基于GA-BP神经网络的矿用刮板输送机故障诊断

李廷玉，杨立新

（黑龙江科技大学电气与控制工程学院，黑龙江哈尔滨，150022）

0 引言

对运行中刮板输送机在某段时间内发生的故障进行统计后发现，传动部的故障约占80%，且表现的形式有很多种[1]。近年来人们对BP神经网络做了很多改进。对于常规BP神经网络存在着易陷入局部最优、隐含层节点数难确定等缺点，本文提出利用经验公式确定隐含层最优节点数和遗传算法优化BP神经网络权阈值克服其不足[2]。

1 遗传算法的BP神经网络

1.1 BP神经网络原理

BP神经网络是一种信号的正向传播和误差的反向传播训练的多层前馈网络，目前应用最广泛的神经网络。信号的正向传播是输入层导入输入样本，再经过隐含层，最后传到输出层；比对正向传播的输出与期望输出之间的误差，然后将误差信号逆向传播，再重复进行正向反向的传播，通过不断迭代调整权值和阈值，直到输出最佳的权值阈值，形成完整的BP神经网络模型。BP神经网络拓扑结构包括输入层、一个或多个隐含层和输出层。

1.2 BP神经网络隐含层节点确定

BP神经网络的隐含层节点数对网络预测精度、收敛速度等起着很重要的作用。如果设置节点数太少，会导致网络学习不充分，需要增加训练次数，训练的精度也受影响；节点数太多，需要增加训练时间，但容易网络过拟合，可见隐含层节点数从结构上影响着BP神经网络的优劣性。最佳隐含层节点数可以通过经验公式缩小范围再确定，经验公式如下：

式中，x为输入层节点数；y为隐含层节点数；t为输出层节点数；n为之间的常数。

1.3 GA-BP模型

遗传算法是一种群优化算法，模拟自然界遗传性质、进化论进行全局优化，通过对初始种群进行选择、交叉、变异操作的不断迭代，通过全局寻优的特点优化BP神经网络的权值和阈值，进而弥补BP神经网络易陷入局部最优的缺点，当获得最佳的权值和阈值，用以BP 神经网络的训练得到GA-BP模型。并以 BP 神经网络输出误差最小作为适应度函数进行遗传演化，直至当达到精度要求或者最大进化代数。

2 仿真实验

为了验证文中方法的有效性，本文中引用文献[4]的神宁集团某矿井使用的 SGZ1250-2565 型刮板输送机数据为例，将刮板输送机电机转子轴承温度故障(N1)、减速器油温故障(N2)、电机线圈绕组温度故障(N3)、减速器高速轴故障(N4)、减速器二轴故障（N5)等这五种故障类型进行诊断分类，并选取<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)温度范围内的数据进行分析，因此神经网络的输入节点数为13个，分别对应13个特征向量；输出节点为5个，分别对应着五种故障：N1、N2、N3、N4、N5。经过归一化处理后，输入样本。网络的期望输出可以根据表1得出。

表1 故障种类矩阵

根据表1可知，网络输入为13输出为5，可以根据经验公式和试凑法确定网络的最佳隐含层节点数。首先利用上文经验公式缩小范围得到最佳隐含层节点数在范围[4,12]之间，然后经试凑法发现当隐藏层节点为6是网络的各个参数状态最佳。

再将25组输入数据和对应的期望输出带入到经过遗传算法优化权值阈值后的BP神经网络训练，训练结果如图1所示。

图1 GA-BP训练结果

本文遗传算法参数设定为初始种群规模为50、遗传代数为100代,通过遗传算法优化BP神经网络的连接权值和阈值，取BP神经网络学习速率为0.01、最大迭代次数为1000次，误差目标值为0.01[3]。经过选择交叉变异的不断迭代。

带入训练好的GA-BP神经网络和BP神经网络进行故障诊断。当故障类型为N1时期望输出是[1,0,0,0,0]，GA-BP输出[0.9974,0.330,0.0428,0.0004,0.0045 ]，可见其中0.9974非常接近1，因此判断出故障类型为电机转子轴承温度故障N1。而BP神经网络的诊断输出为[0.6432,0.0103,0.384,0.0001,0.0017]，通过与期望输出对比，对于N1故障输出的结果0.6432不趋近于1，所以诊断结果是不准确的，不能说明故障的准确类型，可见GA-BP比BP神经网络预测的更加准确。其他的故障类型判断方法都与此类似，可见输出结果与实际故障相符合，且更准确。

3 结论

本文介绍了GA-BP神经网络的刮板输送机故障诊断方法，建立了一个多输入多输出的诊断模式，根据经验公式和试凑法推导出神经网络最佳隐含层节点数，采用遗传算法优化BP神经网络的权值和阈值，克服了神经网络的易陷入局部最小值、收敛速度慢等缺点。经仿真实验研究，本文提出的GA-BP诊断方法比较于传统的BP神经网络诊断的更加准确，能满足矿用刮板输送机的故障诊断，为刮板输送机的故障诊断提供了理论依据。