液压支架故障混合智能诊断专家系统设计与实现

2022-10-28史春鹏

山西焦煤科技 2022年9期

史春鹏

(西山煤电(集团)有限责任公司机电厂，山西太原 030053)

液压支架是综采工作面的核心设备，与采煤机、刮板输送机协同配合完成综采任务。液压支架高效、可靠、安全运行关系到综采工作面的生产效率。液压支架实际运行时由于运行环境恶劣，不可避免产生故障。国内液压支架故障诊断功能智能化水平不高，需人工逐架排查和定位[1-2]. 为提升液压支架故障诊断能力，促进综采工作面智能化运行水平，亟需对液压支架故障诊断系统进行设计和优化，而设计系统具有故障智能诊断功能成为提升液压支架运行效率的重要目标。以神经网络技术、专家系统理论提出的液压支架故障混合智能诊断专家系统重点对液压支架故障、故障分层模型、混合智能诊断专家模型结构进行设计阐述，通过系统测试验证上述功能的适用性和正确性，达到故障智能诊断的目的，对提升液压支架作业效率和安全系数具有重要意义。

1 液压支架故障分层模型

1.1 主要故障分析与总结

液压支架设备复杂，使用场所环境恶劣，容易发生各种故障，根据现场调研和查阅资料，总结液压支架常见故障并可分类为[3-4]：1) 液压系统故障，如乳化液泵站供液压力不稳定、供液管路漏液、电磁先导阀故障、安全阀故障、液控单向阀故障等。2) 电控系统故障，如总线通信故障、邻架通信故障、操作键盘故障、压力传感器故障、行程传感器故障、移架不到位、升架达不到初撑力、推刮板输送机不到位等。3) 机械故障，如结构件焊点开裂、局部断开、密封元件腐蚀失效、阀件运转阻滞、导向件磨损等。

1.2 故障分层模型

采用故障诊断专家系统中的层次分析法，将液压支架故障由高层次的普遍模式向低层次的具体模式逐层分类，减少分类中的模式匹配搜索量，有效地解决了分类空间的组合爆炸问题，适合液压支架复杂系统的故障诊断。当某一层系统产生故障或者是它的子系统中的元素出现故障，或者是与它相关的同层次的子系统出现故障，也就是上级系统的故障由下级故障或与上级同层次系统的故障引起的，并且故障的传播是由低向高逐层传播，因此可以采用故障层次分类的办法，以降低故障诊断问题的复杂性。

2 液压支架故障混合智能诊断专家模型系统设计

液压支架故障混合智能诊断专家模型结构见图1，即由特征信息预处理及分配单元大致判断液压支架故障发生的位置，然后转到相应的诊断模块进行详细诊断[5-6]. 特征信息预处理及分配单元采用BP人工神经网络，利用BP神经网络的分类能力，根据检测数据判断故障发生的位置，作出故障系统初级诊断；根据建立液压支架故障分层模型，细分为液压系统故障诊断模块、电控系统故障诊断模块，各诊断模块采用符号逻辑推理方式进行故障确认。

图1 液压支架故障混合智能诊断专家模型结构图

3 液压支架故障混合智能诊断专家模型系统实现

3.1 特征信息预处理与分配

基于BP神经网络对液压支架故障特征信息进行分配，主要包括液压以及供液系统流量、压力传感器、行程传感器、电磁先导阀开度、液控单向阀开度、总线通讯心跳等。将获取的液压支架故障特征信息进行BP神经网络特征信息分配，如有故障，则输出故障发生大致位置后转至各诊断模块并定位故障；否则继续对检测到的液压支架数据进行预处理。预处理过程为：经模糊化和归一化方法将输入信息统一至[0,1]内，归一化公式为[7-8]：

(1)

其中，xmax为变量x变化的最大值，xmin为最小值，y为归一化值并作为BP神经网络输入信号。BP神经网络的输出单元共6个，输出值为0或1，且定义1表示产生故障；0表示未产生故障；采用7-2-6三层结构，选取100组典型数据样本进行训练。故障判断步骤为：若第i个神经元的输出为yi，故障发生阈值θ1，正常状态阈值θ2，θ1和θ2由经验确定：

1) 当yi≥θ1时，则认为该神经元对应的系统出现故障。

2) 当yi≤θ2时，则认为该神经元对应的系统工作正常。

3) 当θ2

3.2 知识库

知识库包含知识的分类、知识表示方法、知识获取、知识库的实现与维护4部分。

1) 知识分类。

获取液压支架系统知识并用适当的规则进行表达和维护。液压支架知识可分为背景知识，即液压支架实际运行过程中长期累积下得到的，如液压支架系统正常运行时，架间CAN总线通讯时间间隔为10～15 ms，可将该知识表示为：

IF 10 ms≤架间通讯时间≤15 ms THEN 通讯正常

ElSE 架间通讯异常

END

经验感官知识，如液控单向阀的压力传感器值频繁跳动可初步判断该单向阀故障。故障机理知识，即故障形成和发展的规律性知识，包括故障发生的征兆、原因等。如当液压系统流量不足时，液压支架的升降柱等动作缓慢或者不动作。决策性知识，即当液压系统产生故障时，排除故障应采取的措施及方法。如液压支架行程传感器故障时，排除该故障的措施有检查传感器连接器、传感器本体是否进水损坏、传感器磁环是否脱落。

2) 知识表示方法。

采用神经网络表示法，即将故障的征兆和原因之间对应关系的知识存储在神经网络权值和阈值中并自动计算得出结果。如对液压支架电磁阀故障用神经网络表示法可表示为：

<电控系统>：<电磁阀>IF线圈断路THEN电磁阀不吸合

IF电磁阀孔堵塞THEN电磁阀不吸合

…… ……

3) 知识获取。

以人工获取为主，神经网络获取为辅，液压支架系统专家对液压支架故障及故障诊断知识进行整理、分类并通过人机交互界面输入故障诊断系统。神经网络对获取的液压支架故障样本数据进行训练并修正权值和阈值。

4) 知识库的实现与维护。

用数据库技术对液压支架系统故障知识库进行实现和维护，建立系统类别表、故障部位表、神经网络结构表、运行记录表、前提条件表、事实表、规则表以及维修建议表。

3.3 诊断模块

诊断模块需根据各自的规则库规则进行反向推理，即故障发生的系数作为推理初始目标选择的依据，如下式[9-10]：

(2)

其中，Xi表示第i种故障已经发生的次数，它是随着诊断次数的增加而变化的变量。Pi和Xi的初始值可根据领域专家经验和现场的设备维修记录综合考虑后分配。初始目标选定后，再利用高效率反向推理进行推理，见图2. 当每个推理循环中可能触发的规则有多条时，根据各种规则以前调用的次数，优先选用执行次数高的规则消解该冲突。

图2 诊断模块反向推理流程示意图

4 系统验证

根据液压支架实际运行时发生的故障信息以及人工经验，建立液压支架故障混合智能诊断专家模型并完成特征信息预处理与分配、建立知识库和诊断模块。在实验室搭建液压支架系统并模拟液压系统流量不足、总线通信故障、电磁先导阀故障等，基于设计的混合智能诊断专家系统对实际发生的故障进行诊断和定位，诊断结果见表1. 由表1可知，该系统的故障诊断正确率可达87%～96%，缩短了液压支架故障定位、检修时间，有助于提升液压支架运行效率。