基于AGA優化BP神經網絡的礦井通風機故障診斷

余發山　高勇

摘 要：礦井通風機穩定運行對煤礦安全生產具有十分重要的意義。為提高通風機故障診斷的準確率，通過分析通風機振動信號頻率成分與通風機故障類型之間的關系，提出一種基于自適應遺傳算法（AGA）優化BP神經網絡的礦井通風機故障診斷方法。采用AGA優化BP神經網絡的連接權值和閾值，提高BP神經網絡的學習能力和泛化能力；建立基于BP神經網絡的通風機故障診斷模型，并進行仿真實驗。實驗結果表明，AGA優化的BP神經網絡能夠有效識別通風機故障類型，故障診斷準確率高。

關鍵詞：礦井通風機；故障診斷；自適應遺傳算法；神經網絡

DOI：10.11907/rjdk.171459

中圖分類號：TP319 文獻標識碼：A 文章編號：1672-7800（2017）009-0154-04

Abstract：The stable operation of the mine ventilator is of great significance to the safe production of the coal mine. In order to improve the accuracy of the mine ventilator fault diagnosis， based on the analysis of the relationship between the frequency components of the vibration signal and the fault type of the mine ventilator， a fault diagnosis method of mine ventilator based on adaptive genetic algorithm optimized BP neural network is proposed. Using adaptive genetic algorithm to optimize the connection weights and thresholds of BP neural network， improve the learning ability and generalization ability of BP neural network； the fault diagnosis model of mine ventilator based on BP neural network is established，and the simulation experiment is carried out. The simulation experiment results show that the BP neural network optimized by adaptive genetic algorithm can effectively identify the fault types of mine ventilator， and it has a high accuracy of fault diagnosis.

Key Words：mine ventilator； fault diagnosis； adaptive genetic algorithm； neural network

0 引言

礦井通風機作為煤礦生產中的關鍵設備，具有向礦井輸送新鮮空氣、稀釋瓦斯等危險物質濃度、保障井下工作人員生命安全的重要作用。因此，通風機的穩定運行和故障監測對煤礦安全生產具有十分重要的意義。

由于礦井通風機故障與征兆間是非線性的映射關系，從而導致對其故障進行診斷非常復雜。在礦井通風機故障診斷的研究中，目前國內外學者提出了BP神經網絡[1]、支持向量機[2]、案例推理[3]等故障診斷方法，但上述方法在應用中存在局限性，影響了診斷結果的準確率。BP神經網絡存在收斂速度慢、易陷入局部極值等缺點；支持向量機用于故障診斷時所需訓練樣本過多；案例推理方法診斷準確率和覆蓋率不能兼顧，一般準確率較高，但其覆蓋率較低。

為進一步提高通風機故障診斷準確率，本文提出一種基于自適應遺傳算法（AGA）優化BP神經網絡的故障診斷方法，并將其應用于礦井通風機的故障診斷。MATLAB仿真結果表明，該方法能夠對礦井通風機的典型故障進行比較準確的診斷，驗證了該方法的可行性。

1 BP神經網絡

BP神經網絡是一種誤差逆向傳播算法訓練的多層前饋神經網絡，網絡模型拓撲結構包括輸入層、隱含層和輸出層。BP神經網絡的學習過程如圖1所示，包括輸入信號的正向傳遞和誤差信號的反向傳播[4]。

式中：xi為BP神經網絡輸入，zj為隱含層輸出，yk為輸出層輸出，y′k為輸出層期望輸出，w1ij為輸入層與隱含層之間的權值，w2jk為隱含層和輸出層之間的權值，b1j為隱含層閾值，b2k為輸出層閾值，f1為隱含層激活函數，f2為輸出層激活函數，η為學習率。

通過以上正向和反向過程的反復交替，直到輸出誤差達到要求的范圍之內，這就是BP神經網絡的學習訓練過程。BP神經網絡結構簡單，具有高度的自學習和自適應能力，且其非線性映射能力優異，尤其適合對多故障、多征兆類復雜模式的識別，因此近年來被廣泛應用于故障診斷領域[5]。

2 基于AGA的BP神經網絡優化

遺傳算法（GA）實現過程主要包括染色體編碼、創建適應度函數以及遺傳操作中的選擇、交叉和變異操作[6]。其中，交叉概率Pc和變異概率Pm的選擇是影響GA性能的關鍵，如果二者選擇不當，不僅會降低GA的收斂速度，而且會導致早熟收斂。因此，本文采用Srinvivas等提出的AGA，根據解群體對環境的適應能力，自適應地改變Pc和Pm。通過對遺傳參數的調整，可以在保持群體多樣性的同時，提高GA的收斂性[7]。endprint

通過對BP神經網絡分析可知，網絡的初始連接權值和閾值對網絡的訓練有很大影響，而且其不易準確獲得[8]。本文將BP神經網絡逼近任何非線性模型和AGA全局尋優方面的優點實現有機結合，使用AGA對BP網絡結構中的權值和閾值進行全局優化，提高BP神經網絡的學習能力和泛化能力。AGA優化BP神經網絡的主要步驟如下：

（1）確定編碼方式。本文采用實數編碼，把BP神經網絡的輸入層與隱含層權值w1ij、隱含層與輸出層權值w2jk和隱含層閾值b1j、輸出層閾值b2k編成染色體[9]，將網絡中這些參數的集合看成一個個體，并在初始化階段采用隨機方式產生初始群體。

（2）選擇適應度函數。適應度函數是評價群體中每一個染色體優劣的函數。優化網絡的最終目的是找到一組最優權值和閾值，使網絡的均方誤差和最小[10]，因此適應度函數選為：F=1N∑pj=1∑Ni=1（ydji-yji）2

（6） 式中：N為訓練樣本總數，p為輸出層節點數，ydji為第i個樣本的第j個網絡輸出節點的期望輸出，yji為第i個樣本的第j個網絡輸出節點的實際輸出。

（3）選擇操作。本文采用輪盤賭法，其原理為個體被選中的概率取決于個體的相對適應度。設種群大小為M，個體i適應度為Fi，則個體i被選中的概率Pi為[11]：Pi=Fi∑Mi=1Fi，i=1，2，…，M

（7） （4）確定交叉概率和變異概率。在AGA中，當種群個體適應度趨于一致或趨于局部最優時，使Pc和Pm增加；當群體適應度比較分散時，使Pc和Pm減少[12]。對于適應度偏高的個體，取較低的Pc和Pm，使該解受保護進入下一代；對于適應度偏低的個體，取較高的Pc和Pm，從而淘汰掉該解。因此，自適應的Pc和Pm能夠提供相對某個解的最佳Pc和Pm。交叉概率Pc和變異概率Pm的計算式分別如式（8）、式（9）所示：Pc=Pc1-（Pc1-Pc2）（f′-favg）fmax-favg （f′≥favg）

Pc1 （f′

（8）

Pm=Pm1-（Pm1-Pm2）（fmax-f）fmax-favg （f≥favg）

Pm1 （f

（9） 式中：Pc1=0.9，Pc2=0.6，Pm1=0.1，Pm2=0.001，fmax為群體中的最大適應度值，favg為每代群體的平均適應度值，f′為要交叉的兩個個體中較大的適應度值，f為要變異的個體適應度值。

AGA優化BP神經網絡的流程如圖2所示。

3 通風機故障診斷

礦井通風機是一種旋轉類機械系統，在其運行過程中常常伴有各種頻率的機械振動。對通風機進行故障診斷以及振動監測，首先要對礦井通風機的機械振動特性進行分析。在通風機工作過程中，礦井通風機的故障信息、反映本身運行狀態的信息通常蘊含在振動信號中。根據相關研究，當通風機發生的故障不同時，其振動信號中所含有的頻率成分也不盡相同。因此，本文利用通風機不同故障類型對應其振動信號包含頻率成分不同的性質，通過分析振動信號中是否含有某些頻率成分以及所含頻率成分多少判斷通風機的故障類型。

鑒于以上分析，通過收集資料得到通風機故障類型與振動特征之間的對應關系，建立礦井通風機常見故障與振動頻率特征對應關系如表1所示。表1中，x1表示f1，是平衡故障所引發的振動頻率；x2表示2f1；x3表示f2，是葉片故障所引發的振動頻率；x4表示（2～5）f1；x5表示f0，是外圈特征頻率；x6表示fi，是內圈特征頻率；x7表示fb，是滾動體特征頻率；x8表示ff，是保持架特征頻率。

3.1 輸入和輸出向量確定

將礦井通風機振動信號所包含的8種頻率成分作為BP神經網絡的輸入向量；將通風機正常工作狀態（用F1表示）以及通風機常見的故障類型不平衡、不對中、機械松動等8種故障類型（分別用F2～F9表示）分別對應的輸出值作為神經網絡的輸出向量。不同故障類型對應的期望輸出在表1中列出。因此，設置網絡輸入層節點數為8，對應8種振動頻率特征x1～x8；設置輸出層節點數為9，對應9個輸出y1～y9。設定網絡的期望輸出為“1”時表示通風機存在故障，當期望輸出為“0”時表示無故障。

隱含層節點數通過經驗公式h=m+n+a確定[13]，其中h為隱含層節點數目；m為輸入層節點數目，m=8；n為輸出層節點數目，n=9；a為1～10之間的調節常數。經測試，選取隱含層節點數為20，因此確定BP神經網絡的拓撲結構為8-20-9的三層結構。建立基于BP神經網絡的礦井通風機故障診斷模型如圖3所示。

3.2 實驗結果與分析

遺傳參數設置如下：選取種群規模60，選取雙曲正切S型tansig函數作為隱含層激活函數，選取S型對數logsig函數作為輸出層激活函數。LM算法收斂速度最快，故選用trainlm訓練函數。

收集已知故障類型的樣本數據270組。隨機選擇其中的90組包含各故障類型的振動頻率特征作為訓練樣本，剩下的180組作為測試上述算法性能的測試樣本。首先將90組訓練樣本用于BP神經網絡的訓練，得到BP神經網絡的最優權值和閾值；然后將剩余180組測試數據用于測試訓練后的BP神經網絡網故障診斷模型，診斷結果如表2所示。

為了驗證本文方法在通風機故障診斷上具有較高的準確性，本文將收集的故障數據分別采用BP 神經網絡算法、RBF神經網絡算法進行故障診斷并將結果記錄于表3中。

由表2可以看出，不同的通風機故障類型有不同的診斷準確率，F1和F8的診斷準確率相對較低，但也達到了88%；F5的診斷準確率最高，達到了100%；其余6類故障平均準確率也達到了91%左右。綜合表2 和表3可以看出，相較于其它幾類算法，本文采用的算法具有較高故障診斷準確率。endprint