下载此文档

基于自编码孪生神经网络的采煤机异常检测.pdf


文档分类:论文 | 页数:约6页 举报非法文档有奖
1/6
下载提示
  • 1.该资料是网友上传的,本站提供全文预览,预览什么样,下载就什么样。
  • 2.下载该文档所得收入归上传者、原创者。
  • 3.下载的文档,不会出现我们的网址水印。
1/6 下载此文档
文档列表 文档介绍
该【基于自编码孪生神经网络的采煤机异常检测 】是由【雪雁】上传分享,文档一共【6】页,该文档可以免费在线阅读,需要了解更多关于【基于自编码孪生神经网络的采煤机异常检测 】的内容,可以使用淘豆网的站内搜索功能,选择自己适合的文档,以下文字是截取该文章内的部分文字,如需要获得完整电子版,请下载此文档到您的设备,方便您编辑和打印。煤炭工程
,
doi:
基于自编码李生神经网络的采煤机异常检测
冯银辉,宋阳?,李务晋3,吴雨欣3,秦泽宇1
(,北京101399;(北京)机电与信息工程学院,北京100083;
(北京)化学与环境工程学院,北京100083)
摘要:针对机械设备异常检测在实际应用中遇到意想不到的异常情况为数据标注带来挑战的
问题,文章提出了一种基于自编码李生神经网络的采煤机异常检测方法,结合采煤机工况信息构建
了的弱标签数据集来解决该问题;针对异常信息过少导致的数据类别不平衡问题,搭建了时空融合
的LSTM-CNNAuto-EncoderSiamese神经网络,通过李生神经网络减少类别不平衡对训练的影响,
结合LSTM与CNN的自编码神经网络进行特征抽取,提高模型在诊断时序数据时的准确率。模型的
测试结果表明本模型能有效提取高质量特征,针对不平衡数据有很好的鲁棒性,且模型有一定泛化
能力,具有有效性与实用性。
关键词:采煤机;异常检测;自编码;李生网络
中图分类号:TD823文献标识码:A文章编号:1671-0959(2022)08-0136-06
Anomalydetectionofshearerbasedonself-encodingsiameseneuralnetwork
FENGYin-hui',SONGYang",LIWu-jin",WUYu-xin',QINze-yu'
(.,Lid.,Beijing101399,China;
,ChinaUniversityofMiningandTechnology-Bejing,Bejing100083,China;
,ChinaUniversityofMiningandTechnology-Beijing,Beijing100083,China)
Abstract:Theintelligentizationofmechanicalequipmentinfullymechanizedminingfaceisanatractivefield,andanomaly
detectionofmechanicalequipment,asanindispensablepart,,thefollowingproblems

datalabeling;
detectionmethodbasedonself-encodingsiameseneuralnetworkisproposed,andaweaklabeldatasetisconstructedby
,aLSTM-CNNauto-
encodingsiameseneuralnetworkforspatio-temporalfusionisbuilt,theimpactofclassimbalanceontrainingisreduced
throughthesiameseneuralnetwork,andtheLSTMandCNNauto-encoderneuralnetworkforfeatureextractionarecombinedto

extracthigh-qualityfeatures,hasgoodrobustnessagainstunbalanceddata,andthemodelhasacertaingeneralizationability,
whichiseffectiveandpractical.
Keywords:shearer;anomalydetection;auto-encoder;siamesenetwork
采煤机作为综采工作面的关键设备,其在煤矿的问题。采煤机的工作状态决定了生产效益,缺乏
开采中起着举足轻重的作用。考虑到采煤机应用场早期的异常检测会导致系统产生灾难性问题。因此
景的复杂性,其设备的退化评估是一个具有挑战性采煤机的异常检测方法对设备高效稳定运行具有重
收稿日期:2022-03-19
基金项目:天地科技股份有限公司科技创新创业资金专项(2020-2-TD-CXY004);国家能源集团重点项目“5G+工业互联
网”无人化矿井关键技术研发与工程示范(CJNY-21-25);天玛智控重点科技项目(2022TM018-C1)
作者简介:冯银辉(1979一),男,山西运城人,硕士,研究方向:综采工作面智能化控制系统,E-mail:fengyh@

引用格式:冯银辉,宋阳,李务晋,[J].煤炭工程,2022,54(8):
136-141.
136
2022年第8期煤炭工程研究探讨
要意义-5]。截割螺旋滚简故障主要特征表现在滚筒连接螺
近年来随着深度学****技术与硬件的发展,深度栓松动断裂、截齿齿座脱落及滚筒疲劳磨损开裂等
学****的模式识别能力推动了机械设备异常检测方面故障。故障发生的主要原因是滚筒安装方面滚筒连
的发展,基于设备历史工况数据的数据驱动方式成接内方头与摇臂外方头配合间隙大,引起螺旋滚筒
为了机械设备异常检测的可能方法。此外由于振动振动大;工作面地质条件差,滚筒负荷、冲击大,
监测在表示故障信息方面具有良好的性能,是目前引发连接螺栓松动且维护不及时;滚筒疲劳磨损,
监测机械设备退化的主要监测方法[6]。目前通过采引发齿座、滚筒体磨损开焊等失效。
集带标签数据基于深度学****对设备振动信号建模在牵引块故障特征主要表现采煤机停机不牵引、
机械设备异常检测领域有一定研究[7-10]振动大、温度高、牵引电流不平衡、链轮、驱动及
上述数据驱动的方法属于监督学****依赖于大惰轮齿轮断裂、轴承故障等。主要原因为牵引块部
量标签数据。但在实际煤矿开采过程中,采集到的件疲劳磨损;牵引块润滑油不良,各轴承高温引发
原始数据存在信息缺失问题,带标签的数据量贫乏故障。
甚至难以采集到标签数据,且现实世界存在未收集牵引齿轮箱故障特征主要表现采煤机牵引异常、
到的故障类型数据,因此目前的机械设备早期异常牵引转矩轴断裂、温度高、牵引电流不平衡及密封
检测多在实验台仿真搭建物理模型采集数据再进行失效漏油。主要原因为疲劳损坏,引发齿轮箱轴承
建模分析,其难以在现场真实环境得以应用。此外齿轮疲劳磨损失效;工作面工程质量差或地质条件
由于异常数据与正常数据存在极度不平衡问题,常差,牵引齿轮箱过负荷运行或受到冲击;转矩轴质
规的机器学****模型难以达到理想效果[-16]。量故障,没有起到应有的机械保护作用;密封失效
针对这些问题,本文提出了基于李生神经网络故障等。
的采煤机异常检测,该方法主要贡献如下:提出了牵引电机故障主要由电机绕阻绝缘失效,或因
一种采煤机运行异常状态的弱标签提取模式克服了疲劳老化、或因电机长期过载运行,冷却流量低温
数据标注的难题,以李生网络结合LSTM-CNN自编度高等原因所致,其次因电机轴承质量问题,引发
码搭建了采煤机故障状态的检测模型,实现采煤机机械故障或导致电机转子与定子摩擦故障。
在工作状态中的异常检测。本文采集截割部、牵引部电流温度共八维数据
构建弱标签数据集,以LSTM-CNN自编码器结合李
1采煤机主要故障分析
生神经网络搭建神经网络实现采煤机的异常检测。
采煤机故障可分为截割部故障,牵引部故障,
2LCAS模型架构
采煤机电控箱故障以及其他类故障,其中采煤机截
割部故障主要指采煤机摇臂齿轮箱、截割电机及螺本文构建了时空融合的LSTM-CNNAuto-
旋滚筒故障3大类。牵引部故障主要是由牵引电机、EncoderSiamese(LCAS)神经网络,解决异常信息过
牵引齿轮箱、牵引块引起的故障。截割部故障及牵少导致的数据类别不平衡问题问题,李生神经网络
引部故障占总故障约50%左右[17]。减弱了类别不平衡对训练的影响,结合LSTM与
摇臂齿轮箱故障特征通常表现为高速区高温、低CNN的自编码神经网络可以实现特征的有效提取。
速区噪声异常及漏油。-CNNAuto-Encoder
滑不良;摇臂齿轮箱行星系统疲劳磨损;摇臂齿轮箱循环神经网络(RNN)在处理时序数据领域应用
过负荷运行,工作面地质条件差,受冲击载荷大;浮广泛,机械设备的工况数据具有天然的时序性。但
动密封损坏漏油;齿轮润滑油乳化,润滑失效等。是,原始的循环神经网络存在梯度消失或梯度爆炸
截割电机电气类故障远高于机械轴承类故障,问题,长短时记忆网络(LSTM)将长期依赖引入
其中电气故障主要表现为电机绕阻绝缘失效,机械RNN,结构如图1所示。
故障主要表现为电机轴承疲劳磨损失效,振动大。LSTM通过门的结构改变cell状态,门是一种可
故障发生的主要原因是电机绕阻老化,高温跳闸,选地让信息通过的方式。它由Sigmoid神经网络层和
绝缘失效;电机进水绝缘失效;电机轴承疲劳磨损失点乘法运算组成,Sigmoid神经网络层输出0和1之
效;检修时异物进人电机内部,导致定转子摩擦等。间的数字代表每个组件可以通过的信息量,LSTM有
137
研究探讨煤炭工程2022年第8期
细胞中,克服了短时记忆的影响。Cell公式为:
LSTMcell
C,=J,×+i,×C,(4)
式中,C,为当前cell的状态;C,为上个时间
步的cell状态;.作为遗忘门决定从上一个cell状态
C_,中丢弃信息;C,为当前时间步新的状态候选向
LSTMcell量,公式为:
C,=tanh(Wc·[hi-1,X,]+bc)(5)
i,作为输入门决定将哪些信息将加人到当前时
tanh
刻细胞状态C,中。o,作为输出门与C,相乘得到输出
信号h,同时h,也作为下一时间步的输入信号传递
LSTMcell到下一阶段,其公式为:
h,=0,×tanh(C,)(6)
卷积神经网络(CNN)利用卷积运算操作在诸多
领域应用特别是图像相关任务上表现优异,诸如,
图像分类,图像语义分割,图像检索,物体检测等
,
计算机视觉问题,适合处理空间数据。本文采用一
LSTMcell
维卷积神经网络处理一维数据。通过卷积层能够保
持数据的空间连续性,提取数据的局部特征,池化
层采用最大池化降低中间隐含层的维度,减少后续
nh
计算的运算量,并提供了旋转不变性。CNN提供了
数据的分层表示,将原始信号经过逐层的处理,依
图1LSTM门'结构次识别出部分到整体。
自编码神经网络,其中编码器encoder部分将大
三个门,用于保护和控制cell的状态。在输人、输
数量级的源信息X压缩,解码器decoder部分将压缩
出、忘记过去信息上分别加人了输人门、输出门、
后的信息解压成X,通过对比两者的误差,反向传
遗忘门来控制信息通过,缓解了梯度消失或爆炸问
递,逐步提升自编码网络的准确性,这一过程无需
题。公式如下:
标签数据。其中部分提取了源数据的精髓,
f,=o(W,·[hi-1,X,]+br)(1)encoder
i,=o(W;·[hi-1,X,]+b,)(2)解码器将精髓信息解压,当解压的结果与源数据一
致性很高时,自编码神经网络就提取到了源数据的
0,=o(W。·[ht-1,X,]+b。)(3)
式中,X,为t时刻的输人信号;h-为上一时刻最具代表性的特征。相比源数据,encoder部分提取
的输出信号;W、W、W。分别为对应的权重参数;的特征维度大大降低,减少了后续神经网络训练的
α为对结果进行Sigmoid运算。负担的同时能达到很好的训练效果。此时将encoder
LSTM的cell包括两种不同的状态信息:一种是部分输出结果输送到下一环节进行处理。
长期状态,另一种是短期记忆。
邻的时间步之间,通过在长期状态中遗忘不太重要李生神经网络(SiameseNetwork)在处理类别不
的信息,同时增加过滤的短期记忆的信息,结合两平衡数据上有良好的表现。网络一次接受两个样本
者输人到后续步骤。LSTM的cell的长期状态类似于组成一个样本对作为输人,分别输人到特征提取网
“高速公路”,cell的状态类似车流在高速公路上运络,将输人在新的空间映射成两个特征向量G
行,小的线性操作作用其上如同车辆离开或并入车(X,)、G(X,),其中两个特征网络Networkl、
流,信息很容易保持不变的流过整个高速公路,即Network2共享权值。计算两个特征向量的相似程度,
使较早时间步长的信息也能携带到较后时间步长的在训练过程中通过不断优化损失函数,使两个相同
138
2022年第8期煤炭工程研究探讨
分类样本对的相似性尽可能大,两个异类样本对的将不同尺度的特征合并,从而保证特征的泛化性与
相似性尽可能小,从而达到区分异常数据的目的。鲁棒性,对提取的一个样本对的特征进行相似性度
损失函数的定义如下:量。针对并行的编码器分别构建解码器,将编码器
1部分的输出向量通过广播进行维度扩充,经过堆叠
L(W,(Y,X,,X,))=YD%+
2台三层的LSTM最终获得输出X'、X'2,通过优化
(1-Y)max(m-Dw,0)2(7)Distance<X'l,X'>来约束编码器提取的特征能最大
式中,Dw为某种度量距离;m为设置的相似度程度的代表输人数据。
阅值,本文选用欧氏距离来计算两个向量之间的相
3采煤机异常检测
似性,公式为:
Da(,X,)=X,Xl=(,(X;-X.))(8)
方法的第一阶段涉及从采煤机原始数据提取出弱
其中,为样本特征维数。
P标签数据集。采煤机在综采工作面具有固定的作业时
当Y=1即样本相似时,损失函数为式(9);当样
间,由于采煤机的往复工作机制,结合工况信息可以
本相似时,特征空间欧式距离越小,损失函数越小,
绘制采煤机随时间变化的运动轨迹,如图3所示。
当Y=0,即样本不相识时,损失函数为式(10):
时差位置架
140F71000
L(W,(Y,X,,X2)):YD台(9)1208000
21006000
1S/
604000
L(W,(Y,X,,X))=22(1-Y)max(m-Dw,0)240
202000
(10)
50010001500200025003000
当样本不相似时,其特征空间的欧式距离越大,数据点
损失函数越小。上述损失函数可以很好的表达成对图3采采煤机运动轨迹
样本的匹配程度,有助于模型训练时提取有效特征。图像的横轴代表非等长间隔的时间顺序,左纵
网络结构如图2所示。轴代表从采煤机位置架从标号0一150,右纵轴代表
在其工作位置停留时间,在作业状态下过高的滞留
网络1网络2
.(时间意味着采煤机发生了异常情况。根据需求,截
G.(X)G(X)取20一120位置架之间的数据如图4所示。
1253000
距离<G(X).G,(X)>时差
100一位置架
2000
输出75
图2李生神经网络501000
25

20406080100
本文采用自编码神经网络与Siamese结构相结合数据点
(a)采煤机正常运动轨迹
方式,并行构建共享权重的编码器,在编码器部分
125[时差73000
并联了循环神经网络与卷积神经网络,分别在时间、位置架
100
2000
空间上对数据进行特征提取。其中循环神经网络部75
分堆叠了三层LSTM,模型可以更深人更准确的提取S/
501000
时序数据特征。卷积神经网络部分先对输人数据进
25
行了维度转换,以保证在在时间步上进行卷积,通020406080100
数据点
过三个相同的一维卷积模块,分(b)采煤机异常运动轨迹
别包含一维卷积层、批归一化层、一维最大池图4采煤机局部运动轨迹
化层,最后接一维全局池化层,以在空间维度上对
输人数据X,、X,进行特征抽取。通过Concatenate层根据时间截截取采煤机设备的截割部与牵引部
139
研究探煤炭工程2022年第8期
的电流温度数据。为采煤机某异常状态的8维数据,提取样本数据特征,对提取到的特征进行相似性度
如图5所示。设置滑动时间窗口(500,50),以大小量,通过优化损失函数,不断增大相异类别数据提
为500(约10min),步幅为50(约1min),滑动截取取的特征之间的差异,并使相同类别数据对的特征
距离采煤机异常间隔小于10min的长度为500的工之间的差异更小,实现异常检测。同时通过解码器
况数据。以同样方式滑动截取正常数据。将压缩的特征还原,通过提升解码结果对于原始数
3000据的还原度,从而增强编码器提取的特征的有效性。
120一位置架一时差1
1002500实验中所选取的测试数据为某综采面采煤机一
200月、二月的工况数据,包含采煤机截割部、牵引部
1500
1000的电流温度共八维数据,通过选取与上文数据集制
40500作时相同的滑动窗口,在测试数据上按时序滑动截
20M
20406080100120取数据,模拟采煤机工作产生工况数据,将截取的
数据点
(a)采煤机异常点位数据输人训练好的模型,输出采煤机异常与否的判
400左滚简电流一左滚简温度300
350右滚简电流一右滚简温度250别情况,将结果与记录的采煤机急停数据对比,完
300左牵引电流一左温度
右牵引电流右牵引温度
250200成模型检验。
150
1501004实实验结果
100
5050
本文通过对历史工况数据构建训练集与验证集
05001000150020002500
数据点完成对LCAS模型的训练,原始数据存储在influxdb
(b)异常点多维特征数据
图5异常多维数据时序数据库中,通过对原始数据清洗重构生成csV
格式的数据,选取综采面采煤机一、二月份工况数
可以提取到大量正常的数据以及少量异常的数据作为测试集对模型性能进行检测,数据包含采煤
据从而生成一个弱标签数据集,这由采煤机的工作机的截割部、牵引部四个部位的电流、温度共八维
特性所决定。将生成的弱标签的不平衡的数据集进工况数据。一月份数据共选取约230000个数据点,
行配对,对于㎡条正常数据样本,几条异常数据样其中包含了18个异常数据节点,通过构建大小为
本,通过组合分别得到C㎡个正常数据对样本,与500的滑动窗口对一月份数据滑窗截取作为一条样
(m·n)个异常样本数据对作为模型的输人。本数据进行测试集构建,距离异常节点小于2h的数
。测试数据统计见表1。
第二阶段的基于LCAS模型的采煤机异常检测表1测试数据统计量
方法具体步骤如下:①对数据集进行平稳性检验与统计量一月份数据三月份数据
处理;②将数据成对输人到搭建好的LCES模型进时间点约230000约500000
样本数20487168
行训练;③选取某月数据进行模拟部署,验证模型正常样本18056311
异常样本243857
检测效果。异常节点数1846
工况数据为天然时序数据,用样本时序数据的数据长度500500
均值、方差、协方差来刻画时间序列的本质特征,
这些统计量须保持在未来阶段的一个时期内维持不一、二月份的工况数据对LCAS模型检测结果
变,可被人为样本时序数据具有平稳性。本文通过见表2、3(将异常情况视为正例),其中TP为被模
单位根检验(ADF)对时序数据平稳性进行判定,序型预测为正类的正样本,TN为被模型预测为负类的
列平稳就不存在单位根,ADF检验的HO假设存在负样本,FP为被模型预测为正类的负样本,FN为
单位根,通过对显著性检验统计量小于三个置信度被模型预测为负类的正样本。
(10%、5%、1%)则对应有(90%、95%、99%)的把表2一月份工况数据模拟部署结果
预测情况
握拒绝原假设,通过对数据进行差分以满足ADF检真实情况
正例反例
验,作为模型输人。正例:243TP:204FN:39
样本对分别输人并联的LSTM、CNN编码器,反例:1805FP:5TN:1800
140
2022年第8期煤炭工程研究探讨
表3二月份工况数据模拟部署结果测,并且模型具有不错的泛化能力。
预测情况
真实情况
正例反例参考文献:
正例:857:768FN:89
TP王国法,
反例:6311FP:28TN:6283
发展[J].煤炭科学技术,2019,47(3):1-9.
[2]王国法,李占平,+大采高工作面智能化升
一、二月份的工况数据对LCAS模型评价指标级关键技术[J].煤炭科学技术,2016,44(7):15-21.
见表4。[3]SafaeipourH,ForouzanfarM,
表4测试结果评价指标clasificationofincipientfaultdiagnosisapproaches[J].Joumal
ofProcessControl,2021,97:116.
评价指标一月二月
[4]王国法,
准确率/%
[J].煤炭科学技术,2019,47(1);1-10.
召回率/%
精准率/%[5]庞义辉,王国法,
漏警率/%[J].煤炭科学技术,2019,47(3):35-42.
虚警率/%[6]杨阳,吉晓冬,杨子贤,掘进机回转台振动信号状态监测
和分析[J].煤炭工程,2015,47(8):110-112.
从上述实验结果可以看出,在两个不同月份测[7]董刚,马宏伟,南源桐,等,刮板输送机飘链故障诊断技
术研究[J].煤炭科学技术,2017,45(5):41-46.
试集上进行部署模拟,整体准确率均在97%以上,
[8]杨健健,唐至威,王子瑞,-BP神经网络的掘
对于异常检测的精准率均在96%以上。漏警率大于进机截割部故障诊断[J].煤炭科学技术,2017,45(10):
10%的原因在于,部署策略通过滑动截取异常数据,129-134.
在相对较远离异常点,即正常与异常数据的交界处[9]王金辉,
与分析[J].煤炭科学术,2019,45(2):68-73.
的数据易被误检,这也是漏检易发生的区域,随着
[10]毛君,郭浩,
越来越接近异常点,检测的准确率也会随之提高。割部减速器故诊断[J].煤炭科学技术,2019,47(11):
从诊断结果可以看出,基于自编码李生神经网络的123-128.
采煤机异常检测,通过LCAS模型对构建的弱标签[11]WangC,
deepneuralnetworkforfew-shotfaultdiagnosis[J].
数据集学****可以有效识别出采煤机在工作过程的
Neurocomputing,2021.
异常状况,且模型对数据标注需求较低,极大程度
[12]LiY,ChaiY,
的降低了标注成本。leamingfornonlinearindustrialprocessfaultdiagnosis[JJ.
JoumalofProcessControl,2021,101;24-34.
5结论[13]WangWF,QiuXH,ChenCS,
longshon-temmemorynetworkinfaultdiagnosis[A].2018
1)结合采煤机工况信息对采煤机截割部、牵引
IntemationalConferenceonMachineLearmingandCybemetics
部工况数据进行标定,通过ADF单位根检验实现对(ICMLC).IEEE,2018,2:360-365.
时序工况数据进行平稳性检验,利用差分实现时序[14]SabirR,RosatoD,HartmannS,
数据平稳化,完成数据集构建。faultdiagnosisofelectricalmachinesusingmotorcurrentsignal
2)基于自编码李生神经网络架构,并联LSTM、[A].201918thIEEEIntemationalConferenceOnMachine
LeamningAndApplications(ICMLA).IEEE,2019:613-618.
CNN在时间域、空间域提取不同尺度的特征,通过
[15]MalhotraP,TVV,RamakrishnanA,-sensor
Concatenate层将特征合并,保证特征的泛化性、鲁prognosticsusinganunsupervisedhealthindexbasedonLSTM
棒性。通过自编码结构约束特征能最大程度代表原encoder-decoder[J].arXivpreprintarxiv:
始数据,保证所提取的特征的有效性。利用Siamese(2016).
LiB,ChengF,ZhangX,-superiseddata
李生网络结构对输的数据对进行相似性度量,在[16]
-drivenmethodforchllerfaultdiagnosiswithunlabeleddata
不平衡数据集上检测出异常数据。[J].AppliedEnergy,2021,285:116459.
3)以某综采面采煤机工况数据搭建模型并进行[17]【J].煤炭科
模拟部署测试,测试结果表明本文提出的数据集构学技术,2015(43):139-143.
建模式及模型,能对采煤机的异常情况作出有效检(责任编辑赵巧芝)
141

基于自编码孪生神经网络的采煤机异常检测 来自淘豆网www.taodocs.com转载请标明出处.

相关文档 更多>>
非法内容举报中心
文档信息
  • 页数6
  • 收藏数0 收藏
  • 顶次数0
  • 上传人雪雁
  • 文件大小5.65 MB
  • 时间2022-12-04