基于混合算法的采煤機故障診斷與預測系統設計應用*

李丹曦

(晉能控股煤業天安公司圣鑫煤業，山西 晉城 048000)

0 引 言

采煤機作為大型煤礦企業的主要大型復雜機械設備，其正常運轉對企業安全高效生產至關重要。采煤機故障不但會影響企業的生產運行，更是會帶來安全隱患，引發安全事故，對企業人身財產安全帶來巨大威脅。現階段，國內煤礦生產企業在機械設備信息監測方面仍然滯后。針對此現狀，筆者進行了采煤機故障診斷與故障預測系統的設計方案探討，通過對設備信息進行監測并及時處理，減少故障對企業生產的影響，提高企業安全性，提高企業經濟效益。

1 采煤機結構及常見故障概述

采煤機是煤炭生產企業的主要核心設備，其主要功能為實現裝煤與落煤。文中以雙滾筒采煤機為研究對象，其外觀圖如圖1所示。雙滾筒采煤機主要由四部分組成，包括牽引部分、動力部分、截割部分以及其他部分。其中，動力裝置為采煤機提供動力，使設備可以良好正常的傳動；牽引裝置是保證采煤機移動的主要部分，是煤炭運輸的關鍵；截割裝置的作用是刮落深層煤炭進入牽引裝置，使煤炭運輸出去；其他裝置主要包括電氣控制部件、采煤機底部托架、采煤機控制部件以及調斜油缸等，主要作用是輔助采煤機生產，保證設備科學高效運行。

圖1 采煤機機械外觀示意圖

采煤機的故障通常發生在動力裝置、液壓裝置以及機械部件部分。其中，動力裝置部分的故障主要有搖臂升降障礙故障、瓦斯斷電儀與傳感器故障、先導回路難啟動故障、端頭站與遙控器失靈故障、電機和變頻器損壞故障等；機械裝置故障主要包括軸承處有噪聲、軸承表面溫度過高、齒面損壞、齒面損傷與膠合、齒面達到疲勞極限、彎曲達到疲勞極限與鋸齒斷裂等；液壓裝置故障主要包括牽引裝置故障、液壓牽引部位溫度過高以及液壓牽引部位有異響等。

2 采煤機故障診斷與預測系統設計方案

2.1 故障診斷與預測系統模塊分析

采煤機的故障診斷與預測系統設計可分為七部分，具體為設備故障診斷部分、設備信號處理與參數采集部分、設備故障預測部分、設備知識獲取部分、設備知識庫部分、設備解釋部分以及設備用戶界面部分。采煤機故障診斷與預測系統結構示意圖如圖2所示。采煤機故障診斷與預測系統的首先對采煤機在日常使用中最可能發生的故障進行知識分析，然后通過專家系統與模糊模塊化BP神經網絡集合的方法對采煤機故障的相關知識進行知識學習，使系統可快速準確識別采煤機故障信息達到預測與分析的目的。

圖2 采煤機故障診斷與預測系統結構示意圖

采煤機信號處理與參數采集部分主要作用是對采煤機工作過程中的實時信息參數進行采集，利用數據訪問對象方法使系統采集到的數據與系統已建立完備的數據庫連接起來；知識獲取部分主要是將原有的采煤機故障信號進行BP神經網絡學習，將學習后的數據存儲于數據庫，使系統在進行故障診斷與預測時可快速讀取；故障預測與診斷部分主要是將有故障學習數據的數據庫中的信息運用數據訪問對象法進行提取，然后依據信息進行故障預測與判斷；解釋模塊的主要作用是對故障預測與診斷模塊得出的結果進行解釋說明；知識庫模塊主要是實踐知識與智能算法處理后的知識的儲存位置；用戶界面是對信息的顯示模塊。

2.2 故障診斷系統算法設計

故障診斷實際就是運用計算機對實際生產數據進行診斷與識別的過程。常用的智能算法有專家系統、神經網絡以及模糊控制，三者各有優缺點。BP網絡算法的非線性擬合能力較強大，對專家系統算法進行補充較為合適。但該算法對推理依據與過程無法解釋，將任何推理與問題都轉化為數字必定會造成信息的丟失，當數據不全面時神經網絡系統就無法工作。專家系統由于需要不斷接受新的知識與數據，再加上模糊控制系統，參數的變化與外界的干擾對系統判斷分析的影響就較小，對于純滯后、時變以及非線性系統控制較強。故將三種算法結合可互為補充。

文中的故障診斷采用模糊模塊化BP網絡算法，模糊模塊化BP網絡主要包括控制部分與規則部分。模糊模塊化BP網絡結構圖如圖3所示。該網絡采用三層網絡控制的方法進行信息處理，可使故障診斷系統對故障信息判斷更加科學穩定精確。模糊模塊化BP網絡算法的實質是將FCM與自適應學習率BP網絡倆種算法融合的方法。

圖3 模糊模塊化BP網絡結構圖

2.3 故障預測系統算法設計

采煤機故障預測系統作為采煤機故障診斷系統中的一部分，設備故障預測系統模型建立采用BP神經網絡算法，運用該方法可使預測系統實現設備運行在線與離線預測兩種功能。當故障預測系統發現設備在運行過程中的重要參數不在系統內數據設置的正常變化范圍之內時，系統就會發出警報并提醒維修人員進行及時檢修，使故障與事故發生的概率大大降低。文中的故障預測系統算法采用的是遞推合成BP神經網絡算法，故障預測系統網絡訓練流程如圖4所示。遞推合成BP神經網絡算法將新算法將連接權引入到了輸出層與輸入層之間，同時Sigmoid函數也替換替換成了g(x)=x函數，再加上此設計使用三層網絡結構，輸入層與網絡隱層的節點數都采用試算的方法決定，故該方法的預測精度更好，預測更為準確，性能優于傳統的BP神經網絡算法。

2.4 專家系統應用

專家系統實質上就是運用計算機對人類的專家思維進行模擬的方法，通過在專家系統中儲存大量的實踐經驗與專家知識，經過智能技術的強大運算功能，對不同情況的問題數據進行判斷與推理，再通過模擬專家決策的模式，從而對復雜問題進行處理與判斷。專家系統結構圖如圖5所示。專家系統的建立最主要的步驟就是對知識庫的建立，知識庫內容的好壞對專家系統的優劣影響巨大。

圖4 遞推合成BP神經網絡算法網絡訓練流程圖

圖5 專家系統結構示意圖

此設計的知識庫采用基于關系數據庫的知識庫，開發過程主要分為三步：第一步為數據結構的完善，運用二維表的方法將各類故障的原始數據與經相關計算以及處理后的數據儲存起來。第二步為規范處理數據，使數據得以精簡，沒有冗余，使數據庫相對較為完整，使系統可以隨時調用數據。第三步為對規范處理后的數據進行運算處理，保證系統隨時調用，保證系統運行效率。

3 系統測試

啟動采煤機故障診斷與預測系統，選擇診斷對象以及智能算法，輸入各類節點數目以及樣本數目，將故障樣本進行讀取并進行智能算法訓練后即可進行故障診斷與預測。隨機選擇采煤機的牽引系統進行故障預測，算法選擇遞推合成BP網絡算法，選擇完畢并確認后即可得如圖6的預測界面，由此可知，故障診斷與預測系統運行正常。與傳統的采煤機故障診斷與預測系統相比，故障診斷與預測功能更為全面，系統可準確判斷故障原因，預測數據也更為詳細。運用采煤機故障診斷與預測系統對200個測試樣本進行故障診斷，經記錄分析其診斷正確率為100%，故障診斷準確，符合采煤機故障診斷與預測系統的設計要求。

圖6 牽引系統參數預測界面

4 結 論

采煤機作為煤炭企業生產的主要機電設備，其工作環境惡劣、結構復雜、故障隱蔽，是煤炭企業設備管理的重點對象。傳統的采煤機故障診斷與預測系統技術相對較為落后，故障診斷與預測還存在誤報現象。針對這一問題，對采煤機故障診斷與預測系統進行針對性設計分析，通過研究得出了以下結果：

(1)采用專家系統、神經網絡以及模糊控制三種算法結合的方法對采煤機故障診斷與預測系統進行設計分析可提高系統故障診斷與預測準確率。

(2)按上述方法進行系統設計并進行實際測試后發現，200個故障測試樣本測試中準確率為100%，符合故障診斷與預測系統設計要求。