鲁建东，鲁 啸

（1. 江苏省徐州市泉山区庞庄煤矿物业公司，江苏徐州 221141；2. 国电南瑞科技股份有限公司，江苏南京 210032）

基于BP神经网络的煤矿电机故障诊断预测

鲁建东1，鲁 啸2

（1. 江苏省徐州市泉山区庞庄煤矿物业公司，江苏徐州 221141；2. 国电南瑞科技股份有限公司，江苏南京 210032）

电机软故障辨识诊断一直是困扰电机维修工程师一大难题。引入BP神经网络概念，利用采集到的样本数据训练BP神经网络，得出最优网络模型。通过典型故障状态参数测试新方法的辨别能力。结合对煤矿电机参数的训练测试，通过仿真实验验证了这种新方法对电气故障诊断的有效性。

BP神经网络；煤矿电机；故障诊断

0 引言

由于电机材料、电子电路故障等因素影响，在电机运行时，会产生局部放电现象，尤其对煤矿企业，电机运行时，电机火花会给操作现场带来非常严重的后果。鉴于此，本文采用神经网络算法实现对电机的危险性缺陷进行分析判断，辨别出可能产生放电现象的部件，对电机进行调换与更改。

本文采用三层 BP网络模型，结合梯度下降算法；把采集到的特征向量分成训练样本和测试样本，分别训练BP网络，得到最优模型；再用最优模型测试故障。通过对煤矿电机的仿真研究，结果显示，BP神经网络模型能准确辨识出故障类型。

1 BP神经网络

BP神经网络基本结构是多层前馈形式网络，主要特征是信号量前向传递，误差量反向回馈。在前向传递过程中，输入量从输入层再经隐含层分层处理，最后至输出层。上一层神经元状态只单一影响下层神经元状态。

以三层BP神经网络为例，设定输入层为i，隐含层为j，输出层为k，BP神经网络结构示意图如图1所示。

图1 BP神经网络示意图

隐含层中，神经元j输入用netj表示，有，

神经元j输出为，

类推得出，神经元k输入为，

神经元k输出为

其中g选择S型函数：

θ为函数阈值。

由S型函数可以得出神经元输出

2 BP神经网络学习法则

BP神经网络工作原理是以误差反向传播寻求最优解，计算实际输出值与希望输出值误差平方和。误差超出阈值范围，继续寻优，最后目标函数逼近理想范围。本文以梯度算法为例：

设神经元k期望输出为tpk，网络实际输出为opk，则平均误差为，

式中：E为目标函数。

梯度算法中，权值、阈值系数变化量 Δωkj正比于∂E/Δωkj：

其中，设

其中，设

式中：η为学习速率；

BP神经网络学习法则步骤如下：

1) 训练样本集中随机选取样本输入BP神经网络；

2) 计算实际输出；

3) 结合实际输出值，按学习法则计算与期望输出误差；

4) 沿着逆方向差值减小路径，调整网络权值系数；

5) 循环1)-4)步骤，达到目标误差结束。

按上述操作步骤，确定每个节点之间的连接权系数，接下来对某些未知采集样本进行模式识别。

3 基于BP神经网络的煤矿电机故障诊断预测

本文采用庞庄煤矿的煤矿电机为数据样本，利用BP神经网络进行煤矿电机故障诊断预测，验证算法的优越性。故障模型选轴承损坏、绕组接线烧坏、匝间局部击穿、绕组烧毁和转子断轴，表1为厂用电动机技术参数。

表1 厂用电动机技术参数

将煤矿厂用电动机t时刻个特征参数值作为输入参数组，而将t+1时刻的值T、ω、P、f等4个参数作为输出参数组。从案例中随机选取2000组数据对各种故障情形及正常状态进行数据采样，选取其中1900组数据为训练样本，100组数据为测试样本。

目标性能指标设为0.001，学习速率设为0.1。在Matlab仿真环境中进行训练。将提取的特征向量输入至该网络进行训练，其训练结果图2所示。BP网络经过347步达到训练所需的目标值，同时通过1000次训练发现BP网络能100%收敛。

图2 BP网络训练次数与误差

通过网络的训练得到最优权值W1、W2、B1、B2，如表2～5所示。

表2 最优权值W1

表3 最优阈值B2

表4 最优阈值B1

表5 最优权值W2

将测试数据输入到训练好的BP神经网络进行测试，诊断数据如表6所示，得到的实际输出与目标值有很好的逼近。可看出，故障辨识能力基本与目标故障吻合，通过对样本数据特征值提取，可以达到提前预知电机风险，降低电机故障运行。

表6 故障的实际输出与目标值的比较

4 结论

传统电机故障诊断方法都是定性到定量的故障确认，而本文直接对合适的样本集，通过寻求一个参数集使得能量函数最小，直接从定量上确定故障类型，这避免了感官思维的偏差判断带来故障诊断的失败。本文采用的方法可改变感官故障诊断，从理论定性上提高辨识精度。

[1] 刘平, 孟江, 何强. 基于 MATLAB/SIMULINK 的异步电机故障诊断[J]. 煤矿机械, 2013(2): 256-257.

[2] 夏飞, 黄金泉, 周文祥. 基于 MATLAB/SIMULINK的航空发动机建模与仿真研究[J]. 航空动力学报,2007(12): 164-168.

[3] 杨江天, 赵明元. 改进双谱和经验模态分解在牵引电机轴承故障诊断中的应用[J]. 中国电机工程学报,2012(18): 140-146.

[4] 田静, 杨希勤. 一种对永磁同步电机的故障诊断方法[J]. 电机与控制应用, 2009(8): 48-51.

[5] 谢宏, 何怡刚. 离散 Hopfied神经网络在混烧控制系统故障诊断中的应用[J]. 湖南大学学报: 自然科学版,2007(3): 38-40.

Fault Diagnosis Prediction of Mine Motor Based on BP Neural Network

LU Jian-dong1, LU Xiao2
(1. Pangzhuang Mine Property Company in Distract of Quanshan, Xuzhou 221141, China; 2. NARI Technology Development Co.,Ltd., Nanjing 210032, China)

The motor maintenance engineer has plagued by the identification diagnosis of motor soft fault. The paper introduces the concept of BP neural network, and uses the sample data collected to train BP neural network, and then obtains the optimal network model. The typical fault state parameter is used to test the discrimination ability of the new method. By the training and test of coal mine motor parameters, the simulation can verify the effectiveness of the new method for electric fault diagnosis.

BP neural network; mine motor; fault diagnosis

TM32

A

鲁建东（1961-），男，工程师。主要研究方向煤矿自动控制，煤矿安全管理。