李娟莉，閆方元，梁思羽，李 博，苗 棟

(太原理工大學 a.機械與運載工程學院，b.煤礦綜采裝備山西省重點實驗室，太原 030024)

礦井提升機是煤礦能源開采過程中連接井上與井下的關鍵設備，其能否安全可靠地運行直接關系到煤礦企業(yè)的經濟效益和生產人員的生命安全。提升機工作環(huán)境和結構的復雜性，其性能會隨著設備的運行而不斷惡化，導致故障發(fā)生。作為提升機的重要組成部分，制動系統性能的優(yōu)劣直接關系到提升機運行的安全性和可靠性。因此借助先進的傳感器技術、信號處理技術和故障診斷技術監(jiān)測設備異常的部位和原因，對潛在故障進行精準的預報和診斷對保證設備的安全運行具有重要意義[1-5]。

機器學習作為一種數據處理算法，在數據的基礎上研究故障特征，對故障進行診斷。有的學者提出了基于決策樹的故障診斷模型，在處理不同故障類型時具有較高的精度[6-7]。李娟莉等[8]基于貝葉斯理論對礦井提升機故障進行了不確定性推理，得到了較好的故障識別效果。董磊等[9]分析了提升機故障數據的特點，提出了基于復雜網絡聚類的故障診斷方法，引入廣義Ward距離，能較準確對已知故障數據進行分類。黃秋勇[10]改進了BP神經網絡，加入了遺傳算法，用于提升機制動系統的故障診斷中，優(yōu)化后的BP神經網絡有更好的收斂速度和診斷準確率。隨著傳感和監(jiān)測技術的不斷完善，以及測點的增多和采樣頻率的提高，監(jiān)測數據出現了數據量大、數據維數多等數據特點，機器學習算法建模復雜，不能充分利用監(jiān)測數據，很難滿足大數據的需要。

機器學習算法將問題拆分成不同的部分，分別對其進行求解，與之相比深度學習則以集中方式解決問題，而不必進行問題拆分，從原始數據中自動挖掘診斷信息，自適應確定模型結構參數。常用的深度學習算法有深度置信網絡、卷積神經網絡、自動編碼器和循環(huán)神經網絡。INCE et al[11]利用卷積神經網絡對電機故障進行了診斷，將特征提取和故障分類融合在一起，證明了方法的有效性。胡蔦慶等[12]以行星齒輪箱作為研究對象，通過對振動信號的經驗模態(tài)分解結合卷積神經網絡進行故障分類，準確有效地實現了行星齒輪箱的故障診斷。陳淑梅，朱丹宸等學者指出，故障診斷過程中采集的過程信號通過映射關系轉化為圖像信號輸入卷積神經網絡能夠提高故障診斷的精度[13-14]。

上述研究成果表明，深度學習在故障診斷方面具有較大的優(yōu)勢，但在提升機上的應用較少，本文充分利用提升機運行中出現的大量監(jiān)測數據，從監(jiān)測數據中挖掘提升機的故障信息，建立基于CNN的故障診斷模型，對CNN診斷模型進行優(yōu)化，使用測試數據集對診斷模型進行試驗驗證。

1 故障診斷整體框架

本文所研究的內容如圖1所示，主要涉及數據采集、數據處理、模型訓練以及模型應用四個部分。

圖1 故障診斷框架Fig.1 Fault diagnosis framework

1) 數據采集。數據的來源主要是監(jiān)測系統對提升機制動系統運行狀態(tài)實時監(jiān)測得到的數據與制動系統的歷史庫中的數據。

2) 數據處理。對采集到的提升機制動系統故障數據和正常運行數據進行冗余、缺失和標準化處理，提取故障特征，并對數據進行去噪、計算特征量處理，構建故障診斷數據集。

3) 模型訓練。建立基于CNN的提升機制動系統故障診斷模型，使用訓練數據集對診斷模型進行訓練，通過對故障診斷結果進行評估，不斷修正診斷模型參數。

4) 模型應用。使用測試數據集導入到訓練完成的診斷模型中，通過對數據進行分類判斷制動系統狀態(tài)和故障類型。

2 故障機理分析與數據采集

2.1 故障機理分析

礦井提升機的制動系統包括執(zhí)行機構和傳動機構，傳動機構是液壓站，用以調節(jié)和控制制動力矩的大小；執(zhí)行機構是制動盤，制動盤合閘時的制動力由若干組碟形彈簧提供，在松閘時，液壓站將油注入油缸，油壓與彈簧力抵消，進而實現松閘。由于提升機結構復雜，加上重載、強振的工作環(huán)境，容易導致制動系統發(fā)生故障，常見的故障主要包括以下幾種：

1) 制動力矩失效，其包括制動力矩過小和制動力矩過大。在制動系統中，制動力矩是一個重要的參數，制動力矩過小會使減速度過小，導致制動位移過大，造成過卷的現象；制動力矩過大引起罐籠停不在預定位置，過大的減速度會使鋼絲繩承受的載荷過大，導致鋼絲繩的斷裂。制動力矩Mz的表達式為：

Mz=2μFNRmn.

(1)

式中：μ為閘瓦對制動盤的摩擦系數，FN為制動正壓力，Rm為制動盤平均摩擦半徑，n為提升機制動盤副數。若閘盤偏擺超過一定范圍，會造成閘瓦位移不一致，使得制動正壓力波動劇烈，影響制動效果。引起制動力矩失效的原因主要包括摩擦系數、制動正壓力、閘盤偏擺。

2) 殘壓過高。殘壓的高低直接影響到制動系統松閘和合閘的速度，進而造成制動失效。造成殘壓過高的原因主要包括溢流閥的節(jié)流孔較大、液壓站的調壓裝置調整不當。

3) 制動油壓力過低。制動油壓力過低會引起提升機松不開閘，甚至造成閘瓦失效。造成制動油壓力過低的原因主要包括油溫過高、油液泄漏、油液黏度過高。

4) 閘瓦磨損嚴重。閘瓦磨損太快，會引起剎車失靈，引起制動失效。引起閘瓦磨損嚴重的原因主要包括閘瓦間隙過小、閘瓦接觸面不平、閘瓦間隙不均勻。

5) 碟形彈簧失效。提升機在制動時，通過碟形彈簧產生的制動力進行制動，碟形彈簧失效會導致制動力不足，進而造成制動失效。在頻繁使用后很容易使碟形彈簧的剛度下降，彈簧產生的制動力較小或不產生制動力，使得碟形彈簧失效。

2.2 數據采集

由上述分析可知，閘盤偏擺、閘瓦位移、彈簧力、油壓以及閘瓦開合狀態(tài)是決定制動系統運行狀態(tài)的重要參數，因此需要對以上參數進行監(jiān)測和采集。

由于各個參數的數量級和量綱各不相同，如果直接輸入到CNN診斷模型，可能會導致診斷模型不收斂，因此需要將監(jiān)測數據統一到相同尺度下，即標準化。在本文中選用離差標準化，即找出各個監(jiān)測參數的最值，計算每個監(jiān)測參數偏離最小值的差占最值之間差的比值，所有的數據經過標準化之后，都在0.04～0.98的范圍內。

在運行過程中，傳感器的工作環(huán)境存在噪聲，可能在某個采集周期內，會導致傳感器采不到數據或是一次采到多個數據。因此需要對采集來的數據做去冗余和去缺失的處理，由于傳感器的采樣周期較短，獲取的數據量較大，可以直接刪除數據缺失的記錄。經過去冗余和去缺失后，構成原始數據集。

3 基于CNN的故障診斷模型

3.1 CNN理論分析

CNN是一種具有表征學習能力，仿照生物視覺構建，包含了卷積運算的具有深度結構的前饋型神經網絡。本文搭建的CNN診斷模型由卷積層、池化層、全連接層和Softmax層組成，其基本結構如圖2所示。

圖2 CNN診斷模型結構圖Fig.2 CNN diagnosis model structure diagram

卷積層是CNN診斷模型的核心，是提取數據特征的場所。在卷積運算中，感受野依次攜帶各個卷積核按照一定的步長對輸入數據進行掃描，數據與卷積核進行乘法運算后求和，得到與卷積核相對應的運算結果。

池化層是在保證卷積層提取到的特征不被破壞的前提下，按照一定的法則縮減數據的尺寸。在池化運算中，需要將輸入的每一層分割成若干個小區(qū)域，對于邊界上不足以湊成的區(qū)域，以0補充，常見的池化運算有平均池化和最大值池化運算。

全連接層相當于一個分類器，它將前面幾層得到的數據進行分類，從而輸出診斷結果。Softmax層是整個診斷模型的最后一層，其最主要的作用是讓輸出向量中的每一個分量大的更大，小的更小，且所有分量的和為1，使得輸出結果變得更接近期望輸出的過程。

3.2 數據編碼方法

由于CNN診斷模型是以處理圖像見長，因此需將監(jiān)測數據編碼為類似于圖像的形式，本質上是將二維數組表示的數據集映射到三維數組表示的數據集上。映射的過程如下：

(2)

(3)

由此可以求出d的值為：

(4)

h=round(50×0.732)=round(36.6)=37，

d=(50×0.732-37)/2=-0.2，

x36=0.25-(-0.2)=0.45，

x37=0.5，

x38=0.25+(-0.2)=0.05，

x其他=0，

X=[0,0,…,0,0.45,0.5,0.05,0,…,0]T.

3.3 算法優(yōu)化

當神經網絡訓練數據較少時，可能會出現以下狀況：神經網絡對訓練數據的診斷誤差非常小，但是對于未曾參與訓練的數據，其誤差較大，出現過擬合的現象。由于Dropout的隨機性，網絡中某些神經元由于訓練數據不足而產生的復雜的“共適應”關系將被破壞，由此訓練出來的神經網絡將更好地面對未知的數據，所以本文在CNN的基礎上加入Dropout優(yōu)化算法。優(yōu)化算法實現過程如下：

生成與權重和偏置的尺寸大小相同，范圍為0～1的隨機矩陣R.對矩陣中的每一個元素r作運算l(r)，l(r)為線性Dropout函數，其特點是：當隨機數r小于丟棄點α時，l(r)=0；當隨機數r大于保留點β時，l(r)=1；當隨機數r介于兩者之間時，將r線性地映射到0～1之間，l(r)的表達式為：

(5)

4 試驗驗證

4.1 驗證過程

本文以實驗室2JTP-1.2×1.0P型礦井提升機作為試驗設備，對第3節(jié)提出的CNN診斷模型進行試驗驗證，試驗設備如圖3所示。在制動器上安裝NZ891YT型電渦流位移傳感器如圖4所示，采集閘瓦位移、閘盤偏擺等參數；在液壓站的電磁換向閥出口處安裝MBS 3050-3415-1GB04型壓力傳感器如圖4(b)所示，監(jiān)測制動油壓的變化；在碟形彈簧底部安裝CMKI墊圈式測力傳感器，監(jiān)測彈簧力的變化，傳感器安裝位置如圖4所示。

圖3 試驗設備Fig.3 Test equipment

圖4 傳感器安裝位置Fig.4 Sensor installation location

在對提升機的制動系統進行故障診斷過程中，需要把傳感器采集到的數據儲存在數據庫中，具體采集過程如下：

1) 在提升機關鍵部位上布置傳感器，模擬2.1節(jié)中列舉的各種故障，具體模擬方法見文獻[6]，分別采集提升機正常和故障情況下的各類監(jiān)測數據。

2) 在工控機上利用組態(tài)軟件對提升機的監(jiān)測數據進行實時展示，并存儲在數據庫中。

3) 將采集的數據進行去冗余、標準化以及數據編碼后得到用于驗證診斷模型的數據集，正常數據和故障數據所占比例為1∶3，其中70%的數據作為訓練數據，剩余的數據作為測試數據。采集到的監(jiān)測數據如表1所示，數據編碼后的圖像如圖5所示。圖中表示數據的其中一層，方格顏色越暗，對應的數值越小。

為了檢驗CNN診斷模型在提升機制動系統故障診斷中的準確性與優(yōu)勢性，本節(jié)使用BP診斷模型作為對照組，診斷模型的基本結構參數和迭代次數保持一致，用相同的測試數據集進行對比試驗。

表1 監(jiān)測數據示例Table 1 Examples of monitoring data

圖5 數據編碼樣本示例Fig.5 Sample test of data encoding

將訓練數據集導入到BP和CNN診斷模型，分別迭代更新模型參數，完成診斷模型的訓練。將相同的測試數據集分別導入到訓練完成的BP和CNN診斷模型，經過正向傳播后，比對模型的診斷結果和實際結果是否一致，若一致則記為“正確”，否則記“錯誤”。統計每類故障的診斷結果，結果如圖6所示，其中每個點表示一個數據，“乘號”表示診斷錯誤，“圓形”表示診斷正確。

4.2 結果分析

通過對比圖6的診斷結果可以看出，CNN診斷模型的診斷結果中每一類故障的分布要比BP診斷模型更加緊湊，這說明CNN與BP診斷模型相比，在故障診斷能力和辨識度上具有更高的優(yōu)勢。此外，診斷模型的評價指標包括準確率、召回率等，準確率作為評價診斷模型常用的指標，可以通過比較準確率的大小來衡量模型的優(yōu)劣性能。分別統計CNN和BP診斷模型在不同數量數據集下的準確率，得到的結果如表2所示。

從表2中可以看出，BP診斷模型對提升機制動系統故障的診斷準確性不如CNN高。隨著數據集數量的增加，BP和CNN診斷模型的準確率呈現遞增的趨勢，當數據集的數量達到2000時，BP診斷模型的準確率達到了81%，CNN診斷模型的準確率保持在98%以上。

圖6 BP和CNN模型的診斷結果Fig.6 Diagnosis result of BP and CNN model

表2 故障診斷準確率Table 2 Accuracy of fault diagnosis

以閘瓦磨損嚴重的故障種類為例，對模型進行正確性分析。當閘瓦磨損嚴重時，合閘的閘瓦位移出現明顯的增加，合閘彈簧力出現明顯的下降，正常狀態(tài)和閘瓦磨損嚴重狀態(tài)下的合閘閘瓦位移和彈簧力如圖7所示。

將故障種類為閘瓦磨損嚴重的故障數據和正常數據導入到CNN診斷模型中，得到的診斷結果如圖8所示。圖中的藍色區(qū)域表示CNN診斷模型認定的正常數據，紅色區(qū)域表示CNN診斷模型認定為閘瓦磨損嚴重的故障數據。從圖8中可以看出，CNN診斷模型將測試數據劃分為兩部分，與制動系統的故障機理一致，表明所提出的CNN診斷模型具有一定的可信度和正確性。

5 結論

本文搭建了一種基于CNN的提升機制動系統故障診斷模型，并對其進行優(yōu)化。優(yōu)化后的CNN診斷模型，可以達到98%以上的準確率，與BP診斷模型進行比較，具有較好的準確性。結合制動系統的故障機理，說明了CNN診斷模型的理論正確性。為了充分發(fā)揮CNN診斷模型在圖像識別中的優(yōu)勢和特點，提出了一種數據編碼方法，可以將傳感器采集的數字信號轉化成圖像信號，并將其作為診斷模型的訓練和測試數據集。

圖7 正常與閘瓦磨損嚴重狀態(tài)的參數對比圖Fig.7 Parameter comparison of normal condition and worn-out brake shoe

圖8 CNN理論正確性檢驗結果Fig.8 Test result of CNN theory correctness