基于自组织特征映射网络的采煤机故障诊断

常莹莹 林园园 徐 彤

（江苏师范大学科文学院，江苏 徐州 221132）

目前针对采煤机故障诊断方法包括：铁谱分析法、传感器检测法、故障历史查询法、专家诊断和人工神经网络等[1-2]。其中铁谱分析法是借助磁力将金属颗粒从油液中分离出来，通过分析其磨损程度，进而判断故障原因，但该方法操控复杂。传感器检测法和故障历史查询法虽简单易行，但仅限于判断已知或直接关联的故障，对新出现或间接故障却无法识别。专家诊断法需提前总结出一套合理的规则知识库，但如何获取准确有效的规则机制，实现起来又很困难。因此，为克服上述各类方法功能不全或不易实现的弊端，提出了一种基于自组织特征映射（SOM）神经网络的采煤机故障诊断方法[3-4]。

1 SOM 神经网络

自组织特征映射（SOM）是一种竞争学习网络，通过模拟人脑来“聚类”外部输入信息，具有无监督、自组织、自学习等特点，适用于数据聚类、图像处理等，网络结构如图1。

图1 SOM 神经网络基本结构

由图1 可知，SOM 神经网络由具有全连接形式的“输入层和输出层”两层神经元组成。其工作原理及特点是，外界信号输入网络时，网络将会根据输入信号的数据特征信息，进行数据特征聚类，经过大量数据集的无监督网络学习训练，最终输出层神经元会被分为不同的聚类区域，不同的聚类区域会对具有不同特征的输入信号具备不同的“激活”特性。综上，SOM 神经网络具有对输入信号的模式特征提取的能力，在完成基本的网络结构设计后，经过输入训练数据集进行网络结构的迭代学习训练，最终可得到连接权值趋于稳定的网络结构，之后该网络即可用于实际数据聚类分析。

2 网络结构设计

依据SOM 神经网络的基本结构和原理，本文以MG300/700-WD 型交流电牵引采煤机为研究对象进行SOM 神经网络的结构设计。经多次现场调研和数据分析，总结出该型采煤机故障发生部位主要集中在液压主泵、辅助泵、补油泵、截割电机和冷却系统[5]。因此，可以设法通过对这些部位相关特征参数的分析提取，从而快速判定故障原因和故障部位。通过对该型采煤机常见故障及原因分析汇总，可提取采煤机故障特征包括：空载补油压力x1，带载补油压力x2，液压主泵出口压力x3，油液马达主供回油流量差x4，摇臂升降耗时x5，截割机电流x6，截割机温度x7，冷却系统压力x8，冷却系统流量x9。故障原因（异常）包括：系统正常y1，液压主泵异常y2，液压补油泵异常y3，滤油器阻塞y4，液压辅助泵异常y5，油液马达异常y6，截割机过载y7，冷却系统异常y8。

综上，根据SOM 神经网络的基本特性和上述采煤机故障特征及故障原因，可确定所要设计的SOM 神经网络的输入层神经元个数为9 个，对应采煤机的9 个故障特征，网络聚类输出结果为8 个，对应采煤机的8 个故障原因。表1 为包括8 组用于学习训练网络模型的训练样本数据和2 组用于后期模型功能验证的样本数据。由8 组训练样本数据集可确定SOM 神经网络输入向量的维数为9×8。

表1 用于训练和验证的样本数据

SOM 神经网络模型的输出层神经元个数的多少与训练所使用的集合样本有多少的模式类数有关。如果输出层神经元的个数少于模式类数，则所得到的网络训练的聚类输出结果必然会将相近的模式类合并为一类，即聚类的输出结果不够细化。反之若输出层神经元的个数多于模式类数，则会将输入向量的类别分得过细，容易出现“死节点”，即在网络模型整个学习训练过程中，输出层的某个或某些神经元节点从未竞争获胜过，其权值也从未更新过。为防止出现上述两种极端情况，经仿真论证，最终确定SOM 神经网络的输出层神经元个数为36 个，即输出层网络结构为6×6，输入层神经元个数为9个。

3 Matlab 仿真

针对设计的SOM 网络结构，利用newsom(min max(P),[d1,d2,...])和train(net,P) 函数进行学习训练。其中，newsom 用来创建SOM 网络，train 用来训练创建好的神经网络。上述函数中涉及的参数P、[d1,d2,...]及net 分别表示输入的样本矩阵、输出层结构及设计的SOM 网络。输入的样本矩阵P 为表1 中的8 组训练样本数据，[d1,d2,...]=[6,6]，仿真步骤如下。

（1）对输入的样本矩阵P 进行转置，创建SOM 网络net=newsom(min max(P),[6,6])。

（2）网络创建后，利用train(net,P)函数进行学习训练，共进行了5 次仿真学习训练，最终所得的特征分类结果见表2。

表2 特征分类结果

表2 中“N”即代表相应的“故障样本”，“Ni”（i=1～8）代表故障样本yi，即与故障原因yi相对应的样本集。如表2 所示，当训练的次数为100 次时，可将采煤机的故障样本聚归为五类，不能够用于实际聚类应用，此时的分类不够细化，因此需要对训练的次数进行加大。当训练次数分别增加到200 和300 次时，故障样本被进一步细化，被分为了六类，但仍未满足设计要求。当训练次数达到500 和1000次时，故障样本已经被分为了八类，即每个故障样本均被单独分为一类，此时便可以区分出不同的故障类型。以1000 次训练所得的网络模型和输出结果为最终研究对象。为了更加直观有效地判定所设计的SOM 神经网络在输出层上竞争胜利神经元节点的分布情况，通过进一步利用plotsomhit s(net,P)函数对神经元“获胜”分布情况进行仿真，结果如图2。共36 个（对神经元的排序按照先左后右、先下后上的顺序，如最左下角为1 号神经元，最右上角为36 号神经元），其中白色六边形28 个，深色六边形（标记“1”）8 个。为了叙述方便，下面均以颜色简称。白色表示竞争未获胜神经元，深色表示输出层竞争获胜的神经元，其神经元编号与故障原因一一对应，即当发生此类故障时，相应的神经元就会被“激活”，从而用于判断发生故障的原因。通过仿真，汇总出获胜神经元与故障原因对应关系见表3。

图2 “获胜”神经元分布

表3 获胜神经元与故障原因对应关系

为了验证上述设计的SOM 神经网络模型是否满足设计要求，采用sim(net,P)和vec2ind(r)函数进行仿真验证，即r=sim(net,P)，rr=vec2ind(r)。通过将表1 中的2 组验证样本数据输入本SOM 网络，最终仿真输出结果rr 的值分别为16 和12，即被“激活”的神经元分别为16 号和12 号。由表3 可知，16 号神经元对应的分类结果为“主泵异常y2”，即故障发生在液压系统主泵；12 号神经元对应的分类结果为“补油泵异常y3”，即故障发生在液压系统补油泵。仿真输出结果与表1 所统计的2 组验证样本数据对照情况完全一致，图3 为神经元激活分布情况图。

图3 “激活”神经元分布

4 结论

针对传统采煤机故障诊断技术的弊端，将SOM神经网络应用于采煤机故障诊断研究。通过理论分析和仿真试验论证，并结合现场采煤机的故障特征及故障原因数据，利用Matlab 创建并训练出适用于采煤机的SOM 神经网络故障诊断模型。最后，通过与现场实际故障样本数据统计结果的仿真对比，验证了该方法的可行性和正确性，为进一步的工程实践应用奠定了理论技术基础。