基于RBF 预测的采煤机故障诊断系统研究

陈宏斌

（晋能控股煤业集团地煤大同有限公司， 山西 大同 037003）

引言

在智慧矿山、煤矿智能化背景下，采煤机的自动化、智能化水平日益提高，系统规模、构成更加复杂，同时，故障发生的概率也随之增加。采煤机一旦发生故障，将导致煤矿井下综采工作面停产，严重影响煤矿高效、高质量生产。因此，研究并设计采煤机诊断系统，及时预测、发现故障，对于提高采煤机的开机率，保证煤矿综采工作面高效生产具有重要意义[1]。彭学前[2]提出了一种适用于采煤机的混合故障诊断算法，可在不同运行工况对采煤机机械、电气和液压系统进行故障诊断。李树伟和黄颖辉[3]将故障诊断仿真技术与采煤机实际运行工况相结合，诊断并监测采煤机运行状态和信号变化，分析可能产生的故障征兆。赵鹏伟[4]设计了一种采煤机模糊控制技术故障诊断系统，并形成网络结构，全方位监测采煤机运行故障，取得了较好的应用效果。

本文在分析采煤机常见故障的基础上，应用RBF神经网络预测技术对采煤机故障进行智能诊断，并完成系统仿真。

1 采煤常见故障分析

综采工作面用采煤机由电气、机械和液压三大系统组成，在实际运行过程中，采煤机电气、机械和液压系统会发生不同的故障[5-6]。

1.1 电气故障

1）摇臂升降系统故障：开机后摇臂自动上升或者下降、摇臂不动作。控制器输出电粘连、控制器输出点不工作、电磁阀不工作、电磁阀堵卡以及系统压力异常等会造成摇臂升降系统故障。

2）端头站/遥控器故障：端头站、遥控器不动作或者误动作。造成该故障的原因为电源工作异常、电缆连接松动、继电器回路异常、线路断线等。

3）电机故障：电机无法启动、电机PT100 损坏。造成该故障的原因为温度节点断开或者接线错误，控制器对应点输出异常等。

4）变频器故障：变频电机不动作或者动作异常。造成该故障的原因可根据变频器返回的故障代码进行定位。

1.2 机械故障

1）轴承故障：噪声过大、轴承温度过高。

2）齿轮故障：齿面磨损、齿面胶合擦伤、齿面接触疲劳、弯曲疲劳断齿等。

1.3 液压故障

1）牵引失效：采煤机牵引失效。造成牵引失效的原因为液压油质量不合格、油管堵塞等。

2）牵引部过热：采煤机牵引部高温、过热。原因为冷却系统缺水、冷却系统压力不足、管路堵塞以及油质不合格等。

3）牵引部异响：采煤机牵引部声音异常。油路缺油/少油、油质不合格以及采煤机电机故障等均会导致牵引部声音异常。

2 采煤机故障诊断系统

2.1 RBF 神经网络简介

RBF（Radial Basis Function，径向基函数)神经网络结构用于解决多维变量差值问题，且可以无限逼近可微函数，具有预测效果好、训练速度快、能够以任意精度逼近非线性复杂函数的特点。RBF 神经网络预测控制模型如下页图1 所示，为输入层、径向基神经元层（隐含层）和输出层三层前向型网络结构。输入层由信号源节点组成，空间矩阵可表示为[x1，x2，…，xn]，径向基神经元层为h 个隐节点，Φh（x）为第h 个隐节点的激活函数；W 为权值输出矩阵且有Rh×m；输出层有m个节点，∑表示线性激活函数[7-8]。在RBF 神经网络预测控制模型中，输入层与径向基神经元层之间为非线性变换，径向基神经元层与输出层之间为线性变化。

图1 RBF 神经网络预测控制模型

径向基神经元层函数为局部分布、中心点径向堆成衰减的非线性函数，可表示为：

式中：||xp-Ci||为欧式范数，xp可表示为xp=（x1p，x2p，…，xmp），为第p 个输入样本数据，p 的取值为p=（1，2，…，n），所取的样本总数为n；σ 为所取的高斯函数的方差；Ci为RBF 神经网络隐含层的节点中心。

RBF 神经网络的输出可表示为：

式中：wij为隐含层到输出层节点i 到节点j 的连接权值；i 为隐含层节点个数，取值为i=（1，2，…，h）；yj为输出层第j 个节点的输出值。

2.2 RBF 采煤机故障诊断系统实现

基于RBF 神经网络预测的采煤机故障诊断系统,如图2 所示。

图2 基于RBF 神经网络预测的采煤机故障诊断系统

将采集的采煤机电气、液压和机械典型部件的正常运行数据作为诊断原始数据，经预处理、特征选择与提取后，输入RBF 神经网络进行学习训练。在设计RBF 神经网络诊断系统时，设计输入层、隐含层和输出层三层结构。输入信号为采煤机电气摇臂升降系统、端头站/遥控器系统、电机系统和变频器系统正常运行时的归一化数据，输出为故障状态分类，分别为正常、一般故障和严重故障。隐含层设计为一层结构，因为隐含层越多、数据训练时间越长，传播误差越大，过程也越复杂。隐含层节点数按照公式k=2n+1 进行设计，其中k 为隐含层节点个数，n 为输入层节点个数。输入层到隐含层的输入权值选取范围为[0，1]，对原始数据进行归一化的公式如式（3）所示：

式中：p 为选取的采煤机样本数据；min（p）为选取的采煤机样本数据中的最小值；max（p）为选取的采煤机样本数据中的最大值；p'为归一化后的采煤机样本数据。选取采煤机RBF 神经网络故障诊断系统的激励函数为式（4）：

基于RBF 神经网络预测的采煤机故障诊断动态预测模型，如图3 所示。输入为e（k+1）=qr-qp，经非线性优化器后输出u（k），作为采煤机故障诊断系统、RBF神经网络控股之模型的输入，反馈校正值为rm（k+1），采煤机故障诊断系统输出为rp（k）。

图3 采煤机故障诊断动态预测模型

3 仿真试验

为验证基于RBF 神经网络的采煤机故障诊断系统，进行仿真试验并与原BP 神经网络预测模型进行对比。采集采煤机摇臂升降系统、端头站/遥控器系统、电机系统、变频器、齿轮、轴承和液压系统共20 组数据进行仿真。如图4 所示，横坐标为采样数据编号，纵坐标为每一个样本数据的故障发生概率。由图4 可知，基于RBF 神经网络预测模型的采煤机故障诊断系统更能够实时、精确地对采煤机运行故障进行预测，RBF 神经网络故障诊断模型的泛化能力、容错能力更强。

图4 采煤机截割滚筒智能调高跟踪轨迹仿真

4 结论

1）分析了煤矿井下综采工作面用采煤机常见的电气、机械、液压故障现象以及产生该故障的原因。

2）研究了基于RBF 神经网络预测的采煤机故障诊断系统，通过对采煤机正常运行时各部件的数据进行训练、学习，设计三层RBF 神经网络预测模型，将采煤机实时运行数据输入该神经网络预测模型后，与原始训练数据进行对比分析，完成采煤机故障预测与故障诊断功能。

3）对基于RBF 神经网络预测模型的采煤机故障诊断系统进行仿真，与原基于BP 神经网络预测模型的采煤机故障诊断系统相比，在故障预测的实时性、准确性以及稳定性方面有较好的表现，保证了采煤机高效、安全、连续运行。