1原理与方法
1.1人工神经网络基本原理
人工神经网络是一个并行的分布式数据处理与决策系统，将人工神经网络理论应用到故障诊断当中，不仅能够提高诊断的数据处理速度和诊断精度，而且还能够按照人们的设定对特定工作环境进行学习，具有良好的环境适应能力。人工神经网络的模型时模拟人类的大脑结构和工作原理进行信息处理的，其基本单元是神经元其中，wi表示每个输入xi所占的权重，当wi为正数时表示该输入xi对神经元产生激励，为负数时代表该输入对神经元产生抑制。其中f(x)是一个非线性函数，可以是阈值函数或者Sigmoid函数中的一种，标准的BP神经网络由输入层、隐含层和输出层三层神经元结构构成，其结构如图3所示。BP神经网络通过输出层神经元的逐层向前传播，以将输出误差“分摊”隐含层和输入层的每个神经元，进而得到各个层单元的参考误差和相应的权值，最终使误差加权值能够满足系统的误差要求。
1.2决策树
决策树是从一些杂乱无章的数据中通过层层归纳总结，得到最终决策结果的过程，它的结构是自上而下的，在每一个节点处都要进行属性判断，每一个分支表示数据流的通路，每个分支的终点表示决策的一类属性。决策树的基本结构如图4所示。
2故障诊断系统设计
故障诊断系统将人工神经网络技术应用到专家系统，使系统具有了良好的学习功能，能够很好的适应矿井下复杂的工作环境，实现对采矿机械系统故障准确诊断的目的。
2.1建立训练样本
实验以河南平顶山煤矿的一款煤炭采掘机作为实验对象，首先对其正常的工作状态进行监测分析，然后分别对机头和电机底座的螺丝进行人为的松动，对系统的主轴和各个齿轮进行人为不同程度的破坏，建立训练集，对系统进行训练。
2.2预测模型的建立
该系统采用CC55号测振动点和振动强度分别为150dB、160dB、170dB、180dB、190dB、200dB、210dB、220dB作为人工神经网络的输入层，输出层包含一个神经单元，用于表示CC55号振动点的故障位置，中间层选择16个神经元对输出误差进行平摊，尽可能减小输出层的输出误差，最后利用判决树的结构对预测结果进行定性判决，最终输出故障原因预测结果。
2.3预测结果与分析
试验中通过多次实验对比，选定人工神经网络的最大迭代次数为2万次，学习精度为0.005，在WIN7系统上运行MATLAB2011建立煤矿采掘机的BP人工神经网络预测模型，并首先利用150～220dB的振动强度对模型进行训练，然后分别对各个部位的小故障进行预测分析。以采煤机的常见故障主轴轴承损坏为例进行说明，主轴轴承损坏会加大一部分波段的振动强度，如图5所示，该振动强度区域比较密集地分布在一个区域中，采用BP人工网络3级处理的方法能够高效且尽可能多地将该区域覆盖，具有良好的效果。BP神经网络预测误差与训练迭代次数的关系曲线如图6所示，由图6中可以看出，当训练次数达到6000次时，模型的预测误差远远小于0.005，达到了预期迭代20000次。
3结果与讨论
1)由于人工神经网络具有很好的自组织和广泛的学习能力，在得到充分的学习和训练后，网络能够达到很高的精度，且具有很好的收敛性，因此在煤矿井下机械设备故障诊断中可以通过建立BP－人工神经网络预测模型对机械设备的故障进行监测。
2)利用专家系统和判决树的判决结构对煤矿井下机械系统的故障原因进行定位判决，不仅保证了判决结果的准确度，而且还大大提高了系统的判决效率，同时降低了系统的复杂性。将专家系统与BP人工神经网络技术相结合对矿井下机械设备进行故障诊断，首先，克服了传统故障诊断系统的环境因素的限制，能够很好的适应井下的工做状态，对井下机械设备的工作状态进行实时监控;其次，提高了故障定位的精度，同时能够给出解决方案，为排除故障提供了有效的依据。
作者：董晓钧 单位：平煤神马建工集团安装处
