基于GA-BP神经网络矿用通风机故障诊断研究.pdf

《基于GA-BP神经网络矿用通风机故障诊断研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、2015年第40卷第3期能源技术与管理Vo1．40No．3Ener~TechnologyandManagement149doi：10．3969／j．issn．1672—9943．2015．03．058基于GA—BP神经网络矿用通风机故障诊断研究邹晓旭(煤科集团沈阳研究院有限公司，辽宁抚顺113122)[摘要]针对矿用通风机故障诊断问题，将遗传算法和BP神经网络相结合，在对GA—BP神经网络进行训练的基础上，建立了矿用通风机故障诊断的数学模型并进行了实验验证。实验证明，在小样本情况下GA—BP神经网络仍能准确、有

2、效地对矿用通风机故障类型进行识别，为矿用通风机故障诊断提出了新的方法和途径。[关键词]遗传算法；BP神经网络；通风机；故障诊断[中图分类号]TD165+．3[文献标识码]B[文章编号]1672_9943(2015)03-{)1493慢且易陷入局部极小值。遗传算法不仅可以提高0引言计算速度和搜索效率，而且能够有效地避开搜索矿用通风机是煤矿安全生产的关键设备之过程陷入局部最优解。因此，GA—BP神经网络模一，随着煤矿安全管理的强化和人工智能技术的型既具有BP网络非常强大的输入到输出的映射不断发展，将矿用通风机故障诊

3、断由传统的振动能力，又具有遗传算法快速有效地收敛速度和增频谱分析法转向智能诊断、实现矿用设备智能诊大得到全局优化最优解的可能性_6]。断具有重要意义。近年来矿用通风机故障诊断技2故障诊断模型术得到了快速发展，文献[1—3]提出了神经网络在矿用通风机故障诊断中的应用，文献[4]提出了支2_1GA—BP神经网络结构持向量机在矿用通风机故障诊断中的应用。然而，三层的BP网络能够实现任意精度的输入层以上诊断方法存在收敛速度较慢、易陷入局部最至输出层的非线性映射，因此本文采用三层BP优解或需要依据专家经验来确定权值等诸多

4、缺网络，如图1所示。陷。为此，本文利用遗传算法的多点开始、并行操输出层作和全局搜索能力对BP神经网络初始权值和阈值进行优化，克服了BP神经网络易陷人局部最隐含层小值的缺陷，提高了计算能力和收敛度，建立了基于GA—BP神经网络的矿用通风机故障模型。输人层1GA—BP神经网络模型图1GA-BP神经网络的矿用通风机故障模型BP神经网络(BackPropagationNeural输入层：就矿用通风机故障而言，将风机转轴Network)是误差逆传播算法训练的前馈网络。该算振动信号通过频率特征分析，将所求得的能量特法通过计

5、算实际输出和目标输出的误差，如果没征向量作为输入样本，其维数作为输入层节点数。有得到期望输出则将误差反向传播，同时来调整输出层：将风机的典型故障状作为输出，因此权值和阈值，使网络全局误差函数最小来达到最输出层设计为典型故障状的数目。佳输出的目标。隐含层：隐含层为一层，其节点数目的经验计遗传算法(GeneticAlgorithm，GA)是一种模拟算公式如下：生物界自然选择和自然遗传规律的搜索全局最优=、+0(1)解算法。遗传算法是从搜索空间上的多点问题开式中：h表示隐含层节点数目；i表示输入层始并行操作，其采用概

6、率来引导搜索作为寻优规节点数目；o表示输出层节点数目；0∈[1，lO]是则_5]，不依赖于梯度信息，不易陷入局部极小。整数。BP神经网络在学习训练过程中收敛速度较隐含层节点数目首先利用经验公式(1)大致2015年6月150邹晓旭基于GA—BP神经网络矿用通风机故障诊断研究Jun．，2015确定范围，然后针对训练样本集逐一训练，将最小络的初始值，其训练过程如下：全局网络误差时对应的隐含层节点数确定为最优(1)对于第k个样本，采用Sigmoid函数作为节点数目。激活函数，计算隐含层各节点输出值hoq：2．2网络权重

7、优化／m＼ho~-f(∑∞iq．Xi(k)一bl(4)利用遗传算法来优化BP神经网络权值的训、￡=1练流程如图2所示。式中：fit)表示输入层至隐含层的连接权值；b。表示隐含层各节点阈值。I繁H选粪瓣HP(2)计算样本输出层节点实际输出值：／m＼yo-f《∑qo~hoq-b。J(5)替换初始种群、1图2遗传算法优化BP神经网络权值训练流程式中：表示隐含层至输出层的连接权值；BP神经网络各层连接权值及各节点阈值的b。表示输出层各两个节点阈值。初始值进行优化过程如下：(3)计算输出层节点误差：(1)输入样本标准化处

8、理。利用公式(2)最值dt=(yt—yo)(1)(6)法对输入样本归一化处理，即式中yt表示期望输出值。(4)计算隐含层节点输出误差e：(2)／h＼e=(∑dt·(-Oqo)hoq(1一h叼)(7)式中：分别表示归一化后和归一化前样、g=1本的值；—～分别表示归一化前样本的最小值(5)修正权值及阈值。用式(8)修正隐含层至和最大值。输出层权值，用式(9)修正输出层的阈值，用式(2)编码