韓學(xué)淵

(西山煤電集團(tuán) 官地礦選煤廠, 山西 太原 030010)

作為煤礦井下運輸物料的關(guān)鍵機械設(shè)備之一，帶式輸送機運行的安全及穩(wěn)定對煤礦生產(chǎn)起關(guān)鍵性作用。隨著科技的進(jìn)步，帶式輸送機逐漸向超大超重型方向發(fā)展，總功率已達(dá)4 000 kW以上。煤礦井下環(huán)境惡劣，帶式輸送機延伸距離長，導(dǎo)致帶式輸送機經(jīng)常出現(xiàn)故障，影響設(shè)備的正常運行。針對帶式輸送機故障診斷系統(tǒng)，國內(nèi)外學(xué)者展開諸多研究：雷志鵬[1]開發(fā)了一套基于PLC的綜采工作面輸送設(shè)備狀態(tài)監(jiān)測及故障診斷系統(tǒng)；蔡文飛[2]開發(fā)了一套集自動控制、狀態(tài)監(jiān)測和故障診斷于一體的綜采工作面刮板輸送機監(jiān)控及故障診斷系統(tǒng)。宋新擴[3]建立了帶式輸送機故障診斷專家系統(tǒng)。這些研究成果提高了帶式輸送機的自動化水平，對實現(xiàn)井下開采自動化和工作面少人值守具有實際意義。本文提出了基于BP神經(jīng)網(wǎng)絡(luò)與D-S證據(jù)理論相結(jié)合的智能故障診斷系統(tǒng)，以保證帶式輸送機連續(xù)、穩(wěn)定運行，減少故障發(fā)生率，有效保障設(shè)備的運行效率，同時為實現(xiàn)帶式輸送機的遠(yuǎn)程無人自動化控制并建立無人自動化工作面提供基礎(chǔ)。

1 基本理論

1.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法步驟為[4]：

1)確定連接權(quán)值Wij、Vjt以及閾值θt(0<θt<1)：Wij為輸出層到隱含層節(jié)點權(quán)值；Vjt為隱含層到輸出層節(jié)點權(quán)值；θt為輸出層的閾值。

2)對X(k)→Y(k)(k=1,2,…,n)進(jìn)行正向計算，且有式(1)以及式(2)：

(1)

(2)

式中：

zj—BP神經(jīng)網(wǎng)絡(luò)隱含層輸出。

3)計算輸出值yt與期望輸出之間的誤差以及反向傳播誤差，見式(3)以及式(4)：

(3)

(4)

4)根據(jù)誤差值對連接權(quán)值Wij、Vjt進(jìn)行調(diào)整，見式(5)以及式(6)：

ΔVjt=αzjdt

(5)

ΔWij=βxiej

(6)

其中，α、β為學(xué)習(xí)率，取值為(0,1).

5)調(diào)整輸出層、隱含層的閾值，見式(7)以及式(8)：

Δθt=αdt

(7)

ΔTj=βej

(8)

6)根據(jù)不同的訓(xùn)練樣本，從步驟(2)開始循環(huán)訓(xùn)練，直至輸出值滿足精度要求。

1.2 D-S證據(jù)理論信息融合方法

D-S證據(jù)理論以信任函數(shù)和似然函數(shù)為依據(jù)用于處理不確定信息，即對每個命題指派兩個不確定性度量，存在一個證據(jù)屬于一個命題的不確定性測度，使該命題似乎成立，但又不直接支持或拒絕。

圖2 D-S證據(jù)理論證據(jù)區(qū)間圖

基于最小風(fēng)險決策方法對命題A進(jìn)行決策分析，令狀態(tài)集S={x1,x2,…,xq}，決策集A={a1,a2,…,ap}，風(fēng)險函數(shù)r(ai,xl)，i=1,2,…,p，l=1,2,…,q，其中r(ai,xl)為狀態(tài)xl時作出決策ai的風(fēng)險。令新證據(jù)E在狀態(tài)集S中產(chǎn)生基本概率賦值，焦元為A1,A2,…,An，賦值函數(shù)為m(A1),m(A2),…,m(An)，令：

j=1,2,…,n

(9)

(10)

如果?ak∈A使ak=argmin{R(a1),…,R(ap)}，則ak為最優(yōu)決策。

2 故障診斷模型

帶式輸送機傳動部發(fā)生故障的頻率較高，如減速器軸承溫度故障，油溫、油位故障，電動機繞組溫度故障，冷卻水流量、壓力故障等。針對帶式輸送機傳動部設(shè)計基于BP神經(jīng)網(wǎng)絡(luò)以及D-S證據(jù)理論信息融合的智能故障診斷模型，見圖3.

圖3 帶式輸送機傳動部智能故障診斷模型圖

該智能故障診斷模型獲取減速器、電動機傳感器數(shù)據(jù)后，首先完成數(shù)據(jù)歸一化處理，將處理結(jié)果作為BP神經(jīng)網(wǎng)絡(luò)輸入層信號，經(jīng)多層感知器學(xué)習(xí)后，將輸出層結(jié)果作為D-S證據(jù)理論信息融合的基本概率賦值函數(shù)，利用最小風(fēng)險決策方法得出最優(yōu)決策，作為故障診斷結(jié)果。

3 實例分析

3.1 減速器BP神經(jīng)網(wǎng)絡(luò)故障診斷

以帶式輸送機減速器監(jiān)測量為特征向量，采用單隱層BP神經(jīng)網(wǎng)絡(luò)對所監(jiān)測的高速軸承溫度、油溫、油位等故障點進(jìn)行智能診斷。設(shè)計的單隱層BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點為6個(對應(yīng)6個特征向量)，隱含層設(shè)定節(jié)點數(shù)為13，輸出層設(shè)定節(jié)點數(shù)為3(對應(yīng)無故障、高速軸承故障、低速軸承故障)。減速器測試數(shù)據(jù)見表1，x1—x6為輸入特征向量。

表1 減速器測試數(shù)據(jù)表

對測試數(shù)據(jù)進(jìn)行歸一化處理后，判斷輸出Yn，如果Yn的取值接近1時，表示有故障，接近0時，表示無故障。針對表1的減速器故障診斷結(jié)果見表2，為高速軸承故障。

表2 減速器故障診斷結(jié)果表

3.2 減速器D-S融合故障診斷

對經(jīng)過BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的訓(xùn)練誤差作為不確定因素，構(gòu)造基本概率賦值方法如下：

(11)

其中，Ai為故障模式，y(Ai)為BP神經(jīng)網(wǎng)絡(luò)的輸出，En為樣本誤差。結(jié)合Ai取值為A1、A2以及A3，分別表示無故障、高速軸承故障和低速軸承故障，根據(jù)式(10)計算可得表3.

表3 減速器D-S基本概率賦值表

m1(Ai)、m2(Ai)以及m′(Aj)、m3(Ai)采用D-S證據(jù)理論信息融合后的結(jié)果見表4，表5.

表4 m1(Ai)和m2(Ai)時域融合結(jié)果表

表5 m′(Aj)和m3(Ai)時域融合結(jié)果

由表4以及表5可知，為提高故障診斷正確率，提高識別精度，可進(jìn)行多次信息融合，如m′(Aj)中A2值為0.097 47小于m″(Aj)中A2值0.998 1.

4 結(jié) 語

以帶式輸送機傳動部為研究對象，利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測減速器以及電動機故障發(fā)生的可能性，利用D-S證據(jù)信息融合對BP神經(jīng)網(wǎng)絡(luò)的輸出值進(jìn)行多次時域信息融合，可提高故障診斷的精度和可靠性。在后續(xù)的研究中，需要對減速器、電動機實際參數(shù)進(jìn)行收集和整理，為BP神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)信息融合提高可靠的原始監(jiān)測數(shù)據(jù)。