基于神經網絡和D-S證據理論的通風機故障診斷

王 偉

（西安石油大學電子工程學院 陜西 西安 710065）

1 引言

據煤礦事故統計，通風機故障造成的礦難事故占礦難總數的70%以上，因此，通風機故障診斷的研究成為國內外學者研究熱門話題。目前，礦井通風機故障診斷主要對振動加速度信號進行頻譜分析，結合故障判別標準，進而判斷通風機是否存在故障。而單一傳感器獲取的信息存在局限性和擾動等因素，容易造成故障誤判。

本文針對通風機單一傳感器信息故障診斷可靠性不高的缺點，提出一種基于多傳感器信息融合的通風機故障診斷方法，該方法選用多個傳感器采集振動信息，采用小波分析提取信號特征，利用神經網絡得到各傳感器的診斷結果，結合D-S證據理論將多個傳感器診斷結果進行融合，最終得到診斷結果，提高通風機故障診斷的可靠性。

2 通風機常見故障類型與特征

通風機常見的機械故障主要有：轉子不平衡、喘振、氣動力偶、轉子不對中、油膜振蕩、油膜渦動等，這些故障發生都會引起振動信號頻率的變化。通風機的振動信號包含復雜的信息，一種故障類型對應多種故障征兆，或一種故障征兆對應多種故障類型。因此提取不同頻段內的信號譜幅值作為故障信號特征，根據這些故障征兆與故障類型的關系作為通風機故障診斷的方法。常見的通風機故障征兆與故障類型如表1所示。

表1 通風機故障征兆與故障類型

3 通風機故障診斷模型

通風機故障診斷模型的重點是振動信號采集預處理和特征提取，核心是BP神經網絡和D-S證據理論算法的安全信息融合。BP神經網絡由于具有較強的自學習能力，在處理故障與故障特征復雜關系識別中具有較強魯棒性。D-S證據理論算法對于不確定信息具有較強識別能力。結合二者優勢，構建通風機故障診斷模型如圖1所示。

圖1 通風機故障診斷模型

數據級融合：采用小波變化的方法對采集的振動信號進行振動加速度信號頻域特征提取。

特征級融合：采用BP神經網絡對采集到的通風機振動信號頻域特征進行局部的故障診斷。

決策級融合：采用D-S證據理論融合規則對各子BP神經網絡局部診斷的結果進行融合，得到最終診斷結果。

3.1 BP神經網絡結構設計

常見通風機故障類型的振動信號頻譜域劃分為7個區間，所以，BP神經網絡的輸入層有7個神經元；6種常見的故障類型，故輸出層有6個神經元。考慮到網絡的性能和速度，經故多次試算得到隱含層神經元的個數為10。故通風機診斷的BP神經網絡采用7-10-6的網絡結構。輸入層傳遞函數為tansig，輸出層傳遞函數為logsig。

訓練樣本如表1所示，在MATLAB軟件上對構建的BP神經網絡進行仿真，設置最大迭代次數為1000，學習目標采用均方誤差為0.001，通過仿真得到BP網絡訓練誤差曲線如圖2所示。

圖2 BP神經網絡訓練誤差曲線

3.2 D-S證據理論融合規則

依據相同時間的不同證據，求出故障樣本空間的兩個信任度函數Bel1和Bel2，得到BPA為m1和m2。首先，根據k值判斷各證據體間是存在矛盾（若k=0，則各證據體完全矛盾，不能進行證據融合）。

其次，各傳感器診斷結果融合。假設Ai為BP網絡對傳感器1檢測樣本診斷故障類型，Bj為BP網絡傳感器2檢測樣本的診斷故障類型，且m1(Ai)>0，，m2(Bj)>0，則有：

式中，M(end)表示對傳感器診斷結果融合后輸出的最終診斷結果。

4 診斷實例

在通風機前后軸瓦處安裝兩組振動傳感器，本文以通風機不平衡故障為例，2個振動傳感器采集的信息分別經數據特征提取，通過BP神經網絡診斷后得到故障支持度，及兩個傳感器經診斷結果經過D-S證據算法融合后得到最終診斷結果 的故障支持度如表2所示。

表2 通風機故障診斷結果

根據上述診斷結果知，BP神經網絡能夠依據振動信號的特征值準確進行通風機故障診斷。多傳感器信息融合進一步提高了通風機診斷系統的可靠性。

5 結語

實際運行結果表明，與單傳感器BP神經網絡診斷結果相比，基于BP神經網絡和D-S證據理論的多傳感器信息融合診斷方法對礦井通風機故障診斷的可靠性和準確性有大幅提高。

[1]馮愛偉. 基于神經網絡與證據理論的煤礦通風機故障診斷[J].煤礦機械，2010，31(06)：249-251.

[2]李林琛，蔣小平.多傳感器融合在通風機故障診斷中的應用[J].激光雜志，2016，37(04)：100-103.

[3]凌六一，黃友銳.基于多傳感器信息融合的礦井通風機故障診斷[J].煤炭科學技術，2008，(06)：72-74.

[4]荊雙喜，冷軍發，李臻.基于小波-神經網絡的礦用通風機故障診斷研究[J].煤炭學報，2004，(06)：736-739.