高英勇，崔宇，李云涛，荆洪迪，张振江，刘显锋

(1.鞍钢矿业有限公司眼前山分公司，辽宁 鞍山市 114000；2.中国科学院沈阳自动化研究所，辽宁 沈阳 110016)

0 引言

矿山在采矿生产过程中，要保证安全生产，采矿设备正常运转是关键。一直以来，生产施工受矿山机电设备故障的影响，甚至有时候还会威胁到作业人员的人身安全。矿岩破碎是采矿生产过程当中的重要环节，若在这个过程中，破碎设备出现故障，矿山无法正常生产时会给企业带来损失及安全问题。因此，此领域的科研工作者都在探讨诊断设备故障的办法，以期改善工程建设品质和施工效果，从而降低企业经济损失，减少了产生重大安全事故的概率。迄今为止，露天矿大型设备如破碎机等的故障诊断仍然依靠现场工作人员的工作经验，由于设备零部件的复杂性和故障特征的多样性，主观诊断方法在实际故障诊断过程中精准度不足，因此，人工智能和物联网技术在露天矿设备故障诊断过程中有着巨大的应用潜力。此类诊断的方法简单可靠，可以利用多种传感器收集大型破碎装置的状态参数，并运用大数据分析建立设备故障诊断模式，通过掌握破碎装置故障的变化规律及时地对故障做出检测预警。刘俊峰等[1]利用FSC-MPE 和BP 神经网络对滚动轴承进行了故障识别研究，验证了其可行性和优越性。张伟星等[2]以火箭增压输送系统为研究对象，基于BP 神经网络进行了有效的故障检测，满足实时故障检测需求。

本文选用旋回式破碎机作为主要诊断对象，对露天矿大型破碎机故障原因较复杂且不易判断的问题，通过利用网络技术调查和收集各矿井关于旋回式破碎机阶段性的实时状态数据，进而判断并确定旋回破碎机故障类型，选取了适当的故障特性参数，通过使用BP 神经网络建立了能及时预见并实时准确检测旋回式破碎机故障的故障诊断模式，既极大地节省了旋回式破碎装置的维护时间和保养成本，又大大提高了露天矿采矿产品的实用生产率。

1 旋回式破碎机故障诊断模型建立

人工神经网络萌芽于20 世纪60 年代，由于当时计算机硬件资源能力不足，其理论只能停留在简单的模型之上，无法得到全面的应用和验证。直至20 纪世80 年代，反向传播算法的出现使得人工神经网络技术快速崛起，其将原本十分复杂的链式法则拆解为独立的、只有前后关系的连接层，并按照各自的权重调整阈值，使得人工神经网络从繁重的、难以解决的样本计算中脱离出来，通过学习已有的数据统计规律，对未知事件做出合理预测。

研究表明，具有3 层的BP 网络，能够成功对一般复杂程度的机器实现故障模式、故障程度、故障部位的识别[3]。

1.1 数据采集及选择

以露天矿旋回式破碎机为主体，选取4 大主要故障类型为集合T，包括以下4 种常见异常：T1偏心套故障、T2轴承磨损、T3平行轴缺油、T4平行轴油温异常；同时选取4 大主要故障特征参数为集合K，包括以下4 种常见特征：K1回流油温、K2润滑油油压、K3轴承振动频率、K4轴承转速。

国内各矿山规模不一，不同的开采强度和设备使用时间都会对故障特征参数产生影响。因此，数据的采集及选择应该考虑各强度和时间下多种情况，覆盖并还原现场真实生产的原生数据，从而使得网络的学习更加准确并具有指导意义[4]。

1.2 BP 神经网络构建

1.2.1 故障诊断网络结构

本研究所采用的BP 神经网络拓扑结构一共分为3 层，故障诊断网络结构见图1。

图1 故障诊断网络结构

输入层为故障特征参数集合K、神经元个数p=4，输出层为故障类型集合T，神经元个数q=4。隐含层为1 层，其神经元个数属于经验值，没有确定的理论值，因此采用试凑法并根据输出结果均方误差的大小来调整确定隐含层神经元个数[5]，隐含层神经元个数为y，经验公式如下：

式中，c为0～10 之间的常数。

利用经验公式确定该网络中隐含层神经元个数y值的范围，在此范围内，对比各值代入网络训练后输出结果均方误差的大小，误差最小的网络所对应的y值即为隐含层的神经元个数。经试验，m=8时，神经网络的仿真误差为0.0097＜0.01（期望误差），并且在误差集合中是最小的，即确定隐含层神经元为8 个。

1.2.2 归一化处理

在数据预处理过程中，评价指标量纲的不同往往会对最终的数据结果产生影响，对原生数据进行归一化处理，则可以消除各项指标之间量纲的相互影响，从而使数据具有一定的可比性[6]。

在本研究中使用的BP 神经网络训练软件中，归一化处理的上、下限分别为1 和0.1，故在输出层中故障类型见表1。

表1 故障类型矩阵

1.2.3 故障诊断网络训练设置

该诊断网络训练设置包括3 部分，即神经网络属性参数设置、神经网络控制参数设置和样本标准化设置。

2 实例应用

通过现场调研了解现场真实生产情况，研究得到鞍山某露天矿山的旋回式破碎机相对准确的样本数据，为了数据分布的均匀性和有效性，选择20组数据作为训练样本，每种故障类型对应5 组故障特性，故障样本数据见表2。

表2 故障样本数据

另选3 组作为学习样本数据，总体控制与误差控制保持默认设置不变，学习率为0.1，冲量系数为0.5，1 层隐含层神经元个数（即节点个数）为8。输入输出均经归一化处理，调整上、下限为0.1～1。

训练发现，训练成绩优秀，通过学习样本测试验证网络，判断网络仿真故障的诊断能力，避免了因为训练成绩表征成功但过拟合，导致其泛化能力不足的问题。测试结果见表3。

表3 测试样本数据

3 数据分析

虽然此次数据在折线图中，可以很好地表现出拟合关系，但是很难清晰地表示出每个参数输出值与目标值的准确数据，因此，本研究采用柱状图对检验结果进行更加直观的表达，如图2 所示。

由图2 可以看出，测试样本检验结果的输出值和目标值相差很小，在旋回式破碎机4 种主要故障问题诊断中，能够做出明显分类，诊断结果完全可以满足设计需要。这表明该人工神经网络设计较为成功，可以正常投入生产使用，以便在后续的使用过程中建立新的样本数据，更新网络模型使其预测更加精准。

图2 样本检验结果

4 结论与建议

针对露天矿旋回式破碎机故障问题，本研究基于BP 神经网络构建故障诊断模型，选取了4 大故障类型集合作为输出层，同时选取了4 大故障特征参数集合作为4 大故障特征参数作为输入层，对传感器实时采集的数据进行归一化处理，建立旋回式破碎机故障诊断模型，选取设置网络训练参数，利用样本数据进行训练和优化，通过测试数据验证了旋回式破碎机故障诊断模型具有诊断迅速，结构简单，预测精准的特点，在矿山生产实际应用中能够实现实时诊断。

随着硬件设备的发展和各种新算法的提出，人工神经网络技术不断应用于各大领域并发挥着愈发重要的作用。随着两化融合项目的推进和工业4.0时代的到来，矿山企业也必将朝着自动化、无人化、信息化的方向发展，露天矿大型设备智能诊断技术也应加快发展，为“机械化换人，自动化减人，智能化无人”的智慧矿山建设增添一份力量。