓力監(jiān)測(cè)點(diǎn)，根據(jù)溫度場(chǎng)與壓力場(chǎng)變化情況來(lái)判斷系統(tǒng)故障狀況。鐵譜分析法是將設(shè)備潤(rùn)滑系統(tǒng)中的油液處于高梯度強(qiáng)磁場(chǎng)環(huán)境，在磁場(chǎng)力、重力與黏滯阻力等多種力共同作用下，油液中攜帶的磨粒將被有序沉積分離出來(lái)，最后根據(jù)這些磨粒的大小、形狀及成分等物理性質(zhì)來(lái)判斷設(shè)備故障原因及磨損機(jī)理。上述傳統(tǒng)故障分析方法不足之處在于，其只能根據(jù)輸入至系統(tǒng)中的現(xiàn)場(chǎng)數(shù)據(jù)進(jìn)行故障診斷，一旦數(shù)據(jù)不完整或前后矛盾，系統(tǒng)輸出的診斷結(jié)論將出現(xiàn)錯(cuò)誤。

隨著人工智能的發(fā)展，基于專家系統(tǒng)的采煤機(jī)故障診斷方式被普遍使用[4]，雖然該系統(tǒng)診斷效率高，但其對(duì)所擁有的知識(shí)質(zhì)量及容量要求較高，因此，專家系統(tǒng)故障診斷方式具有知識(shí)獲取困難、知識(shí)庫(kù)管理較難、推理能力差及普遍適用性差等不足之處。

人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)[5-6]是對(duì)大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的物理模擬，其內(nèi)部結(jié)構(gòu)具有并行分布特點(diǎn)，知識(shí)存儲(chǔ)于整個(gè)系統(tǒng)中，具有容錯(cuò)能力好、推理能力快、聯(lián)想能力廣等優(yōu)點(diǎn)。將人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)應(yīng)用于采煤機(jī)截割機(jī)構(gòu)故障診斷時(shí)可較好地彌補(bǔ)其他故障診斷系統(tǒng)不足之處。從故障診斷精確程度上講，本文所用神經(jīng)網(wǎng)絡(luò)系統(tǒng)是前沿的一種故障診斷方式，匹配閾值q是影響診斷精度的一個(gè)重要參數(shù)。

1 數(shù)據(jù)采集及處理

為采集到有效振幅監(jiān)測(cè)數(shù)據(jù)，根據(jù)監(jiān)測(cè)目的與采煤機(jī)截割部減速器箱結(jié)構(gòu)特點(diǎn)，振動(dòng)信號(hào)測(cè)點(diǎn)布置應(yīng)滿足以下幾點(diǎn)：

1）精簡(jiǎn)中間環(huán)節(jié)，縮短信號(hào)傳遞線路；

2）盡量布置于旋轉(zhuǎn)桿件兩端軸承處或端點(diǎn)處；

3）測(cè)點(diǎn)布置處應(yīng)便于安裝傳感器。

根據(jù)以上測(cè)點(diǎn)布置原則，本實(shí)例測(cè)點(diǎn)布置圖如圖1 所示，測(cè)點(diǎn)均布置于減速器箱軸端蓋處，振幅數(shù)據(jù)的采集設(shè)備為HG-3518 數(shù)據(jù)采集器，測(cè)點(diǎn)1（3）與測(cè)點(diǎn)2（4）夾角為180°。采集到的每3 個(gè)數(shù)據(jù)平均值作為1 個(gè)實(shí)用數(shù)據(jù)，每個(gè)測(cè)點(diǎn)取四個(gè)實(shí)用數(shù)據(jù)。隨后，采用公式（1）對(duì)所取數(shù)據(jù)進(jìn)行歸一化處理。

式中：xi為第i個(gè)測(cè)量數(shù)據(jù)；xmax和xmin分別是該測(cè)量數(shù)據(jù)所在組的最大值與最小值；xi*是xi歸一化后的值；H1取0.9，L0取0.1，此兩項(xiàng)目的為消除測(cè)量數(shù)據(jù)中的全0 和全1 項(xiàng)。

圖1 減速器箱測(cè)點(diǎn)布置示意圖

2 試驗(yàn)所用神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)的建立

三層網(wǎng)絡(luò)即可較好地區(qū)分一般模式識(shí)別問(wèn)題。

三層神經(jīng)網(wǎng)絡(luò)中，隱含層節(jié)點(diǎn)數(shù)py、輸入層節(jié)點(diǎn)數(shù)n、輸出層節(jié)點(diǎn)數(shù)ps間有以下等量關(guān)系如公式（2）：

式中：m取值范圍為1＜m＜10。

根據(jù)輸入向量和故障模式種類（正常工況、斷齒、齒面疲勞、齒面變形、齒面磨損和軸彎曲）分別確定輸入層節(jié)點(diǎn)數(shù)n為16、輸出層節(jié)點(diǎn)數(shù)ps為21，由公式（2） 計(jì)算得隱含層節(jié)點(diǎn)數(shù)py取值范圍為7＜py＜16，綜合各方面因素，本實(shí)例取py=15。規(guī)定權(quán)值收斂因子ε 為0.001，誤差收斂因子β 為0.1，訓(xùn)練目標(biāo)取0.001，最大訓(xùn)練批次為2 000。神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果均為0 時(shí)設(shè)備運(yùn)行正常。

3 匹配閾值q 的最優(yōu)值的選取

匹配閾值q的選取很大程度上影響故障診斷精度，當(dāng)q的取值較大時(shí)，因?yàn)橛?xùn)練檢測(cè)器的故障模式與實(shí)際故障形式有所區(qū)別，所以匹配閾值取值較大時(shí)很難進(jìn)行匹配，容易出現(xiàn)誤診現(xiàn)象；當(dāng)q的取值較小時(shí)，訓(xùn)練檢測(cè)器不能很好捕捉到故障模式本質(zhì)特征，從而造成漏診。只有合理確定q的取值，診斷系統(tǒng)才不會(huì)出現(xiàn)誤診及漏診現(xiàn)象。本文擬通過(guò)獲得不同匹配閾值q下的各檢測(cè)器集，從而訓(xùn)練神經(jīng)網(wǎng)絡(luò)，通過(guò)觀察訓(xùn)練過(guò)程中達(dá)到目標(biāo)誤差所需訓(xùn)練次數(shù)以及對(duì)采集到的有效監(jiān)測(cè)數(shù)據(jù)中的2 組進(jìn)行神經(jīng)網(wǎng)絡(luò)故障診斷，綜合分析確定匹配閾值q的最優(yōu)取值。

3.1 檢測(cè)器集的產(chǎn)生

集合S是長(zhǎng)度為16 的有限字符串的集合。這些字符串作為自己串時(shí)，將進(jìn)行實(shí)數(shù)編碼后的機(jī)器正常運(yùn)行時(shí)的數(shù)據(jù)中的16 個(gè)代表設(shè)備狀態(tài)的標(biāo)準(zhǔn)信息數(shù)據(jù)連接在一起，本實(shí)例從中選擇3 串為自己串，R0*= [X1，X2，X3]；若字符串代表故障模式i（i=1，2，…，k），將進(jìn)行實(shí)數(shù)編碼后的機(jī)器故障時(shí)的數(shù)據(jù)中的16 個(gè)代表設(shè)備故障狀態(tài)的標(biāo)準(zhǔn)信息數(shù)據(jù)連接在一起稱為故障模式串，選擇其中三串作為各種故障模式串，本實(shí)例從中選擇3 串為自己串Ri*=[Xk，Xk+1，Xk+2]，k=1，2，…，n。

隨機(jī)產(chǎn)生的檢測(cè)器集D中的每個(gè)檢測(cè)器，與集合S中的字符串按公式（3）進(jìn)行親和力計(jì)算，當(dāng)計(jì)算結(jié)果小于設(shè)定的閾值時(shí)，結(jié)果歸入檢測(cè)器集R0中，當(dāng)計(jì)算結(jié)果大于閾值時(shí)，S中字符串再與斷齒故障模式串親和力計(jì)算，若匹配，即計(jì)算結(jié)果小于閾值，則歸入集合R1中，若不匹配，則其再與下一故障模式串進(jìn)行親和力計(jì)算，若匹配，歸入該檢測(cè)器集，若不匹配，繼續(xù)與下個(gè)故障串進(jìn)行親和力計(jì)算，以此循環(huán)，直至與最后一類故障模式串親和力計(jì)算匹配，得到檢測(cè)器集R5。由此得到采煤機(jī)截割部減速器箱五個(gè)故障模式下的檢測(cè)器集，當(dāng)每個(gè)檢測(cè)器集中數(shù)量達(dá)到所需數(shù)量的250 組時(shí)，終止執(zhí)行上述過(guò)程。

3.2 最優(yōu)匹配閾值q 的選取

訓(xùn)練神經(jīng)網(wǎng)絡(luò)中的數(shù)據(jù)向量來(lái)源于正常工況時(shí)數(shù)據(jù)組成的檢測(cè)器集、斷齒、齒面疲勞、齒面變形、齒面磨損和軸彎曲。當(dāng)閾值q=0.5 時(shí)，神經(jīng)網(wǎng)絡(luò)系統(tǒng)訓(xùn)練過(guò)程中達(dá)到允許誤差所需訓(xùn)練步數(shù)為1 325 步，從不同工況下實(shí)驗(yàn)檢測(cè)所得數(shù)據(jù)中各隨機(jī)抽取兩組進(jìn)行免疫神經(jīng)網(wǎng)絡(luò)故障診斷，診斷所得結(jié)果如表1所示。從表1 中可以看出，閾值為0.48 時(shí)，神經(jīng)網(wǎng)絡(luò)在對(duì)斷齒，齒面疲勞、變形及磨損等故障的診斷上出現(xiàn)誤診現(xiàn)象，誤診率約41%，出現(xiàn)該情況原因?yàn)椋寒?dāng)匹配閾值較大時(shí)，一種故障模式下的檢測(cè)器集中可能會(huì)包含其他故障模式的信息。

表1 閾值為0.48 時(shí)神經(jīng)網(wǎng)絡(luò)系統(tǒng)診斷結(jié)果表

當(dāng)閾值q=0.43 時(shí)，神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中達(dá)到允許誤差所需訓(xùn)練步數(shù)為1 052 步，從不同工況下實(shí)驗(yàn)檢測(cè)所得數(shù)據(jù)中各隨機(jī)抽取兩組進(jìn)行神經(jīng)網(wǎng)絡(luò)故障診斷，診斷所得結(jié)果如表2 所示。從表2 中可以看出，閾值為0.43 時(shí)，神經(jīng)網(wǎng)絡(luò)系統(tǒng)診斷準(zhǔn)確，效果理想。

表2 閾值為0.43 時(shí)神經(jīng)網(wǎng)絡(luò)系統(tǒng)診斷結(jié)果表

當(dāng)閾值q=0.38 時(shí)，神經(jīng)網(wǎng)絡(luò)系統(tǒng)訓(xùn)練過(guò)程中達(dá)到允許誤差所需訓(xùn)練步數(shù)最少，為971 步，從不同工況下實(shí)驗(yàn)檢測(cè)所得數(shù)據(jù)中各隨機(jī)抽取兩組進(jìn)行神經(jīng)網(wǎng)絡(luò)故障診斷，診斷所得結(jié)果如表3 所示。從表3 中可以看出，閾值為0.38 時(shí)，神經(jīng)網(wǎng)絡(luò)系統(tǒng)在對(duì)正常工況、齒面變形及軸彎曲的診斷上出現(xiàn)漏診現(xiàn)象，漏診率約27%。

表3 閾值為0.38 時(shí)神經(jīng)網(wǎng)絡(luò)系統(tǒng)診斷結(jié)果表

4 結(jié)論

1）由于閾值0.48 下的訓(xùn)練步數(shù)多，誤診率高，因此設(shè)定匹配閾值為0.48 不合適；

2）閾值為0.38 時(shí)，雖然訓(xùn)練步數(shù)少，但會(huì)出現(xiàn)漏診現(xiàn)象，漏診率較高，因此設(shè)定匹配閾值為0.38也不合適；

3）閾值為0.43 時(shí)達(dá)到目標(biāo)誤差所需訓(xùn)練步數(shù)較少，神經(jīng)網(wǎng)絡(luò)系統(tǒng)診斷準(zhǔn)確，綜合考慮，匹配閾值設(shè)為0.43 時(shí)效果最理想。