基于PSO优化BP神经网络的液压钻机故障诊断



基于PSO优化BP神经网络的液压钻机故障诊断

Data analysis

0引言

利用液压钻机钻孔对煤层瓦斯抽采，一方面作为再生能源利用，另一方面可提高煤炭开采效率和减少瓦斯安全事故。液压钻机是机电液一体化的复杂装备，其工作环境恶劣、工艺复杂、故障率高、排查困难。利用先进的方法进行故障诊断，对提高设备可靠性和运行效率具有重要意义。

液压钻机故障具有隐蔽性、交错性、随机性等特点[1-6]。针对其故障特点，研究者提出了故障树[7]、SOM网络[8]等故障诊断方法，但上述方法在应用中存在局限性，影响了诊断正确率。故障树方法搜索过程繁琐，诊断结果严重依赖于故障树信息的正确性和完整性，诊断正确率不高。SOM网络方法学习速度的选择需要与最终权值向量的稳定性进行折中，影响了诊断正确率[9-10]。

针对上述问题，本文提出一种基于粒子群算法(particle swarm optimization,PSO)优化BP神经网络(简称PSO-BP网络)的液压钻机故障诊断方法。Matlab仿真结果验证了此方法的可行性，表明其能够对液压钻机的部分典型故障进行比较准确的诊断。

1液压钻机故障诊断模型

液压系统大多数故障都与压力、油温 、泄油量等重要参数相关。压力直接反应钻机工作状态，是各种状态信息的载体；泄油量信号反映了液压泵和液压马达等装置的工作状态和泄漏情况；油液温度作为一个综合特征信号，能够反映油液清洁度和黏度、内泄漏、运动部件磨损情况等。通过分析液压钻机故障特征因素可知，泵压力、卡盘压力、油箱温度、马达泄油量、泵泄油量、减压阀压力等6个参数(分别用x1～x6表示)为主要特征参数[11-12]。

钻机结构复杂，故障类型多样，鉴于篇幅限制，本文以4种典型故障为例，验证该方法的可行性和有效性。液压钻机常见的故障类型有：马达回转无力、换向阀阻塞、卡瓦磨损、滤油器阻塞等(分别用F1～F4表示)，加上正常状态(用F5表示)，作为待诊断的五种状态类型。钻机故障与参数表现存在着重叠与交叉，各工况参数之间也具有较大的非线性，通过PSO-BP神经网络提取变量间的非线性关系，可以实现故障的分类识别。液压钻机故障诊断模型如图1所示。图1中，特征参数x1～x6为网络模块的输入，待诊断状态类型F1～F5为网络输出。

图1　故障诊断模型

2PSO优化BP神经网络

针对常规BP神经网络算法应用于故障诊断时存在的问题，可利用粒子群算法对BP神经网络的权值和阈值进行优化，从而加快神经网络的收敛速度并提高故障诊断的正确率。

2.1BP神经网络

BP神经网络是一种双向传播的多层前馈网络，其基本思想是把网络学习分为信息的正向传递、误差反向传递两个过程。

①正向过程：计算各层节点的输出以及实际输出与期望输出的误差。隐含层输出如式(1)所示；输出层的输出形式如式(2)所示，误差函数如式(3)所示。

(1)

(2)

(3)

②反向过程：从输出层开始，按一定规则向误差减小的方向调整网络的各个连接权值。输出权值变化如式(4)所示，隐含层权值变化如式(5)所示。

(4)

(5)

重复以上前向和反向过程，直到输出误差达到要求的范围之内，网络训练结束[13-14]。

2.2标准PSO算法

PSO通过群体中粒子间的协作与信息共享来指导、优化搜索，结构简单易实现，全局搜索能力强，是一种有效的全局寻优算法[15]。PSO首先随机初始化一群粒子，将每个粒子视作极值优化问题的一个潜在最优解，粒子特征由位置、速度和适应度值三项指标表现。适应度值由适应度函数计算得出，用来评价粒子性能的好坏[16]。

粒子在搜索最优解的过程中，追随当前最优粒子并逐代搜索，最终得到最优解。每次迭代过程中，粒子跟踪两个极值：一个是粒子本身已找到的最优解，另一个是整个群体已找到的最优解。粒子通过个体极值和全局极值来更新自身的速度和位置[17-20]，更新公式如式(6)和式(7)所示。

(6)

(7)

为防止粒子盲目搜索，可将位置和速度分别限制在[-Xmax,Xmax]和[-Vmax,Vmax]的区间内。w为惯性权重，用于均衡粒子的探索能力与开发能力，取值一般采用线性递减法，如式(8)所示。

(8)

式中:tmax为最大迭代次数;t为当前迭代次数;wstart为初始惯性权重;wend为最终惯性权重。

2.3PSO优化权值和阈值

首先，建立粒子与待优化参数间的映射关系。待优化参数包括权值w1ij、w2jk以及阈值b1j、b2k，映射关系由以下矩阵表示：

矩阵长度D即是粒子维数：

D=1×H+H×O+H+O

(9)

式中:I为输出层节点数;H为隐含层节点数;O为输出层节点数。

优化网络的目的是搜索出一组最优权值和阈值，使训练样本的均方误差值最小，因此可选取适应度函数为：

(10)

PSO优化BP神经网络流程如图2所示[21-22]。

图2　PSO优化BP网络流程图

3液压钻机故障诊断

根据液压钻机工况参数提取特征信号，归一化处理建立样本集，利用训练样本训练PSO优化的神经网络，再根据训练结果进行故障诊断，流程如图3所示。

图3　故障诊断流程图

3.1信号采集与特征参数提取

① 信号采集。利用传感器、数据采集卡和工业计算机组成信号采集硬件系统，硬件结构如图4所示。选择性能适当的本安传感器采集钻机工况信号，经过信号调理电路,对其进行放大、隔离、滤波，然后送入信号采集卡中进行处理，最后经数据总线送入内置LabVIEW程序的工业计算机中进行显示和存储，实现钻机工况信号采集。

图4　信号采集硬件结构图

② 特征参数提取。同前文所述，提取泵压力、卡盘压力、油箱温度、马达泄油量、泵泄油量、减压阀压力等6个参数作为故障特征参数，采集马达回转无力、换向阀阻塞、卡瓦磨损、滤油器阻塞4种典型液压故障状态以及正常工作状态下的特征信号，作为液压钻机故障的诊断依据。

3.2建立样本集

为便于分析比较，按式(11)对采集到的特征信号进行归一化处理。

(11)

在F1～F5每种状态下选取3组数据，作为BP网络的训练样本；以同样的方法从数据库中另选出15组数据，作为网络的测试样本以检验网络输出。训练和测试样本如表1所示。

表1　训练和测试样本

续表1

3.3仿真分析

②PSO参数设置。粒子群规模N=40，wstart=0.9，wend=0.4，c1=c2=2，网络训练的最大迭代次数tmax=200，位置最大值Xmax=5，速度最大值Vmax=1。

③仿真结果分析。经Matlab软件仿真，适应度值曲线如图5所示。

图5　适应度值曲线

迭代67次之后，适应度值达到稳定值0.014 3，曲线收敛平滑，速度快。BP网络与PSO-BP网络训练误差曲线如图6所示。目标均方误差设置为0.001，曲线横坐标为网络训练迭代次数，纵坐标为网络的均方误差值。当网络误差小于目标误差时，训练停止。

BP神经网络经531次迭代收敛至目标误差值，训练初期曲线收敛速度较慢，训练后期出现明显震荡，见图6虚线；PSO-BP仅用84次迭代便完成训练，曲线收敛速度快，无明显震荡，见图6实线。由此可知，PSO-BP网络迭代周期明显减少，收敛速度明显加快。

利用训练好的网络对测试样本进行仿真验证，并根据网络输出判别分类结果。选取合适的判别区间，确定输出数据归于1或0，表示故障发生或不发生。若仿真结果大于0.9，则判定其为1；若仿真结果小于0.1，则判定其为0；处于(0，0.9)区间内的数据判定为无效分类。网络输出及诊断结果如表2所示。表2中，S表示测试样本所属状态，R1表示BP网络的诊断结果，R2表示PSO-BP网络的诊断结果，“？”表示分类无效，无法判断诊断结果，处于无效分类区间的数据由下划线标记。

图6　训练误差曲线对比

分析对比表2中的网络输出，BP网络有1组输出出现两个无效分类数据(位于表2编号6)，该数据及诊断结果已由下划线标记，其他14组数据分类有效，诊断结果正确；PSO-BP网络所有的仿真输出均为有效分类数据，诊断结果全部正确。由表2可见，PSO-BP网络对故障状态的识别分类能力明显高于BP网络,两者的诊断结果对比如表3所示。

由表3可见，与BP神经网络相比，PSO-BP神经网络测试误差和训练误差明显下降，迭代次数明显减少，收敛速度明显加快，故障诊断正确率高。

表2　网络输出及诊断结果

表3　诊断效果对比

4结束语

本文提出了一种基于粒子群算法优化BP神经网络的液压钻机故障诊断方法。通过BP神经网络提取故障特征参数之间的非线性关系，实现典型故障的分类识别;利用PSO算法优化BP网络的权值和阈值，提高BP网络训练速度，并防止网络陷入局部极小值。根据钻机工况参数提取特征信号，进行归一化处理建立样本集，利用训练样本对网络进行训练，根据训练结果进行故障诊断。仿真结果表明，PSO优化后的BP神经网络迭代次数少，收敛速度明显提高，训练误差和测试误差明显降低。该方法故障诊断正确率较高，满足液压钻机故障诊断的要求。

参考文献

[1] 庞海荣.ZDY1900S型全液压钻机现场故障诊断[J].煤炭科学技术,2006,34(11):82-84.

[2] 姚克,孙保山,殷新胜,等. ZDY系列履带定向钻机的研制及应用[J].煤炭科学技术,2013,41(3):28-31，54.

[3] 薄秀英.矿山机电设备故障诊断技术分析探讨[J].煤炭科学技术,2013(S1):138-139.

[4] 许艳霞,郭俊杰,冯宪琴.煤矿用全液压坑道钻机的设计[J].煤矿机械,2014,35(7):21-23.

[5] 王新宇.ZYG-150型全液压钻机常见故障诊断[J].煤矿机械,2005(12):156-157.

[6] 施锦丹,王凯,王伯成,等.液压系统故障诊断方法综述[J].机床与液压,2008,36(11):175-179.

[7] 夏绪波,王西韦.故障树分析在矿用液压钻机中的应用[J].价值工程,2013(18):45-46.

[8] 贺康,庞海荣,代粉蕾.SOM神经网络在全液压钻机液压系统故障诊断中的应用[J].煤矿机械,2011,32(4):249-250.

[9] 金鑫,任献彬,周亮.智能故障诊断技术研究综述[J].国外电子测量技术,2009,28(7):30-32.

[10]王晓峰,毛德强,冯尚聪.现代故障诊断技术研究综述[J].中国测试,2013,39(6):93-98.

[11]杜京义,张明哲.基于粒子群优化RBF神经网络的液压钻机故障诊断[J].煤矿机械,2012,33(5):251-253.

[12]孙立峰,吕枫.基于改进PSO的RBF神经网络在液压钻机故障诊断中的应用[J].液压与气动,2014(11):91-94,127.

[13]曹凤才,岳凤英.基于BP神经网络的液压系统故障诊断研究[J].中北大学学报：自然科学版,2010,31(6):596-599.

[14]卢俊文,吴瑞,常虎山,等.航空发动机气路改进神经网络故障诊断研究[J].自动化仪表,2015,36(1):5-8,12.

[15]Sun H,Xue Z,Sun K.Fault diagnosis analysis of power transformer based on PSO-BP algorithm[J].Applied Mechanics and Materials,2012(466-467):789-793.

[16] Dong Z,Zhang X,Zeng J.A modified PSO-BP algorithm in hydraulic system fault diagnosis application[J].Applied Mechanics and Materials,2012(182-183):1145-1148.

[17]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(3):313-317.

[18]王龙刚,侯媛彬.BP-PSO在电加热炉中的温度智能预测[J].自动化仪表,2013,34(1):54-56，60.

[19]李文,罗恩韬.改进的PSO算法在摊铺机行驶控制器中的应用[J].电子测量与仪器学报,2011,25(4):372-376.

[20]孟艳,潘宏侠.PSO聚类和梯度算法结合的RBF神经网络优化[J].自动化仪表,2011,32(2):6-8.

[21]冯辉宗,吴小敏,袁荣棣,等.基于PSO-BP神经网络的发动机故障诊断[J].化工自动化及仪表,2013,40(1):76-79.

[22]贾凯,李浩,熊晓航.PSO-BP神经网络采煤机截割系统故障诊断[J].辽宁工业大学学报：自然科学版,2010,30(3):173-175.

Fault Diagnosis for Hydraulic Drilling Rig Based on BP Neural Network Optimized by PSO

余发山康洪张宏伟

(河南理工大学电气工程与自动化学院,河南 焦作454000)

摘要：液压钻机故障特征参数与故障状态之间呈现较强的非线性，依赖线性数学模型的故障诊断方法诊断正确率不高。针对上述问题，提出了一种基于粒子群算法(PSO)优化BP神经网络的液压钻机故障诊断方法。该方法利用BP神经网络提取特征参数之间的非线性关系，实现典型故障的分类识别；利用PSO优化BP神经网络的权值和阈值，提高网络训练的收敛速度。仿真结果表明，PSO优化的BP神经网络迭代次数少，收敛速度快。该方法能够对测试样本进行有效分类，故障诊断正确率高。

关键词：液压钻机故障诊断BP神经网络粒子群算法全局优化可靠性数据分析

Abstract：Because of the strong nonlinearity between fault feature parameters and fault status of hydraulic drilling rig,the diagnostic accuracy of the fault diagnosis method which relies on linear mathematical model is not high.To solve this problem,a fault diagnosis method based on BP neural network optimized by Particle Swarm Optimization(PSO) is proposed.With this method,the nonlinear relationship between the feature parameters is extracted by using BP neural network for realizing classification recognition of the typical faults; and the weights and thresholds of BP neural network are optimized by adopting PSO for increasing the convergence rate of network training.The result of simulation reveals that the BP neural network optimized by PSO features smaller number of iterations and faster convergence rate; the diagnosis method can classify the testing samples effectively,and the accuracy of fault diagnosis is high.

Keywords:Hydraulic drilling rigFault diagnosisBP neural networkParticle swarm optimization(PSO)Global optimizationReliability

中图分类号：TH6; TP183

文献标志码：A

DOI:10.16086/j.cnki.issn1000-0380.201604009

修改稿收到日期：2015-09-20。

第一作者余发山(1952-)，男，1977年毕业于焦作矿业学院电气自动化专业，获学士学位，教授；主要从事工业过程控制、运动控制及故障诊断等方向的教学和科研工作。