基于PSO-BP神经网络的采煤机电动机故障诊断研究.pdf

第 48 卷 2020 年第 9 期 通 用 编 辑 张 发 展 59 基于 PSO-BP 神经网络的采煤机 电动机故障诊断研究 姜 磊1，叶圣超2，李飞龙3 1浙江工业职业技术学院 浙江绍兴 312000 2北京信息科技大学 北京 100101 3中矿龙科能源科技股份有限公司 北京 101300 摘要针对因采煤机电动机超长时间运行与矿井极端工作环境而引起的故障问题，结合异步电动机数 学模型及其常见故障机理分析，在分析 BP 算法存在缺陷的基础上，提出一种用于电动机故障诊断的 PSO-BP 神经网络算法，以实现对采煤机运行状态的实时监测。将 PSO 算法与 BP 算法相结合，共同 优化神经网络连接权值，用电动机故障训练样本对 PSO-BP 神经网络进行训练并进行网络测试。结 果表明，与 BP 神经网络相比，PSO-BP 神经网络能更快速、准确诊断电动机的健康状态，及时采用 有效措施可降低电动机故障率，从而保障矿井人员作业安全，提高生产效率。 关键词采煤机电动机；PSO-BP 神经网络；故障诊断 中图分类号TP277；TD421 文献标志码A 文章编号1001-3954202009-0059-06 Research on fault diagnosis of shearer motor based on PSO-BP neural network JIANG Lei1, YE Shengchao2, LI Feilong3 1Zhejiang Industry Polytechnic College, Shaoxing 312000, Zhejiang, China 2Beijing Ination Science PSO-BP neural network; fault diagnosis 采 煤机是煤矿生产机械化的重要设备之一，一 旦出现故障则会使整个采煤工作中断，造成巨 基金项目2020 年浙江省自然科学基金项目 LGG20F010002； 北京市科技提升计划项目 PXM2016_014224_000021 作者简介姜 磊，男，1983 年生，副教授，硕士研究生，主 要研究方向为电气设备智能检测。 大的经济损失。由于社会需求量不断增大，煤矿开采 量也随之加大，导致采煤机长期处于超负荷工作状 态，加之恶劣的作业环境，采煤机电动机便会出现绝 缘性能降低、轴承损坏、电动机烧坏等故障问题[1]。 采煤机电动机故障不但会影响采煤效率，增加开采成 本，而且对工作人员的人身安全构成威胁；因此，对 万方数据 第 48 卷 2020 年第 9 期 通 用 编 辑 张 发 展 60 采煤机电动机进行及时有效的故障诊断具有重要意 义。 针对采煤机及其电动机故障诊断的相关课题，国 内外学者开展了大量、深入的研究。早在 70 年代， 我国就有用铁谱技术对采煤机滚动轴承故障问题进 行状态监测与诊断的应用研究[2]。针对采煤机故障现 象，相关学者采用模块化神经网络和小波变换等方法 开发了采煤机故障智能专家系统[3-4]。谢国民等人[5] 针 对采煤机电动机中常见的滚动轴承故障，在对采煤机 机械故障信号进行深入分析的基础上，提出一种基于 正交小波的采煤机电动机故障诊断方法来判断故障部 位及类型。吴立泉等人[6]通过将粒子群优化算法 PSO 和模拟退火算法 SA 相结合，准确地对异步电动机的 6 个等效参数进行辨识，有效地对电动机参数进行辨 识及跟踪电阻的变化。 笔者在研究 BP 算法原理及其存在缺陷的基础 上，提出了一种用于电动机故障诊断的 PSO-BP 神经 网络算法，以实现对采煤机运行状态的实时监测。 1 采煤机电动机故障分析 采煤机主要由截割部、装载部、行走部、电动 机、操作控制系统和辅助装置组成[7]。采煤机电动机 作为设备的动力来源，主要驱动截割部与行走部工 作。采煤机电动机外形呈箱形结构，且必须防爆。 采煤机电动机主要由定子、转子、气隙和轴承组 成，结构相对简单。但其在运行过程中，内部会发生 相当复杂的物理或化学变化。常见故障有定子绕组匝 间短路故障、转子断条故障、气隙偏心故障以及轴承 故障等。 1.1 定子绕组匝间短路 定子绕组匝间发生短路故障的概率约为 30，其 发生的主要原因是电动机长时间运转发热导致绝缘体 老化，或者工作环境中各种微粒杂质 如灰尘、纤维 与绝缘体相互摩擦，导致绝缘体破裂，进而发生短路 现象。定转子之间的持续互相感应得到定子电流信号 中的特征频率[8] fnksf s -2 1 ， 1 式中s 为转差率；n＝1，2，3，，k＝0，1，2， ；f 为电源频率。 1.2 转子断条 转子导条发生断裂故障的概率约为 10，其发生 的主要原因包括电动机在生产制造过程中出现个别缺 陷，长期运转导致导条疲劳损坏，以及在启动或过载 运转中产生的较大的热负荷等对导条的影响。当异步 电动机转子导条发生断裂故障时，在定子绕组中即会 产生特征频率为 12s f 的谐波间谐波分量。 1.3 气隙偏心 气隙发生偏心故障的概率约为 10，其发生的主 要原因是定子铁芯在制造过程中未能达到圆形要求， 或定子定位发生偏移引起的静态偏心以及由于转轴弯 曲和高速转动时的机械共振等原因引起的动态偏心。 异步电动机气隙出现偏心故障时，其定子电流信号产 生的特定频率 fz fm fr， 2 f s f p r -1 。 3 式中m 为正整数；fr 为转子旋转频率；p 为电动机 极对数。 1.4 轴承故障 轴承故障发生的主要原因是由于负载过重、润 滑不良、安装不正、轴电流和异物进入引起的轴承磨 损、表面剥落、腐蚀、碎裂和胶合等。轴承故障可分 为内外圈故障、滚动体和保持架故障。轴承发生故障 时，其特征频率就是振动频率。 2 PSO-BP 神经网络模型 2.1 BP 神经网络算法缺陷 BP 神经网络算法实质是寻找误差函数的最小 值问题，其通常采用非线性规则中的最速梯度下降 法[9]，按照误差函数的负梯度方向修改权系数。BP 神 经网络拓扑结构[10-11]如图 1 所示。 BP 神经网络的缺点[12]主要有① 训练时收敛速 度慢；② 训练过程中易陷入局部极小值；③ 隐含层 层数及其神经元数量的确定无理论指导；④ 网络泛 化能力不足；⑤ 存在样本依赖问题；⑥ 未考虑传递 函数对网络的影响。 2.2 PSO-BP 神经网络模型确定 为了实现采煤机电动机在线实时监测及对常见故 障的精确诊断，克服 BP 神经网络存在的缺陷，笔者 提出了一种 PSO-BP 神经网络算法，即将 PSO 算法 与 BP 算法相结合，共同优化神经网络连接权值。利 用 PSO 算法前期较强的全局搜索能力帮助 BP 算法挑 图 1 BP 神经网络拓扑结构 Fig. 1 Topological structure of BP neural network 万方数据 第 48 卷 2020 年第 9 期 通 用 编 辑 张 发 展 61 出局部极小值点，后期较强的局部搜索能力帮助 BP 算法加快收敛速度。 2.2.1 神经元 神经网络的输入应与电动机故障特征分量一一对 应，按常见故障机理分析，常见故障对应 9 个特征频 率分量，加上基波频率分量，需要 10 个特征频率分量 处的谐波间谐波的幅值。将其作为神经网络的输入向 量，所以神经网络的输入层神经元数量为 10 个。神经 网络的输出应与异步电动机的健康状态一一对应，针 对电动机 4 种常见典型故障以及正常状态进行检测诊 断，所以神经网络输出层神经元数量应为 5 个。 2.2.2 神经网络训练样本 针对电动机 4 种常见典型故障及正常状态的诊 断，需要知道各故障对应特征频率处的谐波间谐波的 幅值以及基波的幅值。在电动机中，较各高次谐波间 谐波分量的幅值，基波分量的幅值相对较大，而其他 各次谐波间谐波分量也是大小不一，为了使神经网 络能够有效地学习训练，需要对输入向量做归一化 处理。设样本数据为 xi，i＝1，2，n，n 为样本类别 数，则 X XX XX i ji j i ii - - min maxmin 。 4 式中X imax 为 Xi 中最大值；X imin 为 X i 中最小值。 将所有样本数据按照式 4 进行归一化处理后即 可作为神经网络的输入向量。采用文献 [11] 中的样 本数据，如表 1 所列。神经网络的期望输出如表 2 所 列[13]，其中“1”代表异步电动机处于该状态， “0” 则相反。 2.2.3 隐含层层数与神经元数量 隐含层层数取一层，运用 PSO-BP 神经网络算 法，在其他条件完全一样的情况下，只改变隐含层神 经元数量，且每种测试 4 次取均值，测试结果如表 3 所列。 从表 3 可知，神经网络达到误差要求时所需步长 开始随着隐含层神经元数量的增加而减小，当隐含层 神经元数量为 18 时，神经网络达到误差要求时所需 步长最小，之后又逐渐增加。根据测试结果，最终选 取神经网络中隐含层神经元数量为 18。 3 算法仿真结果 分别用 PSO-BP 算法、标准 BP 算法和标准 PSO 算法对神经网络进行训练，且每种算法均在相同的 初始化条件下学习。参数初始化如表 4 所列，其中惯 性权重因子 ω 随迭代次数在 [0.4，0.9] 范围内线性变 化。 ωωωω-- max max maxmin k DT x。 13 式中ωmax 0.9；ωmin 0.4；k 为迭代次数；DTmax 为 最大迭代次数。 3 种算法的性能曲线如图 2 所示，训练结果如表 5 所列。 从图 2、表 5 可以看出，标准 PSO 算法在训练 过程中收敛速度很慢，且在规定步数内未达到收敛要 求。PSO-BP 算法和标准 BP 算法均在规定步数内达 到了收敛要求。通过多次训练求得达到性能要求时， PSO-BP 算法所用平均步数为 73 次，标准 BP 算法所 用平均步数为 206 次。与标准 BP 算法相比，PSO-BP 表 1 归一化典型故障数据 Tab. 1 Normalized typical fault data 特征频率/Hz f f1 f2 f3 f4 f5 f6 f7 f8 f9 定子匝间短路 0.246 154 0.365 217 0.356 522 0.068 421 0.073 684 0.146 154 0.121 053 0.164 286 0.147 826 0.095 721 转子断条 0.146 154 0.165 217 0.156 522 0.678 947 0.515 789 0.153 846 0.136 842 0.135 714 0.165 217 0.100 000 气隙偏心 0.146 154 0.173 913 0.130 435 0.078 947 0.084 211 0.253 846 0.321 053 0.321 429 0.191 304 0.095 737 轴承 0.153 864 0.191 304 0.130 435 0.100 000 0.142 105 0.169 231 0.110 526 0.142 857 0.391 304 0.573 684 感应电动机故障类型 表 2 神经网络目标输出 Tab. 2 Output of neural network target 状态 正常 定子匝间短路 转子断条 转子偏心 轴承故障 神经元 1 1 0 0 0 0 神经元 2 0 1 0 0 0 神经元 3 0 0 1 0 0 神经元 4 0 0 0 1 0 神经元 5 0 0 0 0 1 表 3 测试结果 Tab. 3 Test results 隐节点数 10 11 12 13 14 15 学习步长 201 186 184 179 168 159 隐节点数 16 17 18 19 20 21 学习步长 157 148 130 158 175 187 参数 输入层神经元 隐含层神经元 输出层神经元 学习率 误差阈值 值 10 18 5 0.2 10-4 参数 粒子个数 惯性权重 学习因子 C1 学习因子 C2 最大迭代次数 值 20 0.9 1.05 1.05 500 表 4 参数初始化 Tab. 4 Parameter initialization 神经网络 粒子群 万方数据 第 48 卷 2020 年第 9 期 通 用 编 辑 张 发 展 62 算法的收敛速度更快，且多次训练均达到性能要求， 说明该算法训练神经网络较稳定。 4 测试分析 利用测试样本对训练的 PSO-BP 神经网络和标 准 BP 神经网络进行测试。PSO-BP 神经网络与 BP 神经网络在仿真软件中所得的测试结果分别如表 6、 7 所列。从表 6 可以看出，PSO-BP 神经网络测试结 果中，基本所有样本均能正确检测出其对应的健康 状态，识别正确率约为 96.67，仅有 2 个测试样本 出现了较大误差。其一为异步电动机发生气隙偏心 故障时的测试样本 [0.13769 0.15318 0.13179 0.16279 0.14395 0.24078 0.36789 0.30793 0.19873 0.11285]， 其对应的输出为 [-0.0060 -0.0048 0.8743 -0.0002 0.1328]，目标输出为 [0 0 1 0 0]，误差为 0.033 495； 另一个是异步电动机发生轴承故障时的测试样 本 [0.14429 0.15976 0.14185 0.10733 0.1029 0.22179 0.32513 0.29076 0.69324 0.73429]，其对应输出为 图 2 3 种训练算法性能曲线 Fig. 2 Perance curves of three training algorithms 表 5 3 种算法训练数据 Tab. 5 Training data of three algorithms 学习算法 标准 BP 标准 PSO PSO-BP 学习步长 206 500 73 误差 10-4 8.7 10-4 学习结果 表 6 PSO-BP 神经网络测试结果 Tab. 6 Test results of PSO-BP neural network 万方数据 第 48 卷 2020 年第 9 期 通 用 编 辑 张 发 展 63 [-0.0009 -0.0010 0.1379 1.0002 -0.1372]，目标输出 为 [0 0 0 1 0]，误差为 0.037 851。从数据的角度我 们知道这 2 个样本未能达到性能要求，属于诊断失 误；但是从观察的角度看，实际上我们可以通过观察 输出结果来大致判断出样本对应的故障类型。 从表 7 可以看出，BP 神经网络测试结果中，大 部分样本能够正确检测出其对应的健康状态，识别正 确率约为 91.67。该网络出现了一些误诊情况，在 图中已经标出，其中出现了诊断结果不明的情况，如 测试结果为 [0.0001 0.7441 0.0031 0.7183 0.0002] 的样 本。该样本实际对应的故障为转子断条故障，但该诊 断结果无法判断异步电动机的健康状态。同时还出 现了诊断错误的情况，如结果为 [0.9113 0.1674 0.0057 0.0001 0.0003] 的测试样本，该样本实际对应的故障 为轴承内圈故障，从测试结果可判断其故障为定子绕 组匝间短路故障。 将表 6 的测试结果与表 7 的测试结果比较可知， PSO-BP 神经网络较 BP 神经网络能更准确地诊断异 步电动机 4 种常见故障，通过多次训练测试，该算法 均表现出较为准确的检测结果，说明该算法具有很好 的泛化能力。 5 结语 在分析采煤机电动机发生机理及常见故障的基 础上，为了克服 BP 算法收敛速度慢和陷入局部极小 值的缺点，提出了一种用于异步电动机故障诊断的 PSO-BP 神经网络算法。训练结果显示与 BP 算法相 比，PSO-BP 算法能更快达到性能指标的要求；利用 训练样本和测试样本分别对 PSO-BP 神经网络和标准 BP 神经网络进行测试，通过对比分析，验证了 PSO- BP 算法在采煤机电动机故障诊断上应用的可行性和有 效性。 参 考 文 献 [1] 李 岩．关于采煤机电动机运行过程主要故障分析 [J]．矿业 表 7 BP 神经网络测试结果 Tab. 7 Test results of BP neural network 万方数据 第 48 卷 2020 年第 9 期 通 用 编 辑 张 发 展 64 [9] 邓文杰．基于聚粒子群算法的神经网络权值优化方法 [J]．计算 机技术与发展，2017，271016-18. [10] 涂娟娟．PSO 优化神经网络算法的研究及其应用 [D]．镇江 江苏大学，20137-8. [11] 王艳萍，周 杨，闫 超．基于改进 BP 神经网络的刮板输送 机负载预测方法研究 [J]．矿山机械，2015，431017-21. [12] LIU T，YIN S. An improved particle swarm optimization algorithm used for BP neural network and multimedia course-ware uation [J]. Multimedia Tools and Applications，2017，76911961- 11974. [13] 陈先昌．基于卷积神经网络的深度学习算法与应用研究 [D]． 杭州浙江工商大学，201417-22. □ 收稿日期2020-05-22 修订日期2020-07-22 装备，2019，103149-50. [2] 李令军，夏本春，夏林稳，等．铁谱技术在采煤机状态监测 与故障诊断中的应用与研究 [J]．煤矿机电，2000117-20. [3] 许景崑．SIRUS-400 型采煤机液压系统故障的判断和处理 [J]. 煤矿机电，1987137-40. [4] 徐常胜，周兆英，刘思行，等．基于神经网络和专家系统的 故障诊断 [J]．控制与决策，19954342-346. [5] 谢国民，佟 莹，陆文斌．小波在采煤机异步电动机故障诊 断中的应用 [J]．控制工程，2013，204711-714. [6] 吴立泉，刘永强，梁兆文，等．基于 SA-PSO 算法的异步电 动机参数辨识 [J]．电机与控制应用，2019，46541-46. [7] 范维唐．中国煤炭工业百科全书机电卷 [M]．北京煤炭工 业出版社，199718-20. [8] 刘 凉．基于神经网络感应电动机故障监测诊断的研究 [D]． 天津天津理工大学，200661-63. 突变工况下采煤机截割部齿轮 传动系统特性研究 管 众1，陈会涛1，吕松宝1，吴晓铃2 1河南理工大学机械与动力工程学院 河南焦作 454000 2郑州大学机械工程学院 河南郑州 450007 摘要为研究采煤机截割部齿轮传动系统在突变工况下的动力学特性，建立了截割电动机、齿轮传动 系统和截割滚筒的采煤机截割部传动系统动力学模型。以电动机输出转速为驱动，以截割滚筒所受转 矩为负载，研究了系统在稳定工况、截割负载突变和牵引速度变化情况下采煤机截割部齿轮传动系统 动力学特性。结果表明受负载转矩的影响，稳定工况下低速级行星齿轮部分受外部载荷直接作用， 振动最大，随着传动链中阻尼的消振作用，高速部分齿轮副的振动逐渐减弱；截割负载突变和牵引速 度的增加使传动系统中高速级齿轮的振动和受力明显加剧。 关键词突变工况；采煤机截割部；齿轮传动系统；耦合振动 中图分类号TD421 文献标志码A 文章编号1001-3954202009-0064-07 Research on characteristics of gear transmission system for cutting unit of shearer in sudden change condition GUAN Zhong1, CHEN Huitao1, LYU Songbao1, WU Xiaoling2 1School of Mechanical Power Engineering, Henan Polytechnic University, Jiaozuo 454000, Henan, China 2School of Mechanical Engineering, Zhengzhou University, Zhengzhou 450007, Henan, China AbstractIn order to study the dynamic characteristics of the gear transmission system for the cutting unit of 基金项目河南省科技公关项目 182102310793；河南省高等学校重点科研项目计划 17A460017；河南省高校基本科研业务费专项 资金资助 NSFRF180412 作者简介管 众，男，1995 年生，硕士研究生，主要从事机械振动与故障诊断研究工作。 万方数据