牛锐祥， 丁 华， 施 瑞， 李海平

(1.太原理工大学 机械与运载工程学院， 山西 太原 030024； 2.煤矿综采装备山西省重点实验室， 山西 太原 030024；3.山西汾西华益实业有限公司， 山西 晋中 030600)

引言

作为液压支架动力源的乳化液泵是煤矿综采工作面的关键设备，是液压支架供液系统的核心设备，其主要功能是向液压支架提供高压乳化液，进而实现液压支架支撑工作面和控制顶板的任务。实现乳化液泵的故障诊断，对于保障煤矿安全生产至关重要[1]。但矿井实际生产中，对于乳化液泵的故障诊断仍然依靠工作人员的经验之谈，乳化液泵故障机理复杂，尤其液压系统故障隐蔽性强，故障频率高，传统诊断方法效率低下且准确率不高。随着煤矿智能化建设的推进，乳化液泵功率的不断增大及远距离供液的逐步实现，传统的人工故障排查方式及定时检修工作制已经不再适用于智能化矿井乳化液泵的故障诊断。目前，对于乳化液泵的故障诊断方法还比较少，且局限于对乳化液泵的参数预警及可靠性分析[2-4]。故障诊断方法的落后已经制约了乳化液泵的升级改造，亟需快速、准确的乳化液泵智能故障诊断方法。

近年来，人工智能兴起，专家系统、深度学习等智能方法的提出为故障诊断提供了新思路。相比于傅里叶变换[5]、小波变换[6]、经验模态分析法[7]等基于信号处理的故障诊断方法，智能故障诊断方法不需要复杂的数学分析推导，通过模拟人的思维过程实现机械的故障诊断。基于专家系统的诊断方法，汇集大量领域专家知识，进行分析推理，最终实现故障诊断。高宏鹏等[8]开发了无轨胶轮车故障诊断专家系统，能够对无轨胶轮车快速诊断并指导维修；文小莉等[9]提出的大型料耙液压元件故障诊断专家系统，实现液压系统快速高效定位。专家系统不足在于，获取领域专家知识难度较大，且对大数据的分析能力较弱。面对越来越复杂的机械，其工作中产生的海量数据使深度学习强大的大数据挖掘能力得到展现。张西宁等[10]利用深度自编码网络解决了滚动轴承在样本量少时故障诊断准确率低的问题；贾春玉等[11]利用卷积神经网络和长短期记忆网络成功实现了电液伺服阀的故障诊断。但基于深度学习方法的故障诊断仅局限于通用机械零件，应用于复杂机械的故障诊断仍有较大难度。

基于以上分析，本研究提出一种乳化液泵分级故障诊断方法。首先，建立用于第一级诊断的深度自编码网络，开发用于第二级诊断的专家系统；然后，通过煤矿综采工作面智慧云平台读取历史数据，验证深度自编码网络和专家系统；最后，编写程序，嵌入煤矿综采工作面智慧云平台，进行实际测试应用。该方法充分利用深度自编码网络强大的大数据挖掘能力和专家系统处理难以求解的数学问题的优越性，为乳化液泵故障诊断提供新思路。

1 乳化液泵故障形式及原因分析

矿用乳化液泵一般同乳化液箱、电动机、过滤器、润滑泵总成，一并布置在巷道的设备列车上，距离综采工作面较近，环境干扰大，本研究主要对乳化液泵故障分析并故障诊断。矿用乳化液泵为卧式5柱塞泵，通过防爆电机驱动，经过减速器，带动曲轴旋转，通过连杆、滑块拉动高压缸套内的柱塞往复运动，利用形成的密闭空间实现吸排液功能。

乳化液泵常见的12个故障形式及原因分析：

(1) 液位太低，造成吸空。原因分析：乳化液箱泄漏，输送管路及接口处泄漏，支架动作频繁，乳化液消耗过多，补液器故障，管路堵塞等；

(2) 启动后无压力。原因分析：卸载阀直接卸载，主阀芯卡阻，卸载阀或主阀密封损坏等；

(3) 压力不达标。原因分析：先导阀、卸载阀或主阀密封不良，压力表开关未打开或阀座变形、堵塞，排液管道开裂，卸载阀主阀过滤垫或阻尼孔堵塞，主阀拉毛卡阻等；

(4) 压力过高，超过卸载阀或安全阀调定压力。原因分析：先导阀、卸载阀或主阀故障，安全阀故障，系统堵塞(憋压)等；

(5) 机油温度过高。原因分析：超负荷工作、过载，机油散热器故障，机油量不足、过多或过脏，零部件配合过紧或损坏等；

(6) 轴承温度过高。原因分析：润滑系统故障，润滑油变质，轴承、轴瓦磨损或损坏等；

(7) 绕组温度过高。原因分析：电机启动频繁、过载，绝缘破坏，散热器故障，零部件磨损或损坏等；

(8) 电流过载。原因分析：电机启动频繁，轴承、转子磨损等；

(9) 浓度不达标。原因分析：乳化油量过少，供水压力太低，配液器故障等；

(10) 乳化液温度过高。原因分析：阀芯及密封损坏，乳化液不足，乳化液污染等；

(11) 强迫润滑压力异常。原因分析：开关失灵，机油黏度过低，机油滤清器堵塞，机油泵内零件磨损，泄漏；

(12) 变频模块温度过高。原因分析：散热器故障，电机频繁启动、过载。

2 乳化液泵分级故障诊断方法

通过上述故障分析得出，乳化液泵的故障隐蔽性强，产生原因与故障形式之间常有一对多或多对一关系，加大了故障诊断难度。其复杂的故障机理使得端到端故障诊断的实现颇有难度，因此提出一种乳化液泵分级故障诊断方法，诊断流程如图1所示。通过基于深度自编码网络的乳化液泵第一级诊断判断出故障形式；通过基于专家系统的乳化液泵第二级诊断分析产生原因(故障定位)。

图1 乳化液泵故障诊断流程

2.1 基于深度自编码网络的第一级诊断

1) 深度自编码网络原理

自动编码器(AE)是由输入层、隐含层和输出层组成的3层神经网络，分为编码和解码两部分，如图2所示[12]。编码过程是将输入层的高维数据转化为低维特征，解码过程是将低维特征重构为和输入层维度相同的高维数据。

图2 自动编码器结构

(1) 编码过程，给定输入矢量x={x1,x2,…,xn},低维矢量y={y1,y2,…,ym}，可表示为：

y=f(Wx+b)

(1)

式中，f—— 自编码器的激活函数

W—— 编码网络权重矩阵

b—— 编码网络偏置矢量

(2) 解码过程，将低维矢量y反向变换为与输入矢量维度相同的高维矢量z={z1,z2,…,zn}，可表示为：

z=f(W′y+b′)

(2)

式中，W′ —— 解码网络权重矩阵

b′ —— 解码网络偏置矢量

(3) 损失函数，自动编码器通过优化参数集θ={W，b，W′，b′}的参数，最小化输入矢量x与重构矢量z的重构误差完成训练，训练过程选择均方误差作为损失函数，均方误差损失函数可表示为：

(3)

式中，n为参加训练的数据量。

深度自编码网络由多个自动编码器堆叠而成，又称栈式自编码网络。其中，每个隐含层的输出作为下一层输入，可提取数据的深层次特征。整个深度自编码网络的训练过程分两部分：无标签预训练和有标签微调。首先，使用无标签样本集训练深度自编码网络；然后，在输出层添加分类器，使用有标签样本来进行有监督微调。参数更新过程可表示为：

(4)

(5)

式中，η为学习率。

2) 深度自编码网络诊断方法

故障的发生会导致相关参数的异常变化，不同的故障形式会导致不同参数的变化。通过对某煤矿综采工作面的实时监测，确定如下参数作为深度自编码网络的输入：系统压力、乳化油位、乳化液位、浓度、乳化液温、机油温度、机油压力、轴承温度、绕组温度、电流、转矩、转速、母线电压、模块温度。

从该煤矿综采工作面数据库中提取不同故障形式下的各个参数的数据，并制作样本，具体组成信息见表1。每种故障形式下各取100 个样本，正常状态下取200个样本，总计1400 个样本，按比例8∶2划分训练集和测试集，每个样本包含14 个参数数据和对应样本标签。

表1 样本具体组成信息

深度自编码网络参数见表2， 表中， 输入层为输入的14个参数数据，输出层为14个参数数据的重构；输入层、隐含层1、隐含层2和隐含层3构成编码网络；隐含层3、隐含层4、隐含层5和输出层构成解码网络；添加Softmax分类器实现分类任务，13个神经元对应13种故障形式(包含正常状态)。

表2 深度自编码网络参数

深度自编码网络的训练过程分两步：无监督预训练和有监督微调。无监督预训练指输入数据不含标签，通过最小化重构误差更新网络的权重和偏置；有监督微调指用有标签样本对经过预训练的网络和分类器更新权重和偏置，学习从输入到标签的映射。基于深度自编码网络的乳化液泵第一级诊断流程如下：

(1) 收集乳化液泵13 种故障形式下对应的数据，制作样本，按照8∶2划分训练集和测试集；

(2) 对样本归一化(BN)处理，加速收敛；

(3) 确定网络隐含层参数，随机初始化权重和偏置；

(4) 使用无标签训练集，通过梯度下降法预训练网络，学习率设置为0.01,迭代次数为50，损失函数选择均方误差损失函数；

(5) 添加分类器，使用有标签训练集，通过梯度下降法微调网络、训练分类器，学习率设置为0.001，迭代50次后减小为0.0001，再迭代100次，损失函数选择交叉熵损失函数；

(6) 采用测试集对训练好的深度自编码网络验证。

2.2 基于专家系统的第二级诊断

1) 专家系统原理

广泛应用于灾情、勘探等领域的专家系统，通过收集领域内专家知识模拟人类思维，实现特定功能。专家系统利用其知识库和推理策略解决难以求解的问题，可以辅助一线从业人员更精确高效地进行故障诊断。专家系统一般包含人机交互界面、知识库、知识获取、推理机和解释器[13]，专家系统具体结构如图3所示。

图3 专家系统结构

(1) 人机交互界面，领域专家和用户与专家系统沟通的桥梁，领域专家可以通过人机交互界面向专家系统引入新规则，用户通过人机交互界面访问专家系统，专家系统推理结果通过人机交互界面呈现给用户；

(2) 知识库，专家系统核心，包含领域知识和专家知识，按照知识表示组织，以文件形式存储，运行时调入内存，其完善性和准确性决定着专家系统的诊断结果；

(3) 知识获取，知识库建立、更新、维护和补充；

(4) 推理机，专家系统关键，人类思维模拟环节，根据输入的故障事实，在“知识库”中匹配知识，并推理出结果，即故障诊断过程；

(5) 解释器，根据数据库和知识库知识，对用户输入故障事实后的专家系统推理过程和推理结果做出解释。

2) 专家系统诊断方法

乳化液泵故障诊断知识涉及多个领域，其产生原因与故障形式之间的关系常表现为因果关系，因此可用产生式规则表示。产生式规则：IF(条件)，THEN(结果)；用AND或OR连接1个或多个条件。在乳化液泵的专家系统中，1条产生式规则可描述为：IF绕组温度过高(7)AND电机正常启动AND绝缘发黑THEN绝缘破坏，由产生式规则建立的知识表见表3。

专家系统的关键是推理机，本研究采用正向推理策略，根据输入的判断出的故障形式和输入的故障信息，在知识库中匹配，寻找最优结论。根据已发生故障寻找产生原因，若匹配到完全相同的知识，则直接输出产生原因；若没有匹配到完全相同的知识，则请求用户补充新的故障信息，再次进行正向推理，直到输出产生原因。

3 实验验证

3.1 第一级诊断实验

实验数据取自某煤矿综采工作面智慧云平台，诊断对象为浙江中煤机械科技有限公司生产的BRW500/31.5型乳化液泵。通过智慧云平台对该煤矿乳化液泵的实际监测，收集到乳化液泵在多种状态下14 种参数的数据，作为深度自编码网络的输入，基于深度自编码网络的训练准确率A和损失E如图4所示。在模型训练过程中，随着迭代次数N的不断增加，训练集的准确率收敛于1.0，表明深度自编码网络在训练过程中能够学习到不同故障数据之间的特征关系。

图4 深度自编码网络的训练准确率和损失

通过混淆矩阵详细展示深度自编码网络对测试集的识别状况，如图5所示。19个故障为“启动后无压力”的样本中有2个被诊断为“压力不达标”，28个故障为“压力不达标样本”的样本中有1个被诊断为“启动后无压力”，其余故障均分类正确，表明深度自编码网络具有较高的乳化液泵故障识别率。

图5 深度自编码网络混淆矩阵

选择深度神经网络(DNN)和卷积神经网络(CNN)进行对比。深度神经网络包含3个隐含层，神经元数量分别为500，200和100。卷积神经网络包含3个卷积层和3个池化层，第1层卷积核大小为1×8，移动步长为1×1，数量为16，其余卷积核大小均为1×3，移动步长均为1×1，数量分别为32和64，最大池化层移动步长均为2。所有模型的输出层均为含14 个神经元的全连接层，采用Softmax分类器。

重复5次试验，不同模型的分类精度见表4。深度神经网络结构简单，特征提取能力有限，分类精度较差，平均准确率只有84.492%；卷积神经网络通过局部连接和权值共享保留了重要的参数，使其特征提取能力增强，平均准确率达到88.188%；深度自编码网络5次试验的故障诊断准确率都在98%以上，平均准确率98.712%，更好地完成了故障形式的诊断。其中，深度神经网络与深度自编码网络相比，仅缺少迭代100次的预训练过程，准确率却低14.22%，证明预训练过程对准确率提升的重要性。

表4 不同方法的分类精度 %

3.2 第二级诊断实验

通过深度自编码网络实时监测现场设备数据，当深度自编码网络判断出发生故障，则云平台会故障形式，同时触发专家系统。乳化液泵第二级诊断专家系统包含3个功能：知识库管理，领域专家可访问知识库并做出修改或新知识补充；故障诊断，一线设备维修人员可输入故障信息，并得到专家系统推理出的产生原因;故障记录，记录已发生故障时间、信息和原因，便于煤矿领导决策，乳化液泵故障诊断专家系统及详细推理过程如图6所示。

图6 乳化液泵故障诊断专家系统界面

假设发生自动补液器故障，则云平台会警告故障形式“液位太低，造成吸空”并触发专家系统，一线装备维修人员根据故障形式观察实际情况，液箱有无冲刷、输送管路有无冲刷和支架动作状况，并将故障信息输入专家系统，由专家系统推理出产生原因。通过“故障形式1、液箱无冲刷和输送管路及接口处无液体冲刷”推理出“无泄漏”，再由“无泄漏和支架动作不频繁”推理出“自动补液器故障”。

该专家系统使用深度自编码网络的输出和必要故障信息作为输入，操作简单，诊断高效，易于被一线设备维修人员接受。

4 结论

针对乳化液泵故障机理复杂、故障诊断难的问题，提出一种乳化液泵分级故障诊断方法，充分发挥深度自编码网络和专家系统在故障诊断领域的优势，通过深度自编码网络实现乳化液泵第一级诊断，自适应识别故障形式，通过专家系统实现乳化液泵第二级诊断，分析其产生原因。通过实验验证，该方法能够快速有效定位故障，并能够取得精度较高的诊断效果。