基于模糊神经网络的矿井提升机故障诊断研究

王伟新

摘 要：本文对矿井提升机进行故障诊断的研究，采用先进的诊断技术——模糊神经网络技术，模糊神经网络主要由模糊量化和神经网络组成，在模糊神经理论的基础之上并结合现代矿井提升机的实际情况，建立其故障诊断的数学模型，并对其进行分析研究。

关键词：模糊 神经网络 提升机 诊断

中图分类号：TP277 文献标识码：A 文章编号：1674-098X（2017）08（c）-0087-02

矿井提升机作为现代矿井的大型机电设备，综合机、电和液压等先进技术于一体，是地面与井下相互联系的主要设备之一，主要实现矿物的提升、人员和设备的输送等多项工作任务[1]。驱动矿井提升设备的最大功率可以使用1～1.5万kW的电动机，提升容器每次可以有效提升30～50t的矿物，且其在井筒中安全运行时，可以实现的最高运行速度是每秒达到20～25m。因此在提升机工作时，必须保证其安全运行，从而保障整个矿井的安全生产。如果出现故障，很难及时、准确地定位故障源，增加了故障排除的难度，势必会造成停工停产，必然造成重大的经济损失，严重时会出现伤亡事故，造成不良的社会影响。提高矿井生产效率，降低事故率是矿井生产追求的目标之一，如何做到矿井提升机的本质安全高效是函待解决的主要问题，先进的故障诊断技术——模糊神经网络技术成为了研究的重点。因此，将模糊神经网络技术应用于矿井提升机显得特别重要。

1 矿井提升机故障诊断的基本策略

实现提升机故障诊断的基本策略：设备检测目标可能发生的全部状态（正常或故障），组成状态空间S，它的观测量特征的取值全体构成特征空间Y，当系统为某一状态S时，系统的确定特征Y，即存在映射g：

反之，一定的特征也对应确定的状态，即存在映射f：

状态空间与特征空间的关系如图1所示。

当f和g是双射函数（特征空间与状态空间一一对应）时，那么特征向量就可以确定系统状态的惟一性，反之相同。根据可测量的特征向量来实现对系统处于何种状态进行判断就是故障诊断的目的。

在矿井提升机中实现故障诊断的目的在于根据各个检测量的特征向量间接判断系统处于什么状态，因此，动态检测就显得非常重要。动态检测相当于对整个系统运行状态的順序扫描及控制的过程，在系统的周期扫描运行机制的基础上，控制程序的设计通过3个功能模块的设计来完成：输入信号检测模块，完成对外部各开关量（主令信号、各传感器信号、操作按钮信号等）和模拟量（液压站信号、电压信号、电流信号）反馈信号的检测与转换；系统状态转换模块，检测信号、历史状态和实际要求，确定系统的当前状态；输出信号转换模块，根据系统当前状态，确定各控制信号的状态。因为一般故障状态具有一定模糊性，决定其所对应的特征值也有一定模糊性，因此故障诊断的关键是解决状态量的模式识别问题。

故障诊断技术主要包括正确选择与测取设备有关状态的特征信号、正确地从特征信号中提取设备有关状态的有用信息、根据征兆正确地进行设备的状态诊断、根据征兆与状态正确地进行设备的状态分析和根据状态分析正确地作出决策等5个方面的内容。

对设备进行故障诊断的过程框图如图2所示。

2 模糊神经网络故障诊断模型的建立

对矿井提升机进行故障诊断采用的是模糊神经网络，主要由模糊量化和神经网络组成，分为输入层、模糊化层、推理层和输出层，模糊神经网络的模型如图3所示。

第一层作为输入层，决定故障诊断征兆，输入信号的个数d决定了节点数，每个节点对应一个输入变量xi（i=1，2，…，d），因此其输入向量为X=[x1，x2，…，xd]T。

第二层为模糊化层，这一层所进行的工作是利用隶属度函数将输入变量进行模糊化，将故障诊断征兆xi分割成Ti个模糊子集，则故障征兆xi就有Ti个模糊隶属度值，它的第j个隶属度函数就可以表示为sij=μij（xi），其中j=1，2，…，Ti，则模糊化层共有ΣTi个节点。

第三层为推理层，这一层实现模糊输入变量映射到模糊输出变量的功能，即确定故障原因与故障征兆的对应关系。假设该层第i个节点与量化层各节点的连接权向量为WHi，则该节点的输出为yi=f（WTHiX+θHi），其中f使用的是Sigmoid函数，θHi代表本节点的阈值。隐含层的节点数量可以使用来计算，其中a∈[1，10]。

第四层为输出层，其每个节点都代表一种故障，它的值的大小代表故障存在的可能程度。假设有m个故障，该层第i个节点与隐含层每个节点的连接权向量为WOi，则该节点的输出为yi=f（WOiTX+θOi），输出层的节点数为故障的个数m个。

3 结语

综上所述，在模糊神经网络技术的基础上对矿井提升机的故障诊断技术进行研究，并有效应用模糊理论和神经网络技术，并创建数学模型，能够为建立矿井提升机故障诊断系统提供理论支持，提高矿井提升机的运行效率和安全性，为矿井的安全生产提供有效保障。

参考文献

[1] 周成宝.基于RBF神经网络的矿井提升机故障诊断研究[D].哈尔滨：哈尔滨工程大学，2009.

[2] 卢新彬.基于模糊神经网络的交流调速系统智能控制[D].哈尔滨：黑龙江科技学院，2010.

[3] 王新，马庆林.变频调速系统的故障诊断与健康诊断[M].北京：煤炭工业出版社，2009.