余發(fā)山　高勇

摘 要：礦井通風(fēng)機穩(wěn)定運行對煤礦安全生產(chǎn)具有十分重要的意義。為提高通風(fēng)機故障診斷的準(zhǔn)確率，通過分析通風(fēng)機振動信號頻率成分與通風(fēng)機故障類型之間的關(guān)系，提出一種基于自適應(yīng)遺傳算法（AGA）優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的礦井通風(fēng)機故障診斷方法。采用AGA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值，提高BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和泛化能力；建立基于BP神經(jīng)網(wǎng)絡(luò)的通風(fēng)機故障診斷模型，并進行仿真實驗。實驗結(jié)果表明，AGA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)能夠有效識別通風(fēng)機故障類型，故障診斷準(zhǔn)確率高。

關(guān)鍵詞：礦井通風(fēng)機；故障診斷；自適應(yīng)遺傳算法；神經(jīng)網(wǎng)絡(luò)

DOI：10.11907/rjdk.171459

中圖分類號：TP319 文獻標(biāo)識碼：A 文章編號：1672-7800（2017）009-0154-04

Abstract：The stable operation of the mine ventilator is of great significance to the safe production of the coal mine. In order to improve the accuracy of the mine ventilator fault diagnosis， based on the analysis of the relationship between the frequency components of the vibration signal and the fault type of the mine ventilator， a fault diagnosis method of mine ventilator based on adaptive genetic algorithm optimized BP neural network is proposed. Using adaptive genetic algorithm to optimize the connection weights and thresholds of BP neural network， improve the learning ability and generalization ability of BP neural network； the fault diagnosis model of mine ventilator based on BP neural network is established，and the simulation experiment is carried out. The simulation experiment results show that the BP neural network optimized by adaptive genetic algorithm can effectively identify the fault types of mine ventilator， and it has a high accuracy of fault diagnosis.

Key Words：mine ventilator； fault diagnosis； adaptive genetic algorithm； neural network

0 引言

礦井通風(fēng)機作為煤礦生產(chǎn)中的關(guān)鍵設(shè)備，具有向礦井輸送新鮮空氣、稀釋瓦斯等危險物質(zhì)濃度、保障井下工作人員生命安全的重要作用。因此，通風(fēng)機的穩(wěn)定運行和故障監(jiān)測對煤礦安全生產(chǎn)具有十分重要的意義。

由于礦井通風(fēng)機故障與征兆間是非線性的映射關(guān)系，從而導(dǎo)致對其故障進行診斷非常復(fù)雜。在礦井通風(fēng)機故障診斷的研究中，目前國內(nèi)外學(xué)者提出了BP神經(jīng)網(wǎng)絡(luò)[1]、支持向量機[2]、案例推理[3]等故障診斷方法，但上述方法在應(yīng)用中存在局限性，影響了診斷結(jié)果的準(zhǔn)確率。BP神經(jīng)網(wǎng)絡(luò)存在收斂速度慢、易陷入局部極值等缺點；支持向量機用于故障診斷時所需訓(xùn)練樣本過多；案例推理方法診斷準(zhǔn)確率和覆蓋率不能兼顧，一般準(zhǔn)確率較高，但其覆蓋率較低。

為進一步提高通風(fēng)機故障診斷準(zhǔn)確率，本文提出一種基于自適應(yīng)遺傳算法（AGA）優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法，并將其應(yīng)用于礦井通風(fēng)機的故障診斷。MATLAB仿真結(jié)果表明，該方法能夠?qū)ΦV井通風(fēng)機的典型故障進行比較準(zhǔn)確的診斷，驗證了該方法的可行性。

1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)模型拓撲結(jié)構(gòu)包括輸入層、隱含層和輸出層。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程如圖1所示，包括輸入信號的正向傳遞和誤差信號的反向傳播[4]。

式中：xi為BP神經(jīng)網(wǎng)絡(luò)輸入，zj為隱含層輸出，yk為輸出層輸出，y′k為輸出層期望輸出，w1ij為輸入層與隱含層之間的權(quán)值，w2jk為隱含層和輸出層之間的權(quán)值，b1j為隱含層閾值，b2k為輸出層閾值，f1為隱含層激活函數(shù)，f2為輸出層激活函數(shù)，η為學(xué)習(xí)率。

通過以上正向和反向過程的反復(fù)交替，直到輸出誤差達到要求的范圍之內(nèi)，這就是BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單，具有高度的自學(xué)習(xí)和自適應(yīng)能力，且其非線性映射能力優(yōu)異，尤其適合對多故障、多征兆類復(fù)雜模式的識別，因此近年來被廣泛應(yīng)用于故障診斷領(lǐng)域[5]。

2 基于AGA的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化

遺傳算法（GA）實現(xiàn)過程主要包括染色體編碼、創(chuàng)建適應(yīng)度函數(shù)以及遺傳操作中的選擇、交叉和變異操作[6]。其中，交叉概率Pc和變異概率Pm的選擇是影響GA性能的關(guān)鍵，如果二者選擇不當(dāng)，不僅會降低GA的收斂速度，而且會導(dǎo)致早熟收斂。因此，本文采用Srinvivas等提出的AGA，根據(jù)解群體對環(huán)境的適應(yīng)能力，自適應(yīng)地改變Pc和Pm。通過對遺傳參數(shù)的調(diào)整，可以在保持群體多樣性的同時，提高GA的收斂性[7]。endprint

通過對BP神經(jīng)網(wǎng)絡(luò)分析可知，網(wǎng)絡(luò)的初始連接權(quán)值和閾值對網(wǎng)絡(luò)的訓(xùn)練有很大影響，而且其不易準(zhǔn)確獲得[8]。本文將BP神經(jīng)網(wǎng)絡(luò)逼近任何非線性模型和AGA全局尋優(yōu)方面的優(yōu)點實現(xiàn)有機結(jié)合，使用AGA對BP網(wǎng)絡(luò)結(jié)構(gòu)中的權(quán)值和閾值進行全局優(yōu)化，提高BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和泛化能力。AGA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的主要步驟如下：

（1）確定編碼方式。本文采用實數(shù)編碼，把BP神經(jīng)網(wǎng)絡(luò)的輸入層與隱含層權(quán)值w1ij、隱含層與輸出層權(quán)值w2jk和隱含層閾值b1j、輸出層閾值b2k編成染色體[9]，將網(wǎng)絡(luò)中這些參數(shù)的集合看成一個個體，并在初始化階段采用隨機方式產(chǎn)生初始群體。

（2）選擇適應(yīng)度函數(shù)。適應(yīng)度函數(shù)是評價群體中每一個染色體優(yōu)劣的函數(shù)。優(yōu)化網(wǎng)絡(luò)的最終目的是找到一組最優(yōu)權(quán)值和閾值，使網(wǎng)絡(luò)的均方誤差和最小[10]，因此適應(yīng)度函數(shù)選為：F=1N∑pj=1∑Ni=1（ydji-yji）2

（6） 式中：N為訓(xùn)練樣本總數(shù)，p為輸出層節(jié)點數(shù)，ydji為第i個樣本的第j個網(wǎng)絡(luò)輸出節(jié)點的期望輸出，yji為第i個樣本的第j個網(wǎng)絡(luò)輸出節(jié)點的實際輸出。

（3）選擇操作。本文采用輪盤賭法，其原理為個體被選中的概率取決于個體的相對適應(yīng)度。設(shè)種群大小為M，個體i適應(yīng)度為Fi，則個體i被選中的概率Pi為[11]：Pi=Fi∑Mi=1Fi，i=1，2，…，M

（7） （4）確定交叉概率和變異概率。在AGA中，當(dāng)種群個體適應(yīng)度趨于一致或趨于局部最優(yōu)時，使Pc和Pm增加；當(dāng)群體適應(yīng)度比較分散時，使Pc和Pm減少[12]。對于適應(yīng)度偏高的個體，取較低的Pc和Pm，使該解受保護進入下一代；對于適應(yīng)度偏低的個體，取較高的Pc和Pm，從而淘汰掉該解。因此，自適應(yīng)的Pc和Pm能夠提供相對某個解的最佳Pc和Pm。交叉概率Pc和變異概率Pm的計算式分別如式（8）、式（9）所示：Pc=Pc1-（Pc1-Pc2）（f′-favg）fmax-favg （f′≥favg）

Pc1 （f′

（8）

Pm=Pm1-（Pm1-Pm2）（fmax-f）fmax-favg （f≥favg）

Pm1 （f

（9） 式中：Pc1=0.9，Pc2=0.6，Pm1=0.1，Pm2=0.001，fmax為群體中的最大適應(yīng)度值，favg為每代群體的平均適應(yīng)度值，f′為要交叉的兩個個體中較大的適應(yīng)度值，f為要變異的個體適應(yīng)度值。

AGA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的流程如圖2所示。

3 通風(fēng)機故障診斷

礦井通風(fēng)機是一種旋轉(zhuǎn)類機械系統(tǒng)，在其運行過程中常常伴有各種頻率的機械振動。對通風(fēng)機進行故障診斷以及振動監(jiān)測，首先要對礦井通風(fēng)機的機械振動特性進行分析。在通風(fēng)機工作過程中，礦井通風(fēng)機的故障信息、反映本身運行狀態(tài)的信息通常蘊含在振動信號中。根據(jù)相關(guān)研究，當(dāng)通風(fēng)機發(fā)生的故障不同時，其振動信號中所含有的頻率成分也不盡相同。因此，本文利用通風(fēng)機不同故障類型對應(yīng)其振動信號包含頻率成分不同的性質(zhì)，通過分析振動信號中是否含有某些頻率成分以及所含頻率成分多少判斷通風(fēng)機的故障類型。

鑒于以上分析，通過收集資料得到通風(fēng)機故障類型與振動特征之間的對應(yīng)關(guān)系，建立礦井通風(fēng)機常見故障與振動頻率特征對應(yīng)關(guān)系如表1所示。表1中，x1表示f1，是平衡故障所引發(fā)的振動頻率；x2表示2f1；x3表示f2，是葉片故障所引發(fā)的振動頻率；x4表示（2～5）f1；x5表示f0，是外圈特征頻率；x6表示fi，是內(nèi)圈特征頻率；x7表示fb，是滾動體特征頻率；x8表示ff，是保持架特征頻率。

3.1 輸入和輸出向量確定

將礦井通風(fēng)機振動信號所包含的8種頻率成分作為BP神經(jīng)網(wǎng)絡(luò)的輸入向量；將通風(fēng)機正常工作狀態(tài)（用F1表示）以及通風(fēng)機常見的故障類型不平衡、不對中、機械松動等8種故障類型（分別用F2～F9表示）分別對應(yīng)的輸出值作為神經(jīng)網(wǎng)絡(luò)的輸出向量。不同故障類型對應(yīng)的期望輸出在表1中列出。因此，設(shè)置網(wǎng)絡(luò)輸入層節(jié)點數(shù)為8，對應(yīng)8種振動頻率特征x1～x8；設(shè)置輸出層節(jié)點數(shù)為9，對應(yīng)9個輸出y1～y9。設(shè)定網(wǎng)絡(luò)的期望輸出為“1”時表示通風(fēng)機存在故障，當(dāng)期望輸出為“0”時表示無故障。

隱含層節(jié)點數(shù)通過經(jīng)驗公式h=m+n+a確定[13]，其中h為隱含層節(jié)點數(shù)目；m為輸入層節(jié)點數(shù)目，m=8；n為輸出層節(jié)點數(shù)目，n=9；a為1～10之間的調(diào)節(jié)常數(shù)。經(jīng)測試，選取隱含層節(jié)點數(shù)為20，因此確定BP神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)為8-20-9的三層結(jié)構(gòu)。建立基于BP神經(jīng)網(wǎng)絡(luò)的礦井通風(fēng)機故障診斷模型如圖3所示。

3.2 實驗結(jié)果與分析

遺傳參數(shù)設(shè)置如下：選取種群規(guī)模60，選取雙曲正切S型tansig函數(shù)作為隱含層激活函數(shù)，選取S型對數(shù)logsig函數(shù)作為輸出層激活函數(shù)。LM算法收斂速度最快，故選用trainlm訓(xùn)練函數(shù)。

收集已知故障類型的樣本數(shù)據(jù)270組。隨機選擇其中的90組包含各故障類型的振動頻率特征作為訓(xùn)練樣本，剩下的180組作為測試上述算法性能的測試樣本。首先將90組訓(xùn)練樣本用于BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，得到BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)值和閾值；然后將剩余180組測試數(shù)據(jù)用于測試訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)網(wǎng)故障診斷模型，診斷結(jié)果如表2所示。

為了驗證本文方法在通風(fēng)機故障診斷上具有較高的準(zhǔn)確性，本文將收集的故障數(shù)據(jù)分別采用BP 神經(jīng)網(wǎng)絡(luò)算法、RBF神經(jīng)網(wǎng)絡(luò)算法進行故障診斷并將結(jié)果記錄于表3中。

由表2可以看出，不同的通風(fēng)機故障類型有不同的診斷準(zhǔn)確率，F(xiàn)1和F8的診斷準(zhǔn)確率相對較低，但也達到了88%；F5的診斷準(zhǔn)確率最高，達到了100%；其余6類故障平均準(zhǔn)確率也達到了91%左右。綜合表2 和表3可以看出，相較于其它幾類算法，本文采用的算法具有較高故障診斷準(zhǔn)確率。endprint