基于蝙蝠-蛙跳神經(jīng)網(wǎng)絡(luò)的提升機故障診斷研究＊

喬維德，凌興宏，周曉謀

（1.無錫開放大學(xué) 科研處，江蘇 無錫 214011；2.蘇州大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，江蘇 蘇州 215006；3.中國礦業(yè)大學(xué) 機電工程學(xué)院，江蘇 徐州 221116）

基于蝙蝠-蛙跳神經(jīng)網(wǎng)絡(luò)的提升機故障診斷研究＊

喬維德1，凌興宏2，周曉謀3

（1.無錫開放大學(xué) 科研處，江蘇 無錫 214011；2.蘇州大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，江蘇 蘇州 215006；3.中國礦業(yè)大學(xué) 機電工程學(xué)院，江蘇 徐州 221116）

針對目前提升機故障診斷方法存在的局限性，在分析提升機制動系統(tǒng)的故障征兆和故障類型基礎(chǔ)上，提出一種基于蝙蝠-蛙跳神經(jīng)網(wǎng)絡(luò)的故障診斷策略，構(gòu)建提升機制動系統(tǒng)的神經(jīng)網(wǎng)絡(luò)故障診斷模型，采用蝙蝠—蛙跳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)。仿真實驗分析表明，該方法用于提升機制動系統(tǒng)故障診斷，診斷速度快、準(zhǔn)確性高、可靠性好。

提升機制動系統(tǒng)；蝙蝠-蛙跳算法；故障診斷

0 引言

提升機為礦業(yè)生產(chǎn)過程中集機械、電氣、液壓于一體的一種大型關(guān)鍵設(shè)備，主要承擔(dān)著煤炭、金屬礦石、作業(yè)人員以及礦用材料、設(shè)備等運輸?shù)闹匾蝿?wù)，它是聯(lián)系礦井地面和井下的重要載體和紐帶，提升機通常被稱作礦山的“咽喉”通道。據(jù)相關(guān)資料統(tǒng)計，在我國礦井作業(yè)過程中，每年因為提升機頻繁故障而導(dǎo)致許多事故發(fā)生，事故給我國的礦業(yè)生產(chǎn)造成巨大的經(jīng)濟損失和慘重的人員傷亡，其中由于制動系統(tǒng)故障原因而發(fā)生的事故至少占全部提升機事故的六成以上。而提升機制動系統(tǒng)屬于礦井提升機的重要組成之一，制動系統(tǒng)的好壞將直接關(guān)系到礦井提升機的安全、穩(wěn)定與可靠運行。所以，及時而有效地對提升機制動系統(tǒng)進行故障診斷與預(yù)測，能夠有效減少或防止提升機故障的發(fā)生，保證提升機的正常安全和高效運行。然而，提升機制動系統(tǒng)是由多個機、電、液等部件構(gòu)成的非線性高維系統(tǒng)，具有較強的復(fù)雜性、隨機性以及不穩(wěn)定性，在運行過程中會遇到強干擾、難建模、時滯未知等各種瓶頸問題。為此，實時檢測提升機的工況參數(shù)和數(shù)據(jù)指標(biāo)，建立提升機制動系統(tǒng)的故障診斷系統(tǒng)，已成為高效管理與維護提升機的重要環(huán)節(jié)和研究課題。雷勇濤等應(yīng)用自組織特征映射網(wǎng)絡(luò)、BP網(wǎng)絡(luò)以及Elman網(wǎng)絡(luò)對提升機制動系統(tǒng)的故障診斷進行研究［1］；李永新、劉景艷分別探討將灰色神經(jīng)網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)應(yīng)用于礦井提升機的故障診斷方法［2，3］；劉景艷提出采取粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法［4］；劉錦榮等人提出基于遺傳算法的提升機制動系統(tǒng)神經(jīng)網(wǎng)絡(luò)故障診斷模型［5］；楊曉邦等學(xué)者也嘗試應(yīng)用基于遺傳算法的模糊神經(jīng)網(wǎng)絡(luò)對提升機制動系統(tǒng)進行故障診斷［6］，等等。以上方法經(jīng)過仿真實驗均取得了一定成效，然而BP算法、粒子群算法、遺傳算法等在學(xué)習(xí)尋優(yōu)過程中都會不同程度出現(xiàn)收斂速度慢、計算量大、容易陷入局部最優(yōu)等而導(dǎo)致診斷故障不準(zhǔn)確、甚至誤判斷現(xiàn)象。針對此類問題，本文提出將蝙蝠算法（BA）與混合蛙跳算法（SFLA）兩種仿生智能算法結(jié)合起來，組成蝙蝠-蛙跳算法（即BA-SFLA），利用BA-SFLA優(yōu)化用于提升機制動系統(tǒng)故障診斷的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，應(yīng)用蝙蝠算法快速的全局搜索能力和混合蛙跳算法較強的局部深度搜索能力，提高提升機制動系統(tǒng)故障診斷的速度及其精度。

1 提升機制動系統(tǒng)故障診斷模型

目前礦井提升機的制動系統(tǒng)主要采取液壓制動，液壓制動系統(tǒng)的主要故障類型分為制動力失效、松閘事故兩種。制動力失效的主要故障原因有摩擦系數(shù)過低、閘瓦磨損嚴(yán)重、制動彈簧失效、系統(tǒng)殘壓過高等；松閘事故主要由于制動油缸卡缸、液壓站失壓等導(dǎo)致。對提升機制動系統(tǒng)以上故障進行診斷時，需要在線監(jiān)測的性能參數(shù)包括：貼閘油壓p1、制動正壓力p2、松閘油壓p3、液壓系統(tǒng)殘壓p4、液壓站的工作油壓p5、閘瓦開合狀態(tài)p6、磨損超限判定油壓p7。礦井提升機采用傳感器采集液壓制動系統(tǒng)的各種信號數(shù)據(jù)，因貼閘油壓p1、制動正壓力p2、松閘油壓p3為在相同位置不同時刻檢測出的數(shù)據(jù)值，因此液壓制動系統(tǒng)共需要5個傳感器來采集故障對應(yīng)的特征參數(shù)值。筆者利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建液壓制動系統(tǒng)的故障診斷模型，并采取蝙蝠-蛙跳算法優(yōu)化其模型結(jié)構(gòu)參數(shù)，然后將優(yōu)化后的模型用于對制動系統(tǒng)的故障診斷。選取制動系統(tǒng)實際檢測的故障特征參數(shù)P1、P2、P3、P4、P5、P6、P7為故障診斷模型的輸入信號，模型共輸出6種制動系統(tǒng)故障類型，即摩擦系數(shù)過低（Y1）、閘瓦磨損嚴(yán)重（Y2）、制動彈簧失效（Y3）、系統(tǒng)殘壓過高（Y4）、制動油缸卡缸（Y5）、液壓站失壓（Y6）。提升機制動系統(tǒng)故障診斷模型示意圖如圖1所示。其中，為歸一化處理后的參數(shù)值。

圖1 提升機制動系統(tǒng)故障診斷模型

2 蝙蝠-蛙跳算法

2.1 蝙蝠算法

蝙蝠算法（簡稱BA）是在2010年由Yang教授提出的一種模擬蝙蝠覓食的隨機搜索算法，它是通過模擬蝙蝠的回聲定位行為，實現(xiàn)在復(fù)雜的搜索空間中搜尋全局最優(yōu)解。設(shè)定在t代第i只蝙蝠所處的位置為，飛行速度為，在t+1代第i只蝙蝠的位置與飛行速度按式（1）（2）（3）進行更新。

其中，fi表示第i只蝙蝠發(fā)出的超聲波頻率，fmin、fmax分別表示蝙蝠脈沖頻率的最小值和最大值；r設(shè)為0～1區(qū)間的隨機數(shù)；x0代表當(dāng)前全局最優(yōu)位置。

在局部搜索過程中，一旦出現(xiàn)最優(yōu)解，蝙蝠的新位置則為：

式（4）中，τ表示［-1，1］區(qū)間上的隨機數(shù)，St代表蝙蝠種群同一時間段內(nèi)響度平均值。

在覓食初期，蝙蝠向外發(fā)送的超聲波脈沖響度大但頻率低，當(dāng)發(fā)現(xiàn)搜尋目標(biāo)時，蝙蝠會漸漸減小超聲波脈沖響度，同時提高聲波脈沖發(fā)射次數(shù)。所以，蝙蝠發(fā)射的超聲波脈沖響度與其脈沖頻度隨迭代進程而不斷更新，更新規(guī)則為：

2.2 混合蛙跳算法［8］

混合蛙跳算法（SFLA）是在2003年由Eusuff學(xué)者提出，它是模擬青蛙群體覓食過程的一種優(yōu)化策略。同蝙蝠算法類似，蛙跳算法將待優(yōu)化參數(shù)看成青蛙所處位置，將目標(biāo)函數(shù)（適應(yīng)度）值作為評價青蛙位置好壞的準(zhǔn)則。在蛙跳算法中模仿青蛙尋食的過程，就是較劣位置青蛙不斷向著較優(yōu)位置跳躍的過程。

在目標(biāo)搜索空間中，由n只青蛙組成初始種群，第i只青蛙位置為Xi=（x1，x2，x3，…，xn），其中xi（i=1，2，…，n）為待優(yōu)化參數(shù)。計算每個青蛙個體所處位置的適應(yīng)度，并將所有青蛙個體由適應(yīng)度從高到低排序，且將n只青蛙劃分成p個子種群，每個子種群又都有k只青蛙（即n=p×k）。在每個子群中，適應(yīng)度最好對應(yīng)的最優(yōu)位置用Xb表示，適應(yīng)度最差對應(yīng)的最差位置用Xw表示，整個蛙群中所有子群中適應(yīng)度最優(yōu)青蛙用Xg表示。在蛙跳算法的進化進程中，適應(yīng)度最差青蛙首先要向本子群中適應(yīng)度最優(yōu)青蛙跳躍，當(dāng)前適應(yīng)度最差青蛙位置Xw按式（7）（8）更新。

上式中，rand表示［0，1］區(qū)間上的隨機數(shù)，Dj記為第j維上青蛙移動距離，Dmax記為青蛙一次改變位置的最大值，Xw代表最差青蛙的當(dāng)前位置，Xw（new）代表最差青蛙更新計算后的位置。當(dāng)Xw（new）位置的適應(yīng)度值高于Xw位置的適應(yīng)度時，用Xw（new）替換Xw，完成一次位置更新，否則利用整個蛙群最優(yōu)個體Xg替換Xb進行計算。如果新位置Xw（new）適應(yīng)值仍沒有變好或改善，那么隨機產(chǎn)生一個新位置來取代原來的最差青蛙位置Xw。

當(dāng)蛙群中p個子種群都各自完成進化后，再將各子群中的青蛙重新混合在一起，按要求重新按適應(yīng)度高低排序并組建各子群，然后進行局部搜尋，不斷反復(fù)，直至達到終止條件。

2.3 蝙蝠-蛙跳算法及神經(jīng)網(wǎng)絡(luò)優(yōu)化

蝙蝠算法前期搜索速度快，能夠迅速搜索并鎖定待求的全局最優(yōu)區(qū)域，但是后期收斂速度變慢，搜尋精度降低?；旌贤芴惴ǖ木植可疃人褜つ芰?，但前期尋優(yōu)時收斂速度慢。為此，在綜合兩者優(yōu)勢與缺陷基礎(chǔ)上，融合蝙蝠算法與混合蛙跳算法，形成蝙蝠-蛙跳算法（即BA-SFLA）。然而BA和SFLA這兩種算法在更新尋優(yōu)過程中，主要依賴各個體之間的相互作用影響，如果受到局部最優(yōu)值的約束時，往往會減慢算法的收斂速度，甚至進化進入停滯狀態(tài)。為此本文引入公告牌和變異機制［7］，利用公告牌記載歷史最優(yōu)個體位置及其適應(yīng)度值。假設(shè)公告牌上顯示的適應(yīng)度值連續(xù)3次迭代均無變化或變化量非常小，那么表明該算法已陷入局部最優(yōu)，此時需要對當(dāng)前全局最優(yōu)解實施高斯變異，即在公式（8）基礎(chǔ)上增加一個呈高斯函數(shù)分布的隨機擾動值N（0，1），即如式（9）所示。如果當(dāng)前最優(yōu)個體能得到改善，則替代原全局最優(yōu)解，并更新公告牌。

應(yīng)用BA-SFLA優(yōu)化神經(jīng)網(wǎng)絡(luò)的流程如圖2所示。BA-SFLA優(yōu)化神經(jīng)網(wǎng)絡(luò)時，首先通過蝙蝠算法的全局快速收斂優(yōu)勢，使蝙蝠迅速搜尋到全局較優(yōu)值所處區(qū)域，然后再采取蛙跳算法迅速在較優(yōu)區(qū)域內(nèi)進行局部搜索，直至尋到最優(yōu)位置，最終使均方誤差（適應(yīng)度）J值最小，此時的最優(yōu)位置即為神經(jīng)網(wǎng)絡(luò)中最優(yōu)連接權(quán)值和閾值。均方誤差（即適應(yīng)度）J定義為：

式中，Qjk為第j個訓(xùn)練樣本在第k個輸出節(jié)點處的期望輸出，Yjk為第j個訓(xùn)練樣本在第k個輸出節(jié)點處的網(wǎng)絡(luò)實際輸出，m為神經(jīng)網(wǎng)絡(luò)輸出節(jié)點數(shù)，n為學(xué)習(xí)訓(xùn)練樣本數(shù)。

圖2 BA-SFLA優(yōu)化神經(jīng)網(wǎng)絡(luò)流程示意圖

3 仿真實驗

3.1 仿真參數(shù)設(shè)置與樣本選取

根據(jù)多次反復(fù)模擬實驗，本文選取的具體初始化參數(shù)為：蝙蝠種群數(shù)量為100，最大迭代次數(shù)為250，蝙蝠脈沖頻率f為［0，1］，最大脈沖響度S=0.35，最大脈沖頻度R0=0.85，脈沖響度衰減系數(shù)λ=0.95，脈沖頻度增加系數(shù)δ=0.25；蛙群子群體內(nèi)最大迭代次數(shù)為50，蛙群子群體數(shù)目p為8，子群內(nèi)青蛙個數(shù)k為10。神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為7—14—6，網(wǎng)絡(luò)搜索目標(biāo)精度為0.00001。

本設(shè)計中，傳感器從各檢測點中采集到的礦井機故障狀態(tài)時的數(shù)據(jù)信號，因其單位量綱不完全相同，且絕對值相差很大，所以需要對輸入數(shù)據(jù)P1～P7進行歸一化處理，將它們轉(zhuǎn)換成［0，1］區(qū)間值后再作為神經(jīng)網(wǎng)絡(luò)的輸入樣本。輸入數(shù)據(jù)的歸一化處理經(jīng)驗公式設(shè)定為：

其中，i=1～7，為樣本值，Pi為實際檢測值，Pimax為Pi的最大值，Pimin為Pi的最小值。該神經(jīng)網(wǎng)絡(luò)選取的訓(xùn)練樣本和檢驗樣本如表1所示。

表1 神經(jīng)網(wǎng)絡(luò)的（訓(xùn)練、檢驗）樣本數(shù)據(jù)

3.2 故障診斷分析

筆者利用Matlab7.0軟件，將表1中經(jīng)過歸一化處理后的1～34組故障數(shù)據(jù)用作神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本（因版面限制，樣本4～34略），直至網(wǎng)絡(luò)訓(xùn)練后的輸出誤差在設(shè)定的目標(biāo)誤差范圍內(nèi)。選擇表1中的35～41組故障樣本數(shù)據(jù)作為測試樣本，檢驗結(jié)果如表2所示。

表2 神經(jīng)網(wǎng)絡(luò)測試樣本的診斷結(jié)果

為驗證本文算法的尋優(yōu)性能，利用上述同樣的故障樣本數(shù)據(jù)分別采用BP算法［9］、遺傳算法、粒子群算法、蝙蝠-蛙跳算法，對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和測試，得出表3所示的比較結(jié)果［9］。對比分析表明，用于提升機制動系統(tǒng)故障診斷的神經(jīng)網(wǎng)絡(luò)，采取蝙蝠-蛙跳算法訓(xùn)練優(yōu)化時的故障診斷速度更快、精度更高。

表3 神經(jīng)網(wǎng)絡(luò)不同算法比較

4 結(jié)論

本文設(shè)計一種基于BA-SFLA的提升機神經(jīng)網(wǎng)絡(luò)故障診斷模型，該模型充分利用了蝙蝠算法快速尋找最優(yōu)參數(shù)區(qū)域以及混合蛙跳算法深度局部搜尋能力。仿真與實驗結(jié)果表明，故障識別速度快，故障診斷精度高，為提升機故障的精準(zhǔn)診斷提供更加科學(xué)的依據(jù)和一種新的途徑。

［1］雷勇濤,楊兆建.神經(jīng)網(wǎng)絡(luò)在提升機故障診斷中的應(yīng)用［J］.華南理工大學(xué)學(xué)報（自然科學(xué)版）,2010,38（2）:67-71.

［2］李永新.基于灰色神經(jīng)網(wǎng)絡(luò)礦井提升機的故障診斷研究［J］.煤礦機械,2013,34（11）:268-270.

［3］劉景艷，鄒有明.小波神經(jīng)在提升設(shè)備故障診斷中的應(yīng)用［J］.煤礦機械,2006,27（4）:710-711.

［4］劉景艷.基于改進粒子群神經(jīng)網(wǎng)絡(luò)的提升機故障診斷［J］.河南理工大學(xué)學(xué)報（自然科學(xué)版）,2014,33（6）:313-317.

［5］劉錦榮,王紹迸,任芳,等.基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的提升機制動系統(tǒng)故障診斷［J］.煤礦機械,2011,32（5）:246-248.

［6］楊曉邦,劉景艷.李玉東.模糊神經(jīng)網(wǎng)絡(luò)在提升機制動系統(tǒng)故障診斷中的應(yīng)用［J］.煤礦機械,2012,33（8）:250-252.

［7］鄭云水,岳小雪,林俊亭.帶有高斯變異的混合蛙跳蝙蝠算法［J］.計算機應(yīng)用研究,2015,32（12）:3629-3633.

［8］喬維德.基于人工魚群—蛙跳神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷［J］.常熟理工學(xué)院學(xué)報,2016,30（4）:70-74.

［9］喬維德.改進粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的高壓斷路器故障診斷［J］.常熟理工學(xué)院學(xué)報,2016,30（2）:51-55.

Research on Fault Diagnosis for Hoist Based on Neural Network and BA-SFLA

QIAO Weide1，LING Xinghong2，ZHOU Xiaomou3

（1.Research Department of Wuxi Open University,Wuxi 214011,Jiangsu,China; 2.School of Computer Science and Technology,Suzhou University,Suzhou 215006,Jiangsu,China; 3.College of Mechanical&Electrical Engineering,CUMT.,Xuzhou 221116,Jiangsu,China）

In view of the lim itation of the current elevator fault diagnosis method, based on analyzing the fault sym ptom and fault type of the hoist braking system,this paper presents a fault diagnosis strategy based on BASFLA and Neural Network,a model of neural network fault diagnosis is constructed for the braking system of hoist,and the structure parameters of the neural netw ork are optim ized w ith BA-SFLA. Simulation experiment analysis show s that this method is applied to the fault diagnosis for hoist braking system w ith advantages of fast speed,high accuracy and good reliability.

hoist braking system;BA-SFLA;fault diagnosis

10.13853/j.cnki.issn.1672-3708.2016.06.008

（責(zé)任編輯：耿繼祥）

2016-10-13；

2016-11-07

無錫市社會事業(yè)領(lǐng)軍人才項目（WX 530/2016/023）。

喬維德（1967-），男，江蘇寶應(yīng)人，教授，工程碩士，研究方向:控制工程、機電設(shè)備監(jiān)測與故障診斷等。