基于神经网络的矿用胶带输送机健康状态分析

郝二文

(霍州煤电集团 吕梁山煤电公司店坪煤矿，山西 霍州 031400)

煤矿生产流程复杂，井下设备的安全运行关系着煤矿工人的生命安全和煤矿企业的高效生产。矿用胶带输送机在井下生产过程中，对于原煤输送起着重要的作用，其运行状况直接影响了整个开采过程[1].近年来，伴随着我国煤矿开采的发展，胶带输送机工作负荷增大、工作环境恶劣，工作过程中经常发生跑偏、撕裂、断带及堆煤等问题，这给煤矿的安全生产和高效运行造成了威胁。因此，对胶带输送机运行状况的分析和评测意义重大，根据实际工作中的评估状态及时进行检修可以降低危险，保证胶带输送机的高效运行，提高煤矿运输可靠性[2].本文提出了基于神经网络的矿用胶带输送机健康状态分析方法，根据店坪煤矿二水平主运输巷SDJ-1000/2×90型胶带输送机实际情况，设定了评估指标，将实际运行参数作为神经网络输入参数，对SDJ-1000/2×90型胶带输送机健康状态进行预测分析。

1 工程概况

店坪煤矿原为山西省方山县县营煤矿，设计生产能力0.30 Mt/a，2002年10月由霍州煤电集团并购。现主要开采区域为回风立井和主斜井周边2#、3#、5#煤层，开采面积约0.8 km2，产量在0.1 Mt/a左右，累计生产原煤约0.40 Mt. 井田内含主井强力皮带、SSJ1000/2×160型重型胶带输送机、SSJ1200/2×315型重型胶带输送机、SSJ1000/2×90型胶带输送机、DTL120/3×500型强力皮带。以二水平主运输巷SDJ-1000/2×90型胶带输送机为研究对象对胶带输送机健康状态进行分析，为其他型号胶带输送机的健康状态评测提供研究基础。SDJ-1000/2×90型胶带输送机具体参数见表1，2，3，4.

表1 胶带输送机技术参数表

表2 电动机技术参数表

表3 减速器技术参数表

表4 常用备件参数表

2 胶带输送机健康状态评估

合理的评估依据是建立胶带输送机健康评估系统的基础，结合历史故障类型，将胶带输送机的健康状态进行分类，构成胶带输送机评测系统[3]，见图1.

图1 胶带输送机健康评测系统图

健康状态实时评估是建立在历史样本数据库的基础上，结合神经网络对胶带输送机的健康模式进行实时评估[4]. 根据对胶带输送机运行情况影响最关键的历史运行参数情况，将电机、齿轮箱、滚筒、托辊以及胶带的参数情况作为神经网络评测系统的基本参数[5]，训练参数，将实时采集数据处理后进入神经网络，通过网络训练输出模式数据，以此作为评判胶带输送机可靠运行的依据，其具体评测流程见图2.

图2 胶带输送机健康情况实时评测流程图

3 基于神经网络的胶带输送机健康状态分析

3.1 神经网络算法

神经网络训练包括正向传播和逆向误差传播两个过程，前者是指输入层将输入信号送至隐含层，激励后传至输出层；后者则是指当输出值和期望值差异比较大时，误差原路返回，通过改变神经元权重关系使误差值降至最低[6].

神经元输入输出数：

x=f(X)

(1)

(2)

式中：

xi—输入信号；

ωi—上一层的神经元到当前神经元的连接取值；

θ—神经元的激活阈值；

f(X)—激励函数。

常用Sigmoid函数作激励函数：

(3)

目标函数用均方误差表示，输出实际值和期望值差值最低时即为目标最低值。第p个输入样本的目标函数为：

(4)

式中：

n—输出神经元个数；

权值修正公式可表示为：

(5)

ωij(t+1)=ωij(t)+Δωij(t)

(6)

(7)

vjk(t+1)=vjk(t)+Δvjk(t)

(8)

式中：

ωij(t)—输入层到隐藏层的连接权值；

vjk—隐藏层到输出层的连接权值；

η—网络学习率；

t—迭代次数。

3.2 胶带输送机健康状态分析的神经网络模型

1) 样本数据。

从评估指标中选取最能反应胶带输送机健康状态的参数：电机P1，齿轮箱P2，滚筒P3，托辊P4，皮带P5，利用公式将取自工作面实际情况的100组参数通过数据极差归一处理，处理后其值位于[0,1],即为归一化后的指标数据。

i=1,2，…,5，k=1,2，…,100

(9)

式中：

pi(k)—实际指标数据。

鉴于实际参数较多，列举其中一部分参数，见表5.

表5 归一化后的胶带输送机指标样本数据表

2) 神经网络结构。

选取电机P1，齿轮箱P2，滚筒P3，托辊P4，皮带P5作为神经网络的输入节点。输出层采用4个节点对应向量[X1，X2，X3，X4]表示胶带输送机的健康状态,X1，X2，X3，X4值取于[0,1]，当X1>0.900取1，反之取0；当X2>0.850取1，反之取0.当X3>0.850取1，反之取0；当X4>0.950取1，反之取0。其中[1,0，0,0]表示健康状态，[0，1,0,0] 表 示 亚 健 康 状态，[0，0,1,0]表示不健康状态，[0，0,0,1]表示危险状态。根据实际问题设计隐藏层节点数量为5～20，利用MATLAB神经网络工具箱选择 Levenberg-Marquardt 训练函数作为误差修正函数，选择Sigmoid 函数作为激励函数，最大训练次数和目标误差分别为2 000和0.01，将最大训练或误差达到其一作为其停止条件。不同隐含层节点的训练结果见图3，由图3可以看出节点10时误差较低。胶带输送机实时运行健康状况评估神经网络结构见图4.

4 分析结果评价

采集2018年3月1日—2018年8月31日店坪煤矿二水平主运输巷SDJ-1000/2×90型胶带运输机关键部位的100组参数，对其中前90组参数进行神经网络处理，利用剩余10组数据检验训练能力，训练处理过程见图5. 根据上述输出参数形式，将输出结果X1，X2，X3，X4中最大值作为输送机实时状态，此4项分别代表健康、亚健康、不健康和危险，神经网络评估结果与实际结果对比见表6. 通过表6可以看出，其中9组数据评估均与实际相符，此评估系统能够精确地评估胶带输送机的实际运行状态。

图3 不同隐含层节点的神经网络训练误差图

图4 胶带输送机实时健康管理神经网络结构图

1—训练曲线 2—最优曲线 3—目标曲线图5 BP神经网络训练过程图

表6 神经网络评估结果与实际健康状态对比表

5 结 语

构建了胶带输送机健康评估体系，根据胶带输送机的实际情况设定了评估指标，并选取了5个最能反映胶带输送机健康状态的指标：电机P1，齿轮箱P2，滚筒P3，托辊P4，皮带P5.根据店坪煤矿二水平主运输巷SDJ-1000/2×90型胶带输送机实际运行参数，并将其运行参数作为神经网络输入参数，对其运行状态进行了评估，利用其中一部分参数对评估结果进行了对比检验，结果证明此神经网络评估系统能够准确地评测胶带输送机的实时运行健康状况，为胶带机的可靠运行提供了保障。