經(jīng)海翔， 黃友銳， 徐善永， 唐超禮

(安徽理工大學(xué) 電氣與信息工程學(xué)院，安徽 淮南 232001)

0 引言

礦用通風(fēng)機工作環(huán)境惡劣，工作時間長，一旦發(fā)生故障，會造成井下循環(huán)風(fēng)量不足，瓦斯及其他有害氣體濃度超限，導(dǎo)致重大安全事故的發(fā)生[1-2]。通風(fēng)機的安全運行是保障礦工生命與井下安全作業(yè)的基礎(chǔ)，對通風(fēng)機進(jìn)行實時監(jiān)測與預(yù)測性故障診斷具有重要意義。

現(xiàn)有通風(fēng)機故障診斷方法主要有基于信號處理、基于數(shù)學(xué)模型和基于機器學(xué)習(xí)的方法等?；谛盘柼幚淼脑\斷方法通過小波分析[3]、傅里葉變換[4-5]等方法分析信號時頻特性與故障類型之間的關(guān)系，以實現(xiàn)故障診斷。這些方法不需要數(shù)學(xué)建模，實現(xiàn)簡便，但是無法全面地提取信號特征，造成診斷結(jié)果誤差較大?；跀?shù)學(xué)模型的故障診斷方法需建立能反映物理設(shè)備特性的數(shù)學(xué)模型，通過分析模型中輸入量與輸出量的對應(yīng)關(guān)系，實現(xiàn)故障診斷[6-7]。但是很多設(shè)備的結(jié)構(gòu)與運行規(guī)則相當(dāng)復(fù)雜，其數(shù)學(xué)模型建立困難，甚至無法建立，導(dǎo)致這些方法實際應(yīng)用很難實現(xiàn)?；跈C器學(xué)習(xí)的故障診斷方法包括BP神經(jīng)網(wǎng)絡(luò)算法[8]、支持向量機[9]等，這些方法都是基于故障特征進(jìn)行故障診斷，需用不同的方法提取多個故障特征，使用較為繁瑣且故障診斷準(zhǔn)確率較低。

針對現(xiàn)有通風(fēng)機故障診斷方法存在的問題，本文提出了一種基于數(shù)字孿生和概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Network，PNN)的礦用通風(fēng)機預(yù)測性故障診斷方法。搭建了通風(fēng)機數(shù)字孿生模型，并以其為基礎(chǔ)建立了通風(fēng)機的預(yù)測性故障診斷模型。采用改進(jìn)的鯨魚優(yōu)化算法(Improved Whale Optimization Algorithm, IWOA)優(yōu)化的PNN對樣本數(shù)據(jù)進(jìn)行故障分析判別。對比通風(fēng)機預(yù)測性故障診斷模型判斷結(jié)果與實際情況是否相符，若判別錯誤，預(yù)測性故障診斷模型便會更新，重新學(xué)習(xí)故障規(guī)律，以此提高礦用通風(fēng)機故障診斷的準(zhǔn)確率。

1 通風(fēng)機數(shù)字孿生模型構(gòu)建

通風(fēng)機數(shù)字孿生模型包括幾何模型、物理模型、行為模型和規(guī)則模型4個部分，可實現(xiàn)通風(fēng)機物理實體與虛擬空間數(shù)字孿生體的實時映射[10-11]。通風(fēng)機物理實體及其數(shù)字孿生體如圖1所示。

圖1 通風(fēng)機物理實體及其數(shù)字孿生體

(1)幾何模型包括通風(fēng)機的葉片長度、葉輪輪殼傾角、軸向間距等參數(shù)，體現(xiàn)了通風(fēng)機內(nèi)外部件的形狀、尺寸和對應(yīng)位置關(guān)系。使用Unity3D與3dsMax來構(gòu)建模型。首先確定通風(fēng)機整體及其子部件的形狀與尺寸，然后在3dsMax中對子部件進(jìn)行建模，建模完成后將子部件組合成整體即為通風(fēng)機的幾何模型，最后對模型進(jìn)行輕量化處理，輕量化后的模型以fbx的格式導(dǎo)出。將導(dǎo)出的fbx文件導(dǎo)入Unity3D中，統(tǒng)一模型比例，將模型屬性的縮放由0.01改成1，并在模型上以貼圖的方式添加采集的真實通風(fēng)機部件圖片，使模型與真實設(shè)備外觀更為相似。

(2)物理模型對應(yīng)通風(fēng)機實體的物理屬性，如應(yīng)變、應(yīng)力、損傷等，是對通風(fēng)機本身物理狀態(tài)的實時映射，使用有限元分析軟件SciFEA描述其物理屬性。

(3)行為模型包括通風(fēng)機對內(nèi)外部環(huán)境和系統(tǒng)指令的動作響應(yīng)，實現(xiàn)了通風(fēng)機運行動作的實時映射，利用Petri網(wǎng)描述通風(fēng)機系統(tǒng)的行為邏輯。

(4)規(guī)則模型是基于專家知識和機器學(xué)習(xí)將經(jīng)驗、歷史關(guān)聯(lián)數(shù)據(jù)、當(dāng)前數(shù)據(jù)與通風(fēng)機運行狀態(tài)進(jìn)行總結(jié)，挖掘設(shè)備的故障規(guī)則，從而提供故障預(yù)測功能。

通風(fēng)機物理實體由PLC控制，Unity3D中的插件PREspective支持解讀多種工業(yè)通信協(xié)議，可與不同廠家的PLC通信，獲取通風(fēng)機的實時數(shù)據(jù)，同時結(jié)合物理模型、歷史運行等數(shù)據(jù)使物理實體被精確地映射到虛擬空間，從而達(dá)到虛實交互。

基于數(shù)字孿生的通風(fēng)機預(yù)測性故障診斷模型如圖2所示。其中物理實體由真實的通風(fēng)機和監(jiān)測設(shè)備(如傳感器)所構(gòu)成。數(shù)字孿生體是物理實體在虛擬模型中的實時映射。孿生數(shù)據(jù)存儲中心是通風(fēng)機關(guān)聯(lián)數(shù)據(jù)的存儲器，包含通風(fēng)機物理實體的歷史數(shù)據(jù)和實時數(shù)據(jù)以及通風(fēng)機數(shù)字孿生體的幾何模型數(shù)據(jù)、物理模型數(shù)據(jù)和行為模型數(shù)據(jù)。故障診斷服務(wù)是結(jié)合通風(fēng)機的機械故障與動態(tài)信息的診斷方法，可提取設(shè)備故障數(shù)據(jù)，建立故障規(guī)律與故障數(shù)據(jù)特征值的對應(yīng)關(guān)系。

圖2 基于數(shù)字孿生的通風(fēng)機預(yù)測性故障診斷模型

通風(fēng)機預(yù)測性故障診斷模型是以數(shù)字孿生模型為基礎(chǔ)，結(jié)合專家知識、機器學(xué)習(xí)、歷史數(shù)據(jù)搭建的，通過分析通風(fēng)機的實時數(shù)據(jù)與運行狀態(tài)之間的關(guān)系，不斷學(xué)習(xí)并更新模型參數(shù)。當(dāng)通風(fēng)機處于正常工作狀態(tài)時，僅需要將其運行數(shù)據(jù)保存到孿生數(shù)據(jù)存儲中心；當(dāng)通風(fēng)機發(fā)生故障時，不僅要把故障數(shù)據(jù)保存到孿生數(shù)據(jù)存儲中心，還需要采用專家知識與機器學(xué)習(xí)等方法對設(shè)備故障進(jìn)行預(yù)測性診斷。若診斷結(jié)果不正確，則需要對通風(fēng)機預(yù)測性故障診斷模型中的參數(shù)進(jìn)行修正，直到故障判斷準(zhǔn)確?；跀?shù)字孿生的預(yù)測性故障診斷模型可以實現(xiàn)通風(fēng)機的智能診斷與科學(xué)運維。

2 基于IWOA的PNN優(yōu)化

2.1 PNN

PNN結(jié)構(gòu)簡單，訓(xùn)練速度快，是一種基于貝葉斯決策的前饋神經(jīng)網(wǎng)絡(luò)。PNN網(wǎng)絡(luò)由輸入層、隱含層、求和層和輸出層[12-13]組成，如圖3所示。通風(fēng)機的實體數(shù)據(jù)實時更新至數(shù)字孿生模型中，利用PNN進(jìn)行分析判別。

圖3 PNN結(jié)構(gòu)

輸入層傳遞樣本給隱含層，其神經(jīng)元的個數(shù)與輸入向量的維數(shù)相等。隱含層神經(jīng)元個數(shù)與訓(xùn)練樣本個數(shù)相等,J為隱含層神經(jīng)元個數(shù),U為訓(xùn)練樣本類別數(shù)，y為輸出層輸出。訓(xùn)練樣本每個模式與輸入層之間的關(guān)系如下：

(1)

式中:q為輸入的訓(xùn)練樣本；qij為第v(v=1,2,…,m,m為訓(xùn)練樣本維度)維訓(xùn)練樣本的第j(j=1,2,…,J)個神經(jīng)元的輸出；σ為平滑因子。

根據(jù)貝葉斯分類原理，從求和層中找出閾值最大的概率密度函數(shù)作為分類結(jié)果。概率密度最大的輸出為1，其余為0。

2.2 基于IWOA的PNN平滑因子優(yōu)化

PNN不需要多次訓(xùn)練，但其平滑因子σ的值一般由人為給定，不能準(zhǔn)確地描述樣本的概率特性，所以PNN判別是否精準(zhǔn)在于能否找到一個合適的σ值。本文采用IWOA對PNN的σ值進(jìn)行尋優(yōu)。

2.2.1 鯨魚優(yōu)化算法

鯨魚優(yōu)化算法(Whale Optimization Algorithm, WOA)于2016年被提出，是模擬自然界座頭鯨的捕食過程而形成的一種新型群智能優(yōu)化算法，原理簡單、參數(shù)少、方便改進(jìn)與實現(xiàn)。研究學(xué)者發(fā)現(xiàn)，WOA對神經(jīng)網(wǎng)絡(luò)中神經(jīng)元的訓(xùn)練具有良好的效果，其收斂速度優(yōu)于現(xiàn)有的算法，并且在大多數(shù)時刻都可以避免陷入局部最優(yōu)[14-15]。在WOA中，目標(biāo)是座頭鯨搜索目標(biāo)獵物時的最優(yōu)解[16-17]。在本文中，座頭鯨搜索目標(biāo)獵物時最優(yōu)解即是輸出最優(yōu)σ的鯨魚位置。WOA的數(shù)學(xué)模型一般被描述為以下3個方面：

(1)包圍獵物：座頭鯨在狩獵時包圍獵物的生物行為的數(shù)學(xué)模型為

D=|CX*(t)-X(t)|

(2)

X(t+1)=X*(t)-AD

(3)

式中：D為當(dāng)前鯨魚個體與最優(yōu)鯨魚個體之間的距離；C為系數(shù)向量，它的變化可以調(diào)整圍繞最優(yōu)鯨魚個體的不同位置；X*(t)為最優(yōu)鯨魚個體所處位置，t為當(dāng)前迭代次數(shù)；X(t)為當(dāng)前鯨魚個體所處位置；X(t+1)為鯨魚個體下一時刻所處位置；A為系數(shù)向量，決定當(dāng)前鯨魚個體的步長，A越大，鯨魚包圍的步長也越大。

C=2r2

(4)

A=2a(r1-1)

(5)

(6)

式中：r1和r2為[0,1]范圍內(nèi)的隨機數(shù)；a為控制參數(shù)向量，其取值從2減小到0，a的值影響A的取值，從而影響鯨魚下一步的生物行為；Tmax為算法設(shè)定的最大迭代次數(shù)。

(2)捕食目標(biāo)獵物：座頭鯨發(fā)現(xiàn)獵物后，它們以螺旋狀的捕食路徑不斷地逼近獵物。其狩獵行為的數(shù)學(xué)模型為

X(t+1)=X*(t)+Dpexp(bl)cos(2πl(wèi))

(7)

式中：Dp為當(dāng)前鯨魚個體與目標(biāo)獵物之間的距離，Dp=|X*(t)-X(t)|；b為用來描述螺旋線形狀的常數(shù)；l為[-1,1]范圍內(nèi)的隨機數(shù)。

分析座頭鯨捕食獵物的過程后發(fā)現(xiàn)，在追尋目標(biāo)獵物的下一時刻點，它們會繼續(xù)螺旋前進(jìn)或選擇收縮環(huán)繞，故定義有50%的概率進(jìn)行其中某種行為。

(8)

式中k為[0,1]范圍內(nèi)的隨機數(shù)。

收縮環(huán)繞是通過a的線性縮小實現(xiàn)的。由式(5)、式(6)可知，A的取值范圍為[-a,a]，當(dāng)A處于[-1,1]時，表示鯨魚的下一時刻處于當(dāng)前個體與最優(yōu)個體之間。

(3)搜索獵物：座頭鯨在隨機搜索獵物的過程中可能會出現(xiàn)A在[-1,1]范圍之外的情況，此時的隨機搜索個體稱為搜索代理。鯨魚優(yōu)化算法設(shè)定搜索代理將遠(yuǎn)離當(dāng)前最優(yōu)個體，隨機更新位置進(jìn)行全局搜索，以此找到一個更合適的獵物。其過程的表示方程為

D=|CXrand-X(t)|

(9)

X(t+1)=Xrand-AD

(10)

式中Xrand為隨機的搜索代理。

2.2.2 IWOA及其性能測試與分析

WOA具有參數(shù)少、運算快的優(yōu)點，但其在處理較為復(fù)雜的非線性問題時還是會出現(xiàn)收斂速度慢和精度低的問題。因此，需要對其進(jìn)行改進(jìn)。

由于在WOA中，鯨魚個體以最優(yōu)鯨魚位置來不斷更新自身位置。為了增強WOA的局部尋優(yōu)能力，對其位置公式進(jìn)行改進(jìn)，使鯨魚下一時刻位置受到全局最優(yōu)位置的引導(dǎo)，不斷趨于全局最優(yōu)位置，在多次迭代之后，局部最優(yōu)位置將與全局最優(yōu)位置重合，加快了算法的收斂速度。改進(jìn)鯨魚位置公式為

X′(t)=w×s1+(1-w)G

(11)

式中：X′(t)為改進(jìn)后的目標(biāo)鯨魚位置；w為常數(shù)，恒等于0.5；s1為鯨魚搜索代理的局部最優(yōu)位置；G為全局最優(yōu)位置。

眾所周知，群智能算法的種群數(shù)量影響算法性能。種群數(shù)量過少會導(dǎo)致算法的搜索代理個數(shù)太少，很難找到較好的初始點進(jìn)行尋優(yōu)；種群數(shù)量過多，會大幅增加尋優(yōu)時間，并且結(jié)果可能不會有很明顯的提升。

為了得到最合適的種群規(guī)模，本文將鯨魚種群數(shù)量分別設(shè)置為10,20,30,40,50，采用2個單峰基準(zhǔn)函數(shù)和2個多峰基準(zhǔn)函數(shù)對不同種群數(shù)量的IWOA進(jìn)行測試。4個基準(zhǔn)測試函數(shù)見表1，其中xi為自變量，i=1,2,…,n,n為維度。單峰基準(zhǔn)函數(shù)測試結(jié)果見表2。

表1 4個基準(zhǔn)測試函數(shù)

表2 單峰基準(zhǔn)函數(shù)測試結(jié)果

由表2可看出：f1(x)、f2(x)測試時，鯨魚種群數(shù)量超過30時，f1(x)和f2(x)的最優(yōu)值僅僅上升了幾個數(shù)量級。

f3(x)、f4(x)測試時，5種種群數(shù)量的IWOA都尋到了最優(yōu)值，通過比較它們達(dá)到最優(yōu)值時的迭代次數(shù)，發(fā)現(xiàn)種群數(shù)量超過30時的迭代次數(shù)沒有明顯的減少。故將IWOA的種群數(shù)量設(shè)置為30最為合理。

為了測試IWOA的性能，將其與WOA、粒子群算法(PSO)、遺傳算法(GA)進(jìn)行比較。在對比前，先要對IWOA和對比算法進(jìn)行參數(shù)設(shè)置：WOA的種群數(shù)量為30，最大迭代次數(shù)為500；IWOA的種群數(shù)量為30，最大迭代次數(shù)為500；PSO的種群數(shù)量為30，每個粒子個體學(xué)習(xí)因子c1為2，社會學(xué)習(xí)因子c2為2，慣性權(quán)重為0.9，最大迭代次數(shù)為500；GA的種群數(shù)量為30，交叉概率為0.8，變異概率為0.2，最大迭代次數(shù)為500。然后利用單峰基準(zhǔn)函數(shù)f1(x)和f2(x)測試算法的收斂速度與精度，利用多峰基準(zhǔn)函數(shù)f3(x)和f4(x)測試算法的全局尋優(yōu)能力。

(1)單峰基準(zhǔn)函數(shù)性能測試：GA、PSO、WOA、IWOA在單峰基準(zhǔn)函數(shù)尋優(yōu)時的進(jìn)化曲線如圖4、圖5所示。由圖4、圖5可看出：在迭代初期,IWOA收斂速度與WOA、GA和PSO相差不大，但從20次迭代開始直到迭代結(jié)束，IWOA的收斂速度都明顯快于其他3種算法。其收斂精度也是最好的，說明IWOA不論在尋優(yōu)速度還是在收斂精度上都優(yōu)于WOA、GA和PSO。

圖4 GA、PSO、WOA、IWOA在單峰基準(zhǔn)函數(shù)f1(x)尋優(yōu)時的進(jìn)化曲線

圖5 GA、PSO、WOA、IWOA在單峰基準(zhǔn)函數(shù)f2(x)尋優(yōu)時的進(jìn)化曲線

(2)多峰基準(zhǔn)函數(shù)性能測試：GA、PSO、WOA、IWOA在多峰基準(zhǔn)函數(shù)尋優(yōu)時的進(jìn)化曲線如圖6、圖7所示。由圖6、圖7可看出：IWOA的收斂速度明顯快于其他3種算法，在150次迭代以內(nèi)就可以尋找到全局最優(yōu)解，并且其進(jìn)化曲線出現(xiàn)拐點的時間最短，說明IWOA更容易跳出局部最優(yōu)，完成全局尋優(yōu)。

圖6 GA、PSO、WOA、IWOA在多峰基準(zhǔn)函數(shù)f3(x)尋優(yōu)時的進(jìn)化曲線

圖7 GA、PSO、WOA、IWOA在多峰基準(zhǔn)函數(shù)f4(x)尋優(yōu)時的進(jìn)化曲線

2.2.3 平滑因子優(yōu)化流程

為了提高PNN的故障診斷速度和精度，采用IWOA來優(yōu)化PNN的平滑因子。

(1)歸一化故障樣本數(shù)據(jù)，對故障種類進(jìn)行編號，確定適應(yīng)度函數(shù)為PNN輸出值和真實值的均方差。

(2)設(shè)置鯨魚優(yōu)化算法的種群規(guī)模、迭代次數(shù)，并隨機初始化鯨魚位置。

(3)計算鯨魚個體的適應(yīng)度值，并通過式(3)、式(8)、式(10)和式(11)來更新鯨魚個體下一時刻的位置。

(4)計算適應(yīng)度函數(shù)的值，當(dāng)適應(yīng)度取得理論最優(yōu)值或者達(dá)到最大迭代次數(shù)，記錄當(dāng)前最優(yōu)鯨魚位置并進(jìn)入步驟(5)，否則返回步驟(3)。

(5)輸出最優(yōu)鯨魚位置，此時的σ值為IWOA求取的最優(yōu)值，將最優(yōu)σ值賦予PNN，即可獲得最精準(zhǔn)的PNN。

3 基于數(shù)字孿生和PNN的通風(fēng)機預(yù)測性故障診斷

基于數(shù)字孿生和PNN的通風(fēng)機預(yù)測性故障診斷流程如圖8所示。

圖8 基于數(shù)字孿生和PNN的通風(fēng)機預(yù)測性故障診斷流程

(1)建立高保真度的通風(fēng)機數(shù)字孿生模型，并以數(shù)字孿生模型為基礎(chǔ)，結(jié)合專家知識、機器學(xué)習(xí)、歷史故障數(shù)據(jù)等搭建通風(fēng)機預(yù)測性故障診斷模型。

(2)將歸一化后的故障數(shù)據(jù)分為訓(xùn)練集與測試集同步至數(shù)字孿生模型中。

(3)采用IWOA通過包圍獵物、捕食獵物和搜索獵物的生物行為來求取平滑因子σ的值并賦予PNN。當(dāng)故障診斷準(zhǔn)確率最高或者達(dá)到最大迭代次數(shù)時迭代結(jié)束，此時的σ值為適合PNN分類判別的最優(yōu)值。

(4)用測試集測試優(yōu)化后的PNN，若PNN的故障判別正確，則測試下一個樣本；若判別錯誤，則需要更新數(shù)字孿生通風(fēng)機預(yù)測性故障診斷模型，使其對故障規(guī)律重新學(xué)習(xí)，提高通風(fēng)機的預(yù)測性故障診斷精度。

4 實驗與結(jié)果分析

礦用通風(fēng)機在運行過程中主要會出現(xiàn)5種機械故障:轉(zhuǎn)子不對中、轉(zhuǎn)子不平衡、轉(zhuǎn)子彎曲、軸承故障及聯(lián)結(jié)松動。為了驗證本文提出的診斷方法的有效性，使用100組通風(fēng)機故障數(shù)據(jù)進(jìn)行檢測。其中60組數(shù)據(jù)作為訓(xùn)練樣本集，40組數(shù)據(jù)作為測試樣本集。此外，對訓(xùn)練樣本數(shù)據(jù)進(jìn)行編號，與通風(fēng)機5種不同的故障相互對應(yīng)：轉(zhuǎn)子不對中編號為1，共5組數(shù)據(jù)；轉(zhuǎn)子不平衡編號為2，共5組數(shù)據(jù)；轉(zhuǎn)子彎曲編號為3，共8組數(shù)據(jù)；軸承故障編號為4，共10組數(shù)據(jù)；聯(lián)結(jié)松動編號為5，共12組數(shù)據(jù)。采集到的通風(fēng)機故障實際數(shù)據(jù)的特征值及其故障類別編號見表3。可看出不同參數(shù)的取值范圍具有很大的差異性。為了不影響PNN訓(xùn)練速度和精度，需要對求得的特征參量進(jìn)行歸一化處理，歸一化處理公式為

表3 通風(fēng)機測試樣本數(shù)據(jù)的特征值

(12)

式中：H*為歸一化后的特征值；H為初始特征值；Hmin為最小的特征值；Hmax為最大的特征值。

在通風(fēng)機故障診斷前，需要對WOA進(jìn)行參數(shù)設(shè)定，本文設(shè)定鯨魚的種群數(shù)量為30，最大迭代次數(shù)為30次，平滑因子σ是尋優(yōu)的鯨魚個體。經(jīng)過算法的迭代優(yōu)化，得到最優(yōu)平滑因子σ的值為0.008 7，此時的PNN分析判別故障數(shù)據(jù)最準(zhǔn)確。

將IWOA優(yōu)化后的PNN與優(yōu)化前的PNN進(jìn)行對比。優(yōu)化前PNN的σ值分別設(shè)置為0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1.0，優(yōu)化后的σ值為0.008 7，測試結(jié)果見表4、表5。通過對比表4與表5后發(fā)現(xiàn)，在IWOA尋得最優(yōu)σ值后，PNN的故障診斷精度有大幅度的上升，避免了人為給定σ值對診斷結(jié)果的影響。

表4 優(yōu)化前的PNN測試結(jié)果

表5 優(yōu)化后的PNN測試結(jié)果

優(yōu)化后的PNN故障診斷結(jié)果與實際分類對比如圖9所示。

圖9 優(yōu)化后的PNN故障診斷結(jié)果與實際分類對比

從圖9可看出，在進(jìn)行測試的40組數(shù)據(jù)中，只有1組實際為故障4的數(shù)據(jù)被錯分為故障2，其他的診斷結(jié)果都與故障的實際分類結(jié)果相符合，故障分類正確率達(dá)到了97.5%。

此外，將IWOA優(yōu)化后的PNN故障診斷精度與WOA、GA、PSO優(yōu)化后的PNN故障診斷精度進(jìn)行比較，所得結(jié)果見表6。

表6 各種算法優(yōu)化后的PNN故障診斷精度對比

(1)GA算法：最大迭代次數(shù)為30，種群規(guī)模為30，變異概率為0.2，交叉概率為0.8，GA優(yōu)化后的PNN故障診斷精度為75.0%。

(2)PSO算法：種群規(guī)模為30，每個粒子個體學(xué)習(xí)因子c1為2，社會學(xué)習(xí)因子c2為2，慣性權(quán)重為0.9，最大迭代次數(shù)為30。PSO優(yōu)化后的PNN故障診斷精度為85.0%。

(3)經(jīng)過WOA優(yōu)化后的PNN故障診斷精度為90%，而IWOA優(yōu)化后的PNN故障診斷斷精度達(dá)到了97.5%。

綜上所述，IWOA優(yōu)化后的PNN在故障診斷速度和故障診斷精度上都優(yōu)于傳統(tǒng)的故障診斷算法，并且可以滿足通風(fēng)機的故障診斷需求。

5 結(jié)論

(1)提出了一種基于數(shù)字孿生和PNN的礦用通風(fēng)機預(yù)測性故障診斷方法。首先建立了通風(fēng)機的數(shù)字孿生模型，并以數(shù)字孿生模型為基礎(chǔ)，結(jié)合專家知識、機器學(xué)習(xí)、歷史數(shù)據(jù)等建立了最初的通風(fēng)機預(yù)測性故障診斷模型；然后采集通風(fēng)機運行數(shù)據(jù)并實時映射至數(shù)字孿生模型中；最后利用IWOA優(yōu)化后的PNN對通風(fēng)機進(jìn)行預(yù)測性故障診斷，若診斷錯誤，預(yù)測性故障診斷模型便會重新學(xué)習(xí)故障規(guī)律，并更新參數(shù)，進(jìn)而提高預(yù)測性故障診斷的準(zhǔn)確率。

(2)實驗結(jié)果表明，與GA、PSO、WOA優(yōu)化后的PNN故障診斷精度相比，IWOA優(yōu)化后的PNN故障診斷效果更好，精度高達(dá)97.5%，說明基于數(shù)字孿生和PNN的礦用通風(fēng)機預(yù)測性故障診斷方法的故障診斷準(zhǔn)確率高，可以滿足通風(fēng)機故障診斷要求的實時性與準(zhǔn)確性。