基于時間序列和BP神經網絡的礦井風機故障診斷

摘 要：礦井通風機是煤礦井下通風不可或缺的安全設備，被譽為礦井的“呼吸”系統，一旦出現故障而停機運行，將威脅到整個礦山的安全生產。針對這一問題，建立基于時間序列和BP神經網路的礦井通風機故障診斷系統。利用測取的信號進行時間序列分析，建立AR模型并進行估計、預測，鎖定故障發生的范圍，這樣節省了盲目查找故障的時間。直接從預測故障范圍中提取參數作為特征向量，并以此作為BP神經網絡的訓練樣本，實現礦井風機的故障診斷。

關鍵詞：礦井通風機；時間序列；BP神經網絡；故障診斷

引言

礦井通風機正常運行有利于煤礦的安全生產，對其進行狀態監測和故障預測，及時準確地識別核心零部件的故障信號，并提取評估，預測故障的發展動態，有利于及早發現故障、預測故障并制定維修策略。這樣提高了礦井通風機的安全性和可靠性，實現由“事后維修”到“預知維修”的過程，減少了突發事件造成的停機損失，能夠有效發現風機早期的故障。文章提出了基于時間序列和BP神經網路的礦井通風機故障診斷系統，其目的是減少特大故障的發生，實現風機的經濟運行、保障煤礦作業人員的安全。

1 時間序列估計、預測風機故障

1.1 時間序列原理

通過現場測取有限時間段的通風機運行狀態信號，經過一系列的處理后，得到平穩、正態、零均值的時間序列{xt}，從而建立礦井通風機的動態時間序列AR模型，來評價通風機的運行情況和估計其未來發展趨勢，并做出預測。其 AR 模型的結構為：

文章采用最小二乘法原理對時間序列{xt}進行估計，解方程組（2）可得AR（n）的參數模型。

1.2 AR模型預測

1.3 風機運行狀態建模、估計與預測在MATLAB中的實現

礦井通風機時序建模可分為兩個階段，一是預估模型階數，根據AR模型中最小最終預報誤差準則FPE準則進行適用性檢驗，取FPE 最小時的 n 為3時作為模型階數并建模。二是求出模型參數，對于特征時間序列 X，用最小二乘法估計的全極點模型的自互相關法計算AR（n）模型的參數。MATLAB 程序為：

對于時間序列{xt}，根據式（2）的原理計算AR（n）模型的參數，選取n為3，也就是時間序列模型為3階系統。

對于風機的狀態監測比較簡單，在現場連續監測55小時，每小時提取5個通風機軸承溫度的信號，每5個數據取均值后得到55個風機預測數據點，根據式（3）的基本原理來進行風機的運行狀態估計和誤差預測。

estx=filter（[0-a（2：end）]，1，x）； %估計時間序列

e=x-estx； %預測誤差

[acs，lags]=xcorr（e，’coeff’）；

subplot（121）；

plot（1：55，x，1：55，estx，’-.’）；

title（’原始信號’）；

xlabel（’采樣點’）；

ylabel（’幅度’）；

grid；

legend（’原始信號’，’最小二乘法估計’）

subplot（122）；

plot（lags，acs）；

title（’預測誤差的自相關函數’）；

xlabel（’延遲’）；ylabel（’歸一化值’）；grid；

MATLAB程序結果如圖1所示，其中，虛線為預測曲線，實線為實測曲線。圖2為預測誤差的自相關函數。

1.4 結果分析

由圖1可看出實測曲線和最小二乘法估計的預測曲線在48時相差很大，由圖2預測誤差的自相關函數可知：在0點的相關程度最大之后在減小，但在48處有出現局部峰值，即48附近為預測故障范圍，礦井通風機可能出現故障。因此可將預測故障范圍內的數據即提取46到50之間的20個點，作為BP神經網絡的訓練數據，這樣節省了盲目查找的時間，及時預測故障，及時檢查并維修，減少突發事故發生。

2 故障診斷

2.1 BP神經網絡模型

礦井通風機軸承溫度異常原因有：潤滑不良和軸承異常。其中軸承常見故障類型主要有：轉子彎曲、轉子不對中、轉子不平衡、軸承損壞、轉子磨損、油膜渦動6類。

2.2 診斷結果分析

經MATLAB建模運行，由結果可知輸出矩陣：

輸出矩陣Y的列向量分別代表2個待診斷樣本的輸出。以1表示故障必然發生，0表示無故障。

通過時間序列AR模型預測出故障范圍，并將故障范圍內的數據特征提取作為BP神經網絡的訓練樣本，這樣節省了盲目查找故障的時間。

3 結束語

基于時間序列和BP神經網絡的故障診斷方法可以識別典型的故障。理論上，我們應該對風機長期觀察提取足夠多的訓練樣本，這樣才能達到精確的識別精度。但由于實際情況的局限性，只能根據個別典型的數據來初步找到故障范圍進行故障診斷。

文章利用時間序列AR（3）建模、評估、預測出故障范圍，提取預估故障范圍內的數據，并以此作為BP神經網絡的訓練樣本，時間序列和BP神經網絡相結合能快速診斷風機是否發生故障并識別故障類型，且建模簡單，節省盲目查找故障的時間，有利于風機的及時維護。

參考文獻

[1]王俊，劉剛.基于時間序列和神經網絡的溫室傳感器節點故障診斷[J].中國農業大學學報，2011（6）：163-168.

[2]朱建元.基于BP神經網絡與時間序列分析的柴油機故障診斷[J].上海海事大學學報，2006（4）：22-27.

[3]王廣斌，劉義倫，金曉宏，等.基于時間序列分析的風機運行狀態監測與預報及故障診斷[J].機械，2005（1）：21-23.

[4]卞琛，錢育蓉.基于改進的自適應回歸時序模型故障診斷[J].計算機測量與控制，2014（10）：3095-3097+3100.

[5]蘇春，王勝友.基于隨機故障序列的制造系統動態可靠性仿真[J].機械工程學報，2011，24：165-170.

[6]楊叔子，吳雅，等.時間序列的工程應用（下冊）[M].華中理工大學出版社，1991，5：8.

[7]張善文，雷英杰，等.MATLAB在時間序列中分析的應用[M].西安電子科技大學出版社，2007.

[8]張德豐，等.MATLAB神經網絡仿真與應用[M].電子工業出版社.

作者簡介：管麗莎（1991-），女，河北邯鄲人，河北工程大學機電學院研究生，主要研究方向為大型設備的故障診斷、故障預測。