基于多尺度熵-BP神經(jīng)網(wǎng)絡(luò)的采煤機(jī)搖臂齒輪故障診斷

胡 曉，錢沛云，陳曦暉，程 剛

HU Xiao1，QIAN Pei-yun2，CHEN Xi-hui1，CHENG Gang1

（1.中國礦業(yè)大學(xué) 機(jī)電工程學(xué)院，徐州 221116；2.上海天地股份有限公司 上海分公司，上海 200021）

0 引言

煤炭是我國的主體能源，隨著采煤機(jī)械化的發(fā)展，采煤機(jī)成為綜采工作面最主要的采煤機(jī)械設(shè)備。隨著設(shè)備的老化和高強(qiáng)度的生產(chǎn)模式，作為采煤機(jī)最薄弱部分，搖臂齒輪箱成為了采煤機(jī)的故障多發(fā)區(qū)[1]。為了提高采煤機(jī)搖臂運(yùn)行可靠性，對(duì)其進(jìn)行故障診斷研究有著重要的工程意義。

在目前的故障診斷技術(shù)中，因振動(dòng)信號(hào)采集方便，使得振動(dòng)分析方法比較常見。故障診斷的關(guān)鍵就是從機(jī)械振動(dòng)信號(hào)中提取特征信息，采集到的振動(dòng)信號(hào)一般是非平穩(wěn)信號(hào)，含有干擾信號(hào)和噪聲。為了后期精準(zhǔn)的診斷分析，必須在研究過程中對(duì)振動(dòng)信號(hào)進(jìn)行降噪等處理。樣本熵算法是用來刻畫時(shí)間序列在單一尺度上的自相似性和復(fù)雜性程度，具有抗干擾和抗噪的能力，但是時(shí)間序列的復(fù)雜度與其在尺度上的特性有著密切的關(guān)系，而且考慮到多尺度算法具有高效率、收斂性好和精度較高等優(yōu)點(diǎn)，在此提出利用多尺度熵算法對(duì)齒輪振動(dòng)信號(hào)進(jìn)行復(fù)雜度分析，能有效地提取其中的特征信息[2～4]。最后結(jié)合BP神經(jīng)網(wǎng)絡(luò)具有通過學(xué)習(xí)逼近任意非線性映射的能力，就能有效的對(duì)齒輪故障類型進(jìn)行診斷識(shí)別[5～8]。

1 模型建立

1.1 多尺度熵

1.1.1 多尺度演算

對(duì)于給定長(zhǎng)度為N的時(shí)序信號(hào) x1,x2,...,xN，按尺度因子τ 分割成多個(gè)長(zhǎng)度為τ的數(shù)據(jù)組，本文取τ=20。然后再利用式(1)求得分割后的每個(gè)數(shù)據(jù)組的平均值，構(gòu)成新的時(shí)間序列，這一過程稱為粗?；鐖D1所示。

圖1 粗?；^程

1.1.2 樣本熵定義

樣本熵是2000年由Richman提出的一種與近似熵類似但精度更好的度量時(shí)間序列復(fù)雜性的方法。其計(jì)算方法大致如下：

2)定義其中任意兩個(gè)樣本 x (i)和 x (j)之間的距離dij：

3)引入相似容限t，統(tǒng)計(jì)dij＜r的個(gè)數(shù) Dij(r)，求其平均值：

4)當(dāng)重構(gòu)數(shù)據(jù)維數(shù)為m 時(shí)，計(jì)算樣本的平均相似度 φm(r)：

5)當(dāng)重構(gòu)數(shù)據(jù)維數(shù)為m+1 時(shí)，重復(fù)步驟2)～5)計(jì)算得到，進(jìn)一步得到φm+1(r)；

6)原始時(shí)間序列的樣本熵定義為：

當(dāng)N 為有限數(shù)時(shí)，上式表示為：

由上式可知樣本熵值SampEn (m,r ,N)與嵌入維數(shù)m，相似容限r(nóng)和數(shù)據(jù)長(zhǎng)度N有關(guān)，根據(jù)數(shù)據(jù)長(zhǎng)度，嵌入維數(shù)m值取值為2，考慮到對(duì)信息的保留以及對(duì)結(jié)果噪聲的敏感性，相似容限r(nóng)一般取0.1～0.25σ(σ為原始時(shí)間序列的標(biāo)準(zhǔn)差)，本文取r=0.15σ。

1.2 多尺度熵分析

對(duì)每個(gè)粗粒序列求樣本熵值，得到τ個(gè)粗粒序列的樣本熵值，并把熵值轉(zhuǎn)化成關(guān)于尺度因子的函數(shù)，稱之為多尺度熵分析。

多尺度熵定義為時(shí)間序列在不同尺度因子下的樣本熵，熵值越大，序列越復(fù)雜；熵值越小，序列越簡(jiǎn)單，序列自身的相似性越高。多尺度熵曲線反映的是時(shí)間序列在不同尺度因子下的自相似性、復(fù)雜性以及維數(shù)變化時(shí)序列產(chǎn)生新模式的能力。因此利用多尺度熵的計(jì)算，能有效提取該時(shí)間序列的特征信息[4]。

1.3 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)診斷過程包含訓(xùn)練過程和應(yīng)用過程。訓(xùn)練過程由前向計(jì)算過程和誤差反向傳播過程組成，通過訓(xùn)練使網(wǎng)絡(luò)具有聯(lián)想記憶和預(yù)測(cè)能力。應(yīng)用過程只包含前向計(jì)算過程。如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)診斷過程

2 實(shí)驗(yàn)裝置及數(shù)據(jù)采集方式

采煤機(jī)搖臂齒輪故障診斷識(shí)別實(shí)驗(yàn)在采煤機(jī)搖臂綜合模擬實(shí)驗(yàn)臺(tái)上進(jìn)行，選用3個(gè)加速度傳感器對(duì)齒輪振動(dòng)進(jìn)行監(jiān)測(cè)，如圖3所示。通過對(duì)采煤機(jī)搖臂傳動(dòng)系統(tǒng)第一級(jí)傳動(dòng)齒輪進(jìn)行更換，模擬出正常、斷齒、少齒和磨損四種齒輪狀態(tài)。本文主要對(duì)這四種齒輪狀態(tài)進(jìn)行實(shí)驗(yàn)，采集振動(dòng)信號(hào)進(jìn)行診斷識(shí)別分析，確定齒輪故障類型。

圖3 采煤機(jī)搖臂試驗(yàn)臺(tái)及傳感器布置

實(shí)驗(yàn)過程中盡量保持四種狀態(tài)齒輪工作條件相同，采樣頻率設(shè)置為10KHz。采煤機(jī)搖臂四種狀態(tài)齒輪采集的原始振動(dòng)信號(hào)如圖4所示。

圖4 四種齒輪狀態(tài)下振動(dòng)信號(hào)

3 實(shí)驗(yàn)與分析

本實(shí)驗(yàn)測(cè)得的采煤機(jī)搖臂齒輪振動(dòng)信號(hào)共有四種類型，分別為正常、斷齒、少齒和磨損四種齒輪狀態(tài)。將采集到的振動(dòng)信號(hào)每2048個(gè)數(shù)據(jù)點(diǎn)分割為一個(gè)樣本，每種齒輪狀態(tài)類型截取100個(gè)樣本。由于采用振動(dòng)信號(hào)1～20尺度的樣本熵作為信號(hào)特征，并且最終需將信號(hào)準(zhǔn)確分成4類，即輸入層有20個(gè)節(jié)點(diǎn)，輸出層有4個(gè)節(jié)點(diǎn)。

針對(duì)單隱含層網(wǎng)絡(luò)，其在快速性和可靠性方面存在一定缺陷。為了提高網(wǎng)絡(luò)的診斷精度，對(duì)隱含層節(jié)點(diǎn)數(shù)進(jìn)行優(yōu)化處理。

一般來說網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)太少，網(wǎng)絡(luò)將不能建立復(fù)雜的映射關(guān)系；節(jié)點(diǎn)數(shù)過多，網(wǎng)絡(luò)學(xué)習(xí)時(shí)間過長(zhǎng)。因此，本文選取刪除法，先采用一個(gè)較大的隱含層節(jié)點(diǎn)數(shù)，若網(wǎng)絡(luò)輸出誤差不符合設(shè)定的要求，則逐步刪除隱含層節(jié)點(diǎn)，直至合適為止。下面對(duì)隱藏層節(jié)點(diǎn)數(shù)進(jìn)行優(yōu)化。

首先，隱含層節(jié)點(diǎn)數(shù)l 的初始確定按經(jīng)驗(yàn)公式l=(0.5～1.5)m，本文選取：l=1.5×20=30，然后采用刪除法，逐步刪除節(jié)點(diǎn)，根據(jù)實(shí)驗(yàn)測(cè)得的分類誤差率選擇最優(yōu)值，如圖5所示。

圖5 誤差率變化

由圖5可知，當(dāng)隱含層節(jié)點(diǎn)數(shù)l=23 時(shí)，網(wǎng)絡(luò)的預(yù)測(cè)精度最高，選取 l=23 為隱含層節(jié)點(diǎn)數(shù)最優(yōu)值。BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)選定為20-23-4。

然后將經(jīng)過多尺度熵計(jì)算處理后的振動(dòng)信號(hào)樣本進(jìn)行隨機(jī)混合，從混合的樣本中隨機(jī)抽取75%的數(shù)據(jù)作為訓(xùn)練樣本，剩下的25%作為驗(yàn)證樣本。最后利用訓(xùn)練后BP神經(jīng)網(wǎng)絡(luò)對(duì)驗(yàn)證樣本進(jìn)行分類。

圖6為實(shí)際故障類型與預(yù)測(cè)對(duì)比圖，由此我們可以直觀的看到對(duì)故障類型的識(shí)別情況，其中“△”表示預(yù)測(cè)的齒輪類型，“*”表示實(shí)際的齒輪類型，“△”和“*”重合表示齒輪類型識(shí)別正確，單獨(dú)出現(xiàn)的“△”表示齒輪類型識(shí)別錯(cuò)誤。

圖6 實(shí)際故障類型與預(yù)測(cè)對(duì)比圖

統(tǒng)計(jì)實(shí)驗(yàn)對(duì)測(cè)試樣本的故障識(shí)別率如表1所示。

表1 齒輪故障類型識(shí)別率

由表1可知，實(shí)驗(yàn)中對(duì)于四類齒輪類型的識(shí)別率達(dá)到84.0%以上，說明該方法能夠有效的對(duì)采煤機(jī)搖臂齒輪故障診斷識(shí)別。

4 結(jié)論

實(shí)驗(yàn)結(jié)果表明：采用多尺度熵結(jié)合優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)的搖臂齒輪故障診斷方法，對(duì)于齒輪故障類型的識(shí)別率達(dá)到84.0%以上，特別是對(duì)正常齒輪的識(shí)別率達(dá)到了95.65%，減少了出現(xiàn)誤診斷的幾率，因此該方法對(duì)采煤機(jī)搖臂齒輪的故障類型能夠有效地診斷識(shí)別。未來將進(jìn)一步研究對(duì)神經(jīng)網(wǎng)絡(luò)優(yōu)化處理，提高故障診斷識(shí)別效率，加強(qiáng)在故障實(shí)時(shí)診斷、預(yù)測(cè)方面的應(yīng)用。

[1]周久華,米林.采煤機(jī)搖臂齒輪箱故障與可靠性分析[J].內(nèi)蒙古科技與經(jīng)濟(jì),2011,(14):107-108,110.

[2]林庭毅.基于多尺度方均根、多尺度熵、費(fèi)雪法與倒傳遞網(wǎng)絡(luò)之軸承錯(cuò)誤診斷系統(tǒng)[D].臺(tái)北:國立臺(tái)灣師范大學(xué),2012:8-12.

[3]鄭近德,程軍圣,楊宇.基于多尺度熵的滾動(dòng)軸承故障診斷方法[J].湖南大學(xué)學(xué)報(bào)(自然科學(xué)版),2012,39(5):38-41.

[4]M.Costa,A.L.Goldberger and C.K.Peng.Multi-scale Entropy Analysis of Complex Physiologic Time Series[J].Physical Review Letters,2002,6(89):1-4.

[5]史峰,王小川,郁磊,等.MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京:北京航空航天大學(xué)出版社,2010:1-10.

[6]李萍,曾令可,稅安澤,金雪莉,劉艷春,王慧.基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)系統(tǒng)的設(shè)計(jì)[J].計(jì)算機(jī)應(yīng)用與軟件,2008,25(4):149-151.

[7]呂硯山,趙正琦.BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化及應(yīng)用研究[J].北京化工大學(xué)學(xué)報(bào)(自然科學(xué)版),2001,28(1):67-69.

[8]張山,何建農(nóng).BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化算法研究[J].計(jì)算機(jī)與現(xiàn)代化,2009,(1):73-75.