MG-300/700-WD 采煤机截割机构故障诊断系统的优化设计

李佳杰

（阳煤集团寿阳开元矿业有限责任公司， 山西 寿阳 045400）

引言

常用的采煤机传统故障诊断方法有温度、压力监测诊断法和铁谱分析法[1-3]。温度、压力监测法是在液压系统中各元件处设置温度或压力监测点，根据温度场与压力场变化情况来判断系统故障状况。铁谱分析法是将设备润滑系统中的油液处于高梯度强磁场环境，在磁场力、重力与黏滞阻力等多种力共同作用下，油液中携带的磨粒将被有序沉积分离出来，最后根据这些磨粒的大小、形状及成分等物理性质来判断设备故障原因及磨损机理。上述传统故障分析方法不足之处在于，其只能根据输入至系统中的现场数据进行故障诊断，一旦数据不完整或前后矛盾，系统输出的诊断结论将出现错误。

随着人工智能的发展，基于专家系统的采煤机故障诊断方式被普遍使用[4]，虽然该系统诊断效率高，但其对所拥有的知识质量及容量要求较高，因此，专家系统故障诊断方式具有知识获取困难、知识库管理较难、推理能力差及普遍适用性差等不足之处。

人工神经网络系统[5-6]是对大脑神经网络结构的物理模拟，其内部结构具有并行分布特点，知识存储于整个系统中，具有容错能力好、推理能力快、联想能力广等优点。将人工神经网络系统应用于采煤机截割机构故障诊断时可较好地弥补其他故障诊断系统不足之处。从故障诊断精确程度上讲，本文所用神经网络系统是前沿的一种故障诊断方式，匹配阈值q是影响诊断精度的一个重要参数。

1 数据采集及处理

为采集到有效振幅监测数据，根据监测目的与采煤机截割部减速器箱结构特点，振动信号测点布置应满足以下几点：

1）精简中间环节，缩短信号传递线路；

2）尽量布置于旋转杆件两端轴承处或端点处；

3）测点布置处应便于安装传感器。

根据以上测点布置原则，本实例测点布置图如图1 所示，测点均布置于减速器箱轴端盖处，振幅数据的采集设备为HG-3518 数据采集器，测点1（3）与测点2（4）夹角为180°。采集到的每3 个数据平均值作为1 个实用数据，每个测点取四个实用数据。随后，采用公式（1）对所取数据进行归一化处理。

式中：xi为第i个测量数据；xmax和xmin分别是该测量数据所在组的最大值与最小值；xi*是xi归一化后的值；H1取0.9，L0取0.1，此两项目的为消除测量数据中的全0 和全1 项。

图1 减速器箱测点布置示意图

2 试验所用神经网络模型结构的建立

三层网络即可较好地区分一般模式识别问题。

三层神经网络中，隐含层节点数py、输入层节点数n、输出层节点数ps间有以下等量关系如公式（2）：

式中：m取值范围为1＜m＜10。

根据输入向量和故障模式种类（正常工况、断齿、齿面疲劳、齿面变形、齿面磨损和轴弯曲）分别确定输入层节点数n为16、输出层节点数ps为21，由公式（2） 计算得隐含层节点数py取值范围为7＜py＜16，综合各方面因素，本实例取py=15。规定权值收敛因子ε 为0.001，误差收敛因子β 为0.1，训练目标取0.001，最大训练批次为2 000。神经网络的输出结果均为0 时设备运行正常。

3 匹配阈值q 的最优值的选取

匹配阈值q的选取很大程度上影响故障诊断精度，当q的取值较大时，因为训练检测器的故障模式与实际故障形式有所区别，所以匹配阈值取值较大时很难进行匹配，容易出现误诊现象；当q的取值较小时，训练检测器不能很好捕捉到故障模式本质特征，从而造成漏诊。只有合理确定q的取值，诊断系统才不会出现误诊及漏诊现象。本文拟通过获得不同匹配阈值q下的各检测器集，从而训练神经网络，通过观察训练过程中达到目标误差所需训练次数以及对采集到的有效监测数据中的2 组进行神经网络故障诊断，综合分析确定匹配阈值q的最优取值。

3.1 检测器集的产生

集合S是长度为16 的有限字符串的集合。这些字符串作为自己串时，将进行实数编码后的机器正常运行时的数据中的16 个代表设备状态的标准信息数据连接在一起，本实例从中选择3 串为自己串，R0*= [X1，X2，X3]；若字符串代表故障模式i（i=1，2，…，k），将进行实数编码后的机器故障时的数据中的16 个代表设备故障状态的标准信息数据连接在一起称为故障模式串，选择其中三串作为各种故障模式串，本实例从中选择3 串为自己串Ri*=[Xk，Xk+1，Xk+2]，k=1，2，…，n。

随机产生的检测器集D中的每个检测器，与集合S中的字符串按公式（3）进行亲和力计算，当计算结果小于设定的阈值时，结果归入检测器集R0中，当计算结果大于阈值时，S中字符串再与断齿故障模式串亲和力计算，若匹配，即计算结果小于阈值，则归入集合R1中，若不匹配，则其再与下一故障模式串进行亲和力计算，若匹配，归入该检测器集，若不匹配，继续与下个故障串进行亲和力计算，以此循环，直至与最后一类故障模式串亲和力计算匹配，得到检测器集R5。由此得到采煤机截割部减速器箱五个故障模式下的检测器集，当每个检测器集中数量达到所需数量的250 组时，终止执行上述过程。

3.2 最优匹配阈值q 的选取

训练神经网络中的数据向量来源于正常工况时数据组成的检测器集、断齿、齿面疲劳、齿面变形、齿面磨损和轴弯曲。当阈值q=0.5 时，神经网络系统训练过程中达到允许误差所需训练步数为1 325 步，从不同工况下实验检测所得数据中各随机抽取两组进行免疫神经网络故障诊断，诊断所得结果如表1所示。从表1 中可以看出，阈值为0.48 时，神经网络在对断齿，齿面疲劳、变形及磨损等故障的诊断上出现误诊现象，误诊率约41%，出现该情况原因为：当匹配阈值较大时，一种故障模式下的检测器集中可能会包含其他故障模式的信息。

表1 阈值为0.48 时神经网络系统诊断结果表

当阈值q=0.43 时，神经网络训练过程中达到允许误差所需训练步数为1 052 步，从不同工况下实验检测所得数据中各随机抽取两组进行神经网络故障诊断，诊断所得结果如表2 所示。从表2 中可以看出，阈值为0.43 时，神经网络系统诊断准确，效果理想。

表2 阈值为0.43 时神经网络系统诊断结果表

当阈值q=0.38 时，神经网络系统训练过程中达到允许误差所需训练步数最少，为971 步，从不同工况下实验检测所得数据中各随机抽取两组进行神经网络故障诊断，诊断所得结果如表3 所示。从表3 中可以看出，阈值为0.38 时，神经网络系统在对正常工况、齿面变形及轴弯曲的诊断上出现漏诊现象，漏诊率约27%。

表3 阈值为0.38 时神经网络系统诊断结果表

4 结论

1）由于阈值0.48 下的训练步数多，误诊率高，因此设定匹配阈值为0.48 不合适；

2）阈值为0.38 时，虽然训练步数少，但会出现漏诊现象，漏诊率较高，因此设定匹配阈值为0.38也不合适；

3）阈值为0.43 时达到目标误差所需训练步数较少，神经网络系统诊断准确，综合考虑，匹配阈值设为0.43 时效果最理想。