基于優化模糊Petri網的礦井提升機故障診斷

公茂法,　柳巖妮,　王來河,　張超,　侯林源

(山東科技大學 電氣與自動化工程學院, 山東 青島　266590)

?

基于優化模糊Petri網的礦井提升機故障診斷

公茂法,柳巖妮,王來河,張超,侯林源

(山東科技大學 電氣與自動化工程學院, 山東 青島266590)

摘要：為提高礦井提升機故障診斷的準確率，提出了一種基于優化模糊Petri網的礦井提升機故障診斷新方法。該方法首先利用動量BP網絡對模糊Petri網的權值、閾值和可信度參數進行優化，然后使用優化好的模糊Petri網模型對礦井提升機進行故障診斷。測試結果表明,該方法對參數優化收斂速度快，故障診斷結果正確率高，有一定的實用價值。

關鍵詞：礦井提升機； 故障診斷； 模糊Petri網； 動量BP網絡

網絡出版地址：http://www.cnki.net/kcms/detail/32.1627.TP.20160705.1501.012.html

0引言

礦井提升機是煤礦生產的重要設備，其可靠性是礦井安全生產的重要保證。目前,國內外有關提升機故障診斷的方法有基于模糊理論的方法[1]、基于小波分析的方法和基于人工神經網絡的方法[2-4]等。參考文獻[1]采用模糊理論方法有效地解決了由于礦井提升機設備系統知識的模糊性所造成的不確定性問題，但該方法存在推理效率低和精度較差的問題；參考文獻[5]將BP神經網絡引入到礦井提升機故障診斷中，通過3層網絡形式實現非線性的輸入、輸出關系，得到故障模式識別的收斂解，但BP神經網絡收斂速度較慢，易陷入局部極值，自學時間長，對診斷結果有很大的影響。參考文獻[6]提出了一種基于模糊產生規則的Petri網(Fuzzy Petri Networks, FPN)故障診斷新方法,該方法運用了模糊Petri網的圖形描述能力和模糊推理能力來進行故障診斷，但由于模糊Petri網的自學能力差，無法對權值、閾值、可信度等參數進行學習和訓練優化，使得推理結果存在誤差。針對以上方法存在的問題，本文提出了一種基于動量BP網絡(Momentum Back Propagation Networks, MBPN)優化的模糊Petri網算法的提升機故障診斷新方法。該方法在模糊Petri模型中引入了動量BP網絡，可通過誤差反傳調整參數，從而使參數接近實際值，提高了礦井提升機故障診斷的正確率。

1模糊Petri網模型及算法

1.1模糊Petri網定義

模糊Petri網[7]最先由CHEN S等把模糊知識表示和推理引入到Petri網時提出，后來得到推廣使用。本文中所使用的模糊Petri網結構是單層單指向的[8]，不包含中間庫所，只有輸入庫所和輸出庫所，且每個變遷只對應一個輸出庫所。其定義如下：

定義1一個FPN為一個十元組：

(1)

式中：P={p1,p2,…,pn}，表示庫所節點的有限集合；T={t1,t2,…,tn}，表示變遷節點的有限集合；D={d1,d2,…,dn}，表示命題的有限集合；I(O):T→P∞，是輸入(輸出)函數，反映變遷到庫所的映射；M:P→[0,1]，是一個映射，每個庫所節點pi∈P(i=1,2,…,n)有一個標記值M(pi)；H:T→[0,1]，H(ti)為變遷ti(ti∈T)的閾值；W={w1,w2,…,wn}，表示規則權值集合，反映規則中前提條件對結論的支持程度；f:T→[0,1]，定義規則的可信度為f(t)=λ；α:P→D，表示庫所節點與命題的對應關系。

定義2對于任意變遷t，若它的所有輸入庫所的標記值與相應輸入弧上的權值之積的和大于或等于變遷的閾值，則變遷t使能。

定義3使能的變遷可以點燃。當變遷t點燃時，它的輸入庫所中的標記值不改變，且向輸出庫所pj傳送新的標記值：

(2)

1.2模糊推理算法

本文使用動量BP網絡對模糊Petri網參數進行優化，動量BP網絡運用誤差反傳推理結構，主要是使用一階求導，為了保證其連續性，在這里使用S型函數建立變遷點燃連續函數，提出了模糊Petri網模型中的模糊推理算法。S型函數表示如下：

(3)

只有當b足夠大時，式(3)才成立，本文取b=1 000。

由S型函數構造變遷點燃連續函數：

(4)

根據定義2可得，當x≥H(ti)時，變遷t使能。由定義3可得，使能的變遷t可以點燃，對輸出庫所傳送的標記值為z(x)；當x≤H(ti)時，變遷t不使能,即變遷不能點燃，對輸出庫所傳送的標記值為0。

2模糊Petri網的學習和訓練

2.1模糊Petri網的優化

由于模糊Petri網模型中，參數往往具有經驗性限制，本文將反向遞推的動量BP網絡應用到模糊Petri網模型中。通過誤差反傳對樣本參數進行訓練，從而得到較為真實的閾值、權值和可信度參數。

模糊Petri網模型是以每個變遷為中心，用誤差反傳計算一階梯度[9]的方法設計調整參數的學習算法。構造誤差代價函數為

(5)

誤差代價函數E對權值求一階梯度公式如下：

(6)

(7)

同理，可以得到閾值(λ)和可信度(μ)參數的一階梯度公式：

(8)

(9)

在求得一階梯度后，給出每個變遷ti參數調整的學習算法，得到動量BP網絡的參數調整遞推公式(式(10)—式(12))。其中，β為動量因子，η為學習率，k為訓練次數。

(10)

(11)

(12)

2.2模糊Petri網模型學習和訓練步驟

模糊Petri網模型學習和訓練步驟如下：

Step1:對閾值λ、權值w和可信度μ三個需要學習的參數賦初值，設定誤差代價函數的預期值為ε。

Step2:對r批樣本數據，根據定義3和連續函數公式(3)點燃ti中的所有變遷。

Step3:計算誤差代價函數E，若E<ε，結束學習；否則，繼續下一步。

Step4:運用動量BP算法對模糊Pteri網結構中的閾值、權值和可信度參數進行學習訓練，然后返回Step2。

3礦井提升機故障診斷

3.1模型建立

礦井提升機系統的主要設備包括液壓站、減速器、制動器等，本文以礦井提升機的液壓站系統故障診斷為例，建立模糊Petri網模型進行測試。礦井提升機液壓站可為盤式制動器提供不同油壓值的壓力油，以獲得不同的制動力矩，從而使其正常工作。所以，本文選用液壓站合閘時的壓力和間隙、敞閘時的殘壓和間隙及油溫5個主要參數作為特征量，形成輸入庫所p1—p5，對應專家系統中的命題d1—d5。液壓站的正常運行、合閘壓力過小、合閘間隙過大、油溫過高、敞閘間隙過大、敞閘殘壓過大6種常見故障狀態組成網絡的輸出庫所p6—p11，對應命題為d6—d11。通過數據搜集，從中選取30組最具代表性的數據做測試分析。根據所選的樣本數據，構建液壓站系統的模糊Petri網結構，如圖1所示。

圖1　提升機液壓站系統的模糊Petri網結構

根據建立的模糊Petri網結構，定義提升機液壓站系統的模糊產生式規則，見表1。

表1　提升機液壓站系統的模糊產生式規則

3.2實例分析

通過Matlab對所建立的模糊Petri網模型按照2.2節中步驟進行編程仿真，經過45次學習訓練，誤差代價函數E首次小于預期值，學習結束。由于參數較多，下面隨機選取部分參數做相關分析。部分參數收斂數據見表2，權值w和可信度μ的收斂曲線分別如圖2和圖3所示。

表2　部分參數收斂數據

圖2　權值收斂曲線

圖3　可信度收斂曲線

參數優化的修正值作為模糊Petri網的最終值。從表2可以看出，w11、w33在優化后變小，說明該弧對變遷觸發的支持程度應該較小；w22、w41、w52、w62在訓練學習后變大，表明其對相應故障的支持程度應該更大。可信度代表定義的模糊命題可信程度是否準確，μ1、μ3在優化后變小，表明對應的模糊產生規則可信度減小；μ4在優化后變大，表明對應的模糊推理規則可信度應該更高。閾值優化前后變化幅度很小，且都在0.35范圍內。

從圖2、圖3可以看出，需要優化的參數在經過14次左右的訓練后收斂，且收斂速度較快。

在得到3種參數的最終值后，使用Matlab軟件編程將訓練好的參數代入模型中，計算優化后的網絡故障診斷的正確率。通過測試數據分析，優化前后的診斷正確率對比情況見表3。除了油溫過高故障沒有變化外，其他各類故障的診斷正確率都有所提高。

表3　診斷正確率對比

4結語

基于優化模糊Petri網的礦井提升機故障診斷方法將動量BP網絡引入到模糊Petri網中，比單純使用模糊Petri網或者其他BP算法進行故障診斷具有更好的適應性和準確性，在礦井提升機故障診斷中具有一定的實用價值。

參考文獻：

[1]楊淑珍，徐文尚，高云紅.基于模糊推理的礦井提升機故障診斷方法的研究[J].煤礦機械,2005,26(10):148-150.

[2]劉銀平.基于遺傳算法優化BP神經網絡的礦井提升機故障診斷[D].阜新:遼寧工程技術大學,2008.

[3]王保德.提升機群遠程監測與智能故障診斷系統設計[J].工礦自動化,2013,39(11):106-109.

[4]李文江，屈海峰，馬云龍.基于BP神經網絡的礦井提升機故障診斷研究[J].工礦自動化,2010,36(4):44-48.

[5]陳志巧,王成剛,王致杰.礦井提升機故障智能診斷系統研究[J].煤礦機械,2006,27(5):910-912.

[6]楊雙虎,楊兆建.基于模糊Petri網與狀態監測的提升機故障診斷的方法[J].礦山機械,2014,42(11):45-50.

[7]鮑培明.基于BP網絡的模糊Petri網的學習能力[J].計算機學報，2004,27(5):695-702.

[8]公茂法,張言攀,柳巖妮,等.基于BP網絡算法優化模糊Petri網的電力變壓器故障診斷[J].電力系統保護與控制,2015,43(3):113-117.

[9]孫增圻.智能控制理論與技術[M].北京:清華大學出版社,1997.

Fault diagnosis of mine hoist based on optimizing fuzzy Petri networks

GONG Maofa,LIU Yanni,WANG Laihe,ZHANG Chao,HOU Linyuan

(College of Electrical Engineering and Automation, Shandong University of Science and Technology, Qingdao 266590, China)

Abstract:In order to improve accuracy of fault diagnosis of mine hoist, a new fault diagnosis method of mine hoist based on optimizing fuzzy Petri networks was proposed. Firstly, momentum BP network was used to optimize weights, thresholds and reliability parameters of the fuzzy Petri networks, and then the optimal fuzzy Petri networks model was used for fault diagnosis of mine hoist. The test results show that the method has fast convergence rate of parameter and high accuracy of fault diagnosis of mine hoist, which has a certain practical value.

Key words:mine hoist; fault diagnosis; fuzzy Petri networks; momentum BP networks

文章編號：1671-251X(2016)07-0050-04

DOI:10.13272/j.issn.1671-251x.2016.07.012

收稿日期：2015-12-28；修回日期：2016-03-22；責任編輯：張強。

基金項目：山東省自然科學基金項目(ZR2012EEM021)。

作者簡介：公茂法(1959-)，男，山東臨沂人，教授，博士研究生導師，博士，主要研究方向為電力系統自動化、電力電子技術與應用，E-mail:sdgmf@163.com。通信作者：柳巖妮(1991-)，女，山東煙臺人，碩士研究生，主要研究方向為電力系統自動化，E-mail:yanniliu99@163.com。

中圖分類號：TD633

文獻標志碼：A網絡出版時間：2016-07-05 15:01

公茂法,柳巖妮,王來河，等.基于優化模糊Petri網的礦井提升機故障診斷[J].工礦自動化，2016,42(7)：50-53.