基于改进BP 神经网络的煤矿井下排水泵故障诊断方法

刘怀奇

（内蒙古平庄煤业（集团）有限责任公司风水沟煤矿，内蒙古 赤峰 024081）

随着科学技术的飞速发展，煤矿生产设备和生产管理技术发生了质的变化。但我国煤矿井下生产环境依旧很差、安全事故仍时有发生、井下水灾占比依旧不小。矿井排水系统是煤矿六大系统之一，负责井下涌水排放，排水系统的可靠运行是煤矿安全生产的必要保障之一［1］。近年来，伴随着物联网和人工智能等技术的快速发展，矿井排水系统实现了高度的自动化控制，排水系统的监管也相对完善。但井下恶劣的环境，对电气设备的稳定运行仍是非常大的考验，而且井下设备的监管及维修没有地面设备方便，在一定程度上会影响排水系统主要设备的正常运行，监管不到位和维修不及时甚至会影响煤矿安全生产的正常进行，造成的损失难以想象。

煤矿井下排水泵的远程监控系统虽逐渐完善，但对于设备的故障诊断与预测还存在很多不足之处，主要表现在：故障检测不全面、故障误报、故障定位不准确、故障状况诊断不全面等方面。做到对水泵电机等设备的工作状态进行合理地监控，对其工作态势进行准确预警，不仅可以保证水泵等设备的正常运行，同时还可以达到故障预知和维修预警的目的，增强了系统的可靠性。文献［2］研究煤矿排水泵故障诊断与预防性管理；文献［3］研究基于BP 神经网络的水电厂排水泵故障预警。但是上述方法均存在故障诊断准确性较低的问题，对此，本文研究基于改进BP 神经网络的煤矿井下排水泵故障诊断方法。

1 煤矿井下排水泵信息处理

1.1 信号采集

煤矿井下排水泵的振动主要是由于轴和叶轮的振动引起的，故本文采用速度型振动传感器。所用振动传感器型号为CYT9200［4］，其参数如表1 所示。

表1 振动传感器技术参数

该振动传感器为检测振动信号时为接触性安装，故直接垂直安装在泵体的轴伸端，对煤矿井下排水泵振动信号进行采集。速度型振动传感器在工作时，通过振动传感器的振动变化，进行振动信号的获取，最后输出振动信号接入到处理器中，其具体工作原理如图1 所示。

图1 振动信号采集原理图

1.2 信号预处理

噪声的干扰会影响后续特征向量的提取，有效的降噪处理有利于后续操作的进行，保证实验结果的准确性与可信度。小波包（wavelet packet decomposition，WPD）可将要处理的信号分解成低频成分和高频成分两部分，并逐层对高频与低频同时进行分解，高频成分可以捕捉在低频中损失的一些特征［5］。设采集到的煤矿井下排水泵含噪声振动信号为y（t），可以用以下形式表达：

式中：x（n）为有用成分；α（n）为信号中包含的噪声成分；β 为噪声强度。运用小波包分解对煤矿井下排水泵振动信号降噪的过程如下：

（1）阈值处理

怎么选取阈值以及怎么量化阈值，是小波包去噪过程中最为重要的一步，在一定意义上直接关乎到数据的降噪的成效。本文采用硬阈值进行处理，表达式如下：

对信号进行降噪处理的目的在于凸显煤矿井下排水泵振动信号的特征信息，易于对其特征值提取，硬阈值降噪后小波系数能够保留较多的特征信息，所以本文选择硬阈值降噪处理。

（2）信号小波包分解

图2 所示是小波包分解树示意图，其中信号S可用如下公式表示：

图2 小波包分解树示意图

（3）信号小波包重构

原始信号y（t）通过J 层分解后会拥有2J个小波包，为了实现对某个小波包的重建，需要先保持该小波包中的数据，再将该层中剩余的数据归零，再对已被处理的小波包进行重构。重构之后便能够把这一小波包的时域分辨率增大到原本状态，保障信号的不失真，重构信号如下式所示。

1.3 信号特征提取

在煤矿井下排水泵的故障诊断中，振动信号的特征提取是一个非常重要的任务。特征提取是对故障类型进行精确分类的一个重要阶段，它以最精确的样本数来描述指定类别的数据，以减少原始数据的维数。因此，选择有效的信号处理方式来提取振动信号的特征是能够实现煤矿井下排水泵故障诊断的关键［6］。特征提取步骤如下所示：

（1）计算经过去噪后信号序列y′（t）的所有极值点。

记c（1t）＝（t），则c（1t）为y（′t）的第一个IMF分量：

但上述过程存在一个问题，就是筛分次数的设定，即k 的取值问题。因为若是值过小，会导致所得结果中IMF 的局部对称性不足；若是值过大，则可能会导致所得结果中IMF 变为常数。为了解决这一问题，提出了一个合理的停止准则，该准则由俩相邻的（t）和片（t）之间的标准差SD 来定义：

式中，T 为y′（t）的时间长度，当筛分结果满足式（9）的条件时，分解过程即会停止。所得IMF 也被视为符合条件的IMF。

（4）将IMF1（t）从y′（t）中去除，得到原信号的残余分量r1（t）：

（5）将以上步骤不断重复，即可得到若干符合条件的IMF 和一个残余分量r1（t），则最终原信号可表示为：

从式（11）可以看出，原始信号y′（t）被分解为n 个IMFci（t）以及一个残余项r1（t）。

基于上述内容完成煤矿井下排水泵振动信号的去噪处理，提高煤矿井下排水泵振动信号特征提取的精准性。

2 基于改进BP 神经网络的排水泵故障诊断

利用训练完整的网络模型作为故障模式判别依据，通过输出结果来实现煤矿井下排水泵故障的识别，可以有效降低识别过程所用时间。改进BP神经网络结构图3 所示。

图3 改进BP 神经网络结构图

改进BP 神经网络的数学表达式如下：

式中：m 表示隐含节点数；n 表示输入节点数；W（k）表示总输出；Wb1表示隐含层偏差权值；Wo表示隐含层到输出层的权值。

式中，∂i（k）表示第i 个隐含层节点的输出；ξ表示隐含节点层的激活函数。

式中，Ii（k）表示本网络在时间k 的第i 个输入；Wb2表示输出层偏差单元权值；Wx表示输入层到隐含层的权值；Wy表示反馈误差权值。隐含层各单元输入输出：

输出层各单元输入及输出响应：

输出层各单元的一般化误差：

隐含层各单元的一般化误差：

修正连接权值：

改进BP 神经网络的模型如下图4 所示。

基于上述改进BP 神经网络模型进行训练，输出结果为矿井下排水泵故障识别结果，完成矿井下排水泵的故障诊断。

3 实验分析

3.1 实验数据

本文方法基于改进BP 神经网络进行煤矿井下排水泵故障诊断，为验证本文方法的性能，采用MD450-60X5 排水泵作为实验对象，其性能参数如表2 所示。

表2 MD450-60X5 性能参数

3.2 去噪性能对比

采用去噪性能作为实验指标进行测试，结果如下图6 所示。

根据图5 可以看出，本文方法能够有效去除煤矿井下排水泵振动信号中的噪声，说明本文方法具有有效性。

图5 排水泵振动信号去噪效果图

3.3 煤矿井下排水泵故障诊断准确性对比

为进一步验证本文方法的实用性，以煤矿井下排水泵故障诊断准确性为实验指标进行对比测试，测试结果如下图6 所示。

图6 排水泵故障诊断准确性结果

根据图6 可以看出，本文方法的排水泵故障诊断准确性最高达98%，文献［2］方法的排水泵故障诊断准确性最高为87%，文献［3］方法的排水泵故障诊断准确性最高为84%。由此可见，本文方法的排水泵故障诊断准确性明显高于文献［2］方法、文献［3］方法。说明本文方法对排水泵故障诊断的准确性较高，其技术水平和应用价值较高。

4 结论

本文研究基于改进BP 神经网络的煤矿井下排水泵故障诊断方法。实验结果表明：本文方法能够有效对煤矿井下排水泵振动信号进行去噪，且煤矿井下排水泵故障诊断准确性高达98%，证明本文所述方法具有有效性且有较高的技术水平和应用价值。