李娟莉，閆方元，梁思羽，李 博，苗 棟

(太原理工大學(xué) a.機(jī)械與運(yùn)載工程學(xué)院，b.煤礦綜采裝備山西省重點(diǎn)實(shí)驗(yàn)室，太原 030024)

礦井提升機(jī)是煤礦能源開采過程中連接井上與井下的關(guān)鍵設(shè)備，其能否安全可靠地運(yùn)行直接關(guān)系到煤礦企業(yè)的經(jīng)濟(jì)效益和生產(chǎn)人員的生命安全。提升機(jī)工作環(huán)境和結(jié)構(gòu)的復(fù)雜性，其性能會(huì)隨著設(shè)備的運(yùn)行而不斷惡化，導(dǎo)致故障發(fā)生。作為提升機(jī)的重要組成部分，制動(dòng)系統(tǒng)性能的優(yōu)劣直接關(guān)系到提升機(jī)運(yùn)行的安全性和可靠性。因此借助先進(jìn)的傳感器技術(shù)、信號處理技術(shù)和故障診斷技術(shù)監(jiān)測設(shè)備異常的部位和原因，對潛在故障進(jìn)行精準(zhǔn)的預(yù)報(bào)和診斷對保證設(shè)備的安全運(yùn)行具有重要意義[1-5]。

機(jī)器學(xué)習(xí)作為一種數(shù)據(jù)處理算法，在數(shù)據(jù)的基礎(chǔ)上研究故障特征，對故障進(jìn)行診斷。有的學(xué)者提出了基于決策樹的故障診斷模型，在處理不同故障類型時(shí)具有較高的精度[6-7]。李娟莉等[8]基于貝葉斯理論對礦井提升機(jī)故障進(jìn)行了不確定性推理，得到了較好的故障識別效果。董磊等[9]分析了提升機(jī)故障數(shù)據(jù)的特點(diǎn)，提出了基于復(fù)雜網(wǎng)絡(luò)聚類的故障診斷方法，引入廣義Ward距離，能較準(zhǔn)確對已知故障數(shù)據(jù)進(jìn)行分類。黃秋勇[10]改進(jìn)了BP神經(jīng)網(wǎng)絡(luò)，加入了遺傳算法，用于提升機(jī)制動(dòng)系統(tǒng)的故障診斷中，優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)有更好的收斂速度和診斷準(zhǔn)確率。隨著傳感和監(jiān)測技術(shù)的不斷完善，以及測點(diǎn)的增多和采樣頻率的提高，監(jiān)測數(shù)據(jù)出現(xiàn)了數(shù)據(jù)量大、數(shù)據(jù)維數(shù)多等數(shù)據(jù)特點(diǎn)，機(jī)器學(xué)習(xí)算法建模復(fù)雜，不能充分利用監(jiān)測數(shù)據(jù)，很難滿足大數(shù)據(jù)的需要。

機(jī)器學(xué)習(xí)算法將問題拆分成不同的部分，分別對其進(jìn)行求解，與之相比深度學(xué)習(xí)則以集中方式解決問題，而不必進(jìn)行問題拆分，從原始數(shù)據(jù)中自動(dòng)挖掘診斷信息，自適應(yīng)確定模型結(jié)構(gòu)參數(shù)。常用的深度學(xué)習(xí)算法有深度置信網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、自動(dòng)編碼器和循環(huán)神經(jīng)網(wǎng)絡(luò)。INCE et al[11]利用卷積神經(jīng)網(wǎng)絡(luò)對電機(jī)故障進(jìn)行了診斷，將特征提取和故障分類融合在一起，證明了方法的有效性。胡蔦慶等[12]以行星齒輪箱作為研究對象，通過對振動(dòng)信號的經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)合卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行故障分類，準(zhǔn)確有效地實(shí)現(xiàn)了行星齒輪箱的故障診斷。陳淑梅，朱丹宸等學(xué)者指出，故障診斷過程中采集的過程信號通過映射關(guān)系轉(zhuǎn)化為圖像信號輸入卷積神經(jīng)網(wǎng)絡(luò)能夠提高故障診斷的精度[13-14]。

上述研究成果表明，深度學(xué)習(xí)在故障診斷方面具有較大的優(yōu)勢，但在提升機(jī)上的應(yīng)用較少，本文充分利用提升機(jī)運(yùn)行中出現(xiàn)的大量監(jiān)測數(shù)據(jù)，從監(jiān)測數(shù)據(jù)中挖掘提升機(jī)的故障信息，建立基于CNN的故障診斷模型，對CNN診斷模型進(jìn)行優(yōu)化，使用測試數(shù)據(jù)集對診斷模型進(jìn)行試驗(yàn)驗(yàn)證。

1 故障診斷整體框架

本文所研究的內(nèi)容如圖1所示，主要涉及數(shù)據(jù)采集、數(shù)據(jù)處理、模型訓(xùn)練以及模型應(yīng)用四個(gè)部分。

圖1 故障診斷框架Fig.1 Fault diagnosis framework

1) 數(shù)據(jù)采集。數(shù)據(jù)的來源主要是監(jiān)測系統(tǒng)對提升機(jī)制動(dòng)系統(tǒng)運(yùn)行狀態(tài)實(shí)時(shí)監(jiān)測得到的數(shù)據(jù)與制動(dòng)系統(tǒng)的歷史庫中的數(shù)據(jù)。

2) 數(shù)據(jù)處理。對采集到的提升機(jī)制動(dòng)系統(tǒng)故障數(shù)據(jù)和正常運(yùn)行數(shù)據(jù)進(jìn)行冗余、缺失和標(biāo)準(zhǔn)化處理，提取故障特征，并對數(shù)據(jù)進(jìn)行去噪、計(jì)算特征量處理，構(gòu)建故障診斷數(shù)據(jù)集。

3) 模型訓(xùn)練。建立基于CNN的提升機(jī)制動(dòng)系統(tǒng)故障診斷模型，使用訓(xùn)練數(shù)據(jù)集對診斷模型進(jìn)行訓(xùn)練，通過對故障診斷結(jié)果進(jìn)行評估，不斷修正診斷模型參數(shù)。

4) 模型應(yīng)用。使用測試數(shù)據(jù)集導(dǎo)入到訓(xùn)練完成的診斷模型中，通過對數(shù)據(jù)進(jìn)行分類判斷制動(dòng)系統(tǒng)狀態(tài)和故障類型。

2 故障機(jī)理分析與數(shù)據(jù)采集

2.1 故障機(jī)理分析

礦井提升機(jī)的制動(dòng)系統(tǒng)包括執(zhí)行機(jī)構(gòu)和傳動(dòng)機(jī)構(gòu)，傳動(dòng)機(jī)構(gòu)是液壓站，用以調(diào)節(jié)和控制制動(dòng)力矩的大??；執(zhí)行機(jī)構(gòu)是制動(dòng)盤，制動(dòng)盤合閘時(shí)的制動(dòng)力由若干組碟形彈簧提供，在松閘時(shí)，液壓站將油注入油缸，油壓與彈簧力抵消，進(jìn)而實(shí)現(xiàn)松閘。由于提升機(jī)結(jié)構(gòu)復(fù)雜，加上重載、強(qiáng)振的工作環(huán)境，容易導(dǎo)致制動(dòng)系統(tǒng)發(fā)生故障，常見的故障主要包括以下幾種：

1) 制動(dòng)力矩失效，其包括制動(dòng)力矩過小和制動(dòng)力矩過大。在制動(dòng)系統(tǒng)中，制動(dòng)力矩是一個(gè)重要的參數(shù)，制動(dòng)力矩過小會(huì)使減速度過小，導(dǎo)致制動(dòng)位移過大，造成過卷的現(xiàn)象；制動(dòng)力矩過大引起罐籠停不在預(yù)定位置，過大的減速度會(huì)使鋼絲繩承受的載荷過大，導(dǎo)致鋼絲繩的斷裂。制動(dòng)力矩Mz的表達(dá)式為：

Mz=2μFNRmn.

(1)

式中：μ為閘瓦對制動(dòng)盤的摩擦系數(shù)，F(xiàn)N為制動(dòng)正壓力，Rm為制動(dòng)盤平均摩擦半徑，n為提升機(jī)制動(dòng)盤副數(shù)。若閘盤偏擺超過一定范圍，會(huì)造成閘瓦位移不一致，使得制動(dòng)正壓力波動(dòng)劇烈，影響制動(dòng)效果。引起制動(dòng)力矩失效的原因主要包括摩擦系數(shù)、制動(dòng)正壓力、閘盤偏擺。

2) 殘壓過高。殘壓的高低直接影響到制動(dòng)系統(tǒng)松閘和合閘的速度，進(jìn)而造成制動(dòng)失效。造成殘壓過高的原因主要包括溢流閥的節(jié)流孔較大、液壓站的調(diào)壓裝置調(diào)整不當(dāng)。

3) 制動(dòng)油壓力過低。制動(dòng)油壓力過低會(huì)引起提升機(jī)松不開閘，甚至造成閘瓦失效。造成制動(dòng)油壓力過低的原因主要包括油溫過高、油液泄漏、油液黏度過高。

4) 閘瓦磨損嚴(yán)重。閘瓦磨損太快，會(huì)引起剎車失靈，引起制動(dòng)失效。引起閘瓦磨損嚴(yán)重的原因主要包括閘瓦間隙過小、閘瓦接觸面不平、閘瓦間隙不均勻。

5) 碟形彈簧失效。提升機(jī)在制動(dòng)時(shí)，通過碟形彈簧產(chǎn)生的制動(dòng)力進(jìn)行制動(dòng)，碟形彈簧失效會(huì)導(dǎo)致制動(dòng)力不足，進(jìn)而造成制動(dòng)失效。在頻繁使用后很容易使碟形彈簧的剛度下降，彈簧產(chǎn)生的制動(dòng)力較小或不產(chǎn)生制動(dòng)力，使得碟形彈簧失效。

2.2 數(shù)據(jù)采集

由上述分析可知，閘盤偏擺、閘瓦位移、彈簧力、油壓以及閘瓦開合狀態(tài)是決定制動(dòng)系統(tǒng)運(yùn)行狀態(tài)的重要參數(shù)，因此需要對以上參數(shù)進(jìn)行監(jiān)測和采集。

由于各個(gè)參數(shù)的數(shù)量級和量綱各不相同，如果直接輸入到CNN診斷模型，可能會(huì)導(dǎo)致診斷模型不收斂，因此需要將監(jiān)測數(shù)據(jù)統(tǒng)一到相同尺度下，即標(biāo)準(zhǔn)化。在本文中選用離差標(biāo)準(zhǔn)化，即找出各個(gè)監(jiān)測參數(shù)的最值，計(jì)算每個(gè)監(jiān)測參數(shù)偏離最小值的差占最值之間差的比值，所有的數(shù)據(jù)經(jīng)過標(biāo)準(zhǔn)化之后，都在0.04～0.98的范圍內(nèi)。

在運(yùn)行過程中，傳感器的工作環(huán)境存在噪聲，可能在某個(gè)采集周期內(nèi)，會(huì)導(dǎo)致傳感器采不到數(shù)據(jù)或是一次采到多個(gè)數(shù)據(jù)。因此需要對采集來的數(shù)據(jù)做去冗余和去缺失的處理，由于傳感器的采樣周期較短，獲取的數(shù)據(jù)量較大，可以直接刪除數(shù)據(jù)缺失的記錄。經(jīng)過去冗余和去缺失后，構(gòu)成原始數(shù)據(jù)集。

3 基于CNN的故障診斷模型

3.1 CNN理論分析

CNN是一種具有表征學(xué)習(xí)能力，仿照生物視覺構(gòu)建，包含了卷積運(yùn)算的具有深度結(jié)構(gòu)的前饋型神經(jīng)網(wǎng)絡(luò)。本文搭建的CNN診斷模型由卷積層、池化層、全連接層和Softmax層組成，其基本結(jié)構(gòu)如圖2所示。

圖2 CNN診斷模型結(jié)構(gòu)圖Fig.2 CNN diagnosis model structure diagram

卷積層是CNN診斷模型的核心，是提取數(shù)據(jù)特征的場所。在卷積運(yùn)算中，感受野依次攜帶各個(gè)卷積核按照一定的步長對輸入數(shù)據(jù)進(jìn)行掃描，數(shù)據(jù)與卷積核進(jìn)行乘法運(yùn)算后求和，得到與卷積核相對應(yīng)的運(yùn)算結(jié)果。

池化層是在保證卷積層提取到的特征不被破壞的前提下，按照一定的法則縮減數(shù)據(jù)的尺寸。在池化運(yùn)算中，需要將輸入的每一層分割成若干個(gè)小區(qū)域，對于邊界上不足以湊成的區(qū)域，以0補(bǔ)充，常見的池化運(yùn)算有平均池化和最大值池化運(yùn)算。

全連接層相當(dāng)于一個(gè)分類器，它將前面幾層得到的數(shù)據(jù)進(jìn)行分類，從而輸出診斷結(jié)果。Softmax層是整個(gè)診斷模型的最后一層，其最主要的作用是讓輸出向量中的每一個(gè)分量大的更大，小的更小，且所有分量的和為1，使得輸出結(jié)果變得更接近期望輸出的過程。

3.2 數(shù)據(jù)編碼方法

由于CNN診斷模型是以處理圖像見長，因此需將監(jiān)測數(shù)據(jù)編碼為類似于圖像的形式，本質(zhì)上是將二維數(shù)組表示的數(shù)據(jù)集映射到三維數(shù)組表示的數(shù)據(jù)集上。映射的過程如下：

(2)

(3)

由此可以求出d的值為：

(4)

h=round(50×0.732)=round(36.6)=37，

d=(50×0.732-37)/2=-0.2，

x36=0.25-(-0.2)=0.45，

x37=0.5，

x38=0.25+(-0.2)=0.05，

x其他=0，

X=[0,0,…,0,0.45,0.5,0.05,0,…,0]T.

3.3 算法優(yōu)化

當(dāng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)較少時(shí)，可能會(huì)出現(xiàn)以下狀況：神經(jīng)網(wǎng)絡(luò)對訓(xùn)練數(shù)據(jù)的診斷誤差非常小，但是對于未曾參與訓(xùn)練的數(shù)據(jù)，其誤差較大，出現(xiàn)過擬合的現(xiàn)象。由于Dropout的隨機(jī)性，網(wǎng)絡(luò)中某些神經(jīng)元由于訓(xùn)練數(shù)據(jù)不足而產(chǎn)生的復(fù)雜的“共適應(yīng)”關(guān)系將被破壞，由此訓(xùn)練出來的神經(jīng)網(wǎng)絡(luò)將更好地面對未知的數(shù)據(jù)，所以本文在CNN的基礎(chǔ)上加入Dropout優(yōu)化算法。優(yōu)化算法實(shí)現(xiàn)過程如下：

生成與權(quán)重和偏置的尺寸大小相同，范圍為0～1的隨機(jī)矩陣R.對矩陣中的每一個(gè)元素r作運(yùn)算l(r)，l(r)為線性Dropout函數(shù)，其特點(diǎn)是：當(dāng)隨機(jī)數(shù)r小于丟棄點(diǎn)α?xí)r，l(r)=0；當(dāng)隨機(jī)數(shù)r大于保留點(diǎn)β時(shí)，l(r)=1；當(dāng)隨機(jī)數(shù)r介于兩者之間時(shí)，將r線性地映射到0～1之間，l(r)的表達(dá)式為：

(5)

4 試驗(yàn)驗(yàn)證

4.1 驗(yàn)證過程

本文以實(shí)驗(yàn)室2JTP-1.2×1.0P型礦井提升機(jī)作為試驗(yàn)設(shè)備，對第3節(jié)提出的CNN診斷模型進(jìn)行試驗(yàn)驗(yàn)證，試驗(yàn)設(shè)備如圖3所示。在制動(dòng)器上安裝NZ891YT型電渦流位移傳感器如圖4所示，采集閘瓦位移、閘盤偏擺等參數(shù)；在液壓站的電磁換向閥出口處安裝MBS 3050-3415-1GB04型壓力傳感器如圖4(b)所示，監(jiān)測制動(dòng)油壓的變化；在碟形彈簧底部安裝CMKI墊圈式測力傳感器，監(jiān)測彈簧力的變化，傳感器安裝位置如圖4所示。

圖3 試驗(yàn)設(shè)備Fig.3 Test equipment

圖4 傳感器安裝位置Fig.4 Sensor installation location

在對提升機(jī)的制動(dòng)系統(tǒng)進(jìn)行故障診斷過程中，需要把傳感器采集到的數(shù)據(jù)儲(chǔ)存在數(shù)據(jù)庫中，具體采集過程如下：

1) 在提升機(jī)關(guān)鍵部位上布置傳感器，模擬2.1節(jié)中列舉的各種故障，具體模擬方法見文獻(xiàn)[6]，分別采集提升機(jī)正常和故障情況下的各類監(jiān)測數(shù)據(jù)。

2) 在工控機(jī)上利用組態(tài)軟件對提升機(jī)的監(jiān)測數(shù)據(jù)進(jìn)行實(shí)時(shí)展示，并存儲(chǔ)在數(shù)據(jù)庫中。

3) 將采集的數(shù)據(jù)進(jìn)行去冗余、標(biāo)準(zhǔn)化以及數(shù)據(jù)編碼后得到用于驗(yàn)證診斷模型的數(shù)據(jù)集，正常數(shù)據(jù)和故障數(shù)據(jù)所占比例為1∶3，其中70%的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，剩余的數(shù)據(jù)作為測試數(shù)據(jù)。采集到的監(jiān)測數(shù)據(jù)如表1所示，數(shù)據(jù)編碼后的圖像如圖5所示。圖中表示數(shù)據(jù)的其中一層，方格顏色越暗，對應(yīng)的數(shù)值越小。

為了檢驗(yàn)CNN診斷模型在提升機(jī)制動(dòng)系統(tǒng)故障診斷中的準(zhǔn)確性與優(yōu)勢性，本節(jié)使用BP診斷模型作為對照組，診斷模型的基本結(jié)構(gòu)參數(shù)和迭代次數(shù)保持一致，用相同的測試數(shù)據(jù)集進(jìn)行對比試驗(yàn)。

表1 監(jiān)測數(shù)據(jù)示例Table 1 Examples of monitoring data

圖5 數(shù)據(jù)編碼樣本示例Fig.5 Sample test of data encoding

將訓(xùn)練數(shù)據(jù)集導(dǎo)入到BP和CNN診斷模型，分別迭代更新模型參數(shù)，完成診斷模型的訓(xùn)練。將相同的測試數(shù)據(jù)集分別導(dǎo)入到訓(xùn)練完成的BP和CNN診斷模型，經(jīng)過正向傳播后，比對模型的診斷結(jié)果和實(shí)際結(jié)果是否一致，若一致則記為“正確”，否則記“錯(cuò)誤”。統(tǒng)計(jì)每類故障的診斷結(jié)果，結(jié)果如圖6所示，其中每個(gè)點(diǎn)表示一個(gè)數(shù)據(jù)，“乘號”表示診斷錯(cuò)誤，“圓形”表示診斷正確。

4.2 結(jié)果分析

通過對比圖6的診斷結(jié)果可以看出，CNN診斷模型的診斷結(jié)果中每一類故障的分布要比BP診斷模型更加緊湊，這說明CNN與BP診斷模型相比，在故障診斷能力和辨識度上具有更高的優(yōu)勢。此外，診斷模型的評價(jià)指標(biāo)包括準(zhǔn)確率、召回率等，準(zhǔn)確率作為評價(jià)診斷模型常用的指標(biāo)，可以通過比較準(zhǔn)確率的大小來衡量模型的優(yōu)劣性能。分別統(tǒng)計(jì)CNN和BP診斷模型在不同數(shù)量數(shù)據(jù)集下的準(zhǔn)確率，得到的結(jié)果如表2所示。

從表2中可以看出，BP診斷模型對提升機(jī)制動(dòng)系統(tǒng)故障的診斷準(zhǔn)確性不如CNN高。隨著數(shù)據(jù)集數(shù)量的增加，BP和CNN診斷模型的準(zhǔn)確率呈現(xiàn)遞增的趨勢，當(dāng)數(shù)據(jù)集的數(shù)量達(dá)到2000時(shí)，BP診斷模型的準(zhǔn)確率達(dá)到了81%，CNN診斷模型的準(zhǔn)確率保持在98%以上。

圖6 BP和CNN模型的診斷結(jié)果Fig.6 Diagnosis result of BP and CNN model

表2 故障診斷準(zhǔn)確率Table 2 Accuracy of fault diagnosis

以閘瓦磨損嚴(yán)重的故障種類為例，對模型進(jìn)行正確性分析。當(dāng)閘瓦磨損嚴(yán)重時(shí)，合閘的閘瓦位移出現(xiàn)明顯的增加，合閘彈簧力出現(xiàn)明顯的下降，正常狀態(tài)和閘瓦磨損嚴(yán)重狀態(tài)下的合閘閘瓦位移和彈簧力如圖7所示。

將故障種類為閘瓦磨損嚴(yán)重的故障數(shù)據(jù)和正常數(shù)據(jù)導(dǎo)入到CNN診斷模型中，得到的診斷結(jié)果如圖8所示。圖中的藍(lán)色區(qū)域表示CNN診斷模型認(rèn)定的正常數(shù)據(jù)，紅色區(qū)域表示CNN診斷模型認(rèn)定為閘瓦磨損嚴(yán)重的故障數(shù)據(jù)。從圖8中可以看出，CNN診斷模型將測試數(shù)據(jù)劃分為兩部分，與制動(dòng)系統(tǒng)的故障機(jī)理一致，表明所提出的CNN診斷模型具有一定的可信度和正確性。

5 結(jié)論

本文搭建了一種基于CNN的提升機(jī)制動(dòng)系統(tǒng)故障診斷模型，并對其進(jìn)行優(yōu)化。優(yōu)化后的CNN診斷模型，可以達(dá)到98%以上的準(zhǔn)確率，與BP診斷模型進(jìn)行比較，具有較好的準(zhǔn)確性。結(jié)合制動(dòng)系統(tǒng)的故障機(jī)理，說明了CNN診斷模型的理論正確性。為了充分發(fā)揮CNN診斷模型在圖像識別中的優(yōu)勢和特點(diǎn)，提出了一種數(shù)據(jù)編碼方法，可以將傳感器采集的數(shù)字信號轉(zhuǎn)化成圖像信號，并將其作為診斷模型的訓(xùn)練和測試數(shù)據(jù)集。

圖7 正常與閘瓦磨損嚴(yán)重狀態(tài)的參數(shù)對比圖Fig.7 Parameter comparison of normal condition and worn-out brake shoe

圖8 CNN理論正確性檢驗(yàn)結(jié)果Fig.8 Test result of CNN theory correctness