神經網絡在提升機故障診斷中的應用*

雷勇濤 楊兆建

(太原理工大學機械工程學院,山西太原 030024)

提升機作為礦井的“咽喉”,是礦業(yè)生產中的大型關鍵設備.到目前為止,我國的礦業(yè)生產由于提升機故障而發(fā)生的重大事故很多,已造成了巨大的經濟損失和人員傷亡.據統(tǒng)計分析,因制動系統(tǒng)故障造成的事故占整個提升事故的 60%以上[1].

提升機的故障可分為兩大類:一類是硬故障,這是指由一些特定的參數超限表現出來的故障,該類故障主要由后備保護裝置來解決,這是簡易的診斷;另一類是軟故障,該類故障需由表征故障癥兆的多參數的測量值經過歸一化處理才能用神經網絡或模糊神經網絡等推理機進行診斷.由于涉及故障癥兆的變量多,因此診斷比較棘手.軟故障往往是硬故障的先兆,因此對軟故障的及時預報和診斷是復雜系統(tǒng)的重點和難點.

制動系統(tǒng)是一個由多層次機電液零部件組成的復雜且安全性要求很高的系統(tǒng).從診斷的角度看,尋求可靠性、魯棒性、智能性強和簡便易行的診斷理論與方法,以解決診斷復雜系統(tǒng)的高維數、非線性、強干擾、不確定、難建模、時滯未知等問題,一直是診斷學尋求的目標.神經網絡的優(yōu)點無疑為人們提供了診斷的新思路和新選擇.神經網絡結合專家系統(tǒng)的故障樹對提升機制動系統(tǒng)故障進行分層次(降維)有效的智能診斷,可預測故障,從而減少或避免惡性事故,提高提升效率.

神經網絡用于故障診斷也存在著一些問題,如忽視領域專家的經驗知識、訓練樣本獲取困難等[2].用神經網絡對制動系統(tǒng)的故障診斷也面臨著如何結合領域專家的經驗知識、怎樣收集設計故障樣本、怎樣設計網絡等問題.文中采用自組織特征映射(SOM)網絡、BP網絡和Elman網絡對這些問題的解決進行了研究,從而為故障診斷提供理論依據.

1 基于SOM網絡的制動系統(tǒng)故障模式分類

1.1 制動系統(tǒng)故障試驗樣本的收集方法及故障樹

試驗模擬2JTP-1.2提升機在13種不同速度、4種不同負荷工況下的制動系統(tǒng)故障,即提升機 52 (13×4)種運行狀態(tài)下的制動系統(tǒng)故障.檢測的運行狀態(tài)參數構成 52組故障特征向量或樣本.這樣的特征向量具有代表性和典型性,能表征系統(tǒng)的故障狀態(tài).另外,對這些參數的數值進行歸一化,從而提高了網絡的推理能力和泛化能力.根據提升機液壓制動器的工作原理和常出現的故障統(tǒng)計分類得到的制動系統(tǒng)故障樹[3]見圖 1.根據故障樹,可以分析其故障機理,采取監(jiān)測診斷措施.2JTP-1.2提升機試驗故障樣本參數監(jiān)測檢測硬件框圖如圖 2所示,試驗提升機如圖 3所示,負荷變化由 CJ-200加載器完成.

圖1 提升機制動系統(tǒng)故障樹Fig.1 Fau lt tree of hoistbrake system

圖2 提升機故障樣本參數監(jiān)測檢測硬件框圖Fig.2 Hardware b lock diagram of hoist fault samp le parameters monitored and detected

圖3 2JTP-1.2試驗提升機Fig.3 2JTP-1.2 type tested hoist

圖1中的每種故障模式(正常狀態(tài)亦作為一種模式)收集 3組樣本,共 156(3×52)組樣本,156組樣本中隨機抽取一組樣本,見表1.表 1中的pt、M、pc、ps、pz、pg、pm、Δ、δ分別為貼閘油壓、制動力矩、液壓系統(tǒng)殘壓、松閘油壓、液壓站油壓、閘瓦貼合開關量、磨損超限判定油壓、閘瓦平均間隙、制動盤偏等9種故障癥兆表征參數的歸一化數值.

表1 2JTP-1.2型提升機模擬故障樣本特征模式Table 1 Characteristic patterns of analog fault samples of 2JTP-1.2 type hoist

表1中的閘瓦平均間隙和制動力矩采用專用測力傳感器(見圖4)間接監(jiān)測,其它的 7種參數可直接監(jiān)測.測力傳感器安裝在制動器內部拾取各制動閘彈簧力Fki(i=1,2,…,8),再用式(1)～(3)計算閘瓦平均間隙和制動力矩.

圖4 專用測力傳感器Fig.4 Special force sensor

單個閘瓦間隙的計算公式為

式中:Fki,max為全抱閘時的彈簧力;Fki,min為全松閘時的彈簧力;組碟形彈簧片數N=8;碟形彈簧剛度K= 31600N/mm.

閘瓦平均間隙的計算公式為

式中:j為閘瓦的副數.

制動力矩的計算公式為

式中:Ri為制動盤摩擦半徑;μ為閘瓦對制動盤的摩擦系數;ΔFki,max為各閘制動時,彈簧力的最大變化值.

1.2 SOM網絡設計及故障模式分類的實現

表1中的9個運行參數作為SOM網絡的輸入,無需在訓練中預先告知輸入向量的所屬類別,網絡自動對輸入故障模式進行分類[4-5].輸入神經元數為9,其值歸一化后都在[0,1]之間.為提高網絡的映射精度,將競爭層設計為 8×8的二維平面[5].

net=newsom(minmax(P),[8,8]),其中P為輸入向量.經過100次的訓練結果為

此結果可用圖 5表示.由圖 5中可知,故障診斷的實現是由訓練后的 SOM網絡將 7種故障模式自動地進行分類.

圖5 訓練后的SOM網絡輸出Fig.5 Outputs of SOM network after training

若將競爭層設計為 3×3的二維平面,其它都不變.經過100次訓練后,輸出結果為

可知A與B故障歸為一類(A與B較容易混淆),網絡的分類性能不理想,只能是初級的分類.設網絡訓練次數為 2000,其訓練結果仍然為

可知A與B故障仍然為一類.這說明如果輸入神經元數比較少,無論怎么排列和增加訓練次數,也無法改變網絡的性質,只能調整網絡結構的競爭層.

2 基于BP和Elman網絡的液壓站故障診斷

2.1 液壓站故障的認定方法及故障樹

由圖 1中可知,液壓站是制動系統(tǒng)的子系統(tǒng)和重要組成部分,液壓站的試驗樣本收集方法同制動系統(tǒng).

液壓站故障的認定方法包括:(1)磁鋼輕度退磁,其判斷方法是用手垂直壓頂桿,油的壓力只有工作壓力的85%～90%,則為輕度退磁;(2)頂桿與噴嘴接觸不嚴,只能在某一特定方向壓頂桿,油的壓力才上升到正常,判斷頂桿與噴嘴之間的平面接觸不嚴則是嚴重故障.油的壓力有70%～80%概率升到正常為故障;(3)節(jié)流閥故障大多是由油路堵塞引起,用堵塞位置油的壓力值表征故障,壓力值為正常值的105%～115%為故障,壓力值再高,則認定為嚴重故障;(4)溢流閥工作性能不良,堵住噴油嘴,油的壓力只有工作壓力的70%～80%為故障,只有10%～20%為失壓(嚴重故障)[6];(5)系統(tǒng)泄漏,泄漏量為正常值的 103%～110%為故障,泄漏量再多,則為嚴重故障;(6)油泵效率和油泵電機效率,它們的效率只有正常值的80%～90%為故障,效率再低,則為嚴重故障.這幾種參數的歸一化數值作為神經網絡的輸入.

如果液壓站無工作壓力及壓力不足,則會直接影響提升機的安全運行,甚至會造成重大事故.根據參考文獻[6],基于液壓站故障的認定方法,結合液壓領域專家的經驗知識總結的液壓站故障樹如圖 6所示.

圖6 液壓站的故障樹Fig.6 Fault tree of hydrau lic station

2.2 BP網絡設計及故障診斷

根據液壓站故障樹,模擬液壓站正常、故障、嚴重故障(失壓)3種故障模式(每一種模式測出 5組樣本).模擬工況有 52種運行狀態(tài),這樣共有 780 (52×3×5)組樣本,隨機抽取其中 9組狀態(tài)數據作為BP網絡的訓練樣本,如表2所示.隨機抽取其中3組作為測試樣本,如表 3所示(測試樣本不能與訓練樣本相同).

表2 液壓站的狀態(tài)訓練樣本Table 2 Training sam ples of hydraulic station

表3 液壓站的狀態(tài)測試樣本Table 3 Test samp les of hyd raulic station

BP網絡的輸出模式為:正常(1,0,0)、故障(0, 1,0)和失壓(0,0,1).

BP網絡設計遵循以下原則:(1)一般的模式識別采用3層網絡;(2)符合Kolmogorov定理,即

式中:n1為輸入神經元數;n2為隱含層神經元數.

采用不同的訓練函數對網絡性能也有影響.訓練函數traingdx(梯度下降動量學習算法)、traingd (普通梯度下降學習算法)和trainlm(Levenberg-Marquardt反傳學習算法)由于學習算法不同,所以網絡的收斂速度和訓練誤差也不同.trainlm使網絡的收斂速度快和訓練誤差小,網絡性能較好[4,7],故文中采用訓練函數trainlm.

根據Kolmogorov定理和設計經驗,n2應為11～17.n2的選擇是十分復雜且重要的問題,在理論上,至今還不能證明它可用精確的解析式來表示[8].它與輸入、輸出節(jié)點數都有直接的關系,隱含層節(jié)點數太多,則可能訓練不出網絡或不能識別以前沒有的樣本,容錯性差;節(jié)點太少,則又使學習時間長,誤差也不一定最佳.用表2中的樣本確定最佳的 n2,實驗結果見表4.其中網絡參數的訓練函數為trainlm、學習函數為learngdm、性能函數為mse、訓練次數為2000、訓練目標為 0.001、學習速率為 0.01.從表 4中可知,n2=15為最佳.

表4 BP網絡的訓練誤差與收斂次數Tab le 4 Training error and times of convergence of BP network

表4中的訓練目標太高,學習速率太慢.將訓練目標改為0.01、學習速率改為 0.1,其它參數不變,則BP網絡的測試結果為

BP網絡狀態(tài)分類器的輸出模式為:正常(1, 1)、故障(0,1)和失壓(1,0).它的輸出模式簡化了網絡輸出[9],得到的測試結果為

2.3 Elman網絡設計與故障診斷

Elman網絡是前饋網絡,一般分為4層,比BP網絡多一層,因此Elman網絡的隱含層神經元數n2相應地較少[4,10].n2一般影響網絡的性能,根據設計經驗,n2為 8～14.實驗的網絡參數和訓練參數同BP網絡,確定最佳n2的實驗結果見表5.

表5 Elman網絡的訓練誤差與收斂次數Table 5 Training error and timesof convergence of Elman network

從表5中可知,n2=13為最佳.Elman網絡的測試結果如下:

2.4 BP網絡和Elman網絡的診斷性能比較

BP網絡、BP網絡狀態(tài)分類器和Elman網絡的訓練誤差曲線如圖 7所示.由圖7和上述測試結果可以看出,在網絡的訓練目標和學習速率都不是很高的條件下,BP網絡、BP網絡狀態(tài)分類器、Elman網絡都能對故障測試樣本做出正確的診斷與預測,且精度較高.由圖 7中還可以看出,3種網絡中訓練誤差由小到大依次是BP網絡、BP網絡狀態(tài)分類器、Elman網絡;測試精度由高到低依次是BP網絡狀態(tài)分類器、BP網絡、Elman網絡(這也驗證了Elman網絡相對BP網絡,其預測故障的誤差要大些);BP網絡狀態(tài)分類器收斂速度最快,6次就停止了訓練(可能是輸出最簡單扼要及采用了訓練函數trainlm),其次是BP網絡和Elman網絡,其收斂速度也較快.

圖7 BP網絡、BP網絡狀態(tài)分類器和Elman網絡的訓練誤差曲線Fig.7 Training error curves of BP network,BP network state classifier and Elman network

由表5中可知,Elman網絡性能最穩(wěn)定,訓練誤差和收斂次數基本不變,n2對網絡的影響也較小.因此,圖7(c)所示的Elman網絡的訓練誤差曲線較光滑.文中進一步驗證了BP網絡只注重學習方面的研究(為了避免在訓練過程中陷入 “局部極小”[11-12])而較少關心穩(wěn)定性問題.BP網絡的訓練誤差和收斂次數的分析顯示,正是由于 BP網絡性能不穩(wěn)定,n2的最佳值由反復實驗得出才顯得尤為重要.

BP網絡、BP狀態(tài)分類器和Elman網絡經過45組訓練樣本的訓練后,對 15組測試樣本的測試時間(一般來說,從總樣本中隨機抽取的訓練樣本數是測試樣本的2倍[13])分別為37.4、9.5和 54.3s,其診斷正確率分別為90.1%、88.9%、84.7%.這表明3種網絡的診斷時間與精度都符合要求.

3 結語

SOM網絡用小樣本在無需知道故障統(tǒng)計特征的情況下,通過合適網絡結構的競爭層可對制動系統(tǒng)故障模式進行智能分類.它所形成的聚類中心能映射到一個平面或曲面上,且保持拓撲結構不變.因而文中采用SOM網絡實現了對制動系統(tǒng)第一層次的診斷.

BP網絡、BP網絡狀態(tài)分類器和Elman網絡結構的隱含層神經元數一般可先用Kolmogorov定理和經驗確定其大概范圍,再由小樣本的診斷性能實驗確定最佳值.其網絡參數設計的學習函數一般采用learngdm、性能函數采用mse.文中通過BP網絡和Elman網絡對液壓站故障進行了第二層次診斷,結果表明3種網絡的診斷時間和精度均符合要求.但訓練函數用trainlm是否合適還需要用不同的故障樣本、網絡結構、訓練參數的診斷性能實驗加以驗證,這也是下一步的研究工作.

[1] 李劍峰.提升機液壓制動系統(tǒng)狀態(tài)規(guī)定保安全 [J].黃金,2003(6):34. Li Jian-feng.State regulations and safe of hoist hydraulic brake system[J].Gold,2003(6):34.

[2] 馮志鵬.計算智能在機械設備故障診斷中的應用研究[D].大連:大連理工大學能源與動力學院,2003:5-7.

[3] 劉可偉,楊兆建.基于人工神經網絡的提升設備故障診斷研究[J].太原理工大學學報,2002,33(4):441-443.

Liu Ke-wei,Yang Zhao-jian.Research on diagnosis for hoist system based on artificial neural network[J].Journal of Taiyuan University of Technology,2002,33(4): 441-443.

[4] 飛思科技產品研發(fā)中心.神經網絡理論與MATLAB 7實現[M].北京:電子工業(yè)出版社,2005:104-108.

[5] 王楠,谷立臣.基于SOM網絡可視化技術的液壓系統(tǒng)故障分類研究[J].液體傳動與控制,2009(5):5-9. Wang Nan,Gu Li-chen.Research on fault classfication for hydraulic power system based on visual analysis of SOM network[J].Fluid Power Transmission and Contral,2009 (5):5-9.

[6] 王家寶,王少奇.主提升機液壓站無工作壓力及壓力不足的快速判斷及應急處理方法 [J].中國科技信息, 2008(2):72-73.

Wang Jia-bao,Wang Shao-qi.Rapid diagnosis and emergency treatmenton no working pressure and less pressure ofmain hoist of the hydrau lic station[J].China Science and Technology Information,2008(2):72-73.

[7] Samanta B,Al-BalushiK R,Al-Araim i S A.Artificial neural networks and genetic algorithm for nearing faultdetection[J].Soft Computing,2006,10(3):264-271.

[8] Schetinin V,Schu lt J.Learning polynomial networks for classify-cation of clinical electroencephalograms[J].Soft Computing,2006,10(4):397-403.

[9] Saxena A,Saad A.Evolving an artificial neural network classifier for condition monitoring of rotating mechanical systems[J].Applied Soft Computing,2007,7(1):441-454.

[10] 胡雙啟,李勇.基于灰色Elman神經網絡的煤礦事故預測中國[J].安全生產科學技術,2009,5(4):106-109.

Hu Shuang-qi,Li Yong.Prediction of coalmine accidents based on grayelman neural networks[J].Journal of Safety Science and Technology,2009,5(4):106-109.

[11] Su H,Chong K T.Induction machine condition monitoring using neural network modeling[J].IEEE Transactions on Industrial Electronics,2007,54(1):241-249.

[12] 賀志勇,鄭偉.基于 BP神經網絡的深基坑變形預測[J].華南理工大學學報:自然科學版,2008,36(10): 92-96.

He Zhi-yong,Zheng Wei.Deformation prediction of deep foundation pitbased on BP neural network[J].Journal of South China University of Technology:Natural Science Edition,2008,36(10):92-96.

[13] 李國勇.智能控制及其MATLAB與實現[M].北京:電子工業(yè)出版社,2006:72-73.