马月连，赵加庆

(1.山东科技大学能源与矿业工程学院，山东 青岛 266590)

(2.江南大学机械工程学院，江苏 无锡 214122)

矿用运输机作为矿井运输的主要设备，其可靠性和安全性直接影响矿业企业的经济效益，更关乎整个矿井作业的安全。高效、准确的故障预测有利于确保矿用运输机的可靠性和安全性。传统机械设备故障预测模型包括灰色关联模型、模糊聚类、马尔可夫链等[1-3]，这些模型虽在一定程度上提高了故障诊断效果，但诊断效率和准确性还有待提高。而作为主要预测模型的神经网络，则很少被应用到机械故障预测中。究其原因，岳有军等[4]认为，传统神经网络的容错能力不强，泛化能力差，且在实际应用中只能对单一参量进行预测。中国工程院院士何新贵教授提出的过程神经网络(probabilistic neural networks，PNN)通过神经元可实现输出函数时间与空间的累积，进而实现多参量预测。基于多参量输出优势，PNN算法被广泛应用在故障诊断、检测识别等领域。DPNN(dynamic probabilistic neural network)作为PNN应用的典型，可有效处理矿用运输机为代表的离散型数据，但参数的选择对DPNN算法精度有很大影响。董晓璇等[5]针对DPNN神经网络的优化，提出用粒子群优化(particle swarm optimization，PSO)算法对网络参数进行优化，但PSO算法容易陷入局部最优，导致DPNN神经网络的优化精度不高。本文在上述研究的基础上，提出了改进的DPNN网络矿用运输机故障预测模型，并通过仿真进行对比。

1 DPNN神经网络简介

图1为离散型DPNN神经网络结构。其中，xi(ts)=(x1(ts),x2(ts),…,xn(ts)),i=1,2…,n,为输入层的状态参数，ts为第s次监测结果；……