基于BP神經(jīng)網(wǎng)絡(luò)的煤礦電機(jī)故障診斷預(yù)測(cè)

魯建東，魯 嘯

（1. 江蘇省徐州市泉山區(qū)龐莊煤礦物業(yè)公司，江蘇徐州 221141；2. 國(guó)電南瑞科技股份有限公司，江蘇南京 210032）

基于BP神經(jīng)網(wǎng)絡(luò)的煤礦電機(jī)故障診斷預(yù)測(cè)

魯建東1，魯 嘯2

（1. 江蘇省徐州市泉山區(qū)龐莊煤礦物業(yè)公司，江蘇徐州 221141；2. 國(guó)電南瑞科技股份有限公司，江蘇南京 210032）

電機(jī)軟故障辨識(shí)診斷一直是困擾電機(jī)維修工程師一大難題。引入BP神經(jīng)網(wǎng)絡(luò)概念，利用采集到的樣本數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，得出最優(yōu)網(wǎng)絡(luò)模型。通過典型故障狀態(tài)參數(shù)測(cè)試新方法的辨別能力。結(jié)合對(duì)煤礦電機(jī)參數(shù)的訓(xùn)練測(cè)試，通過仿真實(shí)驗(yàn)驗(yàn)證了這種新方法對(duì)電氣故障診斷的有效性。

BP神經(jīng)網(wǎng)絡(luò)；煤礦電機(jī)；故障診斷

0 引言

由于電機(jī)材料、電子電路故障等因素影響，在電機(jī)運(yùn)行時(shí)，會(huì)產(chǎn)生局部放電現(xiàn)象，尤其對(duì)煤礦企業(yè)，電機(jī)運(yùn)行時(shí)，電機(jī)火花會(huì)給操作現(xiàn)場(chǎng)帶來非常嚴(yán)重的后果。鑒于此，本文采用神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)對(duì)電機(jī)的危險(xiǎn)性缺陷進(jìn)行分析判斷，辨別出可能產(chǎn)生放電現(xiàn)象的部件，對(duì)電機(jī)進(jìn)行調(diào)換與更改。

本文采用三層 BP網(wǎng)絡(luò)模型，結(jié)合梯度下降算法；把采集到的特征向量分成訓(xùn)練樣本和測(cè)試樣本，分別訓(xùn)練BP網(wǎng)絡(luò)，得到最優(yōu)模型；再用最優(yōu)模型測(cè)試故障。通過對(duì)煤礦電機(jī)的仿真研究，結(jié)果顯示，BP神經(jīng)網(wǎng)絡(luò)模型能準(zhǔn)確辨識(shí)出故障類型。

1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)是多層前饋形式網(wǎng)絡(luò)，主要特征是信號(hào)量前向傳遞，誤差量反向回饋。在前向傳遞過程中，輸入量從輸入層再經(jīng)隱含層分層處理，最后至輸出層。上一層神經(jīng)元狀態(tài)只單一影響下層神經(jīng)元狀態(tài)。

以三層BP神經(jīng)網(wǎng)絡(luò)為例，設(shè)定輸入層為i，隱含層為j，輸出層為k，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)示意圖

隱含層中，神經(jīng)元j輸入用netj表示，有，

神經(jīng)元j輸出為，

類推得出，神經(jīng)元k輸入為，

神經(jīng)元k輸出為

其中g(shù)選擇S型函數(shù)：

θ為函數(shù)閾值。

由S型函數(shù)可以得出神經(jīng)元輸出

2 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)法則

BP神經(jīng)網(wǎng)絡(luò)工作原理是以誤差反向傳播尋求最優(yōu)解，計(jì)算實(shí)際輸出值與希望輸出值誤差平方和。誤差超出閾值范圍，繼續(xù)尋優(yōu)，最后目標(biāo)函數(shù)逼近理想范圍。本文以梯度算法為例：

設(shè)神經(jīng)元k期望輸出為tpk，網(wǎng)絡(luò)實(shí)際輸出為opk，則平均誤差為，

式中：E為目標(biāo)函數(shù)。

梯度算法中，權(quán)值、閾值系數(shù)變化量 Δωkj正比于?E/Δωkj：

其中，設(shè)

其中，設(shè)

式中：η為學(xué)習(xí)速率；

BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)法則步驟如下：

1) 訓(xùn)練樣本集中隨機(jī)選取樣本輸入BP神經(jīng)網(wǎng)絡(luò)；

2) 計(jì)算實(shí)際輸出；

3) 結(jié)合實(shí)際輸出值，按學(xué)習(xí)法則計(jì)算與期望輸出誤差；

4) 沿著逆方向差值減小路徑，調(diào)整網(wǎng)絡(luò)權(quán)值系數(shù)；

5) 循環(huán)1)-4)步驟，達(dá)到目標(biāo)誤差結(jié)束。

按上述操作步驟，確定每個(gè)節(jié)點(diǎn)之間的連接權(quán)系數(shù)，接下來對(duì)某些未知采集樣本進(jìn)行模式識(shí)別。

3 基于BP神經(jīng)網(wǎng)絡(luò)的煤礦電機(jī)故障診斷預(yù)測(cè)

本文采用龐莊煤礦的煤礦電機(jī)為數(shù)據(jù)樣本，利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行煤礦電機(jī)故障診斷預(yù)測(cè)，驗(yàn)證算法的優(yōu)越性。故障模型選軸承損壞、繞組接線燒壞、匝間局部擊穿、繞組燒毀和轉(zhuǎn)子斷軸，表1為廠用電動(dòng)機(jī)技術(shù)參數(shù)。

表1 廠用電動(dòng)機(jī)技術(shù)參數(shù)

將煤礦廠用電動(dòng)機(jī)t時(shí)刻個(gè)特征參數(shù)值作為輸入?yún)?shù)組，而將t+1時(shí)刻的值T、ω、P、f等4個(gè)參數(shù)作為輸出參數(shù)組。從案例中隨機(jī)選取2000組數(shù)據(jù)對(duì)各種故障情形及正常狀態(tài)進(jìn)行數(shù)據(jù)采樣，選取其中1900組數(shù)據(jù)為訓(xùn)練樣本，100組數(shù)據(jù)為測(cè)試樣本。

目標(biāo)性能指標(biāo)設(shè)為0.001，學(xué)習(xí)速率設(shè)為0.1。在Matlab仿真環(huán)境中進(jìn)行訓(xùn)練。將提取的特征向量輸入至該網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其訓(xùn)練結(jié)果圖2所示。BP網(wǎng)絡(luò)經(jīng)過347步達(dá)到訓(xùn)練所需的目標(biāo)值，同時(shí)通過1000次訓(xùn)練發(fā)現(xiàn)BP網(wǎng)絡(luò)能100%收斂。

圖2 BP網(wǎng)絡(luò)訓(xùn)練次數(shù)與誤差

通過網(wǎng)絡(luò)的訓(xùn)練得到最優(yōu)權(quán)值W1、W2、B1、B2，如表2～5所示。

表2 最優(yōu)權(quán)值W1

表3 最優(yōu)閾值B2

表4 最優(yōu)閾值B1

表5 最優(yōu)權(quán)值W2

將測(cè)試數(shù)據(jù)輸入到訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試，診斷數(shù)據(jù)如表6所示，得到的實(shí)際輸出與目標(biāo)值有很好的逼近。可看出，故障辨識(shí)能力基本與目標(biāo)故障吻合，通過對(duì)樣本數(shù)據(jù)特征值提取，可以達(dá)到提前預(yù)知電機(jī)風(fēng)險(xiǎn)，降低電機(jī)故障運(yùn)行。

表6 故障的實(shí)際輸出與目標(biāo)值的比較

4 結(jié)論

傳統(tǒng)電機(jī)故障診斷方法都是定性到定量的故障確認(rèn)，而本文直接對(duì)合適的樣本集，通過尋求一個(gè)參數(shù)集使得能量函數(shù)最小，直接從定量上確定故障類型，這避免了感官思維的偏差判斷帶來故障診斷的失敗。本文采用的方法可改變感官故障診斷，從理論定性上提高辨識(shí)精度。

[1] 劉平, 孟江, 何強(qiáng). 基于 MATLAB/SIMULINK 的異步電機(jī)故障診斷[J]. 煤礦機(jī)械, 2013(2): 256-257.

[2] 夏飛, 黃金泉, 周文祥. 基于 MATLAB/SIMULINK的航空發(fā)動(dòng)機(jī)建模與仿真研究[J]. 航空動(dòng)力學(xué)報(bào),2007(12): 164-168.

[3] 楊江天, 趙明元. 改進(jìn)雙譜和經(jīng)驗(yàn)?zāi)B(tài)分解在牽引電機(jī)軸承故障診斷中的應(yīng)用[J]. 中國(guó)電機(jī)工程學(xué)報(bào),2012(18): 140-146.

[4] 田靜, 楊希勤. 一種對(duì)永磁同步電機(jī)的故障診斷方法[J]. 電機(jī)與控制應(yīng)用, 2009(8): 48-51.

[5] 謝宏, 何怡剛. 離散 Hopfied神經(jīng)網(wǎng)絡(luò)在混燒控制系統(tǒng)故障診斷中的應(yīng)用[J]. 湖南大學(xué)學(xué)報(bào): 自然科學(xué)版,2007(3): 38-40.

Fault Diagnosis Prediction of Mine Motor Based on BP Neural Network

LU Jian-dong1, LU Xiao2
(1. Pangzhuang Mine Property Company in Distract of Quanshan, Xuzhou 221141, China; 2. NARI Technology Development Co.,Ltd., Nanjing 210032, China)

The motor maintenance engineer has plagued by the identification diagnosis of motor soft fault. The paper introduces the concept of BP neural network, and uses the sample data collected to train BP neural network, and then obtains the optimal network model. The typical fault state parameter is used to test the discrimination ability of the new method. By the training and test of coal mine motor parameters, the simulation can verify the effectiveness of the new method for electric fault diagnosis.

BP neural network; mine motor; fault diagnosis

TM32

A

魯建東（1961-），男，工程師。主要研究方向煤礦自動(dòng)控制，煤礦安全管理。