基于自組織特征映射網絡的采煤機故障診斷

?，摤?林園園 徐 彤

（江蘇師范大學科文學院，江蘇 徐州 221132）

目前針對采煤機故障診斷方法包括：鐵譜分析法、傳感器檢測法、故障歷史查詢法、專家診斷和人工神經網絡等[1-2]。其中鐵譜分析法是借助磁力將金屬顆粒從油液中分離出來，通過分析其磨損程度，進而判斷故障原因，但該方法操控復雜。傳感器檢測法和故障歷史查詢法雖簡單易行，但僅限于判斷已知或直接關聯的故障，對新出現或間接故障卻無法識別。專家診斷法需提前總結出一套合理的規則知識庫，但如何獲取準確有效的規則機制，實現起來又很困難。因此，為克服上述各類方法功能不全或不易實現的弊端，提出了一種基于自組織特征映射（SOM）神經網絡的采煤機故障診斷方法[3-4]。

1 SOM 神經網絡

自組織特征映射（SOM）是一種競爭學習網絡，通過模擬人腦來“聚類”外部輸入信息，具有無監督、自組織、自學習等特點，適用于數據聚類、圖像處理等，網絡結構如圖1。

圖1 SOM 神經網絡基本結構

由圖1 可知，SOM 神經網絡由具有全連接形式的“輸入層和輸出層”兩層神經元組成。其工作原理及特點是，外界信號輸入網絡時，網絡將會根據輸入信號的數據特征信息，進行數據特征聚類，經過大量數據集的無監督網絡學習訓練，最終輸出層神經元會被分為不同的聚類區域，不同的聚類區域會對具有不同特征的輸入信號具備不同的“激活”特性。綜上，SOM 神經網絡具有對輸入信號的模式特征提取的能力，在完成基本的網絡結構設計后，經過輸入訓練數據集進行網絡結構的迭代學習訓練，最終可得到連接權值趨于穩定的網絡結構，之后該網絡即可用于實際數據聚類分析。

2 網絡結構設計

依據SOM 神經網絡的基本結構和原理，本文以MG300/700-WD 型交流電牽引采煤機為研究對象進行SOM 神經網絡的結構設計。經多次現場調研和數據分析，總結出該型采煤機故障發生部位主要集中在液壓主泵、輔助泵、補油泵、截割電機和冷卻系統[5]。因此，可以設法通過對這些部位相關特征參數的分析提取，從而快速判定故障原因和故障部位。通過對該型采煤機常見故障及原因分析匯總，可提取采煤機故障特征包括：空載補油壓力x1，帶載補油壓力x2，液壓主泵出口壓力x3，油液馬達主供回油流量差x4，搖臂升降耗時x5，截割機電流x6，截割機溫度x7，冷卻系統壓力x8，冷卻系統流量x9。故障原因（異常）包括：系統正常y1，液壓主泵異常y2，液壓補油泵異常y3，濾油器阻塞y4，液壓輔助泵異常y5，油液馬達異常y6，截割機過載y7，冷卻系統異常y8。

綜上，根據SOM 神經網絡的基本特性和上述采煤機故障特征及故障原因，可確定所要設計的SOM 神經網絡的輸入層神經元個數為9 個，對應采煤機的9 個故障特征，網絡聚類輸出結果為8 個，對應采煤機的8 個故障原因。表1 為包括8 組用于學習訓練網絡模型的訓練樣本數據和2 組用于后期模型功能驗證的樣本數據。由8 組訓練樣本數據集可確定SOM 神經網絡輸入向量的維數為9×8。

表1 用于訓練和驗證的樣本數據

SOM 神經網絡模型的輸出層神經元個數的多少與訓練所使用的集合樣本有多少的模式類數有關。如果輸出層神經元的個數少于模式類數，則所得到的網絡訓練的聚類輸出結果必然會將相近的模式類合并為一類，即聚類的輸出結果不夠細化。反之若輸出層神經元的個數多于模式類數，則會將輸入向量的類別分得過細，容易出現“死節點”，即在網絡模型整個學習訓練過程中，輸出層的某個或某些神經元節點從未競爭獲勝過，其權值也從未更新過。為防止出現上述兩種極端情況，經仿真論證，最終確定SOM 神經網絡的輸出層神經元個數為36 個，即輸出層網絡結構為6×6，輸入層神經元個數為9個。

3 Matlab 仿真

針對設計的SOM 網絡結構，利用newsom(min max(P),[d1,d2,...])和train(net,P) 函數進行學習訓練。其中，newsom 用來創建SOM 網絡，train 用來訓練創建好的神經網絡。上述函數中涉及的參數P、[d1,d2,...]及net 分別表示輸入的樣本矩陣、輸出層結構及設計的SOM 網絡。輸入的樣本矩陣P 為表1 中的8 組訓練樣本數據，[d1,d2,...]=[6,6]，仿真步驟如下。

（1）對輸入的樣本矩陣P 進行轉置，創建SOM 網絡net=newsom(min max(P),[6,6])。

（2）網絡創建后，利用train(net,P)函數進行學習訓練，共進行了5 次仿真學習訓練，最終所得的特征分類結果見表2。

表2 特征分類結果

表2 中“N”即代表相應的“故障樣本”，“Ni”（i=1～8）代表故障樣本yi，即與故障原因yi相對應的樣本集。如表2 所示，當訓練的次數為100 次時，可將采煤機的故障樣本聚歸為五類，不能夠用于實際聚類應用，此時的分類不夠細化，因此需要對訓練的次數進行加大。當訓練次數分別增加到200 和300 次時，故障樣本被進一步細化，被分為了六類，但仍未滿足設計要求。當訓練次數達到500 和1000次時，故障樣本已經被分為了八類，即每個故障樣本均被單獨分為一類，此時便可以區分出不同的故障類型。以1000 次訓練所得的網絡模型和輸出結果為最終研究對象。為了更加直觀有效地判定所設計的SOM 神經網絡在輸出層上競爭勝利神經元節點的分布情況，通過進一步利用plotsomhit s(net,P)函數對神經元“獲勝”分布情況進行仿真，結果如圖2。共36 個（對神經元的排序按照先左后右、先下后上的順序，如最左下角為1 號神經元，最右上角為36 號神經元），其中白色六邊形28 個，深色六邊形（標記“1”）8 個。為了敘述方便，下面均以顏色簡稱。白色表示競爭未獲勝神經元，深色表示輸出層競爭獲勝的神經元，其神經元編號與故障原因一一對應，即當發生此類故障時，相應的神經元就會被“激活”，從而用于判斷發生故障的原因。通過仿真，匯總出獲勝神經元與故障原因對應關系見表3。

圖2 “獲勝”神經元分布

表3 獲勝神經元與故障原因對應關系

為了驗證上述設計的SOM 神經網絡模型是否滿足設計要求，采用sim(net,P)和vec2ind(r)函數進行仿真驗證，即r=sim(net,P)，rr=vec2ind(r)。通過將表1 中的2 組驗證樣本數據輸入本SOM 網絡，最終仿真輸出結果rr 的值分別為16 和12，即被“激活”的神經元分別為16 號和12 號。由表3 可知，16 號神經元對應的分類結果為“主泵異常y2”，即故障發生在液壓系統主泵；12 號神經元對應的分類結果為“補油泵異常y3”，即故障發生在液壓系統補油泵。仿真輸出結果與表1 所統計的2 組驗證樣本數據對照情況完全一致，圖3 為神經元激活分布情況圖。

圖3 “激活”神經元分布

4 結論

針對傳統采煤機故障診斷技術的弊端，將SOM神經網絡應用于采煤機故障診斷研究。通過理論分析和仿真試驗論證，并結合現場采煤機的故障特征及故障原因數據，利用Matlab 創建并訓練出適用于采煤機的SOM 神經網絡故障診斷模型。最后，通過與現場實際故障樣本數據統計結果的仿真對比，驗證了該方法的可行性和正確性，為進一步的工程實踐應用奠定了理論技術基礎。