基于时间序列和BP神经网络的矿井风机故障诊断

摘 要：矿井通风机是煤矿井下通风不可或缺的安全设备，被誉为矿井的“呼吸”系统，一旦出现故障而停机运行，将威胁到整个矿山的安全生产。针对这一问题，建立基于时间序列和BP神经网路的矿井通风机故障诊断系统。利用测取的信号进行时间序列分析，建立AR模型并进行估计、预测，锁定故障发生的范围，这样节省了盲目查找故障的时间。直接从预测故障范围中提取参数作为特征向量，并以此作为BP神经网络的训练样本，实现矿井风机的故障诊断。

关键词：矿井通风机；时间序列；BP神经网络；故障诊断

引言

矿井通风机正常运行有利于煤矿的安全生产，对其进行状态监测和故障预测，及时准确地识别核心零部件的故障信号，并提取评估，预测故障的发展动态，有利于及早发现故障、预测故障并制定维修策略。这样提高了矿井通风机的安全性和可靠性，实现由“事后维修”到“预知维修”的过程，减少了突发事件造成的停机损失，能够有效发现风机早期的故障。文章提出了基于时间序列和BP神经网路的矿井通风机故障诊断系统，其目的是减少特大故障的发生，实现风机的经济运行、保障煤矿作业人员的安全。

1 时间序列估计、预测风机故障

1.1 时间序列原理

通过现场测取有限时间段的通风机运行状态信号，经过一系列的处理后，得到平稳、正态、零均值的时间序列{xt}，从而建立矿井通风机的动态时间序列AR模型，来评价通风机的运行情况和估计其未来发展趋势，并做出预测。其 AR 模型的结构为：

文章采用最小二乘法原理对时间序列{xt}进行估计，解方程组（2）可得AR（n）的参数模型。

1.2 AR模型预测

1.3 风机运行状态建模、估计与预测在MATLAB中的实现

矿井通风机时序建模可分为两个阶段，一是预估模型阶数，根据AR模型中最小最终预报误差准则FPE准则进行适用性检验，取FPE 最小时的 n 为3时作为模型阶数并建模。二是求出模型参数，对于特征时间序列 X，用最小二乘法估计的全极点模型的自互相关法计算AR（n）模型的参数。MATLAB 程序为：

对于时间序列{xt}，根据式（2）的原理计算AR（n）模型的参数，选取n为3，也就是时间序列模型为3阶系统。

对于风机的状态监测比较简单，在现场连续监测55小时，每小时提取5个通风机轴承温度的信号，每5个数据取均值后得到55个风机预测数据点，根据式（3）的基本原理来进行风机的运行状态估计和误差预测。

estx=filter（[0-a（2：end）]，1，x）； %估计时间序列

e=x-estx； %预测误差

[acs，lags]=xcorr（e，’coeff’）；

subplot（121）；

plot（1：55，x，1：55，estx，’-.’）；

title（’原始信号’）；

xlabel（’采样点’）；

ylabel（’幅度’）；

grid；

legend（’原始信号’，’最小二乘法估计’）

subplot（122）；

plot（lags，acs）；

title（’预测误差的自相关函数’）；

xlabel（’延迟’）；ylabel（’归一化值’）；grid；

MATLAB程序结果如图1所示，其中，虚线为预测曲线，实线为实测曲线。图2为预测误差的自相关函数。

1.4 结果分析

由图1可看出实测曲线和最小二乘法估计的预测曲线在48时相差很大，由图2预测误差的自相关函数可知：在0点的相关程度最大之后在减小，但在48处有出现局部峰值，即48附近为预测故障范围，矿井通风机可能出现故障。因此可将预测故障范围内的数据即提取46到50之间的20个点，作为BP神经网络的训练数据，这样节省了盲目查找的时间，及时预测故障，及时检查并维修，减少突发事故发生。

2 故障诊断

2.1 BP神经网络模型

矿井通风机轴承温度异常原因有：不良和轴承异常。其中轴承常见故障类型主要有：转子弯曲、转子不对中、转子不平衡、轴承损坏、转子磨损、油膜涡动6类。

2.2 诊断结果分析

经MATLAB建模运行，由结果可知输出矩阵：

输出矩阵Y的列向量分别代表2个待诊断样本的输出。以1表示故障必然发生，0表示无故障。

通过时间序列AR模型预测出故障范围，并将故障范围内的数据特征提取作为BP神经网络的训练样本，这样节省了盲目查找故障的时间。

3 结束语

基于时间序列和BP神经网络的故障诊断方法可以识别典型的故障。理论上，我们应该对风机长期观察提取足够多的训练样本，这样才能达到精确的识别精度。但由于实际情况的局限性，只能根据个别典型的数据来初步找到故障范围进行故障诊断。

文章利用时间序列AR（3）建模、评估、预测出故障范围，提取预估故障范围内的数据，并以此作为BP神经网络的训练样本，时间序列和BP神经网络相结合能快速诊断风机是否发生故障并识别故障类型，且建模简单，节省盲目查找故障的时间，有利于风机的及时维护。

参考文献

[1]王俊，刘刚.基于时间序列和神经网络的温室传感器节点故障诊断[J].中国农业大学学报，2011（6）：163-168.

[2]朱建元.基于BP神经网络与时间序列分析的柴油机故障诊断[J].上海海事大学学报，2006（4）：22-27.

[3]王广斌，刘义伦，金晓宏，等.基于时间序列分析的风机运行状态监测与预报及故障诊断[J].机械，2005（1）：21-23.

[4]卞琛，钱育蓉.基于改进的自适应回归时序模型故障诊断[J].计算机测量与控制，2014（10）：3095-3097+3100.

[5]苏春，王胜友.基于随机故障序列的制造系统动态可靠性仿真[J].机械工程学报，2011，24：165-170.

[6]杨叔子，吴雅，等.时间序列的工程应用（下册）[M].华中理工大学出版社，1991，5：8.

[7]张善文，雷英杰，等.MATLAB在时间序列中分析的应用[M].西安电子科技大学出版社，2007.

[8]张德丰，等.MATLAB神经网络仿真与应用[M].电子工业出版社.

作者简介：管丽莎（1991-），女，河北邯郸人，河北工程大学机电学院研究生，主要研究方向为大型设备的故障诊断、故障预测。