基于自組織特征映射網(wǎng)絡(luò)的采煤機(jī)故障診斷

?，摤?林園園 徐 彤

（江蘇師范大學(xué)科文學(xué)院，江蘇 徐州 221132）

目前針對(duì)采煤機(jī)故障診斷方法包括：鐵譜分析法、傳感器檢測(cè)法、故障歷史查詢法、專家診斷和人工神經(jīng)網(wǎng)絡(luò)等[1-2]。其中鐵譜分析法是借助磁力將金屬顆粒從油液中分離出來，通過分析其磨損程度，進(jìn)而判斷故障原因，但該方法操控復(fù)雜。傳感器檢測(cè)法和故障歷史查詢法雖簡(jiǎn)單易行，但僅限于判斷已知或直接關(guān)聯(lián)的故障，對(duì)新出現(xiàn)或間接故障卻無法識(shí)別。專家診斷法需提前總結(jié)出一套合理的規(guī)則知識(shí)庫(kù)，但如何獲取準(zhǔn)確有效的規(guī)則機(jī)制，實(shí)現(xiàn)起來又很困難。因此，為克服上述各類方法功能不全或不易實(shí)現(xiàn)的弊端，提出了一種基于自組織特征映射（SOM）神經(jīng)網(wǎng)絡(luò)的采煤機(jī)故障診斷方法[3-4]。

1 SOM 神經(jīng)網(wǎng)絡(luò)

自組織特征映射（SOM）是一種競(jìng)爭(zhēng)學(xué)習(xí)網(wǎng)絡(luò)，通過模擬人腦來“聚類”外部輸入信息，具有無監(jiān)督、自組織、自學(xué)習(xí)等特點(diǎn)，適用于數(shù)據(jù)聚類、圖像處理等，網(wǎng)絡(luò)結(jié)構(gòu)如圖1。

圖1 SOM 神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

由圖1 可知，SOM 神經(jīng)網(wǎng)絡(luò)由具有全連接形式的“輸入層和輸出層”兩層神經(jīng)元組成。其工作原理及特點(diǎn)是，外界信號(hào)輸入網(wǎng)絡(luò)時(shí)，網(wǎng)絡(luò)將會(huì)根據(jù)輸入信號(hào)的數(shù)據(jù)特征信息，進(jìn)行數(shù)據(jù)特征聚類，經(jīng)過大量數(shù)據(jù)集的無監(jiān)督網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練，最終輸出層神經(jīng)元會(huì)被分為不同的聚類區(qū)域，不同的聚類區(qū)域會(huì)對(duì)具有不同特征的輸入信號(hào)具備不同的“激活”特性。綜上，SOM 神經(jīng)網(wǎng)絡(luò)具有對(duì)輸入信號(hào)的模式特征提取的能力，在完成基本的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)后，經(jīng)過輸入訓(xùn)練數(shù)據(jù)集進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)的迭代學(xué)習(xí)訓(xùn)練，最終可得到連接權(quán)值趨于穩(wěn)定的網(wǎng)絡(luò)結(jié)構(gòu)，之后該網(wǎng)絡(luò)即可用于實(shí)際數(shù)據(jù)聚類分析。

2 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

依據(jù)SOM 神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)和原理，本文以MG300/700-WD 型交流電牽引采煤機(jī)為研究對(duì)象進(jìn)行SOM 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)。經(jīng)多次現(xiàn)場(chǎng)調(diào)研和數(shù)據(jù)分析，總結(jié)出該型采煤機(jī)故障發(fā)生部位主要集中在液壓主泵、輔助泵、補(bǔ)油泵、截割電機(jī)和冷卻系統(tǒng)[5]。因此，可以設(shè)法通過對(duì)這些部位相關(guān)特征參數(shù)的分析提取，從而快速判定故障原因和故障部位。通過對(duì)該型采煤機(jī)常見故障及原因分析匯總，可提取采煤機(jī)故障特征包括：空載補(bǔ)油壓力x1，帶載補(bǔ)油壓力x2，液壓主泵出口壓力x3，油液馬達(dá)主供回油流量差x4，搖臂升降耗時(shí)x5，截割機(jī)電流x6，截割機(jī)溫度x7，冷卻系統(tǒng)壓力x8，冷卻系統(tǒng)流量x9。故障原因（異常）包括：系統(tǒng)正常y1，液壓主泵異常y2，液壓補(bǔ)油泵異常y3，濾油器阻塞y4，液壓輔助泵異常y5，油液馬達(dá)異常y6，截割機(jī)過載y7，冷卻系統(tǒng)異常y8。

綜上，根據(jù)SOM 神經(jīng)網(wǎng)絡(luò)的基本特性和上述采煤機(jī)故障特征及故障原因，可確定所要設(shè)計(jì)的SOM 神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)為9 個(gè)，對(duì)應(yīng)采煤機(jī)的9 個(gè)故障特征，網(wǎng)絡(luò)聚類輸出結(jié)果為8 個(gè)，對(duì)應(yīng)采煤機(jī)的8 個(gè)故障原因。表1 為包括8 組用于學(xué)習(xí)訓(xùn)練網(wǎng)絡(luò)模型的訓(xùn)練樣本數(shù)據(jù)和2 組用于后期模型功能驗(yàn)證的樣本數(shù)據(jù)。由8 組訓(xùn)練樣本數(shù)據(jù)集可確定SOM 神經(jīng)網(wǎng)絡(luò)輸入向量的維數(shù)為9×8。

表1 用于訓(xùn)練和驗(yàn)證的樣本數(shù)據(jù)

SOM 神經(jīng)網(wǎng)絡(luò)模型的輸出層神經(jīng)元個(gè)數(shù)的多少與訓(xùn)練所使用的集合樣本有多少的模式類數(shù)有關(guān)。如果輸出層神經(jīng)元的個(gè)數(shù)少于模式類數(shù)，則所得到的網(wǎng)絡(luò)訓(xùn)練的聚類輸出結(jié)果必然會(huì)將相近的模式類合并為一類，即聚類的輸出結(jié)果不夠細(xì)化。反之若輸出層神經(jīng)元的個(gè)數(shù)多于模式類數(shù)，則會(huì)將輸入向量的類別分得過細(xì)，容易出現(xiàn)“死節(jié)點(diǎn)”，即在網(wǎng)絡(luò)模型整個(gè)學(xué)習(xí)訓(xùn)練過程中，輸出層的某個(gè)或某些神經(jīng)元節(jié)點(diǎn)從未競(jìng)爭(zhēng)獲勝過，其權(quán)值也從未更新過。為防止出現(xiàn)上述兩種極端情況，經(jīng)仿真論證，最終確定SOM 神經(jīng)網(wǎng)絡(luò)的輸出層神經(jīng)元個(gè)數(shù)為36 個(gè)，即輸出層網(wǎng)絡(luò)結(jié)構(gòu)為6×6，輸入層神經(jīng)元個(gè)數(shù)為9個(gè)。

3 Matlab 仿真

針對(duì)設(shè)計(jì)的SOM 網(wǎng)絡(luò)結(jié)構(gòu)，利用newsom(min max(P),[d1,d2,...])和train(net,P) 函數(shù)進(jìn)行學(xué)習(xí)訓(xùn)練。其中，newsom 用來創(chuàng)建SOM 網(wǎng)絡(luò)，train 用來訓(xùn)練創(chuàng)建好的神經(jīng)網(wǎng)絡(luò)。上述函數(shù)中涉及的參數(shù)P、[d1,d2,...]及net 分別表示輸入的樣本矩陣、輸出層結(jié)構(gòu)及設(shè)計(jì)的SOM 網(wǎng)絡(luò)。輸入的樣本矩陣P 為表1 中的8 組訓(xùn)練樣本數(shù)據(jù)，[d1,d2,...]=[6,6]，仿真步驟如下。

（1）對(duì)輸入的樣本矩陣P 進(jìn)行轉(zhuǎn)置，創(chuàng)建SOM 網(wǎng)絡(luò)net=newsom(min max(P),[6,6])。

（2）網(wǎng)絡(luò)創(chuàng)建后，利用train(net,P)函數(shù)進(jìn)行學(xué)習(xí)訓(xùn)練，共進(jìn)行了5 次仿真學(xué)習(xí)訓(xùn)練，最終所得的特征分類結(jié)果見表2。

表2 特征分類結(jié)果

表2 中“N”即代表相應(yīng)的“故障樣本”，“Ni”（i=1～8）代表故障樣本yi，即與故障原因yi相對(duì)應(yīng)的樣本集。如表2 所示，當(dāng)訓(xùn)練的次數(shù)為100 次時(shí)，可將采煤機(jī)的故障樣本聚歸為五類，不能夠用于實(shí)際聚類應(yīng)用，此時(shí)的分類不夠細(xì)化，因此需要對(duì)訓(xùn)練的次數(shù)進(jìn)行加大。當(dāng)訓(xùn)練次數(shù)分別增加到200 和300 次時(shí)，故障樣本被進(jìn)一步細(xì)化，被分為了六類，但仍未滿足設(shè)計(jì)要求。當(dāng)訓(xùn)練次數(shù)達(dá)到500 和1000次時(shí)，故障樣本已經(jīng)被分為了八類，即每個(gè)故障樣本均被單獨(dú)分為一類，此時(shí)便可以區(qū)分出不同的故障類型。以1000 次訓(xùn)練所得的網(wǎng)絡(luò)模型和輸出結(jié)果為最終研究對(duì)象。為了更加直觀有效地判定所設(shè)計(jì)的SOM 神經(jīng)網(wǎng)絡(luò)在輸出層上競(jìng)爭(zhēng)勝利神經(jīng)元節(jié)點(diǎn)的分布情況，通過進(jìn)一步利用plotsomhit s(net,P)函數(shù)對(duì)神經(jīng)元“獲勝”分布情況進(jìn)行仿真，結(jié)果如圖2。共36 個(gè)（對(duì)神經(jīng)元的排序按照先左后右、先下后上的順序，如最左下角為1 號(hào)神經(jīng)元，最右上角為36 號(hào)神經(jīng)元），其中白色六邊形28 個(gè)，深色六邊形（標(biāo)記“1”）8 個(gè)。為了敘述方便，下面均以顏色簡(jiǎn)稱。白色表示競(jìng)爭(zhēng)未獲勝神經(jīng)元，深色表示輸出層競(jìng)爭(zhēng)獲勝的神經(jīng)元，其神經(jīng)元編號(hào)與故障原因一一對(duì)應(yīng)，即當(dāng)發(fā)生此類故障時(shí)，相應(yīng)的神經(jīng)元就會(huì)被“激活”，從而用于判斷發(fā)生故障的原因。通過仿真，匯總出獲勝神經(jīng)元與故障原因?qū)?yīng)關(guān)系見表3。

圖2 “獲勝”神經(jīng)元分布

表3 獲勝神經(jīng)元與故障原因?qū)?yīng)關(guān)系

為了驗(yàn)證上述設(shè)計(jì)的SOM 神經(jīng)網(wǎng)絡(luò)模型是否滿足設(shè)計(jì)要求，采用sim(net,P)和vec2ind(r)函數(shù)進(jìn)行仿真驗(yàn)證，即r=sim(net,P)，rr=vec2ind(r)。通過將表1 中的2 組驗(yàn)證樣本數(shù)據(jù)輸入本SOM 網(wǎng)絡(luò)，最終仿真輸出結(jié)果rr 的值分別為16 和12，即被“激活”的神經(jīng)元分別為16 號(hào)和12 號(hào)。由表3 可知，16 號(hào)神經(jīng)元對(duì)應(yīng)的分類結(jié)果為“主泵異常y2”，即故障發(fā)生在液壓系統(tǒng)主泵；12 號(hào)神經(jīng)元對(duì)應(yīng)的分類結(jié)果為“補(bǔ)油泵異常y3”，即故障發(fā)生在液壓系統(tǒng)補(bǔ)油泵。仿真輸出結(jié)果與表1 所統(tǒng)計(jì)的2 組驗(yàn)證樣本數(shù)據(jù)對(duì)照情況完全一致，圖3 為神經(jīng)元激活分布情況圖。

圖3 “激活”神經(jīng)元分布

4 結(jié)論

針對(duì)傳統(tǒng)采煤機(jī)故障診斷技術(shù)的弊端，將SOM神經(jīng)網(wǎng)絡(luò)應(yīng)用于采煤機(jī)故障診斷研究。通過理論分析和仿真試驗(yàn)論證，并結(jié)合現(xiàn)場(chǎng)采煤機(jī)的故障特征及故障原因數(shù)據(jù)，利用Matlab 創(chuàng)建并訓(xùn)練出適用于采煤機(jī)的SOM 神經(jīng)網(wǎng)絡(luò)故障診斷模型。最后，通過與現(xiàn)場(chǎng)實(shí)際故障樣本數(shù)據(jù)統(tǒng)計(jì)結(jié)果的仿真對(duì)比，驗(yàn)證了該方法的可行性和正確性，為進(jìn)一步的工程實(shí)踐應(yīng)用奠定了理論技術(shù)基礎(chǔ)。