牛銳祥， 丁 華， 施 瑞， 李海平

(1.太原理工大學(xué) 機械與運載工程學(xué)院， 山西 太原 030024； 2.煤礦綜采裝備山西省重點實驗室， 山西 太原 030024；3.山西汾西華益實業(yè)有限公司， 山西 晉中 030600)

引言

作為液壓支架動力源的乳化液泵是煤礦綜采工作面的關(guān)鍵設(shè)備，是液壓支架供液系統(tǒng)的核心設(shè)備，其主要功能是向液壓支架提供高壓乳化液，進而實現(xiàn)液壓支架支撐工作面和控制頂板的任務(wù)。實現(xiàn)乳化液泵的故障診斷，對于保障煤礦安全生產(chǎn)至關(guān)重要[1]。但礦井實際生產(chǎn)中，對于乳化液泵的故障診斷仍然依靠工作人員的經(jīng)驗之談，乳化液泵故障機理復(fù)雜，尤其液壓系統(tǒng)故障隱蔽性強，故障頻率高，傳統(tǒng)診斷方法效率低下且準(zhǔn)確率不高。隨著煤礦智能化建設(shè)的推進，乳化液泵功率的不斷增大及遠(yuǎn)距離供液的逐步實現(xiàn)，傳統(tǒng)的人工故障排查方式及定時檢修工作制已經(jīng)不再適用于智能化礦井乳化液泵的故障診斷。目前，對于乳化液泵的故障診斷方法還比較少，且局限于對乳化液泵的參數(shù)預(yù)警及可靠性分析[2-4]。故障診斷方法的落后已經(jīng)制約了乳化液泵的升級改造，亟需快速、準(zhǔn)確的乳化液泵智能故障診斷方法。

近年來，人工智能興起，專家系統(tǒng)、深度學(xué)習(xí)等智能方法的提出為故障診斷提供了新思路。相比于傅里葉變換[5]、小波變換[6]、經(jīng)驗?zāi)B(tài)分析法[7]等基于信號處理的故障診斷方法，智能故障診斷方法不需要復(fù)雜的數(shù)學(xué)分析推導(dǎo)，通過模擬人的思維過程實現(xiàn)機械的故障診斷?；趯＜蚁到y(tǒng)的診斷方法，匯集大量領(lǐng)域?qū)＜抑R，進行分析推理，最終實現(xiàn)故障診斷。高宏鵬等[8]開發(fā)了無軌膠輪車故障診斷專家系統(tǒng)，能夠?qū)o軌膠輪車快速診斷并指導(dǎo)維修；文小莉等[9]提出的大型料耙液壓元件故障診斷專家系統(tǒng)，實現(xiàn)液壓系統(tǒng)快速高效定位。專家系統(tǒng)不足在于，獲取領(lǐng)域?qū)＜抑R難度較大，且對大數(shù)據(jù)的分析能力較弱。面對越來越復(fù)雜的機械，其工作中產(chǎn)生的海量數(shù)據(jù)使深度學(xué)習(xí)強大的大數(shù)據(jù)挖掘能力得到展現(xiàn)。張西寧等[10]利用深度自編碼網(wǎng)絡(luò)解決了滾動軸承在樣本量少時故障診斷準(zhǔn)確率低的問題；賈春玉等[11]利用卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)成功實現(xiàn)了電液伺服閥的故障診斷。但基于深度學(xué)習(xí)方法的故障診斷僅局限于通用機械零件，應(yīng)用于復(fù)雜機械的故障診斷仍有較大難度。

基于以上分析，本研究提出一種乳化液泵分級故障診斷方法。首先，建立用于第一級診斷的深度自編碼網(wǎng)絡(luò)，開發(fā)用于第二級診斷的專家系統(tǒng)；然后，通過煤礦綜采工作面智慧云平臺讀取歷史數(shù)據(jù)，驗證深度自編碼網(wǎng)絡(luò)和專家系統(tǒng)；最后，編寫程序，嵌入煤礦綜采工作面智慧云平臺，進行實際測試應(yīng)用。該方法充分利用深度自編碼網(wǎng)絡(luò)強大的大數(shù)據(jù)挖掘能力和專家系統(tǒng)處理難以求解的數(shù)學(xué)問題的優(yōu)越性，為乳化液泵故障診斷提供新思路。

1 乳化液泵故障形式及原因分析

礦用乳化液泵一般同乳化液箱、電動機、過濾器、潤滑泵總成，一并布置在巷道的設(shè)備列車上，距離綜采工作面較近，環(huán)境干擾大，本研究主要對乳化液泵故障分析并故障診斷。礦用乳化液泵為臥式5柱塞泵，通過防爆電機驅(qū)動，經(jīng)過減速器，帶動曲軸旋轉(zhuǎn)，通過連桿、滑塊拉動高壓缸套內(nèi)的柱塞往復(fù)運動，利用形成的密閉空間實現(xiàn)吸排液功能。

乳化液泵常見的12個故障形式及原因分析：

(1) 液位太低，造成吸空。原因分析：乳化液箱泄漏，輸送管路及接口處泄漏，支架動作頻繁，乳化液消耗過多，補液器故障，管路堵塞等；

(2) 啟動后無壓力。原因分析：卸載閥直接卸載，主閥芯卡阻，卸載閥或主閥密封損壞等；

(3) 壓力不達標(biāo)。原因分析：先導(dǎo)閥、卸載閥或主閥密封不良，壓力表開關(guān)未打開或閥座變形、堵塞，排液管道開裂，卸載閥主閥過濾墊或阻尼孔堵塞，主閥拉毛卡阻等；

(4) 壓力過高，超過卸載閥或安全閥調(diào)定壓力。原因分析：先導(dǎo)閥、卸載閥或主閥故障，安全閥故障，系統(tǒng)堵塞(憋壓)等；

(5) 機油溫度過高。原因分析：超負(fù)荷工作、過載，機油散熱器故障，機油量不足、過多或過臟，零部件配合過緊或損壞等；

(6) 軸承溫度過高。原因分析：潤滑系統(tǒng)故障，潤滑油變質(zhì)，軸承、軸瓦磨損或損壞等；

(7) 繞組溫度過高。原因分析：電機啟動頻繁、過載，絕緣破壞，散熱器故障，零部件磨損或損壞等；

(8) 電流過載。原因分析：電機啟動頻繁，軸承、轉(zhuǎn)子磨損等；

(9) 濃度不達標(biāo)。原因分析：乳化油量過少，供水壓力太低，配液器故障等；

(10) 乳化液溫度過高。原因分析：閥芯及密封損壞，乳化液不足，乳化液污染等；

(11) 強迫潤滑壓力異常。原因分析：開關(guān)失靈，機油黏度過低，機油濾清器堵塞，機油泵內(nèi)零件磨損，泄漏；

(12) 變頻模塊溫度過高。原因分析：散熱器故障，電機頻繁啟動、過載。

2 乳化液泵分級故障診斷方法

通過上述故障分析得出，乳化液泵的故障隱蔽性強，產(chǎn)生原因與故障形式之間常有一對多或多對一關(guān)系，加大了故障診斷難度。其復(fù)雜的故障機理使得端到端故障診斷的實現(xiàn)頗有難度，因此提出一種乳化液泵分級故障診斷方法，診斷流程如圖1所示。通過基于深度自編碼網(wǎng)絡(luò)的乳化液泵第一級診斷判斷出故障形式；通過基于專家系統(tǒng)的乳化液泵第二級診斷分析產(chǎn)生原因(故障定位)。

圖1 乳化液泵故障診斷流程

2.1 基于深度自編碼網(wǎng)絡(luò)的第一級診斷

1) 深度自編碼網(wǎng)絡(luò)原理

自動編碼器(AE)是由輸入層、隱含層和輸出層組成的3層神經(jīng)網(wǎng)絡(luò)，分為編碼和解碼兩部分，如圖2所示[12]。編碼過程是將輸入層的高維數(shù)據(jù)轉(zhuǎn)化為低維特征，解碼過程是將低維特征重構(gòu)為和輸入層維度相同的高維數(shù)據(jù)。

圖2 自動編碼器結(jié)構(gòu)

(1) 編碼過程，給定輸入矢量x={x1,x2,…,xn},低維矢量y={y1,y2,…,ym}，可表示為：

y=f(Wx+b)

(1)

式中，f—— 自編碼器的激活函數(shù)

W—— 編碼網(wǎng)絡(luò)權(quán)重矩陣

b—— 編碼網(wǎng)絡(luò)偏置矢量

(2) 解碼過程，將低維矢量y反向變換為與輸入矢量維度相同的高維矢量z={z1,z2,…,zn}，可表示為：

z=f(W′y+b′)

(2)

式中，W′ —— 解碼網(wǎng)絡(luò)權(quán)重矩陣

b′ —— 解碼網(wǎng)絡(luò)偏置矢量

(3) 損失函數(shù)，自動編碼器通過優(yōu)化參數(shù)集θ={W，b，W′，b′}的參數(shù)，最小化輸入矢量x與重構(gòu)矢量z的重構(gòu)誤差完成訓(xùn)練，訓(xùn)練過程選擇均方誤差作為損失函數(shù)，均方誤差損失函數(shù)可表示為：

(3)

式中，n為參加訓(xùn)練的數(shù)據(jù)量。

深度自編碼網(wǎng)絡(luò)由多個自動編碼器堆疊而成，又稱棧式自編碼網(wǎng)絡(luò)。其中，每個隱含層的輸出作為下一層輸入，可提取數(shù)據(jù)的深層次特征。整個深度自編碼網(wǎng)絡(luò)的訓(xùn)練過程分兩部分：無標(biāo)簽預(yù)訓(xùn)練和有標(biāo)簽微調(diào)。首先，使用無標(biāo)簽樣本集訓(xùn)練深度自編碼網(wǎng)絡(luò)；然后，在輸出層添加分類器，使用有標(biāo)簽樣本來進行有監(jiān)督微調(diào)。參數(shù)更新過程可表示為：

(4)

(5)

式中，η為學(xué)習(xí)率。

2) 深度自編碼網(wǎng)絡(luò)診斷方法

故障的發(fā)生會導(dǎo)致相關(guān)參數(shù)的異常變化，不同的故障形式會導(dǎo)致不同參數(shù)的變化。通過對某煤礦綜采工作面的實時監(jiān)測，確定如下參數(shù)作為深度自編碼網(wǎng)絡(luò)的輸入：系統(tǒng)壓力、乳化油位、乳化液位、濃度、乳化液溫、機油溫度、機油壓力、軸承溫度、繞組溫度、電流、轉(zhuǎn)矩、轉(zhuǎn)速、母線電壓、模塊溫度。

從該煤礦綜采工作面數(shù)據(jù)庫中提取不同故障形式下的各個參數(shù)的數(shù)據(jù)，并制作樣本，具體組成信息見表1。每種故障形式下各取100 個樣本，正常狀態(tài)下取200個樣本，總計1400 個樣本，按比例8∶2劃分訓(xùn)練集和測試集，每個樣本包含14 個參數(shù)數(shù)據(jù)和對應(yīng)樣本標(biāo)簽。

表1 樣本具體組成信息

深度自編碼網(wǎng)絡(luò)參數(shù)見表2， 表中， 輸入層為輸入的14個參數(shù)數(shù)據(jù)，輸出層為14個參數(shù)數(shù)據(jù)的重構(gòu)；輸入層、隱含層1、隱含層2和隱含層3構(gòu)成編碼網(wǎng)絡(luò)；隱含層3、隱含層4、隱含層5和輸出層構(gòu)成解碼網(wǎng)絡(luò)；添加Softmax分類器實現(xiàn)分類任務(wù)，13個神經(jīng)元對應(yīng)13種故障形式(包含正常狀態(tài))。

表2 深度自編碼網(wǎng)絡(luò)參數(shù)

深度自編碼網(wǎng)絡(luò)的訓(xùn)練過程分兩步：無監(jiān)督預(yù)訓(xùn)練和有監(jiān)督微調(diào)。無監(jiān)督預(yù)訓(xùn)練指輸入數(shù)據(jù)不含標(biāo)簽，通過最小化重構(gòu)誤差更新網(wǎng)絡(luò)的權(quán)重和偏置；有監(jiān)督微調(diào)指用有標(biāo)簽樣本對經(jīng)過預(yù)訓(xùn)練的網(wǎng)絡(luò)和分類器更新權(quán)重和偏置，學(xué)習(xí)從輸入到標(biāo)簽的映射。基于深度自編碼網(wǎng)絡(luò)的乳化液泵第一級診斷流程如下：

(1) 收集乳化液泵13 種故障形式下對應(yīng)的數(shù)據(jù)，制作樣本，按照8∶2劃分訓(xùn)練集和測試集；

(2) 對樣本歸一化(BN)處理，加速收斂；

(3) 確定網(wǎng)絡(luò)隱含層參數(shù)，隨機初始化權(quán)重和偏置；

(4) 使用無標(biāo)簽訓(xùn)練集，通過梯度下降法預(yù)訓(xùn)練網(wǎng)絡(luò)，學(xué)習(xí)率設(shè)置為0.01,迭代次數(shù)為50，損失函數(shù)選擇均方誤差損失函數(shù)；

(5) 添加分類器，使用有標(biāo)簽訓(xùn)練集，通過梯度下降法微調(diào)網(wǎng)絡(luò)、訓(xùn)練分類器，學(xué)習(xí)率設(shè)置為0.001，迭代50次后減小為0.0001，再迭代100次，損失函數(shù)選擇交叉熵?fù)p失函數(shù)；

(6) 采用測試集對訓(xùn)練好的深度自編碼網(wǎng)絡(luò)驗證。

2.2 基于專家系統(tǒng)的第二級診斷

1) 專家系統(tǒng)原理

廣泛應(yīng)用于災(zāi)情、勘探等領(lǐng)域的專家系統(tǒng)，通過收集領(lǐng)域內(nèi)專家知識模擬人類思維，實現(xiàn)特定功能。專家系統(tǒng)利用其知識庫和推理策略解決難以求解的問題，可以輔助一線從業(yè)人員更精確高效地進行故障診斷。專家系統(tǒng)一般包含人機交互界面、知識庫、知識獲取、推理機和解釋器[13]，專家系統(tǒng)具體結(jié)構(gòu)如圖3所示。

圖3 專家系統(tǒng)結(jié)構(gòu)

(1) 人機交互界面，領(lǐng)域?qū)＜液陀脩襞c專家系統(tǒng)溝通的橋梁，領(lǐng)域?qū)＜铱梢酝ㄟ^人機交互界面向?qū)＜蚁到y(tǒng)引入新規(guī)則，用戶通過人機交互界面訪問專家系統(tǒng)，專家系統(tǒng)推理結(jié)果通過人機交互界面呈現(xiàn)給用戶；

(2) 知識庫，專家系統(tǒng)核心，包含領(lǐng)域知識和專家知識，按照知識表示組織，以文件形式存儲，運行時調(diào)入內(nèi)存，其完善性和準(zhǔn)確性決定著專家系統(tǒng)的診斷結(jié)果；

(3) 知識獲取，知識庫建立、更新、維護和補充；

(4) 推理機，專家系統(tǒng)關(guān)鍵，人類思維模擬環(huán)節(jié)，根據(jù)輸入的故障事實，在“知識庫”中匹配知識，并推理出結(jié)果，即故障診斷過程；

(5) 解釋器，根據(jù)數(shù)據(jù)庫和知識庫知識，對用戶輸入故障事實后的專家系統(tǒng)推理過程和推理結(jié)果做出解釋。

2) 專家系統(tǒng)診斷方法

乳化液泵故障診斷知識涉及多個領(lǐng)域，其產(chǎn)生原因與故障形式之間的關(guān)系常表現(xiàn)為因果關(guān)系，因此可用產(chǎn)生式規(guī)則表示。產(chǎn)生式規(guī)則：IF(條件)，THEN(結(jié)果)；用AND或OR連接1個或多個條件。在乳化液泵的專家系統(tǒng)中，1條產(chǎn)生式規(guī)則可描述為：IF繞組溫度過高(7)AND電機正常啟動AND絕緣發(fā)黑THEN絕緣破壞，由產(chǎn)生式規(guī)則建立的知識表見表3。

專家系統(tǒng)的關(guān)鍵是推理機，本研究采用正向推理策略，根據(jù)輸入的判斷出的故障形式和輸入的故障信息，在知識庫中匹配，尋找最優(yōu)結(jié)論。根據(jù)已發(fā)生故障尋找產(chǎn)生原因，若匹配到完全相同的知識，則直接輸出產(chǎn)生原因；若沒有匹配到完全相同的知識，則請求用戶補充新的故障信息，再次進行正向推理，直到輸出產(chǎn)生原因。

3 實驗驗證

3.1 第一級診斷實驗

實驗數(shù)據(jù)取自某煤礦綜采工作面智慧云平臺，診斷對象為浙江中煤機械科技有限公司生產(chǎn)的BRW500/31.5型乳化液泵。通過智慧云平臺對該煤礦乳化液泵的實際監(jiān)測，收集到乳化液泵在多種狀態(tài)下14 種參數(shù)的數(shù)據(jù)，作為深度自編碼網(wǎng)絡(luò)的輸入，基于深度自編碼網(wǎng)絡(luò)的訓(xùn)練準(zhǔn)確率A和損失E如圖4所示。在模型訓(xùn)練過程中，隨著迭代次數(shù)N的不斷增加，訓(xùn)練集的準(zhǔn)確率收斂于1.0，表明深度自編碼網(wǎng)絡(luò)在訓(xùn)練過程中能夠?qū)W習(xí)到不同故障數(shù)據(jù)之間的特征關(guān)系。

圖4 深度自編碼網(wǎng)絡(luò)的訓(xùn)練準(zhǔn)確率和損失

通過混淆矩陣詳細(xì)展示深度自編碼網(wǎng)絡(luò)對測試集的識別狀況，如圖5所示。19個故障為“啟動后無壓力”的樣本中有2個被診斷為“壓力不達標(biāo)”，28個故障為“壓力不達標(biāo)樣本”的樣本中有1個被診斷為“啟動后無壓力”，其余故障均分類正確，表明深度自編碼網(wǎng)絡(luò)具有較高的乳化液泵故障識別率。

圖5 深度自編碼網(wǎng)絡(luò)混淆矩陣

選擇深度神經(jīng)網(wǎng)絡(luò)(DNN)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)進行對比。深度神經(jīng)網(wǎng)絡(luò)包含3個隱含層，神經(jīng)元數(shù)量分別為500，200和100。卷積神經(jīng)網(wǎng)絡(luò)包含3個卷積層和3個池化層，第1層卷積核大小為1×8，移動步長為1×1，數(shù)量為16，其余卷積核大小均為1×3，移動步長均為1×1，數(shù)量分別為32和64，最大池化層移動步長均為2。所有模型的輸出層均為含14 個神經(jīng)元的全連接層，采用Softmax分類器。

重復(fù)5次試驗，不同模型的分類精度見表4。深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單，特征提取能力有限，分類精度較差，平均準(zhǔn)確率只有84.492%；卷積神經(jīng)網(wǎng)絡(luò)通過局部連接和權(quán)值共享保留了重要的參數(shù)，使其特征提取能力增強，平均準(zhǔn)確率達到88.188%；深度自編碼網(wǎng)絡(luò)5次試驗的故障診斷準(zhǔn)確率都在98%以上，平均準(zhǔn)確率98.712%，更好地完成了故障形式的診斷。其中，深度神經(jīng)網(wǎng)絡(luò)與深度自編碼網(wǎng)絡(luò)相比，僅缺少迭代100次的預(yù)訓(xùn)練過程，準(zhǔn)確率卻低14.22%，證明預(yù)訓(xùn)練過程對準(zhǔn)確率提升的重要性。

表4 不同方法的分類精度 %

3.2 第二級診斷實驗

通過深度自編碼網(wǎng)絡(luò)實時監(jiān)測現(xiàn)場設(shè)備數(shù)據(jù)，當(dāng)深度自編碼網(wǎng)絡(luò)判斷出發(fā)生故障，則云平臺會故障形式，同時觸發(fā)專家系統(tǒng)。乳化液泵第二級診斷專家系統(tǒng)包含3個功能：知識庫管理，領(lǐng)域?qū)＜铱稍L問知識庫并做出修改或新知識補充；故障診斷，一線設(shè)備維修人員可輸入故障信息，并得到專家系統(tǒng)推理出的產(chǎn)生原因;故障記錄，記錄已發(fā)生故障時間、信息和原因，便于煤礦領(lǐng)導(dǎo)決策，乳化液泵故障診斷專家系統(tǒng)及詳細(xì)推理過程如圖6所示。

圖6 乳化液泵故障診斷專家系統(tǒng)界面

假設(shè)發(fā)生自動補液器故障，則云平臺會警告故障形式“液位太低，造成吸空”并觸發(fā)專家系統(tǒng)，一線裝備維修人員根據(jù)故障形式觀察實際情況，液箱有無沖刷、輸送管路有無沖刷和支架動作狀況，并將故障信息輸入專家系統(tǒng)，由專家系統(tǒng)推理出產(chǎn)生原因。通過“故障形式1、液箱無沖刷和輸送管路及接口處無液體沖刷”推理出“無泄漏”，再由“無泄漏和支架動作不頻繁”推理出“自動補液器故障”。

該專家系統(tǒng)使用深度自編碼網(wǎng)絡(luò)的輸出和必要故障信息作為輸入，操作簡單，診斷高效，易于被一線設(shè)備維修人員接受。

4 結(jié)論

針對乳化液泵故障機理復(fù)雜、故障診斷難的問題，提出一種乳化液泵分級故障診斷方法，充分發(fā)揮深度自編碼網(wǎng)絡(luò)和專家系統(tǒng)在故障診斷領(lǐng)域的優(yōu)勢，通過深度自編碼網(wǎng)絡(luò)實現(xiàn)乳化液泵第一級診斷，自適應(yīng)識別故障形式，通過專家系統(tǒng)實現(xiàn)乳化液泵第二級診斷，分析其產(chǎn)生原因。通過實驗驗證，該方法能夠快速有效定位故障，并能夠取得精度較高的診斷效果。