張福生，潘學(xué)文，路 超

（太原科技大學(xué)機(jī)械工程學(xué)院，山西 太原 030024）

防爆電動(dòng)無軌膠輪車在礦產(chǎn)運(yùn)輸中起著重要作用，有著運(yùn)載量大、動(dòng)力性能優(yōu)越、易于操作等顯著優(yōu)點(diǎn)［1］，車輛一旦發(fā)生故障將嚴(yán)重影響煤礦產(chǎn)能，因此，對(duì)無軌膠輪車進(jìn)行故障診斷與狀態(tài)實(shí)時(shí)監(jiān)測(cè)，對(duì)煤礦順利生產(chǎn)有著重要影響。高宏鵬等［2］提出故障樹分析法與專家系統(tǒng)相結(jié)合的方式，對(duì)柴油機(jī)無軌膠輪車進(jìn)行故障診斷，該方法中專家系統(tǒng)十分依賴維修人員的經(jīng)驗(yàn)知識(shí)，存在知識(shí)更新、獲取困難等缺陷。

傳統(tǒng)故障樹分析法（FTA）主要以定性分析為主，造成診斷不嚴(yán)謹(jǐn)且不一定能得到想要的結(jié)果。劉志海等［3］應(yīng)用支持向量機(jī)算法（SVM）建立了無軌膠輪車全液壓制動(dòng)系統(tǒng)故障預(yù)測(cè)模型，并在Matlab 中進(jìn)行故障檢測(cè)實(shí)驗(yàn)，取得了良好的結(jié)果，但關(guān)鍵核函數(shù)的確定是根據(jù)人的經(jīng)驗(yàn)來選取的，具有一定的隨機(jī)性，給故障預(yù)測(cè)模型的搭建增加了一定的困難。

神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的知識(shí)獲取能力、推理能力和學(xué)習(xí)能力。利用麻雀搜索算法（Sparrow Search Algorithm，SSA）優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)作為專家系統(tǒng)診斷推理模塊，通過開發(fā)的故障診斷系統(tǒng)對(duì)膠輪車故障進(jìn)行分析診斷，結(jié)果表明，該系統(tǒng)能夠準(zhǔn)確、快速地完成診斷任務(wù)。

1 麻雀搜索算法

SSA 是受麻雀捕食和躲避捕食者啟發(fā)而提出的一種智能算法，具有尋優(yōu)能力強(qiáng)、收斂速度快的優(yōu)點(diǎn)［4］。算法實(shí)現(xiàn)步驟如下：

步驟1初始化麻雀種群位置與適應(yīng)度，N、n、PD、SD、ST參數(shù)初值（最大迭代數(shù)N，種群大小n，發(fā)現(xiàn)者數(shù)量PD，感應(yīng)危險(xiǎn)的麻雀數(shù)量SD，安全值ST，預(yù)警值R2）。

步驟2開始循環(huán)，iteration＜N。

步驟3種群排序，得出當(dāng)前的最優(yōu)麻雀?jìng)€(gè)體位置，以及最佳適應(yīng)度值（注意對(duì)于第一代麻雀而言，求出的為初始最優(yōu)。最優(yōu)個(gè)體能夠優(yōu)先獲取食物）。

步驟4覓食行為，按以下公式更新發(fā)現(xiàn)者位置：

式中：Q為服從正態(tài)分布的隨機(jī)數(shù)；L為單位行向量；a為[0，1]之間的隨機(jī)數(shù)。

步驟5按以下位置更新加入者位置：

式中：Xworst為適應(yīng)度最低的麻雀位置；A+為只隨機(jī)包含1與-1兩個(gè)元素的行向量。

步驟6反捕食行為，更新麻雀種群位置：

控制更新位置的步長(zhǎng)。K是［-1，1］之間的隨機(jī)數(shù)，fi是個(gè)體適應(yīng)度值。ε是接近0 的常數(shù)，避免分母為零的情況。

步驟7更新歷史最優(yōu)適應(yīng)度。

步驟8執(zhí)行步驟3～7，當(dāng)達(dá)到最大迭代次數(shù)，結(jié)束循環(huán)。輸出最優(yōu)個(gè)體位置與適應(yīng)度值［5］。

1.1 SSA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是誤差反向傳播的一種算法［6］，經(jīng)過幾十年的發(fā)展技術(shù)已經(jīng)十分成熟且被應(yīng)用于多個(gè)領(lǐng)域，不過其在故障診斷方面的應(yīng)用，往往容易陷入局部極小點(diǎn)，使收斂速度變慢。BP 神經(jīng)網(wǎng)絡(luò)通過不斷調(diào)整網(wǎng)絡(luò)權(quán)值、閾值，使誤差達(dá)到規(guī)定范圍內(nèi)即網(wǎng)絡(luò)達(dá)到穩(wěn)定狀態(tài)［7］。SSA具有尋優(yōu)能力強(qiáng)、收斂速度快的優(yōu)點(diǎn)，通過優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，使得診斷誤差降低，提高了診斷的準(zhǔn)確性。選取訓(xùn)練集與測(cè)試集整體的均方誤差MSE為適應(yīng)度值。適應(yīng)度函數(shù)數(shù)學(xué)模型為

適應(yīng)度值越小，表明訓(xùn)練越準(zhǔn)確，精度越好。SSA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)流程如圖1所示。

圖1 SSA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)流程Fig.1 SSA optimization BP neural network flow chart

2 神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)

專家系統(tǒng)主要是依據(jù)存儲(chǔ)在知識(shí)庫(kù)中的知識(shí)進(jìn)行故障診斷，而這些知識(shí)是通過詢問專家、有經(jīng)驗(yàn)的維修人員或查閱文獻(xiàn)資料獲得的，可能存在遺漏，使得故障診斷結(jié)果不盡如人意。神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值決定網(wǎng)絡(luò)的穩(wěn)態(tài)，穩(wěn)定后的神經(jīng)網(wǎng)絡(luò)就成為神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的知識(shí)庫(kù)。因此，把兩者結(jié)合起來［8］可以解決專家系統(tǒng)知識(shí)獲取困難問題，同時(shí)使專家系統(tǒng)故障診斷具備定量分析能力。

2.1 專家系統(tǒng)結(jié)構(gòu)

系統(tǒng)主要由人機(jī)界面、數(shù)據(jù)庫(kù)、知識(shí)庫(kù)、推理機(jī)、解釋器構(gòu)成［9］。人機(jī)界面是用戶登錄、使用系統(tǒng)的窗口，具有很好的交互性；數(shù)據(jù)庫(kù)用來存放用戶個(gè)人信息和接收歸一化處理后的各路采集數(shù)據(jù)；知識(shí)庫(kù)用于存放規(guī)則知識(shí)、訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和調(diào)整好的權(quán)值、閾值。推理機(jī)的推理過程是依賴知識(shí)庫(kù)中的規(guī)則進(jìn)行的，或是通過使用采集、處理過的數(shù)據(jù)及結(jié)合已訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行診斷，再通過解釋器將診斷結(jié)果清晰地顯示出來［10］。系統(tǒng)結(jié)構(gòu)如圖2所示。

圖2 神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)結(jié)構(gòu)Fig.2 Neural network expert system structure

2.2 專家系統(tǒng)設(shè)計(jì)

Matlab是一款數(shù)值計(jì)算、信號(hào)處理、程序開發(fā)、圖像處理等強(qiáng)大功能于一體的數(shù)學(xué)軟件。通過利用Matlab 神經(jīng)網(wǎng)工具箱、Visual Studio 軟件開發(fā)平臺(tái)，再結(jié)合SQL Server 數(shù)據(jù)庫(kù)功能實(shí)現(xiàn)電動(dòng)無軌膠輪車神經(jīng)網(wǎng)絡(luò)故障診斷系統(tǒng)的設(shè)計(jì)［11］。在Matlab 安裝Run Time 可實(shí)現(xiàn)脫離Matlab 環(huán)境運(yùn)行的exe 可執(zhí)行文件，有利于提高診斷系統(tǒng)的可移植性，方便診斷。

3 系統(tǒng)應(yīng)用實(shí)例

3.1 故障特征參數(shù)提取

神經(jīng)網(wǎng)絡(luò)故障診斷適用于某一單個(gè)系統(tǒng)，而電動(dòng)無軌膠輪車整體系統(tǒng)龐大，結(jié)構(gòu)復(fù)雜，因此，以電動(dòng)無軌膠輪車防爆驅(qū)動(dòng)電機(jī)為例，通過壓電式加速度傳感器采集防爆驅(qū)動(dòng)電機(jī)在不同狀態(tài)下的振動(dòng)信號(hào)［12］，故障特征參數(shù)通過壓電式加速度傳感器采集，再經(jīng)過降噪、小波包分解、歸一化等操作獲得特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入向量傳遞給診斷系統(tǒng)，并在Matlab 中進(jìn)行訓(xùn)練與測(cè)試仿真。Soundbook MK2 數(shù)據(jù)采集儀支持多種類、多通道信號(hào)同時(shí)采集且支持?jǐn)?shù)據(jù)實(shí)時(shí)監(jiān)測(cè)和后期處理，是一款便攜式多通道聲學(xué)、振動(dòng)、工程測(cè)量系統(tǒng)。利用Soundbook MK2數(shù)據(jù)采集儀和CA-YD-186壓電式加速度傳感器采集防爆電動(dòng)無軌膠輪車防爆驅(qū)動(dòng)電機(jī)不同狀態(tài)下的振動(dòng)信號(hào)。Soundbook MK2數(shù)據(jù)采集儀振動(dòng)噪聲采樣頻率設(shè)為5 kHz，數(shù)據(jù)采集長(zhǎng)度約25 s，將采集到的數(shù)據(jù)保存到電腦上。

由于在采集防爆驅(qū)動(dòng)電機(jī)振動(dòng)信號(hào)過程中會(huì)有較大干擾，因此要對(duì)采集到的振動(dòng)信號(hào)進(jìn)行降噪處理，提高信噪比；在Matlab中編寫程序?qū)翟牒蟮恼駝?dòng)信號(hào)進(jìn)行小波包分解與重構(gòu)獲得故障特征參數(shù)向量［13］，利用函數(shù)y=(x-min)/(max-min)將其歸一到［0，1］區(qū)間，方便神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與測(cè)試。歸一化后的訓(xùn)練樣本數(shù)據(jù)如表1 所示。

表1 訓(xùn)練樣本數(shù)據(jù)Tab.1 training sample data

3.2 SSA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)仿真測(cè)試

BP 神經(jīng)網(wǎng)絡(luò)輸入層個(gè)數(shù)是采集驅(qū)動(dòng)電機(jī)不同故障類別對(duì)應(yīng)的特征參數(shù)（m=9），輸出層為驅(qū)動(dòng)電機(jī)6 個(gè)不同狀態(tài)，即對(duì)應(yīng)著5 個(gè)故障原因和正常狀態(tài)（n=6），隱含層取9 訓(xùn)練效果最佳。SSA進(jìn)化收斂曲線如圖3所示。SSA優(yōu)化前后的BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值和真實(shí)值對(duì)比如圖4 所示。SSA 優(yōu)化前后的BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值和真實(shí)值誤差對(duì)比如圖5所示。

圖3 SSA進(jìn)化收斂曲線Fig.3 SSA evolution convergence curve

圖4 SSA優(yōu)化前后的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值和真實(shí)值對(duì)比Fig.4 Comparison of predicted value and actual value of BP neural network before and after SSA optimization

圖5 SSA 優(yōu)化前后的BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值和真實(shí)值誤差對(duì)比Fig.5 Comparison of the error between the predicted value and the actual value of the BP neural network before and after SSA optimization

網(wǎng)絡(luò)參數(shù)設(shè)置如下：

通過對(duì)BP神經(jīng)網(wǎng)絡(luò)、SSA-BP神經(jīng)網(wǎng)絡(luò)仿真測(cè)試結(jié)果比較可以得出，BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間長(zhǎng)，誤差較大；而SSA-BP神經(jīng)網(wǎng)絡(luò)收斂速度快、具有較高的準(zhǔn)確率、效果穩(wěn)定，適用于驅(qū)動(dòng)電機(jī)故障診斷，可作為神經(jīng)網(wǎng)絡(luò)算法在專家系統(tǒng)中對(duì)故障進(jìn)行診斷、預(yù)測(cè)。BP、SSA-BP網(wǎng)絡(luò)誤差比較如表2所示。

表2 BP、SSA-BP網(wǎng)絡(luò)誤差比較Tab.2 Comparison of BP and SSA-BP Network Errors

4 專家系統(tǒng)故障診斷

通過提取到的故障特征參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入向量參數(shù)，通過不斷調(diào)整網(wǎng)絡(luò)的權(quán)值、閾值，形成穩(wěn)定神經(jīng)網(wǎng)絡(luò)作為專家診斷系統(tǒng)知識(shí)庫(kù)數(shù)據(jù)，從而解決了知識(shí)獲取難的問題；以SSA-BP 神經(jīng)網(wǎng)絡(luò)作為故障診斷專家系統(tǒng)推理診斷模塊，當(dāng)輸入信號(hào)傳入系統(tǒng)時(shí)，SSA-BP 神經(jīng)網(wǎng)絡(luò)利用之前訓(xùn)練好的、穩(wěn)定的網(wǎng)絡(luò)進(jìn)行故障診斷，由于神經(jīng)網(wǎng)絡(luò)輸出信號(hào)是數(shù)值形式，因此需要將輸出數(shù)值轉(zhuǎn)化為文字格式，并通過人機(jī)界面、解釋器將診斷結(jié)果顯示出來。

以一測(cè)試樣本為例［0.452 3 0.467 9 0.774 9 0.710 3 0.981 5 1.000 0 1.000 6 0.935 6 0.981 3］，在診斷界面輸入采集到的經(jīng)過處理的振動(dòng)信號(hào)作為故障輸入，點(diǎn)擊診斷按鈕，解釋器會(huì)顯示診斷結(jié)果和故障圖方便維修者觀察，診斷輸出結(jié)果為［0 0 0 1 0 0］，轉(zhuǎn)化為文字格式為軸承損壞故障。通過測(cè)試樣本輸出結(jié)果與系統(tǒng)診斷結(jié)果比較可知，系統(tǒng)有較高的診斷準(zhǔn)確性和有效性。專家系統(tǒng)神經(jīng)網(wǎng)絡(luò)診斷界面如圖6 所示。

圖6 專家系統(tǒng)神經(jīng)網(wǎng)絡(luò)診斷界面Fig.6 Expert system neural network diagnostic interface

5 結(jié)語

SSA-BP 神經(jīng)網(wǎng)絡(luò)與BP 神經(jīng)網(wǎng)絡(luò)相比縮短了神經(jīng)網(wǎng)絡(luò)權(quán)值、閾值調(diào)整過程且誤差更小，可作為模式識(shí)別神經(jīng)網(wǎng)絡(luò)參與防爆電動(dòng)無軌膠輪車故障診斷。將SSA-BP 神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)結(jié)合，可以充分展示神經(jīng)網(wǎng)絡(luò)定量分析的優(yōu)點(diǎn)，使故障診斷更加準(zhǔn)確、快捷，同時(shí)還可以實(shí)現(xiàn)故障實(shí)時(shí)監(jiān)測(cè)，防止車輛帶故障工作，影響其使用壽命。通過Matlab、Visual Studio 軟件開發(fā)平臺(tái)，SQL Server 數(shù)據(jù)庫(kù)設(shè)計(jì)開發(fā)的故障診斷系統(tǒng)，診斷測(cè)試該系統(tǒng)，該系統(tǒng)具有診斷準(zhǔn)確、快捷的特點(diǎn)。