基于神经网络和D-S证据理论的通风机故障诊断

王 伟

（西安石油大学电子工程学院 陕西 西安 710065）

1 引言

据煤矿事故统计，通风机故障造成的矿难事故占矿难总数的70%以上，因此，通风机故障诊断的研究成为国内外学者研究热门话题。目前，矿井通风机故障诊断主要对振动加速度信号进行频谱分析，结合故障判别标准，进而判断通风机是否存在故障。而单一传感器获取的信息存在局限性和扰动等因素，容易造成故障误判。

本文针对通风机单一传感器信息故障诊断可靠性不高的缺点，提出一种基于多传感器信息融合的通风机故障诊断方法，该方法选用多个传感器采集振动信息，采用小波分析提取信号特征，利用神经网络得到各传感器的诊断结果，结合D-S证据理论将多个传感器诊断结果进行融合，最终得到诊断结果，提高通风机故障诊断的可靠性。

2 通风机常见故障类型与特征

通风机常见的机械故障主要有：转子不平衡、喘振、气动力偶、转子不对中、油膜振荡、油膜涡动等，这些故障发生都会引起振动信号频率的变化。通风机的振动信号包含复杂的信息，一种故障类型对应多种故障征兆，或一种故障征兆对应多种故障类型。因此提取不同频段内的信号谱幅值作为故障信号特征，根据这些故障征兆与故障类型的关系作为通风机故障诊断的方法。常见的通风机故障征兆与故障类型如表1所示。

表1 通风机故障征兆与故障类型

3 通风机故障诊断模型

通风机故障诊断模型的重点是振动信号采集预处理和特征提取，核心是BP神经网络和D-S证据理论算法的安全信息融合。BP神经网络由于具有较强的自学习能力，在处理故障与故障特征复杂关系识别中具有较强鲁棒性。D-S证据理论算法对于不确定信息具有较强识别能力。结合二者优势，构建通风机故障诊断模型如图1所示。

图1 通风机故障诊断模型

数据级融合：采用小波变化的方法对采集的振动信号进行振动加速度信号频域特征提取。

特征级融合：采用BP神经网络对采集到的通风机振动信号频域特征进行局部的故障诊断。

决策级融合：采用D-S证据理论融合规则对各子BP神经网络局部诊断的结果进行融合，得到最终诊断结果。

3.1 BP神经网络结构设计

常见通风机故障类型的振动信号频谱域划分为7个区间，所以，BP神经网络的输入层有7个神经元；6种常见的故障类型，故输出层有6个神经元。考虑到网络的性能和速度，经故多次试算得到隐含层神经元的个数为10。故通风机诊断的BP神经网络采用7-10-6的网络结构。输入层传递函数为tansig，输出层传递函数为logsig。

训练样本如表1所示，在MATLAB软件上对构建的BP神经网络进行仿真，设置最大迭代次数为1000，学习目标采用均方误差为0.001，通过仿真得到BP网络训练误差曲线如图2所示。

图2 BP神经网络训练误差曲线

3.2 D-S证据理论融合规则

依据相同时间的不同证据，求出故障样本空间的两个信任度函数Bel1和Bel2，得到BPA为m1和m2。首先，根据k值判断各证据体间是存在矛盾（若k=0，则各证据体完全矛盾，不能进行证据融合）。

其次，各传感器诊断结果融合。假设Ai为BP网络对传感器1检测样本诊断故障类型，Bj为BP网络传感器2检测样本的诊断故障类型，且m1(Ai)>0，，m2(Bj)>0，则有：

式中，M(end)表示对传感器诊断结果融合后输出的最终诊断结果。

4 诊断实例

在通风机前后轴瓦处安装两组振动传感器，本文以通风机不平衡故障为例，2个振动传感器采集的信息分别经数据特征提取，通过BP神经网络诊断后得到故障支持度，及两个传感器经诊断结果经过D-S证据算法融合后得到最终诊断结果 的故障支持度如表2所示。

表2 通风机故障诊断结果

根据上述诊断结果知，BP神经网络能够依据振动信号的特征值准确进行通风机故障诊断。多传感器信息融合进一步提高了通风机诊断系统的可靠性。

5 结语

实际运行结果表明，与单传感器BP神经网络诊断结果相比，基于BP神经网络和D-S证据理论的多传感器信息融合诊断方法对矿井通风机故障诊断的可靠性和准确性有大幅提高。

[1]冯爱伟. 基于神经网络与证据理论的煤矿通风机故障诊断[J].煤矿机械，2010，31(06)：249-251.

[2]李林琛，蒋小平.多传感器融合在通风机故障诊断中的应用[J].激光杂志，2016，37(04)：100-103.

[3]凌六一，黄友锐.基于多传感器信息融合的矿井通风机故障诊断[J].煤炭科学技术，2008，(06)：72-74.

[4]荆双喜，冷军发，李臻.基于小波-神经网络的矿用通风机故障诊断研究[J].煤炭学报，2004，(06)：736-739.