基于改進BP 神經網絡的煤礦井下排水泵故障診斷方法

劉懷奇

（內蒙古平莊煤業（集團）有限責任公司風水溝煤礦，內蒙古 赤峰 024081）

隨著科學技術的飛速發展，煤礦生產設備和生產管理技術發生了質的變化。但我國煤礦井下生產環境依舊很差、安全事故仍時有發生、井下水災占比依舊不小。礦井排水系統是煤礦六大系統之一，負責井下涌水排放，排水系統的可靠運行是煤礦安全生產的必要保障之一［1］。近年來，伴隨著物聯網和人工智能等技術的快速發展，礦井排水系統實現了高度的自動化控制，排水系統的監管也相對完善。但井下惡劣的環境，對電氣設備的穩定運行仍是非常大的考驗，而且井下設備的監管及維修沒有地面設備方便，在一定程度上會影響排水系統主要設備的正常運行，監管不到位和維修不及時甚至會影響煤礦安全生產的正常進行，造成的損失難以想象。

煤礦井下排水泵的遠程監控系統雖逐漸完善，但對于設備的故障診斷與預測還存在很多不足之處，主要表現在：故障檢測不全面、故障誤報、故障定位不準確、故障狀況診斷不全面等方面。做到對水泵電機等設備的工作狀態進行合理地監控，對其工作態勢進行準確預警，不僅可以保證水泵等設備的正常運行，同時還可以達到故障預知和維修預警的目的，增強了系統的可靠性。文獻［2］研究煤礦排水泵故障診斷與預防性管理；文獻［3］研究基于BP 神經網絡的水電廠排水泵故障預警。但是上述方法均存在故障診斷準確性較低的問題，對此，本文研究基于改進BP 神經網絡的煤礦井下排水泵故障診斷方法。

1 煤礦井下排水泵信息處理

1.1 信號采集

煤礦井下排水泵的振動主要是由于軸和葉輪的振動引起的，故本文采用速度型振動傳感器。所用振動傳感器型號為CYT9200［4］，其參數如表1 所示。

表1 振動傳感器技術參數

該振動傳感器為檢測振動信號時為接觸性安裝，故直接垂直安裝在泵體的軸伸端，對煤礦井下排水泵振動信號進行采集。速度型振動傳感器在工作時，通過振動傳感器的振動變化，進行振動信號的獲取，最后輸出振動信號接入到處理器中，其具體工作原理如圖1 所示。

圖1 振動信號采集原理圖

1.2 信號預處理

噪聲的干擾會影響后續特征向量的提取，有效的降噪處理有利于后續操作的進行，保證實驗結果的準確性與可信度。小波包（wavelet packet decomposition，WPD）可將要處理的信號分解成低頻成分和高頻成分兩部分，并逐層對高頻與低頻同時進行分解，高頻成分可以捕捉在低頻中損失的一些特征［5］。設采集到的煤礦井下排水泵含噪聲振動信號為y（t），可以用以下形式表達：

式中：x（n）為有用成分；α（n）為信號中包含的噪聲成分；β 為噪聲強度。運用小波包分解對煤礦井下排水泵振動信號降噪的過程如下：

（1）閾值處理

怎么選取閾值以及怎么量化閾值，是小波包去噪過程中最為重要的一步，在一定意義上直接關乎到數據的降噪的成效。本文采用硬閾值進行處理，表達式如下：

對信號進行降噪處理的目的在于凸顯煤礦井下排水泵振動信號的特征信息，易于對其特征值提取，硬閾值降噪后小波系數能夠保留較多的特征信息，所以本文選擇硬閾值降噪處理。

（2）信號小波包分解

圖2 所示是小波包分解樹示意圖，其中信號S可用如下公式表示：

圖2 小波包分解樹示意圖

（3）信號小波包重構

原始信號y（t）通過J 層分解后會擁有2J個小波包，為了實現對某個小波包的重建，需要先保持該小波包中的數據，再將該層中剩余的數據歸零，再對已被處理的小波包進行重構。重構之后便能夠把這一小波包的時域分辨率增大到原本狀態，保障信號的不失真，重構信號如下式所示。

1.3 信號特征提取

在煤礦井下排水泵的故障診斷中，振動信號的特征提取是一個非常重要的任務。特征提取是對故障類型進行精確分類的一個重要階段，它以最精確的樣本數來描述指定類別的數據，以減少原始數據的維數。因此，選擇有效的信號處理方式來提取振動信號的特征是能夠實現煤礦井下排水泵故障診斷的關鍵［6］。特征提取步驟如下所示：

（1）計算經過去噪后信號序列y′（t）的所有極值點。

記c（1t）＝（t），則c（1t）為y（′t）的第一個IMF分量：

但上述過程存在一個問題，就是篩分次數的設定，即k 的取值問題。因為若是值過小，會導致所得結果中IMF 的局部對稱性不足；若是值過大，則可能會導致所得結果中IMF 變為常數。為了解決這一問題，提出了一個合理的停止準則，該準則由倆相鄰的（t）和片（t）之間的標準差SD 來定義：

式中，T 為y′（t）的時間長度，當篩分結果滿足式（9）的條件時，分解過程即會停止。所得IMF 也被視為符合條件的IMF。

（4）將IMF1（t）從y′（t）中去除，得到原信號的殘余分量r1（t）：

（5）將以上步驟不斷重復，即可得到若干符合條件的IMF 和一個殘余分量r1（t），則最終原信號可表示為：

從式（11）可以看出，原始信號y′（t）被分解為n 個IMFci（t）以及一個殘余項r1（t）。

基于上述內容完成煤礦井下排水泵振動信號的去噪處理，提高煤礦井下排水泵振動信號特征提取的精準性。

2 基于改進BP 神經網絡的排水泵故障診斷

利用訓練完整的網絡模型作為故障模式判別依據，通過輸出結果來實現煤礦井下排水泵故障的識別，可以有效降低識別過程所用時間。改進BP神經網絡結構圖3 所示。

圖3 改進BP 神經網絡結構圖

改進BP 神經網絡的數學表達式如下：

式中：m 表示隱含節點數；n 表示輸入節點數；W（k）表示總輸出；Wb1表示隱含層偏差權值；Wo表示隱含層到輸出層的權值。

式中，?i（k）表示第i 個隱含層節點的輸出；ξ表示隱含節點層的激活函數。

式中，Ii（k）表示本網絡在時間k 的第i 個輸入；Wb2表示輸出層偏差單元權值；Wx表示輸入層到隱含層的權值；Wy表示反饋誤差權值。隱含層各單元輸入輸出：

輸出層各單元輸入及輸出響應：

輸出層各單元的一般化誤差：

隱含層各單元的一般化誤差：

修正連接權值：

改進BP 神經網絡的模型如下圖4 所示。

基于上述改進BP 神經網絡模型進行訓練，輸出結果為礦井下排水泵故障識別結果，完成礦井下排水泵的故障診斷。

3 實驗分析

3.1 實驗數據

本文方法基于改進BP 神經網絡進行煤礦井下排水泵故障診斷，為驗證本文方法的性能，采用MD450-60X5 排水泵作為實驗對象，其性能參數如表2 所示。

表2 MD450-60X5 性能參數

3.2 去噪性能對比

采用去噪性能作為實驗指標進行測試，結果如下圖6 所示。

根據圖5 可以看出，本文方法能夠有效去除煤礦井下排水泵振動信號中的噪聲，說明本文方法具有有效性。

圖5 排水泵振動信號去噪效果圖

3.3 煤礦井下排水泵故障診斷準確性對比

為進一步驗證本文方法的實用性，以煤礦井下排水泵故障診斷準確性為實驗指標進行對比測試，測試結果如下圖6 所示。

圖6 排水泵故障診斷準確性結果

根據圖6 可以看出，本文方法的排水泵故障診斷準確性最高達98%，文獻［2］方法的排水泵故障診斷準確性最高為87%，文獻［3］方法的排水泵故障診斷準確性最高為84%。由此可見，本文方法的排水泵故障診斷準確性明顯高于文獻［2］方法、文獻［3］方法。說明本文方法對排水泵故障診斷的準確性較高，其技術水平和應用價值較高。

4 結論

本文研究基于改進BP 神經網絡的煤礦井下排水泵故障診斷方法。實驗結果表明：本文方法能夠有效對煤礦井下排水泵振動信號進行去噪，且煤礦井下排水泵故障診斷準確性高達98%，證明本文所述方法具有有效性且有較高的技術水平和應用價值。