基于LSTM-Adam的刮板輸送機鏈傳動系統(tǒng)故障預(yù)警方法

李博， 郭星燃， 李娟莉， 王學(xué)文， 夏蕊

（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）

0 引言

刮板輸送機作為煤礦井下運輸?shù)年P(guān)鍵設(shè)備，其工作的安全性與穩(wěn)定性對實現(xiàn)煤礦高效綠色開采極其重要。刮板輸送機長期處于惡劣工況環(huán)境下，導(dǎo)致其各種故障頻發(fā)，尤其是鏈傳動系統(tǒng)，所受載荷變化頻繁，常發(fā)生卡鏈和斷鏈等故障，對煤礦經(jīng)濟效益與煤礦安全造成巨大威脅。因此，在鏈傳動系統(tǒng)發(fā)生故障前進行預(yù)測性維護與更換，對煤礦高效安全開采具有重大意義。在傳統(tǒng)故障診斷領(lǐng)域，眾多學(xué)者針對刮板輸送機故障診斷方法開展了研究。于林[1]采用磁場與霍爾元件相結(jié)合的刮板檢測傳感器監(jiān)測斷鏈故障。趙馭陽[2]提出了基于有向無環(huán)圖支持向量機（Directed Acyclic Graph-Support Vector Machine，DAG-SVM）的刮板輸送機故障監(jiān)測方法。崔宏堯等[3]提出了基于混沌差分進化的刮板輸送機故障診斷方法。以上方法能夠在一定程度上實現(xiàn)對刮板輸送機部分結(jié)構(gòu)的故障診斷，然而，傳統(tǒng)的故障診斷需要大量的先驗知識和主觀干預(yù)，要求技術(shù)人員經(jīng)驗豐富。

深度學(xué)習(xí)具有強大的自主判斷與感知能力，廣泛應(yīng)用于語音識別[4]、圖像識別[5]、機械故障預(yù)警與診斷[6-9]等領(lǐng)域。王學(xué)文等[10]使用神經(jīng)網(wǎng)絡(luò)對刮板輸送機的運行軌跡進行預(yù)測。劉家瑞等[11]提出將深度卷積自編碼器用于風(fēng)電機組狀態(tài)故障預(yù)警中。深度學(xué)習(xí)方法以數(shù)據(jù)為驅(qū)動，能夠提取數(shù)據(jù)的隱藏特征，對相關(guān)數(shù)據(jù)趨勢進行精準預(yù)測，最終實現(xiàn)對異常情況的準確預(yù)警。常用的深度學(xué)習(xí)模型主要有長短期記憶神經(jīng)網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）[12]、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）[13]、相鄰差分神經(jīng)網(wǎng)絡(luò)（Adaptive Deep Neural Network，ADNN）[14]等，其中LSTM在數(shù)據(jù)預(yù)測和故障預(yù)警方面具有良好效果[15-17]。鑒此，本文提出了基于LSTM-Adam的刮板輸送機鏈傳動系統(tǒng)故障預(yù)警方法。在LSTM的基礎(chǔ)上結(jié)合Adam算法建立LSTM-Adam預(yù)測模型，對正常運行工況下的刮板鏈運行數(shù)據(jù)進行預(yù)測，并采用滑動加權(quán)平均法對預(yù)測數(shù)據(jù)進行殘差分析，得到合理的預(yù)警閾值，當(dāng)殘差超過預(yù)警閾值時進行預(yù)警。

1 刮板輸送機故障預(yù)警框架

基于LSTM-Adam的刮板輸送機故障預(yù)警包括數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、LSTM-Adam預(yù)測模型構(gòu)建、預(yù)警判斷4個步驟，如圖1所示。

圖1 基于LSTM-Adam的刮板輸送機故障預(yù)警框架Fig. 1 Fault warning framework of scraper conveyor based on LSTM-Adam

1） 數(shù)據(jù)采集。試驗中使用的數(shù)據(jù)來源于刮板輸送機工況監(jiān)測系統(tǒng)，將傳感器采集的數(shù)據(jù)導(dǎo)入SQL Server數(shù)據(jù)庫中。

2） 數(shù)據(jù)預(yù)處理。從SQL Server數(shù)據(jù)庫中提取數(shù)據(jù)，對數(shù)據(jù)進行清洗和min-max歸一化處理。

3） LSTM-Adam預(yù)測模型構(gòu)建。搭建LSTM模型，使用Adam算法對模型進行優(yōu)化，得到最優(yōu)預(yù)測模型。

4） 預(yù)警判斷。將數(shù)據(jù)導(dǎo)入優(yōu)化后的LSTM-Adam預(yù)測模型，利用滑動加權(quán)平均法進行殘差分析，確定預(yù)警閾值。

2 數(shù)據(jù)采集與預(yù)處理

2.1 數(shù)據(jù)采集

以SGZ1000/2×1200型刮板輸送機為原型，依據(jù)相似理論，按照1∶3的相似比設(shè)計刮板輸送機試驗臺，如圖2所示?；诮M態(tài)技術(shù)建立刮板輸送機工況監(jiān)測系統(tǒng)，如圖3所示。

圖2 刮板輸送機試驗臺Fig. 2 Test platform of scraper conveyor

圖3 刮板輸送機工況監(jiān)測系統(tǒng)Fig. 3 Working condition monitoring system of scraper conveyor

系統(tǒng)監(jiān)測的物理量：減速器輸出軸轉(zhuǎn)矩及轉(zhuǎn)速，用以表征刮板輸送機運行阻力與運行速度；中部槽中板壓力，用以表征刮板輸送機運輸能力；刮板在豎直方向的振動加速度，用以表征鏈傳動系統(tǒng)中刮板的振動狀態(tài)；刮板鏈在運行方向的應(yīng)變，用以表征鏈條張力。

采用傳感器、測量儀表、無線網(wǎng)關(guān)等硬件設(shè)備（圖4）進行數(shù)據(jù)采集，將設(shè)備與上位機建立通信，保證數(shù)據(jù)實時傳輸。

圖4 數(shù)據(jù)采集設(shè)備Fig. 4 Data acquisition equipment

利用組態(tài)王等上位機監(jiān)測軟件將設(shè)備采集的數(shù)據(jù)暫存至實時數(shù)據(jù)庫及歷史數(shù)據(jù)庫，并將采集的數(shù)據(jù)實時保存至SQL Server數(shù)據(jù)庫中，為后續(xù)故障預(yù)警提供數(shù)據(jù)源。

2.2 數(shù)據(jù)預(yù)處理

刮板輸送機運行時，刮板鏈應(yīng)變等物理量存在明顯的周期性，將采集的數(shù)據(jù)按周期劃分進行分析，可以發(fā)現(xiàn)不同周期內(nèi)數(shù)據(jù)變化規(guī)律相似。因此，選擇對不同周期內(nèi)缺失數(shù)據(jù)所在位置對應(yīng)的臨近值求算術(shù)平均，以填補缺失數(shù)據(jù)，實現(xiàn)數(shù)據(jù)清洗。

為了消除各類參數(shù)對應(yīng)量綱的影響，防止數(shù)量級較大的參數(shù)在訓(xùn)練時占據(jù)主導(dǎo)地位，減小數(shù)量級的差異以加快迭代收斂速度，需要對樣本數(shù)據(jù)進行歸一化處理。采用min-max歸一化方法來對樣本數(shù)據(jù)進行處理。

3 LSTM-Adam預(yù)測模型構(gòu)建

3.1 LSTM模型

LSTM是在循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）基礎(chǔ)上建立的，可避免RNN在處理長時間序列數(shù)據(jù)時出現(xiàn)長期依賴的問題，且LSTM增添了門控結(jié)構(gòu)，可利用該結(jié)構(gòu)控制信息的保留與舍棄，完成對信息流的動態(tài)控制。

LSTM單元結(jié)構(gòu)如圖5所示。

圖5 LSTM單元結(jié)構(gòu)Fig. 5 LSTM unit structure

LSTM主要由遺忘門、輸入門和輸出門來控制細胞狀態(tài)。其中遺忘門是由上一時刻隱藏層狀態(tài)ht-1和當(dāng)前t時刻輸入向量Xt共同作用，通過Sigmoid函數(shù)得到輸出向量ft，上一時刻細胞狀態(tài)Ct-1再與ft逐點相乘，完成數(shù)據(jù)遺忘的功能。

式中：σ（·）為Sigmoid函數(shù)；Wt為遺忘門待訓(xùn)練參數(shù)矩陣；bc為遺忘門待訓(xùn)練偏置項。

輸入門運算表達式為

獲取遺忘門輸出向量ft、候選狀態(tài)候選狀態(tài)權(quán)重向量it后，可將上一時刻細胞狀態(tài)Ct-1轉(zhuǎn)換為當(dāng)前時刻細胞狀態(tài)Ct，轉(zhuǎn)換公式為

式中*為矩陣中每個相同位置的元素相乘運算符。

輸出門運算表達式為

式中：Ot為隱藏層狀態(tài)權(quán)重向量；W0為輸出門待訓(xùn)練參數(shù)矩陣；b0為輸出門待訓(xùn)練偏置項；ht為當(dāng)前時刻隱藏層狀態(tài)。

ht和Xt共同作用在輸入門上，通過Sigmoid函數(shù)得到隱藏層狀態(tài)權(quán)重向量Ot，當(dāng)前時刻細胞狀態(tài)Ct通過tanh函數(shù)歸一化，得到一個所有元素值在-1～1之間的向量，將其與隱藏層狀態(tài)權(quán)重向量Ot相乘，有選擇地遺忘部分信息，即可得到當(dāng)前時刻的隱藏層狀態(tài)ht，完成短期記憶的更新。

3.2 Adam算法

在LSTM模型訓(xùn)練過程中，需要使用優(yōu)化算法來計算和更新模型的網(wǎng)絡(luò)參數(shù)，使其盡可能地逼近最優(yōu)值，得到最佳模型，實現(xiàn)對數(shù)據(jù)變化趨勢的準確預(yù)測。

Adam算法[18]作為一種自適應(yīng)學(xué)習(xí)率優(yōu)化算法，會獨立為每一個模型參數(shù)設(shè)計自適應(yīng)學(xué)習(xí)率，充分利用學(xué)習(xí)率對模型性能的影響，提高模型訓(xùn)練速度。Adam算法迭代過程：① 對學(xué)習(xí)率等參數(shù)進行初始化。② 計算目標函數(shù)梯度和帶偏差的一階、二階矩估計。③ 對一階、二階矩估計進行校正并更新待求解參數(shù)。

3.3 LSTM-Adam預(yù)測模型建立流程

將預(yù)處理后的數(shù)據(jù)以8∶2的比例劃分為訓(xùn)練集與測試集。采用Adam算法來計算和更新LSTM模型的網(wǎng)絡(luò)參數(shù)，構(gòu)建LSTM-Adam預(yù)測模型，如圖6所示。

圖6 LSTM-Adam預(yù)測模型建立流程Fig. 6 Build process of LSTM-Adam prediction model

3.4 LSTM-Adam預(yù)測模型評估

為檢驗LSTM-Adam預(yù)測模型在刮板輸送機鏈傳動系統(tǒng)故障預(yù)警中的可行性與準確性，從刮板輸送機工況監(jiān)測系統(tǒng)數(shù)據(jù)庫中選取部分刮板鏈應(yīng)變歷史數(shù)據(jù)，對LSTM-Adam預(yù)測模型進行評估。

3.4.1 模型評估標準

選擇均方誤差[19]對LSTM-Adam預(yù)測模型進行評估。均方誤差是指真實值與預(yù)測值之差的平方的數(shù)學(xué)期望，反映真實值與預(yù)測值之間的差異程度。均方誤差越小，說明預(yù)測模型精度越高。

3.4.2 模型訓(xùn)練

將刮板輸送機試驗臺的刮板鏈應(yīng)變歷史數(shù)據(jù)導(dǎo)入LSTM-Adam預(yù)測模型，經(jīng)過預(yù)處理后，隨機將數(shù)據(jù)集劃分為訓(xùn)練集和測試集。

針對刮板鏈應(yīng)變的預(yù)測，選擇不同模型節(jié)點數(shù)進行多次調(diào)試，不同模型節(jié)點數(shù)下的均方誤差見表1。綜合考慮節(jié)點數(shù)對模型訓(xùn)練效果的影響，選擇節(jié)點數(shù)為128。

表1 不同模型節(jié)點數(shù)下的均方誤差Table 1 Mean square error under different model node numbers

選取Adam算法學(xué)習(xí)率分別為0.01，0.001，0.000 1，對模型參數(shù)進行優(yōu)化。結(jié)果發(fā)現(xiàn)在不同學(xué)習(xí)率下，測試集的均方誤差在第2次迭代時均發(fā)生驟降，且學(xué)習(xí)率為0.001和0.000 1時的下降速度基本一致，學(xué)習(xí)率為0.01時的下降速度較慢；在后續(xù)迭代過程中，使用學(xué)習(xí)率為0.001的Adam算法得到的測試集均方誤差比使用學(xué)習(xí)率為0.000 1的Adam算法得到的測試集均方誤差要小，綜合考慮，設(shè)置Adam算法學(xué)習(xí)率為0.001。此外，設(shè)置批大小為128。通過Adam算法不斷進行迭代，以優(yōu)化模型參數(shù)，得到最優(yōu)模型。

3.4.3 模型擬合

將LSTM-Adam預(yù)測模型的預(yù)測結(jié)果與試驗臺實際運行數(shù)據(jù)進行擬合對比，結(jié)果如圖7所示?？煽闯鲈诘?0，70，110，150個監(jiān)測點處，預(yù)測值與真實值之間的差異較大，這是由于刮板鏈通過驅(qū)動鏈輪時，鏈條拉力快速變化引起應(yīng)變突變，預(yù)測模型可能會存在一些誤差；但總體來看，預(yù)測模型能夠?qū)伟彐湋?yīng)變數(shù)據(jù)的變化趨勢進行準確預(yù)測。

圖7 刮板鏈應(yīng)變Fig. 7 Scraper chain strain

4 預(yù)警判斷

4.1 滑動加權(quán)平均法

滑動加權(quán)平均法是由滑動平均法和加權(quán)平均法發(fā)展而來的一種數(shù)據(jù)處理方法[20-21]?；瑒蛹訖?quán)平均法使用滑動時間窗口進行數(shù)據(jù)計算，并考慮了數(shù)據(jù)的加權(quán)平均值，可提高數(shù)據(jù)的可靠性和精度。

結(jié)合試驗臺采集數(shù)據(jù)的特性，對數(shù)據(jù)的周期、周期內(nèi)采樣次數(shù)和各點殘差變化規(guī)律進行分析，在計算點k前后，分別選取20個在時間序列上連續(xù)的數(shù)據(jù)，將它們乘以對應(yīng)的權(quán)重，再計算數(shù)學(xué)期望，即可得到計算點k的滑動加權(quán)平均值：

式中：xk為計算點k對應(yīng)的數(shù)值；pk為xk的權(quán)重。

在式（7）中還需確定各點權(quán)重的大小，考慮到使用滑動加權(quán)平均法處理殘差的目的是利用滑動加權(quán)得到的殘差均值來代替該點殘差，因此選擇給當(dāng)前點賦予單獨的權(quán)重p1=4，其余各點賦予相同的權(quán)重p2=1，則計算點k的滑動加權(quán)平均值為

4.2 預(yù)警判斷流程

基于對刮板輸送機大量運行數(shù)據(jù)的分析，可將正常運行工況下同類數(shù)據(jù)的最大殘差作為預(yù)警閾值。預(yù)警判斷流程如圖8所示。

圖8 預(yù)警判斷流程Fig. 8 Warning judgment process

5 試驗驗證

5.1 試驗條件

本試驗以刮板輸送機鏈傳動系統(tǒng)故障為例，對基于LSTM-Adam的刮板輸送機故障預(yù)警方法的可行性進行驗證。在刮板輸送機試驗臺上，通過加大刮板運行阻力、增加煤矸石數(shù)量和更換即將發(fā)生疲勞斷裂的鏈條等方法來模擬鏈傳動系統(tǒng)故障，并將采集到的故障數(shù)據(jù)存儲到數(shù)據(jù)庫中。

為了更加貼合實際情況，試驗中刮板輸送機均是在滿載情況下運行。

5.2 試驗過程

將正常運行工況下刮板鏈應(yīng)變數(shù)據(jù)導(dǎo)入LSTMAdam預(yù)測模型中，并對預(yù)測所得數(shù)據(jù)進行殘差分析，結(jié)果如圖9所示。可看出刮板鏈應(yīng)變的最大殘差為46.7，因此將刮板鏈應(yīng)變的預(yù)警閾值設(shè)定為46.7。

圖9 正常運行工況下刮板鏈應(yīng)變數(shù)據(jù)殘差分析結(jié)果Fig. 9 Residual analysis results of scraper chain strain data under normal working condition

確定故障預(yù)警閾值后，從故障數(shù)據(jù)庫中提取部分數(shù)據(jù)導(dǎo)入LSTM-Adam模型中進行預(yù)測，得到殘差，并對殘差進行處理，最終得到故障預(yù)警結(jié)果。

5.3 試驗結(jié)果

5.3.1 卡鏈工況

在試驗臺上模擬卡鏈故障，并將模擬故障實時運行數(shù)據(jù)導(dǎo)入LSTM-Adam預(yù)測模型中，得到殘差結(jié)果，如圖10所示?？煽闯鰵埐钤诘?35個監(jiān)測點處開始出現(xiàn)異常，超出預(yù)警閾值，隨后殘差又恢復(fù)到預(yù)警閾值以下。

圖10 卡鏈工況下的殘差Fig. 10 Residual under stuck chain condition

結(jié)合對鏈傳動系統(tǒng)常見故障形式的分析可知：當(dāng)中部槽內(nèi)出現(xiàn)異物致使刮板輸送機發(fā)生卡鏈故障時，刮板鏈應(yīng)變急劇增大；當(dāng)鏈條發(fā)生卡滯時，隨著鏈條拉力不斷增大，鏈條通常會克服異物的阻礙，恢復(fù)到正常運行狀態(tài)。這與卡鏈故障預(yù)警時的殘差分析結(jié)果相符。

5.3.2 斷鏈工況

在試驗臺上模擬斷鏈故障，并將模擬故障實時運行數(shù)據(jù)導(dǎo)入LSTM-Adam預(yù)測模型中，得到殘差結(jié)果，如圖11所示。可看出殘差在第137個監(jiān)測點處開始出現(xiàn)異常，超出預(yù)警閾值，之后殘差雖有下降，但呈周期性波動，峰值仍高于預(yù)警閾值。

圖11 斷鏈工況下的殘差Fig. 11 Residual under broken chain condition

結(jié)合對鏈傳動系統(tǒng)常見故障形式的分析可知：雙鏈刮板輸送機在1條鏈發(fā)生斷裂時，未斷裂鏈條上的應(yīng)變會急劇增大，已斷裂鏈條上的應(yīng)變會急劇減小，且未斷裂鏈條上的應(yīng)變無法恢復(fù)到正常值。由于預(yù)測值呈周期性變化，所以殘差分析結(jié)果呈周期性變化，這與斷鏈故障預(yù)警時的殘差分析結(jié)果相符。

6 結(jié)論

1） 基于組態(tài)技術(shù)搭建刮板輸送機工況監(jiān)測系統(tǒng)，實時獲取刮板輸送機運行狀況數(shù)據(jù)，為刮板輸送機故障預(yù)警提供數(shù)據(jù)支撐。

2） 利用Adam算法優(yōu)化LSTM模型，提出了LSTM-Adam預(yù)測模型。當(dāng)學(xué)習(xí)率為0.001時，預(yù)測模型訓(xùn)練效果最優(yōu)，能夠準確預(yù)測出刮板鏈應(yīng)變數(shù)據(jù)的變化趨勢。

3） 采用滑動加權(quán)平均法對正常運行工況下刮板鏈應(yīng)變數(shù)據(jù)進行殘差分析，得到其預(yù)警閾值。試驗結(jié)果表明：基于LSTM-Adam的刮板輸送機故障預(yù)警方法能夠?qū)︽渹鲃酉到y(tǒng)異常情況進行準確預(yù)測。