基于模糊神經(jīng)網(wǎng)絡(luò)的礦井提升機(jī)故障診斷研究

王偉新

摘 要：本文對(duì)礦井提升機(jī)進(jìn)行故障診斷的研究，采用先進(jìn)的診斷技術(shù)——模糊神經(jīng)網(wǎng)絡(luò)技術(shù)，模糊神經(jīng)網(wǎng)絡(luò)主要由模糊量化和神經(jīng)網(wǎng)絡(luò)組成，在模糊神經(jīng)理論的基礎(chǔ)之上并結(jié)合現(xiàn)代礦井提升機(jī)的實(shí)際情況，建立其故障診斷的數(shù)學(xué)模型，并對(duì)其進(jìn)行分析研究。

關(guān)鍵詞：模糊 神經(jīng)網(wǎng)絡(luò) 提升機(jī) 診斷

中圖分類號(hào)：TP277 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2017）08（c）-0087-02

礦井提升機(jī)作為現(xiàn)代礦井的大型機(jī)電設(shè)備，綜合機(jī)、電和液壓等先進(jìn)技術(shù)于一體，是地面與井下相互聯(lián)系的主要設(shè)備之一，主要實(shí)現(xiàn)礦物的提升、人員和設(shè)備的輸送等多項(xiàng)工作任務(wù)[1]。驅(qū)動(dòng)礦井提升設(shè)備的最大功率可以使用1～1.5萬(wàn)kW的電動(dòng)機(jī)，提升容器每次可以有效提升30～50t的礦物，且其在井筒中安全運(yùn)行時(shí)，可以實(shí)現(xiàn)的最高運(yùn)行速度是每秒達(dá)到20～25m。因此在提升機(jī)工作時(shí)，必須保證其安全運(yùn)行，從而保障整個(gè)礦井的安全生產(chǎn)。如果出現(xiàn)故障，很難及時(shí)、準(zhǔn)確地定位故障源，增加了故障排除的難度，勢(shì)必會(huì)造成停工停產(chǎn)，必然造成重大的經(jīng)濟(jì)損失，嚴(yán)重時(shí)會(huì)出現(xiàn)傷亡事故，造成不良的社會(huì)影響。提高礦井生產(chǎn)效率，降低事故率是礦井生產(chǎn)追求的目標(biāo)之一，如何做到礦井提升機(jī)的本質(zhì)安全高效是函待解決的主要問(wèn)題，先進(jìn)的故障診斷技術(shù)——模糊神經(jīng)網(wǎng)絡(luò)技術(shù)成為了研究的重點(diǎn)。因此，將模糊神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于礦井提升機(jī)顯得特別重要。

1 礦井提升機(jī)故障診斷的基本策略

實(shí)現(xiàn)提升機(jī)故障診斷的基本策略：設(shè)備檢測(cè)目標(biāo)可能發(fā)生的全部狀態(tài)（正常或故障），組成狀態(tài)空間S，它的觀測(cè)量特征的取值全體構(gòu)成特征空間Y，當(dāng)系統(tǒng)為某一狀態(tài)S時(shí)，系統(tǒng)的確定特征Y，即存在映射g：

反之，一定的特征也對(duì)應(yīng)確定的狀態(tài)，即存在映射f：

狀態(tài)空間與特征空間的關(guān)系如圖1所示。

當(dāng)f和g是雙射函數(shù)（特征空間與狀態(tài)空間一一對(duì)應(yīng)）時(shí)，那么特征向量就可以確定系統(tǒng)狀態(tài)的惟一性，反之相同。根據(jù)可測(cè)量的特征向量來(lái)實(shí)現(xiàn)對(duì)系統(tǒng)處于何種狀態(tài)進(jìn)行判斷就是故障診斷的目的。

在礦井提升機(jī)中實(shí)現(xiàn)故障診斷的目的在于根據(jù)各個(gè)檢測(cè)量的特征向量間接判斷系統(tǒng)處于什么狀態(tài)，因此，動(dòng)態(tài)檢測(cè)就顯得非常重要。動(dòng)態(tài)檢測(cè)相當(dāng)于對(duì)整個(gè)系統(tǒng)運(yùn)行狀態(tài)的順序掃描及控制的過(guò)程，在系統(tǒng)的周期掃描運(yùn)行機(jī)制的基礎(chǔ)上，控制程序的設(shè)計(jì)通過(guò)3個(gè)功能模塊的設(shè)計(jì)來(lái)完成：輸入信號(hào)檢測(cè)模塊，完成對(duì)外部各開(kāi)關(guān)量（主令信號(hào)、各傳感器信號(hào)、操作按鈕信號(hào)等）和模擬量（液壓站信號(hào)、電壓信號(hào)、電流信號(hào)）反饋信號(hào)的檢測(cè)與轉(zhuǎn)換；系統(tǒng)狀態(tài)轉(zhuǎn)換模塊，檢測(cè)信號(hào)、歷史狀態(tài)和實(shí)際要求，確定系統(tǒng)的當(dāng)前狀態(tài)；輸出信號(hào)轉(zhuǎn)換模塊，根據(jù)系統(tǒng)當(dāng)前狀態(tài)，確定各控制信號(hào)的狀態(tài)。因?yàn)橐话愎收蠣顟B(tài)具有一定模糊性，決定其所對(duì)應(yīng)的特征值也有一定模糊性，因此故障診斷的關(guān)鍵是解決狀態(tài)量的模式識(shí)別問(wèn)題。

故障診斷技術(shù)主要包括正確選擇與測(cè)取設(shè)備有關(guān)狀態(tài)的特征信號(hào)、正確地從特征信號(hào)中提取設(shè)備有關(guān)狀態(tài)的有用信息、根據(jù)征兆正確地進(jìn)行設(shè)備的狀態(tài)診斷、根據(jù)征兆與狀態(tài)正確地進(jìn)行設(shè)備的狀態(tài)分析和根據(jù)狀態(tài)分析正確地作出決策等5個(gè)方面的內(nèi)容。

對(duì)設(shè)備進(jìn)行故障診斷的過(guò)程框圖如圖2所示。

2 模糊神經(jīng)網(wǎng)絡(luò)故障診斷模型的建立

對(duì)礦井提升機(jī)進(jìn)行故障診斷采用的是模糊神經(jīng)網(wǎng)絡(luò)，主要由模糊量化和神經(jīng)網(wǎng)絡(luò)組成，分為輸入層、模糊化層、推理層和輸出層，模糊神經(jīng)網(wǎng)絡(luò)的模型如圖3所示。

第一層作為輸入層，決定故障診斷征兆，輸入信號(hào)的個(gè)數(shù)d決定了節(jié)點(diǎn)數(shù)，每個(gè)節(jié)點(diǎn)對(duì)應(yīng)一個(gè)輸入變量xi（i=1，2，…，d），因此其輸入向量為X=[x1，x2，…，xd]T。

第二層為模糊化層，這一層所進(jìn)行的工作是利用隸屬度函數(shù)將輸入變量進(jìn)行模糊化，將故障診斷征兆xi分割成Ti個(gè)模糊子集，則故障征兆xi就有Ti個(gè)模糊隸屬度值，它的第j個(gè)隸屬度函數(shù)就可以表示為sij=μij（xi），其中j=1，2，…，Ti，則模糊化層共有ΣTi個(gè)節(jié)點(diǎn)。

第三層為推理層，這一層實(shí)現(xiàn)模糊輸入變量映射到模糊輸出變量的功能，即確定故障原因與故障征兆的對(duì)應(yīng)關(guān)系。假設(shè)該層第i個(gè)節(jié)點(diǎn)與量化層各節(jié)點(diǎn)的連接權(quán)向量為WHi，則該節(jié)點(diǎn)的輸出為yi=f（WTHiX+θHi），其中f使用的是Sigmoid函數(shù)，θHi代表本節(jié)點(diǎn)的閾值。隱含層的節(jié)點(diǎn)數(shù)量可以使用來(lái)計(jì)算，其中a∈[1，10]。

第四層為輸出層，其每個(gè)節(jié)點(diǎn)都代表一種故障，它的值的大小代表故障存在的可能程度。假設(shè)有m個(gè)故障，該層第i個(gè)節(jié)點(diǎn)與隱含層每個(gè)節(jié)點(diǎn)的連接權(quán)向量為WOi，則該節(jié)點(diǎn)的輸出為yi=f（WOiTX+θOi），輸出層的節(jié)點(diǎn)數(shù)為故障的個(gè)數(shù)m個(gè)。

3 結(jié)語(yǔ)

綜上所述，在模糊神經(jīng)網(wǎng)絡(luò)技術(shù)的基礎(chǔ)上對(duì)礦井提升機(jī)的故障診斷技術(shù)進(jìn)行研究，并有效應(yīng)用模糊理論和神經(jīng)網(wǎng)絡(luò)技術(shù)，并創(chuàng)建數(shù)學(xué)模型，能夠?yàn)榻⒌V井提升機(jī)故障診斷系統(tǒng)提供理論支持，提高礦井提升機(jī)的運(yùn)行效率和安全性，為礦井的安全生產(chǎn)提供有效保障。

參考文獻(xiàn)

[1] 周成寶.基于RBF神經(jīng)網(wǎng)絡(luò)的礦井提升機(jī)故障診斷研究[D].哈爾濱：哈爾濱工程大學(xué)，2009.

[2] 盧新彬.基于模糊神經(jīng)網(wǎng)絡(luò)的交流調(diào)速系統(tǒng)智能控制[D].哈爾濱：黑龍江科技學(xué)院，2010.

[3] 王新，馬慶林.變頻調(diào)速系統(tǒng)的故障診斷與健康診斷[M].北京：煤炭工業(yè)出版社，2009.