基于CPOS-SVM的矿井通风机故障诊断

杨科科 王毅

摘 要：针对矿井通风机故障样本少、诊断精度低，提出基于云自适应粒子群算法优化支持向量机的矿井通风机故障诊断模型。采用粒子群优化算法快速搜索能力优化支持向量机的参数，提高了支持向量机的泛化能力和矿井通风机故障诊断结果准确性。结果表明，相比较SVM网络，CPOS优化的SVM网络收敛速度更快，预测精度高，能够有效识别风机故障类型。

关键词：矿井通风机;故障诊断;云自适应粒子群算法;支持向量机

DOI：10.16640/j.cnki.37-1222/t.2019.16.069

0 引言

煤矿生产环境十分恶劣，矿井通风机处于长期不间断状态下，通风机运行中存在隐性故障，危及煤矿生产和井下人员安全。因此，对矿井通风机进行故障诊断有一定的必要性。通风机是一个非线性复杂系统，常表现为轴不对中、转子不平衡、叶片损坏等故障，故障诊断就是利用其发生故障时与正常时的振动频率不同。通过提取通风机不同工作下的振动频率的特征向量，利用智能控制算法进行状态判断。文献[2]提出了利用BP神经网络进行故障诊断，在诊断时剔除误差大的数据，诊断精度不是很高。文献[5]提出优化权值和阈值的RBF神经网络改进算法进行故障诊断，相比传统RBF神经网络诊断精度得到提高，但是收敛速度、局部收敛等问题没有得到解决本文提出了一种基于云自适应粒子群算法优化支持向量机的矿井通风机故障诊断方法，经仿真表明，云自适应粒子群算法优化支持向量机矿井通风机故障诊断时取得了良好的诊断效果。

1 云自适应粒子群算法优化支持向量机

1.1 支持向量机

对于给定的数据训练集，其中n为训练样本容量，为输入数据，为数据输出。非线性回归是利用将样本数据从空间映射到高维空间。构造决策最优函数为式（1）所示：

其中，为映射函数;向量权重值;为常数。

为求解上述问题，定义拉格朗日函数：

其中拉格朗日乘子。对上式进行优化，即对的偏导数为0。

上述问题转化为求解线性方程：

1.2 改进的云自适应粒子群算法

设算法中为种群大小、为全局最优值、为适应度值、为平均适应度值。将适应性能值大于和小于的粒子再分别求取平均值，得、。则粒子群的聚集度为：

根据适应度值将粒子群分为三个子群，惯性权重ω在三个子群中具体如下：

这部分微粒性能靠近问题的最优解，其位置的改变不应过大，从而提高全局收敛的速率。可按式（6）调整：

云自适应惯性权重为式（7）所示：

由极限定理可知，从而保证了。

适应性能值大于的为为式（8）所示：

其中：为常数;为聚集度。

2 提取通风机故障特征频率

通风机发生故障时其不同的振动频率分布及振动幅值的大小与不同的故障相对应。当有故障出现，在复频域中呈现各倍频信号的幅值发生变化。转子不平衡故障发生时的振动特征为倍频信号的幅值随通风机的转速的增大成正比;轴不对中故障发生时的振动特征为2倍频信号;叶片破损故障发生时的振动特征为正常振动频率f0周围出现大量谐波，其中f0如式（9）所示。

通风机系统振动信号需要通过经验模态分解处理得到本征模函数，然后将本征模函数作希尔伯特变换的处理，从而得到各系统振动信号的频谱，即Hilbert-Huang谱。希尔伯特变换如式（10）所示。为便于故障诊断，将频率划分为9个频段，每个频段有30个振动信号数据，3种故障及正常状态共4种状态，因此每个频段有120个个振动信号数据。

式中：—原始信号;—振动信号的频谱余项。

3 仿真结果分析

利用云自适应的粒子群算法优化支持向量机网络进行煤矿通风机故障诊断。将上述提取的9个频段的频谱数据作为网络的输入特征向量，煤矿通风机系统轴不对中故障、转子不平衡故障、叶片损坏故障与正常运行状态进行编码作为支持向量机网络输出，其对应的故障类型及其编码如表1所示。

选取支持向量机的学习速率为0.08，针对其网络的特点，以径向核函数作为核函数，设定系统最大训练次数为1000次，系统误差为0.001。将上述提取的120组特征数据随机抽取80组进行网络训练，剩下的40组用于网络测试，结果如圖所示。

因SVM网络自身的缺陷其训练时易出现局部收敛速度缓慢，将相同的80组特征数据训练CPOS算法优化SVM网络，结果如图2所示。从结果可知，预测正确率得到较大提升达97.5%。由此可见，CPOS-SVM模型的预测结果要优于SVM模型，CPOS-SVM对训练样本预测精确度高，CPOS算法泛化能力和数据寻优能力都很强。

4 结论

云自适应粒子群算法优化支持向量机网络预测准确性高，克服了径向基神经网络收敛速度慢、易陷入局部最优解的缺点。采用粒子群优化算法快速搜索能力优化支持向量机的参数，提高了支持向量机的泛化能力和矿井通风机故障诊断结果准确性。结果表明，SVM与CPOS算法优化SVM网络40组特征数据正确率达到97.5%，网络具有较高的分类精度。

参考文献：

[1]钟文峰，周书民.基于QPSO算法的瓦斯预测研究[J].煤矿机械，2016，39（05）：61-65.

[2]余发山，高勇.基于AGA优化RBF神经网络的矿井通风机故障诊断[J].电子测量技术，2017，40（09）：241-246.

[3]苗君明，于金苓.基于小波包-人工神经网络在矿井通风机故障诊断中的应用[J].煤矿机械，2013，34（05）：292-294.

[4]李文华，杨子凝，王来贵.PCA-MGA-GRNN矿井通风机故障识别方法[J].辽宁工程技术大学学报（自然科学版），2018，37（02）：401-407.

[5]冯伟，郑晟.基于谐波小波分析的矿井通风机故障诊断[J].煤矿机械，2014，35（05）：253-255.

项目来源：省青年骨干教师资助项目（2015GGJS-202）;省教育厅重点项目（13B460962）;科技厅项目（142102310226）

作者简介：杨科科（1982-），女，河南南阳人，硕士，副教授，研究方向：智能控制理论及应用。