李 杰

(山西焦煤集團(tuán) 霍州煤電集團(tuán)呂臨能化有限公司, 山西 臨縣 033200)

目前,呂臨能化有限公司機(jī)電設(shè)備復(fù)雜性提高,使用單一預(yù)測(cè)模型進(jìn)行設(shè)備運(yùn)行狀態(tài)評(píng)估出現(xiàn)精度低以及適用范圍小等的問(wèn)題,造成設(shè)備維護(hù)不到位,影響設(shè)備的安全運(yùn)行?；诖?提出將Arima模型、BP神經(jīng)網(wǎng)絡(luò)與GM(1,1)模型相結(jié)合,通過(guò)權(quán)重分配設(shè)計(jì)一個(gè)全新的運(yùn)行狀態(tài)預(yù)測(cè)模型,實(shí)現(xiàn)煤礦設(shè)備運(yùn)行狀態(tài)的精確預(yù)測(cè)評(píng)估,保證設(shè)備的安全運(yùn)行。煤礦設(shè)備多且復(fù)雜程度較高,為方便研究,選用該礦工作面使用的MG200500-AWD型采煤機(jī)為代表展開(kāi)分析。

1 采煤機(jī)狀態(tài)評(píng)價(jià)與描述

將傳感器安裝在采煤機(jī)的關(guān)鍵部位來(lái)完成重點(diǎn)參數(shù)的采集與監(jiān)控,通過(guò)對(duì)設(shè)備使用過(guò)程中數(shù)據(jù)的波動(dòng)情況對(duì)比,進(jìn)行設(shè)備運(yùn)行狀態(tài)的預(yù)測(cè)評(píng)估。圖1為采煤機(jī)健康狀態(tài)評(píng)價(jià)圖。

圖1 采煤機(jī)健康狀態(tài)評(píng)價(jià)圖

根據(jù)圖1,可以將采煤機(jī)分為多個(gè)關(guān)鍵部件,此時(shí)采煤機(jī)的運(yùn)行狀態(tài)便能夠用集合來(lái)表示,即P=[P1,P2,…,Pi,…,Pm],而采煤機(jī)第i個(gè)部件狀態(tài)也可以用集合來(lái)表示,即Pi=[Pi1,Pi2,…,Pii,…,Pim]. 通過(guò)資料分析,將采煤機(jī)健康狀態(tài)評(píng)價(jià)指標(biāo)進(jìn)行匯總,具體見(jiàn)表1.

表1 采煤機(jī)健康狀態(tài)評(píng)價(jià)指標(biāo)表

基于表1,按照參數(shù)極限值完成采煤機(jī)健康狀態(tài)等級(jí)劃分,設(shè)備不同的狀態(tài)等級(jí)對(duì)應(yīng)的劣化度指數(shù)范圍見(jiàn)表2.

表2 采煤機(jī)健康狀態(tài)等級(jí)表

2 基于AGB組合模型的煤礦設(shè)備運(yùn)行狀態(tài)預(yù)測(cè)模型定義與建模

2.1 ARIMA模型定義

ARIMA模型的預(yù)測(cè)原理是根據(jù)時(shí)間變化將預(yù)測(cè)數(shù)據(jù)對(duì)象形成的時(shí)間序列作為隨機(jī)序列,根據(jù)對(duì)應(yīng)的數(shù)學(xué)模型描述此時(shí)間序列,根據(jù)輸入已知確定參數(shù)來(lái)預(yù)測(cè)模型的未知數(shù)值,從而得到完整數(shù)學(xué)模型,可以實(shí)現(xiàn)預(yù)測(cè)未來(lái)參數(shù)的作用。ARIMA模型,其完整表達(dá)為差分自回歸移動(dòng)平均模型[1]. ARIMA模型由3種模型組成,即自回歸模型、移動(dòng)平均模型、自回歸移動(dòng)平均模型。在應(yīng)用ARIMA模型過(guò)程中,要重視觀(guān)察數(shù)據(jù)的穩(wěn)定性,當(dāng)出現(xiàn)不符合要求的數(shù)據(jù)時(shí),應(yīng)當(dāng)先對(duì)其進(jìn)行差分運(yùn)算,隨后把運(yùn)算后的新數(shù)據(jù)代入到ARMA模型中,確定模型的相關(guān)性系數(shù),自相關(guān)函數(shù)表示在不同時(shí)間內(nèi)相同序列的相關(guān)程度,而偏自相關(guān)函數(shù)則表示排除干擾變量外其他兩個(gè)變量的相關(guān)程度,隨后通過(guò)自相關(guān)圖完成對(duì)比,最終得出最佳系數(shù),具體的控制流程圖見(jiàn)圖2.

圖2 ARIMA模型控制流程圖

2.2 GM(1,1)模型定義

GM(1,1)模型即灰色模型,其預(yù)測(cè)原理是以一階微分方程為基礎(chǔ)的模型方法,因此在GM(1,1)模型搭建時(shí),應(yīng)該先確定原始數(shù)列。

假設(shè)原始數(shù)列為式(1):

x(0)={x(0)(1),x(0)(2),x(0)(3),…,x(0)(m)}

(1)

式中:x(0)包含m個(gè)元素,x(1)作為x(0)的累加生成序列,其計(jì)算方法見(jiàn)式(2):

x(1)={x(1)(1),x(1)(2),x(1)(3),…,x(1)(m)}

(2)

x(1)數(shù)列的均值數(shù)列用v(0)來(lái)表示,其計(jì)算方式見(jiàn)(3):

v(0)={z(1)(2),z(1)(3),z(1)(4),…,z(1)(m)}

(3)

v(0)(k)=0.5x(1)(k)+0.5x(1)(k-1)

(4)

(5)

由(2)、(3)計(jì)算可得,GM(1,1)模型的灰微分方程:

d(k)+av(0)(k)=b

(6)

模型確定好后,對(duì)模型的合理性進(jìn)行檢驗(yàn),精度檢驗(yàn)通常采用的方法有相對(duì)誤差檢驗(yàn)、關(guān)聯(lián)度檢驗(yàn)以及后驗(yàn)差檢驗(yàn),后驗(yàn)差檢驗(yàn)使用范圍較廣。

后驗(yàn)差計(jì)算公式為:C=S2/S1,其中S1為原始數(shù)列的方差,S2為殘差的方差,其比值C值越小說(shuō)明數(shù)據(jù)的離散程度越高,說(shuō)明GM(1,1)模型精度等級(jí)越高。

2.3 BP神經(jīng)網(wǎng)絡(luò)模型定義

BP神經(jīng)網(wǎng)絡(luò)又稱(chēng)為誤差逆?zhèn)鞑ニ惴?其預(yù)測(cè)的原理即為,將輸出的誤差作為預(yù)測(cè)的輸入值,預(yù)測(cè)輸出上一層的運(yùn)算誤差,通過(guò)往復(fù)計(jì)算,獲取全部層的誤差預(yù)測(cè)。圖3為BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖。根據(jù)圖3,在預(yù)測(cè)過(guò)程中,需要把誤差反向傳給隱含層中的神經(jīng)元,改變隱含層到輸出層的比重以及輸出層對(duì)應(yīng)的閾值[2-3].

圖3 BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)訓(xùn)練主要分為訓(xùn)練樣本和反向預(yù)測(cè)兩大部分。根據(jù)輸出的真實(shí)數(shù)據(jù)信息與期望數(shù)據(jù)進(jìn)行比對(duì),將兩者之間的差異代入到隱含層中的神經(jīng)元,通過(guò)調(diào)整網(wǎng)絡(luò)參數(shù)降低兩者差異,直到滿(mǎn)足要求后停止。反向預(yù)測(cè)過(guò)程見(jiàn)圖4.

圖4 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)流程圖

2.4 AGB組合預(yù)測(cè)模型定義與建模

在采用單一模型預(yù)測(cè)時(shí),其結(jié)果經(jīng)常會(huì)偏離實(shí)際,基于此,提出了AGB組合預(yù)測(cè)模型,即ARIMA模型、GM(1,1)模型與BP神經(jīng)網(wǎng)絡(luò)模型相結(jié)合的方式,實(shí)現(xiàn)煤礦機(jī)電設(shè)備運(yùn)行狀態(tài)的預(yù)測(cè)。在組合模型作用過(guò)程中能夠?qū)⒏鹘M成單個(gè)模型的優(yōu)點(diǎn)進(jìn)行集中,有效提高預(yù)測(cè)的準(zhǔn)確性。3種模型的權(quán)重計(jì)算選擇預(yù)測(cè)精度較高的方差-協(xié)方差權(quán)重法進(jìn)行。

設(shè)ARIMA模型預(yù)測(cè)值為z1,預(yù)測(cè)誤差e1,加權(quán)系數(shù)w1;GM(1,1)模型預(yù)測(cè)值為z2,預(yù)測(cè)誤差e2,加權(quán)系數(shù)w2;BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值為z3,預(yù)測(cè)誤差e3,加權(quán)系數(shù)w3;AGB模型預(yù)測(cè)值為za,預(yù)測(cè)誤差ea. 故AGB組合模型預(yù)測(cè)值:

za=z1w1+z2w2+z3w3

(7)

AGB組合模型預(yù)測(cè)誤差方差值:

3w1w2w3cov(e1,e2,e3)

(8)

式中,w1,w2,w3計(jì)算如下:

(9)

(10)

(11)

在上述公式中,組合模型的預(yù)測(cè)誤差方差值Var(ea)的最小值分別小于Var(e1)、Var(e2)、Var(e3),反映出AGB組合預(yù)測(cè)模型準(zhǔn)確度比單個(gè)模型預(yù)測(cè)準(zhǔn)確度都高。按照上述的AGB組合模型理論計(jì)算過(guò)程,繪制組合模型流程結(jié)構(gòu)圖,見(jiàn)圖5.

圖5 AGB組合模型流程結(jié)構(gòu)圖

在使用AGB組合模型進(jìn)行故障預(yù)測(cè)時(shí),一般分為5個(gè)步驟[4].

1) 將A、G、B 3個(gè)模型得出的預(yù)測(cè)結(jié)果匯總導(dǎo)入。2) 分別計(jì)算3個(gè)模型的方差。3) 根據(jù)方差-協(xié)方差權(quán)重法計(jì)算出3個(gè)模型的權(quán)重。4) 將數(shù)據(jù)導(dǎo)入模型進(jìn)行預(yù)測(cè),得出預(yù)測(cè)數(shù)列。5) 進(jìn)行預(yù)測(cè)結(jié)果的評(píng)價(jià),并展開(kāi)分析。

3 基于AGB組合預(yù)測(cè)模型的采煤機(jī)運(yùn)行狀態(tài)預(yù)測(cè)模型實(shí)驗(yàn)驗(yàn)證

以呂臨能化有限公司采煤工作面采煤機(jī)為研究對(duì)象,使用調(diào)高調(diào)壓部傳感器,采集泵冷卻水壓數(shù)據(jù)對(duì)AGB組合預(yù)測(cè)模型與單個(gè)預(yù)測(cè)模型的預(yù)測(cè)精度進(jìn)行對(duì)比測(cè)試[5]. 將采集水壓數(shù)據(jù)按照每秒采集一次的規(guī)律進(jìn)行提取,再將其分別導(dǎo)入ARIMA模型、GM(1,1)模型、BP神經(jīng)網(wǎng)絡(luò)模型,計(jì)算單個(gè)模型的方差,再根據(jù)式(9)(10)(11)計(jì)算對(duì)應(yīng)模型的權(quán)重比,將對(duì)應(yīng)數(shù)據(jù)導(dǎo)入AGB組合模型完成預(yù)測(cè),對(duì)比結(jié)果見(jiàn)表3,計(jì)算的方差值Var(e1)=0.05,Var(e2)=0.08,Var(e3)=0.07,權(quán)重比w1=0.26,w2=0.39,w3=0.35.

表3 采煤機(jī)調(diào)高調(diào)壓部泵冷卻水壓對(duì)應(yīng)各模型的預(yù)測(cè)結(jié)果表

根據(jù)表3,實(shí)際數(shù)據(jù)、單一模型與組合模型預(yù)測(cè)結(jié)果,繪制圖6(a)預(yù)測(cè)結(jié)果對(duì)比圖,從圖中可以看出,使用AGB組合模型預(yù)測(cè)結(jié)果與原始數(shù)據(jù)相比一致性更好?；诖?對(duì)各預(yù)測(cè)模型的殘差分布進(jìn)行求解,通過(guò)對(duì)比,確認(rèn)組合模型與單一模型的預(yù)測(cè)精度差異,其殘差對(duì)比見(jiàn)圖6(b).

根據(jù)圖6(b)可知,ARIMA模型殘差平均值0.058,GM(1,1)模型殘差平均值0.09,BP神經(jīng)網(wǎng)絡(luò)模型殘差值0.062,AGB組合模型殘差值0.02,說(shuō)明AGB組合模型的預(yù)測(cè)精度相較單一模型最高,準(zhǔn)確性最好,后續(xù)在進(jìn)行煤礦設(shè)備運(yùn)行狀態(tài)預(yù)測(cè)時(shí)建議使用AGB組合模型。

4 結(jié) 語(yǔ)

隨著煤炭行業(yè)自動(dòng)化技術(shù)的不斷深入,實(shí)現(xiàn)少人化、無(wú)人化工作面已經(jīng)成為煤炭人的奮斗目標(biāo)。為解決王坪煤業(yè)有限公司采煤工作面煤礦設(shè)備運(yùn)行狀態(tài)評(píng)估時(shí)存在的預(yù)測(cè)精度低、單一模型適用范圍小等問(wèn)題,將Arima模型、BP神經(jīng)網(wǎng)絡(luò)以及GM(1,1)模型相結(jié)合,通過(guò)構(gòu)建采煤機(jī)運(yùn)行狀態(tài)預(yù)測(cè)模型以及實(shí)驗(yàn)驗(yàn)證分析,實(shí)現(xiàn)了預(yù)測(cè)精度更高的采煤機(jī)運(yùn)行狀態(tài)預(yù)測(cè)分析,按照預(yù)測(cè)結(jié)果現(xiàn)場(chǎng)人員能夠及時(shí)對(duì)煤礦機(jī)電設(shè)備進(jìn)行干預(yù),保證井下設(shè)備的安全運(yùn)行,為井下生產(chǎn)提供保障。