基于时间序列和BP神经网络矿井风机故障诊断.docVIP

基于时间序列和BP神经网络矿井风机故障诊断 　　摘 要：矿井通风机是煤矿井下通风不可或缺的安全设备，被誉为矿井的“呼吸”系统，一旦出现故障而停机运行，将威胁到整个矿山的安全生产。针对这一问题，建立基于时间序列和BP神经网路的矿井通风机故障诊断系统。利用测取的信号进行时间序列分析，建立AR模型并进行估计、预测，锁定故障发生的范围，这样节省了盲目查找故障的时间。直接从预测故障范围中提取参数作为特征向量，并以此作为BP神经网络的训练样本，实现矿井风机的故障诊断。 　　关键词：矿井通风机；时间序列；BP神经网络；故障诊断 　　引言 　　矿井通风机正常运行有利于煤矿的安全生产，对其进行状态监测和故障预测，及时准确地识别核心零部件的故障信号，并提取评估，预测故障的发展动态，有利于及早发现故障、预测故障并制定维修策略。这样提高了矿井通风机的安全性和可靠性，实现由“事后维修”到“预知维修”的过程，减少了突发事件造成的停机损失，能够有效发现风机早期的故障。文章提出了基于时间序列和BP神经网路的矿井通风机故障诊断系统，其目的是减少特大故障的发生，实现风机的经济运行、保障煤矿作业人员的安全。 　　1 时间序列估计、预测风机故障 　　1.1 时间序列原理 　　通过现场测取有限时间段的通风机运行状态信号，经过一系列的处理后，得到平稳、正态、零均值的时间序列{xt}，从而建立矿井通风机的动态时间序列AR模型，来评价通风机的运行情况和估计其未来发展趋势，并做出预测。其 AR 模型的结构为： 　　文章采用最小二乘法原理对时间序列{xt}进行估计，解方程组（2）可得AR（n）的参数模型。 　　1.2 AR模型预测 　　1.3 风机运行状态建模、估计与预测在MATLAB中的实现 　　矿井通风机时序建模可分为两个阶段，一是预估模型阶数，根据AR模型中最小最终预报误差准则FPE准则进行适用性检验，取FPE 最小时的 n 为3时作为模型阶数并建模。二是求出模型参数，对于特征时间序列 X，用最小二乘法估计的全极点模型的自互相关法计算AR（n）模型的参数。MATLAB 程序为： 　　对于时间序列{xt}，根据式（2）的原理计算AR（n）模型的参数，选取n为3，也就是时间序列模型为3阶系统。 　　对于风机的状态监测比较简单，在现场连续监测55小时，每小时提取5个通风机轴承温度的信号，每5个数据取均值后得到55个风机预测数据点，根据式（3）的基本原理来进行风机的运行状态估计和误差预测。 　　estx=filter（[0-a（2：end）]，1，x）； %估计时间序列 　　e=x-estx； %预测误差 　　[acs，lags]=xcorr（e，’coeff’）； 　　subplot（121）； 　　plot（1：55，x，1：55，estx，’-.’）； 　　title（’原始信号’）； 　　xlabel（’采样点’）； 　　ylabel（’幅度’）； 　　grid； 　　legend（’原始信号’，’最小二乘法估计’） 　　subplot（122）； 　　plot（lags，acs）； 　　title（’预测误差的自相关函数’）； 　　xlabel（’延迟’）；ylabel（’归一化值’）；grid； 　　MATLAB程序结果如图1所示，其中，虚线为预测曲线，实线为实测曲线。图2为预测误差的自相关函数。 　　1.4 结果分析 　　由图1可看出实测曲线和最小二乘法估计的预测曲线在48时相差很大，由图2预测误差的自相关函数可知：在0点的相关程度最大之后在减小，但在48处有出现局部峰值，即48附近为预测故障范围，矿井通风机可能出现故障。因此可将预测故障范围内的数据即提取46到50之间的20个点，作为BP神经网络的训练数据，这样节省了盲目查找的时间，及时预测故障，及时检查并维修，减少突发事故发生。 　　2 故障诊断 　　2.1 BP神经网络模型 　　矿井通风机轴承温度异常原因有：润滑不良和轴承异常。其中轴承常见故障类型主要有：转子弯曲、转子不对中、转子不平衡、轴承损坏、转子磨损、油膜涡动6类。 　　2.2 诊断结果分析 　　经MATLAB建模运行，由结果可知输出矩阵： 　　输出矩阵Y的列向量分别代表2个待诊断样本的输出。以1表示故障必然发生，0表示无故障。 　　通过时间序列AR模型预测出故障范围，并将故障范围内的数据特征提取作为BP神经网络的训练样本，这样节省了盲目查找故障的时间。 　　3 结束语 　　基于时间序列和BP神经网络的故障诊断方法可以识别典型的故障。理论上，我们应该对风机长期观察提取足够多的训练样本，这样才能达到精确的识别精度。但由于实际情况的局限性，只能根据个别典型的数据来初步找到故障范围