基于時間序列和BP神經(jīng)網(wǎng)絡(luò)的礦井風(fēng)機(jī)故障診斷

摘 要：礦井通風(fēng)機(jī)是煤礦井下通風(fēng)不可或缺的安全設(shè)備，被譽(yù)為礦井的“呼吸”系統(tǒng)，一旦出現(xiàn)故障而停機(jī)運(yùn)行，將威脅到整個礦山的安全生產(chǎn)。針對這一問題，建立基于時間序列和BP神經(jīng)網(wǎng)路的礦井通風(fēng)機(jī)故障診斷系統(tǒng)。利用測取的信號進(jìn)行時間序列分析，建立AR模型并進(jìn)行估計、預(yù)測，鎖定故障發(fā)生的范圍，這樣節(jié)省了盲目查找故障的時間。直接從預(yù)測故障范圍中提取參數(shù)作為特征向量，并以此作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，實(shí)現(xiàn)礦井風(fēng)機(jī)的故障診斷。

關(guān)鍵詞：礦井通風(fēng)機(jī)；時間序列；BP神經(jīng)網(wǎng)絡(luò)；故障診斷

引言

礦井通風(fēng)機(jī)正常運(yùn)行有利于煤礦的安全生產(chǎn)，對其進(jìn)行狀態(tài)監(jiān)測和故障預(yù)測，及時準(zhǔn)確地識別核心零部件的故障信號，并提取評估，預(yù)測故障的發(fā)展動態(tài)，有利于及早發(fā)現(xiàn)故障、預(yù)測故障并制定維修策略。這樣提高了礦井通風(fēng)機(jī)的安全性和可靠性，實(shí)現(xiàn)由“事后維修”到“預(yù)知維修”的過程，減少了突發(fā)事件造成的停機(jī)損失，能夠有效發(fā)現(xiàn)風(fēng)機(jī)早期的故障。文章提出了基于時間序列和BP神經(jīng)網(wǎng)路的礦井通風(fēng)機(jī)故障診斷系統(tǒng)，其目的是減少特大故障的發(fā)生，實(shí)現(xiàn)風(fēng)機(jī)的經(jīng)濟(jì)運(yùn)行、保障煤礦作業(yè)人員的安全。

1 時間序列估計、預(yù)測風(fēng)機(jī)故障

1.1 時間序列原理

通過現(xiàn)場測取有限時間段的通風(fēng)機(jī)運(yùn)行狀態(tài)信號，經(jīng)過一系列的處理后，得到平穩(wěn)、正態(tài)、零均值的時間序列{xt}，從而建立礦井通風(fēng)機(jī)的動態(tài)時間序列AR模型，來評價通風(fēng)機(jī)的運(yùn)行情況和估計其未來發(fā)展趨勢，并做出預(yù)測。其 AR 模型的結(jié)構(gòu)為：

文章采用最小二乘法原理對時間序列{xt}進(jìn)行估計，解方程組（2）可得AR（n）的參數(shù)模型。

1.2 AR模型預(yù)測

1.3 風(fēng)機(jī)運(yùn)行狀態(tài)建模、估計與預(yù)測在MATLAB中的實(shí)現(xiàn)

礦井通風(fēng)機(jī)時序建?？煞譃閮蓚€階段，一是預(yù)估模型階數(shù)，根據(jù)AR模型中最小最終預(yù)報誤差準(zhǔn)則FPE準(zhǔn)則進(jìn)行適用性檢驗(yàn)，取FPE 最小時的 n 為3時作為模型階數(shù)并建模。二是求出模型參數(shù)，對于特征時間序列 X，用最小二乘法估計的全極點(diǎn)模型的自互相關(guān)法計算AR（n）模型的參數(shù)。MATLAB 程序?yàn)椋?/p>

對于時間序列{xt}，根據(jù)式（2）的原理計算AR（n）模型的參數(shù)，選取n為3，也就是時間序列模型為3階系統(tǒng)。

對于風(fēng)機(jī)的狀態(tài)監(jiān)測比較簡單，在現(xiàn)場連續(xù)監(jiān)測55小時，每小時提取5個通風(fēng)機(jī)軸承溫度的信號，每5個數(shù)據(jù)取均值后得到55個風(fēng)機(jī)預(yù)測數(shù)據(jù)點(diǎn)，根據(jù)式（3）的基本原理來進(jìn)行風(fēng)機(jī)的運(yùn)行狀態(tài)估計和誤差預(yù)測。

estx=filter（[0-a（2：end）]，1，x）； %估計時間序列

e=x-estx； %預(yù)測誤差

[acs，lags]=xcorr（e，’coeff’）；

subplot（121）；

plot（1：55，x，1：55，estx，’-.’）；

title（’原始信號’）；

xlabel（’采樣點(diǎn)’）；

ylabel（’幅度’）；

grid；

legend（’原始信號’，’最小二乘法估計’）

subplot（122）；

plot（lags，acs）；

title（’預(yù)測誤差的自相關(guān)函數(shù)’）；

xlabel（’延遲’）；ylabel（’歸一化值’）；grid；

MATLAB程序結(jié)果如圖1所示，其中，虛線為預(yù)測曲線，實(shí)線為實(shí)測曲線。圖2為預(yù)測誤差的自相關(guān)函數(shù)。

1.4 結(jié)果分析

由圖1可看出實(shí)測曲線和最小二乘法估計的預(yù)測曲線在48時相差很大，由圖2預(yù)測誤差的自相關(guān)函數(shù)可知：在0點(diǎn)的相關(guān)程度最大之后在減小，但在48處有出現(xiàn)局部峰值，即48附近為預(yù)測故障范圍，礦井通風(fēng)機(jī)可能出現(xiàn)故障。因此可將預(yù)測故障范圍內(nèi)的數(shù)據(jù)即提取46到50之間的20個點(diǎn)，作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)，這樣節(jié)省了盲目查找的時間，及時預(yù)測故障，及時檢查并維修，減少突發(fā)事故發(fā)生。

2 故障診斷

2.1 BP神經(jīng)網(wǎng)絡(luò)模型

礦井通風(fēng)機(jī)軸承溫度異常原因有：潤滑不良和軸承異常。其中軸承常見故障類型主要有：轉(zhuǎn)子彎曲、轉(zhuǎn)子不對中、轉(zhuǎn)子不平衡、軸承損壞、轉(zhuǎn)子磨損、油膜渦動6類。

2.2 診斷結(jié)果分析

經(jīng)MATLAB建模運(yùn)行，由結(jié)果可知輸出矩陣：

輸出矩陣Y的列向量分別代表2個待診斷樣本的輸出。以1表示故障必然發(fā)生，0表示無故障。

通過時間序列AR模型預(yù)測出故障范圍，并將故障范圍內(nèi)的數(shù)據(jù)特征提取作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，這樣節(jié)省了盲目查找故障的時間。

3 結(jié)束語

基于時間序列和BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法可以識別典型的故障。理論上，我們應(yīng)該對風(fēng)機(jī)長期觀察提取足夠多的訓(xùn)練樣本，這樣才能達(dá)到精確的識別精度。但由于實(shí)際情況的局限性，只能根據(jù)個別典型的數(shù)據(jù)來初步找到故障范圍進(jìn)行故障診斷。

文章利用時間序列AR（3）建模、評估、預(yù)測出故障范圍，提取預(yù)估故障范圍內(nèi)的數(shù)據(jù)，并以此作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，時間序列和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合能快速診斷風(fēng)機(jī)是否發(fā)生故障并識別故障類型，且建模簡單，節(jié)省盲目查找故障的時間，有利于風(fēng)機(jī)的及時維護(hù)。

參考文獻(xiàn)

[1]王俊，劉剛.基于時間序列和神經(jīng)網(wǎng)絡(luò)的溫室傳感器節(jié)點(diǎn)故障診斷[J].中國農(nóng)業(yè)大學(xué)學(xué)報，2011（6）：163-168.

[2]朱建元.基于BP神經(jīng)網(wǎng)絡(luò)與時間序列分析的柴油機(jī)故障診斷[J].上海海事大學(xué)學(xué)報，2006（4）：22-27.

[3]王廣斌，劉義倫，金曉宏，等.基于時間序列分析的風(fēng)機(jī)運(yùn)行狀態(tài)監(jiān)測與預(yù)報及故障診斷[J].機(jī)械，2005（1）：21-23.

[4]卞琛，錢育蓉.基于改進(jìn)的自適應(yīng)回歸時序模型故障診斷[J].計算機(jī)測量與控制，2014（10）：3095-3097+3100.

[5]蘇春，王勝友.基于隨機(jī)故障序列的制造系統(tǒng)動態(tài)可靠性仿真[J].機(jī)械工程學(xué)報，2011，24：165-170.

[6]楊叔子，吳雅，等.時間序列的工程應(yīng)用（下冊）[M].華中理工大學(xué)出版社，1991，5：8.

[7]張善文，雷英杰，等.MATLAB在時間序列中分析的應(yīng)用[M].西安電子科技大學(xué)出版社，2007.

[8]張德豐，等.MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用[M].電子工業(yè)出版社.

作者簡介：管麗莎（1991-），女，河北邯鄲人，河北工程大學(xué)機(jī)電學(xué)院研究生，主要研究方向?yàn)榇笮驮O(shè)備的故障診斷、故障預(yù)測。