一种基于神经网络的矿井主通风机故障诊断方法与流程

1.本发明涉及一种基于神经网络的矿井主通风机故障诊断方法，具体是一种数据分析学习算法，属于工业设备故障诊断技术领域。


背景技术：

2.目前，矿井通风机监控系统能够实现对矿井通风机电动机启停状态、风门开合状态、以及各项运行参数进行监测，实现上下位机通信，使监控人员在井上便可以直接监控井下的情况，并对相应的事故做出正确的处理。但无法实现对故障进行诊断，而矿井通风机一旦发生故障停运，将会产生重大影响，有害气体浓度升高，瓦斯气体聚集，井下氧气不足等等，这对整个煤炭生产将造成重大的安全影响，严重地影响煤炭的正常生产，并威胁矿井工人的生命安全。因此，建立一套功能完善，安全可靠的矿井通风机故障诊断系统是十分有必要的。
3.目前，对矿井主通风的研究专利很多。但大多为监控系统，监控系统能够对矿井主通风机的状态进行监测，采集传感器参数，对风机实现实时控制。但故障诊断系统十分简陋，只对单一参数进行阈值报警，容易造成误判，并且无法知道故障原因。2016年11月2日公开的发明“矿井主通风机在线监控系统”（申请号：201621169691.9），该系统利用plc控制系统，对风机运行参数实现监控，但也无故障诊断系统。


技术实现要素：

4.针对上述现有技术存在的问题，本发明提供一种基于神经网络的矿井主通风机故障诊断方法，通过对历史故障数据的分析处理，利用神经网络的学习功能对数据进行学习，对风机实时运行参数进行故障检测，实现故障诊断功能。该方法安全可靠，报警准确率高，能够识别风机的各种故障，对矿井通风机的安全运行有着重要作用。
5.为了实现上述目的，本发明提供一种基于神经网络的矿井主通风机故障诊断方法，步骤为：选取合适的小波基函数，对矿井主通风机历史振动故障数据进行小波包分解，得到各频段的特征向量；整理故障诊断征兆表，将步骤一获得的各频段的特征向量，按照不同故障类型分类；将故障征兆表代入神经网络中，确定隐含层的层数和神经元的个数，训练神经网络。将实时获取的风机振动数据代入小波分解后代入训练好的神经网络中，用以判断风机目前的状态。
6.进一步的，小波函数为，a为尺度参数，b为位置参数。
7.进一步的，由上述小波分析得出不同频段的特征向量，在故障征兆表中，每种故障对应其不同频段的特征值。
8.进一步的，神经网络所选取的传递函数为logsin函数，权值为ω,阈值为b，由输入层到下一层的变换为l1=logsin(ωx b)。
9.进一步的，对权值与阈值的修正算法选用sdbp算法，即修正式为x(k 1)=x(k)
‑
αg
(k)，α为学习速率，g(k)表示第k次迭代的神经网络输出误差对权值及阈值的梯度向量。
10.与现有技术相比，本发明通过对历史故障数据的分析处理，利用神经网络的学习功能对数据进行学习，对风机实时运行参数进行故障检测，实现故障诊断功能。该方法安全可靠，报警准确率高，能够识别风机的各种故障，对矿井通风机的安全运行有着重要作用。
附图说明
11.图1是本发明的系统流程图。
12.图2是本发明的神经网络模型。
具体实施方式
13.下面结合附图对本发明作进一步说明。
14.如图1，图2所示：一种基于神经网络的矿井主通风机故障诊断方法，包括以下步骤：步骤1：选取合适的小波函数，小波函数为,a为尺度参数，b为位置参数。对矿井主通风机历史振动故障数据进行小波包分解，得到各频段的特征向量；步骤2：整理故障诊断征兆表，由步骤1小波分析得出不同频段的特征向量，在故障征兆表中，每种故障对应其不同频段的特征值。
15.步骤3：将故障征兆表代入神经网络中，神经网络所选取的传递函数为logsin函数，权值为ω,阈值为b，由输入层到下一层的变换为l1=logsin(ωx b)，对权值与阈值的修正算法选用sdbp算法，即修正式为x(k 1)=x(k)
‑
αg(k)，α为学习速率，g(k)表示第k次迭代的神经网络输出误差对权值及阈值的梯度向量，测试并优化神经网络；最后确定隐含层的层数和神经元的个数，训练神经网络。
16.步骤4：实时获取的风机振动数据代入小波分解后代入训练好的神经网络中，用以判断风机目前的状态。
17.综上所述，本发明通过对历史故障数据的分析处理，利用神经网络的学习功能对数据进行学习，对风机实时运行参数进行故障检测，实现故障诊断功能。该方法安全可靠，报警准确率高，能够识别风机的各种故障，对矿井通风机的安全运行有着重要作用。
18.上述实施例仅仅是对发明的优选实施方式进行的描述，并非对发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域相关技术人员对本发明的各种变形和改进，均应扩入本发明权利要求书所确定的保护范围内。


技术特征：
1.一种基于神经网络的矿井主通风机故障诊断方法，其特征在于：选取合适的小波基函数，对矿井主通风机历史振动故障数据进行小波包分解，得到各频段的特征向量；整理故障诊断征兆表，将步骤一获得的各频段的特征向量，按照不同故障类型分类；将故障征兆表代入神经网络中，确定隐含层的层数和神经元的个数，训练神经网络；将实时获取的风机振动数据代入小波分解后代入训练好的神经网络中，用以判断风机目前的状态。2.根据权利要求1所述的故障诊断方法，其特征在于：小波函数为,a为尺度参数，b为位置参数。3.根据权利要求1所述的故障诊断方法，其特征在于：由上述小波分析得出不同频段的特征向量，在故障征兆表中，每种故障对应其不同频段的特征值。4.根据权利要求1所述的故障诊断方法，其特征在于：神经网络所选取的传递函数为logsin函数，权值为ω,阈值为b，由输入层到下一层的变换为l1=logsin(ωx b)。5.根据权利要求1所述的故障诊断方法，其特征在于：对权值与阈值的修正算法选用sdbp算法，即修正式为x(k 1)=x(k)
‑
αg(k)，α为学习速率，g(k)表示第k次迭代的神经网络输出误差对权值及阈值的梯度向量。

技术总结
本发明提供一种基于神经网络的矿井主通风机故障诊断方法。本方法通过对矿井主通风机历史故障数据的获取，选取合适的小波函数，对通风机的振动信号进行小波包分解，逐步从低频到高频进行分解，以获取各频段的特征向量。通过上述信号处理提取的振动信号的特征向量，形成故障诊断的征兆表，整理得出训练故障样本集，包括各频段的特征向量以及其对应的期望故障输出，各频段的特征向量作为神经网络的输入层和对应的期望故障输出作为神经网络的期望输出层。然后依据实验的方法确定隐层的层数和隐层神经元的个数。用样本数据训练神经网络，神经网络训练好后即可用于故障诊断系统。将矿井主风机获取的振动信号输入神经网络系统，即得到故障输出。得到故障输出。得到故障输出。


技术研发人员：李烨
受保护的技术使用者：江苏矿星智能科技有限公司
技术研发日：2021.08.04
技术公布日：2021/10/28