基于SOM 神经网络的矿井提升机故障诊断步骤优化

章建林 黄金波*

（1、湖南有色金属职业技术学院，湖南 株洲412000 2、张家界航空工业职业技术学院，湖南 张家界427310）

关于故障诊断的研究始于20 世纪70 年代初，经过数十年的发展，理论体系逐渐完善，并开始应用于实践当中，其中以神经网络技术最为突出，包括BP 神经网络、SOM神经网络在内的多种网络模型被广泛应用。我国在神经网技术方面的研究虽然起步较晚，但是随着我国综合国力的提升，在技术研究方面突飞猛进，取得了一系列成果，并在多个行业领域中实践应用。SOM神经网络具有自学习、自适应功能，并且支持并行运行，相较于传统故障诊断系统，基于SOM神经网络对提升机故障进行研究，可以解决传统故障诊断系统故障模糊的问题，提升故障诊断效率以及准确性。

1 SOM 神经网络概述

SOM（Self-Organizing feature Map）神经网络，又被称之为Kohonen 网络，是20 世纪80 年代初由Konhonen 教授所提出了一种自组织特征映射网络。Konhonen 教授认为，神经网络接收外部输入模式时，可分为不同对应区域，而不同区域对于外部输入模式会产生不同响应特征，且此过程是自动化完成[1]。SOM神经网络由输入层与输出层构成，输入层的神经元数量以输入网络向量数量决定，输入神经元接收网络输入信号；输出层神经元在平面上按照既定的顺序排列。输入层与输出层神经元以权值相联结，当神经网络接收到输入信号时，输出层相应神经元就会做出响应。

2 矿井提升机的基本构成

矿井提升机的核心构成包括工作机构、机械传统系统、润滑系统、制动系统、拖动控制、观测、操作系统、辅助部分以及自保护系统，具体如下：工作机构主要包括主轴承与主轴装置，包括卷筒、支轮、主轴、调绳装置以及制动轮等；制动装置包括液压传动装置与制动器两部分；液压传动装置包括工作制动控制阀、制动油缸、油源部分以及安全制动控制阀；机械传统系统包括联轴器与减速器[2]；润滑系统主要是向主轴承、啮合齿面以及减速器轴承喷射润滑油；观测、操作系统包括发电装置、深度指示器以及斜面操作台；拖动、控制以及自保护系统包括电气控制系统、自动糊系统、主拖动电动机以及辅拖动电动机{3]；辅助部分主要包括车槽装置、导向轮装置、机座、机架、座椅、护栏、护罩以及护板等。

3 矿井提升机常见故障类型

虽然矿井提升系统配备了相对完善的保护系统，但是由于煤矿井下环境恶劣，各方面情况比较复杂，往往难以获取预期效果，矿井提升系统故障仍比较多见，甚至会发生设备损毁以及人员伤亡事故。根据以往的经验来看，矿井提升机常见的故障主要包括电气设备故障、机械设备故障。电气设备故障监测主要涉及以下方面：（1）电动机过压、过流、断相、失压、漏电以及过载状况；（2）电动机温升状况、欠速以及过速；（3）高压换向器灭弧状况以及触头接触；（4）控制器程序的运行状况；（5）交流器短路、过载、冷却情况以及断路[4]；（6）发电机整流子的接触情况、电动机滑环；（7）接触器动作以及继电器动作是否正常；（8）传感器采集信号和传输信号的情况。

机械设备故障监测主要涉及以下几方面：（1）天轮磨损过快过大；（2）制动力矩不足；（3）轴承过热；（4）联轴器漏油；（5）制动油压力异常[5]；（6）润滑油温异常；（7）尾绳故障；（8）电动机、变流器冷却设备故障；（9）传动轴弯曲、断裂；（10）制动闸瓦磨损、局部过热、不灵活、弹簧疲劳以及闸盘偏摆[6]。

4 基于SOM 神经网络的矿井提升机故障诊断步骤优化

矿井提升机系统是一个复杂化的系统，包含多个子系统，如制动器、减速器以及液压站等，内部结构较为复杂，不同子系统之间相对独立，在实际运行过程中，很难发现故障征兆，难以准确判断各个零件或者子系统故障的原因[5]。本文以矿井提升机系统液压站子系统为例，结合SOM神经网络技术对液压站子系统故障诊断步骤进行优化。液压站子系统常见故障出合闸与开闸过程间隙偏大以外，还可能出现合闸压力不足、油温偏高拍一集开闸残压偏大等故障。矿井提升机系统运行过程中，由于各个子系统相对独立，因此可以单独采集液压站子系统的运行参数，从而实现对液压站子系统的监测，信息采集流程如图1 所示，液压站子系统性能参数如表1 所示。

图1 信息采集流程图示

4.1 SOM神经网络自训练方法

表1 液压站子系统性能参数表

4.2 SOM神经网络学习与训练

将液压站子系统运行性能标准参数输入SOM神经网络，系统通过自适应以及自学习会反复对去权值进行调整，建立液压站子系统运行标准模型，从而根据液压站子系统运行性能参数即可判断是否存在故障。

首先，利用MATLAB 软件创建SOM神经网络，输入层神经单元设定为6 个，输出层神经元数量设定为36 个；其次，开始进行SOM神经网络训练，在MATLAB 软件中，net 用于创建新的神经网络，而函数工具train（net，X）是训练神经网络的工具[8]。如图2 所示，为完成自训练后SOM神经网络输出层的映射结果，根据图示可以明显看出，圆圈表示的是对输入信息不兴奋的输出层神经元，数字则表示对输入信息兴奋的神经元。

图2 自训练完成后SOM 神经网络输出层的映射结果

4.3 实际应用效果分析

某煤矿矿井提升系统液压站子系统在运行过程中，操作人员发现其出现状态异常，经检查后发现液压站子系统开闸间隙过大、油温偏高，监测系统采集到的运行性能参数如表2 所示。将采集到的数据信息输入完成自训练后的SOM神经网络，神经网络输出层映射结果如图3 所示，从图中可以看出，SOM神经网络诊断结果为故障5 与故障4，即开闸间隙过大、油温过高，与操作人员的检查结果一致，表明SOM神经网络故障诊断系统可以准确诊断系统运行故障，且准确性较高，具有较高的推广使用价值。

表2 液压站子系统故障检测性能参数表

图3 故障诊断输出结果

结束语

对矿井提升机系统常见故障类型进行了简要阐述，包括电气设备故障以及机械设备故障，对SOM神经网络基本结构进行了阐述，提出了SOM神经网络训练方法。通过实践证明基于SOM 神经网络的故障诊断系统在矿井提升机故障诊断方面具有显著效果，诊断准确性较高，具有推广使用价值。利用SOM神经网络的自训练功能构建矿井提升机运行标准模型进行故障诊断时，将相应子系统运行性能参数输入SOM 神经网络，即可根据神经网络输出层映射结果准确判断故障类型，进而准确找出系统故障并进行修复，可以显著提升故障修复效率，对于保障煤矿正常生产以及作业人员、机械设备安全具有重要作用。