- 关键词：
- 摘要：摘要：深海集矿机工作在6000米的海底，工作环境和条件都十分恶劣 ，因此需要对其可能发生的故障进行有效的诊断。本文针对深海集矿机的特点 ，结合单子神经网络在设备故障诊断中的不足之处，提出了一种基于集成神经网络的集矿机故障诊断技术 ，应用集成神经网络技术 ，采用分级的神经网络结构，根据集矿机各个子系统的划分建立起多个子神经网络，再利用信息融合技术将各个子神经网络的诊断信息进行有效的融合 ，得到最终的诊断结果 。通过仿真试验证明了该诊断方法的有效性 。
关键词：集矿机；故障诊断；集成神经网络
中图分类号：TP277文献标识码：A
The Integrate Neural Networks Application in Deep Seabed Mining
Robot Fault Diagnosis
LI Hao, YANG Chun-hua,WANG Sui-ping
(College of Information Science and Engineering, Central South University, Hunan, Changsha 410083, China)
Abstract: Deep seabed mining robot is worked in 6000 meters seabed , its working condition is very hard, so it is very important to inspect its fault . Based on the characteristic of mining robot , and combined with the disadvantage of single neural network about fault diagnosis , this paper puts forward a technique of mining robot fault diagnosis based on integrate neural network , apply the technique of integrate neural network , adopts neural network structure of multilevel , sets up several single neural networks according to mining robot s structure , then fuses the diagnosis information from single neural networks , lastly gains diagnosis re sult . The simulation prove this methods validity.
Key words: mining robot; fault diagnosis; integrate neural network
1引言
深海采矿属海洋科技前沿和海洋矿产资源开发的制高点 ，也是一个国家综合国力的体现，随着21世纪人类开发利用海洋的“海洋世纪”的到来 ，深海采矿技术显得尤为重要 ，其中，集矿机又是整个深海采矿系统的核心 ，它承担了深海采矿最复杂 ，最危险的任务，为了提高整个系统的安全性和可靠性 ，就必须对深海集矿机进行有效的故障监测和诊断[1]。
神经网络为现代复杂机械设备的监测和故障诊断提供了全新的理论方法和技术实现手段 。神经网络以其信息的并行分布式处理、想记忆 、自组织及自学习能力 ，在机械设备故障诊断中显示了极大的应用潜力 。深海底集矿机是一个复杂的液压动力机械系统，但如果直接采用单子神经网络来实现其多类故障的诊断存在以下一些明显的缺点：
*网络需要大量的故障样本 ，来对多类型故障进行诊断；
*网络结构难以确定 ，一旦确定，网络节点过多，结构庞大 ，造成训练困难；
*对新出现的故障类型 ，单子网络须重新学习[2～5]。
2集成神经网络的实现策略
集成神经网络结构如图1所示。
2．1信息分配神经网络的实现
信息分配神经网络为管理型网络，它主要完成信号向诊断子网络的分配 ，和信息定位 。集成神经网络要提高确诊率 ，就要尽可能实现故障定位，这与单子网络不同 。集成神经网络通过标识符来体现不同的传感器在设备上的不同位置 ，每一个传感器必然对其最近路径上的故障最为敏感 ，因此，传感器的位置可作为故障定位信号 ，形成信号位置标识符 ，前置的信号处理单元对信号处理后形成特征信息，每一特征信息都保留其定位信息 ，这样 ，经处理后的信息在传递过程中包含信号本体和位置标识符两部分[6～7]。
2．2诊断子网络的实现
诊断子网络的实现涉及到两方面：如何训练网络及如何执行诊断 。为使用和管理方便，每个子网络各自建立一个档案 。该档案由两部分组成，一部分已含网络的结构特征及输入输出单元的意义 ，另一部分为网络的标准学习样本。在系统调用的过程中 ，档案的实现同样是以文件的形式完成，该档案放在人机接口中 ，在网络学习时 ，通过调用读出其中的信息，学习后的结果即网络的权值和阈值是非常有用的知识块 ，也以文件的形式存起来 ，形成集成网络的知识库 。各子网络在档案及知道健全情况下，诊断执行就很简单 ，从信息分配网络来的信号通过和子网络已学好的权值并行运算 ，即可得出相应的诊断结果[8～9] 。
2．3决策融合网络的实现
为NNi的特征向量；信息融合的过程实质上就是减少系统的不确定性，提高系统的可靠性的过程。各诊断子网络定义相同的节点进行融合 ，成为一个节点 ，作为决策融合网络的输入，这样，保证了决策融合网络的输入节点数始终等于故障类型数 ，设子
3集成神经网络在集矿机故障诊断中的应用仿真
深海集矿机自身按其功能分类可分为集矿系统 、行走机构、液压系统三大部分 。对集矿系统 、行走机构和液压系统分别建立子神经网络 。通过查阅资料和对集矿机系统得深入研究 ，我们总结出以下10种故障类型：液压泵故障，故障 ，管路堵塞 ，溢流阀卡死，油路泄漏 ，液压马达故障 ，车辆阻挡，车辆打滑 ，前后倾角超限 ，集矿故障。在这十种故障的发生机理和故障征兆的基础上，选择14种故障特征参数作为进行故障识别的信息 。根据子神经网络的组建原则 ，构成子神经网络的训练样本集应尽量不同 ，因而，将这14种故障特征参数分为3类：5种液压系统敏感参数(油温，压力 ，流量 ，电机负荷，泵转速) ，6个行走机构参数(左履带沉陷深度 ，右履带沉陷深度，左履带速度 ，右履带速度 ，行走速度，行走方向) ，3个集矿参数(集矿头水平倾角 ，集矿头垂直倾角，水射流速) 。
3个子神经网络档案即训练样本如下：
子网络1档案
采用BP三层神经网络 ，各层神经元数为3/15/10 ，
误差为0．001
子网络2档案
采用BP三层神经网络，各层神经元数为5/15/10，
误差为0．001
子网络3档案采用BP三层神经网络 ，各层神经元数为6/15/10 ，
误差为0．001
将集矿机运行一段时间后，呈现故障状态。对其各特征参数进行采样 ，其采样值为(已归一化)：
3个集矿参数：(集矿头水平倾角 ，集矿头垂直倾角，水射流速)=(0．35 ，0．37 ，0．28)
5个液压系统参数：(油温，压力 ，流量 ，电机负荷，泵转速)=(0．15 ，0．30 ，0．08，0．28，0．09)
6个行走机构参数：(左履带沉陷深度 ，右履带沉陷深度 ，左履带速度，右履带速度 ，行走速度 ，行走方向)=(0．17，0．18 ，0．12 ，0．14，0．16 ，0．23)
各子神经网络调用各自网络档案 ，对网络自身
进行训练后，将上述3组采集到的特征值分别作为3个子神经网络的输入 ，进行诊断 ，各子神经网络输出如下，并且故障的置信权值向量．R由下式给出：
结果显示，发生溢流阀卡死的故障可能性非常高 ，置信凄为0．99。
考虑到3个子网络的诊断结果和置信权值 ，经过计算，对3个子网络诊断结果进行数据融合 ，各故障类型的置信度见y值 ，可以看出，集矿机发生的故障类型为溢流阀卡死 ，其置信度为0．919 ，此外，由融合结果还可以看出 ，车辆打滑也是集矿机的可能故障 ，置信度为0．824，这项可能故障是子网络1和3所不能诊断出来的 。因此 ，融合网络给出了比任何一个子网络都要多的信息 。
4结论
本文针对集矿机的特点 ，利用集成神经网络信息融合的方法对集矿机进行故障诊断，应用集成神经网络技术，采用分级的神经网络结构 ，根据集矿机各个子系统的划分建立起多个子神经网络 ，再利用信息融合技术将各个子神经网络的诊断信息进行有效的融合，得到诊断结果。通过仿真试验证明这种方法能有效地实现集矿机的故障诊断 ，提高了诊断的准确性 ，为即将进行的“海试 ”打下了良好的基础 。
参考文献
[1]中国大洋多金属结核矿产资源研究开发中试采矿系统技术设计(机械部分)[R]．北京：中国大洋协会，2001．
[2]吴今培智能故障诊断技术的发展和展望[J]．振动测试与诊断 ，1999 ，19(2)：79～86．
[3]黄文虎，夏松波 ，刘瑞岩 ，等．设备故障诊断原理技术及应用[M]．北京：科学出版社，1996．
[4]史铁林 ，杨叔子 ，师汉民，等．机械设备诊断策略的若干问题探讨f J]华中理工大学学报，1991 ，19(4)：9～141
[5]Kim D J, Kim B M Application of neural network and FEM for metal forming processes [J]. International Journal of Machine Tools & Manufacture,2000(40):911～925.
[6]杨杰 ，黄欣，郭英凯．用手故障诊断的集成型智能系统[J]．上海交通大学学报 ，1998 ，32(6)：14～18．
[7]张萍，王桂增 ，周东华．动态系统的故障诊断方法[J]．控制理论与应用 ，2000，17(2)1：163 168．
[8]田振华 ，陆爽 ，孙冬青．滚动故障诊断系统[J]．吉林工业学院学报，1999 ，3：8～11．
[9]Kai G. Architecture and design of a diagnostic information fusion system[J]. Artificiallnteiiigence for Engineering Design, Analy-sis and Manufacturing, 2001,15 : 335～338.
[10]栗青 ，陈长征．集成神经网络在旋转机械故障诊断中的应用[J]．沈阳工业大学学报，2001，23(4)：339～341．