基于ANN的礦井提升機故障診斷系統的應用研究

摘 要：將基本BP算法的改進算法（LMBP 算法）利用數值分析的方法進行改進，并將其應用到礦井提升機的故障診斷系統中，改進后的算法能提高網絡的訓練速度；同時設計了基于ARM芯片和Vxworks操作系統的故障診斷板，并利用Borland C++ builder作為故障診斷界面的設計軟件，將新集集團某礦井提升機液壓站系統作為實驗室仿真研究對象。結果表明，該故障診斷系統具有較好的硬件穩定性，較快的神經網絡訓練速度，較好的診斷結果。

關鍵詞：ANN；提升機；LMBP 算法；平方根法

中圖分類號：TD534.6∶TP389.1文獻標識碼：A

[WT]文章編號：1672-1098(2011)02-0075-04



收稿日期：2010-07-12

作者簡介：張現余（1980-），男，山東臨沂人，助理工程師，學士，主要從事于礦山自動化系統建設、綜合自動化系統集成及大型設備與系統的在線監測及故障預報相關的工作。

[WT3BZ]Application Research on Fault Diagnosis System of

Mine Rotating Machinery Based on ANN

ZHANG Xian-yu

（Automation Engineering Company of SDIC-XinJi， Huainan Anhui232001，China）

Abstract:LMBP algorithm was improved by using BP algorithm and applied into mine rotating machinery fault diagnosis system. The algorithm improved training speed. Designation plan of data collection board based on ARM and Vxworks operating system was designed. The interface of fault diagnosis was developed based on Borland C++ Builder. The hydraulic station of one rotating machinery of Xinji Company was taken as simulation research object in the lab. The results showed that the stability of hardware， the training speed of ANN and diagnosis results are good.

Key words:ANN; rotating machinery; LMBP; square root 

提升機是煤礦、金屬礦以及其它一些礦井中的大型動力設備，是集機、電、液于一體的復雜型機械。它肩負著提升煤炭、金屬礦石、矸石以及下放材料、人員和設備的重要任務，素有“礦山咽喉”之稱，其穩定性、安全性以及可靠性高低直接影響著礦井的生產效率和現場人員的安全。因此，實時檢測提升機的各項參數與性能指標，針對提升機各主要設備建立專門的故障診斷系統，實現故障的診斷與預報對于確保它安全穩定的運行具有重要意義。

人工神經網絡是一種基于樣本知識的非線性映射算法，相對于其它診斷算法，主要有以下幾點優勢：① 較高的容錯性和魯棒性，由于其自身具有聯想功能，使得被診斷數據與樣本信息之間不需精確匹配，允許有一定攝動余度和信息殘缺［1］；② 知識獲取能力強，只要求領域專家提供范例或實例及相應解，就可以通過特定學習算法對樣本進行學習；③ 診斷耗時少，將領域專家的啟發式知識和經驗分布存儲于神經元的互連中，不做成專門的知識庫，在線診斷時，不再像專家系統和模糊控制那樣進行規則的匹配搜索，大大減少診斷耗時；④ 診斷算法通用性較好， 由于神經網絡是一種基于樣本學習的算法， 只要將某設備領域專家提的供范例和解做成樣本提供給網絡［2］， 就可以利用訓練好的網絡對該設備進行故障診斷。 因此將神經網絡應用在大型、 復雜系統的故障診斷上是一種有效的方案。

礦井提升機故障診斷系統的整體設計與應用研究類似于其它工程應用系統，主要由硬件設計、診斷算法研究與設計和操作界面設計。總體設計思路是：首先，利用數據采集板將提升機各主要設備的參數及性能指標采集到下位機中，并將這些數據通過因特網遠程傳輸到上位機中去；其次，在上位機中設計與實現提升機故障診斷算法(這里采用神經網絡BP算法)，并將現場專家提供的提升機各運行狀態的范例進行一定的數據處理，做成網絡訓練樣本，對結構和訓練算法確定的網絡進行離線訓練；最后，設計一個前臺操作界面，將下位機遠程傳輸來的數據與故障診斷結果一并顯示出來，供前臺工程人員監控。

因此，對提升機故障診斷系統的研究分三部分進行：① 具有網絡通信功能的現場數據采集板的設計；② 提升機故障診斷算法設計與編程實現；③ 具有網絡通信功能的上位機操作界面的設計。其中以故障診斷算法的研究與設計為主（見圖1）。

圖1 提升機故障診斷系統簡化結構圖

1 數據采集板的設計

數據采集板需要具有A／D轉換和網絡通信兩個基本功能，而且數據傳輸與數據轉換必須同時進行，這就需要在數據采集板中內嵌一個操作系統，進行任務管理與任務間的調度控制，動態地切換任務，以提高CPU利用率，實現任務執行實時性。根據實際應用與經濟要求，本文選擇VxWorks作為數據采集板的操作系統，它具有很好的開發調試工具(Tornado)，且針對典型評估板給出具有網絡通信驅動BSP(板級支持包)等優點；且依據VxWorks對ROM存儲器的要求，選用三星32位微處理器(S3C44B0X) 作為板載CPU。該CPU內置10位A／D轉換器，可以滿足數據采集的精度要求，網絡通信控制器采用RTL8019。

數據采集板設計重點在網絡通信設計方面，它是現場設備與上位機信息傳輸通道，因此在設計數據采集板時，要考慮網絡通信的服務器端與客戶端的設定方案，由于提升機是由若干個主要設備組成，這些設備的參數與性能指標具有一定的獨立性，這就需要針對每個組成設備安置一個專門數據采集板，進行現場數據采集，因此，在進行具有網絡通信功能的數據板設計時，需要將上位機設計成服務器端，而現場的各數據采集板做成客戶端。

2 故障診斷算法設計

針對提升機運行參數多，診斷復雜的特點，引進較善于解決復雜現實問題的BP神經網絡［3］，作為提升機故障診斷系統的診斷依據，并對BP網絡中訓練速度最快的數值改進算法(LMBP算法)進行訓練速度改進研究，以期將它作為提升機故障診斷系統的有效算法。由于該算法是牛頓法與最速下降算法的有效折衷，既具有牛頓法的速度優勢，又具有最速下降算法的保證收斂的特性，且特別適合于對性能指數是均方誤差的神經網絡進行訓練［4］，因此，在設備故障診斷方面具有較好的應用前景。

LMBP算法中最關鍵的一步就是雅可比矩陣的求解［5］，也是該算法相對于基本BP算法改進最大的地方，即將對網絡權值與偏置值均方誤差求導轉換成對誤差的求導。求出雅可比矩陣后，將網絡所有樣本輸入下的輸出

則增量計算公式簡化為，x=G-1b。考慮到基本算法中對大型矩陣G求逆耗時的缺點，所以可以從數值分析角度，對數值計算速度進行改進，將G移到公式左側，則原式變成Gx=b，可以運用解線性方程組的直接數值解法求解參數變量x，又考慮到矩陣G的對稱正定特性，可以將矩陣進行對稱三角分解(G=L1LT1，其中L1是下三角矩陣)，然后通過運用求解正定線性方程組的平方根法，求解增量參數，該法能減少數值乘除計算量。

運用該方法求解權值與偏置值增量大約需要n3／6次乘除法，相對于經典Gauss-Nordan求逆運算法［6］，該法能提高5倍計算速度。最后，運用Matlab軟件將改進后的LMBP算法進行編程實現，然后整個提升機故障診斷算法做成*.m文件，以便后續程序調用。

3 操作界面設計與應用仿真

考慮到Borland C++Builder具有很好的圖形用戶界面和很豐富的網絡通信模塊，在設計操作界面時，選擇Borland C++Builder集成開發環境，該界面應具有網絡通信功能以及顯示設備運行狀態數據和故障診斷結果的功能。同時，為充分利用Matlab對大型矩陣計算的優勢和便于與其它軟件接口的特點，通過建立動態鏈接庫的方式，將Matlab軟件中的-libeng.def 、-libmx.def和libmat.def文件轉換成.*lib文件，加入到C++Builder工程中，即將Matlab 軟件的各種計算函數以及工具箱里的特殊功能函數操作引擎嵌入到C++Builder 中去，利用Matlab作為故障診斷系統后臺計算軟件，對提升機各主要設備數據采集板遠程傳輸來的數據，運用LMBP診斷算法進行在線故障診斷，然后將診斷結果返回到C++Builder中去，進行前臺顯示；同時，為便于工程人員采取搶修工作，還可以結合歷史故障經驗給出處理當前故障的維修建議。最后，采用實驗室現場模擬仿真的方式，對提升機各主要設備的故障診斷子系統進行訓練仿真和性能測試仿真（見圖2）。

從國投新集某煤礦主井提升機液壓站取得兩組故障樣本，并進行數據處理，取其中一組樣本運用實驗室故障診斷仿真系統進行仿真訓練，待訓練后，取另一組樣本進行網絡性能測試，得到的仿真訓練性能指數曲線如圖3所示，基于另一組故障樣本的網絡性能測試結果如表1所示。

網絡訓練回合數

將得出性能測試結果與提升機實際運行狀態相比較，診斷結果的可信度在99％以上，可以認為將LMBP算法應用在提升機故障診斷系統是有效的。

4 結論

本文將目前較為流行的LMBP算法引用到提升機故障診斷系統中， 并根據基本算法對大型矩陣求逆耗時的缺點， 提出一種對其收斂速度進行數值改進的一種措施， 使LMBP算法的訓練速度提高5倍。 最后以國投新集某煤礦的主井提升機液壓系統作為研究對象進行仿真實驗， 從網絡測試結果看， 將LMBP算法應用于提升機的故障診斷系統中的總體性能較好，而且對測試樣本相對于訓練樣本的差異，基于LMBP算法的網絡表現出較好的魯棒性。

參考文獻：

［1］ 陳戌，常勝江，袁景和，等. 神經網絡自適應刪減學習算法及其應用［J］.物理學報，2001，50（4）：0 674-0 681.

［2］ 馮定. 神經網絡專家系統［M］. 北京：科學出版社，2006：22-43.

［3］ 趙延釗. 提升機減速箱故障診斷技術研究［J］. 煤礦機電，2005（2）：18-20.

［4］ 楊淑珍，徐文尚，高云紅. 基于模糊推理的礦井提升機故障診斷方法的研究［J］. 煤礦機械，2005（9）：148-150.

［5］ MARTIN THAGAN ，HOWARDBDEMUTH， MARKHBEALE.Neural Network Design［M］. 北京：機械工業出版社，2006：235-240.

［6］ 李慶揚，王能超，易大義. 數值分析［M］. 武漢：華中科技大學出版社，2006：95-110.

(責任編輯：何學華，吳曉紅)