采煤机模糊神经网络故障诊断专家系统设计及实现

2022-11-12

尽管专家系统可以借助文字清晰表达的规则, 将符合逻辑的准确输出导出, 同时清楚地解释系统的推理过程, 然而其在推理技术和知识采集等方面存在着一些不足之处。为了弥补传统专家系统的缺陷, 有效的提升采煤机故障诊断的智能化性能, 本文设计了一种采煤机模糊神经网络故障诊断专家系统, 同时利用MATLAB对其实施了仿真, 结果发现此系统可以使传统专家系统的不足之处得到有效的弥补, 可以使系统的故障诊断精准率及容错能力实现显著的提升。

一、神经网络专家系统设计

神经网络专家系统是由神经网络与传统的专家系统组合而成, 利用数据转换系统把采煤机系统运作时的各种信号转变为数据信号, 之后再对数据信号进行综合分析评估。下图1为神经网络专家系统结构图。

二、系统功能和模块

结合采煤机系统的工作特性, 把采煤机模糊神经网络故障诊断专家系统分成如下六个系统, 见下图2。

(1) 采煤机信息系统。此子系统主要负责管理采煤机故障诊断专家系统的基本信息, 如采煤机故障诊断专家系统的最大采高、功率、牵引力以及截距等。

(2) 知识管理系统。此子系统主要负责管理采煤机故障诊断专家系统各个环节中的操作规范和要求, 实现综合管理采煤机故障诊断专家系统的各个程序, 随着时间的不断推进, 适当地调整采煤机故障诊断专家系统的规范[1]。

(3) 专家组管理系统。此子系统主要负责管理采煤机故障诊断专家系统中不同专家的账号, 如设置升级、添加、权限管理和删除等工作均由其负责。

(4) 数据统计分析系统。此系统主要负责全方位地分析采煤机故障诊断专家系统生产期间的数据和运行期间的故障数据等。

(5) 采煤机管理系统。此子系统主要是针对采煤机系统的故障状况, 自动产生一个全新环节的采煤参数, 再依据工作面的特征实时进行更新, 以迎合采煤机系统本环节的特征[2]。

(6) 输出系统。此子系统主要负责打印输出采煤机故障诊断专家系统的生产参数和形成的采煤机故障诊断专家系统的参数[3]。

三、知识库系统

知识库系统中的知识是通过隐性的形式来展现的, 知识在整个网络中主要是以阈值向量和权系数矩阵的方式分布着, 之后再根据规则提取, 在知识数据库中保存规则。

神经网络的记忆功能非常强大, 其可以根据诸多工程实际案例, 将大量的知识保存至知识库, 使知识库变得更加多样化, 而且神经网络可以通过BP算法来实现学习的算法, 下图3为三层单输出神经网络示意图。

在神经网络中, 最初是对输出和输入的变量特点进行定义, 同时对学习样本的匹配性进行测试, 之后在设定的误差范围内, 逐步开始学习样本并不断收敛, 具备网络权重的神经网络在收敛之后就可以拥有预测性能。

四、推理系统

采煤机模糊神经网络故障诊断专家系统将传统专家系统的逻辑匹配推理和神经网络的直觉联想推理充分整合在一起, 在对故障进行诊断的过程中, 首先借助神经网络实施诊断, 同时解释并评估输出的结果。如果浅层知识库无法准确地诊断出采煤机故障, 那么该系统就会自动开启专家系统实施诊断。专家系统再借助深层知识库实施推理, 获取诊断结果。在此主要对神经网络的实现进行阐述。

该采煤机模糊神经网络故障诊断专家系统采取的是BP神经网络, 大量实践证实三层BP网络可以以任何精度走近任何连续函数, 所以, 该系统选取的是三层网络的拓扑结构模式, 主要分为三部分, 即输出层、隐层及输入层, 故障模式由输出层输出, 而故障特性值则由输入层接收。

由于采煤机不仅结构繁琐, 而且存在着许多故障现象, 如果输入层存在过多的神经元, 则必定会对整个网络的锻炼质量及学习速度造成不良影响。此时, 可借助模块分解技术, 把采煤机故障划分成轴承模块、液压系统模块以及电机模块等多个学习模块, 并分别对每个模块实施诊断及锻炼。

五、解释系统

在实施神经网络推理的过程中, 应选取一个学习案例来解释目前的求解实例, 在选取学习案例时, 应保证所选取的学习案例与求解实例的某种逻辑距离最小。

针对专家诊断规则解释而言, 知识库中的各个规则均对应着唯一的编号, 可通过对知识库进行查阅来得出结果解释。

六、神经网络专家系统仿真

因为采煤机的结构较为繁琐, 而且面临着较为恶劣的工作环境, 极易引起诸多故障现象, 如果输入层存在较多的神经元, 则还有可能对整个网络的锻炼质量及学习速度造成负面影响, 所以, 本文采取模块分解技术, 把采煤机故障划分成了多个学习模块, 并逐一对其实施诊断及锻炼。本文主要对液压系统模块实施诊断及锻炼, 再结合上述的系统结构, 在MATLAB中编程, 对此系统实施仿真。

(一) 锻炼样本及其模糊化

本文基于液压牵引采煤机的七大常见故障原因和现象来建立模糊神经网络故障诊断专家系统的锻炼集。下表1为七大故障现象出现程度的隶属度, 括号内数字借助故障现象出现程度的隶属度。

故障原因也可分为七种:t1代表主油管路存在漏油现象;t2表油马达存在较大泄漏现象;t3代表液压油不达标;t4代表轴承等摩擦副卡存在损毁现象;t5齿轮传动件存在研损擦伤;t6代表冷却效果不佳;t7代表有水渗入油中。下表2为故障原因存在程度的隶属度。

按照液压牵引采煤机的故障判断准则, 可以得知采煤机的故障原因及现象的对应关联, 见下表3。

神经网络最大训练次数设为3000, 初始学习速度设为10, 学习速率减少系数设为0.1, 目标误差设为0.001, 最小优化系数设为0.001, 学习速率增长系数设为0.001。

(二) 仿真及结果

将锻炼样本录入系统, 将神经网络隐含层的节点数设为20, 对诊断系统进行训练。下图4为网络训练误差改变曲线图。

同时选取与学习样本存在相同故障原因的非学习样本来对已训练好的模糊神经网络的容错性能进行测试。

七、结语

所设计的采煤机模糊神经网络故障诊断专家系统将神经网络的自学习能力及容错性能充分地体现出来了。模糊化可以将事物的本质更加深刻地体现出来。在MATLAB中对系统实施仿真, 发现此系统的诊断精准性及容错性能均非常理想。

摘要：采煤机是煤矿生产过程中必不可少的一项设备, 由于其工作条件较为恶劣, 在运作期间极易发生故障, 从而影响整个煤矿的生产, 所以, 做好采煤机的故障诊断及在线监测工作就显得尤为重要。专家系统主要用于实施深入的逻辑推理, 而神经网络由于其自学习能力、容错性及并行性均非常强大, 可用于实施浅层次的经验推理。通过整合神经网络及专家系统, 可以使传统专家系统的不足之处得到有效的弥补。因此, 对采煤机模糊神经网络故障诊断专家系统进行研究具有重要的现实意义。

关键词：采煤机,神经网络,专家系统