矿井提升机制动器的GA-BP故障诊断

矿井提升机制动器的GA-BP故障诊断作者：天天论文网日期：2015-12-2410:51:01点击：0摘要：针对矿井提升机制动器经常出现故障、耦合信号导致故障诊断相对复杂的问题，采用遗传算法优化BP神经网络的方法，通过调查和研究矿井提升机制动器的故障类型，收集相关数据，根据GA-BP神经网络确定网络的输入量和输出量，对矿井提升机制动器进行故障诊断.利用Matlab进行遗传算法优化的BP神经网络故障诊断的仿真分析.研究结果表明，诊断误差较小，输出向量与实际的故障结果一致，所以将遗传算法优化BP神经网络应用到矿井提升机制动器的故障诊断中是有效且可行.关键词：矿井提升机；制动器；遗传算法；BP神经网络；故障诊断引言矿井提升机是矿井中的重要设备，它是否能够稳定安全的运行，关系着每个矿山员工的安全[1]，制动器是矿井提升机的最后屏障，它有着至关重要的作用.能够迅速的判断矿井提升机制动器发生故障的原因并且及时解决，是每个研究人员的重点研究对象.矿井提升机的制动器是一个机电液耦合的复杂系统，各信号之间的耦合导致其故障诊断相对复杂，而故障诊断则是提高系统可靠性的主要途径之一[2-4].而且矿井提升机制动器的工作环境恶劣，负载变化剧烈，速度的变化情况不稳定，容易在运行过程中产生各种各样的故障，矿井提升机制动器的故障征兆与故障类型之间呈现非线性特性，并且制动器的故障具有模糊性等特点.所以选定合适的故障诊断方法，对于矿井提升机制动器的故障诊断具有很重要的意义.传统的BP神经网络的收敛速度相对较慢，有可能收敛到局部极小值，诊断的相对误差可能较大[5].所以本文应用遗传算法优化BP神经网络对矿井提升机的故障模式识别、故障程度评估、故障诊断具有理论意义和实际应用价值[6-8].1遗传算法优化BP神经网络1.1BP神经网络BP网络是一个前向多层网络，在网络训练中，调整网络权值的训练算法是误差反向传播学习算法，也就是BP神经算法.它包含了神经网络中最为精华的部分，其结构简单，具有很强的非线性映射能力，并行分布式处理能力和可塑性强，所以在函数逼近，模式识别，信息分类及数据压缩等领域得到了广泛应用.BP神经网络的结构见图1.BP神经网络由输入层，隐含层，输出层三部分组成.上下层之间实现全连接，而每层神经元之间无连接.图1神经网络示意Fig.1neuralnetworkdiagram1.2遗传算法优化BP神经网络BP网络有很强的非线性映射能力，在故障诊断中应用广泛，但BP收敛速度相对较慢，需要较长的训练时间，可能使权值收敛到全局的最小值，并且网络的学习和记忆具有不稳定性.所以本文应用遗传算法优化BP神经网络，使收敛速度更快，网络的学习和记忆能力更加的稳定.遗传算法优化BP神经网络是用遗传算法来优化BP神经网络的初始权重和阀值，使优化后的BP神经网络能够更好的进行样本预测.遗传算法优化BP神经网络的要素包括种群初始化，适应度函数，选择算子，交叉算子和变异算子.种群初始化是个体编码使用二进制编码，每个个体均为一个二进制串，由输入层与隐含层连接权重，隐含层阀值，隐含层与输出层连接权值，输出层阀值四部分组成，每个权值和阀值使用M位的二进制编码，将所有权值和阀值的编码连接起来.适应度函数采用排序的适应度分配函数：FitnV=ranking（obj），式中，obj为目标函数的输出.选择算子采用随机遍历抽样.交叉算子采用最简单的单点交叉算子.变异是以一定概率产生变异基因数，用随机方法选出发生变异的基因.遗传算法优化BP神经网络算法的流程见图2.遗传算法具体的运行参数如下所示：种群大小为100；最大遗传代数为150；变量的二进制位数为10；交叉概率为0.7；变异概率为0.01；代沟为0.95.2BP网络输入输出的确定矿井提升机制动器在运行过程中发生的故障很多，应及时检测出发生故障的原因，并对发生故障的部件做及时的处理.通过对矿井提升机制动器的日常故障因素和资料的收集，矿井提升机制动器的主要状态有贴闸油压Pt，制动正压力PN，，液压系统残压Pc，松闸油压Ps，液压站油压P，闸瓦贴合状态Pk，磨损超限判定油压Pt.确定以上作为神经网络的输入，输入层为7个神经元.输出层由矿井提升机制动器的故障类型组成，共计6个神经元分别为轴瓦摩擦系数A、轴瓦磨损严重B、制动弹簧疲劳失效C、制动缸卡缸D、系统残压过高E、液压站失效F.输出的结果（100000）为A类，（010000）为B类，（001000）为C类，（000100）为D类，（000010）为E类，（000001）为F类.3建立神经网络模型根据分析，矿井提升机制动器的故障诊断类型比较多，隐含层选取的多少是一个十分复杂的问题，需要研究人员反复的实验与研究所得.隐含层数目太多会导致训练的时间过长，有较差的容错性，误差不一定最佳，所以选取一个合适的隐含层数很重要[9-11].通过研究，对BP神经网络从3开始训练，确定隐层数为17时收敛速度和精度最高，所以确认子网络的结构为7×17×6.训练样本的选取对于BP网络的应用也至关重要，合适的样本能够使BP神经网络的训练过程更加收敛，所以应选取样本数据中具有代表性的样本.而考虑到影响矿井提升机制动器的因素很多，在选取样本数据时每种引起故障因素的数据样本都应选取到，经过反复选取，选取了30组样本数据进行样本训练.下面仅列举每一种故障中的样本数据.BP神经网络的输入，输出见表1和表2.表1故障诊断参数样本数据Tab.1troubleshootingparametersampledata状态贴闸油压Pt/MPa制动正压力PN/kN液压系统残压Pc/MPa松闸油压Ps/MPa液压站油压P/MPa闸瓦贴合状态Pk磨损超限判定油压Pt/MPa摩擦系数过低A0.330.230.110.650.780.90.25轴瓦磨损严重B0.450.210.150.750.620.90.31弹簧疲劳失效C0.210.520.200.320.650.10.21制动缸卡缸D0.620.560.10.850.850.10.40残压过高E0.520.310.840.410.540.90.44液压站失效F0.110.650.100.120.150.90.85表2输出训练样本Tab.2outputtrainingsamples故障模式Y1Y2Y3Y4Y5Y6110000020100003001000400010050000106000001为了体现遗传算法优化BP神经网络的故障诊断能力，使其与传统的BP神经网络和Elman网络对相同数据进行训练，得出各自的训练误差曲线.所以试验得到的矿井提升机制动器的30组实测数据样本分别采用传统的BP神经网络，Elman网络和经过遗传算法优化阀值和权值后的BP神经网络进行训练，得到各自的训练误差曲线.见图3～图5.图3传统的BP神经网络训练误差Fig.3traditionalBPneuralnetworktrainingerror__158均方差图4elman网络训练误差Fig.4elmannetworktrainingerror图5遗传算法优化的BP神经网络训练误差Fig.5geneticalgorithmBPneuralnetworktrainingerror由以上图中可以看出遗传算法优化后的BP神经网络的迭代次数为19次，传统的BP神经网络的迭代次数为29次，Elman网络的迭代次数为250次，遗传算法优化后的BP神经网络明显比传统的BP神经网络和Elman网络迭代次数少并且误差明显低于传统的BP神经网络和Elman网络，体现出优化后的BP神经网络全局搜索能力更强，不容易陷入全局最小值.选取3组未经过训练的矿井提升机制动器实测数据，数据见表3，利用遗传算法优化后的BP网络对选定的数据进行诊断，得到诊断结果见表4.表3遗传算法优化后BP神经网络的测试数据样本Tab.3testdatasampleBPneuralnetworkaftergeneticalgorithm状态贴闸油压Pt/MPa制动正压力PN/kN液压系统残压Pc/MPa松闸油压Ps/MPa液压站油压P/MPa闸瓦贴合状态Pk磨损超限判定油压Pt/MPa摩擦系数过低0.400.100.050.510.720.90.11制动弹簧失效0.170.460.170.270.620.070.18残压过高0.430.270.780.380.490.870.41表4遗传算法优化后的BP神经网络的测试结果Tab.4testresultsofgeneticalgorithmoptimizedBPneuralnetwork网络输出样本组号ABCDEF结论10.94280.03480.01690.00100.00700.0548A20.02030.00010.97800.01510.01570.0003C30.03780.03890.03420.00220.96060.0147E4结论矿井提升机制动器是一个复杂的机电液耦合系统，由于其工作环境的恶劣，运行状况等因数，造成制动器故障类型的模糊性，使故障诊断更加困难.本文应用遗传算法优化BP神经网络的阀值和权值，克服BP算法陷入局部最小点、收敛速度慢的问题，提高故障诊断的精度和速度[12-13].通过收集矿井提升机制动器常见故障，建立神经网络的输入和输出向量，对收集的数据样本进行训练，并对实测数据进行故障诊断分析，诊断结果与实际应用情况相吻合，仿真结果误差较小，所以将遗传算法优化BP神经网络应用到矿井提升机制动器的故障诊断中是有效且可行的.参考文献：[1]郭晓荟,马小平.基于支持向量机的提升机制动系统故障诊断[J]中国矿业大学学报,2006,35(6):813-817.GUOXiaohui,MAXiaoping.Minehoistbrakingsystemfaultdiagnosisbased[J].JournalofChinaUniversityofMining＆Technology,2006,35(6):813-817.[2]刘晓华.旋转机械智能化故障诊断混合推理系统设计[J].辽宁工程技术大学学报(自然科学版),2011,30(4):580-583.LIUXiaohua.Hybridinferencedesignonintelligentfaultdiagnosisofrotatingmachinery[J].JournalofLiaoningTechnicalUniversity(NaturalScience),2011,30(4):580-583.[3]葛世荣.矿井提升机可靠性技术[M].徐州:中国矿业大学出版社,1994.GEShirong.Minehoistreliabilitytechnology[M].Xuzhou:PressofChinaUniversityofMining＆Technology,1994.[4]刘可伟,杨兆建.基于人工神经网络的提升设备故障诊断研究[J].太原理工大学学报,2002,33(7):441-442.LIUKewei,YANGZhaojian.Liftingequipmentfaultdiagnosisbasedonartificialneuralnetworkresearch[J].JournalofTaiyuanUniversityofTechnology,2002,33(7):441-442.[5]廖卫强,迟岩,王国玲一种基于惩罚系数的BP神经网络预测能力[J].辽宁工程技术大学学报(自然科学版),2013,32(2):174-177.LIAOWeiqiang,CHIYan,WANGGuoling.PredictiveabilityofBPneuralnetworkbasedonpenaltycoefficient[J].JournalofLiaoningTechnicalUniversity(NaturalScience),2013,32(2):174-177.[6]王峰,何凤有,谭国俊.矿井提升机自适应神经模糊故障诊断策略研究[J].煤炭科学技术