EBZ-160型掘进机截割部故障诊断研究

阎 虹

（阳泉煤业集团矿山救护大队， 山西 阳泉 045008）

引言

BP神经网络结构主要信息的正向传播和误差的反向传播构成，其中误差反向传播主要利用网络将误差信号反馈，然后修改各级神经元参数差距降低误差信号，而正向信息传播主要将输入信息在隐含层神经元内处理后输出，各层神经元的状态会正向影响。因此根据BP神经网络的传输过程可采用相应的方式进行完善，从而为BP网络掘进机截割部故障提供依据。

1 BP神经网络简析

BP神经网络优化主要有两种方法：一是自适应学习速率法。二是附加动量法。主要是在BP算法的前提下，将各级权值变化量依次相加，从而促使新的权值产生。实际应用中常结合自适应学习速率方式和附加动量两种方式进行计算，从而在保证BP网络的运行稳定性的同时，也可以有效提升网络的运行速率，因此这两种优化方式结合后统称为快速BP法[1-2]。

2 信息数据分析

在信息数据的分析过程中首先需要对特征定量进行选择，由于掘进机截割部故障发生时，其振动信号数值较稳定，同时掘进机受到的冲击、振动偏离程度及振动能量都有较大的差异，因此在判定掘进机截割部故障振动状态时，可采用方差为判定依据，同时由于BP网络中对故障的反应较为剧烈，且掘进机截割部故障也会导致截割电动机三相电流发生变动，因此可加入有效值、峭度量及截割电动机的三相电流为特征向量。其次为了更直观地表现掘进机截割部故障振动信号变化，可将掘进机截割部故障发生时的信号绘制成波形图，然后根据BP网络的要求将向量的数值输入，最后作统一处理[1]。

分析图1可知，在掘进机截割部进行截割时，其信号会产生偏差，同时截割电动机的三相电流会逐渐增大。再加上掘进机截割部在截割状态信号会发生变化，因此为了保持掘进机截割状态信号检测数据的全面性，可将掘进机三相电流进行区别，即对非截割状态及截割状态的掘进机三相电流进行分别分析。

图1 掘进机截割部故障信号振动波形图

3 构建BP神经网络

3.1 初始参数及样本

在BP神经网络构建过程中首先需要对采集到的信息数据进行分析，选取适当的初始数值，如可分别将掘进机截割部故障信号检测输出定量确定为两个，故障定量[1，0]及非故障定量[0，1]，然后依据上述信息数据分析的过程，将峭度量、方差、有效值及截割电动机三相电流作为向量输入，同时为了优化BP神经网络，可选取一个隐含层的BP神经网络，输入项、输出向量在0～1之间取值，然后结合自适应学习速率法、附加动量法两个BP网络优化方法，设定神经网络中输入层激活函数为logsing，同时输出层激活函数也为logsing，而最大训练步数为2 000，且初始权值与偏差均为系统随机选取的任意数值，其他参数见下页表1。

样本数据中可分为两组，即掘进机非截割状态40组，掘进机截割状态40组，而掘进机截割状态又包括有故障20组、无故障20组，掘进机非截割状态数据分布与截割状态相同。同时为了更好地表现网络数据统计的效果，可将掘进机截割状态非故障、掘进机截割状态故障、掘进机非截割状态故障、掘进机非截割状态非故障四组数据进行单独展示，而在掘进机截割状态故障发生时其向量参数会发生较明显的突变，同时掘进机截割电动机电流会持续上升额定电流一半以上，掘进机截割电动机电流的变化也可称为判定掘进机截割部故障发生的标准。

表1 初始样本其他参数分析

3.2 训练及仿真

BP神经网络的训练首先需要明确初始化网络、学习函数信号参数，其次需要明确BP神经网络的训练模式，然后在BP神经网络训练模式的基础上，确定BP神经网络的输出模式，同时判定其是否满足与期望模式的误差要求，最后确定无误之后再对各层误差权值、偏差进行计算、优化，反之则终止训练。在这种训练模式下对掘进机截割部故障数据、非故障数据进行训练，01—05为掘进机截割或非截割正常信号，而06—10为掘进机截割或非截割故障信号，由此可得出掘进机截割时正常及故障信号见表2。

而掘进机非截割正常及故障信号见表3。

表2 掘进机截割时正常及故障信号数据分析

表3 掘进机非截割正常及故障信号数据分析

4 结语

结合自适应学习速率与附加变量两种方式对BP网络进行相应优化，同时对EBZ-160型掘进机截割部数据特征向量参数进行收集、分析，即对掘进机截割状态正常与故障数据、掘进机非截割状态正常与故障数据四种信号动态显示的数据进行综合分析，可有效判断掘进机故障的发生情况。在EBZ-160上的实验，表明这种诊断方法可行，能够提升掘进机截割部故障诊断的质量和效率。