基于 PSO-BP 神經(jīng)網(wǎng)絡(luò)的采煤機(jī)電動(dòng)機(jī)故障診斷研究

姜 磊，葉圣超，李飛龍

1浙江工業(yè)職業(yè)技術(shù)學(xué)院 浙江紹興 312000 2北京信息科技大學(xué) 北京 100101 3中礦龍科能源科技股份有限公司 北京 101300

采煤機(jī)是煤礦生產(chǎn)機(jī)械化的重要設(shè)備之一，一旦出現(xiàn)故障則會(huì)使整個(gè)采煤工作中斷，造成巨大的經(jīng)濟(jì)損失。由于社會(huì)需求量不斷增大，煤礦開采量也隨之加大，導(dǎo)致采煤機(jī)長(zhǎng)期處于超負(fù)荷工作狀態(tài)，加之惡劣的作業(yè)環(huán)境，采煤機(jī)電動(dòng)機(jī)便會(huì)出現(xiàn)絕緣性能降低、軸承損壞、電動(dòng)機(jī)燒壞等故障問(wèn)題[1]。采煤機(jī)電動(dòng)機(jī)故障不但會(huì)影響采煤效率，增加開采成本，而且對(duì)工作人員的人身安全構(gòu)成威脅；因此，對(duì)采煤機(jī)電動(dòng)機(jī)進(jìn)行及時(shí)有效的故障診斷具有重要意義。

針對(duì)采煤機(jī)及其電動(dòng)機(jī)故障診斷的相關(guān)課題，國(guó)內(nèi)外學(xué)者開展了大量、深入的研究。早在 70 年代，我國(guó)就有用鐵譜技術(shù)對(duì)采煤機(jī)滾動(dòng)軸承故障問(wèn)題進(jìn)行狀態(tài)監(jiān)測(cè)與診斷的應(yīng)用研究[2]。針對(duì)采煤機(jī)故障現(xiàn)象，相關(guān)學(xué)者采用模塊化神經(jīng)網(wǎng)絡(luò)和小波變換等方法開發(fā)了采煤機(jī)故障智能專家系統(tǒng)[3-4]。謝國(guó)民等人[5]針對(duì)采煤機(jī)電動(dòng)機(jī)中常見(jiàn)的滾動(dòng)軸承故障，在對(duì)采煤機(jī)機(jī)械故障信號(hào)進(jìn)行深入分析的基礎(chǔ)上，提出一種基于正交小波的采煤機(jī)電動(dòng)機(jī)故障診斷方法來(lái)判斷故障部位及類型。吳立泉等人[6]通過(guò)將粒子群優(yōu)化算法 PSO和模擬退火算法 SA 相結(jié)合，準(zhǔn)確地對(duì)異步電動(dòng)機(jī)的6 個(gè)等效參數(shù)進(jìn)行辨識(shí)，有效地對(duì)電動(dòng)機(jī)參數(shù)進(jìn)行辨識(shí)及跟蹤電阻的變化。

筆者在研究 BP 算法原理及其存在缺陷的基礎(chǔ)上，提出了一種用于電動(dòng)機(jī)故障診斷的 PSO-BP 神經(jīng)網(wǎng)絡(luò)算法，以實(shí)現(xiàn)對(duì)采煤機(jī)運(yùn)行狀態(tài)的實(shí)時(shí)監(jiān)測(cè)。

1 采煤機(jī)電動(dòng)機(jī)故障分析

采煤機(jī)主要由截割部、裝載部、行走部、電動(dòng)機(jī)、操作控制系統(tǒng)和輔助裝置組成[7]。采煤機(jī)電動(dòng)機(jī)作為設(shè)備的動(dòng)力來(lái)源，主要驅(qū)動(dòng)截割部與行走部工作。采煤機(jī)電動(dòng)機(jī)外形呈箱形結(jié)構(gòu)，且必須防爆。

采煤機(jī)電動(dòng)機(jī)主要由定子、轉(zhuǎn)子、氣隙和軸承組成，結(jié)構(gòu)相對(duì)簡(jiǎn)單。但其在運(yùn)行過(guò)程中，內(nèi)部會(huì)發(fā)生相當(dāng)復(fù)雜的物理或化學(xué)變化。常見(jiàn)故障有定子繞組匝間短路故障、轉(zhuǎn)子斷條故障、氣隙偏心故障以及軸承故障等。

1.1 定子繞組匝間短路

定子繞組匝間發(fā)生短路故障的概率約為 30%，其發(fā)生的主要原因是電動(dòng)機(jī)長(zhǎng)時(shí)間運(yùn)轉(zhuǎn)發(fā)熱導(dǎo)致絕緣體老化，或者工作環(huán)境中各種微粒雜質(zhì) (如灰塵、纖維)與絕緣體相互摩擦，導(dǎo)致絕緣體破裂，進(jìn)而發(fā)生短路現(xiàn)象。定轉(zhuǎn)子之間的持續(xù)互相感應(yīng)得到定子電流信號(hào)中的特征頻率[8]

式中：s為轉(zhuǎn)差率；n＝1，2，3，…，k＝0，1，2，…；f為電源頻率。

1.2 轉(zhuǎn)子斷條

轉(zhuǎn)子導(dǎo)條發(fā)生斷裂故障的概率約為 10%，其發(fā)生的主要原因包括電動(dòng)機(jī)在生產(chǎn)制造過(guò)程中出現(xiàn)個(gè)別缺陷，長(zhǎng)期運(yùn)轉(zhuǎn)導(dǎo)致導(dǎo)條疲勞損壞，以及在啟動(dòng)或過(guò)載運(yùn)轉(zhuǎn)中產(chǎn)生的較大的熱負(fù)荷等對(duì)導(dǎo)條的影響。當(dāng)異步電動(dòng)機(jī)轉(zhuǎn)子導(dǎo)條發(fā)生斷裂故障時(shí)，在定子繞組中即會(huì)產(chǎn)生特征頻率為 (1±2s)f的諧波間諧波分量。

1.3 氣隙偏心

氣隙發(fā)生偏心故障的概率約為 10%，其發(fā)生的主要原因是定子鐵芯在制造過(guò)程中未能達(dá)到圓形要求，或定子定位發(fā)生偏移引起的靜態(tài)偏心以及由于轉(zhuǎn)軸彎曲和高速轉(zhuǎn)動(dòng)時(shí)的機(jī)械共振等原因引起的動(dòng)態(tài)偏心。異步電動(dòng)機(jī)氣隙出現(xiàn)偏心故障時(shí)，其定子電流信號(hào)產(chǎn)生的特定頻率

式中：m為正整數(shù)；fr為轉(zhuǎn)子旋轉(zhuǎn)頻率；p為電動(dòng)機(jī)極對(duì)數(shù)。

1.4 軸承故障

軸承故障發(fā)生的主要原因是由于負(fù)載過(guò)重、潤(rùn)滑不良、安裝不正、軸電流和異物進(jìn)入引起的軸承磨損、表面剝落、腐蝕、碎裂和膠合等。軸承故障可分為內(nèi)外圈故障、滾動(dòng)體和保持架故障。軸承發(fā)生故障時(shí)，其特征頻率就是振動(dòng)頻率。

2 PSO-BP 神經(jīng)網(wǎng)絡(luò)模型

2.1 BP 神經(jīng)網(wǎng)絡(luò)算法缺陷

BP 神經(jīng)網(wǎng)絡(luò)算法實(shí)質(zhì)是尋找誤差函數(shù)的最小值問(wèn)題，其通常采用非線性規(guī)則中的最速梯度下降法[9]，按照誤差函數(shù)的負(fù)梯度方向修改權(quán)系數(shù)。BP 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)[10-11]如圖 1 所示。

圖1 BP 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.1 Topological structure of BP neural network

BP 神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)[12]主要有：①訓(xùn)練時(shí)收斂速度慢；② 訓(xùn)練過(guò)程中易陷入局部極小值；③隱含層層數(shù)及其神經(jīng)元數(shù)量的確定無(wú)理論指導(dǎo)；④ 網(wǎng)絡(luò)泛化能力不足；⑤ 存在樣本依賴問(wèn)題；⑥ 未考慮傳遞函數(shù)對(duì)網(wǎng)絡(luò)的影響。

2.2 PSO-BP 神經(jīng)網(wǎng)絡(luò)模型確定

為了實(shí)現(xiàn)采煤機(jī)電動(dòng)機(jī)在線實(shí)時(shí)監(jiān)測(cè)及對(duì)常見(jiàn)故障的精確診斷，克服 BP 神經(jīng)網(wǎng)絡(luò)存在的缺陷，筆者提出了一種 PSO-BP 神經(jīng)網(wǎng)絡(luò)算法，即將 PSO 算法與 BP 算法相結(jié)合，共同優(yōu)化神經(jīng)網(wǎng)絡(luò)連接權(quán)值。利用 PSO 算法前期較強(qiáng)的全局搜索能力幫助 BP 算法挑出局部極小值點(diǎn)，后期較強(qiáng)的局部搜索能力幫助 BP算法加快收斂速度。

2.2.1 神經(jīng)元

神經(jīng)網(wǎng)絡(luò)的輸入應(yīng)與電動(dòng)機(jī)故障特征分量一一對(duì)應(yīng)，按常見(jiàn)故障機(jī)理分析，常見(jiàn)故障對(duì)應(yīng) 9 個(gè)特征頻率分量，加上基波頻率分量，需要 10 個(gè)特征頻率分量處的諧波間諧波的幅值。將其作為神經(jīng)網(wǎng)絡(luò)的輸入向量，所以神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元數(shù)量為 10 個(gè)。神經(jīng)網(wǎng)絡(luò)的輸出應(yīng)與異步電動(dòng)機(jī)的健康狀態(tài)一一對(duì)應(yīng)，針對(duì)電動(dòng)機(jī) 4 種常見(jiàn)典型故障以及正常狀態(tài)進(jìn)行檢測(cè)診斷，所以神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元數(shù)量應(yīng)為 5 個(gè)。

2.2.2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本

針對(duì)電動(dòng)機(jī) 4 種常見(jiàn)典型故障及正常狀態(tài)的診斷，需要知道各故障對(duì)應(yīng)特征頻率處的諧波間諧波的幅值以及基波的幅值。在電動(dòng)機(jī)中，較各高次諧波間諧波分量的幅值，基波分量的幅值相對(duì)較大，而其他各次諧波間諧波分量也是大小不一，為了使神經(jīng)網(wǎng)絡(luò)能夠有效地學(xué)習(xí)訓(xùn)練，需要對(duì)輸入向量做歸一化處理。設(shè)樣本數(shù)據(jù)為xi，i＝1，2，n，n為樣本類別數(shù)，則

式中：Ximax為Xi中最大值；Ximin為Xi中最小值。

將所有樣本數(shù)據(jù)按照式 (4)進(jìn)行歸一化處理后即可作為神經(jīng)網(wǎng)絡(luò)的輸入向量。采用文獻(xiàn) [11]中的樣本數(shù)據(jù)，如表 1 所列。神經(jīng)網(wǎng)絡(luò)的期望輸出如表 2 所列[13]，其中“1”代表異步電動(dòng)機(jī)處于該狀態(tài)，“0”則相反。

表1 歸一化典型故障數(shù)據(jù)Tab.1 Normalized typical fault data

表2 神經(jīng)網(wǎng)絡(luò)目標(biāo)輸出Tab.2 Output of neural network target

2.2.3 隱含層層數(shù)與神經(jīng)元數(shù)量

隱含層層數(shù)取一層，運(yùn)用 PSO-BP 神經(jīng)網(wǎng)絡(luò)算法，在其他條件完全一樣的情況下，只改變隱含層神經(jīng)元數(shù)量，且每種測(cè)試 4 次取均值，測(cè)試結(jié)果如表 3所列。

表3 測(cè)試結(jié)果Tab.3 Test results

從表 3 可知，神經(jīng)網(wǎng)絡(luò)達(dá)到誤差要求時(shí)所需步長(zhǎng)開始隨著隱含層神經(jīng)元數(shù)量的增加而減小，當(dāng)隱含層神經(jīng)元數(shù)量為 18 時(shí)，神經(jīng)網(wǎng)絡(luò)達(dá)到誤差要求時(shí)所需步長(zhǎng)最小，之后又逐漸增加。根據(jù)測(cè)試結(jié)果，最終選取神經(jīng)網(wǎng)絡(luò)中隱含層神經(jīng)元數(shù)量為 18。

3 算法仿真結(jié)果

分別用 PSO-BP 算法、標(biāo)準(zhǔn) BP 算法和標(biāo)準(zhǔn) PSO算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，且每種算法均在相同的初始化條件下學(xué)習(xí)。參數(shù)初始化如表 4 所列，其中慣性權(quán)重因子ω隨迭代次數(shù)在 [0.4，0.9]范圍內(nèi)線性變化。

式中：ωmax=0.9；ωmin=0.4；k為迭代次數(shù)；DTmax為最大迭代次數(shù)。

表4 參數(shù)初始化Tab.4 Parameter initialization

3 種算法的性能曲線如圖 2 所示，訓(xùn)練結(jié)果如表5 所列。

從圖 2、表 5 可以看出，標(biāo)準(zhǔn) PSO 算法在訓(xùn)練過(guò)程中收斂速度很慢，且在規(guī)定步數(shù)內(nèi)未達(dá)到收斂要求。PSO-BP 算法和標(biāo)準(zhǔn) BP 算法均在規(guī)定步數(shù)內(nèi)達(dá)到了收斂要求。通過(guò)多次訓(xùn)練求得達(dá)到性能要求時(shí)，PSO-BP 算法所用平均步數(shù)為 73 次，標(biāo)準(zhǔn) BP 算法所用平均步數(shù)為 206 次。與標(biāo)準(zhǔn) BP 算法相比，PSO-BP算法的收斂速度更快，且多次訓(xùn)練均達(dá)到性能要求，說(shuō)明該算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)較穩(wěn)定。

圖2 3 種訓(xùn)練算法性能曲線Fig.2 Performance curves of three training algorithms

表5 3 種算法訓(xùn)練數(shù)據(jù)Tab.5 Training data of three algorithms

4 測(cè)試分析

利用測(cè)試樣本對(duì)訓(xùn)練的 PSO-BP 神經(jīng)網(wǎng)絡(luò)和標(biāo)準(zhǔn) BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試。PSO-BP 神經(jīng)網(wǎng)絡(luò)與 BP神經(jīng)網(wǎng)絡(luò)在仿真軟件中所得的測(cè)試結(jié)果分別如表 6、7 所列。從表 6 可以看出，PSO-BP 神經(jīng)網(wǎng)絡(luò)測(cè)試結(jié)果中，基本所有樣本均能正確檢測(cè)出其對(duì)應(yīng)的健康狀態(tài)，識(shí)別正確率約為 96.67%，僅有 2 個(gè)測(cè)試樣本出現(xiàn)了較大誤差。其一為異步電動(dòng)機(jī)發(fā)生氣隙偏心故障時(shí)的測(cè)試樣本 [0.13769 0.15318 0.13179 0.16279 0.14395 0.24078 0.36789 0.30793 0.19873 0.11285]，其對(duì)應(yīng)的輸出為 [-0.0060 -0.0048 0.8743 -0.0002 0.1328]，目標(biāo)輸出為 [0 0 1 0 0]，誤差為 0.033 495；另一個(gè)是異步電動(dòng)機(jī)發(fā)生軸承故障時(shí)的測(cè)試樣本 [0.14429 0.15976 0.14185 0.10733 0.1029 0.22179 0.32513 0.29076 0.69324 0.73429]，其對(duì)應(yīng)輸出為[-0.0009 -0.0010 0.1379 1.0002 -0.1372]，目標(biāo)輸出為 [0 0 0 1 0]，誤差為 0.037 851。從數(shù)據(jù)的角度我們知道這 2 個(gè)樣本未能達(dá)到性能要求，屬于診斷失誤；但是從觀察的角度看，實(shí)際上我們可以通過(guò)觀察輸出結(jié)果來(lái)大致判斷出樣本對(duì)應(yīng)的故障類型。

表6 PSO-BP 神經(jīng)網(wǎng)絡(luò)測(cè)試結(jié)果Tab.6 Test results of PSO-BP neural network

表7 BP 神經(jīng)網(wǎng)絡(luò)測(cè)試結(jié)果Tab.7 Test results of BP neural network

從表 7 可以看出，BP 神經(jīng)網(wǎng)絡(luò)測(cè)試結(jié)果中，大部分樣本能夠正確檢測(cè)出其對(duì)應(yīng)的健康狀態(tài)，識(shí)別正確率約為 91.67%。該網(wǎng)絡(luò)出現(xiàn)了一些誤診情況，在圖中已經(jīng)標(biāo)出，其中出現(xiàn)了診斷結(jié)果不明的情況，如測(cè)試結(jié)果為 [0.0001 0.7441 0.0031 0.7183 0.0002]的樣本。該樣本實(shí)際對(duì)應(yīng)的故障為轉(zhuǎn)子斷條故障，但該診斷結(jié)果無(wú)法判斷異步電動(dòng)機(jī)的健康狀態(tài)。同時(shí)還出現(xiàn)了診斷錯(cuò)誤的情況，如結(jié)果為 [0.9113 0.1674 0.0057 0.0001 0.0003]的測(cè)試樣本，該樣本實(shí)際對(duì)應(yīng)的故障為軸承內(nèi)圈故障，從測(cè)試結(jié)果可判斷其故障為定子繞組匝間短路故障。

將表 6 的測(cè)試結(jié)果與表 7 的測(cè)試結(jié)果比較可知，PSO-BP 神經(jīng)網(wǎng)絡(luò)較 BP 神經(jīng)網(wǎng)絡(luò)能更準(zhǔn)確地診斷異步電動(dòng)機(jī) 4 種常見(jiàn)故障，通過(guò)多次訓(xùn)練測(cè)試，該算法均表現(xiàn)出較為準(zhǔn)確的檢測(cè)結(jié)果，說(shuō)明該算法具有很好的泛化能力。

5 結(jié)語(yǔ)

在分析采煤機(jī)電動(dòng)機(jī)發(fā)生機(jī)理及常見(jiàn)故障的基礎(chǔ)上，為了克服 BP 算法收斂速度慢和陷入局部極小值的缺點(diǎn)，提出了一種用于異步電動(dòng)機(jī)故障診斷的PSO-BP 神經(jīng)網(wǎng)絡(luò)算法。訓(xùn)練結(jié)果顯示：與 BP 算法相比，PSO-BP 算法能更快達(dá)到性能指標(biāo)的要求；利用訓(xùn)練樣本和測(cè)試樣本分別對(duì) PSO-BP 神經(jīng)網(wǎng)絡(luò)和標(biāo)準(zhǔn)BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試，通過(guò)對(duì)比分析，驗(yàn)證了 PSOBP 算法在采煤機(jī)電動(dòng)機(jī)故障診斷上應(yīng)用的可行性和有效性。