基于RBF的模糊積分多傳感器數據融合的刮板輸送機電機故障診斷*

張永強，馬憲民，梁　蘭(.西安科技大學電氣與控制工程學院，陜西西安70054; 2.神華寧煤集團礦山機械制造維修分公司，寧夏銀川75000)

?

基于RBF的模糊積分多傳感器數據融合的刮板輸送機電機故障診斷*

張永強1，2，馬憲民1，梁蘭1
(1.西安科技大學電氣與控制工程學院，陜西西安710054; 2.神華寧煤集團礦山機械制造維修分公司，寧夏銀川750001)

摘要:刮板輸送機是煤礦井下重要的開采設備之一，簡要分析了現階段刮板輸送機的故障診斷現狀，針對刮板輸送機故障種類繁多，相互影響大且不易診斷的問題，根據多傳感器數據融合理論，提出了RBF和模糊積分相結合的刮板輸送機故障診斷數據融合方法。在特征級采用RBF，可以對同類傳感器采集的數據進行快速學習和收斂，得到同源數據對每一類故障的模糊測度，以便在高維空間內進行同源數據的線性可分。決策級采用模糊積分理論利用該模糊測度通過模糊積分計算，獲得刮板輸送機故障信息的預測結果，該方法具有較好的容錯性，簡化了冗余信息，降低了故障相互影響的關聯性。刮板輸送機減速器電機故障的診斷研究表明，文中所提出的方法有助于克服故障類型的不確定性，在整體上確保故障數據的完備性，正確地判定故障的類型，提高了故障診斷的準確性。

關鍵詞:數據融合; RBF;模糊積分;刮板輸送機

0　引言

隨著中國煤礦設備自動化程度越來越高，成套設備的相互關聯程度更加密切，一臺設備的故障可能造成整套系統(tǒng)的癱瘓，采煤工作逐漸向“設備重型化、工作面大型化”的方向發(fā)展。刮板輸送機是煤礦綜采面的主要設備之一，它的可靠運行直接影響著礦井的經濟效益［1］。由于煤礦井下環(huán)境惡劣，其故障數據的獲取及有效分類一直是故障診斷的難點。常見的煤礦機電設備故障診斷方法有溫度診斷、振動監(jiān)測、鐵譜監(jiān)測等等［2］，它們所依據的信息比較單一。Rlhcadsron和Mash指出相比于單個傳感器數據信息，應用最優(yōu)理論綜合多個傳感器數據信息能得到更好的對象狀態(tài)估計［3］，而刮板輸送機的某一故障可能是由不同部位的多種因素引起，因此將多傳感器檢測的大量數據進行數據融合，可以提高故障檢測的精確性和可靠性。為此，文中根據數據融合理論，首先利用RBF網絡對同源數據進行一定的處理，通過以往的故障數據對該網絡的權值和閾值進行訓練，得到同源數據歸屬于某故障狀態(tài)的隸屬度，然后采用模糊積分，將前人的經驗量化為不同的規(guī)則信息融合到模糊控制系統(tǒng)中。由于本方法合理地利用了不同種類的信號，將故障原因和故障結果進行合理量化。而決策級采用模糊積分可以提高故障診斷的容錯性。將二者結合起來，不需要較大限度地依賴于前人的經驗積累，利用無導師的學習機制訓練以往的故障數據，得到一個較為精確的故障狀態(tài)隸屬度，結合實際經驗中不同數據信息的權重分布通過模糊積分進行統(tǒng)一融合，從而達到準確實現刮板輸送機故障診斷的目的［4］。現階段，該方法已經成功應用到了電網分區(qū)故障診斷和車輛行駛安全系統(tǒng)中，有效的解決了區(qū)域間故障聯絡和系統(tǒng)穩(wěn)定問題［5－6］。

1　數據融合故障診斷模型

文中所提出的基于RBF和模糊積分的二級數據融合的刮板輸送機故障診斷模型如圖1所示。

一般來說數據融合有3種基本結構:數據級融合、特征級融合和決策級融合。數據級是最底層的融合，它主要針對于傳感器測量的原始數據。特征級融合位于中間層，它的作用對象是原始傳感器所提取的特征向量。決策級是最高層次的融合，針對于每個傳感器觀測目標采集信息并進行特征提取，完成關于目標的說明［7］。

圖1　數據融合故障診斷模型Fig．1　Data fusion fault diagnosis model

考慮到刮板輸送機故障診斷需要一定的實時性和容錯性，所以選擇在特征級和決策級進行數據融合。在特征級選擇RBF神經網絡分別將不同的同源數據進行處理，得到屬于某故障狀態(tài)的模糊測度，在決策級選擇模糊積分算法，將前人的經驗量化為不同的規(guī)則信息融合到模糊控制系統(tǒng)中，提高故障診斷的容錯性。該模型也適用于其它大型復雜系統(tǒng)的故障診斷。

2　同源數據處理—RBF徑向基神經網絡

刮板輸送機故障診斷是一個大型的非線性系統(tǒng)且需要檢測大量的參數，采用RBF具有收斂速度快、高維線性可分的優(yōu)點，可以迅速的通過以往的故障數據對該網絡的權值和閾值進行訓練，得到同源數據歸屬于某故障狀態(tài)的隸屬度。

RBF的神經元模型如圖2所示。它的激活函數采用徑向基函數。

圖2　RBF模型Fig．2 RBF model

其中，激活函數的表達式為

常用的徑向基函數是高斯函數，它的激活函數可表示為

其中‖xp－ci‖為歐式范數; ci為中心;σ為方差。

RBF結構如圖3所示，輸入層到隱含層權值默認為1，隱含層調整參數，輸出層調整現行權值。在文中中，輸入層的節(jié)點代表刮板輸送機某一種運行參數在不同位置的測試數據，輸出層的每一節(jié)點代表刮板輸送機的每一種故障類型［8］。

圖3　RBF結構Fig．3 RBF structure

由圖3所示的RBF結構可以得到網絡的輸出為

式中xp= (，…，)為第P個樣本輸入; ci為隱含層結點中心; wij為隱含層到輸出層的連接權值; yi為與輸入樣本對應的第j個輸出節(jié)點的實際輸出。

3　異源數據處理—模糊積分

決策級融合是高層次的融合，文中在決策級的融合方法采用模糊積分的方法，將前人的經驗量化為不同的規(guī)則信息融合到模糊控制系統(tǒng)中。在特征級經RBF方法得到同源數據歸屬于刮板輸送機某種故障類型的隸屬度，經過模糊積分將每一種同源數據的隸屬度進行整合得到異源數據對刮板輸送機整體故障類型的綜合評價。該方法既考慮了前人的經驗又有可靠地故障數據作為依據，具有較強的容錯性。

定義1模糊測度設X = { x1，x2，…，xn}為有限集合; P(X)為X的冪集，若定義在P(X)上的集合函數g∶P(X)→［0，1］滿足以下正規(guī)性和單調性條件，則稱g是P(X)上的模糊測度［9］

定義2 Sugeno模糊積分設X為一非空集合，h是從X到［0，1］的非負可測函數，g是P(X)上的模糊測度，A∈P(X)，則h關于模糊測度g在集合A上的Sugeno模糊積分定義為［10］

4　算法應用

常見的刮板輸送機的故障部位有減速器、刮板鏈、耦合器、電機等。文中對刮板輸送機的減速器電機故障進行仿真研究，需要研究的電機運行狀態(tài)分別為電機燒毀、軸承損壞、冷卻水管漏水和正常狀態(tài)［11］，根據現場工人的故障檢修經驗與刮板輸送機的電機運行參數分析可知，這4種電機運行狀態(tài)分別與x1(軸承溫度)，x2(冷卻水壓力)，x3(輸入電壓) 3種數據融合信息有關。將5個溫度測點(T1，T2，…，T5)，5個壓力測點(P1，P2，…，P5)，5個電壓測點(U1，U2，…，U5)分別作為3個RBF神經網絡的輸入，將4種電機運行狀態(tài)作為每一個RBF神經網絡的輸出，以軸承溫度數據為例，經RBF神經網絡訓練得到的誤差如圖4所示。

圖4　RBF神經網絡訓練誤差Fig．4 RBF neural network training error

由圖4可以看出，在特征級經過RBF神經網絡的訓練誤差保持在(－0. 4，+0. 4)之間，滿足精度要求。由RBF的輸出得出各同源數據的模糊測度h(x)見表1．

表1　各同源數據輸出模糊測度Tab．1 Homologous data output fuzzy measure

由表1可以看出，電機每種運行狀態(tài)對應的評價因素(x1，x2，x3)之間都是相互聯系的，單憑一種因素不能判斷電機的運行狀態(tài)，需要根據Fuzzy積分來進行綜合判斷。

根據生產的實際情況，設重要性測度為

μ({x1}) =0．5，μ({x2}) =0．2，μ({x3})=0．3，

μ(X) =1，μ(?) =0．

根據式(4)可以計算出電機各種運行狀態(tài)的綜合評價(Sugeno模糊積分)為

可以看出編號b1電機燒毀的模糊積分的綜合評價值0. 8為最大，可以得出合理的評價結論:刮板輸送機電機發(fā)生了電機燒毀故障，應盡快組織人員進行檢修，與實際情況相符。

5　結論

采用RBF神經網絡和模糊積分理論組成二級數據融合故障診斷模型，對刮板輸送機進行了故障診斷研究。該方法將刮板輸送機故障原因和故障結果之間的聯系進行合理量化，簡化刮板輸送機故障檢測中的復雜性，在一定程度上提高了對故障判斷的準確性，刮板輸送機電機故障的診斷驗證了所提方法的可行性。

參考文獻References

［1］高建炯，郭衛(wèi)．基于PLC控制的刮板輸送機監(jiān)控裝置設計［J］．西安科技大學學報，2011，31(5) : 608－611. GAO Jian-jiong，GUO Wei．Scraper conveyor monitoring device based on PLC control design［J］．Journal of Xi’an University of Science and Technology，2011，31(5) : 608－611.

［2］母曉斌．煤礦機電設備故障診斷［J］．中國新技術新產品，2010(18) : 147. MU Xiao-bin．Coal mine mechanical and electrical equipment fault diagnosis［J］．China’s New Technology，New Products，2010(18) : 147.

［3］Ren C L，Michael G K．Multisensor integration and fusion for intelligent machines and systems［M］．Ablex Publishing Corporation，New Jersey，USA，1995.

［4］管濤，馮博琴．Choquet模糊積分的粗糙性及信息融合［J］．西安交通大學學報，2004，38(12) : 1 251－1 254. GUAN Tao，FENG Bo-qin．Choquet fuzzy integral and information fusion［J］．Journal of Xi’an Jiaotong University，2004，38(12) : 1 251－1 254.

［5］石東源，熊國江，陳金富，等．基于徑向基函數神經網絡和模糊積分融合的電網分區(qū)故障診斷［J］．中國電機工程學報，2014，34(4) : 562－568. SHI Dong-yuan，XIONG Guo-jiang，CHEN Jin-fu，et al．The grid partition diagnosis fault based on RBF and fuzzy integral fusion［J］．Proceedings of the Csee，2014，34(4) : 562－568.

［6］陳雅君，曲仕茹．車輛行駛安全運行決策研究［J］．測控技術，2011，30(10) : 92－95. CHEN Ya-jun，QU shi-ru．Active-safely operation decision of highway vehicles［J］．Journal of Measurement and Control Technology，2011，30(10) : 92－95.

［7］張延龍，王俊勇．多傳感器數據融合技術概述［J］．艦船電子工程，2013(2) : 41－44. ZHANG Yan-long，WANG Jun-yong．Summary of multisensor data fusion technology［J］．Journal of Electronic Engineering，2013(2) : 41－44.

［8］江帆，李偉，曹保鈺，等．基于RBF神經網絡的轉子－軸承系統(tǒng)故障診斷［J］．軸承，2012(2) : 30－33. JIANG Fan，LI Wei，CAO Bao-yu，et al．The rotor-bearing system based on RBF neural network fault diagnosis ［J］．Bearing，2012(2) : 30－33.

［9］趙研，盧奕南，權勇．基于模糊積分多源數據融合的蛋白質功能預測［J］．南京大學學報，2012，48 (1) : 63－69. ZHAO Yan，LU Yi-nan，QUAN Yong．Protein function prediction based on the fuzzy integral multi-source data fusion［J］．Journal of Nanjing University，2012，48(1) : 63－69.

［10］趙志偉．基于模糊積分的多分類器融合方法研究［D］．長沙:長沙理工大學，2009. ZHAO Zhi-wei．Multiple classifier fusion method based on fuzzy integral research［D］．Changsha: Changsha U-niversity of Science and Technology，2009.

［11］王琳．刮板輸送機故障分析與技術改進研究［D］．西安:西安科技大學，2006. WANG Lin．The analysis and technical improvement research of scraper conveyor［D］．Xi’an: Xi’an University of Science and Technology，2006.

Scraper conveyor fault analysis based on RBF fuzzy integral multisensor data fusion

ZHANG Yong-qiang1，2，MA Xian-min1，LIANG Lan1
(1. College of Electrical and Control Engineering，Xi’an University of Science and Technology，Xi’an 710054，China; 2. Branch of Mining Machinery Manufacturing Maintenance Co．，Ltd．，Shenhua Ningxia Coal Industry Group，Yinchuan 750001，China)

Abstract:Scraper conveyor is one of the most important equipment in the coal mine．The current status of fault diagnosis on scraper conveyor was introduced briefly．According to the data fusion theory，the fault diagnosis method of scraper conveyor is proposed based on RBF and fuzzy integral method to solve the difficulty problem which the fault variety and parameters are interconnected．In the characteristics level RBF algorithm is used，the homologous data for each kind of fault fuzzy measure is got，so that the homologous data can be quickly convergent and linearly separable in high dimensional space．In the decision level the fuzzy integral algorithm is adopted．It used the fuzzy measure by fuzzy integral calculation，got the predictive results of the scraper conveyor fault information，simplified redundant information and reduced the relevance of failure influence for good fault tolerance．The research example of the reducer motor fault diagnosis in scraper conveyor shows that the suggested method can overcome the uncertainty of fault type，ensure the completeness of fault data overall and improve the precision of fault diag-book=272,ebook=125nosis for scraper conveyor fault diagnosis．

Key words:data fusion; RBF; fuzzy set integral; scraper conveyor

通訊作者:張永強(1968－)，男，寧夏隆德人，高級工程師，E-mail: zhyq732@ sina．com

基金項目:國家自然科學基金(51277149)

*收稿日期:2015－12－20責任編輯:高佳

DOI:10．13800/j．cnki．xakjdxxb．2016．0219

文章編號:1672－9315(2016) 02－0271－04

中圖分類號:TD 528

文獻標志碼:A