前言：尋找寫作靈感？中文期刊網用心挑選的煤礦井下機械設備管理論文，希望能為您的閱讀和創作帶來靈感，歡迎大家閱讀并分享。
1原理與方法
1.1人工神經網絡基本原理
人工神經網絡是一個并行的分布式數據處理與決策系統，將人工神經網絡理論應用到故障診斷當中，不僅能夠提高診斷的數據處理速度和診斷精度，而且還能夠按照人們的設定對特定工作環境進行學習，具有良好的環境適應能力。人工神經網絡的模型時模擬人類的大腦結構和工作原理進行信息處理的，其基本單元是神經元其中，wi表示每個輸入xi所占的權重，當wi為正數時表示該輸入xi對神經元產生激勵，為負數時代表該輸入對神經元產生抑制。其中f(x)是一個非線性函數，可以是閾值函數或者Sigmoid函數中的一種，標準的BP神經網絡由輸入層、隱含層和輸出層三層神經元結構構成，其結構如圖3所示。BP神經網絡通過輸出層神經元的逐層向前傳播，以將輸出誤差“分攤”隱含層和輸入層的每個神經元，進而得到各個層單元的參考誤差和相應的權值，最終使誤差加權值能夠滿足系統的誤差要求。
1.2決策樹
決策樹是從一些雜亂無章的數據中通過層層歸納總結，得到最終決策結果的過程，它的結構是自上而下的，在每一個節點處都要進行屬性判斷，每一個分支表示數據流的通路，每個分支的終點表示決策的一類屬性。決策樹的基本結構如圖4所示。
2故障診斷系統設計
故障診斷系統將人工神經網絡技術應用到專家系統，使系統具有了良好的學習功能，能夠很好的適應礦井下復雜的工作環境，實現對采礦機械系統故障準確診斷的目的。
2.1建立訓練樣本
實驗以河南平頂山煤礦的一款煤炭采掘機作為實驗對象，首先對其正常的工作狀態進行監測分析，然后分別對機頭和電機底座的螺絲進行人為的松動，對系統的主軸和各個齒輪進行人為不同程度的破壞，建立訓練集，對系統進行訓練。
2.2預測模型的建立
該系統采用CC55號測振動點和振動強度分別為150dB、160dB、170dB、180dB、190dB、200dB、210dB、220dB作為人工神經網絡的輸入層，輸出層包含一個神經單元，用于表示CC55號振動點的故障位置，中間層選擇16個神經元對輸出誤差進行平攤，盡可能減小輸出層的輸出誤差，最后利用判決樹的結構對預測結果進行定性判決，最終輸出故障原因預測結果。
2.3預測結果與分析
試驗中通過多次實驗對比，選定人工神經網絡的最大迭代次數為2萬次，學習精度為0.005，在WIN7系統上運行MATLAB2011建立煤礦采掘機的BP人工神經網絡預測模型，并首先利用150～220dB的振動強度對模型進行訓練，然后分別對各個部位的小故障進行預測分析。以采煤機的常見故障主軸軸承損壞為例進行說明，主軸軸承損壞會加大一部分波段的振動強度，如圖5所示，該振動強度區域比較密集地分布在一個區域中，采用BP人工網絡3級處理的方法能夠高效且盡可能多地將該區域覆蓋，具有良好的效果。BP神經網絡預測誤差與訓練迭代次數的關系曲線如圖6所示，由圖6中可以看出，當訓練次數達到6000次時，模型的預測誤差遠遠小于0.005，達到了預期迭代20000次。
3結果與討論
1)由于人工神經網絡具有很好的自組織和廣泛的學習能力，在得到充分的學習和訓練后，網絡能夠達到很高的精度，且具有很好的收斂性，因此在煤礦井下機械設備故障診斷中可以通過建立BP－人工神經網絡預測模型對機械設備的故障進行監測。
2)利用專家系統和判決樹的判決結構對煤礦井下機械系統的故障原因進行定位判決，不僅保證了判決結果的準確度，而且還大大提高了系統的判決效率，同時降低了系統的復雜性。將專家系統與BP人工神經網絡技術相結合對礦井下機械設備進行故障診斷，首先，克服了傳統故障診斷系統的環境因素的限制，能夠很好的適應井下的工做狀態，對井下機械設備的工作狀態進行實時監控;其次，提高了故障定位的精度，同時能夠給出解決方案，為排除故障提供了有效的依據。
作者：董曉鈞 單位：平煤神馬建工集團安裝處
