?

基于PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的液壓鉆機(jī)故障診斷

Data analysis

0引言

利用液壓鉆機(jī)鉆孔對煤層瓦斯抽采，一方面作為再生能源利用，另一方面可提高煤炭開采效率和減少瓦斯安全事故。液壓鉆機(jī)是機(jī)電液一體化的復(fù)雜裝備，其工作環(huán)境惡劣、工藝復(fù)雜、故障率高、排查困難。利用先進(jìn)的方法進(jìn)行故障診斷，對提高設(shè)備可靠性和運(yùn)行效率具有重要意義。

液壓鉆機(jī)故障具有隱蔽性、交錯(cuò)性、隨機(jī)性等特點(diǎn)[1-6]。針對其故障特點(diǎn)，研究者提出了故障樹[7]、SOM網(wǎng)絡(luò)[8]等故障診斷方法，但上述方法在應(yīng)用中存在局限性，影響了診斷正確率。故障樹方法搜索過程繁瑣，診斷結(jié)果嚴(yán)重依賴于故障樹信息的正確性和完整性，診斷正確率不高。SOM網(wǎng)絡(luò)方法學(xué)習(xí)速度的選擇需要與最終權(quán)值向量的穩(wěn)定性進(jìn)行折中，影響了診斷正確率[9-10]。

針對上述問題，本文提出一種基于粒子群算法(particle swarm optimization,PSO)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)(簡稱PSO-BP網(wǎng)絡(luò))的液壓鉆機(jī)故障診斷方法。Matlab仿真結(jié)果驗(yàn)證了此方法的可行性，表明其能夠?qū)σ簤恒@機(jī)的部分典型故障進(jìn)行比較準(zhǔn)確的診斷。

1液壓鉆機(jī)故障診斷模型

液壓系統(tǒng)大多數(shù)故障都與壓力、油溫 、泄油量等重要參數(shù)相關(guān)。壓力直接反應(yīng)鉆機(jī)工作狀態(tài)，是各種狀態(tài)信息的載體；泄油量信號反映了液壓泵和液壓馬達(dá)等裝置的工作狀態(tài)和泄漏情況；油液溫度作為一個(gè)綜合特征信號，能夠反映油液清潔度和黏度、內(nèi)泄漏、運(yùn)動(dòng)部件磨損情況等。通過分析液壓鉆機(jī)故障特征因素可知，泵壓力、卡盤壓力、油箱溫度、馬達(dá)泄油量、泵泄油量、減壓閥壓力等6個(gè)參數(shù)(分別用x1～x6表示)為主要特征參數(shù)[11-12]。

鉆機(jī)結(jié)構(gòu)復(fù)雜，故障類型多樣，鑒于篇幅限制，本文以4種典型故障為例，驗(yàn)證該方法的可行性和有效性。液壓鉆機(jī)常見的故障類型有：馬達(dá)回轉(zhuǎn)無力、換向閥阻塞、卡瓦磨損、濾油器阻塞等(分別用F1～F4表示)，加上正常狀態(tài)(用F5表示)，作為待診斷的五種狀態(tài)類型。鉆機(jī)故障與參數(shù)表現(xiàn)存在著重疊與交叉，各工況參數(shù)之間也具有較大的非線性，通過PSO-BP神經(jīng)網(wǎng)絡(luò)提取變量間的非線性關(guān)系，可以實(shí)現(xiàn)故障的分類識別。液壓鉆機(jī)故障診斷模型如圖1所示。圖1中，特征參數(shù)x1～x6為網(wǎng)絡(luò)模塊的輸入，待診斷狀態(tài)類型F1～F5為網(wǎng)絡(luò)輸出。

圖1　故障診斷模型

2PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

針對常規(guī)BP神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于故障診斷時(shí)存在的問題，可利用粒子群算法對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化，從而加快神經(jīng)網(wǎng)絡(luò)的收斂速度并提高故障診斷的正確率。

2.1BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種雙向傳播的多層前饋網(wǎng)絡(luò)，其基本思想是把網(wǎng)絡(luò)學(xué)習(xí)分為信息的正向傳遞、誤差反向傳遞兩個(gè)過程。

①正向過程：計(jì)算各層節(jié)點(diǎn)的輸出以及實(shí)際輸出與期望輸出的誤差。隱含層輸出如式(1)所示；輸出層的輸出形式如式(2)所示，誤差函數(shù)如式(3)所示。

(1)

(2)

(3)

②反向過程：從輸出層開始，按一定規(guī)則向誤差減小的方向調(diào)整網(wǎng)絡(luò)的各個(gè)連接權(quán)值。輸出權(quán)值變化如式(4)所示，隱含層權(quán)值變化如式(5)所示。

(4)

(5)

重復(fù)以上前向和反向過程，直到輸出誤差達(dá)到要求的范圍之內(nèi)，網(wǎng)絡(luò)訓(xùn)練結(jié)束[13-14]。

2.2標(biāo)準(zhǔn)PSO算法

PSO通過群體中粒子間的協(xié)作與信息共享來指導(dǎo)、優(yōu)化搜索，結(jié)構(gòu)簡單易實(shí)現(xiàn)，全局搜索能力強(qiáng)，是一種有效的全局尋優(yōu)算法[15]。PSO首先隨機(jī)初始化一群粒子，將每個(gè)粒子視作極值優(yōu)化問題的一個(gè)潛在最優(yōu)解，粒子特征由位置、速度和適應(yīng)度值三項(xiàng)指標(biāo)表現(xiàn)。適應(yīng)度值由適應(yīng)度函數(shù)計(jì)算得出，用來評價(jià)粒子性能的好壞[16]。

粒子在搜索最優(yōu)解的過程中，追隨當(dāng)前最優(yōu)粒子并逐代搜索，最終得到最優(yōu)解。每次迭代過程中，粒子跟蹤兩個(gè)極值：一個(gè)是粒子本身已找到的最優(yōu)解，另一個(gè)是整個(gè)群體已找到的最優(yōu)解。粒子通過個(gè)體極值和全局極值來更新自身的速度和位置[17-20]，更新公式如式(6)和式(7)所示。

(6)

(7)

為防止粒子盲目搜索，可將位置和速度分別限制在[-Xmax,Xmax]和[-Vmax,Vmax]的區(qū)間內(nèi)。w為慣性權(quán)重，用于均衡粒子的探索能力與開發(fā)能力，取值一般采用線性遞減法，如式(8)所示。

(8)

式中:tmax為最大迭代次數(shù);t為當(dāng)前迭代次數(shù);wstart為初始慣性權(quán)重;wend為最終慣性權(quán)重。

2.3PSO優(yōu)化權(quán)值和閾值

首先，建立粒子與待優(yōu)化參數(shù)間的映射關(guān)系。待優(yōu)化參數(shù)包括權(quán)值w1ij、w2jk以及閾值b1j、b2k，映射關(guān)系由以下矩陣表示：

矩陣長度D即是粒子維數(shù)：

D=1×H+H×O+H+O

(9)

式中:I為輸出層節(jié)點(diǎn)數(shù);H為隱含層節(jié)點(diǎn)數(shù);O為輸出層節(jié)點(diǎn)數(shù)。

優(yōu)化網(wǎng)絡(luò)的目的是搜索出一組最優(yōu)權(quán)值和閾值，使訓(xùn)練樣本的均方誤差值最小，因此可選取適應(yīng)度函數(shù)為：

(10)

PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)流程如圖2所示[21-22]。

圖2　PSO優(yōu)化BP網(wǎng)絡(luò)流程圖

3液壓鉆機(jī)故障診斷

根據(jù)液壓鉆機(jī)工況參數(shù)提取特征信號，歸一化處理建立樣本集，利用訓(xùn)練樣本訓(xùn)練PSO優(yōu)化的神經(jīng)網(wǎng)絡(luò)，再根據(jù)訓(xùn)練結(jié)果進(jìn)行故障診斷，流程如圖3所示。

圖3　故障診斷流程圖

3.1信號采集與特征參數(shù)提取

① 信號采集。利用傳感器、數(shù)據(jù)采集卡和工業(yè)計(jì)算機(jī)組成信號采集硬件系統(tǒng)，硬件結(jié)構(gòu)如圖4所示。選擇性能適當(dāng)?shù)谋景矀鞲衅鞑杉@機(jī)工況信號，經(jīng)過信號調(diào)理電路,對其進(jìn)行放大、隔離、濾波，然后送入信號采集卡中進(jìn)行處理，最后經(jīng)數(shù)據(jù)總線送入內(nèi)置LabVIEW程序的工業(yè)計(jì)算機(jī)中進(jìn)行顯示和存儲，實(shí)現(xiàn)鉆機(jī)工況信號采集。

圖4　信號采集硬件結(jié)構(gòu)圖

② 特征參數(shù)提取。同前文所述，提取泵壓力、卡盤壓力、油箱溫度、馬達(dá)泄油量、泵泄油量、減壓閥壓力等6個(gè)參數(shù)作為故障特征參數(shù)，采集馬達(dá)回轉(zhuǎn)無力、換向閥阻塞、卡瓦磨損、濾油器阻塞4種典型液壓故障狀態(tài)以及正常工作狀態(tài)下的特征信號，作為液壓鉆機(jī)故障的診斷依據(jù)。

3.2建立樣本集

為便于分析比較，按式(11)對采集到的特征信號進(jìn)行歸一化處理。

(11)

在F1～F5每種狀態(tài)下選取3組數(shù)據(jù)，作為BP網(wǎng)絡(luò)的訓(xùn)練樣本；以同樣的方法從數(shù)據(jù)庫中另選出15組數(shù)據(jù)，作為網(wǎng)絡(luò)的測試樣本以檢驗(yàn)網(wǎng)絡(luò)輸出。訓(xùn)練和測試樣本如表1所示。

表1　訓(xùn)練和測試樣本

續(xù)表1

3.3仿真分析

②PSO參數(shù)設(shè)置。粒子群規(guī)模N=40，wstart=0.9，wend=0.4，c1=c2=2，網(wǎng)絡(luò)訓(xùn)練的最大迭代次數(shù)tmax=200，位置最大值Xmax=5，速度最大值Vmax=1。

③仿真結(jié)果分析。經(jīng)Matlab軟件仿真，適應(yīng)度值曲線如圖5所示。

圖5　適應(yīng)度值曲線

迭代67次之后，適應(yīng)度值達(dá)到穩(wěn)定值0.014 3，曲線收斂平滑，速度快。BP網(wǎng)絡(luò)與PSO-BP網(wǎng)絡(luò)訓(xùn)練誤差曲線如圖6所示。目標(biāo)均方誤差設(shè)置為0.001，曲線橫坐標(biāo)為網(wǎng)絡(luò)訓(xùn)練迭代次數(shù)，縱坐標(biāo)為網(wǎng)絡(luò)的均方誤差值。當(dāng)網(wǎng)絡(luò)誤差小于目標(biāo)誤差時(shí)，訓(xùn)練停止。

BP神經(jīng)網(wǎng)絡(luò)經(jīng)531次迭代收斂至目標(biāo)誤差值，訓(xùn)練初期曲線收斂速度較慢，訓(xùn)練后期出現(xiàn)明顯震蕩，見圖6虛線；PSO-BP僅用84次迭代便完成訓(xùn)練，曲線收斂速度快，無明顯震蕩，見圖6實(shí)線。由此可知，PSO-BP網(wǎng)絡(luò)迭代周期明顯減少，收斂速度明顯加快。

利用訓(xùn)練好的網(wǎng)絡(luò)對測試樣本進(jìn)行仿真驗(yàn)證，并根據(jù)網(wǎng)絡(luò)輸出判別分類結(jié)果。選取合適的判別區(qū)間，確定輸出數(shù)據(jù)歸于1或0，表示故障發(fā)生或不發(fā)生。若仿真結(jié)果大于0.9，則判定其為1；若仿真結(jié)果小于0.1，則判定其為0；處于(0，0.9)區(qū)間內(nèi)的數(shù)據(jù)判定為無效分類。網(wǎng)絡(luò)輸出及診斷結(jié)果如表2所示。表2中，S表示測試樣本所屬狀態(tài)，R1表示BP網(wǎng)絡(luò)的診斷結(jié)果，R2表示PSO-BP網(wǎng)絡(luò)的診斷結(jié)果，“？”表示分類無效，無法判斷診斷結(jié)果，處于無效分類區(qū)間的數(shù)據(jù)由下劃線標(biāo)記。

圖6　訓(xùn)練誤差曲線對比

分析對比表2中的網(wǎng)絡(luò)輸出，BP網(wǎng)絡(luò)有1組輸出出現(xiàn)兩個(gè)無效分類數(shù)據(jù)(位于表2編號6)，該數(shù)據(jù)及診斷結(jié)果已由下劃線標(biāo)記，其他14組數(shù)據(jù)分類有效，診斷結(jié)果正確；PSO-BP網(wǎng)絡(luò)所有的仿真輸出均為有效分類數(shù)據(jù)，診斷結(jié)果全部正確。由表2可見，PSO-BP網(wǎng)絡(luò)對故障狀態(tài)的識別分類能力明顯高于BP網(wǎng)絡(luò),兩者的診斷結(jié)果對比如表3所示。

由表3可見，與BP神經(jīng)網(wǎng)絡(luò)相比，PSO-BP神經(jīng)網(wǎng)絡(luò)測試誤差和訓(xùn)練誤差明顯下降，迭代次數(shù)明顯減少，收斂速度明顯加快，故障診斷正確率高。

表2　網(wǎng)絡(luò)輸出及診斷結(jié)果

表3　診斷效果對比

4結(jié)束語

本文提出了一種基于粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的液壓鉆機(jī)故障診斷方法。通過BP神經(jīng)網(wǎng)絡(luò)提取故障特征參數(shù)之間的非線性關(guān)系，實(shí)現(xiàn)典型故障的分類識別;利用PSO算法優(yōu)化BP網(wǎng)絡(luò)的權(quán)值和閾值，提高BP網(wǎng)絡(luò)訓(xùn)練速度，并防止網(wǎng)絡(luò)陷入局部極小值。根據(jù)鉆機(jī)工況參數(shù)提取特征信號，進(jìn)行歸一化處理建立樣本集，利用訓(xùn)練樣本對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，根據(jù)訓(xùn)練結(jié)果進(jìn)行故障診斷。仿真結(jié)果表明，PSO優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)迭代次數(shù)少，收斂速度明顯提高，訓(xùn)練誤差和測試誤差明顯降低。該方法故障診斷正確率較高，滿足液壓鉆機(jī)故障診斷的要求。

參考文獻(xiàn)

[1] 龐海榮.ZDY1900S型全液壓鉆機(jī)現(xiàn)場故障診斷[J].煤炭科學(xué)技術(shù),2006,34(11):82-84.

[2] 姚克,孫保山,殷新勝,等. ZDY系列履帶定向鉆機(jī)的研制及應(yīng)用[J].煤炭科學(xué)技術(shù),2013,41(3):28-31，54.

[3] 薄秀英.礦山機(jī)電設(shè)備故障診斷技術(shù)分析探討[J].煤炭科學(xué)技術(shù),2013(S1):138-139.

[4] 許艷霞,郭俊杰,馮憲琴.煤礦用全液壓坑道鉆機(jī)的設(shè)計(jì)[J].煤礦機(jī)械,2014,35(7):21-23.

[5] 王新宇.ZYG-150型全液壓鉆機(jī)常見故障診斷[J].煤礦機(jī)械,2005(12):156-157.

[6] 施錦丹,王凱,王伯成,等.液壓系統(tǒng)故障診斷方法綜述[J].機(jī)床與液壓,2008,36(11):175-179.

[7] 夏緒波,王西韋.故障樹分析在礦用液壓鉆機(jī)中的應(yīng)用[J].價(jià)值工程,2013(18):45-46.

[8] 賀康,龐海榮,代粉蕾.SOM神經(jīng)網(wǎng)絡(luò)在全液壓鉆機(jī)液壓系統(tǒng)故障診斷中的應(yīng)用[J].煤礦機(jī)械,2011,32(4):249-250.

[9] 金鑫,任獻(xiàn)彬,周亮.智能故障診斷技術(shù)研究綜述[J].國外電子測量技術(shù),2009,28(7):30-32.

[10]王曉峰,毛德強(qiáng),馮尚聰.現(xiàn)代故障診斷技術(shù)研究綜述[J].中國測試,2013,39(6):93-98.

[11]杜京義,張明哲.基于粒子群優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的液壓鉆機(jī)故障診斷[J].煤礦機(jī)械,2012,33(5):251-253.

[12]孫立峰,呂楓.基于改進(jìn)PSO的RBF神經(jīng)網(wǎng)絡(luò)在液壓鉆機(jī)故障診斷中的應(yīng)用[J].液壓與氣動(dòng),2014(11):91-94,127.

[13]曹鳳才,岳鳳英.基于BP神經(jīng)網(wǎng)絡(luò)的液壓系統(tǒng)故障診斷研究[J].中北大學(xué)學(xué)報(bào)：自然科學(xué)版,2010,31(6):596-599.

[14]盧俊文,吳瑞,?；⑸?等.航空發(fā)動(dòng)機(jī)氣路改進(jìn)神經(jīng)網(wǎng)絡(luò)故障診斷研究[J].自動(dòng)化儀表,2015,36(1):5-8,12.

[15]Sun H,Xue Z,Sun K.Fault diagnosis analysis of power transformer based on PSO-BP algorithm[J].Applied Mechanics and Materials,2012(466-467):789-793.

[16] Dong Z,Zhang X,Zeng J.A modified PSO-BP algorithm in hydraulic system fault diagnosis application[J].Applied Mechanics and Materials,2012(182-183):1145-1148.

[17]劉景艷.基于改進(jìn)粒子群神經(jīng)網(wǎng)絡(luò)的提升機(jī)故障診斷[J].河南理工大學(xué)學(xué)報(bào)：自然科學(xué)版,2014,33(3):313-317.

[18]王龍剛,侯媛彬.BP-PSO在電加熱爐中的溫度智能預(yù)測[J].自動(dòng)化儀表,2013,34(1):54-56，60.

[19]李文,羅恩韜.改進(jìn)的PSO算法在攤鋪機(jī)行駛控制器中的應(yīng)用[J].電子測量與儀器學(xué)報(bào),2011,25(4):372-376.

[20]孟艷,潘宏俠.PSO聚類和梯度算法結(jié)合的RBF神經(jīng)網(wǎng)絡(luò)優(yōu)化[J].自動(dòng)化儀表,2011,32(2):6-8.

[21]馮輝宗,吳小敏,袁榮棣,等.基于PSO-BP神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)故障診斷[J].化工自動(dòng)化及儀表,2013,40(1):76-79.

[22]賈凱,李浩,熊曉航.PSO-BP神經(jīng)網(wǎng)絡(luò)采煤機(jī)截割系統(tǒng)故障診斷[J].遼寧工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版,2010,30(3):173-175.

Fault Diagnosis for Hydraulic Drilling Rig Based on BP Neural Network Optimized by PSO

余發(fā)山康洪張宏偉

(河南理工大學(xué)電氣工程與自動(dòng)化學(xué)院,河南 焦作454000)

摘要：液壓鉆機(jī)故障特征參數(shù)與故障狀態(tài)之間呈現(xiàn)較強(qiáng)的非線性，依賴線性數(shù)學(xué)模型的故障診斷方法診斷正確率不高。針對上述問題，提出了一種基于粒子群算法(PSO)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的液壓鉆機(jī)故障診斷方法。該方法利用BP神經(jīng)網(wǎng)絡(luò)提取特征參數(shù)之間的非線性關(guān)系，實(shí)現(xiàn)典型故障的分類識別；利用PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，提高網(wǎng)絡(luò)訓(xùn)練的收斂速度。仿真結(jié)果表明，PSO優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)迭代次數(shù)少，收斂速度快。該方法能夠?qū)y試樣本進(jìn)行有效分類，故障診斷正確率高。

關(guān)鍵詞：液壓鉆機(jī)故障診斷BP神經(jīng)網(wǎng)絡(luò)粒子群算法全局優(yōu)化可靠性數(shù)據(jù)分析

Abstract：Because of the strong nonlinearity between fault feature parameters and fault status of hydraulic drilling rig,the diagnostic accuracy of the fault diagnosis method which relies on linear mathematical model is not high.To solve this problem,a fault diagnosis method based on BP neural network optimized by Particle Swarm Optimization(PSO) is proposed.With this method,the nonlinear relationship between the feature parameters is extracted by using BP neural network for realizing classification recognition of the typical faults; and the weights and thresholds of BP neural network are optimized by adopting PSO for increasing the convergence rate of network training.The result of simulation reveals that the BP neural network optimized by PSO features smaller number of iterations and faster convergence rate; the diagnosis method can classify the testing samples effectively,and the accuracy of fault diagnosis is high.

Keywords:Hydraulic drilling rigFault diagnosisBP neural networkParticle swarm optimization(PSO)Global optimizationReliability

中圖分類號：TH6; TP183

文獻(xiàn)標(biāo)志碼：A

DOI:10.16086/j.cnki.issn1000-0380.201604009

修改稿收到日期：2015-09-20。

第一作者余發(fā)山(1952-)，男，1977年畢業(yè)于焦作礦業(yè)學(xué)院電氣自動(dòng)化專業(yè)，獲學(xué)士學(xué)位，教授；主要從事工業(yè)過程控制、運(yùn)動(dòng)控制及故障診斷等方向的教學(xué)和科研工作。