基于RBF的模糊積分多傳感器數(shù)據(jù)融合的刮板輸送機(jī)電機(jī)故障診斷*

張永強(qiáng)，馬憲民，梁　蘭(.西安科技大學(xué)電氣與控制工程學(xué)院，陜西西安70054; 2.神華寧煤集團(tuán)礦山機(jī)械制造維修分公司，寧夏銀川75000)

?

基于RBF的模糊積分多傳感器數(shù)據(jù)融合的刮板輸送機(jī)電機(jī)故障診斷*

張永強(qiáng)1，2，馬憲民1，梁蘭1
(1.西安科技大學(xué)電氣與控制工程學(xué)院，陜西西安710054; 2.神華寧煤集團(tuán)礦山機(jī)械制造維修分公司，寧夏銀川750001)

摘要:刮板輸送機(jī)是煤礦井下重要的開采設(shè)備之一，簡要分析了現(xiàn)階段刮板輸送機(jī)的故障診斷現(xiàn)狀，針對(duì)刮板輸送機(jī)故障種類繁多，相互影響大且不易診斷的問題，根據(jù)多傳感器數(shù)據(jù)融合理論，提出了RBF和模糊積分相結(jié)合的刮板輸送機(jī)故障診斷數(shù)據(jù)融合方法。在特征級(jí)采用RBF，可以對(duì)同類傳感器采集的數(shù)據(jù)進(jìn)行快速學(xué)習(xí)和收斂，得到同源數(shù)據(jù)對(duì)每一類故障的模糊測度，以便在高維空間內(nèi)進(jìn)行同源數(shù)據(jù)的線性可分。決策級(jí)采用模糊積分理論利用該模糊測度通過模糊積分計(jì)算，獲得刮板輸送機(jī)故障信息的預(yù)測結(jié)果，該方法具有較好的容錯(cuò)性，簡化了冗余信息，降低了故障相互影響的關(guān)聯(lián)性。刮板輸送機(jī)減速器電機(jī)故障的診斷研究表明，文中所提出的方法有助于克服故障類型的不確定性，在整體上確保故障數(shù)據(jù)的完備性，正確地判定故障的類型，提高了故障診斷的準(zhǔn)確性。

關(guān)鍵詞:數(shù)據(jù)融合; RBF;模糊積分;刮板輸送機(jī)

0　引言

隨著中國煤礦設(shè)備自動(dòng)化程度越來越高，成套設(shè)備的相互關(guān)聯(lián)程度更加密切，一臺(tái)設(shè)備的故障可能造成整套系統(tǒng)的癱瘓，采煤工作逐漸向“設(shè)備重型化、工作面大型化”的方向發(fā)展。刮板輸送機(jī)是煤礦綜采面的主要設(shè)備之一，它的可靠運(yùn)行直接影響著礦井的經(jīng)濟(jì)效益［1］。由于煤礦井下環(huán)境惡劣，其故障數(shù)據(jù)的獲取及有效分類一直是故障診斷的難點(diǎn)。常見的煤礦機(jī)電設(shè)備故障診斷方法有溫度診斷、振動(dòng)監(jiān)測、鐵譜監(jiān)測等等［2］，它們所依據(jù)的信息比較單一。Rlhcadsron和Mash指出相比于單個(gè)傳感器數(shù)據(jù)信息，應(yīng)用最優(yōu)理論綜合多個(gè)傳感器數(shù)據(jù)信息能得到更好的對(duì)象狀態(tài)估計(jì)［3］，而刮板輸送機(jī)的某一故障可能是由不同部位的多種因素引起，因此將多傳感器檢測的大量數(shù)據(jù)進(jìn)行數(shù)據(jù)融合，可以提高故障檢測的精確性和可靠性。為此，文中根據(jù)數(shù)據(jù)融合理論，首先利用RBF網(wǎng)絡(luò)對(duì)同源數(shù)據(jù)進(jìn)行一定的處理，通過以往的故障數(shù)據(jù)對(duì)該網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行訓(xùn)練，得到同源數(shù)據(jù)歸屬于某故障狀態(tài)的隸屬度，然后采用模糊積分，將前人的經(jīng)驗(yàn)量化為不同的規(guī)則信息融合到模糊控制系統(tǒng)中。由于本方法合理地利用了不同種類的信號(hào)，將故障原因和故障結(jié)果進(jìn)行合理量化。而決策級(jí)采用模糊積分可以提高故障診斷的容錯(cuò)性。將二者結(jié)合起來，不需要較大限度地依賴于前人的經(jīng)驗(yàn)積累，利用無導(dǎo)師的學(xué)習(xí)機(jī)制訓(xùn)練以往的故障數(shù)據(jù)，得到一個(gè)較為精確的故障狀態(tài)隸屬度，結(jié)合實(shí)際經(jīng)驗(yàn)中不同數(shù)據(jù)信息的權(quán)重分布通過模糊積分進(jìn)行統(tǒng)一融合，從而達(dá)到準(zhǔn)確實(shí)現(xiàn)刮板輸送機(jī)故障診斷的目的［4］?，F(xiàn)階段，該方法已經(jīng)成功應(yīng)用到了電網(wǎng)分區(qū)故障診斷和車輛行駛安全系統(tǒng)中，有效的解決了區(qū)域間故障聯(lián)絡(luò)和系統(tǒng)穩(wěn)定問題［5－6］。

1　數(shù)據(jù)融合故障診斷模型

文中所提出的基于RBF和模糊積分的二級(jí)數(shù)據(jù)融合的刮板輸送機(jī)故障診斷模型如圖1所示。

一般來說數(shù)據(jù)融合有3種基本結(jié)構(gòu):數(shù)據(jù)級(jí)融合、特征級(jí)融合和決策級(jí)融合。數(shù)據(jù)級(jí)是最底層的融合，它主要針對(duì)于傳感器測量的原始數(shù)據(jù)。特征級(jí)融合位于中間層，它的作用對(duì)象是原始傳感器所提取的特征向量。決策級(jí)是最高層次的融合，針對(duì)于每個(gè)傳感器觀測目標(biāo)采集信息并進(jìn)行特征提取，完成關(guān)于目標(biāo)的說明［7］。

圖1　數(shù)據(jù)融合故障診斷模型Fig．1　Data fusion fault diagnosis model

考慮到刮板輸送機(jī)故障診斷需要一定的實(shí)時(shí)性和容錯(cuò)性，所以選擇在特征級(jí)和決策級(jí)進(jìn)行數(shù)據(jù)融合。在特征級(jí)選擇RBF神經(jīng)網(wǎng)絡(luò)分別將不同的同源數(shù)據(jù)進(jìn)行處理，得到屬于某故障狀態(tài)的模糊測度，在決策級(jí)選擇模糊積分算法，將前人的經(jīng)驗(yàn)量化為不同的規(guī)則信息融合到模糊控制系統(tǒng)中，提高故障診斷的容錯(cuò)性。該模型也適用于其它大型復(fù)雜系統(tǒng)的故障診斷。

2　同源數(shù)據(jù)處理—RBF徑向基神經(jīng)網(wǎng)絡(luò)

刮板輸送機(jī)故障診斷是一個(gè)大型的非線性系統(tǒng)且需要檢測大量的參數(shù)，采用RBF具有收斂速度快、高維線性可分的優(yōu)點(diǎn)，可以迅速的通過以往的故障數(shù)據(jù)對(duì)該網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行訓(xùn)練，得到同源數(shù)據(jù)歸屬于某故障狀態(tài)的隸屬度。

RBF的神經(jīng)元模型如圖2所示。它的激活函數(shù)采用徑向基函數(shù)。

圖2　RBF模型Fig．2 RBF model

其中，激活函數(shù)的表達(dá)式為

常用的徑向基函數(shù)是高斯函數(shù)，它的激活函數(shù)可表示為

其中‖xp－ci‖為歐式范數(shù); ci為中心;σ為方差。

RBF結(jié)構(gòu)如圖3所示，輸入層到隱含層權(quán)值默認(rèn)為1，隱含層調(diào)整參數(shù)，輸出層調(diào)整現(xiàn)行權(quán)值。在文中中，輸入層的節(jié)點(diǎn)代表刮板輸送機(jī)某一種運(yùn)行參數(shù)在不同位置的測試數(shù)據(jù)，輸出層的每一節(jié)點(diǎn)代表刮板輸送機(jī)的每一種故障類型［8］。

圖3　RBF結(jié)構(gòu)Fig．3 RBF structure

由圖3所示的RBF結(jié)構(gòu)可以得到網(wǎng)絡(luò)的輸出為

式中xp= (，…，)為第P個(gè)樣本輸入; ci為隱含層結(jié)點(diǎn)中心; wij為隱含層到輸出層的連接權(quán)值; yi為與輸入樣本對(duì)應(yīng)的第j個(gè)輸出節(jié)點(diǎn)的實(shí)際輸出。

3　異源數(shù)據(jù)處理—模糊積分

決策級(jí)融合是高層次的融合，文中在決策級(jí)的融合方法采用模糊積分的方法，將前人的經(jīng)驗(yàn)量化為不同的規(guī)則信息融合到模糊控制系統(tǒng)中。在特征級(jí)經(jīng)RBF方法得到同源數(shù)據(jù)歸屬于刮板輸送機(jī)某種故障類型的隸屬度，經(jīng)過模糊積分將每一種同源數(shù)據(jù)的隸屬度進(jìn)行整合得到異源數(shù)據(jù)對(duì)刮板輸送機(jī)整體故障類型的綜合評(píng)價(jià)。該方法既考慮了前人的經(jīng)驗(yàn)又有可靠地故障數(shù)據(jù)作為依據(jù)，具有較強(qiáng)的容錯(cuò)性。

定義1模糊測度設(shè)X = { x1，x2，…，xn}為有限集合; P(X)為X的冪集，若定義在P(X)上的集合函數(shù)g∶P(X)→［0，1］滿足以下正規(guī)性和單調(diào)性條件，則稱g是P(X)上的模糊測度［9］

定義2 Sugeno模糊積分設(shè)X為一非空集合，h是從X到［0，1］的非負(fù)可測函數(shù)，g是P(X)上的模糊測度，A∈P(X)，則h關(guān)于模糊測度g在集合A上的Sugeno模糊積分定義為［10］

4　算法應(yīng)用

常見的刮板輸送機(jī)的故障部位有減速器、刮板鏈、耦合器、電機(jī)等。文中對(duì)刮板輸送機(jī)的減速器電機(jī)故障進(jìn)行仿真研究，需要研究的電機(jī)運(yùn)行狀態(tài)分別為電機(jī)燒毀、軸承損壞、冷卻水管漏水和正常狀態(tài)［11］，根據(jù)現(xiàn)場工人的故障檢修經(jīng)驗(yàn)與刮板輸送機(jī)的電機(jī)運(yùn)行參數(shù)分析可知，這4種電機(jī)運(yùn)行狀態(tài)分別與x1(軸承溫度)，x2(冷卻水壓力)，x3(輸入電壓) 3種數(shù)據(jù)融合信息有關(guān)。將5個(gè)溫度測點(diǎn)(T1，T2，…，T5)，5個(gè)壓力測點(diǎn)(P1，P2，…，P5)，5個(gè)電壓測點(diǎn)(U1，U2，…，U5)分別作為3個(gè)RBF神經(jīng)網(wǎng)絡(luò)的輸入，將4種電機(jī)運(yùn)行狀態(tài)作為每一個(gè)RBF神經(jīng)網(wǎng)絡(luò)的輸出，以軸承溫度數(shù)據(jù)為例，經(jīng)RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的誤差如圖4所示。

圖4　RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差Fig．4 RBF neural network training error

由圖4可以看出，在特征級(jí)經(jīng)過RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差保持在(－0. 4，+0. 4)之間，滿足精度要求。由RBF的輸出得出各同源數(shù)據(jù)的模糊測度h(x)見表1．

表1　各同源數(shù)據(jù)輸出模糊測度Tab．1 Homologous data output fuzzy measure

由表1可以看出，電機(jī)每種運(yùn)行狀態(tài)對(duì)應(yīng)的評(píng)價(jià)因素(x1，x2，x3)之間都是相互聯(lián)系的，單憑一種因素不能判斷電機(jī)的運(yùn)行狀態(tài)，需要根據(jù)Fuzzy積分來進(jìn)行綜合判斷。

根據(jù)生產(chǎn)的實(shí)際情況，設(shè)重要性測度為

μ({x1}) =0．5，μ({x2}) =0．2，μ({x3})=0．3，

μ(X) =1，μ(?) =0．

根據(jù)式(4)可以計(jì)算出電機(jī)各種運(yùn)行狀態(tài)的綜合評(píng)價(jià)(Sugeno模糊積分)為

可以看出編號(hào)b1電機(jī)燒毀的模糊積分的綜合評(píng)價(jià)值0. 8為最大，可以得出合理的評(píng)價(jià)結(jié)論:刮板輸送機(jī)電機(jī)發(fā)生了電機(jī)燒毀故障，應(yīng)盡快組織人員進(jìn)行檢修，與實(shí)際情況相符。

5　結(jié)論

采用RBF神經(jīng)網(wǎng)絡(luò)和模糊積分理論組成二級(jí)數(shù)據(jù)融合故障診斷模型，對(duì)刮板輸送機(jī)進(jìn)行了故障診斷研究。該方法將刮板輸送機(jī)故障原因和故障結(jié)果之間的聯(lián)系進(jìn)行合理量化，簡化刮板輸送機(jī)故障檢測中的復(fù)雜性，在一定程度上提高了對(duì)故障判斷的準(zhǔn)確性，刮板輸送機(jī)電機(jī)故障的診斷驗(yàn)證了所提方法的可行性。

參考文獻(xiàn)References

［1］高建炯，郭衛(wèi)．基于PLC控制的刮板輸送機(jī)監(jiān)控裝置設(shè)計(jì)［J］．西安科技大學(xué)學(xué)報(bào)，2011，31(5) : 608－611. GAO Jian-jiong，GUO Wei．Scraper conveyor monitoring device based on PLC control design［J］．Journal of Xi’an University of Science and Technology，2011，31(5) : 608－611.

［2］母曉斌．煤礦機(jī)電設(shè)備故障診斷［J］．中國新技術(shù)新產(chǎn)品，2010(18) : 147. MU Xiao-bin．Coal mine mechanical and electrical equipment fault diagnosis［J］．China’s New Technology，New Products，2010(18) : 147.

［3］Ren C L，Michael G K．Multisensor integration and fusion for intelligent machines and systems［M］．Ablex Publishing Corporation，New Jersey，USA，1995.

［4］管濤，馮博琴．Choquet模糊積分的粗糙性及信息融合［J］．西安交通大學(xué)學(xué)報(bào)，2004，38(12) : 1 251－1 254. GUAN Tao，F(xiàn)ENG Bo-qin．Choquet fuzzy integral and information fusion［J］．Journal of Xi’an Jiaotong University，2004，38(12) : 1 251－1 254.

［5］石東源，熊國江，陳金富，等．基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和模糊積分融合的電網(wǎng)分區(qū)故障診斷［J］．中國電機(jī)工程學(xué)報(bào)，2014，34(4) : 562－568. SHI Dong-yuan，XIONG Guo-jiang，CHEN Jin-fu，et al．The grid partition diagnosis fault based on RBF and fuzzy integral fusion［J］．Proceedings of the Csee，2014，34(4) : 562－568.

［6］陳雅君，曲仕茹．車輛行駛安全運(yùn)行決策研究［J］．測控技術(shù)，2011，30(10) : 92－95. CHEN Ya-jun，QU shi-ru．Active-safely operation decision of highway vehicles［J］．Journal of Measurement and Control Technology，2011，30(10) : 92－95.

［7］張延龍，王俊勇．多傳感器數(shù)據(jù)融合技術(shù)概述［J］．艦船電子工程，2013(2) : 41－44. ZHANG Yan-long，WANG Jun-yong．Summary of multisensor data fusion technology［J］．Journal of Electronic Engineering，2013(2) : 41－44.

［8］江帆，李偉，曹保鈺，等．基于RBF神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)子－軸承系統(tǒng)故障診斷［J］．軸承，2012(2) : 30－33. JIANG Fan，LI Wei，CAO Bao-yu，et al．The rotor-bearing system based on RBF neural network fault diagnosis ［J］．Bearing，2012(2) : 30－33.

［9］趙研，盧奕南，權(quán)勇．基于模糊積分多源數(shù)據(jù)融合的蛋白質(zhì)功能預(yù)測［J］．南京大學(xué)學(xué)報(bào)，2012，48 (1) : 63－69. ZHAO Yan，LU Yi-nan，QUAN Yong．Protein function prediction based on the fuzzy integral multi-source data fusion［J］．Journal of Nanjing University，2012，48(1) : 63－69.

［10］趙志偉．基于模糊積分的多分類器融合方法研究［D］．長沙:長沙理工大學(xué)，2009. ZHAO Zhi-wei．Multiple classifier fusion method based on fuzzy integral research［D］．Changsha: Changsha U-niversity of Science and Technology，2009.

［11］王琳．刮板輸送機(jī)故障分析與技術(shù)改進(jìn)研究［D］．西安:西安科技大學(xué)，2006. WANG Lin．The analysis and technical improvement research of scraper conveyor［D］．Xi’an: Xi’an University of Science and Technology，2006.

Scraper conveyor fault analysis based on RBF fuzzy integral multisensor data fusion

ZHANG Yong-qiang1，2，MA Xian-min1，LIANG Lan1
(1. College of Electrical and Control Engineering，Xi’an University of Science and Technology，Xi’an 710054，China; 2. Branch of Mining Machinery Manufacturing Maintenance Co．，Ltd．，Shenhua Ningxia Coal Industry Group，Yinchuan 750001，China)

Abstract:Scraper conveyor is one of the most important equipment in the coal mine．The current status of fault diagnosis on scraper conveyor was introduced briefly．According to the data fusion theory，the fault diagnosis method of scraper conveyor is proposed based on RBF and fuzzy integral method to solve the difficulty problem which the fault variety and parameters are interconnected．In the characteristics level RBF algorithm is used，the homologous data for each kind of fault fuzzy measure is got，so that the homologous data can be quickly convergent and linearly separable in high dimensional space．In the decision level the fuzzy integral algorithm is adopted．It used the fuzzy measure by fuzzy integral calculation，got the predictive results of the scraper conveyor fault information，simplified redundant information and reduced the relevance of failure influence for good fault tolerance．The research example of the reducer motor fault diagnosis in scraper conveyor shows that the suggested method can overcome the uncertainty of fault type，ensure the completeness of fault data overall and improve the precision of fault diag-book=272,ebook=125nosis for scraper conveyor fault diagnosis．

Key words:data fusion; RBF; fuzzy set integral; scraper conveyor

通訊作者:張永強(qiáng)(1968－)，男，寧夏隆德人，高級(jí)工程師，E-mail: zhyq732@ sina．com

基金項(xiàng)目:國家自然科學(xué)基金(51277149)

*收稿日期:2015－12－20責(zé)任編輯:高佳

DOI:10．13800/j．cnki．xakjdxxb．2016．0219

文章編號(hào):1672－9315(2016) 02－0271－04

中圖分類號(hào):TD 528

文獻(xiàn)標(biāo)志碼:A