提升機(jī)現(xiàn)場(chǎng)數(shù)據(jù)的載荷預(yù)測(cè)模型研究

鄭 彤，楊兆建，楊 波

（1.太原理工大學(xué)機(jī)械工程學(xué)院，山西 太原 030024；2.煤礦綜采裝備山西省重點(diǎn)實(shí)驗(yàn)室，山西 太原 030024）

1 引言

礦井提升系統(tǒng)是連接煤礦井下和井上的重大固定設(shè)備之一，其動(dòng)力學(xué)特性和提升能力是煤礦生產(chǎn)的重要影響因素[1]。隨著煤礦資源的開采和科學(xué)技術(shù)提高，對(duì)提升機(jī)也提出了更高的要求。為了保證提升機(jī)運(yùn)行過程的穩(wěn)定性和安全性，提升機(jī)的載荷測(cè)量就顯得尤為重要。目前，人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network）在載荷識(shí)別領(lǐng)域表現(xiàn)不俗，并且廣泛應(yīng)用于故障診斷、數(shù)字識(shí)別、以及載荷參數(shù)識(shí)別等領(lǐng)域[2]。

文獻(xiàn)[3]針對(duì)水電廠房結(jié)構(gòu)的震動(dòng)響應(yīng)使用LM 優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行動(dòng)態(tài)識(shí)別。文獻(xiàn)[4]采用GA 的BP 模型成功的以較高的精度識(shí)別了飛行載荷。文獻(xiàn)[5]運(yùn)用遞歸神經(jīng)網(wǎng)絡(luò)算法對(duì)直流電機(jī)的負(fù)載進(jìn)行了分析并與之前的文獻(xiàn)所述方法進(jìn)行了對(duì)比。文獻(xiàn)[6]使用神經(jīng)網(wǎng)絡(luò)來識(shí)別鋼絲繩載荷模型。同時(shí)也有許多學(xué)者針對(duì)提升機(jī)的載荷辨識(shí)進(jìn)行了研究。文獻(xiàn)[7]建立了礦井提升系統(tǒng)的動(dòng)力學(xué)模型，通過模態(tài)分析方法計(jì)算得出系統(tǒng)的動(dòng)態(tài)特性參數(shù)，并討論了不同工況下的動(dòng)載響應(yīng)特性。文獻(xiàn)[8]從仿真角度分析了速度曲線下各種典型載荷的運(yùn)行特性和載荷特性之間的關(guān)系。以某礦副立井JKM-2.8×6（I）A 型井塔式多繩摩擦式提升機(jī)為研究對(duì)象，應(yīng)用多種神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和載荷預(yù)測(cè)，并且進(jìn)行了對(duì)比。

2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP（Back Progagation）神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)之一[9]。三層BP 網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，如圖1 所示。這種神經(jīng)網(wǎng)絡(luò)的特點(diǎn)是：各個(gè)神經(jīng)元是無反饋連接的，且各內(nèi)層神經(jīng)元之間沒有任何聯(lián)接，只有相鄰的神經(jīng)元之間是聯(lián)接的。

RBF（Radial Basis Function）神經(jīng)網(wǎng)絡(luò)是基于人腦神經(jīng)元細(xì)胞對(duì)外界的局部性而提出的，是一種新穎而有效的前饋式神經(jīng)網(wǎng)絡(luò)，具有比較高的運(yùn)算速度和非線性映射功能[10]。RBF 是一種三層前饋網(wǎng)絡(luò)（類似圖1），不同的是神經(jīng)元的作用函數(shù)為radbas（高斯函數(shù)）。它的優(yōu)點(diǎn)是學(xué)習(xí)速率很快。

圖1 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 BP Neural Network Structure

Elman 神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的靜態(tài)前饋神經(jīng)不同，它具有一個(gè)連接層[11]，有了這個(gè)連接層便可以構(gòu)成局部反饋。并且由于連接層的傳遞函數(shù)是線性函數(shù)，多了一個(gè)延遲單元，造成連接層對(duì)于過去的狀態(tài)是有記憶功能的，并與網(wǎng)絡(luò)輸入一起作為下一時(shí)刻的隱函數(shù)的輸入，因此讓Elman 網(wǎng)絡(luò)是一種具有動(dòng)態(tài)記憶功能的神經(jīng)網(wǎng)絡(luò)。一般是用于時(shí)間序列的預(yù)測(cè)問題。網(wǎng)絡(luò)結(jié)構(gòu)，如圖2 所示。

圖2 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Elman Neural Network Structure

3 提升機(jī)數(shù)據(jù)選取及相關(guān)性分析

3.1 提升機(jī)設(shè)備簡(jiǎn)況及動(dòng)力學(xué)方程

試驗(yàn)對(duì)象選擇的是JKM2.8×6（I）A 型多繩提升機(jī)，用于馬蘭礦副立井主要承擔(dān)升降工作人員與井下設(shè)備、提升矸石等工作。現(xiàn)場(chǎng)設(shè)備布置，如圖3 所示。

圖3 JKM2.8×6（I）A 型多繩提升機(jī)Fig.3 The JKM-2.8×6（I）A Multi-Rope Friction Hoist

提升系統(tǒng)圖，如圖4 所示。由于對(duì)數(shù)據(jù)進(jìn)行初步分析，提升機(jī)上提重載和下放重載對(duì)應(yīng)的數(shù)據(jù)有較大差異，因此區(qū)分提升和下放進(jìn)行動(dòng)力學(xué)分析如下：

如圖4（b）所示下放重載時(shí)兩側(cè)鋼絲繩的張力差為：

式中：Fsj—提升側(cè)鋼絲繩張力；

Fxj—下放側(cè)鋼絲繩張力；

Q—載荷；

Qz—容器自重；

m、n—主繩根數(shù)、尾繩根數(shù)；

p、q—單根主繩重量、單根尾繩重量；

Δ—主、尾繩單重差，Δ=mp-nq；

Hc—鋼絲繩懸垂長(zhǎng)度，Δ=Hc+Hk+Hh；

Hk—提升容器至主軸中心高度；

Ht—提升高度；Hh—尾繩高度；

h—容器下放或提升距離；

ws、wx—上升側(cè)和下放側(cè)的礦井阻力，對(duì)于罐籠取0.1Q，箕斗取0.075Q；

K—礦井阻力系數(shù)，對(duì)于罐籠取1.2，箕斗取1.15。

圖4 提升系統(tǒng)圖Fig.4 Lift System Diagram

可以看出，提升與下放時(shí)的載荷有區(qū)別的，因此應(yīng)該區(qū)分提升和下放數(shù)據(jù)進(jìn)行分析。以提升工況為例進(jìn)行分析。

3.2 現(xiàn)場(chǎng)數(shù)據(jù)獲取及相關(guān)性分析

所謂現(xiàn)場(chǎng)數(shù)據(jù)，就是提升機(jī)提升時(shí)的實(shí)時(shí)數(shù)據(jù)以及載荷數(shù)據(jù)，這里的載荷主要是指兩根鋼絲繩的張力差，統(tǒng)計(jì)方法是統(tǒng)計(jì)每次對(duì)應(yīng)提升人或者矸石的重量，每人按照70kg 約算。研究中選取了具有代表性的易量化處理的運(yùn)行系統(tǒng)數(shù)據(jù)和電控系統(tǒng)的15種數(shù)據(jù)。通過SPSS19.0 軟件相關(guān)性分析，采用皮爾遜相關(guān)系數(shù)計(jì)算負(fù)荷與其影響因素的相關(guān)系數(shù)。

所得載荷影響因素的原始數(shù)據(jù)，如表1 所示。

表1 原始數(shù)據(jù)Tab.1 Raw Data

4 自適應(yīng)BP 神經(jīng)網(wǎng)絡(luò)構(gòu)建

4.1 確定模型的輸入輸出向量

以上述的八種工況數(shù)據(jù)為輸入變量，提升過程中載荷為輸出變量。隨機(jī)選取2000 條數(shù)據(jù)為訓(xùn)練樣本，剩余的200 條數(shù)據(jù)為測(cè)試樣本。

4.2 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理是為了解決實(shí)際得到的數(shù)據(jù)的不完整或者臟數(shù)據(jù)的問題。通常采用的數(shù)據(jù)處理方法有兩種，一種是數(shù)據(jù)歸一化屬于數(shù)據(jù)變換，另一個(gè)是PCA 數(shù)據(jù)降維，屬于數(shù)據(jù)歸約。

由于數(shù)據(jù)單位和量級(jí)不同，為了避免訓(xùn)練過程中因數(shù)據(jù)原因而造成過大的網(wǎng)絡(luò)訓(xùn)練誤差。需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。目前最為常用的方法是最大最小法，即將所有的數(shù)據(jù)轉(zhuǎn)換到0 和1 之間，函數(shù)形式如下[12]：

式中：xmin—數(shù)據(jù)序列中的最小值；xmax—序列中的最大值。

4.3 確定網(wǎng)絡(luò)層數(shù)和隱含層節(jié)點(diǎn)數(shù)

BP 神經(jīng)網(wǎng)絡(luò)包含一個(gè)或多個(gè)隱含層。已經(jīng)有理論上證明，單個(gè)隱函層的網(wǎng)絡(luò)可以通過適當(dāng)?shù)脑黾由窠?jīng)元節(jié)點(diǎn)的個(gè)數(shù)實(shí)現(xiàn)任意非線性映射。因此，采用了單隱含層前饋網(wǎng)BP 網(wǎng)絡(luò)。

隱函數(shù)的選擇對(duì)BP 神經(jīng)網(wǎng)絡(luò)非常重要，直接影響了訓(xùn)練誤差和訓(xùn)練時(shí)間。一般采用如下經(jīng)驗(yàn)公式估計(jì)[13]：

式中：c—隱含層節(jié)點(diǎn)數(shù)；m—輸入層節(jié)點(diǎn)數(shù)取8；n—輸出層節(jié)點(diǎn)數(shù)取1；a—1～10 之間的常數(shù)。因此取值范圍為［4，13］。在確定了傳遞函數(shù)和訓(xùn)練函數(shù)的情況下，對(duì)樣本集進(jìn)行不同節(jié)點(diǎn)數(shù)的訓(xùn)練結(jié)果，如圖5 所示。

圖5 節(jié)點(diǎn)數(shù)對(duì)訓(xùn)練誤差的影響Fig.5 The Influence of Nodes on Training Error

可見，當(dāng)隱函數(shù)節(jié)點(diǎn)數(shù)為9 時(shí)，訓(xùn)練誤差最小。

4.4 選擇合適的傳遞函數(shù)和訓(xùn)練方法

傳遞函數(shù)選擇：傳遞函數(shù)是BP 神經(jīng)網(wǎng)絡(luò)的重要組成部分，傳遞函數(shù)的選擇直接影響到訓(xùn)練的正確性和準(zhǔn)確度。傳遞函數(shù)總體上分為三類：線性傳遞函數(shù)、非線性傳遞函數(shù)、閾值傳遞函數(shù)等。在本例中，經(jīng)過誤差對(duì)比選擇隱含層函數(shù)為tansig 輸出層函數(shù)為purelin。訓(xùn)練函數(shù)的選擇：經(jīng)過對(duì)比幾種訓(xùn)練函數(shù)Trainlm函數(shù)訓(xùn)練速度快效率高，所以選擇它為訓(xùn)練函數(shù)。

4.5 結(jié)果及分析

構(gòu)建了自適應(yīng)BP 神經(jīng)網(wǎng)絡(luò)，輸入層為提升機(jī)運(yùn)行過程中8 種數(shù)據(jù)，輸出層為對(duì)應(yīng)提升過程的載荷。經(jīng)過多次優(yōu)化計(jì)算，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)為：輸入層節(jié)點(diǎn)數(shù)，隱含層節(jié)點(diǎn)數(shù)，輸出層節(jié)點(diǎn)數(shù)分別為8、9、1。設(shè)定網(wǎng)絡(luò)的訓(xùn)練函數(shù)為Trainlm，學(xué)習(xí)函數(shù)為L(zhǎng)earngdm，學(xué)習(xí)率0.07，迭代最大次數(shù)1000，目標(biāo)精度0.000000001，動(dòng)量因子是0.8。采用2000 條數(shù)據(jù)訓(xùn)練設(shè)置好的BP神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)在第15 步取得收斂，運(yùn)行時(shí)間0.3s，其性能曲線，如圖6 所示。

圖6 BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練Fig.6 BP Neural Network Training

利用訓(xùn)練好的網(wǎng)絡(luò)對(duì)提升機(jī)載荷進(jìn)行識(shí)別。隨機(jī)選取200組提升過程中的運(yùn)行數(shù)據(jù)和電控?cái)?shù)據(jù)，對(duì)載荷進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果，如圖7 所示。絕對(duì)誤差和相對(duì)誤差，如表2 所示（隨機(jī)選取五組展示）。

圖7 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果Fig.7 Neural Network Prediction Result

從表2 和圖7 可以看出，BP 神經(jīng)網(wǎng)絡(luò)對(duì)于現(xiàn)場(chǎng)提升機(jī)載荷的預(yù)測(cè)具有非常大的優(yōu)勢(shì)，相對(duì)誤差控制在4%以內(nèi)。并且經(jīng)過權(quán)重計(jì)算，如表3 所示。加速度段主電機(jī)電流平均值所占權(quán)重約為0.32，而最大啟動(dòng)電流、平均加速度、平均減速度所占權(quán)重最小約為0.04。表明，根據(jù)BP 神經(jīng)網(wǎng)絡(luò)建立的此載荷模型，加速度段主電機(jī)電流平均值對(duì)載荷預(yù)測(cè)的結(jié)果影響最大。

表2 絕對(duì)誤差和相對(duì)誤差Tab.2 Absolute Error and Relative Error

表3 輸入數(shù)據(jù)的權(quán)重Tab.3 Input Data Weight

5 預(yù)測(cè)結(jié)果對(duì)比

RBF 神經(jīng)網(wǎng)絡(luò)選擇中心節(jié)點(diǎn)為25，中心寬度1.4。Elman 神經(jīng)網(wǎng)絡(luò)選擇最優(yōu)隱函數(shù)節(jié)點(diǎn)數(shù)為16。RBF 和Elman 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果分別，如圖8、圖9 所示。利用RBF 神經(jīng)網(wǎng)絡(luò)對(duì)提升機(jī)現(xiàn)場(chǎng)數(shù)據(jù)的訓(xùn)練，在第25 步取得收斂，而Elman 神經(jīng)網(wǎng)絡(luò)在第114步取得收斂，并且均方誤差均＞BP 神經(jīng)網(wǎng)絡(luò)所得到的10-3。利用RBF 和Elman 神經(jīng)網(wǎng)絡(luò)的平均相對(duì)誤差為5.31%和11.69%可見，與RBF 和Elman 神經(jīng)網(wǎng)絡(luò)相比，在此問題上自適應(yīng)BP 神經(jīng)網(wǎng)絡(luò)更具有優(yōu)勢(shì)，如表4 所示。

圖8 RBF 神經(jīng)網(wǎng)絡(luò)訓(xùn)練Fig.8 RBF Neural Network Training

圖9 Elman 神經(jīng)網(wǎng)絡(luò)訓(xùn)練Fig.9 Elman Network Training

表4 三種神經(jīng)網(wǎng)絡(luò)誤差對(duì)比Tab.4 Comparison of Three Neural Network Errors

6 結(jié)論

（1）數(shù)據(jù)源為提升機(jī)現(xiàn)場(chǎng)的大量數(shù)據(jù)，利用大數(shù)據(jù)和SPSS軟件提取出影響載荷的特征數(shù)據(jù)，并建立神經(jīng)網(wǎng)絡(luò)，指出一種可以識(shí)別提升機(jī)動(dòng)態(tài)載荷的方法。

（2）與其他兩種神經(jīng)網(wǎng)絡(luò)相比，在處理提升機(jī)現(xiàn)場(chǎng)數(shù)據(jù)時(shí)，學(xué)習(xí)率自適應(yīng)的BP 神經(jīng)網(wǎng)絡(luò)可以得到更為滿意的載荷預(yù)測(cè)精度，平均相對(duì)誤差為3.57%，而利用RBF 和Elman 神經(jīng)網(wǎng)絡(luò)的平均相對(duì)誤差為5.31%和11.69%，由此可見，采用自適應(yīng)的BP 神經(jīng)網(wǎng)絡(luò)在此問題上優(yōu)于其他兩種神經(jīng)網(wǎng)絡(luò)。

（3）基于現(xiàn)場(chǎng)數(shù)據(jù)的載荷分析可以為摩擦式提升機(jī)載荷監(jiān)測(cè)提供參考，也可以進(jìn)一步為現(xiàn)場(chǎng)的安全生產(chǎn)與維護(hù)提供理論參考依據(jù)，非常具有現(xiàn)實(shí)指導(dǎo)意義。