基于RBF 預(yù)測的采煤機故障診斷系統(tǒng)研究

陳宏斌

（晉能控股煤業(yè)集團地煤大同有限公司， 山西 大同 037003）

引言

在智慧礦山、煤礦智能化背景下，采煤機的自動化、智能化水平日益提高，系統(tǒng)規(guī)模、構(gòu)成更加復(fù)雜，同時，故障發(fā)生的概率也隨之增加。采煤機一旦發(fā)生故障，將導(dǎo)致煤礦井下綜采工作面停產(chǎn)，嚴(yán)重影響煤礦高效、高質(zhì)量生產(chǎn)。因此，研究并設(shè)計采煤機診斷系統(tǒng)，及時預(yù)測、發(fā)現(xiàn)故障，對于提高采煤機的開機率，保證煤礦綜采工作面高效生產(chǎn)具有重要意義[1]。彭學(xué)前[2]提出了一種適用于采煤機的混合故障診斷算法，可在不同運行工況對采煤機機械、電氣和液壓系統(tǒng)進行故障診斷。李樹偉和黃穎輝[3]將故障診斷仿真技術(shù)與采煤機實際運行工況相結(jié)合，診斷并監(jiān)測采煤機運行狀態(tài)和信號變化，分析可能產(chǎn)生的故障征兆。趙鵬偉[4]設(shè)計了一種采煤機模糊控制技術(shù)故障診斷系統(tǒng)，并形成網(wǎng)絡(luò)結(jié)構(gòu)，全方位監(jiān)測采煤機運行故障，取得了較好的應(yīng)用效果。

本文在分析采煤機常見故障的基礎(chǔ)上，應(yīng)用RBF神經(jīng)網(wǎng)絡(luò)預(yù)測技術(shù)對采煤機故障進行智能診斷，并完成系統(tǒng)仿真。

1 采煤常見故障分析

綜采工作面用采煤機由電氣、機械和液壓三大系統(tǒng)組成，在實際運行過程中，采煤機電氣、機械和液壓系統(tǒng)會發(fā)生不同的故障[5-6]。

1.1 電氣故障

1）搖臂升降系統(tǒng)故障：開機后搖臂自動上升或者下降、搖臂不動作?？刂破鬏敵鲭娬尺B、控制器輸出點不工作、電磁閥不工作、電磁閥堵卡以及系統(tǒng)壓力異常等會造成搖臂升降系統(tǒng)故障。

2）端頭站/遙控器故障：端頭站、遙控器不動作或者誤動作。造成該故障的原因為電源工作異常、電纜連接松動、繼電器回路異常、線路斷線等。

3）電機故障：電機無法啟動、電機PT100 損壞。造成該故障的原因為溫度節(jié)點斷開或者接線錯誤，控制器對應(yīng)點輸出異常等。

4）變頻器故障：變頻電機不動作或者動作異常。造成該故障的原因可根據(jù)變頻器返回的故障代碼進行定位。

1.2 機械故障

1）軸承故障：噪聲過大、軸承溫度過高。

2）齒輪故障：齒面磨損、齒面膠合擦傷、齒面接觸疲勞、彎曲疲勞斷齒等。

1.3 液壓故障

1）牽引失效：采煤機牽引失效。造成牽引失效的原因為液壓油質(zhì)量不合格、油管堵塞等。

2）牽引部過熱：采煤機牽引部高溫、過熱。原因為冷卻系統(tǒng)缺水、冷卻系統(tǒng)壓力不足、管路堵塞以及油質(zhì)不合格等。

3）牽引部異響：采煤機牽引部聲音異常。油路缺油/少油、油質(zhì)不合格以及采煤機電機故障等均會導(dǎo)致牽引部聲音異常。

2 采煤機故障診斷系統(tǒng)

2.1 RBF 神經(jīng)網(wǎng)絡(luò)簡介

RBF（Radial Basis Function，徑向基函數(shù))神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)用于解決多維變量差值問題，且可以無限逼近可微函數(shù)，具有預(yù)測效果好、訓(xùn)練速度快、能夠以任意精度逼近非線性復(fù)雜函數(shù)的特點。RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測控制模型如下頁圖1 所示，為輸入層、徑向基神經(jīng)元層（隱含層）和輸出層三層前向型網(wǎng)絡(luò)結(jié)構(gòu)。輸入層由信號源節(jié)點組成，空間矩陣可表示為[x1，x2，…，xn]，徑向基神經(jīng)元層為h 個隱節(jié)點，Φh（x）為第h 個隱節(jié)點的激活函數(shù)；W 為權(quán)值輸出矩陣且有Rh×m；輸出層有m個節(jié)點，∑表示線性激活函數(shù)[7-8]。在RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測控制模型中，輸入層與徑向基神經(jīng)元層之間為非線性變換，徑向基神經(jīng)元層與輸出層之間為線性變化。

圖1 RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測控制模型

徑向基神經(jīng)元層函數(shù)為局部分布、中心點徑向堆成衰減的非線性函數(shù)，可表示為：

式中：||xp-Ci||為歐式范數(shù)，xp可表示為xp=（x1p，x2p，…，xmp），為第p 個輸入樣本數(shù)據(jù)，p 的取值為p=（1，2，…，n），所取的樣本總數(shù)為n；σ 為所取的高斯函數(shù)的方差；Ci為RBF 神經(jīng)網(wǎng)絡(luò)隱含層的節(jié)點中心。

RBF 神經(jīng)網(wǎng)絡(luò)的輸出可表示為：

式中：wij為隱含層到輸出層節(jié)點i 到節(jié)點j 的連接權(quán)值；i 為隱含層節(jié)點個數(shù)，取值為i=（1，2，…，h）；yj為輸出層第j 個節(jié)點的輸出值。

2.2 RBF 采煤機故障診斷系統(tǒng)實現(xiàn)

基于RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測的采煤機故障診斷系統(tǒng),如圖2 所示。

圖2 基于RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測的采煤機故障診斷系統(tǒng)

將采集的采煤機電氣、液壓和機械典型部件的正常運行數(shù)據(jù)作為診斷原始數(shù)據(jù)，經(jīng)預(yù)處理、特征選擇與提取后，輸入RBF 神經(jīng)網(wǎng)絡(luò)進行學(xué)習(xí)訓(xùn)練。在設(shè)計RBF 神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng)時，設(shè)計輸入層、隱含層和輸出層三層結(jié)構(gòu)。輸入信號為采煤機電氣搖臂升降系統(tǒng)、端頭站/遙控器系統(tǒng)、電機系統(tǒng)和變頻器系統(tǒng)正常運行時的歸一化數(shù)據(jù)，輸出為故障狀態(tài)分類，分別為正常、一般故障和嚴(yán)重故障。隱含層設(shè)計為一層結(jié)構(gòu)，因為隱含層越多、數(shù)據(jù)訓(xùn)練時間越長，傳播誤差越大，過程也越復(fù)雜。隱含層節(jié)點數(shù)按照公式k=2n+1 進行設(shè)計，其中k 為隱含層節(jié)點個數(shù)，n 為輸入層節(jié)點個數(shù)。輸入層到隱含層的輸入權(quán)值選取范圍為[0，1]，對原始數(shù)據(jù)進行歸一化的公式如式（3）所示：

式中：p 為選取的采煤機樣本數(shù)據(jù)；min（p）為選取的采煤機樣本數(shù)據(jù)中的最小值；max（p）為選取的采煤機樣本數(shù)據(jù)中的最大值；p'為歸一化后的采煤機樣本數(shù)據(jù)。選取采煤機RBF 神經(jīng)網(wǎng)絡(luò)故障診斷系統(tǒng)的激勵函數(shù)為式（4）：

基于RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測的采煤機故障診斷動態(tài)預(yù)測模型，如圖3 所示。輸入為e（k+1）=qr-qp，經(jīng)非線性優(yōu)化器后輸出u（k），作為采煤機故障診斷系統(tǒng)、RBF神經(jīng)網(wǎng)絡(luò)控股之模型的輸入，反饋校正值為rm（k+1），采煤機故障診斷系統(tǒng)輸出為rp（k）。

圖3 采煤機故障診斷動態(tài)預(yù)測模型

3 仿真試驗

為驗證基于RBF 神經(jīng)網(wǎng)絡(luò)的采煤機故障診斷系統(tǒng)，進行仿真試驗并與原BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行對比。采集采煤機搖臂升降系統(tǒng)、端頭站/遙控器系統(tǒng)、電機系統(tǒng)、變頻器、齒輪、軸承和液壓系統(tǒng)共20 組數(shù)據(jù)進行仿真。如圖4 所示，橫坐標(biāo)為采樣數(shù)據(jù)編號，縱坐標(biāo)為每一個樣本數(shù)據(jù)的故障發(fā)生概率。由圖4 可知，基于RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測模型的采煤機故障診斷系統(tǒng)更能夠?qū)崟r、精確地對采煤機運行故障進行預(yù)測，RBF 神經(jīng)網(wǎng)絡(luò)故障診斷模型的泛化能力、容錯能力更強。

圖4 采煤機截割滾筒智能調(diào)高跟蹤軌跡仿真

4 結(jié)論

1）分析了煤礦井下綜采工作面用采煤機常見的電氣、機械、液壓故障現(xiàn)象以及產(chǎn)生該故障的原因。

2）研究了基于RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測的采煤機故障診斷系統(tǒng)，通過對采煤機正常運行時各部件的數(shù)據(jù)進行訓(xùn)練、學(xué)習(xí)，設(shè)計三層RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測模型，將采煤機實時運行數(shù)據(jù)輸入該神經(jīng)網(wǎng)絡(luò)預(yù)測模型后，與原始訓(xùn)練數(shù)據(jù)進行對比分析，完成采煤機故障預(yù)測與故障診斷功能。

3）對基于RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測模型的采煤機故障診斷系統(tǒng)進行仿真，與原基于BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型的采煤機故障診斷系統(tǒng)相比，在故障預(yù)測的實時性、準(zhǔn)確性以及穩(wěn)定性方面有較好的表現(xiàn)，保證了采煤機高效、安全、連續(xù)運行。