基于蝙蝠-蛙跳神经网络的提升机故障诊断研究＊

乔维德，凌兴宏，周晓谋

（1.无锡开放大学 科研处，江苏 无锡 214011；2.苏州大学 计算机科学与技术学院，江苏 苏州 215006；3.中国矿业大学 机电工程学院，江苏 徐州 221116）

基于蝙蝠-蛙跳神经网络的提升机故障诊断研究＊

乔维德1，凌兴宏2，周晓谋3

（1.无锡开放大学 科研处，江苏 无锡 214011；2.苏州大学 计算机科学与技术学院，江苏 苏州 215006；3.中国矿业大学 机电工程学院，江苏 徐州 221116）

针对目前提升机故障诊断方法存在的局限性，在分析提升机制动系统的故障征兆和故障类型基础上，提出一种基于蝙蝠-蛙跳神经网络的故障诊断策略，构建提升机制动系统的神经网络故障诊断模型，采用蝙蝠—蛙跳算法优化神经网络的结构参数。仿真实验分析表明，该方法用于提升机制动系统故障诊断，诊断速度快、准确性高、可靠性好。

提升机制动系统；蝙蝠-蛙跳算法；故障诊断

0 引言

提升机为矿业生产过程中集机械、电气、液压于一体的一种大型关键设备，主要承担着煤炭、金属矿石、作业人员以及矿用材料、设备等运输的重要任务，它是联系矿井地面和井下的重要载体和纽带，提升机通常被称作矿山的“咽喉”通道。据相关资料统计，在我国矿井作业过程中，每年因为提升机频繁故障而导致许多事故发生，事故给我国的矿业生产造成巨大的经济损失和惨重的人员伤亡，其中由于制动系统故障原因而发生的事故至少占全部提升机事故的六成以上。而提升机制动系统属于矿井提升机的重要组成之一，制动系统的好坏将直接关系到矿井提升机的安全、稳定与可靠运行。所以，及时而有效地对提升机制动系统进行故障诊断与预测，能够有效减少或防止提升机故障的发生，保证提升机的正常安全和高效运行。然而，提升机制动系统是由多个机、电、液等部件构成的非线性高维系统，具有较强的复杂性、随机性以及不稳定性，在运行过程中会遇到强干扰、难建模、时滞未知等各种瓶颈问题。为此，实时检测提升机的工况参数和数据指标，建立提升机制动系统的故障诊断系统，已成为高效管理与维护提升机的重要环节和研究课题。雷勇涛等应用自组织特征映射网络、BP网络以及Elman网络对提升机制动系统的故障诊断进行研究［1］；李永新、刘景艳分别探讨将灰色神经网络、小波神经网络应用于矿井提升机的故障诊断方法［2，3］；刘景艳提出采取粒子群算法优化BP神经网络的故障诊断方法［4］；刘锦荣等人提出基于遗传算法的提升机制动系统神经网络故障诊断模型［5］；杨晓邦等学者也尝试应用基于遗传算法的模糊神经网络对提升机制动系统进行故障诊断［6］，等等。以上方法经过仿真实验均取得了一定成效，然而BP算法、粒子群算法、遗传算法等在学习寻优过程中都会不同程度出现收敛速度慢、计算量大、容易陷入局部最优等而导致诊断故障不准确、甚至误判断现象。针对此类问题，本文提出将蝙蝠算法（BA）与混合蛙跳算法（SFLA）两种仿生智能算法结合起来，组成蝙蝠-蛙跳算法（即BA-SFLA），利用BA-SFLA优化用于提升机制动系统故障诊断的神经网络结构参数，应用蝙蝠算法快速的全局搜索能力和混合蛙跳算法较强的局部深度搜索能力，提高提升机制动系统故障诊断的速度及其精度。

1 提升机制动系统故障诊断模型

目前矿井提升机的制动系统主要采取液压制动，液压制动系统的主要故障类型分为制动力失效、松闸事故两种。制动力失效的主要故障原因有摩擦系数过低、闸瓦磨损严重、制动弹簧失效、系统残压过高等；松闸事故主要由于制动油缸卡缸、液压站失压等导致。对提升机制动系统以上故障进行诊断时，需要在线监测的性能参数包括：贴闸油压p1、制动正压力p2、松闸油压p3、液压系统残压p4、液压站的工作油压p5、闸瓦开合状态p6、磨损超限判定油压p7。矿井提升机采用传感器采集液压制动系统的各种信号数据，因贴闸油压p1、制动正压力p2、松闸油压p3为在相同位置不同时刻检测出的数据值，因此液压制动系统共需要5个传感器来采集故障对应的特征参数值。笔者利用BP神经网络构建液压制动系统的故障诊断模型，并采取蝙蝠-蛙跳算法优化其模型结构参数，然后将优化后的模型用于对制动系统的故障诊断。选取制动系统实际检测的故障特征参数P1、P2、P3、P4、P5、P6、P7为故障诊断模型的输入信号，模型共输出6种制动系统故障类型，即摩擦系数过低（Y1）、闸瓦磨损严重（Y2）、制动弹簧失效（Y3）、系统残压过高（Y4）、制动油缸卡缸（Y5）、液压站失压（Y6）。提升机制动系统故障诊断模型示意图如图1所示。其中，为归一化处理后的参数值。

图1 提升机制动系统故障诊断模型

2 蝙蝠-蛙跳算法

2.1 蝙蝠算法

蝙蝠算法（简称BA）是在2010年由Yang教授提出的一种模拟蝙蝠觅食的随机搜索算法，它是通过模拟蝙蝠的回声定位行为，实现在复杂的搜索空间中搜寻全局最优解。设定在t代第i只蝙蝠所处的位置为，飞行速度为，在t+1代第i只蝙蝠的位置与飞行速度按式（1）（2）（3）进行更新。

其中，fi表示第i只蝙蝠发出的超声波频率，fmin、fmax分别表示蝙蝠脉冲频率的最小值和最大值；r设为0～1区间的随机数；x0代表当前全局最优位置。

在局部搜索过程中，一旦出现最优解，蝙蝠的新位置则为：

式（4）中，τ表示［-1，1］区间上的随机数，St代表蝙蝠种群同一时间段内响度平均值。

在觅食初期，蝙蝠向外发送的超声波脉冲响度大但频率低，当发现搜寻目标时，蝙蝠会渐渐减小超声波脉冲响度，同时提高声波脉冲发射次数。所以，蝙蝠发射的超声波脉冲响度与其脉冲频度随迭代进程而不断更新，更新规则为：

2.2 混合蛙跳算法［8］

混合蛙跳算法（SFLA）是在2003年由Eusuff学者提出，它是模拟青蛙群体觅食过程的一种优化策略。同蝙蝠算法类似，蛙跳算法将待优化参数看成青蛙所处位置，将目标函数（适应度）值作为评价青蛙位置好坏的准则。在蛙跳算法中模仿青蛙寻食的过程，就是较劣位置青蛙不断向着较优位置跳跃的过程。

在目标搜索空间中，由n只青蛙组成初始种群，第i只青蛙位置为Xi=（x1，x2，x3，…，xn），其中xi（i=1，2，…，n）为待优化参数。计算每个青蛙个体所处位置的适应度，并将所有青蛙个体由适应度从高到低排序，且将n只青蛙划分成p个子种群，每个子种群又都有k只青蛙（即n=p×k）。在每个子群中，适应度最好对应的最优位置用Xb表示，适应度最差对应的最差位置用Xw表示，整个蛙群中所有子群中适应度最优青蛙用Xg表示。在蛙跳算法的进化进程中，适应度最差青蛙首先要向本子群中适应度最优青蛙跳跃，当前适应度最差青蛙位置Xw按式（7）（8）更新。

上式中，rand表示［0，1］区间上的随机数，Dj记为第j维上青蛙移动距离，Dmax记为青蛙一次改变位置的最大值，Xw代表最差青蛙的当前位置，Xw（new）代表最差青蛙更新计算后的位置。当Xw（new）位置的适应度值高于Xw位置的适应度时，用Xw（new）替换Xw，完成一次位置更新，否则利用整个蛙群最优个体Xg替换Xb进行计算。如果新位置Xw（new）适应值仍没有变好或改善，那么随机产生一个新位置来取代原来的最差青蛙位置Xw。

当蛙群中p个子种群都各自完成进化后，再将各子群中的青蛙重新混合在一起，按要求重新按适应度高低排序并组建各子群，然后进行局部搜寻，不断反复，直至达到终止条件。

2.3 蝙蝠-蛙跳算法及神经网络优化

蝙蝠算法前期搜索速度快，能够迅速搜索并锁定待求的全局最优区域，但是后期收敛速度变慢，搜寻精度降低。混合蛙跳算法的局部深度搜寻能力强，但前期寻优时收敛速度慢。为此，在综合两者优势与缺陷基础上，融合蝙蝠算法与混合蛙跳算法，形成蝙蝠-蛙跳算法（即BA-SFLA）。然而BA和SFLA这两种算法在更新寻优过程中，主要依赖各个体之间的相互作用影响，如果受到局部最优值的约束时，往往会减慢算法的收敛速度，甚至进化进入停滞状态。为此本文引入公告牌和变异机制［7］，利用公告牌记载历史最优个体位置及其适应度值。假设公告牌上显示的适应度值连续3次迭代均无变化或变化量非常小，那么表明该算法已陷入局部最优，此时需要对当前全局最优解实施高斯变异，即在公式（8）基础上增加一个呈高斯函数分布的随机扰动值N（0，1），即如式（9）所示。如果当前最优个体能得到改善，则替代原全局最优解，并更新公告牌。

应用BA-SFLA优化神经网络的流程如图2所示。BA-SFLA优化神经网络时，首先通过蝙蝠算法的全局快速收敛优势，使蝙蝠迅速搜寻到全局较优值所处区域，然后再采取蛙跳算法迅速在较优区域内进行局部搜索，直至寻到最优位置，最终使均方误差（适应度）J值最小，此时的最优位置即为神经网络中最优连接权值和阈值。均方误差（即适应度）J定义为：

式中，Qjk为第j个训练样本在第k个输出节点处的期望输出，Yjk为第j个训练样本在第k个输出节点处的网络实际输出，m为神经网络输出节点数，n为学习训练样本数。

图2 BA-SFLA优化神经网络流程示意图

3 仿真实验

3.1 仿真参数设置与样本选取

根据多次反复模拟实验，本文选取的具体初始化参数为：蝙蝠种群数量为100，最大迭代次数为250，蝙蝠脉冲频率f为［0，1］，最大脉冲响度S=0.35，最大脉冲频度R0=0.85，脉冲响度衰减系数λ=0.95，脉冲频度增加系数δ=0.25；蛙群子群体内最大迭代次数为50，蛙群子群体数目p为8，子群内青蛙个数k为10。神经网络拓扑结构为7—14—6，网络搜索目标精度为0.00001。

本设计中，传感器从各检测点中采集到的矿井机故障状态时的数据信号，因其单位量纲不完全相同，且绝对值相差很大，所以需要对输入数据P1～P7进行归一化处理，将它们转换成［0，1］区间值后再作为神经网络的输入样本。输入数据的归一化处理经验公式设定为：

其中，i=1～7，为样本值，Pi为实际检测值，Pimax为Pi的最大值，Pimin为Pi的最小值。该神经网络选取的训练样本和检验样本如表1所示。

表1 神经网络的（训练、检验）样本数据

3.2 故障诊断分析

笔者利用Matlab7.0软件，将表1中经过归一化处理后的1～34组故障数据用作神经网络的训练样本（因版面限制，样本4～34略），直至网络训练后的输出误差在设定的目标误差范围内。选择表1中的35～41组故障样本数据作为测试样本，检验结果如表2所示。

表2 神经网络测试样本的诊断结果

为验证本文算法的寻优性能，利用上述同样的故障样本数据分别采用BP算法［9］、遗传算法、粒子群算法、蝙蝠-蛙跳算法，对神经网络进行训练和测试，得出表3所示的比较结果［9］。对比分析表明，用于提升机制动系统故障诊断的神经网络，采取蝙蝠-蛙跳算法训练优化时的故障诊断速度更快、精度更高。

表3 神经网络不同算法比较

4 结论

本文设计一种基于BA-SFLA的提升机神经网络故障诊断模型，该模型充分利用了蝙蝠算法快速寻找最优参数区域以及混合蛙跳算法深度局部搜寻能力。仿真与实验结果表明，故障识别速度快，故障诊断精度高，为提升机故障的精准诊断提供更加科学的依据和一种新的途径。

［1］雷勇涛,杨兆建.神经网络在提升机故障诊断中的应用［J］.华南理工大学学报（自然科学版）,2010,38（2）:67-71.

［2］李永新.基于灰色神经网络矿井提升机的故障诊断研究［J］.煤矿机械,2013,34（11）:268-270.

［3］刘景艳，邹有明.小波神经在提升设备故障诊断中的应用［J］.煤矿机械,2006,27（4）:710-711.

［4］刘景艳.基于改进粒子群神经网络的提升机故障诊断［J］.河南理工大学学报（自然科学版）,2014,33（6）:313-317.

［5］刘锦荣,王绍迸,任芳,等.基于遗传算法优化BP神经网络的提升机制动系统故障诊断［J］.煤矿机械,2011,32（5）:246-248.

［6］杨晓邦,刘景艳.李玉东.模糊神经网络在提升机制动系统故障诊断中的应用［J］.煤矿机械,2012,33（8）:250-252.

［7］郑云水,岳小雪,林俊亭.带有高斯变异的混合蛙跳蝙蝠算法［J］.计算机应用研究,2015,32（12）:3629-3633.

［8］乔维德.基于人工鱼群—蛙跳神经网络的变压器故障诊断［J］.常熟理工学院学报,2016,30（4）:70-74.

［9］乔维德.改进粒子群优化神经网络的高压断路器故障诊断［J］.常熟理工学院学报,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

（责任编辑：耿继祥）

2016-10-13；

2016-11-07

无锡市社会事业领军人才项目（WX 530/2016/023）。

乔维德（1967-），男，江苏宝应人，教授，工程硕士，研究方向:控制工程、机电设备监测与故障诊断等。