基于GA-BP的礦用提升機制動器故障診斷方法

狄日升

（同煤浙能麻家梁煤業有限責任公司大型一隊， 山西 朔州 036000）

引言

制動器是礦井提升機的重要組成部分，在保證礦井提升機正常、平穩運行中起著不可或缺的作用，由于制動器的運行是依靠機電液耦合作用，各種信號的耦合是制動器發生故障時診斷困難的主要原因，因此，制動器故障診斷的研究對提高制動器的可靠性有重要的意義。礦井提升機在復雜、惡劣的環境下工作，其受到的載荷、運行速度等變化較為劇烈，運行過程中容易發生各種難以預測的問題，因此對礦井提升設備制動器的故障類型識別、故障嚴重程度評估以及故障診斷的研究具有重要的現實意義。

1 GA-BP神經網絡

BP神經網絡是一種前向多層次的網絡，在網絡培訓過程中，BP神經算法即調整網絡權值的訓練方法[1-2]。BP神經算法作為神經網絡中的精華部分，由于其機構簡單，可塑性、非線性映射能力及分布式處理能力較強，因而在信息分類處理、數據壓縮等相關領域應用較為廣泛。BP神經網絡由輸入層、隱含層以及輸出層三部分構成。BP神經網絡結構如圖1所示，神經網絡的上、下層之間全部連接，各層之間的神經元無連接。

GA-BP神經網絡由于較BP神經網絡具有收斂更快，記憶能力以及網絡學習能力更為穩定等優點[3]，如圖2所示是GA-BP神經網絡算法流程示意圖。GA-BP神經網絡由種群初始化、適應度函數、選擇算子、交叉算子以及變異算子等要素組成。種群初始化采用二進制編碼；適應度函數采用分配函數[4]FitnV=ranking（obi），其中，obj表示目標函數輸出值選擇算子應用隨機抽樣；交叉算子采用單點交叉算子。遺傳算法具體運行參數如下：種群大小為100；二進制位數為10；遺傳代數為150；交叉概率采用0.7；代溝0.95；變異概率選用0.01。

圖1 BP神經網絡結構示意圖

圖2 GA-BP神經網絡算法流程示意圖

2 BP網絡輸入輸出參數的確定

通過對礦井提升機制動器的日常故障的先關資料和因素的收集，確定貼閘油壓（Pt/MPa）、制動正壓力（PN/kN）、液壓系統殘壓（Pc/MPa）、松閘油壓（Ps/MPa）、液壓站油壓（p/MPa）、閘瓦貼合狀態（Pk）、磨損超限判定油壓（Pt/MPa）等7個神經元為BP網絡輸入層；制動器的故障類型構成了BP網絡輸入層，共由6個神經元組成，具體如表1所示。

表1 輸出層神經元

3 神經網絡建立

礦用提升設備的故障類型較多，神經網絡中隱含層選取多少是較為困難的問題，隱含層選取過多導致神經網絡訓練時間過長，運算過程中容易出錯，通過相關研究得知，BP神經網絡隱含層從3開始到17時，神經網絡的收斂及精度較高，因此，選取的神經網絡結構是7×17×6。

BP神經網絡中訓練樣本的選取對訓練過程中的收斂有重要的影響，考慮到礦井提升設備的制動器影響因素較多，在最終確定訓練樣本時每一種引起制動器故障的數據都應加以考慮，經反復選定，最終選取30組數據進行樣本進行訓練，由于篇幅有限，文中僅列舉出故障的樣本數據。BP神經網絡的輸入、輸出結果如表2、表3所示。

表2 故障診斷訓練樣本數據

表3 輸出訓練樣本

為了判斷GA-BP神經網絡在故障診斷方面的表現，選取提升機制動器的30組數據運用GA-BP神經網絡與Elman網絡及傳統BP神經網絡分別進行訓練，得到各個神經網絡的訓練誤差曲線，如圖3—圖5所示為GA-BP神經網絡、Elman神經網絡及傳統BP神經網絡的訓練誤差曲線。

從圖3—圖5可以清晰地得出：GA-BP神經網絡的迭代次數在3種迭代網絡中最低，為19次，Elman神經網絡的迭代次數是250次，較GA-BP神經網絡迭代次數高13倍；傳統BP神經網絡訓練過程中迭代次數是29次，較GA-BP神經網絡迭代次數高2倍。GA-BP神經網絡的迭代次數及運算誤差均較傳統BP神經網絡、Elman神經網絡小的多，體現出GA-BP神經網絡具有更強的全局搜索能力。為進一步判斷GA-BP神經網絡的故障診斷能力，選取3組未訓練的礦用提升機制動器的實測數據進行研判，具體測試數據樣本如表4所示，計算結果如第202頁表5所示。

圖3 GA-BP網絡迭代次數及訓練誤差

圖4 傳統BP網絡迭代次數及訓練誤差

圖5 Elman神經網絡迭代次數及訓練誤差

表4 測試樣本數據

4 結語

制動器是礦井提升機的重要組成部分，由于制動器處于潮濕、粉塵、腐蝕性氣體等各種不利因素混雜的惡劣環境下工作，導致其故障診斷比較困難。因此，對礦用提升機制動器故障診斷的研究顯得十分有意義，且GA-BP神經網絡在礦用提升機制動器故障診斷方面更具優勢，為礦用提升機制動器故障診斷提供一種新的、可行的手段。

表5計算結果