基于 PSO-BP 神经网络的采煤机电动机故障诊断研究

姜 磊，叶圣超，李飞龙

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

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]

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 (1±2s)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

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。

图1 BP 神经网络拓扑结构Fig.1 Topological structure of BP neural network

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

式中：Ximax为Xi中最大值；Ximin为Xi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。

表1 归一化典型故障数据Tab.1 Normalized typical fault data

表2 神经网络目标输出Tab.2 Output of neural network target

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。

表3 测试结果Tab.3 Test results

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。

式中：ωmax=0.9；ωmin=0.4；k为迭代次数；DTmax为最大迭代次数。

表4 参数初始化Tab.4 Parameter initialization

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。

图2 3 种训练算法性能曲线Fig.2 Performance curves of three training algorithms

表5 3 种算法训练数据Tab.5 Training data of three algorithms

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[-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。

表6 PSO-BP 神经网络测试结果Tab.6 Test results of PSO-BP neural network

表7 BP 神经网络测试结果Tab.7 Test results of BP neural network

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 PSOBP 算法在采煤机电动机故障诊断上应用的可行性和有效性。