基于CPOS-SVM的礦井通風機故障診斷

楊科科 王毅

摘 要：針對礦井通風機故障樣本少、診斷精度低，提出基于云自適應粒子群算法優化支持向量機的礦井通風機故障診斷模型。采用粒子群優化算法快速搜索能力優化支持向量機的參數，提高了支持向量機的泛化能力和礦井通風機故障診斷結果準確性。結果表明，相比較SVM網絡，CPOS優化的SVM網絡收斂速度更快，預測精度高，能夠有效識別風機故障類型。

關鍵詞：礦井通風機;故障診斷;云自適應粒子群算法;支持向量機

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

0 引言

煤礦生產環境十分惡劣，礦井通風機處于長期不間斷狀態下，通風機運行中存在隱性故障，危及煤礦生產和井下人員安全。因此，對礦井通風機進行故障診斷有一定的必要性。通風機是一個非線性復雜系統，常表現為軸不對中、轉子不平衡、葉片損壞等故障，故障診斷就是利用其發生故障時與正常時的振動頻率不同。通過提取通風機不同工作下的振動頻率的特征向量，利用智能控制算法進行狀態判斷。文獻[2]提出了利用BP神經網絡進行故障診斷，在診斷時剔除誤差大的數據，診斷精度不是很高。文獻[5]提出優化權值和閾值的RBF神經網絡改進算法進行故障診斷，相比傳統RBF神經網絡診斷精度得到提高，但是收斂速度、局部收斂等問題沒有得到解決本文提出了一種基于云自適應粒子群算法優化支持向量機的礦井通風機故障診斷方法，經仿真表明，云自適應粒子群算法優化支持向量機礦井通風機故障診斷時取得了良好的診斷效果。

1 云自適應粒子群算法優化支持向量機

1.1 支持向量機

對于給定的數據訓練集，其中n為訓練樣本容量，為輸入數據，為數據輸出。非線性回歸是利用將樣本數據從空間映射到高維空間。構造決策最優函數為式（1）所示：

其中，為映射函數;向量權重值;為常數。

為求解上述問題，定義拉格朗日函數：

其中拉格朗日乘子。對上式進行優化，即對的偏導數為0。

上述問題轉化為求解線性方程：

1.2 改進的云自適應粒子群算法

設算法中為種群大小、為全局最優值、為適應度值、為平均適應度值。將適應性能值大于和小于的粒子再分別求取平均值，得、。則粒子群的聚集度為：

根據適應度值將粒子群分為三個子群，慣性權重ω在三個子群中具體如下：

這部分微粒性能靠近問題的最優解，其位置的改變不應過大，從而提高全局收斂的速率。可按式（6）調整：

云自適應慣性權重為式（7）所示：

由極限定理可知，從而保證了。

適應性能值大于的為為式（8）所示：

其中：為常數;為聚集度。

2 提取通風機故障特征頻率

通風機發生故障時其不同的振動頻率分布及振動幅值的大小與不同的故障相對應。當有故障出現，在復頻域中呈現各倍頻信號的幅值發生變化。轉子不平衡故障發生時的振動特征為倍頻信號的幅值隨通風機的轉速的增大成正比;軸不對中故障發生時的振動特征為2倍頻信號;葉片破損故障發生時的振動特征為正常振動頻率f0周圍出現大量諧波，其中f0如式（9）所示。

通風機系統振動信號需要通過經驗模態分解處理得到本征模函數，然后將本征模函數作希爾伯特變換的處理，從而得到各系統振動信號的頻譜，即Hilbert-Huang譜。希爾伯特變換如式（10）所示。為便于故障診斷，將頻率劃分為9個頻段，每個頻段有30個振動信號數據，3種故障及正常狀態共4種狀態，因此每個頻段有120個個振動信號數據。

式中：—原始信號;—振動信號的頻譜余項。

3 仿真結果分析

利用云自適應的粒子群算法優化支持向量機網絡進行煤礦通風機故障診斷。將上述提取的9個頻段的頻譜數據作為網絡的輸入特征向量，煤礦通風機系統軸不對中故障、轉子不平衡故障、葉片損壞故障與正常運行狀態進行編碼作為支持向量機網絡輸出，其對應的故障類型及其編碼如表1所示。

選取支持向量機的學習速率為0.08，針對其網絡的特點，以徑向核函數作為核函數，設定系統最大訓練次數為1000次，系統誤差為0.001。將上述提取的120組特征數據隨機抽取80組進行網絡訓練，剩下的40組用于網絡測試，結果如圖所示。

因SVM網絡自身的缺陷其訓練時易出現局部收斂速度緩慢，將相同的80組特征數據訓練CPOS算法優化SVM網絡，結果如圖2所示。從結果可知，預測正確率得到較大提升達97.5%。由此可見，CPOS-SVM模型的預測結果要優于SVM模型，CPOS-SVM對訓練樣本預測精確度高，CPOS算法泛化能力和數據尋優能力都很強。

4 結論

云自適應粒子群算法優化支持向量機網絡預測準確性高，克服了徑向基神經網絡收斂速度慢、易陷入局部最優解的缺點。采用粒子群優化算法快速搜索能力優化支持向量機的參數，提高了支持向量機的泛化能力和礦井通風機故障診斷結果準確性。結果表明，SVM與CPOS算法優化SVM網絡40組特征數據正確率達到97.5%，網絡具有較高的分類精度。

參考文獻：

[1]鐘文峰，周書民.基于QPSO算法的瓦斯預測研究[J].煤礦機械，2016，39（05）：61-65.

[2]余發山，高勇.基于AGA優化RBF神經網絡的礦井通風機故障診斷[J].電子測量技術，2017，40（09）：241-246.

[3]苗君明，于金苓.基于小波包-人工神經網絡在礦井通風機故障診斷中的應用[J].煤礦機械，2013，34（05）：292-294.

[4]李文華，楊子凝，王來貴.PCA-MGA-GRNN礦井通風機故障識別方法[J].遼寧工程技術大學學報（自然科學版），2018，37（02）：401-407.

[5]馮偉，鄭晟.基于諧波小波分析的礦井通風機故障診斷[J].煤礦機械，2014，35（05）：253-255.

項目來源：省青年骨干教師資助項目（2015GGJS-202）;省教育廳重點項目（13B460962）;科技廳項目（142102310226）

作者簡介：楊科科（1982-），女，河南南陽人，碩士，副教授，研究方向：智能控制理論及應用。