基于长短期记忆神经网络的采煤机摇臂轴承剩余寿命预测

王振环

（山西潞安化工集团司马煤业有限公司，山西 长治 047100）

采矿工程是矿山行业的核心环节，而采煤机作为采矿过程中重要的工具之一，其可靠性和运行效率对采煤作业和生产安全意义重大。采煤机摇臂轴承的剩余寿命预测对于提高采煤生产效率和降低安全风险具有现实意义。近年来，随着采煤工作面装备水平不断提高，因采煤机摇臂轴承故障和失效问题引发的安全风险日益突出，给采煤机的正常运行带来了诸多挑战。因此，开展准确预测和评估摇臂轴承剩余寿命的研究具有重要理论和实际意义。

葛红兵[1]（2018）基于故障树原理和理论分析了采煤机牵引部分的故障机理，并采用模糊逻辑理论评判采煤机牵引部分故障，得到了不同运行阶段牵引部分故障率和故障形式，实现了对采煤机牵引部分的管理。田震[2]（2019）建立应力-可靠度高斯型隶属度函数，利用其获取采煤机行星轴与行星架之间的可靠度信息，实现了对截割部分行星减速可靠性的分析。

用传统的统计模型和机器学习方法进行轴承寿命预测存在一定的局限性。随着深度学习技术的发展，神经网络模型在序列数据分析和预测领域蓬勃发展，并展示出了其优越的性能。LSTM 作为一种具有记忆性的深度学习模型，能够对序列数据进行有效建模和预测。通过利用轴承工作状态历史数据和相应的剩余寿命信息，相较于传统的统计模型和机器学习方法，LSTM 能够捕捉到序列数据中的长期依赖关系，更加适用于轴承寿命预测这一时序性问题。该研究将建立一个准确且可靠的预测模型，以实现对摇臂轴承寿命的精准预测和监测。

1 采煤机摇臂关键零部件失效机理

1.1 采煤机摇臂结构

采煤机摇臂结构主要由截割电动机（以下统称称“电动机”）、摇臂壳体、护板、截一轴、截二轴、截三轴、惰轮结构、行星轮等部件组成，如图1 所示。下面将对部件进行详细描述：

图1 采煤机摇臂结构

截割电机：截割电机是摇臂结构的核心部件之一，它通过传动装置与摇臂壳体相连。截割电机通过高速旋转提供动力，使摇臂机构能够进行煤炭的切割和破碎操作。

摇臂壳体：摇臂壳体是摇臂机构的外部保护罩，由金属材料制成。它起到保护内部部件不受外部损害的作用，并提供结构稳定性和刚度。

护板：位于摇臂壳体的上方，用于遮挡和保护截割电机和其他部件，防止煤矸对电动机和传动装置的损害，提高整体结构的安全性和可靠性[3]。

截一轴、截二轴、截三轴：这些轴位于摇臂壳体内部，与截割电机相连。它们承载着截割电机的转动力矩，并通过传动装置将动力传递给截割装置，实现截割操作。

惰轮结构：摇臂结构中的惰轮结构位于摇臂壳体底部，由惰轮和支撑结构组成。惰轮与截割装置接触，起到支撑和保持摇臂运动稳定的作用。

行星轮：位于摇臂壳体底部的摇臂液压缸中，行星轮的运动可以控制摇臂的升降和前后摆动。

按标准设计制造的采煤机能够在恶劣的采煤环境下安全可靠地运行。同时，定期维护、保养也是确保采煤机特别是摇臂结构长期稳定运行的关键。

1.2 采煤机摇臂关键零部件失效形式

采煤机摇臂是采煤机的重要部件，承担着割切和破碎煤炭的任务。然而，在采煤作业中，摇臂的关键零部件可能会出现失效，影响采煤机正常运行。下面将介绍几种常见的摇臂关键零部件失效形式：

截割电机故障：截割电机是摇臂结构的核心部件，如果电机出现故障，如绝缘损坏、轴承磨损或电路问题，将会导致截割功能无法正常运行。

轴承故障：摇臂结构中的轴承承载着截割电机的转动力矩，如果轴承损坏或磨损严重，会导致摇臂运动不稳定，甚至出现卡滞或断裂的情况。

传动装置故障：摇臂结构中的传动装置由截一轴、截二轴、截三轴等组成，用于传递截割电机的动力。如果传动装置的链条或齿轮严重磨损或断裂，将会导致能量传输的中断。

摇臂液压缸故障：摇臂液压缸负责控制摇臂的升降和前后摆动。如果液压缸内部密封件磨损、泄漏或油液污染，将会导致摇臂运动不稳定或不工作。

为了预防和减少摇臂关键零部件的失效，需要进行定期的检查、维护和保养。包括电机的绝缘、传动齿轮的磨损、轴承磨损痕迹和游隙、传动装置的润滑和紧固、液压缸的密封性能等检查。通过科学合理的维护保养，可以提高摇臂结构的稳定性和可靠性，保障采煤机安全高效运行。

2 长短期记忆神经网络

LSTM 在传统循环神经网络的基础上，引起多个控制门，通过控制门解决循环神经网络梯度消失问题。LSTM 门控单元能够阻拦或允许信息传递，以此来捕获数据的相关性。LSTM 模型内部结构包含可以传递时间序列数据的调节门和记忆单元[4-5]。LSTM 模型调节门包括遗忘门、输出门和输入门。不同的调节门可以控制时间序列数据的选择性遗忘与记忆、信息选择性输出等，如图2。

图2 LSTM 结构

3 基于LSTM 网络的轴承剩余寿命预测模型

3.1 退化指标构建

图3 所示为采煤机摇臂滚动轴承退化的演变过程。轴承退化是一个渐进的过程，由初始的轻微磨损逐渐转变为严重损伤。当轴承出现细微磨损时，这些磨损并不会对轴承的正常运转产生影响，因此该状态仍然被认为是一种健康的状态，并且轴承的健康状况会延续很久，通常占据整个生命周期的70%～80%。在经过一段时间后，如果轴承滚道表面或滚动体出现细小裂纹时，轴承开始出现运行故障，此时轴承退化曲线为初始退化点（initial degenerate point,IDP），即图3 中B 点。随着轴承磨损程度加剧，轴承会进入到一个退化阶段[6]。在这个时期，轴承的磨损量会大幅度地增加，显然该磨损已经不是普通的损耗。与此同时，轴承表面还会有裂纹扩展和新裂纹的生成，轴承的性能会呈现一个指数型的降低，并且会有更多的故障产生。当轴承出现严重损伤，甚至达到破坏的临界值时，其工作状态就会因为不符合安全运行而停止，此时轴承退化曲线就会到达功能性失效点C，该点即表明轴承进入失效阶段[7]。因此，采煤机摇臂滚动轴承的整个生命周期可以划分为三个阶段：健康、退化和失效。

图3 轴承退化规律曲线

3.2 分层抽样划分数据集

传统的时间序列数据分类法主要根据故障演化过程，将轴承整个生命周期内的故障数据分为正常、轻微退化、退化、严重故障、剧烈故障等几个阶段，并按照7:3 的比例将各阶段分为训练集与测试集。但这种方法的分割点是随机的，可能会出现不含轴承退化特征信息的训练集，使得LSTM 在训练时不能获取足够的信息，进而影响其寿命预测结果[8]。

针对轴承剩余周期预测时特征学习不完备性，采用分层抽样方法将轴承生命周期内的所有样本分为多个层次或多个类别，在每个层次或多个类别中分别提取训练和检测集。该方法可以确保各层次样本的特性曲线之间的相似性。首先以10 个连续时间样本为单元划分样本层，然后在每层以7:3 的比例提取测试集和训练集，使每层的训练集与测试集彼此交替分布。通过分层抽样可以对轴承整个使用寿命期的数据进行更为精细的分割，使得训练集与测试集会呈现出相近的使用性能退化规律，从而使得在训练时可以对整个使用寿命期的数据进行更为全面、完备的学习，达到对整个使用寿命期的数据进行精确的预测，提升模型的预测精度的目的[9]。

3.3 粒子群的超参数优化算法

粒 子 群 优 化 算 法（Particle Swarm Optimization,PSO)是一种模仿鸟群觅食行为规则的仿生算法，可以将每只鸟看作为一个粒子，其只包含位置和速度参数，通过协同合作和信息共享等方式获得最优解。在获取最优解时，需要限制粒子位置和速度，即解空间。算法开始时，随机初始化一群粒子，每个粒子根据自身的位置和速度不断调整，同时受到个体最优解和群体最优解的吸引力。通过迭代更新，粒子群在解空间中逐渐收敛到问题的最优解或近似最优解。PSO 的核心思想是利用个体和群体间的协作，通过信息的共享和传递，引导粒子群向更优的解空间位置移动。在每次迭代中，粒子的速度和位置被调整，使得粒子向着历史经验中的最优解和当前全局最优解靠拢。这种集体智能的搜索策略使得PSO 在解决复杂、高维度问题时表现出色，成为一种常用的优化算法。

LSTM 是一种深度学习模型，用于处理序列数据，如文本、语音和时间序列数据。PSO 可以用于优化神经网络的参数，包括LSTM 中的权重和偏差。1）参数优化：LSTM 模型通常有大量的参数，需要进行调整和优化，以达到更好的性能。PSO 可以帮助自动化这个参数优化过程，找到最佳参数组合。2）搜索空间探索：LSTM 的参数空间通常是高维的，而且存在许多局部最优解。PSO 的群体智能性质使其能够更好地在参数空间中探索，找到全局最优解。3）收敛速度：PSO 通常在较少的迭代次数内就可以找到相对好的解，因此可以加速神经网络的训练过程，尤其是在计算资源有限的情况下。4）防止过拟合：PSO 可以帮助寻找更简单的神经网络架构，从而降低过拟合的风险。

假设粒子群包含m个粒子，其经过n次迭代后，第i个粒子的速度和位置可以表示为vi,n、xi,n，其计算公式如下：

式中：r1、r2为介于（0,1）的随机数；c1、c2为个体和群体学习经验因子；pbest为个体最优位置；gbest为全局最优位置。

每次迭代完成后，粒子个体最优位置根据适应度进行更新。

式中：f（·）为位置适应度函数。

从式（3）可以看出，当粒子位置舒适度比个体最优位置舒适度高时f（pbesti,n）＞f（xi,n+1），个体最优位置将替换当前位置；反之个体最优位置不变。粒子除了需要更新个体最优位置外，还需要更新全局最优位置，如下所示：

为了进一步提高粒子群算法的开发和探索能力，使粒子群算法更快、更好寻优，增加惯性权重因子w，w随着迭代次数的增加呈递减趋势：

式中：pbesti,n-xi,n为自身感知项；gbesti,n-xi,n为群体认知项；kmax为最大迭代次数。

在迭代过程中，通过w值确定最优解区域，之后w值不断减小，粒子群寻优范围进一步减小。该改进方式可以进一步提高粒子群算法局部搜索能力[10]。

4 基于LSTM 网络的轴承剩余寿命预测

首先确定采煤机摇臂滚动轴承退化时刻点，并划分轴承的退化阶段和健康阶段，建立LSTM 退化指标。构建LSTM 轴承剩余寿命预测模型，采用分层抽样方法将轴承寿命预测标签和深层退化特征划分为测试集和训练集，然后利用LSTM 进行训练，预测轴承剩余寿命。在设置LSTM 模型超参数时，利用粒子群算法解决参数选择问题。

图4 所示为LSTM 模型预测结果。从图4 中可以看出，轴承剩余寿命真实值与预测结果变化趋势重合度较高。为保证轴承剩余寿命预测结果的可信度，增加置信度评估，为评估轴承剩余寿命预测结果的不确定，对轴承寿命退化阶段的预测进行区间评估，在轴承剩余寿命预测值上设置95%置信水平区间。从图4 局部放大图中可以看出，预测结果与真实值存在一定偏差，但是部分预测值均落在置信区域范围内，表明预测值与真实值的变化情况基本一致。

图4 轴承剩余寿命预测结果

5 结论

该文建立了LSTM 预测模型，并对轴承剩余寿命进行预测，预测结果与真实值基本一致，简要介绍了LSTM 的基本原理，基于LSTM 理论建立了轴承剩余寿命退化指标，以此来反映轴承寿命退化过程；利用分层抽样方法对数据集进行划分，提高模型的预测精度；建立LSTM 网络模型对轴承剩余寿命进行预测，并设置置信区间保证预测结果的可信度。