JDB(中国)电子-官方网站

　　模糊神经网络在破碎机故障诊断系统中的应用故障诊断模糊神经网络在破碎机故障诊断系统中的应用ApplicationsofFuzzyNeuralNetworkinCrusherFaultDiagnosisSystemdE京科技大学)黄政淳张德政Huang.ZhengchunZhang,Dezheng摘要:破碎机是采矿行业中应用十分广泛的设备.随着自动化程度的提高和设备的结构与性能的复杂化.设备管理与维护用在矿山生产中占有举足轻重的地位.本文针对破碎机故障征兆参数的变化趋势与程度.利用模糊教学知识和相关理论.采用不同的变化等级和阉值,建立破碎机典型故障现象与故障征兆列表.同时利用基于MATLAB环境下的BP模糊神经网络,实现了对破碎机故障的模糊诊断.通过仿真和试验结果表明,这种方法可有效地进行破碎机故障样本模式的模糊量化处理.极大地改善了神经网络训练的收敛性.有利于破碎机的故障诊断关键词:破碎机;故障诊断;模糊处理;BP神经网络中图分类号:T1~89.I文献标识码nwhile,byutilizingaBPneuralnetworkbasedonaMAABenvironmentrealizedwasafuzzyfauhdiagnosticfortheCruSher.Atlast,thisfuzzyneuralnetworksfaultdiagnosisissimulatedwithMatlabsNeuralNetworksToolbox.ThesimulationresultsshowthatitShighlyeffectiveinconductingthefuzzyquantitativetreatmentoffaultsamplemodesofacrusher,dramaticallyimprovingtheconvergenceofaneuralnetworktrainingandfacilitatingthefaultdiagnosisofthecrusher.KeyW0rds:Crusher;FaultDiagnosis;BPneuralnetwork;Fuzzylogic引言2破碎机的故障集及征兆集的建立现代工业生产设备趋向大型化,连续化,高速化和自动化,功能越来越多,结构越来越复杂,但因此设备故障停工造成的损失大大增加.保证生产正常进行的关键是使各种重要的大型设备正常运转.如果在设备出了问题后维修,停产不仅带来经济上的巨大损失,而且设备带病工作有可能引起严重损害.由于涉及破碎机系统故障诊断的文献报道极少.因此有必要对其进行研究.根据运行系统和现场技术人员的经验积累可知:破碎机在运行过程中故障与征兆之间的描述语言是模糊的,要充分利用这些数据对破碎机进行故障诊断,首先需要对这些数据进行模糊处理.以适应神经网络的输入输出需要.为解决这些问题.本文在利用神经网络进行故障诊断时.运用模糊数学对故障知识和数据进行模糊处理,并利用MATLAB工具箱中的BP神经网络.将模糊理论和神经网络有机结合起来.找出破碎机运行中故障原因与现象间的模糊关系,运用神经网络进行故障知识学习,这将有利于提高破碎机故障诊断的质量和效率.黄政淳:硕士研究生十五国家科技攻关课题:(2004BA616A一11—011破碎机故障原因,故障征兆较多,为简便起见,根据现场运行经验及有关文献,对大型破碎机组的主体,润滑系统及电机部分进行总结归纳.得到1O要故障形式,分别是:(A).破碎能力下降;(B)破碎机振动过大;(c).破碎机过热;(D).水平轴磨损;(E).定锥松动;(F).润滑失效;(G).甩油故障;(H)漏油故障;(I).过滤器堵塞;(J).电机轴承烧坏.同时借助传感器获得以下十一个参数值作为破碎机故障征兆:(1)传动轴转速;(2)止推轴承温度;(3)传动轴与外衬套温度;(4)排矿口尺寸;(5)冷却管进油温度;(6)冷却管进出油温差;(7)回油管温度;(8)供油流量;(9)过滤器压差;(10)水平轴压力;(11)电机轴承温度等十一种运行征兆参数作为破碎机故障征兆以提取破碎机故障.其中电机轴承温度在两个不同位置分别设置了传感器,通过求二者的平均值确定它的参数值以便精确测定.故障诊断征兆的模糊处理模糊神经网络与传统多层感知器的主要区别在于其输入和输出均表示为模糊隶属度,通过隶属度函数的适当选择,该网络既可以处理数字形式输入又能@喇局订82_94636o,t/~-一207—故障诊断中文核心期刊《微计算机信息》(测控自动化)2006年第22卷第3.1适应语义形式输入,同时输出也不再是单一的分类结果而是各类的隶属度,这样就更好地模拟了人脑思维的模糊性.3.1故障诊断征兆参数归一化因为神经网络对输入样本有归一化的要求,因此征兆参数的变化方向和程度的表示方法需要进行慎重地处理.破碎机故障征兆信号的提取是一模糊化过程,是将获取的测量信号精确量转化成模糊逻辑系统能够处理的模糊量,如隶属度等.这就需要确定隶属函数的具体表达式.常用的隶属函数形式有三角形函数,梯形函数,柯西函数和正态函数等.由于正态函数光滑平稳.可以比较贴切地描述许多事物的模糊性,所以以正态函数反映各测点数据对设备正常这一语言值的隶属函数.由于不同参数类型及上下限各不相同,所以以字母a表示各被测参数下限,对单向变大的参数,a为及其运行后的最低测量值;对双向变化的参数,a为保证机器正常运行的最低限值,该值大于机器运行后的最低测量值.参数上限均以字母b表示.单向变大参数隶属函数设定为:,()=时.f(b10.1.求得m(3b—)16In10,为便于计算.将其取整数得4x-a2m(3b一.=40,即.厂(曲=e-2.5(—;i:,a;双向变化参数隶属函数设定为:譬()=已叫xa+o该函数中,g(a):g(b)0.1,求n(b—a)241n10 神经网络归一化参数的输入值可通过以下两式求得: ll 一,()掣Jl-g() 3.2模糊神经网络故障诊断系统的网络模型 建立了破碎机典型故障样本特征模式知识库,即 可利用这些典型故障样本对神经网络进行训练和学 习,得到具有故障诊断的神经网络模型,然后利用训练 后的神经网络完成对破碎机实时故障模式的识别.即 故障诊断.神经网络的训练和仿线 神经网络工具箱为工具.仿真时采用了三层的BP 网络训练模型,具体模 型见图1 所示.图中BP 网络的输入层神经元个数等 同于故障征兆信号的模糊子集个数为11 个,神经元 传递函数为双曲正切S 型函数.而隐含层神经元个数 的选取原则是在能够解决问题的前提下,再加1 个神经元以加快误差的下降速度即可.现根据训练的样本数和不同隐含层神经元个数的训练结果的对比 确定取隐含层神经元个数为30 个.输出神经元个数 等于故障个数为10 个,神经元传递函数为对数S 函数.且使用TRAINGDX函数(带动量及自调整lr 传的梯度递减)训练BP网络.TRAINGDX 函数采用动 量法和学习速率自适应调整两种策略,从而提高了学 习速度并增加了算法的可靠性.训练误差目标为 0.01.初始设置学习速率为0.01.动量因子h 取0.9,初 始权值取(一1,1)之间的随机数. 三层BP网络训练模型 3.3 模糊神经网络 利用带动量及自调整lr 的BP 训练网络对学习样 本进行训练学习,误差目标为0.01,网络训练经过216 步,训练结束.训练误差收敛曲线 所示. II练目标 O2o40 叩1201401601即200 递归次数(Zl6) 训练误差收敛曲线网络经过训练学习后,神经网络系统获得的故障 诊断知识就表达为神经元连接权值矩阵和阈值矩阵, 然后将训练得到的W(1,1l,wI2,1l,b【1】1,b【2】2 存储起 来,建立一个故障诊断数据库.此时破碎机的模糊神 经网络故障诊断系统就可对文中所列出的破碎机10 种故障进行有效的诊断. 下面将使用10 个故障实例对破碎机故障诊断系 统进行仿线 个故障实例样本, 而模糊神经网络故障诊断的仿线 所示. (限于篇幅将其中一些样本省去) OO0.750.75 OOOO (10D 00 O075 根据表2 的仿真结果,并根据对破碎机实际情况 的检查,得出结论:此故障诊断系统对单一(见206 故障诊断中文核心期刊l=微计算机信息:}(测控自动化)2006年第22 卷第3-1 usingdmweb.DAServer;2.创建代理对象实例. DAServicewl=newDAService0; 3.通过BeginRequestOutPortSet 形式异步调用代 理对象的RequestOutPortSet 方法,并指定服务完成时 要调用的回调函数,实现数据访问. AsyncCallbackx_ callback=newAsyncCallback (Notif)rOutPortSet); w1.BeginRequestOutPortSet(requestld,xcallback, nul1);//请求数据 其中x_callback 参数标识了异步操作完成时要执 行的回调函数是NotifyrOutPortSet. 4.当异步操作完成,服务端将调用回调函数Noti— fyOutPortSet 来通知客户端数据准备好.所调用的No— tifyOutPortSet 回调函数的基本定义如下: publicvoidNotifyOutPortSet(IAsyncResuhp_asyn— cResuh) w1.EndRequestOutPortSetfp_asyncResuh);//获得数据 结论本文以基于WebServices 技术的CBM系统的设 计开发为背景,简要介绍了OSA/CBM系统体系结构 和标准的内容,重点论述了系统开发中采用WebSer— vices 技术实现分布式的模块通讯结构的具体方法.采 用WebServices 技术建立网络化CBM系统,可使整个 系统具有更大的灵活性,更加方便与远程业务,远程 制造系统的集成.这有利于CBM系统在更广阔的领 域发挥作用,为各种机械设备提供更加有效和便捷的 维护方法. 参考文献: