基于GA-BP神經網絡的礦用刮板輸送機故障診斷

李廷玉，楊立新

（黑龍江科技大學電氣與控制工程學院，黑龍江哈爾濱，150022）

0 引言

對運行中刮板輸送機在某段時間內發生的故障進行統計后發現，傳動部的故障約占80%，且表現的形式有很多種[1]。近年來人們對BP神經網絡做了很多改進。對于常規BP神經網絡存在著易陷入局部最優、隱含層節點數難確定等缺點，本文提出利用經驗公式確定隱含層最優節點數和遺傳算法優化BP神經網絡權閾值克服其不足[2]。

1 遺傳算法的BP神經網絡

1.1 BP神經網絡原理

BP神經網絡是一種信號的正向傳播和誤差的反向傳播訓練的多層前饋網絡，目前應用最廣泛的神經網絡。信號的正向傳播是輸入層導入輸入樣本，再經過隱含層，最后傳到輸出層；比對正向傳播的輸出與期望輸出之間的誤差，然后將誤差信號逆向傳播，再重復進行正向反向的傳播，通過不斷迭代調整權值和閾值，直到輸出最佳的權值閾值，形成完整的BP神經網絡模型。BP神經網絡拓撲結構包括輸入層、一個或多個隱含層和輸出層。

1.2 BP神經網絡隱含層節點確定

BP神經網絡的隱含層節點數對網絡預測精度、收斂速度等起著很重要的作用。如果設置節點數太少，會導致網絡學習不充分，需要增加訓練次數，訓練的精度也受影響；節點數太多，需要增加訓練時間，但容易網絡過擬合，可見隱含層節點數從結構上影響著BP神經網絡的優劣性。最佳隱含層節點數可以通過經驗公式縮小范圍再確定，經驗公式如下：

式中，x為輸入層節點數；y為隱含層節點數；t為輸出層節點數；n為之間的常數。

1.3 GA-BP模型

遺傳算法是一種群優化算法，模擬自然界遺傳性質、進化論進行全局優化，通過對初始種群進行選擇、交叉、變異操作的不斷迭代，通過全局尋優的特點優化BP神經網絡的權值和閾值，進而彌補BP神經網絡易陷入局部最優的缺點，當獲得最佳的權值和閾值，用以BP 神經網絡的訓練得到GA-BP模型。并以 BP 神經網絡輸出誤差最小作為適應度函數進行遺傳演化，直至當達到精度要求或者最大進化代數。

2 仿真實驗

為了驗證文中方法的有效性，本文中引用文獻[4]的神寧集團某礦井使用的 SGZ1250-2565 型刮板輸送機數據為例，將刮板輸送機電機轉子軸承溫度故障(N1)、減速器油溫故障(N2)、電機線圈繞組溫度故障(N3)、減速器高速軸故障(N4)、減速器二軸故障（N5)等這五種故障類型進行診斷分類，并選取<35℃（α1），35℃-50℃（α2），50℃-65℃（α3），65℃ -80℃（α4），80℃ -95℃（α5），95℃-110℃（α6），110℃-125℃（α7），125℃-140℃（α8），140℃ -155℃（α9），155℃ -170℃（α10），170℃ - 185℃（α11），185℃ -200℃（α12），>200℃ (α13)溫度范圍內的數據進行分析，因此神經網絡的輸入節點數為13個，分別對應13個特征向量；輸出節點為5個，分別對應著五種故障：N1、N2、N3、N4、N5。經過歸一化處理后，輸入樣本。網絡的期望輸出可以根據表1得出。

表1 故障種類矩陣

根據表1可知，網絡輸入為13輸出為5，可以根據經驗公式和試湊法確定網絡的最佳隱含層節點數。首先利用上文經驗公式縮小范圍得到最佳隱含層節點數在范圍[4,12]之間，然后經試湊法發現當隱藏層節點為6是網絡的各個參數狀態最佳。

再將25組輸入數據和對應的期望輸出帶入到經過遺傳算法優化權值閾值后的BP神經網絡訓練，訓練結果如圖1所示。

圖1 GA-BP訓練結果

本文遺傳算法參數設定為初始種群規模為50、遺傳代數為100代,通過遺傳算法優化BP神經網絡的連接權值和閾值，取BP神經網絡學習速率為0.01、最大迭代次數為1000次，誤差目標值為0.01[3]。經過選擇交叉變異的不斷迭代。

帶入訓練好的GA-BP神經網絡和BP神經網絡進行故障診斷。當故障類型為N1時期望輸出是[1,0,0,0,0]，GA-BP輸出[0.9974,0.330,0.0428,0.0004,0.0045 ]，可見其中0.9974非常接近1，因此判斷出故障類型為電機轉子軸承溫度故障N1。而BP神經網絡的診斷輸出為[0.6432,0.0103,0.384,0.0001,0.0017]，通過與期望輸出對比，對于N1故障輸出的結果0.6432不趨近于1，所以診斷結果是不準確的，不能說明故障的準確類型，可見GA-BP比BP神經網絡預測的更加準確。其他的故障類型判斷方法都與此類似，可見輸出結果與實際故障相符合，且更準確。

3 結論

本文介紹了GA-BP神經網絡的刮板輸送機故障診斷方法，建立了一個多輸入多輸出的診斷模式，根據經驗公式和試湊法推導出神經網絡最佳隱含層節點數，采用遺傳算法優化BP神經網絡的權值和閾值，克服了神經網絡的易陷入局部最小值、收斂速度慢等缺點。經仿真實驗研究，本文提出的GA-BP診斷方法比較于傳統的BP神經網絡診斷的更加準確，能滿足礦用刮板輸送機的故障診斷，為刮板輸送機的故障診斷提供了理論依據。