基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的采煤機(jī)搖臂軸承剩余壽命預(yù)測(cè)

王振環(huán)

（山西潞安化工集團(tuán)司馬煤業(yè)有限公司，山西 長(zhǎng)治 047100）

采礦工程是礦山行業(yè)的核心環(huán)節(jié)，而采煤機(jī)作為采礦過程中重要的工具之一，其可靠性和運(yùn)行效率對(duì)采煤作業(yè)和生產(chǎn)安全意義重大。采煤機(jī)搖臂軸承的剩余壽命預(yù)測(cè)對(duì)于提高采煤生產(chǎn)效率和降低安全風(fēng)險(xiǎn)具有現(xiàn)實(shí)意義。近年來，隨著采煤工作面裝備水平不斷提高，因采煤機(jī)搖臂軸承故障和失效問題引發(fā)的安全風(fēng)險(xiǎn)日益突出，給采煤機(jī)的正常運(yùn)行帶來了諸多挑戰(zhàn)。因此，開展準(zhǔn)確預(yù)測(cè)和評(píng)估搖臂軸承剩余壽命的研究具有重要理論和實(shí)際意義。

葛紅兵[1]（2018）基于故障樹原理和理論分析了采煤機(jī)牽引部分的故障機(jī)理，并采用模糊邏輯理論評(píng)判采煤機(jī)牽引部分故障，得到了不同運(yùn)行階段牽引部分故障率和故障形式，實(shí)現(xiàn)了對(duì)采煤機(jī)牽引部分的管理。田震[2]（2019）建立應(yīng)力-可靠度高斯型隸屬度函數(shù)，利用其獲取采煤機(jī)行星軸與行星架之間的可靠度信息，實(shí)現(xiàn)了對(duì)截割部分行星減速可靠性的分析。

用傳統(tǒng)的統(tǒng)計(jì)模型和機(jī)器學(xué)習(xí)方法進(jìn)行軸承壽命預(yù)測(cè)存在一定的局限性。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，神經(jīng)網(wǎng)絡(luò)模型在序列數(shù)據(jù)分析和預(yù)測(cè)領(lǐng)域蓬勃發(fā)展，并展示出了其優(yōu)越的性能。LSTM 作為一種具有記憶性的深度學(xué)習(xí)模型，能夠?qū)π蛄袛?shù)據(jù)進(jìn)行有效建模和預(yù)測(cè)。通過利用軸承工作狀態(tài)歷史數(shù)據(jù)和相應(yīng)的剩余壽命信息，相較于傳統(tǒng)的統(tǒng)計(jì)模型和機(jī)器學(xué)習(xí)方法，LSTM 能夠捕捉到序列數(shù)據(jù)中的長(zhǎng)期依賴關(guān)系，更加適用于軸承壽命預(yù)測(cè)這一時(shí)序性問題。該研究將建立一個(gè)準(zhǔn)確且可靠的預(yù)測(cè)模型，以實(shí)現(xiàn)對(duì)搖臂軸承壽命的精準(zhǔn)預(yù)測(cè)和監(jiān)測(cè)。

1 采煤機(jī)搖臂關(guān)鍵零部件失效機(jī)理

1.1 采煤機(jī)搖臂結(jié)構(gòu)

采煤機(jī)搖臂結(jié)構(gòu)主要由截割電動(dòng)機(jī)（以下統(tǒng)稱稱“電動(dòng)機(jī)”）、搖臂殼體、護(hù)板、截一軸、截二軸、截三軸、惰輪結(jié)構(gòu)、行星輪等部件組成，如圖1 所示。下面將對(duì)部件進(jìn)行詳細(xì)描述：

圖1 采煤機(jī)搖臂結(jié)構(gòu)

截割電機(jī)：截割電機(jī)是搖臂結(jié)構(gòu)的核心部件之一，它通過傳動(dòng)裝置與搖臂殼體相連。截割電機(jī)通過高速旋轉(zhuǎn)提供動(dòng)力，使搖臂機(jī)構(gòu)能夠進(jìn)行煤炭的切割和破碎操作。

搖臂殼體：搖臂殼體是搖臂機(jī)構(gòu)的外部保護(hù)罩，由金屬材料制成。它起到保護(hù)內(nèi)部部件不受外部損害的作用，并提供結(jié)構(gòu)穩(wěn)定性和剛度。

護(hù)板：位于搖臂殼體的上方，用于遮擋和保護(hù)截割電機(jī)和其他部件，防止煤矸對(duì)電動(dòng)機(jī)和傳動(dòng)裝置的損害，提高整體結(jié)構(gòu)的安全性和可靠性[3]。

截一軸、截二軸、截三軸：這些軸位于搖臂殼體內(nèi)部，與截割電機(jī)相連。它們承載著截割電機(jī)的轉(zhuǎn)動(dòng)力矩，并通過傳動(dòng)裝置將動(dòng)力傳遞給截割裝置，實(shí)現(xiàn)截割操作。

惰輪結(jié)構(gòu)：搖臂結(jié)構(gòu)中的惰輪結(jié)構(gòu)位于搖臂殼體底部，由惰輪和支撐結(jié)構(gòu)組成。惰輪與截割裝置接觸，起到支撐和保持搖臂運(yùn)動(dòng)穩(wěn)定的作用。

行星輪：位于搖臂殼體底部的搖臂液壓缸中，行星輪的運(yùn)動(dòng)可以控制搖臂的升降和前后擺動(dòng)。

按標(biāo)準(zhǔn)設(shè)計(jì)制造的采煤機(jī)能夠在惡劣的采煤環(huán)境下安全可靠地運(yùn)行。同時(shí)，定期維護(hù)、保養(yǎng)也是確保采煤機(jī)特別是搖臂結(jié)構(gòu)長(zhǎng)期穩(wěn)定運(yùn)行的關(guān)鍵。

1.2 采煤機(jī)搖臂關(guān)鍵零部件失效形式

采煤機(jī)搖臂是采煤機(jī)的重要部件，承擔(dān)著割切和破碎煤炭的任務(wù)。然而，在采煤作業(yè)中，搖臂的關(guān)鍵零部件可能會(huì)出現(xiàn)失效，影響采煤機(jī)正常運(yùn)行。下面將介紹幾種常見的搖臂關(guān)鍵零部件失效形式：

截割電機(jī)故障：截割電機(jī)是搖臂結(jié)構(gòu)的核心部件，如果電機(jī)出現(xiàn)故障，如絕緣損壞、軸承磨損或電路問題，將會(huì)導(dǎo)致截割功能無法正常運(yùn)行。

軸承故障：搖臂結(jié)構(gòu)中的軸承承載著截割電機(jī)的轉(zhuǎn)動(dòng)力矩，如果軸承損壞或磨損嚴(yán)重，會(huì)導(dǎo)致?lián)u臂運(yùn)動(dòng)不穩(wěn)定，甚至出現(xiàn)卡滯或斷裂的情況。

傳動(dòng)裝置故障：搖臂結(jié)構(gòu)中的傳動(dòng)裝置由截一軸、截二軸、截三軸等組成，用于傳遞截割電機(jī)的動(dòng)力。如果傳動(dòng)裝置的鏈條或齒輪嚴(yán)重磨損或斷裂，將會(huì)導(dǎo)致能量傳輸?shù)闹袛唷?/p>

搖臂液壓缸故障：搖臂液壓缸負(fù)責(zé)控制搖臂的升降和前后擺動(dòng)。如果液壓缸內(nèi)部密封件磨損、泄漏或油液污染，將會(huì)導(dǎo)致?lián)u臂運(yùn)動(dòng)不穩(wěn)定或不工作。

為了預(yù)防和減少搖臂關(guān)鍵零部件的失效，需要進(jìn)行定期的檢查、維護(hù)和保養(yǎng)。包括電機(jī)的絕緣、傳動(dòng)齒輪的磨損、軸承磨損痕跡和游隙、傳動(dòng)裝置的潤(rùn)滑和緊固、液壓缸的密封性能等檢查。通過科學(xué)合理的維護(hù)保養(yǎng)，可以提高搖臂結(jié)構(gòu)的穩(wěn)定性和可靠性，保障采煤機(jī)安全高效運(yùn)行。

2 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)

LSTM 在傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，引起多個(gè)控制門，通過控制門解決循環(huán)神經(jīng)網(wǎng)絡(luò)梯度消失問題。LSTM 門控單元能夠阻攔或允許信息傳遞，以此來捕獲數(shù)據(jù)的相關(guān)性。LSTM 模型內(nèi)部結(jié)構(gòu)包含可以傳遞時(shí)間序列數(shù)據(jù)的調(diào)節(jié)門和記憶單元[4-5]。LSTM 模型調(diào)節(jié)門包括遺忘門、輸出門和輸入門。不同的調(diào)節(jié)門可以控制時(shí)間序列數(shù)據(jù)的選擇性遺忘與記憶、信息選擇性輸出等，如圖2。

圖2 LSTM 結(jié)構(gòu)

3 基于LSTM 網(wǎng)絡(luò)的軸承剩余壽命預(yù)測(cè)模型

3.1 退化指標(biāo)構(gòu)建

圖3 所示為采煤機(jī)搖臂滾動(dòng)軸承退化的演變過程。軸承退化是一個(gè)漸進(jìn)的過程，由初始的輕微磨損逐漸轉(zhuǎn)變?yōu)閲?yán)重?fù)p傷。當(dāng)軸承出現(xiàn)細(xì)微磨損時(shí)，這些磨損并不會(huì)對(duì)軸承的正常運(yùn)轉(zhuǎn)產(chǎn)生影響，因此該狀態(tài)仍然被認(rèn)為是一種健康的狀態(tài)，并且軸承的健康狀況會(huì)延續(xù)很久，通常占據(jù)整個(gè)生命周期的70%～80%。在經(jīng)過一段時(shí)間后，如果軸承滾道表面或滾動(dòng)體出現(xiàn)細(xì)小裂紋時(shí)，軸承開始出現(xiàn)運(yùn)行故障，此時(shí)軸承退化曲線為初始退化點(diǎn)（initial degenerate point,IDP），即圖3 中B 點(diǎn)。隨著軸承磨損程度加劇，軸承會(huì)進(jìn)入到一個(gè)退化階段[6]。在這個(gè)時(shí)期，軸承的磨損量會(huì)大幅度地增加，顯然該磨損已經(jīng)不是普通的損耗。與此同時(shí)，軸承表面還會(huì)有裂紋擴(kuò)展和新裂紋的生成，軸承的性能會(huì)呈現(xiàn)一個(gè)指數(shù)型的降低，并且會(huì)有更多的故障產(chǎn)生。當(dāng)軸承出現(xiàn)嚴(yán)重?fù)p傷，甚至達(dá)到破壞的臨界值時(shí)，其工作狀態(tài)就會(huì)因?yàn)椴环习踩\(yùn)行而停止，此時(shí)軸承退化曲線就會(huì)到達(dá)功能性失效點(diǎn)C，該點(diǎn)即表明軸承進(jìn)入失效階段[7]。因此，采煤機(jī)搖臂滾動(dòng)軸承的整個(gè)生命周期可以劃分為三個(gè)階段：健康、退化和失效。

圖3 軸承退化規(guī)律曲線

3.2 分層抽樣劃分?jǐn)?shù)據(jù)集

傳統(tǒng)的時(shí)間序列數(shù)據(jù)分類法主要根據(jù)故障演化過程，將軸承整個(gè)生命周期內(nèi)的故障數(shù)據(jù)分為正常、輕微退化、退化、嚴(yán)重故障、劇烈故障等幾個(gè)階段，并按照7:3 的比例將各階段分為訓(xùn)練集與測(cè)試集。但這種方法的分割點(diǎn)是隨機(jī)的，可能會(huì)出現(xiàn)不含軸承退化特征信息的訓(xùn)練集，使得LSTM 在訓(xùn)練時(shí)不能獲取足夠的信息，進(jìn)而影響其壽命預(yù)測(cè)結(jié)果[8]。

針對(duì)軸承剩余周期預(yù)測(cè)時(shí)特征學(xué)習(xí)不完備性，采用分層抽樣方法將軸承生命周期內(nèi)的所有樣本分為多個(gè)層次或多個(gè)類別，在每個(gè)層次或多個(gè)類別中分別提取訓(xùn)練和檢測(cè)集。該方法可以確保各層次樣本的特性曲線之間的相似性。首先以10 個(gè)連續(xù)時(shí)間樣本為單元?jiǎng)澐謽颖緦?，然后在每層?:3 的比例提取測(cè)試集和訓(xùn)練集，使每層的訓(xùn)練集與測(cè)試集彼此交替分布。通過分層抽樣可以對(duì)軸承整個(gè)使用壽命期的數(shù)據(jù)進(jìn)行更為精細(xì)的分割，使得訓(xùn)練集與測(cè)試集會(huì)呈現(xiàn)出相近的使用性能退化規(guī)律，從而使得在訓(xùn)練時(shí)可以對(duì)整個(gè)使用壽命期的數(shù)據(jù)進(jìn)行更為全面、完備的學(xué)習(xí)，達(dá)到對(duì)整個(gè)使用壽命期的數(shù)據(jù)進(jìn)行精確的預(yù)測(cè)，提升模型的預(yù)測(cè)精度的目的[9]。

3.3 粒子群的超參數(shù)優(yōu)化算法

粒 子 群 優(yōu) 化 算 法（Particle Swarm Optimization,PSO)是一種模仿鳥群覓食行為規(guī)則的仿生算法，可以將每只鳥看作為一個(gè)粒子，其只包含位置和速度參數(shù)，通過協(xié)同合作和信息共享等方式獲得最優(yōu)解。在獲取最優(yōu)解時(shí)，需要限制粒子位置和速度，即解空間。算法開始時(shí)，隨機(jī)初始化一群粒子，每個(gè)粒子根據(jù)自身的位置和速度不斷調(diào)整，同時(shí)受到個(gè)體最優(yōu)解和群體最優(yōu)解的吸引力。通過迭代更新，粒子群在解空間中逐漸收斂到問題的最優(yōu)解或近似最優(yōu)解。PSO 的核心思想是利用個(gè)體和群體間的協(xié)作，通過信息的共享和傳遞，引導(dǎo)粒子群向更優(yōu)的解空間位置移動(dòng)。在每次迭代中，粒子的速度和位置被調(diào)整，使得粒子向著歷史經(jīng)驗(yàn)中的最優(yōu)解和當(dāng)前全局最優(yōu)解靠攏。這種集體智能的搜索策略使得PSO 在解決復(fù)雜、高維度問題時(shí)表現(xiàn)出色，成為一種常用的優(yōu)化算法。

LSTM 是一種深度學(xué)習(xí)模型，用于處理序列數(shù)據(jù)，如文本、語(yǔ)音和時(shí)間序列數(shù)據(jù)。PSO 可以用于優(yōu)化神經(jīng)網(wǎng)絡(luò)的參數(shù)，包括LSTM 中的權(quán)重和偏差。1）參數(shù)優(yōu)化：LSTM 模型通常有大量的參數(shù)，需要進(jìn)行調(diào)整和優(yōu)化，以達(dá)到更好的性能。PSO 可以幫助自動(dòng)化這個(gè)參數(shù)優(yōu)化過程，找到最佳參數(shù)組合。2）搜索空間探索：LSTM 的參數(shù)空間通常是高維的，而且存在許多局部最優(yōu)解。PSO 的群體智能性質(zhì)使其能夠更好地在參數(shù)空間中探索，找到全局最優(yōu)解。3）收斂速度：PSO 通常在較少的迭代次數(shù)內(nèi)就可以找到相對(duì)好的解，因此可以加速神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，尤其是在計(jì)算資源有限的情況下。4）防止過擬合：PSO 可以幫助尋找更簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)架構(gòu)，從而降低過擬合的風(fēng)險(xiǎn)。

假設(shè)粒子群包含m個(gè)粒子，其經(jīng)過n次迭代后，第i個(gè)粒子的速度和位置可以表示為vi,n、xi,n，其計(jì)算公式如下：

式中：r1、r2為介于（0,1）的隨機(jī)數(shù)；c1、c2為個(gè)體和群體學(xué)習(xí)經(jīng)驗(yàn)因子；pbest為個(gè)體最優(yōu)位置；gbest為全局最優(yōu)位置。

每次迭代完成后，粒子個(gè)體最優(yōu)位置根據(jù)適應(yīng)度進(jìn)行更新。

式中：f（·）為位置適應(yīng)度函數(shù)。

從式（3）可以看出，當(dāng)粒子位置舒適度比個(gè)體最優(yōu)位置舒適度高時(shí)f（pbesti,n）＞f（xi,n+1），個(gè)體最優(yōu)位置將替換當(dāng)前位置；反之個(gè)體最優(yōu)位置不變。粒子除了需要更新個(gè)體最優(yōu)位置外，還需要更新全局最優(yōu)位置，如下所示：

為了進(jìn)一步提高粒子群算法的開發(fā)和探索能力，使粒子群算法更快、更好尋優(yōu)，增加慣性權(quán)重因子w，w隨著迭代次數(shù)的增加呈遞減趨勢(shì)：

式中：pbesti,n-xi,n為自身感知項(xiàng)；gbesti,n-xi,n為群體認(rèn)知項(xiàng)；kmax為最大迭代次數(shù)。

在迭代過程中，通過w值確定最優(yōu)解區(qū)域，之后w值不斷減小，粒子群尋優(yōu)范圍進(jìn)一步減小。該改進(jìn)方式可以進(jìn)一步提高粒子群算法局部搜索能力[10]。

4 基于LSTM 網(wǎng)絡(luò)的軸承剩余壽命預(yù)測(cè)

首先確定采煤機(jī)搖臂滾動(dòng)軸承退化時(shí)刻點(diǎn)，并劃分軸承的退化階段和健康階段，建立LSTM 退化指標(biāo)。構(gòu)建LSTM 軸承剩余壽命預(yù)測(cè)模型，采用分層抽樣方法將軸承壽命預(yù)測(cè)標(biāo)簽和深層退化特征劃分為測(cè)試集和訓(xùn)練集，然后利用LSTM 進(jìn)行訓(xùn)練，預(yù)測(cè)軸承剩余壽命。在設(shè)置LSTM 模型超參數(shù)時(shí)，利用粒子群算法解決參數(shù)選擇問題。

圖4 所示為L(zhǎng)STM 模型預(yù)測(cè)結(jié)果。從圖4 中可以看出，軸承剩余壽命真實(shí)值與預(yù)測(cè)結(jié)果變化趨勢(shì)重合度較高。為保證軸承剩余壽命預(yù)測(cè)結(jié)果的可信度，增加置信度評(píng)估，為評(píng)估軸承剩余壽命預(yù)測(cè)結(jié)果的不確定，對(duì)軸承壽命退化階段的預(yù)測(cè)進(jìn)行區(qū)間評(píng)估，在軸承剩余壽命預(yù)測(cè)值上設(shè)置95%置信水平區(qū)間。從圖4 局部放大圖中可以看出，預(yù)測(cè)結(jié)果與真實(shí)值存在一定偏差，但是部分預(yù)測(cè)值均落在置信區(qū)域范圍內(nèi)，表明預(yù)測(cè)值與真實(shí)值的變化情況基本一致。

圖4 軸承剩余壽命預(yù)測(cè)結(jié)果

5 結(jié)論

該文建立了LSTM 預(yù)測(cè)模型，并對(duì)軸承剩余壽命進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果與真實(shí)值基本一致，簡(jiǎn)要介紹了LSTM 的基本原理，基于LSTM 理論建立了軸承剩余壽命退化指標(biāo)，以此來反映軸承壽命退化過程；利用分層抽樣方法對(duì)數(shù)據(jù)集進(jìn)行劃分，提高模型的預(yù)測(cè)精度；建立LSTM 網(wǎng)絡(luò)模型對(duì)軸承剩余壽命進(jìn)行預(yù)測(cè)，并設(shè)置置信區(qū)間保證預(yù)測(cè)結(jié)果的可信度。