基于AGA优化BP神经网络的矿井通风机故障诊断

余发山　高勇

摘 要：矿井通风机稳定运行对煤矿安全生产具有十分重要的意义。为提高通风机故障诊断的准确率，通过分析通风机振动信号频率成分与通风机故障类型之间的关系，提出一种基于自适应遗传算法（AGA）优化BP神经网络的矿井通风机故障诊断方法。采用AGA优化BP神经网络的连接权值和阈值，提高BP神经网络的学习能力和泛化能力；建立基于BP神经网络的通风机故障诊断模型，并进行仿真实验。实验结果表明，AGA优化的BP神经网络能够有效识别通风机故障类型，故障诊断准确率高。

关键词：矿井通风机；故障诊断；自适应遗传算法；神经网络

DOI：10.11907/rjdk.171459

中图分类号：TP319 文献标识码：A 文章编号：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

矿井通风机作为煤矿生产中的关键设备，具有向矿井输送新鲜空气、稀释瓦斯等危险物质浓度、保障井下工作人员生命安全的重要作用。因此，通风机的稳定运行和故障监测对煤矿安全生产具有十分重要的意义。

由于矿井通风机故障与征兆间是非线性的映射关系，从而导致对其故障进行诊断非常复杂。在矿井通风机故障诊断的研究中，目前国内外学者提出了BP神经网络[1]、支持向量机[2]、案例推理[3]等故障诊断方法，但上述方法在应用中存在局限性，影响了诊断结果的准确率。BP神经网络存在收敛速度慢、易陷入局部极值等缺点；支持向量机用于故障诊断时所需训练样本过多；案例推理方法诊断准确率和覆盖率不能兼顾，一般准确率较高，但其覆盖率较低。

为进一步提高通风机故障诊断准确率，本文提出一种基于自适应遗传算法（AGA）优化BP神经网络的故障诊断方法，并将其应用于矿井通风机的故障诊断。MATLAB仿真结果表明，该方法能够对矿井通风机的典型故障进行比较准确的诊断，验证了该方法的可行性。

1 BP神经网络

BP神经网络是一种误差逆向传播算法训练的多层前馈神经网络，网络模型拓扑结构包括输入层、隐含层和输出层。BP神经网络的学习过程如图1所示，包括输入信号的正向传递和误差信号的反向传播[4]。

式中：xi为BP神经网络输入，zj为隐含层输出，yk为输出层输出，y′k为输出层期望输出，w1ij为输入层与隐含层之间的权值，w2jk为隐含层和输出层之间的权值，b1j为隐含层阈值，b2k为输出层阈值，f1为隐含层激活函数，f2为输出层激活函数，η为学习率。

通过以上正向和反向过程的反复交替，直到输出误差达到要求的范围之内，这就是BP神经网络的学习训练过程。BP神经网络结构简单，具有高度的自学习和自适应能力，且其非线性映射能力优异，尤其适合对多故障、多征兆类复杂模式的识别，因此近年来被广泛应用于故障诊断领域[5]。

2 基于AGA的BP神经网络优化

遗传算法（GA）实现过程主要包括染色体编码、创建适应度函数以及遗传操作中的选择、交叉和变异操作[6]。其中，交叉概率Pc和变异概率Pm的选择是影響GA性能的关键，如果二者选择不当，不仅会降低GA的收敛速度，而且会导致早熟收敛。因此，本文采用Srinvivas等提出的AGA，根据解群体对环境的适应能力，自适应地改变Pc和Pm。通过对遗传参数的调整，可以在保持群体多样性的同时，提高GA的收敛性[7]。endprint

通过对BP神经网络分析可知，网络的初始连接权值和阈值对网络的训练有很大影响，而且其不易准确获得[8]。本文将BP神经网络逼近任何非线性模型和AGA全局寻优方面的优点实现有机结合，使用AGA对BP网络结构中的权值和阈值进行全局优化，提高BP神经网络的学习能力和泛化能力。AGA优化BP神经网络的主要步骤如下：

（1）确定编码方式。本文采用实数编码，把BP神经网络的输入层与隐含层权值w1ij、隐含层与输出层权值w2jk和隐含层阈值b1j、输出层阈值b2k编成染色体[9]，将网络中这些参数的集合看成一个个体，并在初始化阶段采用随机方式产生初始群体。

（2）选择适应度函数。适应度函数是评价群体中每一个染色体优劣的函数。优化网络的最终目的是找到一组最优权值和阈值，使网络的均方误差和最小[10]，因此适应度函数选为：F=1N∑pj=1∑Ni=1（ydji-yji）2

（6） 式中：N为训练样本总数，p为输出层节点数，ydji为第i个样本的第j个网络输出节点的期望输出，yji为第i个样本的第j个网络输出节点的实际输出。

（3）选择操作。本文采用轮盘赌法，其原理为个体被选中的概率取决于个体的相对适应度。设种群大小为M，个体i适应度为Fi，则个体i被选中的概率Pi为[11]：Pi=Fi∑Mi=1Fi，i=1，2，…，M

（7） （4）确定交叉概率和变异概率。在AGA中，当种群个体适应度趋于一致或趋于局部最优时，使Pc和Pm增加；当群体适应度比较分散时，使Pc和Pm减少[12]。对于适应度偏高的个体，取较低的Pc和Pm，使该解受保护进入下一代；对于适应度偏低的个体，取较高的Pc和Pm，从而淘汰掉该解。因此，自适应的Pc和Pm能够提供相对某个解的最佳Pc和Pm。交叉概率Pc和变异概率Pm的计算式分别如式（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为群体中的最大适应度值，favg为每代群体的平均适应度值，f′为要交叉的两个个体中较大的适应度值，f为要变异的个体适应度值。

AGA优化BP神经网络的流程如图2所示。

3 通风机故障诊断

矿井通风机是一种旋转类机械系统，在其运行过程中常常伴有各种频率的机械振动。对通风机进行故障诊断以及振动监测，首先要对矿井通风机的机械振动特性进行分析。在通风机工作过程中，矿井通风机的故障信息、反映本身运行状态的信息通常蕴含在振动信号中。根据相关研究，当通风机发生的故障不同时，其振动信号中所含有的频率成分也不尽相同。因此，本文利用通风机不同故障类型对应其振动信号包含频率成分不同的性质，通过分析振动信号中是否含有某些频率成分以及所含频率成分多少判断通风机的故障类型。

鉴于以上分析，通过收集资料得到通风机故障类型与振动特征之间的对应关系，建立矿井通风机常见故障与振动频率特征对应关系如表1所示。表1中，x1表示f1，是平衡故障所引发的振动频率；x2表示2f1；x3表示f2，是叶片故障所引发的振动频率；x4表示（2～5）f1；x5表示f0，是外圈特征频率；x6表示fi，是内圈特征频率；x7表示fb，是滚动体特征频率；x8表示ff，是保持架特征频率。

3.1 输入和输出向量确定

将矿井通风机振动信号所包含的8种频率成分作为BP神经网络的输入向量；将通风机正常工作状态（用F1表示）以及通风机常见的故障类型不平衡、不对中、机械松动等8种故障类型（分别用F2～F9表示）分别对应的输出值作为神经网络的输出向量。不同故障类型对应的期望输出在表1中列出。因此，设置网络输入层节点数为8，对应8种振动频率特征x1～x8；设置输出层节点数为9，对应9个输出y1～y9。设定网络的期望输出为“1”时表示通风机存在故障，当期望输出为“0”时表示无故障。

隐含层节点数通过经验公式h=m+n+a确定[13]，其中h为隐含层节点数目；m为输入层节点数目，m=8；n为输出层节点数目，n=9；a为1～10之间的调节常数。经测试，选取隐含层节点数为20，因此确定BP神经网络的拓扑结构为8-20-9的三层结构。建立基于BP神经网络的矿井通风机故障诊断模型如图3所示。

3.2 实验结果与分析

遗传参数设置如下：选取种群规模60，选取双曲正切S型tansig函数作为隐含层激活函数，选取S型对数logsig函数作为输出层激活函数。LM算法收敛速度最快，故选用trainlm训练函数。

收集已知故障类型的样本数据270组。随机选择其中的90组包含各故障类型的振动频率特征作为训练样本，剩下的180组作为测试上述算法性能的测试样本。首先将90组训练样本用于BP神经网络的训练，得到BP神经网络的最优权值和阈值；然后将剩余180组测试数据用于测试训练后的BP神经网络网故障诊断模型，诊断结果如表2所示。

为了验证本文方法在通风机故障诊断上具有较高的准确性，本文将收集的故障数据分别采用BP 神经网络算法、RBF神经网络算法进行故障诊断并将结果记录于表3中。

由表2可以看出，不同的通風机故障类型有不同的诊断准确率，F1和F8的诊断准确率相对较低，但也达到了88%；F5的诊断准确率最高，达到了100%；其余6类故障平均准确率也达到了91%左右。综合表2 和表3可以看出，相较于其它几类算法，本文采用的算法具有较高故障诊断准确率。endprint