《基于SSA-PNN的矿井提升机主轴装置故障诊断》-工学论文，通信论文-论文范文参考-科学狗论文网

标题

基于SSA-PNN的矿井提升机主轴装置故障诊断

范文

孙铭阳

摘? ?要：对于矿井提升机来说，主轴装置是其核心，它能否正常运行关系着整个矿井提升机的工作进程，应用概率神经网络可以有效地进行矿井提升机的故障诊断，但是传统概率神经网络存在平滑因子具有主观性的缺点。针对这个不足，文章引入樽海鞘群算法对其进行优化，提出了樽海鞘群算法优化的概率神经网络（SSA-PNN）的主轴装置故障诊断。实验表明，SSA-PNN与遗传算法、BP神经网络相比，能够更加准确、快速地进行分类，实现对矿井提升机主轴装置案例已知故障的有效诊断。

关键词：SSA-PNN;矿井提升机;主轴装置;故障诊断

矿井提升机是矿井安全生产的重要设备。作为提升机的关键设备，主轴的性能优劣决定了矿井提升系统的运行状态和效率。鉴于神经网络的优异性能，将其与矿井提升机故障诊断技术相结合，能够迅速且有效地对主轴运行状态进行识别，简化了故障诊断流程，方便矿井工作人员对其进行维护。

19世纪80年代末期，Dr.Specht[1]提出了概率神经网络（Probabilistic Neural Network，PNN），这是一种方法简单、应用性较强的径向基神经网络模型，与BP神经网络相比，省略了误差的反向传递过程，优化了BP神经网络的部分缺陷，具有计算快速、稳定性与容错性高，不会导致局部最优等特点，在模式识别方面极为适用。

然而对于PNN来说，其预设的平滑因子对整体的分类效果起到至关重要的作用，但主观性太强，在实际应用中存在精度不够、操作繁琐的问题。近年来，许多专家学者针对这一问题提出了许多的改进方法，比如应用遗传算法[2]、改进的遗传算法[3]、改进的粒子群算法[4-5]、鱼群算法[6]等，取得了较好的效果。

本文总结前人经验，拟用樽海鞘群算法（Sch?nhage–Strassen Algorithm，SSA）对PNN进行改进。SSA相比于之前已有的算法，具有更强的单目标优化能力以及更快的寻优速度，能够更加准确、高效地完成目标优化，使得改进的PNN具有更出色的分类效果。

1? ? PNN结构分析

由贝叶斯决策理论：假设对于测试样本x，共有m种类别可能{w1，…，wm}，则判断样本类别的贝叶斯决策是：

具有代表性的PNN一般分成4层，分别是输入层、模式层、求和层和输出层，它的基本结构如图1所示[7]。

（1）输入层：用作神经网络的训练样本中的数据，输入层会直接接收，训练样本的维数决定了输入层节点的数量，两者数目保持一致。

图1? 概率神经网络

（2）模式层：对输入样本与模式层的关系进行计算，对输入特征向量和训练样本中各模式匹配状况进行计算。在模式层中，神经元的数量必须和全部类型的训练样本数之和相同。

（3）求和层：求和层的节点个数是M，每个结点对应一个类，换句话说，该层的神经元只与上一层的同类别神经元之间有连接关系，而与其他的神经元不存在连接关系，只对模式层中与自身类别相同的神经元的输出进行累加计算。

（4）输出层：求和层中的各神经元的输出同各故障类别基于核函数的概率密度估计值成比例，利用输出层中的阈值判别机制，实施归一处理。对于输出层中的神经元而言，是具有竞争性的神经元。当获得上一层神经元输出的结构之后，把概率密度最大的神经元置为1，其余置为0。

2? ? SSA特征分析

对于概率神经网络来说，其预设的平滑因子具有一定的主观性，在实际应用中存在精度不够、操作繁琐的问题。对此，本文引入SSA，利用该算法对单目标优化时迅速、高效的优势以及全局搜索能力，对平滑因子进行处理。

受到樽海鞘的群体行为特征启发，Seyedali等[8]在2017年建立了樽海鞘链的数学模型，同时提出SSA以处理一些优化问题。

2.1? 种群初始化

假定捕食的空间为N×D维的欧式空间，在此空间中N表示群体规模，D是空间的维数。空间内有食物F=[F1，F2，…，FD]T，樽海鞘的位置能够表示成：Xn=[Xn1，Xn2，…， XnD]T，n=1，2，…，N。搜索空间的上界表示为：ub=[ub1，ub2，…，ubD]，下界为lb=[lb1，lb2，…，lbD]。随机初始化种群：

在种群内，领导者各维状态为X1d，追随者各维状态为Xmd，其中，d=1，2，…，D为领导者维数，m=2，3，…，N为追随者编号。

2.2? 领导者位置更新

对于领导者位置的更新按照式（2）进行：

式中c2和c3 均为[0，1]上的随机数，c1称为收敛因子，根據Seyedali等[10]研究，其表达式如式（3）所示。

式中：l—当前迭代次数;lmax—最大迭代次数。

2.3? 追随者位置更新

追随者的移动距离R如式（4）所示：

其中，已知t= 1，v0 = 0 ，因此：

故，追随者更新遵循如式（6）所示：

3? ? 仿真实验

本次实验应用模拟主轴故障振动实验台完成。实验测得轴承正常状态、内圈故障、滚动体故障及外圈故障4种信号特征进行故障诊断。首先对信号进行去噪处理，然后将去噪信号分别进行VMD分解，依据能量熵公式，计算每个状态各IMF分量的能量熵。依据信号采集频率，各状态提取以1 500个点为一组，每个特征提取80组，以前60组作为训练，后20组作为预测，共320组训练样本和80组预测样本进行故障诊断，将正常、内圈故障、滚动体故障、外圈故障预设种类分别设为1，2，3，4。

SSA的仿真条件设置为算法种群规模30，下界设为0.1，上界设为5，进行1维寻优，适应度门限设置为错误率0%，经多次实验发现很少的迭代次数即可获得最优，因此，设置迭代次数为20。适应度值曲线如图2（a）所示。作为对比，应用遗传算法进行同样的平滑因子寻优，设定种群规模为50，同样迭代20次，交叉概率设为0.5，变异概率设为0.5，适应度曲线如图2（b）所示。

（a）与遗传算法

（b）适应度值曲线

可以看出，遗传算法迭代到第9次才寻到最优值，而SSA第6次就得到了最优值。而且SSA的用时也比遗传算法少，用Matlab进行仿真统计时，最终用时在同样迭代20次的情况下，SSA比遗传算法少用了16 s左右的时间。

由SSA寻得最优适应度值后，得到了对应的平滑因子最优值为4.078 1，将其输入概率神经网络，概率神经网络训练后，针对期望输出进行对比的分类效果如图3所示。作为对比，将同样的特征數据输入BP神经网络中训练，设定迭代次数为100，学习率为0.1，目标为0。所得分类结果如图4所示。

最终结果为，PNN的错误率为6.25%，而BP神经网络的错误率为10%。由此可见，PNN的故障诊断效果更加出色。

4? ? 结语

本文针对概率神经网络平滑因子的主观性，引入SSA对其进行优化，提出了SSA优化的PNN的主轴装置故障诊断，应用现有数据进行了仿真，并与遗传算法和BP神经网络进行对比，得出了SSA-PNN的优越性，实现了对矿井提升机主轴装置已知故障的有效诊断。

[参考文献]

[1] SPECHT D F.Probabilistic neural networks[J].Neural Networks，1990（1）：109-118.

[2]黄志刚，刘浩，刘顺波，等.基于COP与改进PNN的除湿机故障诊断研究[J].制冷与空调，2010（5）：66-69.

[3]谢聪.基于CGA-PNN的高速公路交通事件检测算法研究[D].成都：西南交通大学，2016.

[4]张阔，李国勇，韩方阵.故障树法和改进PSO-PNN网络的电梯故障诊断模型[J].中国安全生产科学技术，2017（9）：175-179.

[5]范俊辉，彭道刚，黄义超，等.基于改进PSO优化PNN网络的变压器故障诊断方法[J].测控技术，2016（3）：42-45，49.

[6]田立.基于鱼群优化概率神经网络算法的研究[D].沈阳：辽宁大学，2014.

[7]王佳俊，钟登华，吴斌平，等.基于概念漂移检测的土石坝压实质量评价模型更新研究[J].天津大学学报（自然科学与工程技术版），2019（5）：492-500.

[8]SEYEDALI M，AMIR H G，SEYEDEH Z M，et al.Salp-Swarm algorithm：a bio-inspired optimizer for engineering design problems[J].Advances in Engineering Software，2017（1）：163-191.

[9]陈涛，王梦馨，黄湘松.基于樽海鞘群算法的无源时差定位[J].电子与信息学报，2018（7）：1591-1597.

[10]SEYEDALI M，AMIR H G，SEYEDEH Z M，et al.Salp-Swarm algorithm：a bio-inspired optimizer for engineering design problems[J].Advances in Engineering Software，2017（1）：163-191.

Abstract：For the mine hoist， the spindle device is its core. Its normal operation is related to the working process of the whole mine hoist. The application of probabilistic neural network can effectively diagnose the fault of the mine hoist， but there exists the shortcoming that smoothing factor in traditional probabilistic neural network is subjective. Aiming at this deficiency， in this paper the Sch?nhage–Strassen algorithm was introduced to optimize it. The fault diagnosis of the probabilistic neural network（SSA-PNN）of the the Sch?nhage–Strassen algorithm was proposed. The experiment shows that SSA-PNN can be classified more accurately and quickly compared with genetic algorithm， BP neural network， and realized the effective diagnosis of the known failure of the case of the mine hoist spindle device.

Key words：SSA-PNN; mine hoist; spindle device; fault diagnosis

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。