一种基于PSO-BP算法的带式输送机故障诊断方法、装置及设备与流程

一种基于pso
‑
bp算法的带式输送机故障诊断方法、装置及设备
技术领域
1.本发明涉及带式输送机技术领域，尤其涉及一种基于pso
‑
bp算法的带式输送机故障诊断方法、装置及设备。


背景技术：

2.在目前各种大宗的散料运输方式中，带式输送机因具有运输能力强、运距长、效率高、维护方便、易于实现集中控制等特点，被广泛应用于煤矿井下及冶金、煤炭、交通、化工等部门。由于带式输送机的传输距离长、结构繁杂，在实际应用中常常会出现各种问题，如不能及时进行检测和处理，就会直接影响设备的安全运行与企业的正常生产，甚至会造成重大事故。
3.现有技术中，为了保障带式输送机的安全稳定运行，带式输送系统一般安装有各种故障保护装置。然而这些故障保护装置不能在早期发现处理故障，只能在故障发生后进行被动保护，而且后期维护成本较高。一部分带式输送系统还具有一定的故障检测功能，但仍然存在各种不足，容易出现故障误报的情况，不能满足实际生产需要。
4.因此，如何提升带式输送机故障诊断的准确率，避免出现故障误报的情况，是本领域技术人员需要解决的技术问题。
5.公开于该背景技术部分的信息仅仅旨在加深对本发明总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成本领域技术人员所公知的现有技术。


技术实现要素：

6.本发明的目的是：提供一种基于pso
‑
bp算法的带式输送机故障诊断方法、装置、设备及计算机可读存储介质，能够有效提高带式输送机故障诊断的准确率，避免出现故障误报的情况。
7.为了达到上述目的，本发明一方面提供一种基于pso
‑
bp算法的带式输送机故障诊断方法，包括：
8.获取带式输送机的各种故障类型下检测传感器的检测数据，并根据故障类型在检测数据上设置对应的故障标签；
9.对设置有故障标签的检测数据进行预处理，并将预处理后的设置有故障标签的检测数据分成训练集和测试集；
10.将训练集中的检测数据作为输入数据，将训练集中的检测数据上设置的故障标签作为输出数据，通过粒子群优化算法对预设的bp神经网络模型进行训练，得到训练后的pso
‑
bp神经网络模型；
11.将测试集输入到训练后的pso
‑
bp神经网络模型中，判断pso
‑
bp神经网络模型的精度是否满足要求；
12.若精度不满足要求，重新利用训练集对pso
‑
bp神经网络模型进行训练；若满足要
求，将待诊断的检测数据输入到pso
‑
bp神经网络模型中，得到带式输送机的故障类型诊断结果。
13.优选地，故障类型包括皮带打滑、皮带跑偏、皮带撕裂、轴承故障和堆料故障，检测数据包括电机前轴承温度、电机后轴承温度、轴承振动烈度、轴承振动分贝、线圈温升、电机电流、减速机轴承温度、润滑油温度、皮带负载量、皮带运行速度、皮带偏移量、滚筒温度、皮带张力和烟雾浓度。
14.优选地，对设置有故障标签的检测数据进行预处理的过程，包括：
15.剔除不良数据，并将设置有故障标签的检测数据进行随机打乱；
16.将随机打乱后的设置有故障标签的检测数据进行归一化处理。
17.优选地，将训练集中的检测数据作为输入数据，将训练集中的检测数据上设置的故障标签作为输出数据，通过粒子群优化算法对预设的bp神经网络模型进行训练，得到训练后的pso
‑
bp神经网络模型的过程，包括：
18.根据训练集中的检测数据和检测数据上设置的故障标签确定bp神经网络模型的参数；
19.将训练集中的检测数据作为输入数据，将训练集中的检测数据上设置的故障标签作为输出数据；
20.通过粒子群优化算法得到bp神经网络模型的最优权值和最优阈值；
21.将最优权值设置为bp神经网络模型的权值，将最优阈值设置为bp神经网络模型的阈值，得到训练后的pso
‑
bp神经网络模型。
22.优选地，根据训练集中的检测数据和检测数据上设置的故障标签确定bp神经网络模型的参数的过程，包括：
23.根据训练集中的检测数据的类别数和检测数据上设置的故障标签的类别数分别确定bp神经网络模型的输入层的节点个数和输出层的节点个数；
24.根据试凑法确定bp神经网络模型的隐含层的节点个数。
25.优选地，通过粒子群优化算法得到bp神经网络模型的最优权值和最优阈值，在每一轮迭代中，获取惯性权重的公式为：
26.ω(k)＝ω
start
‑
(ω
start
‑
ω
end
)
·
k/t
max
；
27.式中，ω(k)代表每次迭代的惯性权重，ω
start
＝0.9代表初始惯性权重，ω
end
＝0.4代表最终惯性权重，k代表当前迭代次数，t
max
代表最大迭代次数；
28.在每一轮迭代中，更新每个粒子的个体极值和所有粒子的群体极值的公式为：
[0029][0030][0031]
式中，p
ib
代表粒子的个体极值，p
g
代表粒子的群体极值，p
i
代表第i个粒子的位置，f(
·
)代表粒子的适应度函数。
[0032]
优选地，bp神经网络模型采用sigmoid函数作为激活函数。
[0033]
本发明另一方面提供一种基于pso
‑
bp算法的带式输送机故障诊断装置，包括：
[0034]
数据获取模块，用于获取带式输送机的各种故障类型下检测传感器的检测数据，并根据故障类型在检测数据上设置对应的故障标签；
[0035]
数据预处理模块，用于对设置有故障标签的检测数据进行预处理，并将预处理后的设置有故障标签的检测数据分成训练集和测试集；
[0036]
模型训练模块，用于将训练集中的检测数据作为输入数据，将训练集中的检测数据上设置的故障标签作为输出数据，通过粒子群优化算法对预设的bp神经网络模型进行训练，得到训练后的pso
‑
bp神经网络模型；
[0037]
模型测试模块，用于将测试集输入到训练后的pso
‑
bp神经网络模型中，判断pso
‑
bp神经网络模型的精度是否满足要求；
[0038]
诊断输出模块，用于若精度不满足要求，重新利用训练集对pso
‑
bp神经网络模型进行训练；若满足要求，将待诊断的检测数据输入到pso
‑
bp神经网络模型中，得到带式输送机的故障类型诊断结果。
[0039]
本发明又一方面提供一种基于pso
‑
bp算法的带式输送机故障诊断设备，包括：
[0040]
存储器，用于存储计算机程序；
[0041]
处理器，用于执行所述计算机程序时实现如上述任意一种所述的基于pso
‑
bp算法的带式输送机故障诊断方法的步骤。
[0042]
本发明又一方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任意一种所述的基于pso
‑
bp算法的带式输送机故障诊断方法的步骤。
[0043]
本发明至少具有以下有益效果：
[0044]
本发明通过获取带式输送机的各种故障类型下检测传感器的检测数据，并根据故障类型在检测数据上设置对应的故障标签，而后进行预处理并将其分成训练集和测试集，将训练集中的检测数据作为输入数据，将训练集中的检测数据上设置的故障标签作为输出数据，通过粒子群优化算法对预设的bp神经网络模型进行训练，得到训练后的pso
‑
bp神经网络模型，并将测试集输入到训练后的pso
‑
bp神经网络模型中进行精度测试，最后将待诊断的检测数据输入到pso
‑
bp神经网络模型中，得到带式输送机的故障类型诊断结果，由于将深度学习理论应用于带式输送机的故障诊断，通过建立具有最优权值和最优阈值的pso
‑
bp神经网络模型，对待诊断的检测数据进行处理，即可精确快速地得到带式输送机的故障类型诊断结果，与现有技术相比，能够有效提高带式输送机故障诊断的准确率，避免出现故障误报的情况。
附图说明
[0045]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0046]
图1为本发明实施例中基于pso
‑
bp算法的带式输送机故障诊断方法的流程示意图；
[0047]
图2为本发明实施例中粒子群优化算法的流程示意图；
[0048]
图3为本发明实施例中测试pso
‑
bp神经网络模型的精度的仿真实验图；
[0049]
图4为本发明实施例中基于pso
‑
bp算法的带式输送机故障诊断装置的结构示意图；
[0050]
图5为本发明实施例中基于pso
‑
bp算法的带式输送机故障诊断设备的结构示意图。
具体实施方式
[0051]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
[0052]
需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。
[0053]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0054]
请参阅图1，本发明实施例一方面提供一种基于pso
‑
bp算法的带式输送机故障诊断方法，包括：
[0055]
s110、获取带式输送机的各种故障类型下检测传感器的检测数据，并根据故障类型在检测数据上设置对应的故障标签。
[0056]
本发明实施例中，预先在带式输送机上安装有各类检测传感器，通过检测传感器获取带式输送机在各种故障类型下的多组检测数据，并在每组检测数据上设置对应的故障标签，其中，各个故障标签与各个故障类型一一对应。
[0057]
s120、对设置有故障标签的检测数据进行预处理，并将预处理后的设置有故障标签的检测数据分成训练集和测试集。
[0058]
本发明实施例中，在每组检测数据上设置对应的故障标签之后，对设置有故障标签的检测数据进行预处理，以便于后续对数据进行计算；并将预处理后的设置有故障标签的检测数据分成训练集和测试集，以便于对pso
‑
bp神经网络模型进行训练和测试。
[0059]
s130、将训练集中的检测数据作为输入数据，将训练集中的检测数据上设置的故障标签作为输出数据，通过粒子群优化算法对预设的bp神经网络模型进行训练，得到训练后的pso
‑
bp神经网络模型。
[0060]
本发明实施例中，bp(英文全称：back propagation，中文全称：反向传播)神经网络对多层神经元网络中隐单元层连接权的学习问题进行了系统地解决，并在数学上给出了完整的推导。bp神经网络由输入层、隐藏层和输出层三部分组成。可以将bp神经网络的学习过程分为：正向传播、反向传播。正向传播时，由输入层开始逐层传播，每一层的输出只受输入的影响。当实际输出与期望输出之间存在很大的误差，开始反向传播。在进行反向传播时不断对权值和阈值进行调整修改，直到最够误差在一个可接受的范围内。尽管bp神经网络应用的比较多，可是仍然不可避免的会有一些缺陷存在，比如说：学习收敛速度太慢；不能
确保收敛到全局最小点；网络结构的确定也存在一定难度。附加动量改进算法、拟牛顿改进算法、自适应调整参数改进算法等，这些算法尽管在一定程度上对系统的性能有所改善，但是并不能完全克服bp算法固有的缺陷。此外，对网络结果产生较大影响的一些参数以及结构是无法准确得到的，比如说：网络结构、初始连接权值和阈值。因此可以通过粒子群算法来对神经网络进行优化。
[0061]
pso(英文全称：particle swarm optimization，中文全称：粒子群优化)算法是一种全局优化算法。将训练集中的检测数据作为输入数据，将训练集中的检测数据上设置的故障标签作为输出数据，使用pso算法来对bp神经网络模型的权值和阈值进行全局优化，可以得到具有最优权值和最优阈值的pso
‑
bp神经网络模型。
[0062]
s140、将测试集输入到训练后的pso
‑
bp神经网络模型中，判断pso
‑
bp神经网络模型的精度是否满足要求。
[0063]
本发明实施例中，在利用训练集通过pso算法来对bp神经网络模型进行训练，得到训练后的pso
‑
bp神经网络模型之后，为了得到故障诊断的准确性更高的模型，还需要利用测试集对训练后的pso
‑
bp神经网络模型的精度进行验证，判断pso
‑
bp神经网络模型的精度是否满足要求。
[0064]
s150、若精度不满足要求，重新利用训练集对pso
‑
bp神经网络模型进行训练；若满足要求，将待诊断的检测数据输入到pso
‑
bp神经网络模型中，得到带式输送机的故障类型诊断结果。
[0065]
本发明实施例中，如果pso
‑
bp神经网络模型的精度不满足要求，如低于99％，则重新利用训练集对pso
‑
bp神经网络模型进行训练；如果满足要求，则将待诊断的检测数据输入到pso
‑
bp神经网络模型中，输出对应的故障标签，进而得到带式输送机的故障类型诊断结果。其中，在重新利用训练集对pso
‑
bp神经网络模型进行训练时，可以同步增大检测传感器获取的检测数据的数据量。
[0066]
以上可知，本发明实施例提供的基于pso
‑
bp算法的带式输送机故障诊断方法，通过获取带式输送机的各种故障类型下检测传感器的检测数据，并根据故障类型在检测数据上设置对应的故障标签，而后进行预处理并将其分成训练集和测试集，将训练集中的检测数据作为输入数据，将训练集中的检测数据上设置的故障标签作为输出数据，通过粒子群优化算法对预设的bp神经网络模型进行训练，得到训练后的pso
‑
bp神经网络模型，并将测试集输入到训练后的pso
‑
bp神经网络模型中进行精度测试，最后将待诊断的检测数据输入到pso
‑
bp神经网络模型中，得到带式输送机的故障类型诊断结果，由于将深度学习理论应用于带式输送机的故障诊断，通过建立具有最优权值和最优阈值的pso
‑
bp神经网络模型，对待诊断的检测数据进行处理，即可精确快速地得到带式输送机的故障类型诊断结果，与现有技术相比，能够有效提高带式输送机故障诊断的准确率，避免出现故障误报的情况。
[0067]
具体的，上述实施例中，故障类型包括皮带打滑、皮带跑偏、皮带撕裂、轴承故障和堆料故障，检测数据包括电机前轴承温度、电机后轴承温度、轴承振动烈度、轴承振动分贝、线圈温升、电机电流、减速机轴承温度、润滑油温度、皮带负载量、皮带运行速度、皮带偏移量、滚筒温度、皮带张力和烟雾浓度。
[0068]
本发明实施例中，通过收集带式输送机在使用过程中产生的故障，确定最主要的5种故障类型，分别为皮带打滑、皮带跑偏、皮带撕裂、轴承故障和堆料故障。并预先在带式输
送机上安装各类检测传感器，获取带式输送机在这五种故障类型下的多组检测数据，如每种故障类型各20组检测数据，共计100组检测数据，每组检测数据中均包含14个指标属性，分别为电机前轴承温度、电机后轴承温度、轴承振动烈度、轴承振动分贝、线圈温升、电机电流、减速机轴承温度、润滑油温度、皮带负载量、皮带运行速度、皮带偏移量、滚筒温度、皮带张力和烟雾浓度，并为每组检测数据设置对应的故障标签。
[0069]
具体的，上述实施例中，步骤s120对设置有故障标签的检测数据进行预处理的过程，包括：
[0070]
剔除不良数据，并将设置有故障标签的检测数据进行随机打乱；
[0071]
将随机打乱后的设置有故障标签的检测数据进行归一化处理。
[0072]
本发明实施例中，将设置有故障标签的检测数据中的不良数据进行剔除，并随机打乱后进行归一化处理，可以避免具有不同物理意义和量纲的输入变量不能平等使用，防止输入数据的绝对值过大，同时保证输出数据中数值小的不被“吞食”。
[0073]
具体实施时，在100组设置有故障标签的检测数据中，随机抽取70组检测数据作为训练集使用，其余30组检测数据作为测试集使用。
[0074]
请参阅图2，作为本发明优选的实施例，步骤s130包括：
[0075]
s131、根据训练集中的检测数据和检测数据上设置的故障标签确定bp神经网络模型的参数。
[0076]
本发明实施例中，bp学习算法属于有监督的学习，通过给定样本来进行学习，对网络连接权进行调整来达到学习的效果。包括：
[0077]
误差反向传播计算：
[0078]
设：是实例k的输入向量x
k
输入后，传送到第l层节点j的输入；表示第l层节点j的输出；w
ij(l
‑
1)
为第l
‑
1层的节点i连接第l层节点j的权值；n
(l
‑
1)
为第l
‑
1层的节点数；f为节点神经元的传递函数，bp神经网络的神经元传递函数通常使用s型函数，由bp网络神经元的输入输出关系，有：
[0079][0080][0081]
实际输出与期望输出之间的误差定义如下：
[0082][0083]
如果实例k的输出误差为：
[0084][0085]
如果则学习过程结束，ε为指定的允许误差；反之，通过误差反向传播过程对权值分布w进行修改。
[0086]
根据误差的负梯度来对权值进行修改，即：
[0087][0088]
其中：η为学习率，0<η<1。
[0089]
由上述几个公式有：
[0090][0091]
其中：
[0092][0093]
为了得出计算的表达式，进行下述讨论。
[0094]ⅰ.若第l层是输出层，则由上述公式可得：
[0095][0096]
由上述几个公式有：
[0097][0098]
由上述几个公式有：
[0099][0100]ⅱ.如果表示第l 1层节点q误差，表示节点q的计算输出，则有：
[0101][0102]
对第l 1层节点q，类似第l层节点j，由上述几个公式有：
[0103][0104][0105][0106][0107]
因此可把上述公式表示为：
[0108][0109]
由上述几个公式有：
[0110]
[0111]
由上述几个公式有：
[0112][0113]
误差进行反向传播时，可用上述几个公式求出输出层各节点和隐层各节点的δ的关系。计算出输出层各节点的δ值后，可以通过上述公式反向逐层计算出各隐层的所有节点的δ值。求出各节点的δ的值，结合上述几个公式，就可以计算出各节点的权值修改量
△
w，从而对权值进行修改。
[0114]
s132、将训练集中的检测数据作为输入数据，将训练集中的检测数据上设置的故障标签作为输出数据。
[0115]
本发明实施例中，将训练集中的检测数据(即电机前轴承温度、电机后轴承温度、轴承振动烈度、轴承振动分贝、线圈温升、电机电流、减速机轴承温度、润滑油温度、皮带负载量、皮带运行速度、皮带偏移量、滚筒温度、皮带张力和烟雾浓度)作为输入数据，将训练集中的检测数据上设置的故障标签(选择皮带打滑、皮带跑偏、皮带撕裂、轴承故障和堆料故障对应的故障标签中任意一种)作为输出数据。
[0116]
s133、通过粒子群优化算法得到bp神经网络模型的最优权值和最优阈值。
[0117]
本发明实施例中，粒子群算法是一种全局优化算法，源于对鸟群捕食行为的研究。粒子群算法的基本思想是通过群体中个体之间的协作和信息共享来寻找最优解。由于粒子群算法结构简单、容易实现，并且没有许多参数的调节，目前已被广泛应用于函数优化、神经网络训练等领域。
[0118]
粒子群优化算法实现过程如下：在一个种群里，每一只鸟被抽象为一个粒子，并延伸到n维空间，粒子i在n维空间的位置x
i
＝(x
i1
,x
i2
,l,x
in
)，飞行的速度v
i
＝(v
i1
,v
i2
,l,v
in
)，每个粒子都有一个由目标函数决定的适应度值，其中，i＝1,2,
…
,m。
[0119]
在每一次迭代中，粒子通过跟踪粒子本身经历的最好的位置pbest
i
＝(pbest
i1
,pbest
i2
,l,pbest
in
)和整个群体所经过的最好的位置gbest
i
＝(gbest
i1
,gbest
i2
,l,gbest
in
)，并根据以下公式不断更新速度和位置：
[0120]
v
ik 1
＝ωv
ik
c1rand()(pbest
i
‑
x
ik
) c2rand()(gbest
i
‑
x
ik
)；
[0121][0122]
其中，k为当前迭代次数，c1,c2为学习因子，ω为惯性权重。
[0123]
在该方法中，将bp神经网络和pso算法结合起来，可以对bp神经网络的权值和阈值进行全局优化，得到最优权值和最优阈值，并且采用了线性递减的惯性权重，从而更有效地避免早熟收敛，对网络增加稳定性。
[0124]
s134、将最优权值设置为bp神经网络模型的权值，将最优阈值设置为bp神经网络模型的阈值，得到训练后的pso
‑
bp神经网络模型。
[0125]
本发明实施例中，得到最优权值和最优阈值之后，将最优权值设置为bp神经网络模型的权值，将最优阈值设置为bp神经网络模型的阈值，进而得到具有最优权值、最优阈值的pso
‑
bp神经网络模型。
[0126]
进一步地，上述实施例中，步骤s131包括：
[0127]
s1331、根据训练集中的检测数据的类别数和检测数据上设置的故障标签的类别数分别确定bp神经网络模型的输入层的节点个数和输出层的节点个数。
[0128]
s1332、根据试凑法确定bp神经网络模型的隐含层的节点个数。
[0129]
本发明实施例中，将bp神经网络模型的输入层的节点个数设置为训练集中的检测数据的类别数(由于每组检测数据包含14个指标属性，即输入层的节点个数设置为14)，bp神经网络模型的输出层的节点个数设置为训练集中的检测数据上设置的故障标签的类别数(由于故障标签共有5种，即输出层的节点个数设置为5)，bp神经网络模型的隐含层的节点个数可以根据试凑法确定，例如设置为4。具体实施时，也可以直接将bp神经网络模型的输出层的节点个数设置为1(5种故障标签中的任意一种)。
[0130]
进一步地，上述实施例中，通过粒子群优化算法得到bp神经网络模型的最优权值和最优阈值，在每一轮迭代中，获取惯性权重的公式为：
[0131]
ω(k)＝ω
start
‑
(ω
start
‑
ω
end
)
·
k/t
max
；
[0132]
式中，ω(k)代表每次迭代的惯性权重，ω
start
＝0.9代表初始惯性权重，ω
end
＝0.4代表最终惯性权重，k代表当前迭代次数，t
max
代表最大迭代次数；
[0133]
在每一轮迭代中，更新每个粒子的个体极值和所有粒子的群体极值的公式为：
[0134][0135][0136]
式中，p
ib
代表粒子的个体极值，p
g
代表粒子的群体极值，p
i
代表第i个粒子的位置，f(
·
)代表粒子的适应度函数。
[0137]
具体的，上述实施例中，bp神经网络模型采用sigmoid函数作为激活函数。
[0138]
本发明实施例中，因为考虑到处理数据包含非线性，所以该bp神经网络模型的转移函数采用单极性的sigmoid函数，此外该函数具有连续并且其导函数也连续的优点。
[0139]
利用测试集中30组检测数据对pso
‑
bp神经网络模型的精度进行仿真实验，仿真实验结果如图3所示，该模型的精度、均方根误差以及相关系数如下表所示。
[0140][0141]
可以看出本发明实施例提出的基于pso
‑
bp算法的带式输送机故障诊断方法，耗时较短、成本较低且预测精度较高，可以满足工业生产的需求。
[0142]
本发明实施例另一方面提供一种基于pso
‑
bp算法的带式输送机故障诊断装置，下文描述的该装置可以与上文描述的方法相互对应参照。
[0143]
请参阅图4，该装置包括：
[0144]
数据获取模块410，用于获取带式输送机的各种故障类型下检测传感器的检测数据，并根据故障类型在检测数据上设置对应的故障标签；
[0145]
数据预处理模块420，用于对设置有故障标签的检测数据进行预处理，并将预处理后的设置有故障标签的检测数据分成训练集和测试集；
[0146]
模型训练模块430，用于将训练集中的检测数据作为输入数据，将训练集中的检测数据上设置的故障标签作为输出数据，通过粒子群优化算法对预设的bp神经网络模型进行
训练，得到训练后的pso
‑
bp神经网络模型；
[0147]
模型测试模块440，用于将测试集输入到训练后的pso
‑
bp神经网络模型中，判断pso
‑
bp神经网络模型的精度是否满足要求；
[0148]
诊断输出模块450，用于若精度不满足要求，重新利用训练集对pso
‑
bp神经网络模型进行训练；若满足要求，将待诊断的检测数据输入到pso
‑
bp神经网络模型中，得到带式输送机的故障类型诊断结果。
[0149]
以上可知，本发明实施例提供的基于pso
‑
bp算法的带式输送机故障诊断装置，通过获取带式输送机的各种故障类型下检测传感器的检测数据，并根据故障类型在检测数据上设置对应的故障标签，而后进行预处理并将其分成训练集和测试集，将训练集中的检测数据作为输入数据，将训练集中的检测数据上设置的故障标签作为输出数据，通过粒子群优化算法对预设的bp神经网络模型进行训练，得到训练后的pso
‑
bp神经网络模型，并将测试集输入到训练后的pso
‑
bp神经网络模型中进行精度测试，最后将待诊断的检测数据输入到pso
‑
bp神经网络模型中，得到带式输送机的故障类型诊断结果，由于将深度学习理论应用于带式输送机的故障诊断，通过建立具有最优权值和最优阈值的pso
‑
bp神经网络模型，对待诊断的检测数据进行处理，即可精确快速地得到带式输送机的故障类型诊断结果，与现有技术相比，能够有效提高带式输送机故障诊断的准确率，避免出现故障误报的情况。
[0150]
本发明实施例提供的一种基于pso
‑
bp算法的带式输送机故障诊断装置中相关部分的说明请参见本发明实施例提供的一种基于pso
‑
bp算法的带式输送机故障诊断方法中对应部分的详细说明，且均具有本发明实施例提供的一种基于pso
‑
bp算法的带式输送机故障诊断方法具有的对应效果，在此不再赘述。
[0151]
上文中提到的基于pso
‑
bp算法的带式输送机故障诊断装置是从功能模块的角度描述，进一步的，本发明实施例又一方面提供一种基于pso
‑
bp算法的带式输送机故障诊断设备，是从硬件角度描述。
[0152]
请参阅图5，该设备包括：
[0153]
存储器510，用于存储计算机程序；
[0154]
处理器520，用于执行计算机程序时实现如上述任意实施例提供的基于pso
‑
bp算法的带式输送机故障诊断方法的步骤。
[0155]
其中，处理器520可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器520可以采用dsp(digital signal processing，数字信号处理)、fpga(field－programmable gate array，现场可编程门阵列)、pla(programmable logic array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器520也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(central processingunit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器520可以集成有gpu(graphics processing unit，图像处理器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器520还可以包括ai(artificial intelligence，人工智能)处理器，该ai处理器用于处理有关机器学习的计算操作。
[0156]
存储器510可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器510还可包括高速随机存取存储器，以及非易失性存储器，比如一个
或多个磁盘存储设备、闪存存储设备。本实施例中，存储器510至少用于存储以下计算机程序，其中，该计算机程序被处理器加载并执行之后，能够实现前述任一实施例公开的基于pso
‑
bp算法的带式输送机故障诊断方法的相关步骤。另外，存储器510所存储的资源还可以包括操作系统和数据等，存储方式可以是短暂存储或者永久存储。其中，操作系统可以包括windows、unix、linux等，数据可以包括但不限于测试结果对应的数据等。
[0157]
可以理解的是，如果上述任意实施例提供的基于pso
‑
bp算法的带式输送机故障诊断方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read
‑
only memory，rom)、随机存取存储器(random access memory，ram)、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd
‑
rom、磁碟或者光盘等各种可以存储程序代码的介质。
[0158]
有鉴于此，本发明实施例又一方面提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述任意实施例提供的基于pso
‑
bp算法的带式输送机故障诊断方法的步骤。
[0159]
本发明实施例提供的计算机可读存储介质的各功能模块的功能可根据上述任意方法实施例中的方法具体实现，其具体实现过程可以参照上述任意方法实施例的相关描述，此处不再赘述。
[0160]
本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。