基于改進SAE 的提升機制動系統(tǒng)故障診斷

李娟莉，閆方元，苗棟，劉怡夢

（1. 太原理工大學(xué) 機械與運載工程學(xué)院，山西，太原 030024；2. 煤礦綜采裝備山西省重點實驗室，山西，太原 030024）

礦井提升機作為連接井上、井下的關(guān)鍵運輸設(shè)備，在煤礦安全生產(chǎn)中起重要作用. 制動系統(tǒng)是提升機的重要組成部分，可靠的制動系統(tǒng)是礦井提升機安全運行的必要保障，其潛在故障的存在會引起安全隱患. 開展對提升機制動系統(tǒng)故障診斷方法的研究，對于保障生產(chǎn)人員和設(shè)備的安全具有重要意義[1].

在傳統(tǒng)故障診斷領(lǐng)域，眾多學(xué)者針對礦井提升機的故障診斷方法開展了研究. 馬立玲等[2]將馬氏距離引入到支持向量機算法中，減少了數(shù)據(jù)中的噪聲干擾. 董磊等[3]提出了基于復(fù)雜網(wǎng)絡(luò)聚類算法的提升機故障診斷方法，實現(xiàn)了對故障數(shù)據(jù)的分類. 以上方法能夠?qū)崿F(xiàn)對提升設(shè)備的故障診斷，但是需要大量的先驗知識和人工干預(yù)，要求建模人員有足夠的經(jīng)驗.

近年來，由于傳感器技術(shù)的大量普及和人工智能技術(shù)的興起，不少學(xué)者將深度學(xué)習(xí)算法應(yīng)用于故障診斷領(lǐng)域，提高了故障診斷的準確率，數(shù)據(jù)的利用率更高[4-6]. 自編碼器作為一種無監(jiān)督學(xué)習(xí)的深度學(xué)習(xí)算法，在學(xué)習(xí)特征數(shù)據(jù)的過程中具有優(yōu)勢. 其中SAE 能降低神經(jīng)元之間的相互干擾，獲取的稀疏特征表達比其他的表達更有效. SUN 等[7]利用SAE 算法學(xué)習(xí)故障數(shù)據(jù)的特征表達，引入去噪編碼，提高了特征表示的魯棒性. LU 等[8]在自編碼器算法中加入噪聲訓(xùn)練，增強了魯棒性. 趙冬梅等[9]利用批量標準化對自編碼器進行優(yōu)化，優(yōu)化后的自編碼器算法，訓(xùn)練誤差更小，特征提取更佳.

為了降低人工干預(yù)對故障診斷結(jié)果的影響，提升特征挖掘能力，文中提出了一種基于Adam 和Dropout 優(yōu)化的SAE 神經(jīng)網(wǎng)絡(luò)故障診斷方法，采用無監(jiān)督學(xué)習(xí)獲取特征信息，并將其用于提升機的故障診斷中.

1 故障診斷方法整體框架

使用SAE 進行提升機制動系統(tǒng)故障診斷時，分為四個步驟：數(shù)據(jù)采集、數(shù)據(jù)處理、模型訓(xùn)練和模型測試. 故障診斷的整體框架如圖1 所示.

圖1 故障診斷框架Fig. 1 Fault diagnosis framework

①數(shù)據(jù)采集. 模型中使用的數(shù)據(jù)主要來源于提升機正常運行和故障模擬狀態(tài)下得到的監(jiān)測數(shù)據(jù).通過傳感器獲得制動系統(tǒng)的監(jiān)測數(shù)據(jù)，并導(dǎo)入到數(shù)據(jù)庫.

②數(shù)據(jù)處理. 對上一步獲取到的提升機監(jiān)測數(shù)據(jù)進行處理，提取故障特征，創(chuàng)建數(shù)據(jù)集，并將其劃分成訓(xùn)練集及測試集.

③模型訓(xùn)練. 構(gòu)建SAE 故障診斷模型，并對其進行優(yōu)化，使用訓(xùn)練集對模型參數(shù)進行迭代更新，獲得性能優(yōu)良的診斷模型.

④模型測試. 將測試數(shù)據(jù)集應(yīng)用在訓(xùn)練好的診斷模型中，驗證模型的有效性.

2 故障機理分析

以實驗室的2JTP-1.2 型提升機為例，該提升機采用盤式制動器進行制動，由碟形彈簧產(chǎn)生制動力，當制動油壓下降時，蝶形彈簧的壓力不斷減小，此時彈簧推動活塞，使閘瓦接近制動盤，產(chǎn)生制動力矩，提升機處于制動的過程. 反之，液壓油推動碟形彈簧，使閘瓦逐漸離開制動盤，提升機處于松閘的過程.

由于提升機結(jié)構(gòu)復(fù)雜加上工作環(huán)境的強振動、重負荷，制動系統(tǒng)失效產(chǎn)生的原因較多，常見的故障現(xiàn)象及原因分析如圖2 所示.

圖2 制動系統(tǒng)主要故障及原因Fig. 2 Main faults and causes of the brake system

閘瓦磨損太快：閘瓦性能的優(yōu)劣影響著制動力矩的大小，在制動器受力不均時，導(dǎo)致各閘瓦的接觸面積變小，閘瓦磨損加快，會造成剎車失靈，引發(fā)故障. 閘瓦間隙小、閘瓦接觸面不平、閘瓦間隙不均勻等因素可以加快閘瓦磨損.

閘瓦局部過熱：閘瓦的溫度過高，會燒毀制動盤，制動器不能產(chǎn)生制動力矩，造成制動失效. 閘瓦接觸面積小于60%、用閘過多且過猛、制動油壓過大等因素可以造成閘瓦局部過熱.

空動時間過長：提升機的空動時間過長（空動時間指的是保護回路斷電時，閘瓦接觸到制動盤所用的時間，根據(jù)《煤礦安全規(guī)程》的規(guī)定，盤式制動閘的空動時間不得超過0.3 s），會使作用在制動盤的制動力減小，導(dǎo)致無法及時制動，造成過卷和跑車事故.制動油殘壓過高、摩擦因數(shù)過小、閘瓦間隙過大、蝶形彈簧失效等因素可以導(dǎo)致空動時間過長.

液壓站油壓失壓：是指液壓系統(tǒng)不產(chǎn)生壓力或者產(chǎn)生的壓力不能達到最大油壓，可能導(dǎo)致提升機松不開閘，甚至導(dǎo)致閘瓦失效. 油溫過高、油液粘度過高、油液泄漏等因素可能導(dǎo)致液壓站油壓失壓.

由上述分析可知，影響制動系統(tǒng)運行狀態(tài)的參數(shù)主要包括閘瓦間隙、制動油壓、空動時間、液壓站殘壓等，分析這些參數(shù)能夠?qū)ΤＲ姷墓收犀F(xiàn)象進行診斷. 提升機在運行過程中，產(chǎn)生的監(jiān)測數(shù)據(jù)具有數(shù)據(jù)量大、數(shù)據(jù)冗余或缺失等特點，深度神經(jīng)網(wǎng)絡(luò)算法在分析數(shù)據(jù)規(guī)律、彌補缺失數(shù)據(jù)方面，具有較好的效果. 文中采用深度神經(jīng)網(wǎng)絡(luò)算法，對提升機的監(jiān)測數(shù)據(jù)進行處理和分析.

3 深度神經(jīng)網(wǎng)絡(luò)算法

無監(jiān)督特征學(xué)習(xí)是從無標簽數(shù)據(jù)中提取數(shù)據(jù)的特征表達，尤其在標簽數(shù)據(jù)較少的情況下，具有很大的優(yōu)勢[10]. SAE 作為一種典型的無監(jiān)督特征學(xué)習(xí)算法，在診斷模型中能夠獲取反映提升機運行狀態(tài)的特征.

3.1 稀疏自編碼器

自編碼器的基礎(chǔ)結(jié)構(gòu)包括3 層，如圖3 所示. 其第1 層為輸入層，用于接收輸入數(shù)據(jù)；第2 層為編碼層，也稱為隱藏層，用于提取數(shù)據(jù)中的特征信息，提取的特征也稱為編碼，編碼的維度取決于編碼層的節(jié)點數(shù)；第3 層為輸出層，就是通過解碼過程重構(gòu)為原始輸入數(shù)據(jù)，使得重構(gòu)誤差最小.

圖3 自編碼器結(jié)構(gòu)圖Fig. 3 Auto encoder structure

對于給定的數(shù)據(jù)X=（x1,x2,···,xm) （ 其中m為樣本的個數(shù)），假設(shè)f為編碼函數(shù)，則編碼層的數(shù)據(jù)表示為

在整個訓(xùn)練過程中，循環(huán)迭代更新權(quán)重和偏差，使成本函數(shù)的數(shù)值盡可能小.

3.2 Dropout 正則化

Dropout 方法常用于在網(wǎng)絡(luò)模型的訓(xùn)練過程中減少過擬合現(xiàn)象[11]. 按照一定概率控制神經(jīng)元的激活量，降低神經(jīng)元之間的相互干擾，使提取的特征表達更具代表性. 在文中的神經(jīng)網(wǎng)絡(luò)訓(xùn)練中，將采用Dropout 方法減少過擬合和提高特征提取能力.

算法的實際體現(xiàn)過程為：①初始設(shè)定一個范圍在(0,1]中的數(shù)X；②在每次訓(xùn)練迭代中，將隱藏神經(jīng)元的輸出隨機分配一個范圍在[0,1]的數(shù)Y；③如果某個神經(jīng)元的Y小于等于X，那么此神經(jīng)元的輸出保存，否則將此神經(jīng)元的輸出設(shè)為0，不參與循環(huán)迭代.

3.3 Adam 算法

Adam 算法是將RMS-Prop 算法和L2 范數(shù)相結(jié)合，對隨機梯度下降方法進行改進和優(yōu)化的一種算法[12]. 該算法的優(yōu)點是計算速度快、內(nèi)存使用較少、能較好地處理稀疏梯度的問題.

對于不同數(shù)據(jù)的收斂要求，需要有不同的學(xué)習(xí)率. 學(xué)習(xí)率的選取是Adam 算法根據(jù)矩估計的不同數(shù)值，進行自行選擇. 算法的實現(xiàn)過程為：①設(shè)置初始的學(xué)習(xí)率、矩估計的指數(shù)衰減速率；②建立目標函數(shù)的梯度，計算其對應(yīng)的偏矩估計；③修正矩估計的偏差，計算出更新量，進入下一步的迭代.

3.4 基于SAE 的故障診斷模型

在文中3.1 節(jié)經(jīng)典自編碼器模型的基礎(chǔ)上，結(jié)合Dropout 和Adam 算法，建立了基于SAE 的故障診斷模型. 模型的訓(xùn)練、測試過程如圖4 所示，具體的診斷過程如下.

圖4 診斷流程圖Fig. 4 The flowchart of the diagnosis method

（1）使用無標簽的訓(xùn)練數(shù)據(jù)集，初始化診斷模型的參數(shù).

①初始化設(shè)置稀疏常數(shù)、學(xué)習(xí)率、Dropout 比例等參數(shù)，調(diào)整權(quán)重和偏差，使診斷模型有較好的分類效果.

②計算隱藏層節(jié)點的平均激活量，使其接近稀疏常數(shù)；加入稀疏項后，計算每個輸出層的成本函數(shù)，迭代更新權(quán)重和偏差，使成本函數(shù)的數(shù)值盡可能小.

（2）使用有標簽的訓(xùn)練數(shù)據(jù)集，訓(xùn)練診斷模型，進行故障分類，獲取診斷規(guī)則.

①使用步驟（1）中獲取的權(quán)重和偏差等參數(shù)，初始化故障診斷模型；設(shè)置訓(xùn)練數(shù)據(jù)集大小、Dropout 和迭代次數(shù)等參數(shù)，進行故障模型訓(xùn)練.

②計算輸出層的成本函數(shù)，迭代微調(diào)權(quán)重和偏差，獲得提升機的診斷規(guī)則.

（3）使用有標簽的測試集，測試診斷模型的分類性能. 對比分類結(jié)果與標簽輸出結(jié)果，統(tǒng)計不同故障類型的故障診斷準確率.

上述的診斷模型發(fā)揮了SAE 網(wǎng)絡(luò)無監(jiān)督學(xué)習(xí)數(shù)據(jù)特征的能力，將提取的特征表達應(yīng)用在故障分類中，在此基礎(chǔ)上加入Dropout 正則化方法，使SAE 提取更有效的特征表達. 另外，對于故障數(shù)據(jù)稀疏的特點，基于動量的思想，采用Adam 算法對診斷模型進行迭代訓(xùn)練，減少了數(shù)據(jù)稀疏梯度對診斷結(jié)果的影響，縮短了訓(xùn)練時間.

4 試驗驗證

4.1 驗證過程

為了驗證文中提出的基于SAE 的神經(jīng)網(wǎng)絡(luò)方法對提升機故障診斷的效果，以實驗室2JTP-1.2 型提升機為研究對象，利用提升機故障試驗平臺采集正常狀態(tài)和多種故障下的數(shù)據(jù)進行分析.

試驗中，通過故障模擬，采集故障數(shù)據(jù)，故障模擬方法見課題組發(fā)表的論文[13]. 將試驗臺采集的數(shù)據(jù)，進行冗余、缺失及標準化等預(yù)處理后，獲得樣本數(shù)據(jù)集. 標準化數(shù)據(jù)處理的過程為：匯總同一種故障類型的數(shù)據(jù)，分別統(tǒng)計出其在95%置信度下的數(shù)據(jù)區(qū)間范圍，并以此作為數(shù)據(jù)離散化處理的依據(jù)，根據(jù)不同的區(qū)間范圍，把數(shù)據(jù)分成不同的類別，用數(shù)字0、1、2 表示. 隨機選取每類樣本數(shù)據(jù)中的1/2 作為訓(xùn)練數(shù)據(jù)集，剩下的1/2 作為測試數(shù)據(jù)集，每一組數(shù)據(jù)都包含有4 個數(shù)據(jù)采樣點. 試驗平臺如圖5 所示.部分樣本數(shù)據(jù)集如表1所示.

圖5 試驗平臺Fig. 5 Test platform

表1 中V1為閘瓦間隙；V2為制動油壓；V3為液壓站殘壓；V4為接觸面積百分比. 表中故障類型的符號含義詳見圖2，F(xiàn)0為正常運行狀態(tài)下的數(shù)據(jù).

表1 神經(jīng)網(wǎng)絡(luò)的檢驗樣本示例Tab. 1 Sample examples of neural network

4.2 診斷正確性分析

利用上文第3 節(jié)的算法，針對空動時間過長的故障現(xiàn)象，計算出可能的故障原因可信度數(shù)值如圖6所示.

圖6 故障現(xiàn)象與故障原因匹配的可信度Fig. 6 The reliability of the matching of the failure phenomenon and the failure cause

在圖6 中，故障原因的符號含義詳見圖2.C1的可信度為0.199，C2的可信度為0.336，C3的可信度為0.361，C4的可信度為0.103. 從圖6 中可以看出，閘瓦間隙過大引起空動時間過長的可能性大，下面對診斷結(jié)果進行驗證.

在提升機的制動過程中，出現(xiàn)空動時間過長的故障現(xiàn)象，由第2 節(jié)可以知道，導(dǎo)致空動時間過長的主要因素包括制動油殘壓過高、摩擦因數(shù)過小、閘瓦間隙過大和蝶形彈簧失效等. 在試驗之前，對每個閘的蝶形彈簧剛度和預(yù)壓縮量進行了測量，都使其達到標準要求，故排除了蝶形彈簧失效的因素；在實際運行中，摩擦因數(shù)在正常范圍內(nèi)，故排除了摩擦因數(shù)過小的因素；繪制制動油壓的曲線圖如圖7 所示，該圖可以說明制動油殘壓值小于0.5 MPa，在正常范圍內(nèi)，故排除了制動油殘壓過高的因素；根據(jù)閘瓦位移的數(shù)據(jù)，繪制出閘瓦位移曲線如圖8 所示，從圖8中可以看出，閘瓦間隙超限，由此判斷出該故障可能由閘瓦間隙過大引起，需要調(diào)整閘瓦間隙.

圖7 制動油壓曲線Fig. 7 Brake oil pressure curve

圖8 閘瓦位移曲線Fig. 8 Brake shoe displacement curve

4.3 結(jié)果分析

在前期的算法理論研究中，探究了不同比例的Dropout 對SAE 神經(jīng)網(wǎng)絡(luò)分類效果的影響，發(fā)現(xiàn)當Dropout 的比例為30%時，診斷模型能實現(xiàn)較好的分類效果，因此在診斷模型的試驗過程中將Dropout 方法的比例設(shè)置為30%.

為了測試不同數(shù)量的樣本數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)分類效果的影響，選取故障類型為F1的樣本數(shù)據(jù)，得到的試驗結(jié)果如圖9 所示. 從測試結(jié)果可以看出，在訓(xùn)練數(shù)據(jù)量少的情況下，隨著樣本數(shù)據(jù)增加，診斷模型準確率的提升效果更明顯，可以說明Dropout 方法在算法中可以有效地減少過擬合的現(xiàn)象；當樣本數(shù)據(jù)量較多時，診斷模型的準確率保持在93%以上.在SAE 中，由于Dropout 正則化方法對深度神經(jīng)網(wǎng)絡(luò)的實現(xiàn)效果有一定的影響，為了檢驗優(yōu)化后的SAE 診斷模型在礦井提升機故障診斷中的優(yōu)勢，本部分采用改進前的SAE 作對照組，用相同樣本對兩種不同的神經(jīng)網(wǎng)絡(luò)進行對比試驗. 避免單次試驗的偶然性，重復(fù)進行10 次試驗，統(tǒng)計模型診斷的準確率.上述試驗中發(fā)現(xiàn)，樣本數(shù)據(jù)量的大小影響了模型診斷的效果，將處理過后的各類故障數(shù)據(jù)分別抽取600 組數(shù)據(jù)，進行診斷模型的分類測試，對兩種診斷模型均采用相同的測試集，測試結(jié)果如表2 所示.表中用SAE-D 表示上文所提的神經(jīng)網(wǎng)絡(luò)，用SAE 表示未添加Dropout 的神經(jīng)網(wǎng)絡(luò). 經(jīng)比較其準確率可發(fā)現(xiàn)，添加了Dropout 正則化的SAE 深度神經(jīng)網(wǎng)絡(luò)，對于大多數(shù)故障，其平均分類精度達到94%，具有較好的分類效果.

圖9 不同樣本數(shù)量的神經(jīng)網(wǎng)絡(luò)準確率Fig. 9 Accuracy of neural network with different sample sizes

表2 故障診斷測試準確率Tab. 2 Test accuracy of fault diagnosis

可見，與未添加Dropout 正則化的SAE 深度神經(jīng)網(wǎng)絡(luò)相比，加入Dropout 正則化的SAE 深度神經(jīng)網(wǎng)絡(luò)，可以提高提升機制動系統(tǒng)的故障診斷準確率，能更有效地提升深度神經(jīng)網(wǎng)絡(luò)的分類性能.

5 結(jié) 論

融合了Dropout 正則化和Adam 算法的SAE 模型，可以無監(jiān)督學(xué)習(xí)故障特征，進而有效地進行提升機故障診斷. SAE 模型能有效地獲取數(shù)據(jù)特征信息，不需要標注大量的標簽數(shù)據(jù)，在特征提取方面有一定優(yōu)勢；優(yōu)化后的SAE 診斷模型，平均準確率能夠達到94%，能有效地進行提升機的故障診斷；診斷模型加入Dropout 正則化方法后，減少了過擬合現(xiàn)象和神經(jīng)元之間的相互影響，對訓(xùn)練模型的神經(jīng)元控制有著較好的自由度. 同時Adam 算法改善了模型的訓(xùn)練過程，減少稀疏數(shù)據(jù)中局部最優(yōu)點對模型訓(xùn)練的影響.