張旭輝 白琳娜 楊紅強

摘要：目前懸臂式掘進機截割部故障預(yù)警技術(shù)依賴于傳統(tǒng)的數(shù)據(jù)采集方法，在掘進機截割部實際運行過程中存在信號獲取困難、噪聲較多等問題，導(dǎo)致掘進機截割部故障預(yù)測預(yù)警能力受到限制。針對上述問題，提出一種基于虛實融合數(shù)據(jù)的懸臂式掘進機截割部故障預(yù)警方法。對懸臂式掘進機截割部進行三維實體建模，利用機械系統(tǒng)動力學(xué)自動分析軟件（ADAMS）獲取截割部機械系統(tǒng)虛擬數(shù)據(jù)，構(gòu)建其動力學(xué)仿真模型以獲取虛擬數(shù)據(jù)，并采用余弦相似度函數(shù)表征其與真實數(shù)據(jù)的相似度，驗證虛擬數(shù)據(jù)的可信度。將虛擬、真實數(shù)據(jù)分別采用貝葉斯估計與自適應(yīng)互補加權(quán)融合方法進行相似關(guān)聯(lián)與互補關(guān)聯(lián)融合，獲得虛實融合數(shù)據(jù)。針對傳統(tǒng)自組織映射（SOM）神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)效率易受學(xué)習(xí)速率的影響問題，建立了基于改進 SOM神經(jīng)網(wǎng)絡(luò)的故障預(yù)警模型，引入關(guān)于時間的單調(diào)遞減函數(shù)對 SOM神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，在保證學(xué)習(xí)速率的同時，兼顧模型的穩(wěn)定性。將融合數(shù)據(jù)輸入基于 SOM 神經(jīng)網(wǎng)絡(luò)的故障預(yù)警模型以確定獲勝神經(jīng)元并進行權(quán)值調(diào)整，計算真實數(shù)據(jù)與獲勝神經(jīng)元間的距離并進行權(quán)值調(diào)整，進而實現(xiàn)故障預(yù)警。實驗結(jié)果表明，改進 SOM神經(jīng)網(wǎng)絡(luò)的平均運行效率可提高35.84%；基于虛實融合數(shù)據(jù)的懸臂式掘進機截割部故障預(yù)警方法可成功實現(xiàn)單一故障和復(fù)合故障的類型預(yù)測，其預(yù)測準(zhǔn)確率達(dá)83.33%。

關(guān)鍵詞：懸臂式掘進機；截割部；故障預(yù)警；故障預(yù)測；虛實數(shù)據(jù)融合；自組織映射神經(jīng)網(wǎng)絡(luò)中圖分類號： TD421??? 文獻標(biāo)志碼： A

Research on fault warning technology for cutting part of cantilever roadheader based on virtual and real fusion data

ZHANG Xuhui1，2， BAI Linna1， YANG Hongqiang1

（1. College of Mechanical Engineering， Xi'an University of Science and Technology， Xi'an 710054， China；

2. Shaanxi Key Laboratoty of Mine Electromechanical Equipment Intelligenct Monitoring， Xi'an 710054， China）

Abstract： Currently， the fault warning technology for the cutting part of cantilever roadheader relies on traditional data collection methods. In the operation process of the cutting part of the roadheader， problems such as difficulty in obtaining signals and high noise limit the capability to predict and warn faults in the cutting part of the roadheader. In order to solve the above problems， a fault warning method for the cutting part of cantilever roadheader based on virtual and real fusion data is proposed. The method performs three-dimensional solid modeling of the cutting section of a cantilever roadheader. It uses the automatic dynamic analysis of mechanical systems （ADAMS） to obtain virtual data of the cutting section's mechanical system， constructs its dynamicsimulation model to obtain virtual data. The method uses the cosine similarity function to characterize its similarity with real data to verify the credibility of the virtual data. The method uses Bayesian estimation and adaptive complementary weighted fusion methods to perform similarity association and complementary association fusion on virtual and real data， respectively， to obtain virtual and real fusion data. In response to the problem that the learning efficiency of traditional self-organizing mapping （SOM） neural networks is easily affected by the learning rate， a fault warning model based on an improved SOM neural network is established. A monotonic decreasing function about time is introduced to train the SOM neural network， ensuring both the learning rate and the stability of the model. The method inputs the fused data into the fault warning model based on SOM neural network to determine the winning neuron and adjust its weight. The method calculates the distance between the real data and the winning neuron and adjusts its weight to achieve fault warning. The experimental results show that the average operating efficiency of the improved SOM neural network can be improved by 35.84%. The fault warning method for the cutting part of a cantilever roadheader based on virtual and real fusion data can successfully predict the types of single and composite faults， with a prediction accuracy of 83.33%.

Key words： cantilever roadheader; cutting part; fault warning; fault prediction; virtual and real data fusion; self-organizing mapping neural network

0 引言

隨著智慧礦山的發(fā)展，礦山機械設(shè)備也朝著高速化、精密化、系統(tǒng)化方向發(fā)展。設(shè)備內(nèi)外之間互相聯(lián)系、緊密耦合，一旦設(shè)備發(fā)生故障，這種結(jié)構(gòu)將具有不確定性、非線性和并發(fā)性等特征[1]。懸臂式掘進機是集切割、裝載、運輸、轉(zhuǎn)運、自行走及噴霧降塵于一體的綜掘設(shè)備，是礦山綜掘工作面的主力設(shè)備。截割部是掘進機完成采掘工作的主體部件，也是最容易出現(xiàn)故障的部分[2]。

截割部故障會直接影響懸臂式掘進機對井下巷道的掘進和開拓。其在工作過程中主要有以下2種故障：①當(dāng)截割到的巖石硬度超過截割部設(shè)計強度時，出現(xiàn)過負(fù)荷，導(dǎo)致截割頭停止轉(zhuǎn)動，掘進工作停止；②當(dāng)減速器發(fā)生機械故障時，由于截割電動機持續(xù)性高速輸出，造成電動機過負(fù)荷，電動機電流增大，若超過電動機允許的額定電流，持續(xù)升溫會損壞電動機絕緣性能，嚴(yán)重時會燒毀電動機，造成截割部停止工作[3-5]。因此，截割部故障預(yù)警是保證懸臂式掘進機安全、可靠運行的關(guān)鍵技術(shù)。

針對掘進機故障預(yù)警問題，眾多學(xué)者結(jié)合設(shè)備的結(jié)構(gòu)特性、參數(shù)、環(huán)境條件及歷史數(shù)據(jù)等信息，借助相關(guān)模型對設(shè)備故障進行預(yù)測研究。蒙康等[6]以傳統(tǒng)故障預(yù)警模型的可解釋性和泛化能力不強問題為切入口，提出了基于設(shè)備運行機理與數(shù)據(jù)雙驅(qū)動的故障預(yù)警模型。劉送永等[7]分析了掘進機健康管理技術(shù)的研究現(xiàn)狀，指出掘進機微弱故障診斷方法和監(jiān)測多信息融合技術(shù)的重要性。張?zhí)烊鸬萚8]建立了一種基于灰色預(yù)測和神經(jīng)網(wǎng)絡(luò)的掘進機運行狀態(tài)預(yù)測評估模型，初步實現(xiàn)了掘進機關(guān)鍵部件的運行狀態(tài)評估。張境麟等[9]開發(fā)了一種與井下無人化開采相適配的故障診斷預(yù)警系統(tǒng)，提出了故障診斷預(yù)警算法，建立了設(shè)備相關(guān)體系的知識庫和專家?guī)?，可以有效減少設(shè)備故障的發(fā)生。韓寶宏等[10]提出基于結(jié)合自組織映射（Self-Organizing Map，SOM）神經(jīng)網(wǎng)絡(luò)和最小量化誤差（Minimum Quantifying Error， MQE）的 SOM?MQE 模型對設(shè)備故障進行預(yù)警，該模型根據(jù) MQE 值確定設(shè)備的故障預(yù)警區(qū)間，判斷設(shè)備是否出現(xiàn)故障。 Ji Xiaodong 等[11]提出一種基于參考流形學(xué)習(xí)和改進 K?Means 的振動信號分析方法，通過建立健康評價指標(biāo)的正態(tài)分布模型，確定健康評價指標(biāo)的置信區(qū)間，對掘進機的健康狀態(tài)進行分析，進而實現(xiàn)故障預(yù)警功能。Fan Yuhao 等[12]提出一種基于層疊式自動編碼器（Stacked Auto Encoder， SAE）的主軸承故障預(yù)警方法，對風(fēng)電動機組潛在故障進行早期預(yù)測，確保風(fēng)電動機組安全穩(wěn)定運行。目前故障預(yù)警技術(shù)依賴于傳統(tǒng)的數(shù)據(jù)采集方法，在設(shè)備實際運行過程中存在信號獲取困難、噪聲較多等問題，導(dǎo)致模型的預(yù)測預(yù)警能力受到限制。

針對上述問題，本文提出一種基于虛實融合數(shù)據(jù)的懸臂式掘進機截割部故障預(yù)警方法。首先，構(gòu)建懸臂式掘進機截割部三維模型；其次，利用 ADAMS（Automatic Dynamic Analysis of Mechanical Systems，機械系統(tǒng)動力學(xué)自動分析）獲取截割部機械系統(tǒng)虛擬數(shù)據(jù)，并對虛擬數(shù)據(jù)的可信度進行驗證；然后，將虛擬數(shù)據(jù)與真實數(shù)據(jù)進行相似關(guān)聯(lián)與互補關(guān)聯(lián)融合，獲得虛實融合數(shù)據(jù)，建立以虛實融合數(shù)據(jù)驅(qū)動的基于改進 SOM 神經(jīng)網(wǎng)絡(luò)的懸臂式掘進機截割部故障預(yù)警模型；最后，將融合數(shù)據(jù)輸入懸臂式掘進機截割部故障預(yù)警模型進行故障預(yù)警。

1 懸臂式掘進機截割部故障預(yù)警總體方案

懸臂式掘進機截割部故障預(yù)警總體方案主要由虛擬數(shù)據(jù)獲取、故障預(yù)警模型建立和故障預(yù)警模型驗證3個部分組成，如圖1所示。其中，虛擬數(shù)據(jù)獲取部分根據(jù)余弦相似度對所獲取的虛擬數(shù)據(jù)進行可信度分析，以余弦相似度對應(yīng)變量相關(guān)性閾值調(diào)整相關(guān)參數(shù)，保證虛擬數(shù)據(jù)的可信度；故障預(yù)警模型建立部分通過將虛擬數(shù)據(jù)與真實數(shù)據(jù)進行相似關(guān)聯(lián)與互補關(guān)聯(lián)融合，以虛實融合數(shù)據(jù)驅(qū)動，構(gòu)建基于改進 SOM 神經(jīng)網(wǎng)絡(luò)的故障預(yù)警模型；故障預(yù)警模型驗證部分對構(gòu)建完畢的故障預(yù)警模型進行訓(xùn)練，并采用真實數(shù)據(jù)對訓(xùn)練完畢的故障預(yù)警模型進行故障預(yù)警，檢驗預(yù)警模型的準(zhǔn)確性。

2 懸臂式掘進機截割部虛擬數(shù)據(jù)獲取

2.1 懸臂式掘進機截割部三維建模

懸臂式掘進機截割部主要工作任務(wù)是對煤巖進行破碎。因此，截割部狀態(tài)的優(yōu)劣直接決定著掘進機的運行速度和巷道成形質(zhì)量。懸臂式掘進機截割部主要由截割頭、截割臂、行星減速器和截割電動機等組成。其中，截割頭是煤巖破碎的重要工作部件，通過旋轉(zhuǎn)使截齒截割煤巖[13]；截割臂為懸臂式掘進機運動執(zhí)行機構(gòu)且多為剛體外殼，故障較少，故本文不進行研究；行星減速器由多對齒輪嚙合，將截割電動機高速輸出轉(zhuǎn)換為低轉(zhuǎn)速輸出[14-15]；截割電動機是截割部工作時的驅(qū)動設(shè)備，為截割頭旋轉(zhuǎn)切割工作提供動力。

2.2 懸臂式掘進機截割部動力學(xué)仿真模型

由于煤礦井下作業(yè)環(huán)境特殊，故障數(shù)據(jù)特征及趨勢難以獲取，故將截割部三維實體模型導(dǎo)入 ADAMS 中，對各部件材料屬性進行定義并重命名。此外，還建立了各部件之間的相對運動約束和接觸，施加驅(qū)動以完成虛擬建模，并進行動力學(xué)仿真分析。

截割部內(nèi)部齒輪傳動過程中，輪齒間嚙合接觸產(chǎn)生作用力來轉(zhuǎn)動。由于補償法中懲罰系數(shù)和補償系數(shù)難以確定，所以，本文選擇沖擊函數(shù)法進行接觸力Fimpact計算[16]。

式中：K 為接觸剛度系數(shù)，N/mm；q0為2個待碰撞物體的初始距離，mm；q 為2個物體碰撞過程中的實際距離，mm；e為碰撞指數(shù)；Cb為阻尼系數(shù)，N · s/mm； t 為時間； S（·）為階躍函數(shù)； h為擊穿深度， mm。

碰撞時產(chǎn)生的接觸力根據(jù) Hertz 彈性碰撞理論計算[16]。

式中：R1，R2為碰撞點接觸物體的曲率半徑，mm；μ1，μ2為接觸物體材料的泊松比；E1，E2為接觸物體材料的彈性模量， Pa。

為使截割部正常運轉(zhuǎn)，在行星減速器傳動軸（輸入端）中添加旋轉(zhuǎn)驅(qū)動，選取階躍函數(shù)，達(dá)到模擬截割電動機的目的。

結(jié)合截割部運行特性與動力學(xué)仿真模型的需要，設(shè)仿真持續(xù)時間為1 s，仿真步長為0.01步，積分誤差為0.001，并勾選運行前復(fù)位按鈕。

2.3 懸臂式掘進機截割部動力學(xué)分析

1）轉(zhuǎn)速驗證。對截割部動力學(xué)仿真模型傳動軸（輸入端）輸入6.6 Hz轉(zhuǎn)頻，在仿真參數(shù)基礎(chǔ)上，對正常狀態(tài)下的截割部行星減速器傳動軸（輸入端、輸出端）進行轉(zhuǎn)速對比實驗。轉(zhuǎn)速仿真模擬曲線如圖2所示，可看出傳動軸（輸入端）轉(zhuǎn)速在0.1 s 內(nèi)逐漸增加到41.23 r/s，并在0.1 s后達(dá)到動態(tài)平衡。傳動軸（輸出端）轉(zhuǎn)速為11.96 r/s。根據(jù)行星減速器傳動軸（輸入端、輸出端）轉(zhuǎn)速，計算截割部行星減速器的傳動比為3.45。

2）幅值圖對比驗證。行星減速器傳動軸（輸入端）正常狀態(tài)和斷齒狀態(tài)的動力學(xué)仿真模型幅值分別如圖3和圖4所示?？煽闯鳊X輪軸在開始運行時存在較大波動沖擊，之后加速度趨于穩(wěn)定，且正常狀態(tài)下的齒輪軸加速度高于斷齒狀態(tài)，斷齒狀態(tài)的加速度是正常狀態(tài)的0.002倍。

行星減速器傳動軸（輸出端）正常狀態(tài)和斷齒狀態(tài)的動力學(xué)仿真模型幅值分別如圖5和6所示?？煽闯稣顟B(tài)下的齒輪軸加速度明顯低于斷齒狀態(tài)，且斷齒狀態(tài)下的加速度是正常狀態(tài)的8.33倍，出現(xiàn)明顯的峰值波動。

動力學(xué)分析結(jié)果表明，建立的懸臂式掘進機截割部動力學(xué)仿真模型可以用來模擬懸臂式掘進機截割部實際工況，以獲得虛擬數(shù)據(jù)。

2.4 懸臂式掘進機截割部虛擬數(shù)據(jù)可信度驗證

在實際情況中，實際數(shù)據(jù)易受環(huán)境因素影響，使得仿真數(shù)據(jù)與實際數(shù)據(jù)存在較大偏差，無法反映出真實運行情況。余弦相似度[17]可以區(qū)分不同數(shù)據(jù)之間的偏差，且由余弦函數(shù)特性可知，區(qū)間[0，]內(nèi)，其函數(shù)減小的速率不斷增大。當(dāng)狀態(tài)對應(yīng)的夾角較大，余弦相似值接近0時，2種數(shù)據(jù)相似度較低，余弦函數(shù)減小的速率就增大；反之當(dāng)夾角較小時，2種數(shù)據(jù)相似度較高，余弦函數(shù)對應(yīng)值的變化速率就減小。因此，本文以余弦相似度為參考標(biāo)準(zhǔn)，將仿真數(shù)據(jù)作為向量 X，實際數(shù)據(jù)作為向量 Y，實時計算二者余弦相似度大小，調(diào)整相關(guān)參數(shù)，達(dá)到以虛擬模型狀態(tài)模擬物理實體狀態(tài)的目的。

根據(jù)余弦相似度 cos（X，Y）閾值來確定仿真數(shù)據(jù)與實際數(shù)據(jù)之間的相似程度[18]，其具體閾值見表1。

為保證虛擬模型運行數(shù)據(jù)的可信度，對截割部虛實數(shù)據(jù)進行對比，結(jié)果如圖7所示，可看出虛擬運行數(shù)據(jù)表現(xiàn)出極高的可信度。通過計算得出虛擬運行數(shù)據(jù)與真實運行數(shù)據(jù)的余弦相似度為0.803，當(dāng)前真實運行數(shù)據(jù)與虛擬運行數(shù)據(jù)強相關(guān)，說明當(dāng)前虛擬運行數(shù)據(jù)可表征真實運行數(shù)據(jù)。

3 懸臂式掘進機截割部故障預(yù)警模型構(gòu)建

3.1 懸臂式掘進機截割部虛實數(shù)據(jù)融合

3.1.1 虛實數(shù)據(jù)相似關(guān)聯(lián)融合

利用貝葉斯估計法對截割部虛實數(shù)據(jù)進行相似關(guān)聯(lián)融合，首先計算出虛實數(shù)據(jù)的置信距離矩陣，并對數(shù)據(jù)有效性進行判斷，然后選擇合適的距離臨界值，由置信距離矩陣產(chǎn)生關(guān)系矩陣，由關(guān)系矩陣對虛實數(shù)據(jù)進行選擇，產(chǎn)生最佳融合數(shù)，最后將虛實數(shù)據(jù)的均值、方差和最佳融合數(shù)對應(yīng)的數(shù)據(jù)、方差代入貝葉斯融合估計公式求得參數(shù)估計值。建立設(shè)備相應(yīng)的故障預(yù)警模型，在故障發(fā)生前及時采取相應(yīng)措施進行維修，避免設(shè)備故障對生產(chǎn)帶來的影響，提高設(shè)備運行可靠性。

將相似關(guān)聯(lián)融合前后的行星減速器傳動軸（輸入端）加速度進行對比，如圖8所示。可看出行星減速器傳動軸（輸入端）物理實體數(shù)據(jù)與虛擬模型數(shù)據(jù)的相似關(guān)聯(lián)部分進行融合后，減少了懸臂式掘進機截割部運行過程中所產(chǎn)生的噪聲，使得融合數(shù)據(jù)更加準(zhǔn)確。

3.1.2 虛實數(shù)據(jù)互補關(guān)聯(lián)融合

在懸臂式掘進機截割部的虛擬監(jiān)測與故障預(yù)警中，采用自適應(yīng)互補加權(quán)融合方法對截割部虛實數(shù)據(jù)進行互補關(guān)聯(lián)融合，在總均方誤差最小的前提下，為各數(shù)據(jù)分配對應(yīng)的最優(yōu)加權(quán)因子，數(shù)據(jù)的方差越大，對應(yīng)所分配的權(quán)值越小，以使最終的估計值貼近真實值。這一方法可以解決懸臂式掘進機截割部在運行過程中由于外界因素干擾所導(dǎo)致的數(shù)據(jù)可用性差和可靠性低等問題，提高了所獲取數(shù)據(jù)的可利用性。

將互補關(guān)聯(lián)融合前后的行星減速器傳動軸（輸入端）加速度進行對比，結(jié)果如圖9所示。可看出融合后的行星減速器傳動軸（輸入端）加速度數(shù)據(jù)與未融合時相比減少了虛實數(shù)據(jù)中的異常波動值，提高了融合數(shù)據(jù)的可操作性。

3.2 基于改進 SOM神經(jīng)網(wǎng)絡(luò)的故障預(yù)警模型建立

3.2.1 SOM 神經(jīng)網(wǎng)絡(luò)概述

SOM 神經(jīng)網(wǎng)絡(luò)是一種無監(jiān)督的競爭學(xué)習(xí)型網(wǎng)絡(luò)，常用于數(shù)據(jù)聚類和降維分析[10]。與其他聚類算法不同，SOM 神經(jīng)網(wǎng)絡(luò)不僅能夠?qū)崟r學(xué)習(xí)，而且具有較好的自穩(wěn)定性，抗噪聲能力強。且 SOM 神經(jīng)網(wǎng)絡(luò)不依賴其他評價函數(shù)，即可進行相應(yīng)的向量空間特征識別，經(jīng)過一定訓(xùn)練的 SOM 神經(jīng)網(wǎng)絡(luò)可進一步實現(xiàn)分類、預(yù)測等功能。

目前，懸臂式掘進機截割部故障預(yù)警技術(shù)僅能對具有單項獨立參數(shù)的設(shè)備進行預(yù)警，數(shù)據(jù)冗余處理算法操作繁瑣，一般是預(yù)警后發(fā)生故障的時間較短，不能實現(xiàn)有效預(yù)警。而 SOM 神經(jīng)網(wǎng)絡(luò)屬于無監(jiān)督學(xué)習(xí)，不需要對數(shù)據(jù)進行先驗知識的學(xué)習(xí)，操作簡便。通過對數(shù)據(jù)進行聚類，計算正常數(shù)據(jù)、異常數(shù)據(jù)與 SOM 神經(jīng)網(wǎng)絡(luò)中獲勝神經(jīng)元間的距離比值，超過一定閾值范圍則判定為異常數(shù)據(jù)，對設(shè)備故障預(yù)警具有較強的應(yīng)用性和拓展性。

3.2.2 學(xué)習(xí)速率設(shè)置

SOM 神經(jīng)網(wǎng)絡(luò)能根據(jù)輸入數(shù)據(jù)的相似度進行分析比較，尋找數(shù)據(jù)間內(nèi)在規(guī)律，實現(xiàn)對輸入數(shù)據(jù)的自適應(yīng)分類[19]。但在 SOM 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練過程中，如何選擇合適的學(xué)習(xí)速率η（t）是解決傳統(tǒng) SOM 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速率低下的關(guān)鍵因素。當(dāng)η（t）較大時， SOM 神經(jīng)網(wǎng)絡(luò)中的權(quán)重向量會振蕩更新，導(dǎo)致 SOM 神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程穩(wěn)定性差，使得 SOM 網(wǎng)絡(luò)訓(xùn)練結(jié)果可靠度低；當(dāng)η（t）較小時，SOM 神經(jīng)網(wǎng)絡(luò)訓(xùn)練穩(wěn)定性得以保障，但容易造成網(wǎng)絡(luò)收斂速度減慢，難以滿足實際應(yīng)用需求。

因此，針對傳統(tǒng) SOM 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速率不能達(dá)到目前所需速率要求的問題，引入關(guān)于時間 t 的單調(diào)遞減函數(shù)，以保證在開始階段該網(wǎng)絡(luò)能以較快的速度進行模型學(xué)習(xí)。

式中：η（0）為模型起初的學(xué)習(xí)速率；T 為學(xué)習(xí)步長； D 為迭代次數(shù)。

隨著學(xué)習(xí)步長的更新，SOM 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速率越來越趨近于0。

3.2.3 故障預(yù)警模型建立

基于改進 SOM 神經(jīng)網(wǎng)絡(luò)的故障預(yù)警模型如圖10所示。

首先，采用正例樣本比例對模型輸入數(shù)據(jù)進行排序[20]，并計算數(shù)據(jù)的熵H（M）及在 M = mk（M 為總樣本數(shù)據(jù)，mk為第 k 個樣本數(shù)據(jù)）條件下隨機變量 N的條件熵 H（N ∣M）。

式中：pk 為 M 中第 k 個樣本數(shù)據(jù)的概率；k為樣本個數(shù)，c為樣本總個數(shù)。

其次，選擇條件熵加權(quán)和最小值作為分箱劃分點，進行箱體分裂，將每個分箱內(nèi)的異常值剔除后結(jié)束，并初始化輸入層神經(jīng)元的向量 Z 與競爭層神經(jīng)元間的權(quán)值向量 W。

式中waf為輸入層第 a 個神經(jīng)元與競爭層第f 個神經(jīng)元之間的連接權(quán)值。

再次，將輸入層神經(jīng)元向量 Z 與競爭層神經(jīng)元間的權(quán)值向量Wf全部進行歸一化處理，得到 Z（?）和 W（?）f：

計算競爭層神經(jīng)元（映射層的權(quán)值向量）與輸入向量之間的歐氏距離df。

式中：Za 為第 a 個神經(jīng)元向量； b 為神經(jīng)元總個數(shù)。

將與輸入向量距離最小的競爭層神經(jīng)元稱為獲勝神經(jīng)元，記為f *。按“勝者通吃”（Winner Take All， WTA）學(xué)習(xí)法則，獲勝神經(jīng)元輸出為1，其余為0。

式中：ya（t+1）為兩向量間的內(nèi)積； t 為訓(xùn)練次數(shù)。

然后，對獲勝神經(jīng)元f *和其鄰近神經(jīng)元f（f * f *）的權(quán)值進行調(diào)整，并確定輸出ok 的值。

式中g(shù)（·）為輸出函數(shù)，其輸出值范圍為（0，1），且g（·）也可為其他非線性函數(shù)。

最后，根據(jù)預(yù)設(shè)要求判斷算法是否結(jié)束，若未滿足預(yù)設(shè)要求，則重新進行學(xué)習(xí)；反之，則 SOM 神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型建立完畢[21]。

將獲取的懸臂式掘進機截割部實時運行數(shù)據(jù)輸入至 SOM 神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型中，計算第 v 條實時數(shù)據(jù)與獲勝神經(jīng)元之間的距離為 lv，一旦距離閾值τv＞1，則認(rèn)為該條數(shù)據(jù)為異常數(shù)據(jù)。其中，距離閾值τt＞1計算如下。

由于 SOM 神經(jīng)網(wǎng)絡(luò)的離散化，訓(xùn)練數(shù)據(jù)與對應(yīng)獲勝神經(jīng)元間會存在一定的距離[21]，所以，間隔的最大距離r為

式中：si為訓(xùn)練數(shù)據(jù)；wf為競爭層第 f個神經(jīng)元的權(quán)值；I 和 F 分別為訓(xùn)練數(shù)據(jù)個數(shù)和競爭層神經(jīng)元個數(shù)。

計算實時數(shù)據(jù)與獲勝神經(jīng)元之間的距離lv：

式中sv（、）為第v條實時數(shù)據(jù)。

將第v條實時數(shù)據(jù)與獲勝神經(jīng)元的距離lv 和訓(xùn)練數(shù)據(jù)與其對應(yīng)神經(jīng)元間隔的最大距離r進行比較[22]，得出距離閾值τv：

當(dāng)τv＞1時，表示lv＞r，說明第v條實時數(shù)據(jù)與訓(xùn)練數(shù)據(jù)差異較大，可能為異常數(shù)據(jù)。τv 越大表示該條數(shù)據(jù)的異常程度越大。

4 實驗驗證

4.1 實驗平臺

為驗證基于虛實融合數(shù)據(jù)的懸臂式掘進機截割部故障預(yù)警方法的有效性，以機械動力傳輸系統(tǒng)故障模擬平臺（Drivetrain Diagnostics Simulator，DDS）為實驗平臺，如圖11所示。在實驗過程中，通過更換齒輪箱內(nèi)的齒輪和前端軸承等零件，來模擬懸臂式掘進機的不同故障。將加速度傳感器一端固定于數(shù)據(jù)采集部位，另一端接入多通道數(shù)據(jù)采集儀，多通道數(shù)據(jù)采集儀和電動機與計算機連接。通過加速度傳感器采集齒輪、軸承和電動機的運行數(shù)據(jù)，再將采集到的數(shù)據(jù)導(dǎo)入懸臂式掘進機截割部故障預(yù)警模型進行測試，進而驗證能否實現(xiàn)故障預(yù)警。

4.2 故障預(yù)警模型訓(xùn)練

為了便于模型驗證，將虛實融合數(shù)據(jù)輸入故障預(yù)警模型中進行訓(xùn)練，構(gòu)建懸臂式掘進機截割部故障預(yù)警模型，克服在實際過程中獲取故障特征數(shù)據(jù)困難且噪聲大等問題，具體故障類型見表2。

訓(xùn)練改進 SOM 神經(jīng)網(wǎng)絡(luò)時，設(shè)競爭層結(jié)構(gòu)為10×10，假定最大迭代次數(shù)為500。將處理后的樣本數(shù)據(jù)輸入 SOM 神經(jīng)網(wǎng)絡(luò)中，進行無監(jiān)督學(xué)習(xí)訓(xùn)練。經(jīng)訓(xùn)練10、100、200、500次后，得到不同迭代次數(shù)下的權(quán)值向量，如圖12所示。可看出 SOM 神經(jīng)網(wǎng)絡(luò)訓(xùn)練初始聚類效果并不明顯，但隨著迭代次數(shù)的不斷增加，神經(jīng)元的位置發(fā)生了顯著變化，當(dāng)網(wǎng)絡(luò)迭代次數(shù)達(dá)500時，SOM 神經(jīng)網(wǎng)絡(luò)對輸入向量的聚類效果最為顯著。

當(dāng)?shù)螖?shù)為500時，對輸入樣本進行識別、聚類，結(jié)果如圖13所示。可看出 SOM 神經(jīng)網(wǎng)絡(luò)將輸入的樣本數(shù)據(jù)聚類為6類，這對應(yīng)了表2中樣本數(shù)據(jù)的6類故障類型。

為了驗證 SOM 神經(jīng)網(wǎng)絡(luò)的聚類效果，實驗得到 SOM 神經(jīng)網(wǎng)絡(luò)相鄰權(quán)重之間的距離曲線，如圖14所示?？煽闯霎?dāng)網(wǎng)絡(luò)訓(xùn)練次數(shù)達(dá)500時，SOM 神經(jīng)網(wǎng)絡(luò)相鄰權(quán)重之間的距離曲線具有明顯的聚類效果，表明了懸臂式掘進機故障預(yù)警模型訓(xùn)練成功。

4.3 模型測試數(shù)據(jù)采集

實驗過程中，以行星齒輪箱故障數(shù)據(jù)集作為數(shù)據(jù)樣本，將截割頭轉(zhuǎn)速、行星減速器傳動軸（輸入端、輸出端）加速度、軸承加速度、太陽輪加速度和截割電動機轉(zhuǎn)速正常數(shù)據(jù)作為測試樣本，部分正常樣本訓(xùn)練數(shù)據(jù)見表3。

4.4 故障預(yù)警模型功能驗證

為驗證截割部故障預(yù)警模型的有效性，從所采集的測試數(shù)據(jù)中隨機選取一組數(shù)據(jù)輸入到訓(xùn)練完畢的故障預(yù)警模型進行測試，其模型運行結(jié)果見表4。可看出輸入測試數(shù)據(jù)運行結(jié)果為10，這與樣本獲勝神經(jīng)元中輸入軸故障數(shù)據(jù)保持一致，表明了測試數(shù)據(jù)符合輸入軸數(shù)據(jù)故障類型。說明該模型可對單一類別的故障進行預(yù)測。

為了驗證故障預(yù)警模型綜合故障預(yù)警能力，從測試數(shù)據(jù)中隨機選取一組包含復(fù)合故障類型的數(shù)據(jù)輸入到訓(xùn)練完畢的故障預(yù)警模型進行測試，其模型運行結(jié)果見表5?？煽闯鲚斎霐?shù)據(jù)運行后測試獲勝神經(jīng)元分別為10和99，分別對應(yīng)輸入軸故障和太陽輪故障。此外，該模型對6類故障的預(yù)測準(zhǔn)確率為83.33%，表明了該模型可以有效實現(xiàn)復(fù)合故障預(yù)測。

4.5 SOM 神經(jīng)網(wǎng)絡(luò)改進性能測試

為驗證基于改進 SOM 神經(jīng)網(wǎng)絡(luò)的故障預(yù)警模型的有效性，在不同迭代次數(shù)（10、100、200和500）下將改進前后 SOM 神經(jīng)網(wǎng)絡(luò)分別運行5次進行性能驗證，其結(jié)果見表6?？煽闯鲭S著迭代次數(shù)的增加，改進 SOM網(wǎng)絡(luò)運行時間分別縮短了19.71%，36.64%，44.98%，42.02%。

為了更直觀體現(xiàn)改進效果，本文將平均時間數(shù)據(jù)進行可視化處理，如圖15所示?？煽闯龈倪M SOM 神經(jīng)網(wǎng)絡(luò)相較于傳統(tǒng)的 SOM 神經(jīng)網(wǎng)絡(luò)平均運行效率提高了35.84%。

5 結(jié)論

1）針對懸臂式掘進機截割部故障特征數(shù)據(jù)獲取困難的問題，對懸臂式掘進機截割部關(guān)鍵部件進行三維建模。建立了其動力學(xué)仿真模型，獲取了截割頭轉(zhuǎn)速、行星減速器傳動軸（輸入端、輸出端）加速度、軸承加速度、太陽輪加速度和截割電動機轉(zhuǎn)速虛擬數(shù)據(jù)，并根據(jù)余弦相似度閾值對所獲取的虛擬數(shù)據(jù)進行了可信度驗證。仿真數(shù)據(jù)與實際數(shù)據(jù)的余弦相似度值為0.803，這表示兩者強相關(guān)，驗證了虛擬數(shù)據(jù)可表征當(dāng)前時刻的真實數(shù)據(jù)。

2）針對傳統(tǒng)自組織映射網(wǎng)絡(luò)學(xué)習(xí)效率易受學(xué)習(xí)速率的影響問題，以最小熵分箱法按正例樣本比例對輸入數(shù)據(jù)排序，并以條件熵加權(quán)和最小值作為分箱劃分點進行箱體分裂，剔除數(shù)據(jù)異常值；同時，引入關(guān)于時間的單調(diào)遞減函數(shù)對自組織映射網(wǎng)絡(luò)進行訓(xùn)練，在保證學(xué)習(xí)速率的同時，兼顧預(yù)警模型的穩(wěn)定性。實驗結(jié)果表明，改進 SOM 神經(jīng)網(wǎng)絡(luò)的平均運行效率可提高35.84%。

3）針對懸臂式掘進機截割部利用單一實際振動數(shù)據(jù)進行故障預(yù)警困難的問題，設(shè)計了基于虛實融合數(shù)據(jù)的懸臂式掘進機截割部故障預(yù)警模型，并通過虛實融合數(shù)據(jù)進行訓(xùn)練與測試。實驗結(jié)果表明，基于虛實數(shù)據(jù)的懸臂式掘進機截割部故障預(yù)警方法準(zhǔn)確率可達(dá)83.33%，但在模型訓(xùn)練數(shù)據(jù)完整性、測試數(shù)據(jù)多樣性及模型準(zhǔn)確率等方面仍需進一步深入研究。

參考文獻（References）：

[1] 毛君，董鈺峰，盧進南，等.巷道掘進截割鉆進先進技術(shù)研究現(xiàn)狀及展望[J].煤炭學(xué)報，2021，46（7）：2084-2099.

MAO Jun，DONG Yufeng，LU Jinnan，et al. Research status and prospect of advanced technology of roadway excavation cutting and drilling equipment[J]. Journal of China Coal Society，2021，46（7）：2084-2099.

[2] 耿晉杰.掘進機截割部故障分析與優(yōu)化設(shè)計[J].西部探礦工程，2020，32（9）：160-161.

GENG Jinjie. Fault analysis and optimization design of roadheader cutting unit[J]. West-China Exploration Engineering，2020，32（9）：160-161.

[3] 吳晉軍.懸臂式掘進機液壓故障診斷系統(tǒng)設(shè)計[J].液壓氣動與密封，2022，42（8）：86-90.

WU Jinjun. Design of hydraulic fault diagnosis system for roadheader[J]. Hydraulics Pneumatics & Seals，2022，42（8）：86-90.

[4] 蓋巍巍，席亞兵，樊志家.掘進機回轉(zhuǎn)臺開裂故障分析及改進[J].礦山機械，2021，49（3）：18-21.

GAI Weiwei，XI Yabing，F(xiàn)AN Zhijia. Analysis on cracking fault of rotary table of roadheader and improvement[J]. Mining & Processing Equipment，2021，49（3）：18-21.

[5] 吉昌生.煤礦井下掘進機機電設(shè)備故障診斷及維護[J].采礦技術(shù)，2018，18（6）：122-123.

JI Changsheng. Fault diagnosis and maintenance of mechanical and electrical equipment of underground roadheader in coal mine[J]. Mining Technology，2018，18（6）：122-123.

[6] 蒙康，滕偉，彭迪康，等.運行機理與數(shù)據(jù)雙驅(qū)動的風(fēng)電齒輪箱系統(tǒng)故障預(yù)警[J].中國機械工程，2023，34（12）：1476-1485.

MENG Kang， TENG Wei， PENG Dikang， et al. Operating mechanism and data driven approach for fault alarm of wind turbine gearbox systems[J]. China Mechanical Engineering，2023，34（12）：1476-1485.

[7] 劉送永，劉強.巷道掘進機健康管理研究現(xiàn)狀及展望[J].工礦自動化，2021，47（2）：32-37.

LIU Songyong，LIU Qiang. Research status and prospect of roadheader health management[J]. Industry and Mine Automation，2021，47（2）：32-37.

[8] 張?zhí)烊?，魏銘琦，劉?全斷面掘進機健康管理系統(tǒng)的建模與仿真[J].中國工程機械學(xué)報，2019，17（3）：231-237.

ZHANG Tianrui， WEI Mingqi， LIU Bin. System modeling and simulation for health management of tunnel boring? machine[J]. Chinese Journal of Construction Machinery，2019，17（3）：231-237.

[9] 張境麟，姚鈺鵬，馮銀輝，等.故障診斷預(yù)警系統(tǒng)在煤炭開采的應(yīng)用[J].煤炭科學(xué)技術(shù)，2021，49（增刊1）：175-182.

ZHANG Jinglin，YAO Yupeng，F(xiàn)ENG Yinhui，et al. Application of fault diagnosis and early warning system in coal mining[J]. Coal Science and Technology，2021，49（S1）：175-182.

[10] 韓寶宏，閆明勝，段鵬飛，等.基于SOM?MQE模型的設(shè)備故障預(yù)警方法[J].工業(yè)技術(shù)創(chuàng)新，2021，8（1）：74-78.

HAN Baohong，YAN Mingsheng，DUAN Pengfei，et al. Equipment fault warning method based on SOM-MQE model[J]. Industrial Technology Innovation，2021，8（1）：74-78.

[11] JI Xiaodong，YANG Yang，QU Yuanyuan，et al. Health diagnosis of roadheader based on reference manifold learning and improved K-means [J/OL]. Shock and Vibration，2021. https：//www.hindawi.com/journals/sv/2021/6311795/.

[12] FAN Yuhao，QIAN Chenying. Research on fault early warning technology of wind turbine main bearing by stacked auto encoder[J/OL]. Journal of Physics： Conference Series，2021，2033（1）. https：//iopscience. iop.org/article/10.1088/1742-6596/2033/1/012112/pdf.

[13] 王炳效.掘進機截割頭故障分析及改進方案[J].價值工程，2015，34（17）：115-116.

WANG Bingxiao. Analysis on the cutting head fault of boring machine and the improvement program[J]. Value Engineering，2015，34（17）：115-116.

[14] 王福忠，田曉盈，張麗.懸臂式掘進機截割機構(gòu)狀態(tài)診斷策略研究[J].計算機仿真，2015，32（5）：390-394.

WANG Fuzhong，TIAN Xiaoying，ZHANG Li. State diagnosis? strategy? for? boring? machine? cutting institutions[J]. Computer Simulation，2015，32（5）：390-394.

[15] 郝錦龍，董洪全.掘進機截割部減速器動力學(xué)建模及行星架結(jié)構(gòu)強度分析[J].煤礦機械，2020，41（10）：87-90.

HAO Jinlong，DONG Hongquan. Dynamic modeling and strength analysis of planet frame structure of roadheader cutting part reducer[J]. CoalMine Machinery，2020，41（10）：87-90.

[16] 孫英.掘進機整機動力學(xué)分析及電控箱減振研究[D].太原：太原理工大學(xué)，2016.

SUN Ying. Research on dynamical analysis of road- header and vibration reduction about the electric cabinet[D].? Taiyuan： Taiyuan? University? of Technology，2016.

[17] 賈科，鄭黎明，畢天姝，等.基于余弦相似度的風(fēng)電場站送出線路縱聯(lián)保護[J].中國電機工程學(xué)報，2019，39（21）：6263-6275.

JIA Ke，ZHENG Liming，BI Tianshu，et al. Pilot protection based on cosine similarity for transmission line connected to wind farms[J]. Proceedings of the CSEE，2019，39（21）：6263-6275.

[18] 耿志強，胡海霞，韓永明.基于余弦相似度的復(fù)雜網(wǎng)絡(luò)故障檢測方法及應(yīng)用[J].北京化工大學(xué)學(xué)報（自然科學(xué)版），2017，44（2）：87-94.

GENG Zhiqiang， HU Haixia， HAN Yongming. A complex network fault detection method based on cosine similarity and its application[J]. Journal of Beijing University of Chemical Technology（Natural Science Edition），2017，44（2）：87-94.

[19] 胡津銘，趙戈，張艷.基于改進SOM神經(jīng)網(wǎng)絡(luò)的移動警務(wù)終端流量監(jiān)測方法研究[J].信息網(wǎng)絡(luò)安全，2021（增刊1）：109-112.

HU Jinming，ZHAO Ge，ZHANG Yan. Research on the traffic monitoring method of mobile police terminal based on improved SOM neural network[J]. Netinfo Security，2021（S1）：109-112.

[20] 申屠晗，彭冬亮，薛安克.最小熵反饋式變結(jié)構(gòu)多模型融合算法[J].控制理論與應(yīng)用，2013，30（3）：372-378.

SHEN Tuhan，PENG Dongliang，XUE Anke. Minimum entropy and feedback structure-based algorithm for variable structure multi-model fusion[J]. Control Theory & Applications，2013，30（3）：372-378.

[21] 劉達(dá)，陳松燦.基于高斯神經(jīng)元的自組織映射網(wǎng)絡(luò)研究[J].數(shù)據(jù)采集與處理，2023，38（1）：85-92.

LIU Da，CHEN Songcan. Research on self-organizing map network based on gaussian neuron [J]. Journal of Data Acquisition and Processing，2023，38（1）：85-92.

[22] 吳錢昊.基于數(shù)字孿生車間的生產(chǎn)車間設(shè)備監(jiān)控和設(shè)備故障預(yù)警方法研究[D].合肥：合肥工業(yè)大學(xué)，2020.

WU Qianhao. Research on methods for equipment monitoring and equipment fault early warning of production? workshop? based? on? digital? twin workshop[D]. Hefei：Hefei University of Technology，2020.