基于改进蚁群算法的破碎机设备故障预测研究

摘要：破碎机在恶劣环境下产生故障的特征值很难被提取，因此，故障预测率低、误判率高。基于此，提出改进蚁群算法的预测方法。首先，采集基础数据和振动信号、温度、压力等原始数据。其次，对数据进行整合并归类，去除噪声，并填补缺失值，筛选异常值，采用归一化的处理方式，进行数据转换，利用标准差来表征数据的基本特征值。最后，结合改进蚁群算法，设计破碎机设备故障预测处理模型。经实验，该方法的预测误判率平均为12.6%。因此，设计方法有效提高了故障预测率，降低了误判率。

关键词：改进蚁群算法""设备感应""故障预测""异常数据采集

Research"on"Fault"Prediction"of"Crusher"Equipment"Based"on"Improved"Ant"Colony"Algorithm

DOU"Xu""LIU"Guiping

Yongping"Copper"Mine"of"Jiangxi"Copper"Corporation"Limited，Shangrao，"Jiangxi"Province，"334000"China

Abstract：The"characteristic"values"of"faults"generated"by"crushers"in"harsh"environments"are"difficult"to"extract，"resulting"in"low"fault"prediction"rates"and"high"misjudgment"rates."Based"on"this，"an"improved"ant"colony"algorithm"prediction"method"is"proposed."First，"collect"basic"data"and"raw"data"such"as"vibration"signals，"temperature，"and"pressure."Second，"integrate"and"classify"data，"remove"noise，"fill"in"missing"values，"screen"for"outliers，"use"normalization"processing，"and"perform"data"transformation，"use"standard"deviation"to"characterize"the"basic"characteristic"values"of"data.Finally，"combined"with"the"improved"ant"colony"algorithm，"a"fault"prediction"and"handling"model"for"crusher"equipment"is"designed.Through"experiments，"the"average"prediction"misjudgment"rate"of"this"method"is"12.6%."Therefore，"the"design"method"effectively"improves"the"fault"prediction"rate"and"reduces"the"misjudgment"rate.

Key"Words："Improved"ant"colony"algorithm;"Equipment"sensing;"Fault"prediction;"Abnormal"data"collection

在长时间运行过程中，破碎机因工作环境恶劣、负载波动，常会出现故障，影响生产线的连续性和安全性。为避免故障设备对后期的生产造成影响和阻碍，设计针对故障特征的预测方法。SITKO"J等人[1]提出信息化和智能化机电设备故障预测方法，通过集成传感器、数据分析与机器学习技术，实时监测设备状态，提取关键运行参数。在大数据技术的辅助与分析下，构建预测模型，识别异常模式。赵经国等人[2]提出测振仪圆锥破碎机故障预测方法，监测圆锥破碎机振动信号，结合信号处理技术提取特征参数。通过机器学习模型分析振动数据预测故障类型与发生时间。这一类方法虽然可以实现实时的勘测方法，但仍存在预测范围受限、效率低下、收敛速度慢等缺陷[3]。为此提出对基于改进蚁群算法的破碎机设备故障预测方法的设计与实际分析。

1"建立破碎机设备故障改进蚁群测算预测方法

1.1 障特征提取

在破碎机设备运行过程中，采集基础数据，以及振动信号、温度、压力等原始数据并进行数据整合与归类，去除数据中的噪声，并填补缺失值，筛选异常值，采用归一化的处理方式，进行数据转换，利用标准差来表征数据的基本特征[4，5]，具体如下。

式（1）中：STD为数据处理标准差；N为样本总数；为信号样本值；为信号均值。

通过频域引导，将信号从时域转换到频域，并对破碎机运行过程形成的信号进行特征描述[6]。结合不同时间点的频率变化与波动规律，计算出对应的特征值，具体如下。

式（2）中：为特征值；和为非对称性和尖峰性质；为突发敏感值。

根据特征值的变化，得出信号分布的偏斜程度，对破碎机运行时的特征进行基础性的判定与分析。

1.2"不平衡特征集降维测算

通过PCA正交变换将相关变量转为线性不相关变量，作为降维目标。再分解特征值得特征向量（主成分），并计算特征的协方差，具体如下。

式（3）中：为特征协方差；为初始特征向量；为降维数；为随机预测范围；为可扩展预测范围。

设特征协方差为引导，结合蚁群算法进行不平衡特征集的设定，同时进行破碎机空间寻优处理，在复杂的背景环境下，实现预测路径的选择。不平衡特征集的有效降维，能够降低数据处理的复杂度，还能提升故障预测的准确性和鲁棒性。

1.3"设计改进蚁群测算破碎机设备故障预测模型

按照下述流程对蚁群算法进行改进，具体步骤如图1所示。

结合改进蚁群算法，设计破碎机设备故障预测处理模型。基于当前破碎机的运行状态与实况，先定义蚁群算法中的关键参数，具体如下表1所示。

构建迭代故障计算过程，每只蚂蚁根据当前位置的信息素浓度和启发式信息选择下一步的移动方向，基于特征的变化，计算出覆盖范围之内破碎机故障的相似度，具体如下。

式（4）中：Heuristic为故障相似度；为调节系数；Distance（为特征与特征之间距离；Similarity为历史故障数据中特征与特征的相似度。

蚂蚁在移动过程中释放信息素，形成对应的预测路径，当路径出现故障或异常时，通过多次迭代，算法逐渐收敛于最优或次优的故障预测模型，此时，针对形成的各个故障预测路径，进行最优预测解的计算，具体如下。

式（5）中：为最优预测解；为故障覆盖范围；为可识别故障节点；为故障重叠预测值。

针对上述计算的最优预测解，同时基于输入设备的数据与信息，准确预测破碎机的故障类型与发生概率。需要注意的是，当前设定的预测结果仅是单元针对性的，代表的是单个破碎机单个故障点的异常，并不具有综合性概括作用，为确保最终预测结果的真实与可靠，需要进行综合性计算对比，确保测试结果的可靠与真实。

1.4"自适应异常点位核验实现预测处理

自适应异常点位核验机制通过动态调整算法参数与策略，精准识别并验证数据中的异常点。这一过程采用对比核验方式，旨在提升故障预测的准确性和时效性。依据自适应处理机制，将异常点识别逻辑融入信息素更新规则中，结合移动路径上的信息素浓度与启发式信息，设计自适应处理环节，具体流程如图2所示。

随着自适应迭代处理，异常点位逐渐显现，先引入自适应核验机制，再根据历史数据和当前系统状态，动态调整异常阈值，制定多层级、多目标的验证策略，据此更新异常阈值，具体如下。

式（6）中：为更新异常阈值；和为近期数据的均值和标准差；为系统特性值。

结合更新的异常阈值，设定自适应的异常点位对比。通过自适应核验的异常点位，结合破碎机的运行机理和故障模式库，进行故障类型识别和预测处理，得出最终的预测结果，实现故障的早期预警和有效应对。

2"实验

2.1"测试准备

选定K矿山工程施工的G4369HD旋回式破碎机作为测试的目标设备。

基于实际的测定需求，在测试区域内部署温度传感装置、振动传感装置、压力传感装置等进行覆盖式监测，便于实时数据和信息的采集。在传感覆盖范围之内进行实时监测节点的部署，节点之间互相搭接，形成覆盖式的监测背景与约束条件，与传感装置互联。

2.2"测试过程与结果分析

预设6个独立的预测周期，与其他方法进行对比，预测误判率测试结果如表2所示。

分析表2，设计方法预测误判率较低，更加灵活、精准、稳定，覆盖范围得到进一步扩展，实现更加灵活的故障瞬时捕捉，稳定预测效率，减少预测误差，确保预测结果的真实。

3"结语

本研究引入了改进的蚁群算法，并构建了相应的故障预测模型。基于优化蚁群算法的信息素更新策略和搜索机制，设计更加灵活、多变的预测机制，在面对复杂环境时，不仅可以提高算法的收敛速度和全局搜索能力，一定程度上还可以增强故障预测的准确性和可靠性，扩大预测范围的同时，增加预测管控效率，确保预测的精度，为工业生产中的设备维护与管理提供了重要的技术支持。

参考文献

[1]JACEK"S"，ZAKIRHUSSAIN"F.Analysis"of"mechanical"equipment"failure"at"the"hard"coal"mine"processing"plant[J].Acta"Montanistica"Slovaca，2020，25（3）：350-360.

[2]赵经国，熊健，吴佳佳，等.基于测振仪的圆锥破碎机故障诊断[J].煤矿机械，2022，43（9）：188-190.

[3]张潮军，于月朋，徐永坤.某企业HPT500多缸液压圆锥破碎机典型故障分析及对策研究[J].现代矿业，2024，40（3）：189-192.

[4]张文昌，杜进毅，赵广华.对辊式破碎机运行中常见的故障原因及解决方法[J].凿岩机械气动工具，2024，50（1）：50-52.

[5]ESHAGHIAN"O，HOSEINIE"S"H，MALEKI"A.Multi-attribute"failure"analysis"of"coal"cutting"picks"on"longwall"shearer"machine[J].Engineering"Failure"Analysis，2021，120（1）：105069.

[6]韩颖.基于卷积神经网络的电力设备故障预测模型的研究[J].自动化应用，2023，64（24）：107-109.