基于软件控制的连续采煤机运转故障诊断系统开发与应用

李卓一

【摘 要】本文对连续采煤机这一设备常出现的故障和造成故障的原因进行分析，并且以遗传算法（GA）与粒子群算法（PSO）为优化工具，然后结合BP神经网络的方法对运煤系统的故障诊断进行研究。分析结果显示，采用这种方法能够很好的使BP神经网络远离局部极小值，也就是提高了设备的精度，能够快捷、方便、准确的对设备进行故障诊断。

【关键词】连续采煤机 运煤系统 神经网络 故障诊断

连续采煤机的最重要的组成单元就是运煤系统，其性能的好坏对连续采煤机的生产效率起着决定性作用，所以在故障诊断方便对运煤系统进行研究就极其有意义。传统的故障诊断方法就是BP神经网络，它有很多的缺点，为了提高精度要对BP神经网络进行优化，最有效的优化方法就是GA-PSO混合算法，这一算法具有很多优点，在权值训练和收敛速度方面都有显著优势，并且有效的避开了局部最小值。因此，本文对运煤系统的故障诊断利用GA-PSO混合优化BP神经网络的方法进行研究。

1 故障分析与检测方法

运煤系统是由液压系统驱动的，其组成部分有底轴1、升降液压缸2、摆动液压缸3、刮板链和刮板4和卸料滚轴5等，如图1所示。

图1 运输系统简图

1.1 故障现象和故障原因

运煤系统会有下面一些故障情况：-刮板链有着很小的传动速度，-刮板链有着不稳定的传动速度，-刮板链的传动不稳定造成的很大震动和噪声，-底轴1运行时温度过高，-卸料滚轴5运行时温度过高，-刮板链4的松紧度有问题，-该系统在竖直方向不能摆动自如，-该系统水平方向不能摆动自如，-该系统的循环管路温度过高， -该系统循环管路有漏油现象。

分析之后，多种故障的原因可以表示如下：-该系统的离合器出现打滑，-该系统的底轴和链轮由于摩擦发生损伤，-在轴承部位缺少润滑油，-该系统用于卸料的轴承处缺少润滑油，-有升降作用的液压缸出现了漏油，-有摆动作用的液压缸出现了漏油，-该系统的循环管路有损坏，-具有升降作用的液压缸的控制阀发生损伤，-该系统后半部分不能运行，-该系统的张紧部位不能正常运转，-循环管路的密封作用失效，-由于杂质使液压液不纯，-液压液的容积不够，-具有摆动作用的液压缸的控制阀有了破坏。

1.2 检测方法

在运煤系统上设定信息检测点，每个检测点安装上传感器，来采集各个关键点的相应信号（如图1）。用于检测故障信号、、的温度传感器安装在该系统的轴承座上。用于检测故障信号、的压力传感器安装在该系统的液压缸的升降管路上。用于检测故障信号、的压力传感器安装在该系统的液压缸的摆动管路上。用于检测故障信号、的温度传感器安装在该系统的液压管路上。用于检测故障信号、、的电磁感应传感器安装在该系统的中部。用于检测故障信号、、的温度传感器安装在该系统的滚轴轴承座上。

2 GA和PSO混合优化BP网络的仿真及其比较分析

2.1 GA和PSO混合优化BP网络的特点

将遗传算法和粒子群算法进行串行和并行结合，可以在有限的提高精度的基础上保持粒子群算法的快速收敛。由于两套算法相融合可以使各自的优点和特征充分发挥，进而可以更有效的优化BP神经网络。

首先进行粒子群算法的算子操作，其中种群数m=60，每个种群n={，，，}。适应值可以结合m×n。得到适应值后，更新速度与位置也就可以得到。其中加权系数取1，学习因子和分别取2。满足精度要求后再作为遗传算子操作，采用实数编码，交叉率为0.95，变异率与适应值有关。在这一过程中，当达到最大代数后跳回PSO算子，直到满足总精度后结束程序，否则进行循环计算。BP神经网络的初始值设置为阀值，和权值，，经过自学习训练，专家系统的知识库也就可以形成。

2.2 GA和PSO混合优化BP神经网络的仿真与其他网络的比较

把传统BP神经网络与PSO优化后的BP神经网络、GA优化后的BP神经网络、GA-PSO混合优化后的BP神经网络进行比较，图2为用MATLAB仿真得到的误差曲线。

图2误差曲线

仿真结果表明，用GA优化后的BP神经网与用PSO优化后的BP神经网络相比，收敛精度高，但是收敛时间较长；然而，传统BP神经网络在收敛的时间和收敛精度方面都无优势；用GA-PSO混合优化后的BP神经网络在时间和收敛精度上的优势非常明显。

3 结论

（1）BP神经网络经过遗传算法（GA）和粒子群算法（PSO）进行优化后，对连续采煤机运煤系统进行故障诊断比单纯使用传统的BP神经网络进行诊断更加准确和迅速。（2）使用这种方法对连续采煤机运煤系统进行故障诊断，不仅使该系统的工作性能更加稳定，并且可以大大提高该系统的生产效率。

参考文献：

[1] 李晓豁，张景晖.连续采煤机装载系统故障诊断的专家系统[J].中国工程机械学报，2008（2）.

[2] 李晓豁，杨国栋，黄华.掘进机行走机构故障诊断的专家系统研究[J].矿山机械，2007（3）.