韓學淵

(西山煤電集團 官地礦選煤廠, 山西 太原 030010)

作為煤礦井下運輸物料的關鍵機械設備之一，帶式輸送機運行的安全及穩(wěn)定對煤礦生產起關鍵性作用。隨著科技的進步，帶式輸送機逐漸向超大超重型方向發(fā)展，總功率已達4 000 kW以上。煤礦井下環(huán)境惡劣，帶式輸送機延伸距離長，導致帶式輸送機經常出現(xiàn)故障，影響設備的正常運行。針對帶式輸送機故障診斷系統(tǒng)，國內外學者展開諸多研究：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神經網絡與D-S證據(jù)理論相結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，有效保障設備的運行效率，同時為實現(xiàn)帶式輸送機的遠程無人自動化控制并建立無人自動化工作面提供基礎。

1 基本理論

1.1 BP神經網絡

BP神經網絡學習算法步驟為[4]：

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

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

(1)

(2)

式中：

zj—BP神經網絡隱含層輸出。

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)誤差值對連接權值Wij、Vjt進行調整，見式(5)以及式(6)：

ΔVjt=αzjdt

(5)

ΔWij=βxiej

(6)

其中，α、β為學習率，取值為(0,1).

5)調整輸出層、隱含層的閾值，見式(7)以及式(8)：

Δθt=αdt

(7)

ΔTj=βej

(8)

6)根據(jù)不同的訓練樣本，從步驟(2)開始循環(huán)訓練，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

基于最小風險決策方法對命題A進行決策分析，令狀態(tài)集S={x1,x2,…,xq}，決策集A={a1,a2,…,ap}，風險函數(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的風險。令新證據(jù)E在狀態(tài)集S中產生基本概率賦值，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計基于BP神經網絡以及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，將處理結果作為BP神經網絡輸入層信號，經多層感知器學習后，將輸出層結果作為D-S證據(jù)理論信息融合的基本概率賦值函數(shù)，利用最小風險決策方法得出最優(yōu)決策，作為故障診斷結果。

3 實例分析

3.1 減速器BP神經網絡故障診斷

以帶式輸送機減速器監(jiān)測量為特征向量，采用單隱層BP神經網絡對所監(jiān)測的高速軸承溫度、油溫、油位等故障點進行智能診斷。設計的單隱層BP神經網絡的輸入層節(jié)點為6個(對應6個特征向量)，隱含層設定節(jié)點數(shù)為13，輸出層設定節(jié)點數(shù)為3(對應無故障、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果見表2，為高速軸承故障。

表2 減速器故障診斷結果表

3.2 減速器D-S融合故障診斷

對經過BP神經網絡學習的訓練誤差作為不確定因素，構造基本概率賦值方法如下：

(11)

其中，Ai為故障模式，y(Ai)為BP神經網絡的輸出，En為樣本誤差。結合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果見表4，表5.

表4 m1(Ai)和m2(Ai)時域融合結果表

表5 m′(Aj)和m3(Ai)時域融合結果

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 語

以帶式輸送機傳動部為研究對象，利用BP神經網絡預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神經網絡的輸出值進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)進行收集和整理，為BP神經網絡和D-S證據(jù)信息融合提高可靠的原始監(jiān)測數(shù)據(jù)。