【BP算法在采裝設(shè)備故障診斷中的應(yīng)用探究19000字（論文）】

BP算法在采裝設(shè)備故障診斷中的應(yīng)用研究摘要目前來看，煤炭仍然是我國(guó)國(guó)民經(jīng)濟(jì)發(fā)展中重要的能源，煤炭生產(chǎn)對(duì)于國(guó)民經(jīng)濟(jì)發(fā)展具有至關(guān)重要的作用。在露天煤礦生產(chǎn)中，保障采裝設(shè)備運(yùn)行穩(wěn)定性就成為必須要考慮的問題?；诖耍狙芯窟x擇露天礦采裝設(shè)備的故障監(jiān)測(cè)及控制作為研究對(duì)象。研究?jī)?nèi)容包括：BP神經(jīng)網(wǎng)絡(luò)在設(shè)備故障診斷中的應(yīng)用；露天煤礦采裝設(shè)備各技術(shù)參數(shù)、常見故障以及故障產(chǎn)生的原因、主要特征等，出于精力及篇幅考慮，本研究選擇潛孔鉆機(jī)、挖機(jī)、礦用裝載汽車這三種最常用設(shè)備進(jìn)行研究；BP算法在采裝設(shè)備故障中診斷中的應(yīng)用，包括構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型、網(wǎng)絡(luò)訓(xùn)練、仿真實(shí)驗(yàn)等。本研究以BP算法理論為基礎(chǔ)，對(duì)BP算法在露天煤礦采裝設(shè)備故障診斷中的應(yīng)用問題進(jìn)行研究，對(duì)具體應(yīng)用過程及應(yīng)用結(jié)論進(jìn)行分析，在一定程度上豐富了BP算法應(yīng)用理論及礦山采裝設(shè)備故障管理理論；其次選擇了潛孔鉆機(jī)、挖機(jī)、礦用汽車這三種常用采裝設(shè)備作為研究對(duì)象，對(duì)BP算法在故障診斷中的具體應(yīng)用過程進(jìn)行闡述，具有一定的實(shí)用性，對(duì)煤礦其他設(shè)備的故障診斷也具有一定的實(shí)踐指導(dǎo)意義。關(guān)鍵字：BP神經(jīng)網(wǎng)絡(luò)故障診斷采裝設(shè)備目錄TOC\o"1-3"\h\u6675摘要 ③輸出層節(jié)點(diǎn)1的輸入（2.3）輸出（2.4）這樣，就得到網(wǎng)絡(luò)在一組初始連接權(quán)值及閾值的條件下，對(duì)應(yīng)某一訓(xùn)練輸入樣本，網(wǎng)絡(luò)的計(jì)算輸出值。此時(shí)所得到的網(wǎng)絡(luò)計(jì)算值與目標(biāo)輸出值可能又一定誤差，具體表現(xiàn)為：?jiǎn)螛颖菊`差（2.5）樣本總誤差（2.6）平均誤差（2.7）一般情況下，此時(shí)網(wǎng)絡(luò)對(duì)應(yīng)某一輸入樣本的計(jì)算輸出與其相應(yīng)的目標(biāo)輸出間有較大的誤差，因此需要進(jìn)行連接權(quán)值和閾值的修正，即進(jìn)行誤差反向傳播計(jì)算。（2）誤差反向傳播由于BP網(wǎng)絡(luò)訓(xùn)練算法有單樣本訓(xùn)練算法和批處理算法兩種方法。前者是朝著減小的方向來修正權(quán)值和閾值；后者是朝著E減小的方向來修正權(quán)值和閾值，由此可知單樣本訓(xùn)練算法為批處理算法的基礎(chǔ)。這主要體現(xiàn)在網(wǎng)絡(luò)的誤差反向傳播計(jì)算中。本文對(duì)露天煤礦采裝設(shè)備故障樣本集的訓(xùn)練采用批處理算法。由梯度下降法修正后得到對(duì)應(yīng)第q個(gè)樣本的網(wǎng)絡(luò)隱層節(jié)點(diǎn)與輸入層節(jié)點(diǎn)的連接權(quán)及閾值的修正量為（2.8）其中為學(xué)習(xí)率。對(duì)于學(xué)習(xí)率一般取為，改進(jìn)方式則可以選擇自適應(yīng)學(xué)習(xí)率。對(duì)于上式，繼續(xù)推導(dǎo)（2.8）其中稱為網(wǎng)絡(luò)隱層節(jié)點(diǎn)的學(xué)習(xí)誤差，所以同理推得（2.9）（2.10）（2.11）（2.12）下面推導(dǎo)和的計(jì)算公式，對(duì)于輸出節(jié)點(diǎn)1（2.13）對(duì)于隱層節(jié)點(diǎn)（2.14）因（2.15）可得可見，在計(jì)算BP網(wǎng)絡(luò)隱層各節(jié)點(diǎn)的學(xué)習(xí)誤差時(shí)，需首先計(jì)算輸出層各節(jié)點(diǎn)的學(xué)習(xí)誤差，即節(jié)點(diǎn)誤差的計(jì)算是先從輸出層開始然后再向隱層方向計(jì)算，所以BP網(wǎng)絡(luò)才稱之為反向傳播計(jì)算的前向網(wǎng)絡(luò)。（3）自適應(yīng)學(xué)習(xí)率在本文中，學(xué)習(xí)率有兩種選取方式，一是定學(xué)習(xí)率，二是自適應(yīng)學(xué)習(xí)率，為了選取一種更適合于本文樣本訓(xùn)練的方法，對(duì)以上兩種方法進(jìn)行了比較。定學(xué)習(xí)率相對(duì)較為簡(jiǎn)單，無論在什么情況下都選取[0~1]間的定值進(jìn)行迭代計(jì)算，而自適應(yīng)學(xué)習(xí)率則經(jīng)下列過程進(jìn)行導(dǎo)出：（2.16）且：（2.17）當(dāng)樣本數(shù)很大時(shí)，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）可見，BP網(wǎng)絡(luò)經(jīng)過第次迭代以后，其系統(tǒng)誤差的減小量的近似值等于網(wǎng)絡(luò)在第次迭代時(shí)的平均誤差。因?yàn)?；所以?.22）其中。上式即反映出了BP網(wǎng)絡(luò)誤差曲面陡度的變化情況。所以BP神經(jīng)網(wǎng)絡(luò)自適應(yīng)學(xué)習(xí)率的理論公式為（2.23）可見，BP網(wǎng)絡(luò)的學(xué)習(xí)率完全由網(wǎng)絡(luò)當(dāng)時(shí)的平均誤差、輸出層和隱層的學(xué)習(xí)誤差、輸入層和隱層的輸出及網(wǎng)絡(luò)的結(jié)構(gòu)所決定。（4）流程框圖BP網(wǎng)絡(luò)批處理算法的流程如圖2.4所示：初始化網(wǎng)絡(luò)給定樣本輸入和目標(biāo)輸出初始化網(wǎng)絡(luò)給定樣本輸入和目標(biāo)輸出求各樣本隱層和輸出層各單元的輸出求目標(biāo)值與實(shí)際輸出的總誤差計(jì)算隱層和輸出層各節(jié)點(diǎn)學(xué)習(xí)誤差求誤差梯度權(quán)值學(xué)習(xí)誤差滿足要求結(jié)束YESNO圖2.4BP算法流程2.2BP神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用2.2.1基于BP神經(jīng)網(wǎng)絡(luò)診斷的特點(diǎn)神經(jīng)網(wǎng)絡(luò)與故障診斷的結(jié)合是故障檢測(cè)的一大革新，神經(jīng)網(wǎng)絡(luò)的全稱為ANN，它以生物體內(nèi)的神經(jīng)結(jié)構(gòu)功能為原型模擬所成。該技術(shù)體系是通過計(jì)算機(jī)模擬生物體內(nèi)的神經(jīng)元結(jié)構(gòu)，能夠有效解決傳統(tǒng)物理系統(tǒng)所無法解決的問題。雖然，ANN與真實(shí)生物體神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)有著本質(zhì)區(qū)別，但它卻吸收了的生物神經(jīng)網(wǎng)絡(luò)的部分原有特質(zhì)，具體來講，其優(yōu)勢(shì)特性主要表現(xiàn)在如下幾方面：一是ANN是由多個(gè)微小的管理控制單元構(gòu)成，每個(gè)單元的功能雖然比較單一，處理能力不強(qiáng)，但是通過人工神經(jīng)單元的復(fù)合起來，卻能使功能強(qiáng)大起來，這種復(fù)合方式構(gòu)建了一個(gè)完整的體系，大大加強(qiáng)了ANN處理數(shù)據(jù)的能力。二是ANN信息忙存于神經(jīng)元系統(tǒng)之上，并以分布式儲(chǔ)存為主要方式。單個(gè)神經(jīng)元無法提取重要信息，只有通過神經(jīng)元與神經(jīng)元之間按照一定的順序來進(jìn)行提取。這樣不僅僅可以使每個(gè)神經(jīng)元之間加強(qiáng)相互聯(lián)系，還可以解決ANN記憶的安全問題。三是ANN容錯(cuò)特性極高，假使少部分神經(jīng)元被破壞，但大部分神經(jīng)元仍可正常運(yùn)。并不會(huì)對(duì)整體神經(jīng)元結(jié)構(gòu)產(chǎn)生影響。這樣保證了ANN不會(huì)因?yàn)椴糠值纳窠?jīng)元被破壞使整個(gè)系統(tǒng)無法正常的運(yùn)行。四是ANN具有極強(qiáng)的學(xué)習(xí)功能，這是因?yàn)橥ㄟ^學(xué)習(xí)訓(xùn)練，神經(jīng)元之間的連接結(jié)構(gòu)便能夠形成。2.2.2神經(jīng)網(wǎng)絡(luò)故障診斷原理利用ANN能夠區(qū)分故障類型、歸類相似故障、預(yù)測(cè)可能產(chǎn)生的故障等。學(xué)習(xí)、訓(xùn)練神經(jīng)網(wǎng)絡(luò)需有與之相匹配的數(shù)據(jù)作為基礎(chǔ)資料，把學(xué)到的知識(shí)體系以權(quán)值調(diào)整的方式進(jìn)行儲(chǔ)存，并從數(shù)據(jù)資料中搜尋所需要的隱含知識(shí)層。因采礦設(shè)備故障零部件類型多，彼此之間的關(guān)聯(lián)性較為緊密，故障表現(xiàn)形式也極具多樣性，所以，首先需要在神經(jīng)網(wǎng)絡(luò)體系中找出故障問題的主要特征、與之相對(duì)的評(píng)價(jià)數(shù)據(jù)，并以此數(shù)據(jù)資料訓(xùn)練神經(jīng)網(wǎng)絡(luò)。概括而言，BP算法的特點(diǎn)主要為：其一，它具有極強(qiáng)的非線性映射功能，解決實(shí)際問題的能力極佳；其二，BP網(wǎng)絡(luò)中信息的存It是分散的，加之其并行處理的特質(zhì)，更加提升了系統(tǒng)自身的容錯(cuò)性能；其三，它具有自學(xué)習(xí)與自適應(yīng)能力。在訓(xùn)練神經(jīng)網(wǎng)絡(luò)階段，能夠充分利用樣本資料進(jìn)行不間斷地歸納、總結(jié)、記憶、學(xué)習(xí)，并將e存的知識(shí)內(nèi)容映射至權(quán)值調(diào)整程序內(nèi)，方便以后對(duì)類似問題做快速判斷及修整。同時(shí)，這種學(xué)習(xí)也是在線進(jìn)行的；其四，該系統(tǒng)具有多重變量，且輸出變量的數(shù)量均是隨意的，由此極大地降低了各子系統(tǒng)間所產(chǎn)生的解賴問題。3.露天礦主要采裝設(shè)備及生產(chǎn)能力3.1露天礦常用采裝設(shè)備及技術(shù)參數(shù)3.1.1鉆機(jī)技術(shù)參數(shù)KQ-200型鉆機(jī)較早開始投入在我國(guó)的露天礦山的生產(chǎn)當(dāng)中，大多數(shù)礦山企業(yè)都采用該設(shè)備。作為眾多穿孔設(shè)備之一，在大型露天礦山生產(chǎn)中主要用于礦山的鉆鑿爆破。KQ-200型潛孔鉆機(jī)采用的是以電力為主、電和氣相結(jié)合的驅(qū)動(dòng)方式，其主要組成部分有機(jī)架、鉆架、液壓式的提升機(jī)構(gòu)、除塵設(shè)備等。KQ-200列潛孔鉆機(jī)技術(shù)參數(shù)如表3.1所示。表3.1KQ-200型潛孔鉆機(jī)技術(shù)參數(shù)名稱特征參數(shù)名稱特征參數(shù)鉆孔直徑/mm200-210提升能力/KN35鉆桿外徑/mm168行走方式電動(dòng)機(jī)——履帶鉆孔方向/（o）45-90爬坡能力/（o）14推進(jìn)長(zhǎng)度/m9.1鉆孔深度/m19適應(yīng)巖石硬度（）6-18回轉(zhuǎn)功率/KW153.1.2挖機(jī)技術(shù)參數(shù)WK-4型單斗挖掘機(jī)是一種履帶行走的電動(dòng)礦用機(jī)械正護(hù)式挖掘機(jī)，屬較大型的露天采掘機(jī)械設(shè)備，可用于千萬噸級(jí)的露天礦，也可用于建筑、水電等止方工程。WK-4型挖掘機(jī)的主要技術(shù)參數(shù)如表3.2所示。表3.2WK-4挖掘機(jī)技術(shù)參數(shù)名稱特征參數(shù)名稱特征參數(shù)鏟斗容積/m32最大卸載半徑/m12.6最大卸載高度/m6.3爬坡能力/（o）12挖掘深度/m3.4最大挖掘半徑/m14.4提升能力（t）45推壓能力（t）20.5行走速度（km/h）0.45設(shè)備重量（kg）180000提升速度/m*s-11最大挖掘高度/m礦用汽車技術(shù)參數(shù)3305Ｆ型礦用自卸汽車是在露天礦中的作用主要為礦巖的剝離及運(yùn)輸，是重型的自卸式汽車，運(yùn)輸路程相對(duì)短、載重量相對(duì)較大的工作特性，通常配合大型的電護(hù)設(shè)備一起使用，在采掘作業(yè)點(diǎn)和卻礦作業(yè)點(diǎn)來回穿梭。3305Ｆ型礦用自卸汽車的主要技術(shù)參數(shù)如表3.3所示。表3.33305F礦用汽車技術(shù)參數(shù)名稱特征參數(shù)名稱特征參數(shù)額定載重量（t）31容量（m3）16.1最高時(shí)速（km/h）54發(fā)動(dòng)機(jī)總功率（kw）261凈功率（kw）238外形尺寸（mm）7950×3590×38653.2設(shè)備常見故障3.2.1潛孔鉆機(jī)常見故障及特征經(jīng)過對(duì)維修記錄進(jìn)行統(tǒng)計(jì)分析可以得出，KQ-200型潛孔鉆機(jī)生產(chǎn)中可能出現(xiàn)的故障模式主要分布于哪些結(jié)構(gòu)中。根據(jù)維修記錄數(shù)據(jù)庫，對(duì)潛孔鉆機(jī)發(fā)生的故障進(jìn)行分類統(tǒng)計(jì)，就可知道該型鉆機(jī)主要組成結(jié)構(gòu)發(fā)生故障次數(shù)情況，鉆機(jī)的主要組成結(jié)構(gòu)的故障比例分布情況如圖3.1所示，從圖中可以看出故障占比最大的為推進(jìn)提升機(jī)構(gòu)，為30%。行走機(jī)構(gòu)和機(jī)架的故障占比分別為25%和22%，稍小于推進(jìn)提升機(jī)構(gòu)。回轉(zhuǎn)供風(fēng)機(jī)構(gòu)占比為12%，其中故障占比最小的為鉆具。經(jīng)分析，該型號(hào)潛孔鉆機(jī)發(fā)生故障最多的主要組成結(jié)構(gòu)有：推進(jìn)提升機(jī)構(gòu)、機(jī)架和行走機(jī)構(gòu)，這些結(jié)構(gòu)主要故障模式有設(shè)備磨損、斷裂，電機(jī)損壞和密封不嚴(yán)或老化嚴(yán)重等。為了能夠采取積極有效的預(yù)防的措施，就需要知道分析所得的故障模式的故障原因，然后才能針對(duì)故障發(fā)生的原因采取預(yù)防以及故障后的應(yīng)對(duì)措施。經(jīng)過對(duì)收集資料的整理分析，造成潛孔鉆機(jī)發(fā)生故障的因素大體有零部件磨損嚴(yán)重、老化、密封不嚴(yán)、電機(jī)燒壞、漏油和管路破損等原因。潛孔鉆機(jī)各主要結(jié)構(gòu)的故障模式造成的故障影響主要有；無動(dòng)力輸出、電機(jī)不能正常制動(dòng)、無法傳遞動(dòng)力和電路系統(tǒng)失效等。根據(jù)《故障模式、影響及危害性分析指南》GJB/Z1391，將故障模式造成的故障影響的嚴(yán)重程度劃分詳見表3.4。表3.4故障影響嚴(yán)酷度類別及定義嚴(yán)酷度類型嚴(yán)重程度定義Ⅰ類（慘重）設(shè)備無論在經(jīng)濟(jì)還是在受損方面都比較慘重Ⅱ類（嚴(yán)重）設(shè)備的損失程度以及經(jīng)濟(jì)上的損失比慘重較輕Ⅲ類（中等）設(shè)備的維修費(fèi)用相對(duì)較高，維修時(shí)間較長(zhǎng)Ⅳ類（輕度）設(shè)備維修時(shí)間較短，維修費(fèi)用較低KQ-200型潛孔鉆機(jī)各類故障及嚴(yán)重程度具體見表3.5。表3.5KQ-200型潛孔鉆機(jī)故障表結(jié)構(gòu)名稱故障模式故障原因故障影響嚴(yán)重等級(jí)鉆具沖擊器損壞油管開裂沖擊鉆頭無法工作Ⅳ鉆桿開裂磨損嚴(yán)重沖擊器沒有壓力Ⅳ鉆頭算壞磨損嚴(yán)重?zé)o法破碎巖石Ⅳ回轉(zhuǎn)供風(fēng)機(jī)構(gòu)回轉(zhuǎn)減速箱異常齒輪損壞無法傳遞回轉(zhuǎn)電機(jī)動(dòng)力Ⅲ回轉(zhuǎn)電機(jī)燒壞溫度過高無法為鉆機(jī)回轉(zhuǎn)提供動(dòng)力Ⅱ推進(jìn)提升機(jī)構(gòu)提升減速箱異常齒輪損壞無法傳遞提升電機(jī)動(dòng)力Ⅲ提升電機(jī)燒壞溫度過高無法提供推進(jìn)提升動(dòng)力Ⅱ提升滑道損壞過度磨損不能正常升降Ⅲ提升鏈條斷裂過度磨損無法傳遞動(dòng)力Ⅲ提升抱閘線圈損壞器件老化電機(jī)不能正常制動(dòng)Ⅳ鉆架鉆架軌道磨損長(zhǎng)期耗損不能正常升降Ⅲ鉆架定心環(huán)磨損長(zhǎng)期耗損無法對(duì)鉆桿限位Ⅳ機(jī)架空壓機(jī)電機(jī)燒壞溫度過高無動(dòng)力輸出Ⅱ空壓機(jī)油壓異常油管泄漏無壓力輸出Ⅳ空壓機(jī)電磁閥燒壞斷線短路不能正常制動(dòng)Ⅳ行走機(jī)構(gòu)行走鏈條斷裂過度磨損鉆機(jī)無法行走Ⅲ支重輪損壞溫度過高無法支撐鉆架重量Ⅲ行走電機(jī)燒壞過度磨損鉆架無法行走Ⅱ行走齒輪算壞過度磨損鉆機(jī)無法行走Ⅲ行走抱閘線圈損壞器件老化電機(jī)不能制動(dòng)Ⅳ3.2.2挖掘機(jī)常見故障及特征經(jīng)分析，該型挖掘機(jī)主要組成結(jié)構(gòu)中，發(fā)生故障最多的組成結(jié)構(gòu)：工作裝置、回轉(zhuǎn)機(jī)構(gòu)和提升機(jī)構(gòu)，這些結(jié)構(gòu)經(jīng)常發(fā)生的故障模式有勺桿開裂、開斗、勺斗、推壓和提升電機(jī)損壞以及斗齒磨損等。經(jīng)過對(duì)收集資料的整理分析，導(dǎo)致挖掘化故障的原因主要有零部件的磨損與損壞、電機(jī)過熱導(dǎo)致電機(jī)燒壞等原因。挖掘機(jī)各主要結(jié)構(gòu)的故障模式造成的故障影響主要有；影響正常護(hù)挖礦巖、影響正常排卸礦巖、工作裝置無法回轉(zhuǎn)和無法正常行走等。根據(jù)《故障模式、影響及危害性分析指南》GJB/Z1391，將故障模式造成的故障影響的嚴(yán)重程度按如表3.4所示進(jìn)行嚴(yán)酷度級(jí)別劃分。WK-4型挖掘機(jī)各類故障及嚴(yán)重程度具體見表3.6。表3.6WK-4型挖掘機(jī)各類故障及嚴(yán)重程度結(jié)構(gòu)名稱故障模式故障原因故障影響嚴(yán)重等級(jí)工作裝置斗齒損壞磨損過度無法正常鏟挖巖石Ⅳ勺斗/桿開裂磨損過度無法正常鏟挖巖石Ⅲ推壓電機(jī)燒壞負(fù)載過大無法給鏟斗提供推壓Ⅱ開斗電機(jī)燒壞負(fù)載過大無法排卸巖石Ⅱ提升機(jī)構(gòu)提升機(jī)損壞零件損壞無法正常升降Ⅱ提升卷揚(yáng)軸斷裂磨損過度無法正常升降Ⅲ回轉(zhuǎn)機(jī)構(gòu)回轉(zhuǎn)電機(jī)損壞零件損壞無法回轉(zhuǎn)Ⅱ回轉(zhuǎn)減速箱故障零件損壞無法回轉(zhuǎn)Ⅲ回轉(zhuǎn)軸齒輪損壞磨損過度無法傳遞回轉(zhuǎn)動(dòng)力Ⅳ行走機(jī)構(gòu)主動(dòng)軸輪斷磨損過度無法正常行走Ⅲ行走履帶故障磨損過度無法正常行走Ⅳ3.2.3礦用汽車常見故障及特征經(jīng)分析，該型汽車主要組成結(jié)構(gòu)中，發(fā)生故障最多的組成結(jié)構(gòu)：行駛系、發(fā)動(dòng)機(jī)和轉(zhuǎn)向系，它們所對(duì)應(yīng)的主要故障模式有發(fā)動(dòng)機(jī)漏油或進(jìn)水、鍋輪增壓器損壞、散熱器漏氣、變速箱故障、減震器損壞、車輪故障等。為了能夠采取積極有效的預(yù)防的措施，就需要知道分析所得的故障模式的故障原因，然后才能針對(duì)故障發(fā)生的原因采取預(yù)防以及故障后的應(yīng)對(duì)措施。經(jīng)過對(duì)收集資料的整理分析，導(dǎo)致汽車故障的原因主要有零部件的磨損、老化、損壞、輪胎損壞、齒輪損壞等原因。汽車各主要結(jié)構(gòu)的故障模式造成的故障影響主要有；無法提供動(dòng)力行駛、無法正常傳遞動(dòng)力、無法正常行駛和行駛制動(dòng)失效等。根據(jù)《故障模式、影響及危害性分析指南》GJB/Z1391，將故障模式造成的故障影響的嚴(yán)重程度按如表3.4所示進(jìn)行嚴(yán)酷度級(jí)別劃分。3305F型礦用汽車各類故障及嚴(yán)重程度具體見表3.7。表3.73305F型礦用汽車各類故障及嚴(yán)重程度結(jié)構(gòu)名稱故障模式故障原因故障影響嚴(yán)重等級(jí)發(fā)動(dòng)機(jī)發(fā)動(dòng)機(jī)漏油進(jìn)水密封老化沒有動(dòng)力Ⅱ渦輪增壓器損壞零件損壞動(dòng)力減小Ⅲ散熱器漏氣零件老化發(fā)動(dòng)機(jī)無法正常工作Ⅳ傳動(dòng)系變速箱故障齒輪損壞/漏油沒有動(dòng)力傳輸Ⅱ差速器損壞零件損壞沒有動(dòng)力傳輸Ⅳ傳動(dòng)軸損壞零件磨損沒有動(dòng)力傳輸Ⅲ行駛系減震器損壞零件損壞無法正常行駛Ⅳ車輪故障輪胎損壞無法正常行駛Ⅲ轉(zhuǎn)向系轉(zhuǎn)向節(jié)損壞零件損壞無法正常轉(zhuǎn)向Ⅰ制動(dòng)系制動(dòng)片損壞過度磨損無法正常制動(dòng)Ⅲ制動(dòng)泵損壞使用過度無法正常制動(dòng)Ⅲ制動(dòng)液管路損壞老化無法正常制動(dòng)Ⅲ4.BP算法在采裝設(shè)備故障診斷中的應(yīng)用4.1BP算法在潛孔鉆機(jī)故障診斷中的應(yīng)用4.1.1構(gòu)建模型（1）輸入層節(jié)點(diǎn)數(shù)的確定一般依據(jù)引起故障發(fā)生的故障征兆數(shù)目來定。由于BP網(wǎng)絡(luò)在學(xué)習(xí)訓(xùn)練過程中，其學(xué)習(xí)次數(shù)與輸入層接點(diǎn)還有很大關(guān)系，輸入層接點(diǎn)數(shù)目增多，則訓(xùn)練次數(shù)會(huì)大幅度增加，因此為了減少BP網(wǎng)絡(luò)復(fù)雜度，使得學(xué)習(xí)次數(shù)降低，加快訓(xùn)練速度，對(duì)KQ-200型潛孔鉆機(jī)具體故障考慮其相關(guān)的監(jiān)測(cè)參數(shù)，只選取故障所涉及到的參數(shù)來確定BP網(wǎng)絡(luò)輸入層接點(diǎn)數(shù)目。表示KQ-200型潛孔鉆機(jī)故障主要征兆有：沖擊鉆頭無法工作、沖擊器沒有壓力、無法破碎巖石、無法正?；剞D(zhuǎn)、無法正常提升、不能正常行走、無法正常制動(dòng)、鉆桿無法正常限位等。例如，KQ-200型潛孔鉆機(jī)系統(tǒng)輸入層節(jié)點(diǎn)數(shù)選取16個(gè)即可達(dá)到診斷其主要故障的要求；而對(duì)KQ-200型潛孔鉆機(jī)系統(tǒng)中的提升功能失效來說，有提升變速箱狀態(tài)，提升電機(jī)溫度，提升軌道磨損等5個(gè)主要監(jiān)測(cè)參數(shù)，輸入層節(jié)點(diǎn)數(shù)選為5個(gè)。（2）隱層參數(shù)的選取已有的經(jīng)驗(yàn)表明，采取單隱層BP網(wǎng)絡(luò)結(jié)構(gòu)已經(jīng)能夠解決非線形映射問題，具有Sigmoid激勵(lì)函數(shù)的三層非線形BP網(wǎng)絡(luò)能夠任意精度逼近任何連續(xù)性函數(shù)，因此，本文的故障診斷模型選用了單隱層BP網(wǎng)絡(luò)結(jié)構(gòu)。其隱層節(jié)點(diǎn)數(shù)的選取，與潛孔鉆機(jī)系統(tǒng)的樣本數(shù)量及其數(shù)值、輸入層接點(diǎn)數(shù)目、輸出層接點(diǎn)數(shù)目等有關(guān)，考慮到隱層接點(diǎn)數(shù)過大，則網(wǎng)絡(luò)結(jié)構(gòu)較為復(fù)雜，網(wǎng)絡(luò)收斂速度則會(huì)大幅度降低，反之，隱層接點(diǎn)數(shù)目過少，則網(wǎng)絡(luò)結(jié)構(gòu)過于簡(jiǎn)單，又會(huì)降低神經(jīng)網(wǎng)絡(luò)的泛化能力，網(wǎng)絡(luò)有可能導(dǎo)致不收斂，而現(xiàn)階段尚無成熟的理論作為依據(jù)，因此本文在后面通過具體實(shí)例對(duì)隱層節(jié)點(diǎn)數(shù)的選取進(jìn)行分析。（3）輸出層接點(diǎn)數(shù)根據(jù)診斷對(duì)象的性質(zhì)和樣本訓(xùn)練的方式來確定。在本文中，針對(duì)KQ-200型潛孔鉆機(jī)系統(tǒng)的每一種具體故障整理一組獨(dú)立的樣本集，這些樣本集能夠表征出這類故障所有相關(guān)參數(shù)的特征。以KQ-200型潛孔鉆機(jī)提升機(jī)構(gòu)無法正常提升為例，在對(duì)其相關(guān)樣本訓(xùn)練后，會(huì)得到一組關(guān)于KQ-200型潛孔鉆機(jī)提升機(jī)構(gòu)無法正常提升故障的知識(shí)規(guī)則，把這組數(shù)據(jù)存儲(chǔ)在數(shù)據(jù)庫當(dāng)中，在進(jìn)行故障診斷時(shí)，調(diào)出這組數(shù)據(jù)，則診斷結(jié)果也肯定只會(huì)是KQ-200型潛孔鉆機(jī)提升機(jī)構(gòu)無法正常提升這一故障，所以此時(shí)輸出層模式只有一種，因而輸出層接點(diǎn)數(shù)目就選為一個(gè)；對(duì)潛孔鉆機(jī)系統(tǒng)整個(gè)系統(tǒng)來說有9種故障，所以輸出接點(diǎn)數(shù)就選為9個(gè)。從以上可以看出，本文對(duì)KQ-200型潛孔鉆機(jī)系統(tǒng)的所有故障集進(jìn)行了分解，每種故障如KQ-200型潛孔鉆機(jī)提升機(jī)構(gòu)無法正常提升、鉆頭失去動(dòng)力等各個(gè)故障的訓(xùn)練和故障識(shí)別工作，篇幅有限，在此不做詳解，只以KQ-200型潛孔鉆機(jī)提升功能故障為例，其BP神經(jīng)網(wǎng)絡(luò)識(shí)別見圖4.1。輸入層輸入層隱層輸出層提升功能失效提升滑道磨損提升鏈條磨損提升抱閘線圈老化度提升減速箱齒輪磨損提升電機(jī)溫度過高┆圖4.1KQ-200型潛孔鉆機(jī)提升功能BP網(wǎng)絡(luò)識(shí)別4.1.2網(wǎng)絡(luò)訓(xùn)練通過BP神經(jīng)網(wǎng)絡(luò)對(duì)故障樣本進(jìn)行訓(xùn)練時(shí)，本文選取了對(duì)網(wǎng)絡(luò)的學(xué)習(xí)誤差及收斂速度影響較大的網(wǎng)絡(luò)參數(shù)，如網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)，訓(xùn)練的學(xué)習(xí)率（定學(xué)習(xí)率,自適應(yīng)學(xué)習(xí)率）等參數(shù)進(jìn)行了分析，以利于提高網(wǎng)絡(luò)訓(xùn)練精度和速度。下面以潛孔鉆機(jī)提升失效故障診斷為例，BP網(wǎng)絡(luò)如圖4.1所示，采用一個(gè)輸入層節(jié)點(diǎn)數(shù)為5，隱層節(jié)點(diǎn)數(shù)為3，輸出層節(jié)點(diǎn)為1的三層BP網(wǎng)絡(luò)對(duì)其樣本進(jìn)行訓(xùn)練。下面，首先探討在學(xué)習(xí)誤差為0.01，按自適應(yīng)學(xué)習(xí)率方式下隱層節(jié)點(diǎn)數(shù)樣本訓(xùn)練迭代次數(shù)間的變化關(guān)系，以確定各實(shí)例網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)；然后再探討學(xué)習(xí)率與迭代次數(shù)及學(xué)習(xí)誤差間的關(guān)系，以便對(duì)不同樣本和不同故障進(jìn)行比較。（1）改變隱層節(jié)點(diǎn)數(shù)如圖4.2示出了隱層節(jié)點(diǎn)數(shù)與訓(xùn)練迭代次數(shù)的變化規(guī)律，由曲線可知潛孔鉆機(jī)提升功能失效故障診斷的BP網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)為3時(shí)，其訓(xùn)練迭代次數(shù)最少；據(jù)此便可確定這個(gè)實(shí)例的隱層節(jié)點(diǎn)數(shù)為3。顯然，不同樣本以及不同的故障應(yīng)選取的隱層節(jié)點(diǎn)數(shù)有所差別，這是因?yàn)榫W(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)的多少影響到故障樣本集的訓(xùn)練過程，當(dāng)隱層節(jié)點(diǎn)增多時(shí)，網(wǎng)絡(luò)的非線形化能力加強(qiáng)，訓(xùn)練迭代次數(shù)同時(shí)也會(huì)極大地增加。隱層節(jié)點(diǎn)數(shù)隱層節(jié)點(diǎn)數(shù)迭代次數(shù)圖4.2隱層節(jié)點(diǎn)數(shù)與迭代次數(shù)關(guān)系曲線（2）定學(xué)習(xí)率（η）①改變定學(xué)習(xí)率采用定學(xué)習(xí)率時(shí)，通過BP網(wǎng)絡(luò)對(duì)實(shí)例樣本進(jìn)行訓(xùn)練得到定學(xué)習(xí)率與訓(xùn)練迭代次數(shù)的關(guān)系如圖4.3所示，即訓(xùn)練迭代次數(shù)隨定學(xué)習(xí)率增大而逐漸減小，這是因?qū)W習(xí)率增大，訓(xùn)練過程中迭代步長(zhǎng)增大，迭代速度加快，因而迭代次數(shù)減少；因此在保證收斂的前提下，應(yīng)盡量選取較大學(xué)習(xí)率；從圖4.3曲線可知，當(dāng)η=0.95時(shí)訓(xùn)練迭代次數(shù)最小，再增加學(xué)習(xí)率，訓(xùn)練迭代次數(shù)反而增大，顯然，在以0、1為征兆量的潛孔鉆機(jī)提升系統(tǒng)故障樣本訓(xùn)練時(shí)選η=0.95比較合適。迭代次數(shù)迭代次數(shù)定學(xué)習(xí)率圖4.3訓(xùn)練迭代次數(shù)與定學(xué)習(xí)率關(guān)系曲線②訓(xùn)練過程中學(xué)習(xí)誤差的變化在定學(xué)習(xí)率情況下，各實(shí)例樣本在訓(xùn)練過程中學(xué)習(xí)誤差變化曲線如圖4.4所示，皆隨迭代次數(shù)的增加而逐漸減小，在開始部分誤差減小較快，出現(xiàn)了局部最小點(diǎn)情況，引起學(xué)習(xí)誤差突增，越過此局部最小點(diǎn)后，又可進(jìn)行正常訓(xùn)練過程，直到學(xué)習(xí)誤差達(dá)到最小值。由曲線可知，潛孔鉆機(jī)提升系統(tǒng)故障樣本訓(xùn)練時(shí)有10次。22046學(xué)習(xí)迭代次數(shù)46810131655523731192325283440434649學(xué)習(xí)誤差圖4.4訓(xùn)練過程中學(xué)習(xí)誤差變化曲線由以上實(shí)例分析可知，建立潛孔挖機(jī)提升系統(tǒng)故障診斷BP網(wǎng)絡(luò)模型和進(jìn)行樣本訓(xùn)練時(shí)，必需合適選取隱層節(jié)點(diǎn)數(shù)及網(wǎng)絡(luò)學(xué)習(xí)參數(shù)，使網(wǎng)絡(luò)進(jìn)行樣本訓(xùn)練時(shí)能避免局部極小點(diǎn)問題，同時(shí)提高網(wǎng)絡(luò)的學(xué)習(xí)速度并且盡可能提高診斷精度。4.2BP算法在挖掘機(jī)故障診斷中的應(yīng)用1.模型選擇（1）輸入層節(jié)點(diǎn)數(shù)的確定WK-4型挖掘機(jī)主要組成結(jié)構(gòu)中，發(fā)生故障最多的組成結(jié)構(gòu)：工作裝置、回轉(zhuǎn)機(jī)構(gòu)和提升機(jī)構(gòu)，這些結(jié)構(gòu)經(jīng)常發(fā)生的故障模式有勺桿開裂、開斗、勺斗、推壓和提升電機(jī)損壞以及斗齒磨損等。經(jīng)過對(duì)收集資料的整理分析，導(dǎo)致挖掘化故障的原因主要有零部件的磨損與損壞、電機(jī)過熱導(dǎo)致電機(jī)燒壞等原因。挖掘機(jī)各主要結(jié)構(gòu)的故障模式造成的故障影響主要有；影響正常護(hù)挖礦巖、影響正常排卸礦巖、工作裝置無法回轉(zhuǎn)和無法正常行走等。KW-4挖掘機(jī)系統(tǒng)輸入層節(jié)點(diǎn)數(shù)選取11個(gè)即可達(dá)到診斷其主要故障的要求；而KW-4挖掘機(jī)系統(tǒng)中的工作裝置失效來說，有斗齒磨損狀態(tài)，斗勺磨損狀態(tài)，斗桿磨損狀態(tài)、推壓電機(jī)狀態(tài)、開斗電機(jī)狀態(tài)等5個(gè)主要監(jiān)測(cè)參數(shù)，輸入層節(jié)點(diǎn)數(shù)選為5個(gè)。（2）隱層參數(shù)的選取隱層節(jié)點(diǎn)數(shù)的選取，與KW-4型挖掘機(jī)系統(tǒng)的樣本數(shù)量及其數(shù)值、輸入層接點(diǎn)數(shù)目、輸出層接點(diǎn)數(shù)目等有關(guān)，考慮到隱層接點(diǎn)數(shù)過大，則網(wǎng)絡(luò)結(jié)構(gòu)較為復(fù)雜，網(wǎng)絡(luò)收斂速度則會(huì)大幅度降低，反之，隱層接點(diǎn)數(shù)目過少，則網(wǎng)絡(luò)結(jié)構(gòu)過于簡(jiǎn)單，又會(huì)降低神經(jīng)網(wǎng)絡(luò)的泛化能力，網(wǎng)絡(luò)有可能導(dǎo)致不收斂，而現(xiàn)階段尚無成熟的理論作為依據(jù)，因此本文在后面通過具體實(shí)例對(duì)隱層節(jié)點(diǎn)數(shù)的選取進(jìn)行分析。（3）輸出層節(jié)點(diǎn)數(shù)根據(jù)診斷對(duì)象的性質(zhì)和樣本訓(xùn)練的方式來確定。本文對(duì)KW-4型挖機(jī)系統(tǒng)的所有故障集進(jìn)行了分解，每種故障如KW-4型挖機(jī)工作裝置無法正常鏟挖、無法正常提升、無法正常排卸巖石、無法正?；剞D(zhuǎn)、無法正常行走等等各個(gè)故障的訓(xùn)練和故障識(shí)別工作，篇幅有限，在此不做詳解，只以KW-4型挖機(jī)工作裝置故障為例，其BP神經(jīng)網(wǎng)絡(luò)識(shí)別見圖4.5。輸入層輸入層隱層輸出層工作裝置功能失效斗桿磨損狀態(tài)推壓電機(jī)狀態(tài)開斗電機(jī)狀態(tài)斗齒磨損狀況斗勺磨損狀況┆圖4.5KW-4型挖機(jī)工作裝置故障BP網(wǎng)絡(luò)識(shí)別2.網(wǎng)絡(luò)訓(xùn)練下面以KW-4型挖機(jī)工作裝置故障診斷為例，BP網(wǎng)絡(luò)如圖4.5所示，采用一個(gè)輸入層節(jié)點(diǎn)數(shù)為5，隱層節(jié)點(diǎn)數(shù)為3，輸出層節(jié)點(diǎn)為1的三層BP網(wǎng)絡(luò)對(duì)其樣本進(jìn)行訓(xùn)練。（1）改變隱層節(jié)點(diǎn)數(shù)如圖4.6示出了隱層節(jié)點(diǎn)數(shù)與訓(xùn)練迭代次數(shù)的變化規(guī)律，由曲線可知KW-4型挖機(jī)工作裝置故障診斷的BP網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)為3時(shí)，其訓(xùn)練迭代次數(shù)最少；據(jù)此便可確定這個(gè)實(shí)例的隱層節(jié)點(diǎn)數(shù)為3。顯然，不同樣本以及不同的故障應(yīng)選取的隱層節(jié)點(diǎn)數(shù)有所差別，這是因?yàn)榫W(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)的多少影響到故障樣本集的訓(xùn)練過程，當(dāng)隱層節(jié)點(diǎn)增多時(shí)，網(wǎng)絡(luò)的非線形化能力加強(qiáng)，訓(xùn)練迭代次數(shù)同時(shí)也會(huì)極大地增加。88234567120140160180迭代次數(shù)隱層節(jié)點(diǎn)數(shù)圖4.6KW-4型挖機(jī)工作裝置故障BP網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)與迭代次數(shù)關(guān)系曲線（2）定學(xué)習(xí)率（η）①改變定學(xué)習(xí)率采用定學(xué)習(xí)率時(shí)，通過BP網(wǎng)絡(luò)對(duì)實(shí)例樣本進(jìn)行訓(xùn)練得到定學(xué)習(xí)率與訓(xùn)練迭代次數(shù)的關(guān)系如圖4.7所示，即訓(xùn)練迭代次數(shù)隨定學(xué)習(xí)率增大而逐漸減小，這是因?qū)W習(xí)率增大，訓(xùn)練過程中迭代步長(zhǎng)增大，迭代速度加快，因而迭代次數(shù)減少；因此在保證收斂的前提下，應(yīng)盡量選取較大學(xué)習(xí)率；從圖4.7曲線可知，當(dāng)η=0.95時(shí)訓(xùn)練迭代次數(shù)最小，再增加學(xué)習(xí)率，訓(xùn)練迭代次數(shù)反而增大，顯然，在以0、1為征兆量的KW-4型挖機(jī)工作裝置系統(tǒng)故障樣本訓(xùn)練時(shí)選η=0.8比較合適。0.60.7200400600800訓(xùn)練迭代次數(shù)定學(xué)習(xí)率圖4.7KW-4型挖機(jī)工作裝置故障BP網(wǎng)絡(luò)訓(xùn)練迭代次數(shù)與定學(xué)習(xí)率關(guān)系曲線②訓(xùn)練過程中學(xué)習(xí)誤差的變化在定學(xué)習(xí)率情況下，各實(shí)例樣本在訓(xùn)練過程中學(xué)習(xí)誤差變化曲線如圖4.8所示，皆隨迭代次數(shù)的增加而逐漸減小，在開始部分誤差減小較快，出現(xiàn)了局部最小點(diǎn)情況，引起學(xué)習(xí)誤差突增，越過此局部最小點(diǎn)后，又可進(jìn)行正常訓(xùn)練過程，直到學(xué)習(xí)誤差達(dá)到最小值。由曲線可知，KW-4型挖掘機(jī)提升系統(tǒng)故障樣本訓(xùn)練時(shí)有10次。1132學(xué)習(xí)誤差1822354759728194105125147160185迭代次數(shù)圖4.8KW-4型挖機(jī)工作裝置故障BP網(wǎng)絡(luò)訓(xùn)練過程中學(xué)習(xí)誤差變化曲線由以上實(shí)例分析可知，建立KW-4型挖掘機(jī)工作裝置系統(tǒng)故障診斷BP網(wǎng)絡(luò)模型和進(jìn)行樣本訓(xùn)練時(shí)，必需合適選取隱層節(jié)點(diǎn)數(shù)及網(wǎng)絡(luò)學(xué)習(xí)參數(shù)，使網(wǎng)絡(luò)進(jìn)行樣本訓(xùn)練時(shí)能避免局部極小點(diǎn)問題，同時(shí)提高網(wǎng)絡(luò)的學(xué)習(xí)速度并且盡可能提高診斷精度。4.3BP算法在礦用汽車故障診斷中的應(yīng)用1.模型選擇（1）輸入層節(jié)點(diǎn)數(shù)的確定3305Ｆ型汽車主要組成結(jié)構(gòu)中，發(fā)生故障最多的組成結(jié)構(gòu)：行駛系、發(fā)動(dòng)機(jī)和轉(zhuǎn)向系，它們所對(duì)應(yīng)的主要故障模式有發(fā)動(dòng)機(jī)漏油或進(jìn)水、鍋輪增壓器損壞、散熱器漏氣、變速箱故障、減震器損壞、車輪故障等。導(dǎo)致汽車故障的原因主要有零部件的磨損、老化、損壞、輪胎損壞、齒輪損壞等原因。汽車各主要結(jié)構(gòu)的故障模式造成的故障影響主要有；無法提供動(dòng)力行駛、無法正常傳遞動(dòng)力、無法正常行駛和行駛制動(dòng)失效等。3305Ｆ型汽車系統(tǒng)輸入層節(jié)點(diǎn)數(shù)選取12個(gè)即可達(dá)到診斷其主要故障的要求；而3305Ｆ型汽車無法正常行駛故障來說，發(fā)動(dòng)機(jī)密封老化、渦輪增壓器零件損壞、散熱器零件老化、變速箱齒輪損壞、變速箱漏油、差速器零件損壞、傳動(dòng)軸磨損情況、減震器狀態(tài)、輪胎狀態(tài)、轉(zhuǎn)向節(jié)狀態(tài)等10個(gè)主要監(jiān)測(cè)參數(shù)，輸入層節(jié)點(diǎn)數(shù)選為10個(gè)。（2）隱層參數(shù)的選取隱層節(jié)點(diǎn)數(shù)的選取現(xiàn)階段尚無成熟的理論作為依據(jù)，因此本文在后面通過具體實(shí)例對(duì)隱層節(jié)點(diǎn)數(shù)的選取進(jìn)行分析。（3）輸出層節(jié)點(diǎn)數(shù)根據(jù)診斷對(duì)象的性質(zhì)和樣本訓(xùn)練的方式來確定。本文對(duì)3305Ｆ型汽車系統(tǒng)的所有故障集進(jìn)行了分解，每種故障如3305Ｆ型汽車無法正常行駛、無法正常制動(dòng)等各個(gè)故障的訓(xùn)練和故障識(shí)別工作，篇幅有限，在此不做詳解，只以3305Ｆ型汽車無法正常行駛為例，其BP神經(jīng)網(wǎng)絡(luò)識(shí)別見圖4.9。輸入層輸入層隱層輸出層無法正常行駛散熱器狀態(tài)變速箱齒輪狀態(tài)變速箱密封圈狀態(tài)發(fā)動(dòng)機(jī)密封圈狀態(tài)渦輪增加器狀態(tài)┆差速器狀態(tài)傳動(dòng)軸磨損情況減震器狀態(tài)轉(zhuǎn)向節(jié)狀態(tài)輪胎狀態(tài)圖4.93305Ｆ型汽車無法正常行駛故障BP網(wǎng)絡(luò)識(shí)別2.網(wǎng)絡(luò)訓(xùn)練下面以3305Ｆ型汽車無法正常故障診斷為例，BP網(wǎng)絡(luò)如圖4.9所示，采用一個(gè)輸入層節(jié)點(diǎn)數(shù)為10，隱層節(jié)點(diǎn)數(shù)為3，輸出層節(jié)點(diǎn)為1的三層BP網(wǎng)絡(luò)對(duì)其樣本進(jìn)行訓(xùn)練。（1）改變隱層節(jié)點(diǎn)數(shù)如圖4.10示出了隱層節(jié)點(diǎn)數(shù)與訓(xùn)練迭代次數(shù)的變化規(guī)律，由曲線可知3305Ｆ型汽車無法正常行駛故障診斷的BP網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)為4時(shí)，其訓(xùn)練迭代次數(shù)最少；據(jù)此便可確定這個(gè)實(shí)例的隱層節(jié)點(diǎn)數(shù)為4。顯然，不同樣本以及不同的故障應(yīng)選取的隱層節(jié)點(diǎn)數(shù)有所差別，這是因?yàn)榫W(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)的多少影響到故障樣本集的訓(xùn)練過程，當(dāng)隱層節(jié)點(diǎn)增多時(shí)，網(wǎng)絡(luò)的非線形化能力加強(qiáng)，訓(xùn)練迭代次數(shù)同時(shí)也會(huì)極大地增加。99245678200400600800迭代次數(shù)隱層節(jié)點(diǎn)數(shù)3圖4.103305Ｆ型汽車無法正常行駛故障BP網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)與迭代次數(shù)關(guān)系曲線（2）定學(xué)習(xí)率（η）①改變定學(xué)習(xí)率采用定學(xué)習(xí)率時(shí)，通過BP網(wǎng)絡(luò)對(duì)實(shí)例樣本進(jìn)行訓(xùn)練得到定學(xué)習(xí)率與訓(xùn)練迭代次數(shù)的關(guān)系如圖4.11所示，即訓(xùn)練迭代次數(shù)隨定學(xué)習(xí)率增大而逐漸減小，這是因?qū)W習(xí)率增大，訓(xùn)練過程中迭代步長(zhǎng)增大，迭代速度加快，因而迭代次數(shù)減少；因此在保證收斂的前提下，應(yīng)盡量選取較大學(xué)習(xí)率；從圖4.11曲線可知，在以0、1為征兆量的3305Ｆ型汽車無法正常行駛故障樣本訓(xùn)練時(shí)選η=0.95比較合適。0.850.850.250.350.450.550.650.75200400600800訓(xùn)練迭代次數(shù)定學(xué)習(xí)率0.95圖4.113305Ｆ型汽車無法正常行駛故障BP網(wǎng)絡(luò)訓(xùn)練迭代次數(shù)與定學(xué)習(xí)率關(guān)系曲線②訓(xùn)練過程中學(xué)習(xí)誤差的變化在定學(xué)習(xí)率情況下，各實(shí)例樣本在訓(xùn)練過程中學(xué)習(xí)誤差變化曲線如圖4.12所示，皆隨迭代次數(shù)的增加而逐漸減小，在開始部分誤差減小較快，出現(xiàn)了局部最小點(diǎn)情況，引起學(xué)習(xí)誤差突增，越過此局部最小點(diǎn)后，又可進(jìn)行正常訓(xùn)練過程，直到學(xué)習(xí)誤差達(dá)到最小值。由曲線可知，3305Ｆ型汽車無法正常行駛故障樣本訓(xùn)練時(shí)有100次。0.4學(xué)習(xí)誤差2022354759728194105119100147185訓(xùn)練迭代次數(shù)33圖4.123305Ｆ型汽車無法正常行駛故障BP網(wǎng)絡(luò)訓(xùn)練過程中學(xué)習(xí)誤差變化曲線由以上實(shí)例分析可知，建立3305Ｆ型汽車無法正常行駛故障診斷BP網(wǎng)絡(luò)模型和進(jìn)行樣本訓(xùn)練時(shí)，必需合適選取隱層節(jié)點(diǎn)數(shù)及網(wǎng)絡(luò)學(xué)習(xí)參數(shù)，使網(wǎng)絡(luò)進(jìn)行樣本訓(xùn)練時(shí)能避免局部極小點(diǎn)問題，同時(shí)提高網(wǎng)絡(luò)的學(xué)習(xí)速度并且盡可能提高診斷精度。5.結(jié)論與展望5.1結(jié)論煤礦生產(chǎn)中，各種生產(chǎn)設(shè)備對(duì)于煤炭生產(chǎn)具有重要影響。在露天煤礦，穿孔設(shè)備、運(yùn)輸設(shè)備、護(hù)裝設(shè)備是否正常運(yùn)行不但會(huì)影響煤礦的生產(chǎn)能力，同時(shí)對(duì)于煤礦生產(chǎn)的成本管理也具有重要影響。在露天煤礦，采裝設(shè)備的運(yùn)行環(huán)境較為惡劣，同時(shí)運(yùn)行時(shí)間較長(zhǎng)，在運(yùn)行過程中必然會(huì)出現(xiàn)各種故障，采裝設(shè)備一旦出現(xiàn)故障就會(huì)影響煤礦正常生產(chǎn)。BP神經(jīng)網(wǎng)絡(luò)技術(shù)是一種典型的人工網(wǎng)絡(luò)分析技術(shù)，被廣泛應(yīng)用于系統(tǒng)故障診斷中。BP神經(jīng)網(wǎng)絡(luò)具有容錯(cuò)能力強(qiáng)、泛化能力強(qiáng)、非線性映射能力強(qiáng)等特點(diǎn)，在故障診斷中具有一定的先天優(yōu)勢(shì)。應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷不但可以診斷出故障，同時(shí)還能對(duì)故障類型進(jìn)行分析，從而更快確定故障維修方案。本文礦山生產(chǎn)系統(tǒng)中最具代表性的鉆機(jī)、挖掘機(jī)、汽車三種設(shè)備為研究對(duì)象，根據(jù)設(shè)備的參數(shù)、故障特征、原因、影響為數(shù)據(jù)依據(jù)，完成了以下研究?jī)?nèi)容：（1）BP神經(jīng)網(wǎng)絡(luò)在設(shè)備故障診斷中的應(yīng)用；（2）露天煤礦采裝設(shè)備各技術(shù)參數(shù)、常見故障以及故障產(chǎn)生的原因、主要特征等，出于精力及篇幅考慮，本研究選擇潛孔鉆機(jī)、挖機(jī)、礦用裝載汽車這三種最常用設(shè)備進(jìn)行研究；（3）BP算法在采裝設(shè)備故障中診斷中的應(yīng)用，包括構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型、網(wǎng)絡(luò)訓(xùn)練、仿真實(shí)驗(yàn)等。本研究得出以下結(jié)論：（1）BP神經(jīng)網(wǎng)絡(luò)可以對(duì)訓(xùn)練過的過程知識(shí)進(jìn)行存儲(chǔ)，并從歷史數(shù)據(jù)中進(jìn)行學(xué)習(xí)。運(yùn)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷，BP神經(jīng)網(wǎng)絡(luò)可以對(duì)歷史故障數(shù)據(jù)進(jìn)行存儲(chǔ)，并將當(dāng)前數(shù)據(jù)和歷史進(jìn)行數(shù)據(jù)進(jìn)行對(duì)比分析，從而確定故障的發(fā)生概率。同時(shí)BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的容錯(cuò)能力，因此其診斷過程以及診斷結(jié)果受到噪聲的影響較小。（2）造成潛孔鉆機(jī)發(fā)生故障的因素大體有零部件磨損嚴(yán)重、老化、密封不嚴(yán)、電機(jī)燒壞、漏油和管路破損等原因。潛孔鉆機(jī)各主要結(jié)構(gòu)的故障模式造成的故障影響主要有；無動(dòng)力輸出、電機(jī)不能正常制動(dòng)、無法傳遞動(dòng)力和電路系統(tǒng)失效等。（3）導(dǎo)致挖掘化故障的原因主要有零部件的磨損與損壞、電機(jī)過熱導(dǎo)致電機(jī)燒壞等原因。挖掘機(jī)各主要結(jié)構(gòu)的故障模式造成的故障影響主要有；影響正常護(hù)挖礦巖、影響正常排卸礦巖、工作裝置無法回轉(zhuǎn)和無法正常行走等。（4）導(dǎo)致汽車故障的原因主要有零部件的磨損、老化、損壞、輪胎損壞、齒輪損壞等原因。汽車各主要結(jié)構(gòu)的故障模式造成的故障影響主要有；無法提供動(dòng)力行駛、無法正常傳遞動(dòng)力、無法正常行駛和行駛制動(dòng)失效等。（5）建立系統(tǒng)故障診斷BP網(wǎng)絡(luò)模型和進(jìn)行樣本訓(xùn)練時(shí)，必需合適選取隱層節(jié)點(diǎn)數(shù)及網(wǎng)絡(luò)學(xué)習(xí)參數(shù)，使網(wǎng)絡(luò)進(jìn)行樣本訓(xùn)練時(shí)能避免局部極小點(diǎn)問題，同時(shí)提高網(wǎng)絡(luò)的學(xué)習(xí)速度并且盡可能提高診斷精度。5.2不足與展望本研究中還存在以下不足，如對(duì)于采裝設(shè)備故障原因的分析不夠徹底和全面、BP算法在采裝設(shè)備故障診斷中應(yīng)用描述不夠徹底、參數(shù)選擇描述不清楚等，在后續(xù)研究中需要加以改進(jìn)。參考文獻(xiàn)高社生,張玲霞.系統(tǒng)安全工程[M].北京:國(guó)防出版社,2002：236-243[2]熊潤(rùn)銘.礦山設(shè)備管理現(xiàn)狀及改進(jìn)措施探討[J].化工礦物與加工,2010(3):39-41[3]肖新建.2018年煤炭供需形勢(shì)分析及2019年展望[J].中國(guó)能源,2019,41(02):9-12.[4]任乾.煤礦采礦安全管理及其事故防范[J].山東工業(yè)技術(shù),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]張燕紅.電機(jī)常見故障判斷分析及處理方法[J].山東工業(yè)技術(shù),2019(10):145.[8]耿斌.人工智能在計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)中的運(yùn)用探析[J].山東工業(yè)技術(shù),2019(08):173-174.[9]彭驛茹.人工神經(jīng)網(wǎng)絡(luò)發(fā)展歷史與訓(xùn)練算法概述[J].科技傳播,2018,10(21):129-130.[10]趙廣智.基于結(jié)構(gòu)化神經(jīng)網(wǎng)絡(luò)的煤礦輸送機(jī)同步帶傳動(dòng)精度預(yù)測(cè)[J].煤炭技術(shù),2017,36(03):249-251.[11]胡瑞卿.基于人工神經(jīng)網(wǎng)絡(luò)的煤礦安全評(píng)價(jià)研究[D].安徽理工大學(xué),2015.[12]張永強(qiáng),馬憲民,徐美惠.煤礦旋轉(zhuǎn)機(jī)電設(shè)備的量子神經(jīng)網(wǎng)絡(luò)故障診斷技術(shù)[J].工礦自動(dòng)化,2015,41(04):64-68.[13]武曉旭,龔孔成,賈明濤.煤礦事故預(yù)測(cè)的指數(shù)平滑-BP神經(jīng)網(wǎng)絡(luò)混合模型研究[J].中國(guó)安全生產(chǎn)科學(xué)技術(shù),2014,10(09):165-169.[14]鄭來偉.基于狀態(tài)監(jiān)測(cè)的煤礦設(shè)備維修管理[D].西安科技大學(xué),2009[15]王亞.露天潛孔鉆機(jī)在江銅集團(tuán)銀山礦業(yè)公司的應(yīng)用[J].礦山技術(shù),2009，9(6):37-38[16]李曉豁.露天采礦機(jī)械[M].冶金工業(yè)出版社,2010[17]李炳文,萬麗榮,柴光遠(yuǎn).礦山機(jī)械[M].徐州:中國(guó)礦業(yè)大學(xué)出版社,2010.[18]劉玲,張西,汪琳娜.故障診斷技術(shù)的現(xiàn)狀與發(fā)展[J].電子測(cè)試,2016,02(04):62-63.[19]黃文生,李東俠.基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷仿真研究[J].電子工程師,2006,32(6)：51-53[20]王仕軍,歐陽宇珉,鄧邦.機(jī)械設(shè)備故障診斷技術(shù)及其發(fā)展趨勢(shì)[J].中國(guó)高新技術(shù)企業(yè),2015,29:72-73[21]LiangZhichengetal.AportableMuti-functionreal-timedigitalsimulatordedicatedtoprotectiverelaytesting[J].ElectricityCSEE/VOL9N0.4:27-29.[22]彭學(xué)前.采煤機(jī)故障診斷與故障預(yù)測(cè)研究[D].南京:南京理工大學(xué),2013.[23]飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實(shí)現(xiàn)[M].北京:電子工業(yè)出版社,2005.[24]侯媛彬,杜京義,汪梅.神經(jīng)網(wǎng)路[M].西安:西安電子科技大學(xué)出版社,2007[25]蘇崇宇,汪毓鐸.基于改進(jìn)的自適應(yīng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)[J].工業(yè)控制計(jì)算機(jī),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