楊科科 王毅

摘 要：針對(duì)礦井通風(fēng)機(jī)故障樣本少、診斷精度低，提出基于云自適應(yīng)粒子群算法優(yōu)化支持向量機(jī)的礦井通風(fēng)機(jī)故障診斷模型。采用粒子群優(yōu)化算法快速搜索能力優(yōu)化支持向量機(jī)的參數(shù)，提高了支持向量機(jī)的泛化能力和礦井通風(fēng)機(jī)故障診斷結(jié)果準(zhǔn)確性。結(jié)果表明，相比較SVM網(wǎng)絡(luò)，CPOS優(yōu)化的SVM網(wǎng)絡(luò)收斂速度更快，預(yù)測(cè)精度高，能夠有效識(shí)別風(fēng)機(jī)故障類型。

關(guān)鍵詞：礦井通風(fēng)機(jī);故障診斷;云自適應(yīng)粒子群算法;支持向量機(jī)

DOI：10.16640/j.cnki.37-1222/t.2019.16.069

0 引言

煤礦生產(chǎn)環(huán)境十分惡劣，礦井通風(fēng)機(jī)處于長(zhǎng)期不間斷狀態(tài)下，通風(fēng)機(jī)運(yùn)行中存在隱性故障，危及煤礦生產(chǎn)和井下人員安全。因此，對(duì)礦井通風(fēng)機(jī)進(jìn)行故障診斷有一定的必要性。通風(fēng)機(jī)是一個(gè)非線性復(fù)雜系統(tǒng)，常表現(xiàn)為軸不對(duì)中、轉(zhuǎn)子不平衡、葉片損壞等故障，故障診斷就是利用其發(fā)生故障時(shí)與正常時(shí)的振動(dòng)頻率不同。通過提取通風(fēng)機(jī)不同工作下的振動(dòng)頻率的特征向量，利用智能控制算法進(jìn)行狀態(tài)判斷。文獻(xiàn)[2]提出了利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷，在診斷時(shí)剔除誤差大的數(shù)據(jù)，診斷精度不是很高。文獻(xiàn)[5]提出優(yōu)化權(quán)值和閾值的RBF神經(jīng)網(wǎng)絡(luò)改進(jìn)算法進(jìn)行故障診斷，相比傳統(tǒng)RBF神經(jīng)網(wǎng)絡(luò)診斷精度得到提高，但是收斂速度、局部收斂等問題沒有得到解決本文提出了一種基于云自適應(yīng)粒子群算法優(yōu)化支持向量機(jī)的礦井通風(fēng)機(jī)故障診斷方法，經(jīng)仿真表明，云自適應(yīng)粒子群算法優(yōu)化支持向量機(jī)礦井通風(fēng)機(jī)故障診斷時(shí)取得了良好的診斷效果。

1 云自適應(yīng)粒子群算法優(yōu)化支持向量機(jī)

1.1 支持向量機(jī)

對(duì)于給定的數(shù)據(jù)訓(xùn)練集，其中n為訓(xùn)練樣本容量，為輸入數(shù)據(jù)，為數(shù)據(jù)輸出。非線性回歸是利用將樣本數(shù)據(jù)從空間映射到高維空間。構(gòu)造決策最優(yōu)函數(shù)為式（1）所示：

其中，為映射函數(shù);向量權(quán)重值;為常數(shù)。

為求解上述問題，定義拉格朗日函數(shù)：

其中拉格朗日乘子。對(duì)上式進(jìn)行優(yōu)化，即對(duì)的偏導(dǎo)數(shù)為0。

上述問題轉(zhuǎn)化為求解線性方程：

1.2 改進(jìn)的云自適應(yīng)粒子群算法

設(shè)算法中為種群大小、為全局最優(yōu)值、為適應(yīng)度值、為平均適應(yīng)度值。將適應(yīng)性能值大于和小于的粒子再分別求取平均值，得、。則粒子群的聚集度為：

根據(jù)適應(yīng)度值將粒子群分為三個(gè)子群，慣性權(quán)重ω在三個(gè)子群中具體如下：

這部分微粒性能靠近問題的最優(yōu)解，其位置的改變不應(yīng)過大，從而提高全局收斂的速率?？砂词剑?）調(diào)整：

云自適應(yīng)慣性權(quán)重為式（7）所示：

由極限定理可知，從而保證了。

適應(yīng)性能值大于的為為式（8）所示：

其中：為常數(shù);為聚集度。

2 提取通風(fēng)機(jī)故障特征頻率

通風(fēng)機(jī)發(fā)生故障時(shí)其不同的振動(dòng)頻率分布及振動(dòng)幅值的大小與不同的故障相對(duì)應(yīng)。當(dāng)有故障出現(xiàn)，在復(fù)頻域中呈現(xiàn)各倍頻信號(hào)的幅值發(fā)生變化。轉(zhuǎn)子不平衡故障發(fā)生時(shí)的振動(dòng)特征為倍頻信號(hào)的幅值隨通風(fēng)機(jī)的轉(zhuǎn)速的增大成正比;軸不對(duì)中故障發(fā)生時(shí)的振動(dòng)特征為2倍頻信號(hào);葉片破損故障發(fā)生時(shí)的振動(dòng)特征為正常振動(dòng)頻率f0周圍出現(xiàn)大量諧波，其中f0如式（9）所示。

通風(fēng)機(jī)系統(tǒng)振動(dòng)信號(hào)需要通過經(jīng)驗(yàn)?zāi)B(tài)分解處理得到本征模函數(shù)，然后將本征模函數(shù)作希爾伯特變換的處理，從而得到各系統(tǒng)振動(dòng)信號(hào)的頻譜，即Hilbert-Huang譜。希爾伯特變換如式（10）所示。為便于故障診斷，將頻率劃分為9個(gè)頻段，每個(gè)頻段有30個(gè)振動(dòng)信號(hào)數(shù)據(jù)，3種故障及正常狀態(tài)共4種狀態(tài)，因此每個(gè)頻段有120個(gè)個(gè)振動(dòng)信號(hào)數(shù)據(jù)。

式中：—原始信號(hào);—振動(dòng)信號(hào)的頻譜余項(xiàng)。

3 仿真結(jié)果分析

利用云自適應(yīng)的粒子群算法優(yōu)化支持向量機(jī)網(wǎng)絡(luò)進(jìn)行煤礦通風(fēng)機(jī)故障診斷。將上述提取的9個(gè)頻段的頻譜數(shù)據(jù)作為網(wǎng)絡(luò)的輸入特征向量，煤礦通風(fēng)機(jī)系統(tǒng)軸不對(duì)中故障、轉(zhuǎn)子不平衡故障、葉片損壞故障與正常運(yùn)行狀態(tài)進(jìn)行編碼作為支持向量機(jī)網(wǎng)絡(luò)輸出，其對(duì)應(yīng)的故障類型及其編碼如表1所示。

選取支持向量機(jī)的學(xué)習(xí)速率為0.08，針對(duì)其網(wǎng)絡(luò)的特點(diǎn)，以徑向核函數(shù)作為核函數(shù)，設(shè)定系統(tǒng)最大訓(xùn)練次數(shù)為1000次，系統(tǒng)誤差為0.001。將上述提取的120組特征數(shù)據(jù)隨機(jī)抽取80組進(jìn)行網(wǎng)絡(luò)訓(xùn)練，剩下的40組用于網(wǎng)絡(luò)測(cè)試，結(jié)果如圖所示。

因SVM網(wǎng)絡(luò)自身的缺陷其訓(xùn)練時(shí)易出現(xiàn)局部收斂速度緩慢，將相同的80組特征數(shù)據(jù)訓(xùn)練CPOS算法優(yōu)化SVM網(wǎng)絡(luò)，結(jié)果如圖2所示。從結(jié)果可知，預(yù)測(cè)正確率得到較大提升達(dá)97.5%。由此可見，CPOS-SVM模型的預(yù)測(cè)結(jié)果要優(yōu)于SVM模型，CPOS-SVM對(duì)訓(xùn)練樣本預(yù)測(cè)精確度高，CPOS算法泛化能力和數(shù)據(jù)尋優(yōu)能力都很強(qiáng)。

4 結(jié)論

云自適應(yīng)粒子群算法優(yōu)化支持向量機(jī)網(wǎng)絡(luò)預(yù)測(cè)準(zhǔn)確性高，克服了徑向基神經(jīng)網(wǎng)絡(luò)收斂速度慢、易陷入局部最優(yōu)解的缺點(diǎn)。采用粒子群優(yōu)化算法快速搜索能力優(yōu)化支持向量機(jī)的參數(shù)，提高了支持向量機(jī)的泛化能力和礦井通風(fēng)機(jī)故障診斷結(jié)果準(zhǔn)確性。結(jié)果表明，SVM與CPOS算法優(yōu)化SVM網(wǎng)絡(luò)40組特征數(shù)據(jù)正確率達(dá)到97.5%，網(wǎng)絡(luò)具有較高的分類精度。

參考文獻(xiàn)：

[1]鐘文峰，周書民.基于QPSO算法的瓦斯預(yù)測(cè)研究[J].煤礦機(jī)械，2016，39（05）：61-65.

[2]余發(fā)山，高勇.基于AGA優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的礦井通風(fēng)機(jī)故障診斷[J].電子測(cè)量技術(shù)，2017，40（09）：241-246.

[3]苗君明，于金苓.基于小波包-人工神經(jīng)網(wǎng)絡(luò)在礦井通風(fēng)機(jī)故障診斷中的應(yīng)用[J].煤礦機(jī)械，2013，34（05）：292-294.

[4]李文華，楊子凝，王來貴.PCA-MGA-GRNN礦井通風(fēng)機(jī)故障識(shí)別方法[J].遼寧工程技術(shù)大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，37（02）：401-407.

[5]馮偉，鄭晟.基于諧波小波分析的礦井通風(fēng)機(jī)故障診斷[J].煤礦機(jī)械，2014，35（05）：253-255.

項(xiàng)目來源：省青年骨干教師資助項(xiàng)目（2015GGJS-202）;省教育廳重點(diǎn)項(xiàng)目（13B460962）;科技廳項(xiàng)目（142102310226）

作者簡(jiǎn)介：楊科科（1982-），女，河南南陽(yáng)人，碩士，副教授，研究方向：智能控制理論及應(yīng)用。