基于RBF的模糊积分多传感器数据融合的刮板输送机电机故障诊断*

张永强，马宪民，梁　兰(.西安科技大学电气与控制工程学院，陕西西安70054; 2.神华宁煤集团矿山机械制造维修分公司，宁夏银川75000)



基于RBF的模糊积分多传感器数据融合的刮板输送机电机故障诊断*

张永强1，2，马宪民1，梁兰1
(1.西安科技大学电气与控制工程学院，陕西西安710054; 2.神华宁煤集团矿山机械制造维修分公司，宁夏银川750001)

摘要:刮板输送机是煤矿井下重要的开采设备之一，简要分析了现阶段刮板输送机的故障诊断现状，针对刮板输送机故障种类繁多，相互影响大且不易诊断的问题，根据多传感器数据融合理论，提出了RBF和模糊积分相结合的刮板输送机故障诊断数据融合方法。在特征级采用RBF，可以对同类传感器采集的数据进行快速学习和收敛，得到同源数据对每一类故障的模糊测度，以便在高维空间内进行同源数据的线性可分。决策级采用模糊积分理论利用该模糊测度通过模糊积分计算，获得刮板输送机故障信息的预测结果，该方法具有较好的容错性，简化了冗余信息，降低了故障相互影响的关联性。刮板输送机减速器电机故障的诊断研究表明，文中所提出的方法有助于克服故障类型的不确定性，在整体上确保故障数据的完备性，正确地判定故障的类型，提高了故障诊断的准确性。

关键词:数据融合; RBF;模糊积分;刮板输送机

0　引言

随着中国煤矿设备自动化程度越来越高，成套设备的相互关联程度更加密切，一台设备的故障可能造成整套系统的瘫痪，采煤工作逐渐向“设备重型化、工作面大型化”的方向发展。刮板输送机是煤矿综采面的主要设备之一，它的可靠运行直接影响着矿井的经济效益［1］。由于煤矿井下环境恶劣，其故障数据的获取及有效分类一直是故障诊断的难点。常见的煤矿机电设备故障诊断方法有温度诊断、振动监测、铁谱监测等等［2］，它们所依据的信息比较单一。Rlhcadsron和Mash指出相比于单个传感器数据信息，应用最优理论综合多个传感器数据信息能得到更好的对象状态估计［3］，而刮板输送机的某一故障可能是由不同部位的多种因素引起，因此将多传感器检测的大量数据进行数据融合，可以提高故障检测的精确性和可靠性。为此，文中根据数据融合理论，首先利用RBF网络对同源数据进行一定的处理，通过以往的故障数据对该网络的权值和阈值进行训练，得到同源数据归属于某故障状态的隶属度，然后采用模糊积分，将前人的经验量化为不同的规则信息融合到模糊控制系统中。由于本方法合理地利用了不同种类的信号，将故障原因和故障结果进行合理量化。而决策级采用模糊积分可以提高故障诊断的容错性。将二者结合起来，不需要较大限度地依赖于前人的经验积累，利用无导师的学习机制训练以往的故障数据，得到一个较为精确的故障状态隶属度，结合实际经验中不同数据信息的权重分布通过模糊积分进行统一融合，从而达到准确实现刮板输送机故障诊断的目的［4］。现阶段，该方法已经成功应用到了电网分区故障诊断和车辆行驶安全系统中，有效的解决了区域间故障联络和系统稳定问题［5－6］。

1　数据融合故障诊断模型

文中所提出的基于RBF和模糊积分的二级数据融合的刮板输送机故障诊断模型如图1所示。

一般来说数据融合有3种基本结构:数据级融合、特征级融合和决策级融合。数据级是最底层的融合，它主要针对于传感器测量的原始数据。特征级融合位于中间层，它的作用对象是原始传感器所提取的特征向量。决策级是最高层次的融合，针对于每个传感器观测目标采集信息并进行特征提取，完成关于目标的说明［7］。

图1　数据融合故障诊断模型Fig．1　Data fusion fault diagnosis model

考虑到刮板输送机故障诊断需要一定的实时性和容错性，所以选择在特征级和决策级进行数据融合。在特征级选择RBF神经网络分别将不同的同源数据进行处理，得到属于某故障状态的模糊测度，在决策级选择模糊积分算法，将前人的经验量化为不同的规则信息融合到模糊控制系统中，提高故障诊断的容错性。该模型也适用于其它大型复杂系统的故障诊断。

2　同源数据处理—RBF径向基神经网络

刮板输送机故障诊断是一个大型的非线性系统且需要检测大量的参数，采用RBF具有收敛速度快、高维线性可分的优点，可以迅速的通过以往的故障数据对该网络的权值和阈值进行训练，得到同源数据归属于某故障状态的隶属度。

RBF的神经元模型如图2所示。它的激活函数采用径向基函数。

图2　RBF模型Fig．2 RBF model

其中，激活函数的表达式为

常用的径向基函数是高斯函数，它的激活函数可表示为

其中‖xp－ci‖为欧式范数; ci为中心;σ为方差。

RBF结构如图3所示，输入层到隐含层权值默认为1，隐含层调整参数，输出层调整现行权值。在文中中，输入层的节点代表刮板输送机某一种运行参数在不同位置的测试数据，输出层的每一节点代表刮板输送机的每一种故障类型［8］。

图3　RBF结构Fig．3 RBF structure

由图3所示的RBF结构可以得到网络的输出为

式中xp= (，…，)为第P个样本输入; ci为隐含层结点中心; wij为隐含层到输出层的连接权值; yi为与输入样本对应的第j个输出节点的实际输出。

3　异源数据处理—模糊积分

决策级融合是高层次的融合，文中在决策级的融合方法采用模糊积分的方法，将前人的经验量化为不同的规则信息融合到模糊控制系统中。在特征级经RBF方法得到同源数据归属于刮板输送机某种故障类型的隶属度，经过模糊积分将每一种同源数据的隶属度进行整合得到异源数据对刮板输送机整体故障类型的综合评价。该方法既考虑了前人的经验又有可靠地故障数据作为依据，具有较强的容错性。

定义1模糊测度设X = { x1，x2，…，xn}为有限集合; P(X)为X的幂集，若定义在P(X)上的集合函数g∶P(X)→［0，1］满足以下正规性和单调性条件，则称g是P(X)上的模糊测度［9］

定义2 Sugeno模糊积分设X为一非空集合，h是从X到［0，1］的非负可测函数，g是P(X)上的模糊测度，A∈P(X)，则h关于模糊测度g在集合A上的Sugeno模糊积分定义为［10］

4　算法应用

常见的刮板输送机的故障部位有减速器、刮板链、耦合器、电机等。文中对刮板输送机的减速器电机故障进行仿真研究，需要研究的电机运行状态分别为电机烧毁、轴承损坏、冷却水管漏水和正常状态［11］，根据现场工人的故障检修经验与刮板输送机的电机运行参数分析可知，这4种电机运行状态分别与x1(轴承温度)，x2(冷却水压力)，x3(输入电压) 3种数据融合信息有关。将5个温度测点(T1，T2，…，T5)，5个压力测点(P1，P2，…，P5)，5个电压测点(U1，U2，…，U5)分别作为3个RBF神经网络的输入，将4种电机运行状态作为每一个RBF神经网络的输出，以轴承温度数据为例，经RBF神经网络训练得到的误差如图4所示。

图4　RBF神经网络训练误差Fig．4 RBF neural network training error

由图4可以看出，在特征级经过RBF神经网络的训练误差保持在(－0. 4，+0. 4)之间，满足精度要求。由RBF的输出得出各同源数据的模糊测度h(x)见表1．

表1　各同源数据输出模糊测度Tab．1 Homologous data output fuzzy measure

由表1可以看出，电机每种运行状态对应的评价因素(x1，x2，x3)之间都是相互联系的，单凭一种因素不能判断电机的运行状态，需要根据Fuzzy积分来进行综合判断。

根据生产的实际情况，设重要性测度为

μ({x1}) =0．5，μ({x2}) =0．2，μ({x3})=0．3，

μ(X) =1，μ(Ø) =0．

根据式(4)可以计算出电机各种运行状态的综合评价(Sugeno模糊积分)为

可以看出编号b1电机烧毁的模糊积分的综合评价值0. 8为最大，可以得出合理的评价结论:刮板输送机电机发生了电机烧毁故障，应尽快组织人员进行检修，与实际情况相符。

5　结论

采用RBF神经网络和模糊积分理论组成二级数据融合故障诊断模型，对刮板输送机进行了故障诊断研究。该方法将刮板输送机故障原因和故障结果之间的联系进行合理量化，简化刮板输送机故障检测中的复杂性，在一定程度上提高了对故障判断的准确性，刮板输送机电机故障的诊断验证了所提方法的可行性。

参考文献References

［1］高建炯，郭卫．基于PLC控制的刮板输送机监控装置设计［J］．西安科技大学学报，2011，31(5) : 608－611. GAO Jian-jiong，GUO Wei．Scraper conveyor monitoring device based on PLC control design［J］．Journal of Xi’an University of Science and Technology，2011，31(5) : 608－611.

［2］母晓斌．煤矿机电设备故障诊断［J］．中国新技术新产品，2010(18) : 147. MU Xiao-bin．Coal mine mechanical and electrical equipment fault diagnosis［J］．China’s New Technology，New Products，2010(18) : 147.

［3］Ren C L，Michael G K．Multisensor integration and fusion for intelligent machines and systems［M］．Ablex Publishing Corporation，New Jersey，USA，1995.

［4］管涛，冯博琴．Choquet模糊积分的粗糙性及信息融合［J］．西安交通大学学报，2004，38(12) : 1 251－1 254. GUAN Tao，FENG Bo-qin．Choquet fuzzy integral and information fusion［J］．Journal of Xi’an Jiaotong University，2004，38(12) : 1 251－1 254.

［5］石东源，熊国江，陈金富，等．基于径向基函数神经网络和模糊积分融合的电网分区故障诊断［J］．中国电机工程学报，2014，34(4) : 562－568. SHI Dong-yuan，XIONG Guo-jiang，CHEN Jin-fu，et al．The grid partition diagnosis fault based on RBF and fuzzy integral fusion［J］．Proceedings of the Csee，2014，34(4) : 562－568.

［6］陈雅君，曲仕茹．车辆行驶安全运行决策研究［J］．测控技术，2011，30(10) : 92－95. CHEN Ya-jun，QU shi-ru．Active-safely operation decision of highway vehicles［J］．Journal of Measurement and Control Technology，2011，30(10) : 92－95.

［7］张延龙，王俊勇．多传感器数据融合技术概述［J］．舰船电子工程，2013(2) : 41－44. ZHANG Yan-long，WANG Jun-yong．Summary of multisensor data fusion technology［J］．Journal of Electronic Engineering，2013(2) : 41－44.

［8］江帆，李伟，曹保钰，等．基于RBF神经网络的转子－轴承系统故障诊断［J］．轴承，2012(2) : 30－33. JIANG Fan，LI Wei，CAO Bao-yu，et al．The rotor-bearing system based on RBF neural network fault diagnosis ［J］．Bearing，2012(2) : 30－33.

［9］赵研，卢奕南，权勇．基于模糊积分多源数据融合的蛋白质功能预测［J］．南京大学学报，2012，48 (1) : 63－69. ZHAO Yan，LU Yi-nan，QUAN Yong．Protein function prediction based on the fuzzy integral multi-source data fusion［J］．Journal of Nanjing University，2012，48(1) : 63－69.

［10］赵志伟．基于模糊积分的多分类器融合方法研究［D］．长沙:长沙理工大学，2009. ZHAO Zhi-wei．Multiple classifier fusion method based on fuzzy integral research［D］．Changsha: Changsha U-niversity of Science and Technology，2009.

［11］王琳．刮板输送机故障分析与技术改进研究［D］．西安:西安科技大学，2006. WANG Lin．The analysis and technical improvement research of scraper conveyor［D］．Xi’an: Xi’an University of Science and Technology，2006.

Scraper conveyor fault analysis based on RBF fuzzy integral multisensor data fusion

ZHANG Yong-qiang1，2，MA Xian-min1，LIANG Lan1
(1. College of Electrical and Control Engineering，Xi’an University of Science and Technology，Xi’an 710054，China; 2. Branch of Mining Machinery Manufacturing Maintenance Co．，Ltd．，Shenhua Ningxia Coal Industry Group，Yinchuan 750001，China)

Abstract:Scraper conveyor is one of the most important equipment in the coal mine．The current status of fault diagnosis on scraper conveyor was introduced briefly．According to the data fusion theory，the fault diagnosis method of scraper conveyor is proposed based on RBF and fuzzy integral method to solve the difficulty problem which the fault variety and parameters are interconnected．In the characteristics level RBF algorithm is used，the homologous data for each kind of fault fuzzy measure is got，so that the homologous data can be quickly convergent and linearly separable in high dimensional space．In the decision level the fuzzy integral algorithm is adopted．It used the fuzzy measure by fuzzy integral calculation，got the predictive results of the scraper conveyor fault information，simplified redundant information and reduced the relevance of failure influence for good fault tolerance．The research example of the reducer motor fault diagnosis in scraper conveyor shows that the suggested method can overcome the uncertainty of fault type，ensure the completeness of fault data overall and improve the precision of fault diag-book=272,ebook=125nosis for scraper conveyor fault diagnosis．

Key words:data fusion; RBF; fuzzy set integral; scraper conveyor

通讯作者:张永强(1968－)，男，宁夏隆德人，高级工程师，E-mail: zhyq732@ sina．com

基金项目:国家自然科学基金(51277149)

*收稿日期:2015－12－20责任编辑:高佳

DOI:10．13800/j．cnki．xakjdxxb．2016．0219

文章编号:1672－9315(2016) 02－0271－04

中图分类号:TD 528

文献标志码:A