一種帶式輸送機故障診斷方法

張喆， 陶云春， 梁睿， 遲鵬

(1.中國礦業大學 電氣與動力工程學院，江蘇 徐州 221116；2.中國礦業大學 江蘇省煤礦電氣與自動化工程實驗室，江蘇 徐州 221116)

0 引言

帶式輸送機作為煤礦井下運輸煤炭的核心設備，一旦發生故障會嚴重影響煤礦安全生產和工作效率，造成巨大經濟損失。因此，對煤礦帶式輸送機進行故障診斷尤為重要[1-2]。目前，廣義回歸神經網絡(General Regression Neural Network，GRNN)、概率神經網絡(Probabilistic Neural Network，PNN)、極限學習機(Extreme Learning Machine，ELM)等傳統淺層神經網絡在故障診斷中取得了一定成果[3-5]，但它們均屬于淺層學習的算法結構，要在一到兩層的模型結構中完成函數擬合，沒有充分挖掘數據內部隱含的特征，泛化能力不強，易出現局部極值，故障診斷準確率不高，且診斷精度依賴于樣本數據的分布，由于煤礦現場實際采集的故障樣本數據較少，當樣本數據分布不平衡時，會導致過擬合問題。鑒此，本文提出了一種基于合成少數類過采樣技術(Synthetic Minority Oversampling Technique，SMOTE)和深度置信網絡(Deep Belief Network，DBN)的帶式輸送機故障診斷方法。該方法利用SMOTE對采集的帶式輸送機狀態數據進行預處理，通過DBN提取數據中隱含的故障特征，可有效提高帶式輸送機故障診斷準確率。

1 相關原理

1.1 SMOTE

SMOTE基本思想是對少數類樣本進行分析，在原始少數類樣本的鄰域空間中生成大量具有一定策略的新樣本，以平衡樣本數據分布[6-7]。

SMOTE生成新樣本過程如圖1所示。首先，在少數類樣本中選擇一個主樣本xi(i=1,2，…，N，N為少數類樣本個數)，然后在xi的k近鄰中隨機選擇M個樣本xj(j=1,2，…，M,j≠i),最后在連接主樣本xi及其主要近鄰樣本xj的直線的隨機位置生成一個新樣本[8]：