【BP算法在采装设备故障诊断中的应用探究19000字（论文）】

BP算法在采装设备故障诊断中的应用研究摘要目前来看，煤炭仍然是我国国民经济发展中重要的能源，煤炭生产对于国民经济发展具有至关重要的作用。在露天煤矿生产中，保障采装设备运行稳定性就成为必须要考虑的问题。基于此，本研究选择露天矿采装设备的故障监测及控制作为研究对象。研究内容包括：BP神经网络在设备故障诊断中的应用；露天煤矿采装设备各技术参数、常见故障以及故障产生的原因、主要特征等，出于精力及篇幅考虑，本研究选择潜孔钻机、挖机、矿用装载汽车这三种最常用设备进行研究；BP算法在采装设备故障中诊断中的应用，包括构建BP神经网络模型、网络训练、仿真实验等。本研究以BP算法理论为基础，对BP算法在露天煤矿采装设备故障诊断中的应用问题进行研究，对具体应用过程及应用结论进行分析，在一定程度上丰富了BP算法应用理论及矿山采装设备故障管理理论；其次选择了潜孔钻机、挖机、矿用汽车这三种常用采装设备作为研究对象，对BP算法在故障诊断中的具体应用过程进行阐述，具有一定的实用性，对煤矿其他设备的故障诊断也具有一定的实践指导意义。关键字：BP神经网络故障诊断采装设备目录TOC\o"1-3"\h\u6675摘要 ③输出层节点1的输入（2.3）输出（2.4）这样，就得到网络在一组初始连接权值及阈值的条件下，对应某一训练输入样本，网络的计算输出值。此时所得到的网络计算值与目标输出值可能又一定误差，具体表现为：单样本误差（2.5）样本总误差（2.6）平均误差（2.7）一般情况下，此时网络对应某一输入样本的计算输出与其相应的目标输出间有较大的误差，因此需要进行连接权值和阈值的修正，即进行误差反向传播计算。（2）误差反向传播由于BP网络训练算法有单样本训练算法和批处理算法两种方法。前者是朝着减小的方向来修正权值和阈值；后者是朝着E减小的方向来修正权值和阈值，由此可知单样本训练算法为批处理算法的基础。这主要体现在网络的误差反向传播计算中。本文对露天煤矿采装设备故障样本集的训练采用批处理算法。由梯度下降法修正后得到对应第q个样本的网络隐层节点与输入层节点的连接权及阈值的修正量为（2.8）其中为学习率。对于学习率一般取为，改进方式则可以选择自适应学习率。对于上式，继续推导（2.8）其中称为网络隐层节点的学习误差，所以同理推得（2.9）（2.10）（2.11）（2.12）下面推导和的计算公式，对于输出节点1（2.13）对于隐层节点（2.14）因（2.15）可得可见，在计算BP网络隐层各节点的学习误差时，需首先计算输出层各节点的学习误差，即节点误差的计算是先从输出层开始然后再向隐层方向计算，所以BP网络才称之为反向传播计算的前向网络。（3）自适应学习率在本文中，学习率有两种选取方式，一是定学习率，二是自适应学习率，为了选取一种更适合于本文样本训练的方法，对以上两种方法进行了比较。定学习率相对较为简单，无论在什么情况下都选取[0~1]间的定值进行迭代计算，而自适应学习率则经下列过程进行导出：（2.16）且：（2.17）当样本数很大时，近似等于1，并且第次迭代的近似等于第次迭代的，故（2.18）即（2.19）所以（2.20）可得（2.21）可见，BP网络经过第次迭代以后，其系统误差的减小量的近似值等于网络在第次迭代时的平均误差。因为；所以（2.22）其中。上式即反映出了BP网络误差曲面陡度的变化情况。所以BP神经网络自适应学习率的理论公式为（2.23）可见，BP网络的学习率完全由网络当时的平均误差、输出层和隐层的学习误差、输入层和隐层的输出及网络的结构所决定。（4）流程框图BP网络批处理算法的流程如图2.4所示：初始化网络给定样本输入和目标输出初始化网络给定样本输入和目标输出求各样本隐层和输出层各单元的输出求目标值与实际输出的总误差计算隐层和输出层各节点学习误差求误差梯度权值学习误差满足要求结束YESNO图2.4BP算法流程2.2BP神经网络在故障诊断中的应用2.2.1基于BP神经网络诊断的特点神经网络与故障诊断的结合是故障检测的一大革新，神经网络的全称为ANN，它以生物体内的神经结构功能为原型模拟所成。该技术体系是通过计算机模拟生物体内的神经元结构，能够有效解决传统物理系统所无法解决的问题。虽然，ANN与真实生物体神经网络结构有着本质区别，但它却吸收了的生物神经网络的部分原有特质，具体来讲，其优势特性主要表现在如下几方面：一是ANN是由多个微小的管理控制单元构成，每个单元的功能虽然比较单一，处理能力不强，但是通过人工神经单元的复合起来，却能使功能强大起来，这种复合方式构建了一个完整的体系，大大加强了ANN处理数据的能力。二是ANN信息忙存于神经元系统之上，并以分布式储存为主要方式。单个神经元无法提取重要信息，只有通过神经元与神经元之间按照一定的顺序来进行提取。这样不仅仅可以使每个神经元之间加强相互联系，还可以解决ANN记忆的安全问题。三是ANN容错特性极高，假使少部分神经元被破坏，但大部分神经元仍可正常运。并不会对整体神经元结构产生影响。这样保证了ANN不会因为部分的神经元被破坏使整个系统无法正常的运行。四是ANN具有极强的学习功能，这是因为通过学习训练，神经元之间的连接结构便能够形成。2.2.2神经网络故障诊断原理利用ANN能够区分故障类型、归类相似故障、预测可能产生的故障等。学习、训练神经网络需有与之相匹配的数据作为基础资料，把学到的知识体系以权值调整的方式进行储存，并从数据资料中搜寻所需要的隐含知识层。因采矿设备故障零部件类型多，彼此之间的关联性较为紧密，故障表现形式也极具多样性，所以，首先需要在神经网络体系中找出故障问题的主要特征、与之相对的评价数据，并以此数据资料训练神经网络。概括而言，BP算法的特点主要为：其一，它具有极强的非线性映射功能，解决实际问题的能力极佳；其二，BP网络中信息的存It是分散的，加之其并行处理的特质，更加提升了系统自身的容错性能；其三，它具有自学习与自适应能力。在训练神经网络阶段，能够充分利用样本资料进行不间断地归纳、总结、记忆、学习，并将e存的知识内容映射至权值调整程序内，方便以后对类似问题做快速判断及修整。同时，这种学习也是在线进行的；其四，该系统具有多重变量，且输出变量的数量均是随意的，由此极大地降低了各子系统间所产生的解賴问题。3.露天矿主要采装设备及生产能力3.1露天矿常用采装设备及技术参数3.1.1钻机技术参数KQ-200型钻机较早开始投入在我国的露天矿山的生产当中，大多数矿山企业都采用该设备。作为众多穿孔设备之一，在大型露天矿山生产中主要用于矿山的钻凿爆破。KQ-200型潜孔钻机采用的是以电力为主、电和气相结合的驱动方式，其主要组成部分有机架、钻架、液压式的提升机构、除尘设备等。KQ-200列潜孔钻机技术参数如表3.1所示。表3.1KQ-200型潜孔钻机技术参数名称特征参数名称特征参数钻孔直径/mm200-210提升能力/KN35钻杆外径/mm168行走方式电动机——履带钻孔方向/（º）45-90爬坡能力/（º）14推进长度/m9.1钻孔深度/m19适应岩石硬度（）6-18回转功率/KW153.1.2挖机技术参数WK-4型单斗挖掘机是一种履带行走的电动矿用机械正护式挖掘机，属较大型的露天采掘机械设备，可用于千万吨级的露天矿，也可用于建筑、水电等止方工程。WK-4型挖掘机的主要技术参数如表3.2所示。表3.2WK-4挖掘机技术参数名称特征参数名称特征参数铲斗容积/m32最大卸载半径/m12.6最大卸载高度/m6.3爬坡能力/（º）12挖掘深度/m3.4最大挖掘半径/m14.4提升能力（t）45推压能力（t）20.5行走速度（km/h）0.45设备重量（kg）180000提升速度/m*s-11最大挖掘高度/m矿用汽车技术参数3305Ｆ型矿用自卸汽车是在露天矿中的作用主要为矿岩的剥离及运输，是重型的自卸式汽车，运输路程相对短、载重量相对较大的工作特性，通常配合大型的电护设备一起使用，在采掘作业点和却矿作业点来回穿梭。3305Ｆ型矿用自卸汽车的主要技术参数如表3.3所示。表3.33305F矿用汽车技术参数名称特征参数名称特征参数额定载重量（t）31容量（m3）16.1最高时速（km/h）54发动机总功率（kw）261净功率（kw）238外形尺寸（mm）7950×3590×38653.2设备常见故障3.2.1潜孔钻机常见故障及特征经过对维修记录进行统计分析可以得出，KQ-200型潜孔钻机生产中可能出现的故障模式主要分布于哪些结构中。根据维修记录数据库，对潜孔钻机发生的故障进行分类统计，就可知道该型钻机主要组成结构发生故障次数情况，钻机的主要组成结构的故障比例分布情况如图3.1所示，从图中可以看出故障占比最大的为推进提升机构，为30%。行走机构和机架的故障占比分别为25%和22%，稍小于推进提升机构。回转供风机构占比为12%，其中故障占比最小的为钻具。经分析，该型号潜孔钻机发生故障最多的主要组成结构有：推进提升机构、机架和行走机构，这些结构主要故障模式有设备磨损、断裂，电机损坏和密封不严或老化严重等。为了能够采取积极有效的预防的措施，就需要知道分析所得的故障模式的故障原因，然后才能针对故障发生的原因采取预防以及故障后的应对措施。经过对收集资料的整理分析，造成潜孔钻机发生故障的因素大体有零部件磨损严重、老化、密封不严、电机烧坏、漏油和管路破损等原因。潜孔钻机各主要结构的故障模式造成的故障影响主要有；无动力输出、电机不能正常制动、无法传递动力和电路系统失效等。根据《故障模式、影响及危害性分析指南》GJB/Z1391，将故障模式造成的故障影响的严重程度划分详见表3.4。表3.4故障影响严酷度类别及定义严酷度类型严重程度定义Ⅰ类（惨重）设备无论在经济还是在受损方面都比较惨重Ⅱ类（严重）设备的损失程度以及经济上的损失比惨重较轻Ⅲ类（中等）设备的维修费用相对较高，维修时间较长Ⅳ类（轻度）设备维修时间较短，维修费用较低KQ-200型潜孔钻机各类故障及严重程度具体见表3.5。表3.5KQ-200型潜孔钻机故障表结构名称故障模式故障原因故障影响严重等级钻具冲击器损坏油管开裂冲击钻头无法工作Ⅳ钻杆开裂磨损严重冲击器没有压力Ⅳ钻头算坏磨损严重无法破碎岩石Ⅳ回转供风机构回转减速箱异常齿轮损坏无法传递回转电机动力Ⅲ回转电机烧坏温度过高无法为钻机回转提供动力Ⅱ推进提升机构提升减速箱异常齿轮损坏无法传递提升电机动力Ⅲ提升电机烧坏温度过高无法提供推进提升动力Ⅱ提升滑道损坏过度磨损不能正常升降Ⅲ提升链条断裂过度磨损无法传递动力Ⅲ提升抱闸线圈损坏器件老化电机不能正常制动Ⅳ钻架钻架轨道磨损长期耗损不能正常升降Ⅲ钻架定心环磨损长期耗损无法对钻杆限位Ⅳ机架空压机电机烧坏温度过高无动力输出Ⅱ空压机油压异常油管泄漏无压力输出Ⅳ空压机电磁阀烧坏断线短路不能正常制动Ⅳ行走机构行走链条断裂过度磨损钻机无法行走Ⅲ支重轮损坏温度过高无法支撑钻架重量Ⅲ行走电机烧坏过度磨损钻架无法行走Ⅱ行走齿轮算坏过度磨损钻机无法行走Ⅲ行走抱闸线圈损坏器件老化电机不能制动Ⅳ3.2.2挖掘机常见故障及特征经分析，该型挖掘机主要组成结构中，发生故障最多的组成结构：工作装置、回转机构和提升机构，这些结构经常发生的故障模式有勺杆开裂、开斗、勺斗、推压和提升电机损坏以及斗齿磨损等。经过对收集资料的整理分析，导致挖掘化故障的原因主要有零部件的磨损与损坏、电机过热导致电机烧坏等原因。挖掘机各主要结构的故障模式造成的故障影响主要有；影响正常护挖矿岩、影响正常排卸矿岩、工作装置无法回转和无法正常行走等。根据《故障模式、影响及危害性分析指南》GJB/Z1391，将故障模式造成的故障影响的严重程度按如表3.4所示进行严酷度级别划分。WK-4型挖掘机各类故障及严重程度具体见表3.6。表3.6WK-4型挖掘机各类故障及严重程度结构名称故障模式故障原因故障影响严重等级工作装置斗齿损坏磨损过度无法正常铲挖岩石Ⅳ勺斗/杆开裂磨损过度无法正常铲挖岩石Ⅲ推压电机烧坏负载过大无法给铲斗提供推压Ⅱ开斗电机烧坏负载过大无法排卸岩石Ⅱ提升机构提升机损坏零件损坏无法正常升降Ⅱ提升卷扬轴断裂磨损过度无法正常升降Ⅲ回转机构回转电机损坏零件损坏无法回转Ⅱ回转减速箱故障零件损坏无法回转Ⅲ回转轴齿轮损坏磨损过度无法传递回转动力Ⅳ行走机构主动轴轮断磨损过度无法正常行走Ⅲ行走履带故障磨损过度无法正常行走Ⅳ3.2.3矿用汽车常见故障及特征经分析，该型汽车主要组成结构中，发生故障最多的组成结构：行驶系、发动机和转向系，它们所对应的主要故障模式有发动机漏油或进水、锅轮增压器损坏、散热器漏气、变速箱故障、减震器损坏、车轮故障等。为了能够采取积极有效的预防的措施，就需要知道分析所得的故障模式的故障原因，然后才能针对故障发生的原因采取预防以及故障后的应对措施。经过对收集资料的整理分析，导致汽车故障的原因主要有零部件的磨损、老化、损坏、轮胎损坏、齿轮损坏等原因。汽车各主要结构的故障模式造成的故障影响主要有；无法提供动力行驶、无法正常传递动力、无法正常行驶和行驶制动失效等。根据《故障模式、影响及危害性分析指南》GJB/Z1391，将故障模式造成的故障影响的严重程度按如表3.4所示进行严酷度级别划分。3305F型矿用汽车各类故障及严重程度具体见表3.7。表3.73305F型矿用汽车各类故障及严重程度结构名称故障模式故障原因故障影响严重等级发动机发动机漏油进水密封老化没有动力Ⅱ涡轮增压器损坏零件损坏动力减小Ⅲ散热器漏气零件老化发动机无法正常工作Ⅳ传动系变速箱故障齿轮损坏/漏油没有动力传输Ⅱ差速器损坏零件损坏没有动力传输Ⅳ传动轴损坏零件磨损没有动力传输Ⅲ行驶系减震器损坏零件损坏无法正常行驶Ⅳ车轮故障轮胎损坏无法正常行驶Ⅲ转向系转向节损坏零件损坏无法正常转向Ⅰ制动系制动片损坏过度磨损无法正常制动Ⅲ制动泵损坏使用过度无法正常制动Ⅲ制动液管路损坏老化无法正常制动Ⅲ4.BP算法在采装设备故障诊断中的应用4.1BP算法在潜孔钻机故障诊断中的应用4.1.1构建模型（1）输入层节点数的确定一般依据引起故障发生的故障征兆数目来定。由于BP网络在学习训练过程中，其学习次数与输入层接点还有很大关系，输入层接点数目增多，则训练次数会大幅度增加，因此为了减少BP网络复杂度，使得学习次数降低，加快训练速度，对KQ-200型潜孔钻机具体故障考虑其相关的监测参数，只选取故障所涉及到的参数来确定BP网络输入层接点数目。表示KQ-200型潜孔钻机故障主要征兆有：冲击钻头无法工作、冲击器没有压力、无法破碎岩石、无法正常回转、无法正常提升、不能正常行走、无法正常制动、钻杆无法正常限位等。例如，KQ-200型潜孔钻机系统输入层节点数选取16个即可达到诊断其主要故障的要求；而对KQ-200型潜孔钻机系统中的提升功能失效来说，有提升变速箱状态，提升电机温度，提升轨道磨损等5个主要监测参数，输入层节点数选为5个。（2）隐层参数的选取已有的经验表明，采取单隐层BP网络结构已经能够解决非线形映射问题，具有Sigmoid激励函数的三层非线形BP网络能够任意精度逼近任何连续性函数，因此，本文的故障诊断模型选用了单隐层BP网络结构。其隐层节点数的选取，与潜孔钻机系统的样本数量及其数值、输入层接点数目、输出层接点数目等有关，考虑到隐层接点数过大，则网络结构较为复杂，网络收敛速度则会大幅度降低，反之，隐层接点数目过少，则网络结构过于简单，又会降低神经网络的泛化能力，网络有可能导致不收敛，而现阶段尚无成熟的理论作为依据，因此本文在后面通过具体实例对隐层节点数的选取进行分析。（3）输出层接点数根据诊断对象的性质和样本训练的方式来确定。在本文中，针对KQ-200型潜孔钻机系统的每一种具体故障整理一组独立的样本集，这些样本集能够表征出这类故障所有相关参数的特征。以KQ-200型潜孔钻机提升机构无法正常提升为例，在对其相关样本训练后，会得到一组关于KQ-200型潜孔钻机提升机构无法正常提升故障的知识规则，把这组数据存储在数据库当中，在进行故障诊断时，调出这组数据，则诊断结果也肯定只会是KQ-200型潜孔钻机提升机构无法正常提升这一故障，所以此时输出层模式只有一种，因而输出层接点数目就选为一个；对潜孔钻机系统整个系统来说有9种故障，所以输出接点数就选为9个。从以上可以看出，本文对KQ-200型潜孔钻机系统的所有故障集进行了分解，每种故障如KQ-200型潜孔钻机提升机构无法正常提升、钻头失去动力等各个故障的训练和故障识别工作，篇幅有限，在此不做详解，只以KQ-200型潜孔钻机提升功能故障为例，其BP神经网络识别见图4.1。输入层输入层隐层输出层提升功能失效提升滑道磨损提升链条磨损提升抱闸线圈老化度提升减速箱齿轮磨损提升电机温度过高┆图4.1KQ-200型潜孔钻机提升功能BP网络识别4.1.2网络训练通过BP神经网络对故障样本进行训练时，本文选取了对网络的学习误差及收敛速度影响较大的网络参数，如网络的隐层节点数，训练的学习率（定学习率,自适应学习率）等参数进行了分析，以利于提高网络训练精度和速度。下面以潜孔钻机提升失效故障诊断为例，BP网络如图4.1所示，采用一个输入层节点数为5，隐层节点数为3，输出层节点为1的三层BP网络对其样本进行训练。下面，首先探讨在学习误差为0.01，按自适应学习率方式下隐层节点数样本训练迭代次数间的变化关系，以确定各实例网络的隐层节点数；然后再探讨学习率与迭代次数及学习误差间的关系，以便对不同样本和不同故障进行比较。（1）改变隐层节点数如图4.2示出了隐层节点数与训练迭代次数的变化规律，由曲线可知潜孔钻机提升功能失效故障诊断的BP网络的隐层节点数为3时，其训练迭代次数最少；据此便可确定这个实例的隐层节点数为3。显然，不同样本以及不同的故障应选取的隐层节点数有所差别，这是因为网络隐层节点数的多少影响到故障样本集的训练过程，当隐层节点增多时，网络的非线形化能力加强，训练迭代次数同时也会极大地增加。隐层节点数隐层节点数迭代次数图4.2隐层节点数与迭代次数关系曲线（2）定学习率（η）①改变定学习率采用定学习率时，通过BP网络对实例样本进行训练得到定学习率与训练迭代次数的关系如图4.3所示，即训练迭代次数随定学习率增大而逐渐减小，这是因学习率增大，训练过程中迭代步长增大，迭代速度加快，因而迭代次数减少；因此在保证收敛的前提下，应尽量选取较大学习率；从图4.3曲线可知，当η=0.95时训练迭代次数最小，再增加学习率，训练迭代次数反而增大，显然，在以0、1为征兆量的潜孔钻机提升系统故障样本训练时选η=0.95比较合适。迭代次数迭代次数定学习率图4.3训练迭代次数与定学习率关系曲线②训练过程中学习误差的变化在定学习率情况下，各实例样本在训练过程中学习误差变化曲线如图4.4所示，皆随迭代次数的增加而逐渐减小，在开始部分误差减小较快，出现了局部最小点情况，引起学习误差突增，越过此局部最小点后，又可进行正常训练过程，直到学习误差达到最小值。由曲线可知，潜孔钻机提升系统故障样本训练时有10次。22046学习迭代次数46810131655523731192325283440434649学习误差图4.4训练过程中学习误差变化曲线由以上实例分析可知，建立潜孔挖机提升系统故障诊断BP网络模型和进行样本训练时，必需合适选取隐层节点数及网络学习参数，使网络进行样本训练时能避免局部极小点问题，同时提高网络的学习速度并且尽可能提高诊断精度。4.2BP算法在挖掘机故障诊断中的应用1.模型选择（1）输入层节点数的确定WK-4型挖掘机主要组成结构中，发生故障最多的组成结构：工作装置、回转机构和提升机构，这些结构经常发生的故障模式有勺杆开裂、开斗、勺斗、推压和提升电机损坏以及斗齿磨损等。经过对收集资料的整理分析，导致挖掘化故障的原因主要有零部件的磨损与损坏、电机过热导致电机烧坏等原因。挖掘机各主要结构的故障模式造成的故障影响主要有；影响正常护挖矿岩、影响正常排卸矿岩、工作装置无法回转和无法正常行走等。KW-4挖掘机系统输入层节点数选取11个即可达到诊断其主要故障的要求；而KW-4挖掘机系统中的工作装置失效来说，有斗齿磨损状态，斗勺磨损状态，斗杆磨损状态、推压电机状态、开斗电机状态等5个主要监测参数，输入层节点数选为5个。（2）隐层参数的选取隐层节点数的选取，与KW-4型挖掘机系统的样本数量及其数值、输入层接点数目、输出层接点数目等有关，考虑到隐层接点数过大，则网络结构较为复杂，网络收敛速度则会大幅度降低，反之，隐层接点数目过少，则网络结构过于简单，又会降低神经网络的泛化能力，网络有可能导致不收敛，而现阶段尚无成熟的理论作为依据，因此本文在后面通过具体实例对隐层节点数的选取进行分析。（3）输出层节点数根据诊断对象的性质和样本训练的方式来确定。本文对KW-4型挖机系统的所有故障集进行了分解，每种故障如KW-4型挖机工作装置无法正常铲挖、无法正常提升、无法正常排卸岩石、无法正常回转、无法正常行走等等各个故障的训练和故障识别工作，篇幅有限，在此不做详解，只以KW-4型挖机工作装置故障为例，其BP神经网络识别见图4.5。输入层输入层隐层输出层工作装置功能失效斗杆磨损状态推压电机状态开斗电机状态斗齿磨损状况斗勺磨损状况┆图4.5KW-4型挖机工作装置故障BP网络识别2.网络训练下面以KW-4型挖机工作装置故障诊断为例，BP网络如图4.5所示，采用一个输入层节点数为5，隐层节点数为3，输出层节点为1的三层BP网络对其样本进行训练。（1）改变隐层节点数如图4.6示出了隐层节点数与训练迭代次数的变化规律，由曲线可知KW-4型挖机工作装置故障诊断的BP网络的隐层节点数为3时，其训练迭代次数最少；据此便可确定这个实例的隐层节点数为3。显然，不同样本以及不同的故障应选取的隐层节点数有所差别，这是因为网络隐层节点数的多少影响到故障样本集的训练过程，当隐层节点增多时，网络的非线形化能力加强，训练迭代次数同时也会极大地增加。88234567120140160180迭代次数隐层节点数图4.6KW-4型挖机工作装置故障BP网络隐层节点数与迭代次数关系曲线（2）定学习率（η）①改变定学习率采用定学习率时，通过BP网络对实例样本进行训练得到定学习率与训练迭代次数的关系如图4.7所示，即训练迭代次数随定学习率增大而逐渐减小，这是因学习率增大，训练过程中迭代步长增大，迭代速度加快，因而迭代次数减少；因此在保证收敛的前提下，应尽量选取较大学习率；从图4.7曲线可知，当η=0.95时训练迭代次数最小，再增加学习率，训练迭代次数反而增大，显然，在以0、1为征兆量的KW-4型挖机工作装置系统故障样本训练时选η=0.8比较合适。0.60.7200400600800训练迭代次数定学习率图4.7KW-4型挖机工作装置故障BP网络训练迭代次数与定学习率关系曲线②训练过程中学习误差的变化在定学习率情况下，各实例样本在训练过程中学习误差变化曲线如图4.8所示，皆随迭代次数的增加而逐渐减小，在开始部分误差减小较快，出现了局部最小点情况，引起学习误差突增，越过此局部最小点后，又可进行正常训练过程，直到学习误差达到最小值。由曲线可知，KW-4型挖掘机提升系统故障样本训练时有10次。1132学习误差1822354759728194105125147160185迭代次数图4.8KW-4型挖机工作装置故障BP网络训练过程中学习误差变化曲线由以上实例分析可知，建立KW-4型挖掘机工作装置系统故障诊断BP网络模型和进行样本训练时，必需合适选取隐层节点数及网络学习参数，使网络进行样本训练时能避免局部极小点问题，同时提高网络的学习速度并且尽可能提高诊断精度。4.3BP算法在矿用汽车故障诊断中的应用1.模型选择（1）输入层节点数的确定3305Ｆ型汽车主要组成结构中，发生故障最多的组成结构：行驶系、发动机和转向系，它们所对应的主要故障模式有发动机漏油或进水、锅轮增压器损坏、散热器漏气、变速箱故障、减震器损坏、车轮故障等。导致汽车故障的原因主要有零部件的磨损、老化、损坏、轮胎损坏、齿轮损坏等原因。汽车各主要结构的故障模式造成的故障影响主要有；无法提供动力行驶、无法正常传递动力、无法正常行驶和行驶制动失效等。3305Ｆ型汽车系统输入层节点数选取12个即可达到诊断其主要故障的要求；而3305Ｆ型汽车无法正常行驶故障来说，发动机密封老化、涡轮增压器零件损坏、散热器零件老化、变速箱齿轮损坏、变速箱漏油、差速器零件损坏、传动轴磨损情况、减震器状态、轮胎状态、转向节状态等10个主要监测参数，输入层节点数选为10个。（2）隐层参数的选取隐层节点数的选取现阶段尚无成熟的理论作为依据，因此本文在后面通过具体实例对隐层节点数的选取进行分析。（3）输出层节点数根据诊断对象的性质和样本训练的方式来确定。本文对3305Ｆ型汽车系统的所有故障集进行了分解，每种故障如3305Ｆ型汽车无法正常行驶、无法正常制动等各个故障的训练和故障识别工作，篇幅有限，在此不做详解，只以3305Ｆ型汽车无法正常行驶为例，其BP神经网络识别见图4.9。输入层输入层隐层输出层无法正常行驶散热器状态变速箱齿轮状态变速箱密封圈状态发动机密封圈状态涡轮增加器状态┆差速器状态传动轴磨损情况减震器状态转向节状态轮胎状态图4.93305Ｆ型汽车无法正常行驶故障BP网络识别2.网络训练下面以3305Ｆ型汽车无法正常故障诊断为例，BP网络如图4.9所示，采用一个输入层节点数为10，隐层节点数为3，输出层节点为1的三层BP网络对其样本进行训练。（1）改变隐层节点数如图4.10示出了隐层节点数与训练迭代次数的变化规律，由曲线可知3305Ｆ型汽车无法正常行驶故障诊断的BP网络的隐层节点数为4时，其训练迭代次数最少；据此便可确定这个实例的隐层节点数为4。显然，不同样本以及不同的故障应选取的隐层节点数有所差别，这是因为网络隐层节点数的多少影响到故障样本集的训练过程，当隐层节点增多时，网络的非线形化能力加强，训练迭代次数同时也会极大地增加。99245678200400600800迭代次数隐层节点数3图4.103305Ｆ型汽车无法正常行驶故障BP网络隐层节点数与迭代次数关系曲线（2）定学习率（η）①改变定学习率采用定学习率时，通过BP网络对实例样本进行训练得到定学习率与训练迭代次数的关系如图4.11所示，即训练迭代次数随定学习率增大而逐渐减小，这是因学习率增大，训练过程中迭代步长增大，迭代速度加快，因而迭代次数减少；因此在保证收敛的前提下，应尽量选取较大学习率；从图4.11曲线可知，在以0、1为征兆量的3305Ｆ型汽车无法正常行驶故障样本训练时选η=0.95比较合适。0.850.850.250.350.450.550.650.75200400600800训练迭代次数定学习率0.95图4.113305Ｆ型汽车无法正常行驶故障BP网络训练迭代次数与定学习率关系曲线②训练过程中学习误差的变化在定学习率情况下，各实例样本在训练过程中学习误差变化曲线如图4.12所示，皆随迭代次数的增加而逐渐减小，在开始部分误差减小较快，出现了局部最小点情况，引起学习误差突增，越过此局部最小点后，又可进行正常训练过程，直到学习误差达到最小值。由曲线可知，3305Ｆ型汽车无法正常行驶故障样本训练时有100次。0.4学习误差2022354759728194105119100147185训练迭代次数33图4.123305Ｆ型汽车无法正常行驶故障BP网络训练过程中学习误差变化曲线由以上实例分析可知，建立3305Ｆ型汽车无法正常行驶故障诊断BP网络模型和进行样本训练时，必需合适选取隐层节点数及网络学习参数，使网络进行样本训练时能避免局部极小点问题，同时提高网络的学习速度并且尽可能提高诊断精度。5.结论与展望5.1结论煤矿生产中，各种生产设备对于煤炭生产具有重要影响。在露天煤矿，穿孔设备、运输设备、护装设备是否正常运行不但会影响煤矿的生产能力，同时对于煤矿生产的成本管理也具有重要影响。在露天煤矿，采装设备的运行环境较为恶劣，同时运行时间较长，在运行过程中必然会出现各种故障，采装设备一旦出现故障就会影响煤矿正常生产。BP神经网络技术是一种典型的人工网络分析技术，被广泛应用于系统故障诊断中。BP神经网络具有容错能力强、泛化能力强、非线性映射能力强等特点，在故障诊断中具有一定的先天优势。应用BP神经网络进行故障诊断不但可以诊断出故障，同时还能对故障类型进行分析，从而更快确定故障维修方案。本文矿山生产系统中最具代表性的钻机、挖掘机、汽车三种设备为研究对象，根据设备的参数、故障特征、原因、影响为数据依据，完成了以下研究内容：（1）BP神经网络在设备故障诊断中的应用；（2）露天煤矿采装设备各技术参数、常见故障以及故障产生的原因、主要特征等，出于精力及篇幅考虑，本研究选择潜孔钻机、挖机、矿用装载汽车这三种最常用设备进行研究；（3）BP算法在采装设备故障中诊断中的应用，包括构建BP神经网络模型、网络训练、仿真实验等。本研究得出以下结论：（1）BP神经网络可以对训练过的过程知识进行存储，并从历史数据中进行学习。运用BP神经网络进行故障诊断，BP神经网络可以对历史故障数据进行存储，并将当前数据和历史进行数据进行对比分析，从而确定故障的发生概率。同时BP神经网络具有较强的容错能力，因此其诊断过程以及诊断结果受到噪声的影响较小。（2）造成潜孔钻机发生故障的因素大体有零部件磨损严重、老化、密封不严、电机烧坏、漏油和管路破损等原因。潜孔钻机各主要结构的故障模式造成的故障影响主要有；无动力输出、电机不能正常制动、无法传递动力和电路系统失效等。（3）导致挖掘化故障的原因主要有零部件的磨损与损坏、电机过热导致电机烧坏等原因。挖掘机各主要结构的故障模式造成的故障影响主要有；影响正常护挖矿岩、影响正常排卸矿岩、工作装置无法回转和无法正常行走等。（4）导致汽车故障的原因主要有零部件的磨损、老化、损坏、轮胎损坏、齿轮损坏等原因。汽车各主要结构的故障模式造成的故障影响主要有；无法提供动力行驶、无法正常传递动力、无法正常行驶和行驶制动失效等。（5）建立系统故障诊断BP网络模型和进行样本训练时，必需合适选取隐层节点数及网络学习参数，使网络进行样本训练时能避免局部极小点问题，同时提高网络的学习速度并且尽可能提高诊断精度。5.2不足与展望本研究中还存在以下不足，如对于采装设备故障原因的分析不够彻底和全面、BP算法在采装设备故障诊断中应用描述不够彻底、参数选择描述不清楚等，在后续研究中需要加以改进。参考文献高社生,张玲霞.系统安全工程[M].北京:国防出版社,2002：236-243[2]熊润铭.矿山设备管理现状及改进措施探讨[J].化工矿物与加工,2010(3):39-41[3]肖新建.2018年煤炭供需形势分析及2019年展望[J].中国能源,2019,41(02):9-12.[4]任乾.煤矿采矿安全管理及其事故防范[J].山东工业技术,2019(10):98.[5]SongJiu,ZhiliZhou,JiyinLiu.Theequipmentmaintenanceschedulingprobleminacoalproductionsystem[J].InternationalJournalofProductionResearch,2013,51(17).[6]RuipingHU,HonghuaYANG,BeijiaHU.Effectiveness-BasedMethodforEquipmentMaintenanceEvaluation[J].ManagementScienceandEngineering,2012,6(4).[7]张燕红.电机常见故障判断分析及处理方法[J].山东工业技术,2019(10):145.[8]耿斌.人工智能在计算机网络技术中的运用探析[J].山东工业技术,2019(08):173-174.[9]彭驿茹.人工神经网络发展历史与训练算法概述[J].科技传播,2018,10(21):129-130.[10]赵广智.基于结构化神经网络的煤矿输送机同步带传动精度预测[J].煤炭技术,2017,36(03):249-251.[11]胡瑞卿.基于人工神经网络的煤矿安全评价研究[D].安徽理工大学,2015.[12]张永强,马宪民,徐美惠.煤矿旋转机电设备的量子神经网络故障诊断技术[J].工矿自动化,2015,41(04):64-68.[13]武晓旭,龚孔成,贾明涛.煤矿事故预测的指数平滑-BP神经网络混合模型研究[J].中国安全生产科学技术,2014,10(09):165-169.[14]郑来伟.基于状态监测的煤矿设备维修管理[D].西安科技大学,2009[15]王亚.露天潜孔钻机在江铜集团银山矿业公司的应用[J].矿山技术,2009，9(6):37-38[16]李晓豁.露天采矿机械[M].冶金工业出版社,2010[17]李炳文,万丽荣,柴光远.矿山机械[M].徐州:中国矿业大学出版社,2010.[18]刘玲,张西,汪琳娜.故障诊断技术的现状与发展[J].电子测试,2016,02(04):62-63.[19]黄文生,李东侠.基于BP神经网络的故障诊断仿真研究[J].电子工程师,2006,32(6)：51-53[20]王仕军,欧阳宇珉,邓邦.机械设备故障诊断技术及其发展趋势[J].中国高新技术企业,2015,29:72-73[21]LiangZhichengetal.AportableMuti-functionreal-timedigitalsimulatordedicatedtoprotectiverelaytesting[J].ElectricityCSEE/VOL9N0.4:27-29.[22]彭学前.采煤机故障诊断与故障预测研究[D].南京:南京理工大学,2013.[23]飞思科技产品研发中心.神经网络理论与MATLAB7实现[M].北京:电子工业出版社,2005.[24]侯媛彬,杜京义,汪梅.神经网路[M].西安:西安电子科技大学出版社,2007[25]苏崇宇,汪毓铎.基于改进的自适应遗传算法优化BP神经网络[J].工业控制计算机,2019,32(01):67-69.[26]YueWen.StudyofFaultDiagnosisforRollingBearingBasedonGA-BPAlgorithm[A].ResearchInstituteofManagementScienceandIndustrialEngineering.Proceedingsof20172ndInternationalConferenceonAutomation,MechanicalControlandComputationalEngineering(AMCCE2017)[C].ResearchInstituteofManagementScienceandIndustrialEngineering:(ComputerScienceandElectronicTechnologyInternationalSociety),2017:6.[27]Ci-yongWANG.ANovelGA-BPBasedBiddingPredictionAlgorithmforContractLogisticsofRoadFreightTransportation[A].AdvancedScienceandIndustryResearchCenter.Proceedingsof2018InternationalConferenceonEducationReformandManagementScience（ERMS2018）[C].AdvancedSc