液壓支架故障預(yù)測研究

王 穎

（晉能控股裝備制造集團(tuán)中央機(jī)廠環(huán)保中心， 山西 大同 037001）

引言

液壓支架是綜采工作面開采的重要設(shè)備之一，主要作用為對工作面頂板提供支護(hù)，保證開采作業(yè)空間的安全穩(wěn)定。由于液壓支架工作負(fù)載較大、結(jié)構(gòu)較為復(fù)雜、工作環(huán)境條件較差，液壓支架的故障發(fā)生較為頻繁，對企業(yè)的安全高效生產(chǎn)影響巨大。隨著煤炭設(shè)備智能化的不斷發(fā)展，事后維修已逐漸不能滿足企業(yè)發(fā)展的腳步。針對這一現(xiàn)象，本文提出了運(yùn)用支持向量機(jī)的方法進(jìn)行故障預(yù)測分析，以期對故障作出提前預(yù)測維修，保證企業(yè)的正常生產(chǎn)，提高企業(yè)生產(chǎn)效率。

1 故障預(yù)測模型

液壓支架的故障發(fā)生之前設(shè)備運(yùn)行數(shù)據(jù)都會有或多或少的變化，并存在一定的變化規(guī)律。運(yùn)用這一特點，本文設(shè)計出了液壓支架故障預(yù)測系統(tǒng)，以保證設(shè)備的正常運(yùn)轉(zhuǎn)，減少企業(yè)故障損失。故障預(yù)測模型建立的目標(biāo)為在故障發(fā)生1 h 以前，通過數(shù)據(jù)監(jiān)測預(yù)測故障的發(fā)生。其具體原理為通過對設(shè)備運(yùn)行數(shù)據(jù)分析后，在1 h 以前對會發(fā)生故障的支架與不會發(fā)生故障的支架進(jìn)行預(yù)先正確分類，樣本標(biāo)簽為故障發(fā)生時間點的運(yùn)行情況。其數(shù)據(jù)關(guān)系如圖1 所示。

圖1 運(yùn)行數(shù)據(jù)與狀態(tài)關(guān)系示意圖

模型運(yùn)行的本質(zhì)為數(shù)據(jù)分類，采用支持向量機(jī)的方法進(jìn)行模型建立，運(yùn)用高斯徑向基核函數(shù)對監(jiān)測數(shù)據(jù)分類預(yù)測。具體步驟為：選取模型性能衡量評估指標(biāo)；收集液壓支架設(shè)備運(yùn)行數(shù)據(jù)，按相關(guān)監(jiān)測指標(biāo)分類，設(shè)備狀態(tài)與數(shù)據(jù)時間相隔設(shè)定為1 h，即使相隔1 h 的數(shù)據(jù)與指標(biāo)互為標(biāo)記；將處理后的數(shù)據(jù)進(jìn)行分類整理，整理為測試集與訓(xùn)練集兩類作為模型基礎(chǔ)；依據(jù)樣本訓(xùn)練集選取核參數(shù)；將預(yù)測模型進(jìn)行試驗檢驗，計算評估值是否達(dá)標(biāo)[1]。

2 故障預(yù)測設(shè)計

2.1 評估指標(biāo)

故障預(yù)測的算法評估應(yīng)以識別準(zhǔn)確率來進(jìn)行判別評分。將訓(xùn)練集中的樣本分為正樣本與負(fù)樣本兩種。其中，正樣本為發(fā)生故障的樣本，負(fù)樣本為未發(fā)生故障的樣本。將故障預(yù)測結(jié)果分為真正例、假正例、真負(fù)例與假負(fù)例四種。其中，真正例為預(yù)測故障樣本正確個數(shù)；假正例為預(yù)測故障樣本錯誤個數(shù)；真負(fù)例為預(yù)測未發(fā)生故障樣本正確個數(shù)；假負(fù)例為預(yù)測未發(fā)生故障樣本錯誤個數(shù)。運(yùn)用上述指標(biāo)進(jìn)行混淆矩陣建立，即可對模型好壞進(jìn)行評估，在混淆矩陣中主對角線指標(biāo)值越大，副對角線指標(biāo)越小，即代表該故障預(yù)測模型越好。最后，可通過混淆矩陣對反饋率、準(zhǔn)確率以及準(zhǔn)確度進(jìn)行相應(yīng)計算[2]。其中，反饋率為正確故障預(yù)測個數(shù)占故障總預(yù)測個數(shù)的比例；準(zhǔn)確率為預(yù)測正確個數(shù)占總預(yù)測個數(shù)；準(zhǔn)確度為故障預(yù)測正確個數(shù)占實際故障樣本總數(shù)的比例。

2.2 樣本選擇與整理

樣本來源于某公司所用的ZZ7800/22/45 型液壓支架，指標(biāo)值為底板比壓、管路壓力損失、立柱下腔壓力、潤滑油溫度、乳化液濃度、乳化液泵流量、泵站壓力、頂梁傾角、乳化油油位、移架位移偏差、電磁閥驅(qū)動端電流。在數(shù)據(jù)庫中取180 條故障數(shù)據(jù)，故障部位為千斤頂、操作閥、立柱、乳化液泵，180 條為非故障數(shù)據(jù)將數(shù)據(jù)樣本運(yùn)用MATLAB 標(biāo)準(zhǔn)化處理后導(dǎo)入SPSS 23 后可得KMO 與Bartlett 結(jié)果為0.866 與0.000。提取公式因子，進(jìn)行最大化旋轉(zhuǎn)，在SPSS 23輸入即可，軟件將自動生成樣本成分得分系數(shù)矩陣，如表1 所示。

表1 樣本成分得分系數(shù)矩陣

2.3 模型參數(shù)選取

支持向量機(jī)模型參數(shù)選取的常用方法包括網(wǎng)格搜索法、窮舉法、交叉驗證法和啟發(fā)式算法四種。前三種方法模型參數(shù)選取所用時間較長，且存在局部缺陷的可能，故選用啟發(fā)式算法。啟發(fā)式算法包括人工魚群算法、粒子群算法和遺傳算法[3]。其中，人工魚群算法分類準(zhǔn)確率較另外兩種更高，故選用人工魚群算法進(jìn)行模型參數(shù)選取。人工魚群算法模型參數(shù)選取流程如圖2 所示。人工魚群算法具體流程為：人工魚群初始化為對人工魚數(shù)量、擁擠度因子、步長、視野、初始位置以及試探次數(shù)的設(shè)置，選取準(zhǔn)確率最高的作為故障預(yù)測模型的目標(biāo)函數(shù)，代表人工魚食物濃度；參數(shù)c、g 與人工魚對應(yīng)為將c、g 兩個參數(shù)轉(zhuǎn)化為相應(yīng)的魚坐標(biāo)；公告板賦值為記錄人工魚所處狀態(tài)的最大食物濃度；人工魚的行為選擇為隨機(jī)進(jìn)行人工魚狀態(tài)目標(biāo)函數(shù)對比，選擇覓食、追尾或聚群動作；更新公告板為對人工魚狀態(tài)進(jìn)行實時更新，選取最優(yōu)值；如果滿足停止迭代條件則輸出懲罰參數(shù)c 與核參數(shù)g，如果不滿足則繼續(xù)進(jìn)行迭代，從第四步開始重新運(yùn)行。

圖2 人工魚群算法模型參數(shù)選取流程

人工魚群算法參數(shù)設(shè)置具體為：人工魚數(shù)量30，步長1，感知范圍0.5，最大試探次數(shù)20，擁擠度因子0.6，迭代次數(shù)100，懲罰系數(shù)與核參數(shù)0～30[4]。經(jīng)過人工魚群算法可得模型參數(shù)為懲罰參數(shù)c=1.3735，核參數(shù)g=3.6753。

3 故障預(yù)測模型驗證

采用人工魚群算法進(jìn)行c、g 參數(shù)運(yùn)算后，再運(yùn)用測試集對故障預(yù)測模型進(jìn)行準(zhǔn)確率驗證，其數(shù)據(jù)分類的結(jié)果如圖3 所示。

圖3 故障預(yù)測模型分類結(jié)果示意圖

通過驗證結(jié)果可知，故障預(yù)測模型對千斤頂故障預(yù)測準(zhǔn)確率為100%，立柱故障預(yù)測準(zhǔn)確率為100%，操作閥故障預(yù)測準(zhǔn)確率為88%，乳化液泵故障預(yù)測準(zhǔn)確率為100%，其總體準(zhǔn)確率為96.84%，全部預(yù)測結(jié)果中只有3 個假正例與假負(fù)例。其中，操作閥故障因故障發(fā)生1 h 前設(shè)備數(shù)據(jù)變化較小，易發(fā)生錯誤識別，其余故障預(yù)測皆較為準(zhǔn)確，故該故障模型準(zhǔn)確率符合相關(guān)要求，可應(yīng)用于實際生產(chǎn)之中。

4 結(jié)論

1）運(yùn)用支持向量機(jī)的方法可通過1 h 前的設(shè)備運(yùn)行數(shù)據(jù)對液壓支架進(jìn)行事故預(yù)測分析。

2）運(yùn)用上述方法進(jìn)行模型建立后，可較好地預(yù)測液壓支架故障。其中，對千斤頂故障預(yù)測準(zhǔn)確率為100%，立柱故障預(yù)測準(zhǔn)確率為100%，操作閥故障預(yù)測準(zhǔn)確率為88%，乳化液泵故障預(yù)測準(zhǔn)確率為100%，其總體準(zhǔn)確率為96.84%，符合故障模型要求，可應(yīng)用于實際生產(chǎn)中。