基于BP 神經(jīng)網(wǎng)絡(luò)的旋回式破碎機(jī)故障診斷研究

高英勇，崔宇，李云濤，荊洪迪，張振江，劉顯鋒

(1.鞍鋼礦業(yè)有限公司眼前山分公司，遼寧 鞍山市 114000；2.中國(guó)科學(xué)院沈陽(yáng)自動(dòng)化研究所，遼寧 沈陽(yáng) 110016)

0 引言

礦山在采礦生產(chǎn)過(guò)程中，要保證安全生產(chǎn)，采礦設(shè)備正常運(yùn)轉(zhuǎn)是關(guān)鍵。一直以來(lái)，生產(chǎn)施工受礦山機(jī)電設(shè)備故障的影響，甚至有時(shí)候還會(huì)威脅到作業(yè)人員的人身安全。礦巖破碎是采礦生產(chǎn)過(guò)程當(dāng)中的重要環(huán)節(jié)，若在這個(gè)過(guò)程中，破碎設(shè)備出現(xiàn)故障，礦山無(wú)法正常生產(chǎn)時(shí)會(huì)給企業(yè)帶來(lái)?yè)p失及安全問(wèn)題。因此，此領(lǐng)域的科研工作者都在探討診斷設(shè)備故障的辦法，以期改善工程建設(shè)品質(zhì)和施工效果，從而降低企業(yè)經(jīng)濟(jì)損失，減少了產(chǎn)生重大安全事故的概率。迄今為止，露天礦大型設(shè)備如破碎機(jī)等的故障診斷仍然依靠現(xiàn)場(chǎng)工作人員的工作經(jīng)驗(yàn)，由于設(shè)備零部件的復(fù)雜性和故障特征的多樣性，主觀診斷方法在實(shí)際故障診斷過(guò)程中精準(zhǔn)度不足，因此，人工智能和物聯(lián)網(wǎng)技術(shù)在露天礦設(shè)備故障診斷過(guò)程中有著巨大的應(yīng)用潛力。此類診斷的方法簡(jiǎn)單可靠，可以利用多種傳感器收集大型破碎裝置的狀態(tài)參數(shù)，并運(yùn)用大數(shù)據(jù)分析建立設(shè)備故障診斷模式，通過(guò)掌握破碎裝置故障的變化規(guī)律及時(shí)地對(duì)故障做出檢測(cè)預(yù)警。劉俊峰等[1]利用FSC-MPE 和BP 神經(jīng)網(wǎng)絡(luò)對(duì)滾動(dòng)軸承進(jìn)行了故障識(shí)別研究，驗(yàn)證了其可行性和優(yōu)越性。張偉星等[2]以火箭增壓輸送系統(tǒng)為研究對(duì)象，基于BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行了有效的故障檢測(cè)，滿足實(shí)時(shí)故障檢測(cè)需求。

本文選用旋回式破碎機(jī)作為主要診斷對(duì)象，對(duì)露天礦大型破碎機(jī)故障原因較復(fù)雜且不易判斷的問(wèn)題，通過(guò)利用網(wǎng)絡(luò)技術(shù)調(diào)查和收集各礦井關(guān)于旋回式破碎機(jī)階段性的實(shí)時(shí)狀態(tài)數(shù)據(jù)，進(jìn)而判斷并確定旋回破碎機(jī)故障類型，選取了適當(dāng)?shù)墓收咸匦詤?shù)，通過(guò)使用BP 神經(jīng)網(wǎng)絡(luò)建立了能及時(shí)預(yù)見(jiàn)并實(shí)時(shí)準(zhǔn)確檢測(cè)旋回式破碎機(jī)故障的故障診斷模式，既極大地節(jié)省了旋回式破碎裝置的維護(hù)時(shí)間和保養(yǎng)成本，又大大提高了露天礦采礦產(chǎn)品的實(shí)用生產(chǎn)率。

1 旋回式破碎機(jī)故障診斷模型建立

人工神經(jīng)網(wǎng)絡(luò)萌芽于20 世紀(jì)60 年代，由于當(dāng)時(shí)計(jì)算機(jī)硬件資源能力不足，其理論只能停留在簡(jiǎn)單的模型之上，無(wú)法得到全面的應(yīng)用和驗(yàn)證。直至20 紀(jì)世80 年代，反向傳播算法的出現(xiàn)使得人工神經(jīng)網(wǎng)絡(luò)技術(shù)快速崛起，其將原本十分復(fù)雜的鏈?zhǔn)椒▌t拆解為獨(dú)立的、只有前后關(guān)系的連接層，并按照各自的權(quán)重調(diào)整閾值，使得人工神經(jīng)網(wǎng)絡(luò)從繁重的、難以解決的樣本計(jì)算中脫離出來(lái)，通過(guò)學(xué)習(xí)已有的數(shù)據(jù)統(tǒng)計(jì)規(guī)律，對(duì)未知事件做出合理預(yù)測(cè)。

研究表明，具有3 層的BP 網(wǎng)絡(luò)，能夠成功對(duì)一般復(fù)雜程度的機(jī)器實(shí)現(xiàn)故障模式、故障程度、故障部位的識(shí)別[3]。

1.1 數(shù)據(jù)采集及選擇

以露天礦旋回式破碎機(jī)為主體，選取4 大主要故障類型為集合T，包括以下4 種常見(jiàn)異常：T1偏心套故障、T2軸承磨損、T3平行軸缺油、T4平行軸油溫異常；同時(shí)選取4 大主要故障特征參數(shù)為集合K，包括以下4 種常見(jiàn)特征：K1回流油溫、K2潤(rùn)滑油油壓、K3軸承振動(dòng)頻率、K4軸承轉(zhuǎn)速。

國(guó)內(nèi)各礦山規(guī)模不一，不同的開(kāi)采強(qiáng)度和設(shè)備使用時(shí)間都會(huì)對(duì)故障特征參數(shù)產(chǎn)生影響。因此，數(shù)據(jù)的采集及選擇應(yīng)該考慮各強(qiáng)度和時(shí)間下多種情況，覆蓋并還原現(xiàn)場(chǎng)真實(shí)生產(chǎn)的原生數(shù)據(jù)，從而使得網(wǎng)絡(luò)的學(xué)習(xí)更加準(zhǔn)確并具有指導(dǎo)意義[4]。

1.2 BP 神經(jīng)網(wǎng)絡(luò)構(gòu)建

1.2.1 故障診斷網(wǎng)絡(luò)結(jié)構(gòu)

本研究所采用的BP 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)一共分為3 層，故障診斷網(wǎng)絡(luò)結(jié)構(gòu)見(jiàn)圖1。

圖1 故障診斷網(wǎng)絡(luò)結(jié)構(gòu)

輸入層為故障特征參數(shù)集合K、神經(jīng)元個(gè)數(shù)p=4，輸出層為故障類型集合T，神經(jīng)元個(gè)數(shù)q=4。隱含層為1 層，其神經(jīng)元個(gè)數(shù)屬于經(jīng)驗(yàn)值，沒(méi)有確定的理論值，因此采用試湊法并根據(jù)輸出結(jié)果均方誤差的大小來(lái)調(diào)整確定隱含層神經(jīng)元個(gè)數(shù)[5]，隱含層神經(jīng)元個(gè)數(shù)為y，經(jīng)驗(yàn)公式如下：

式中，c為0～10 之間的常數(shù)。

利用經(jīng)驗(yàn)公式確定該網(wǎng)絡(luò)中隱含層神經(jīng)元個(gè)數(shù)y值的范圍，在此范圍內(nèi)，對(duì)比各值代入網(wǎng)絡(luò)訓(xùn)練后輸出結(jié)果均方誤差的大小，誤差最小的網(wǎng)絡(luò)所對(duì)應(yīng)的y值即為隱含層的神經(jīng)元個(gè)數(shù)。經(jīng)試驗(yàn)，m=8時(shí)，神經(jīng)網(wǎng)絡(luò)的仿真誤差為0.0097＜0.01（期望誤差），并且在誤差集合中是最小的，即確定隱含層神經(jīng)元為8 個(gè)。

1.2.2 歸一化處理

在數(shù)據(jù)預(yù)處理過(guò)程中，評(píng)價(jià)指標(biāo)量綱的不同往往會(huì)對(duì)最終的數(shù)據(jù)結(jié)果產(chǎn)生影響，對(duì)原生數(shù)據(jù)進(jìn)行歸一化處理，則可以消除各項(xiàng)指標(biāo)之間量綱的相互影響，從而使數(shù)據(jù)具有一定的可比性[6]。

在本研究中使用的BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練軟件中，歸一化處理的上、下限分別為1 和0.1，故在輸出層中故障類型見(jiàn)表1。

表1 故障類型矩陣

1.2.3 故障診斷網(wǎng)絡(luò)訓(xùn)練設(shè)置

該診斷網(wǎng)絡(luò)訓(xùn)練設(shè)置包括3 部分，即神經(jīng)網(wǎng)絡(luò)屬性參數(shù)設(shè)置、神經(jīng)網(wǎng)絡(luò)控制參數(shù)設(shè)置和樣本標(biāo)準(zhǔn)化設(shè)置。

2 實(shí)例應(yīng)用

通過(guò)現(xiàn)場(chǎng)調(diào)研了解現(xiàn)場(chǎng)真實(shí)生產(chǎn)情況，研究得到鞍山某露天礦山的旋回式破碎機(jī)相對(duì)準(zhǔn)確的樣本數(shù)據(jù)，為了數(shù)據(jù)分布的均勻性和有效性，選擇20組數(shù)據(jù)作為訓(xùn)練樣本，每種故障類型對(duì)應(yīng)5 組故障特性，故障樣本數(shù)據(jù)見(jiàn)表2。

表2 故障樣本數(shù)據(jù)

另選3 組作為學(xué)習(xí)樣本數(shù)據(jù)，總體控制與誤差控制保持默認(rèn)設(shè)置不變，學(xué)習(xí)率為0.1，沖量系數(shù)為0.5，1 層隱含層神經(jīng)元個(gè)數(shù)（即節(jié)點(diǎn)個(gè)數(shù)）為8。輸入輸出均經(jīng)歸一化處理，調(diào)整上、下限為0.1～1。

訓(xùn)練發(fā)現(xiàn)，訓(xùn)練成績(jī)優(yōu)秀，通過(guò)學(xué)習(xí)樣本測(cè)試驗(yàn)證網(wǎng)絡(luò)，判斷網(wǎng)絡(luò)仿真故障的診斷能力，避免了因?yàn)橛?xùn)練成績(jī)表征成功但過(guò)擬合，導(dǎo)致其泛化能力不足的問(wèn)題。測(cè)試結(jié)果見(jiàn)表3。

表3 測(cè)試樣本數(shù)據(jù)

3 數(shù)據(jù)分析

雖然此次數(shù)據(jù)在折線圖中，可以很好地表現(xiàn)出擬合關(guān)系，但是很難清晰地表示出每個(gè)參數(shù)輸出值與目標(biāo)值的準(zhǔn)確數(shù)據(jù)，因此，本研究采用柱狀圖對(duì)檢驗(yàn)結(jié)果進(jìn)行更加直觀的表達(dá)，如圖2 所示。

由圖2 可以看出，測(cè)試樣本檢驗(yàn)結(jié)果的輸出值和目標(biāo)值相差很小，在旋回式破碎機(jī)4 種主要故障問(wèn)題診斷中，能夠做出明顯分類，診斷結(jié)果完全可以滿足設(shè)計(jì)需要。這表明該人工神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)較為成功，可以正常投入生產(chǎn)使用，以便在后續(xù)的使用過(guò)程中建立新的樣本數(shù)據(jù)，更新網(wǎng)絡(luò)模型使其預(yù)測(cè)更加精準(zhǔn)。

圖2 樣本檢驗(yàn)結(jié)果

4 結(jié)論與建議

針對(duì)露天礦旋回式破碎機(jī)故障問(wèn)題，本研究基于BP 神經(jīng)網(wǎng)絡(luò)構(gòu)建故障診斷模型，選取了4 大故障類型集合作為輸出層，同時(shí)選取了4 大故障特征參數(shù)集合作為4 大故障特征參數(shù)作為輸入層，對(duì)傳感器實(shí)時(shí)采集的數(shù)據(jù)進(jìn)行歸一化處理，建立旋回式破碎機(jī)故障診斷模型，選取設(shè)置網(wǎng)絡(luò)訓(xùn)練參數(shù)，利用樣本數(shù)據(jù)進(jìn)行訓(xùn)練和優(yōu)化，通過(guò)測(cè)試數(shù)據(jù)驗(yàn)證了旋回式破碎機(jī)故障診斷模型具有診斷迅速，結(jié)構(gòu)簡(jiǎn)單，預(yù)測(cè)精準(zhǔn)的特點(diǎn)，在礦山生產(chǎn)實(shí)際應(yīng)用中能夠?qū)崿F(xiàn)實(shí)時(shí)診斷。

隨著硬件設(shè)備的發(fā)展和各種新算法的提出，人工神經(jīng)網(wǎng)絡(luò)技術(shù)不斷應(yīng)用于各大領(lǐng)域并發(fā)揮著愈發(fā)重要的作用。隨著兩化融合項(xiàng)目的推進(jìn)和工業(yè)4.0時(shí)代的到來(lái)，礦山企業(yè)也必將朝著自動(dòng)化、無(wú)人化、信息化的方向發(fā)展，露天礦大型設(shè)備智能診斷技術(shù)也應(yīng)加快發(fā)展，為“機(jī)械化換人，自動(dòng)化減人，智能化無(wú)人”的智慧礦山建設(shè)增添一份力量。