张福生，潘学文，路 超

（太原科技大学机械工程学院，山西 太原 030024）

防爆电动无轨胶轮车在矿产运输中起着重要作用，有着运载量大、动力性能优越、易于操作等显著优点［1］，车辆一旦发生故障将严重影响煤矿产能，因此，对无轨胶轮车进行故障诊断与状态实时监测，对煤矿顺利生产有着重要影响。高宏鹏等［2］提出故障树分析法与专家系统相结合的方式，对柴油机无轨胶轮车进行故障诊断，该方法中专家系统十分依赖维修人员的经验知识，存在知识更新、获取困难等缺陷。

传统故障树分析法（FTA）主要以定性分析为主，造成诊断不严谨且不一定能得到想要的结果。刘志海等［3］应用支持向量机算法（SVM）建立了无轨胶轮车全液压制动系统故障预测模型，并在Matlab 中进行故障检测实验，取得了良好的结果，但关键核函数的确定是根据人的经验来选取的，具有一定的随机性，给故障预测模型的搭建增加了一定的困难。

神经网络具有强大的知识获取能力、推理能力和学习能力。利用麻雀搜索算法（Sparrow Search Algorithm，SSA）优化BP 神经网络作为专家系统诊断推理模块，通过开发的故障诊断系统对胶轮车故障进行分析诊断，结果表明，该系统能够准确、快速地完成诊断任务。

1 麻雀搜索算法

SSA 是受麻雀捕食和躲避捕食者启发而提出的一种智能算法，具有寻优能力强、收敛速度快的优点［4］。算法实现步骤如下：

步骤1初始化麻雀种群位置与适应度，N、n、PD、SD、ST参数初值（最大迭代数N，种群大小n，发现者数量PD，感应危险的麻雀数量SD，安全值ST，预警值R2）。

步骤2开始循环，iteration＜N。

步骤3种群排序，得出当前的最优麻雀个体位置，以及最佳适应度值（注意对于第一代麻雀而言，求出的为初始最优。最优个体能够优先获取食物）。

步骤4觅食行为，按以下公式更新发现者位置：

式中：Q为服从正态分布的随机数；L为单位行向量；a为[0，1]之间的随机数。

步骤5按以下位置更新加入者位置：

式中：Xworst为适应度最低的麻雀位置；A+为只随机包含1与-1两个元素的行向量。

步骤6反捕食行为，更新麻雀种群位置：

控制更新位置的步长。K是［-1，1］之间的随机数，fi是个体适应度值。ε是接近0 的常数，避免分母为零的情况。

步骤7更新历史最优适应度。

步骤8执行步骤3～7，当达到最大迭代次数，结束循环。输出最优个体位置与适应度值［5］。

1.1 SSA优化BP神经网络

BP（Back Propagation）神经网络是误差反向传播的一种算法［6］，经过几十年的发展技术已经十分成熟且被应用于多个领域，不过其在故障诊断方面的应用，往往容易陷入局部极小点，使收敛速度变慢。BP 神经网络通过不断调整网络权值、阈值，使误差达到规定范围内即网络达到稳定状态［7］。SSA具有寻优能力强、收敛速度快的优点，通过优化BP神经网络的权值和阈值，使得诊断误差降低，提高了诊断的准确性。选取训练集与测试集整体的均方误差MSE为适应度值。适应度函数数学模型为

适应度值越小，表明训练越准确，精度越好。SSA优化BP神经网络流程如图1所示。

图1 SSA优化BP神经网络流程Fig.1 SSA optimization BP neural network flow chart

2 神经网络专家系统

专家系统主要是依据存储在知识库中的知识进行故障诊断，而这些知识是通过询问专家、有经验的维修人员或查阅文献资料获得的，可能存在遗漏，使得故障诊断结果不尽如人意。神经网络的权值、阈值决定网络的稳态，稳定后的神经网络就成为神经网络专家系统的知识库。因此，把两者结合起来［8］可以解决专家系统知识获取困难问题，同时使专家系统故障诊断具备定量分析能力。

2.1 专家系统结构

系统主要由人机界面、数据库、知识库、推理机、解释器构成［9］。人机界面是用户登录、使用系统的窗口，具有很好的交互性；数据库用来存放用户个人信息和接收归一化处理后的各路采集数据；知识库用于存放规则知识、训练好的神经网络结构和调整好的权值、阈值。推理机的推理过程是依赖知识库中的规则进行的，或是通过使用采集、处理过的数据及结合已训练好的神经网络进行诊断，再通过解释器将诊断结果清晰地显示出来［10］。系统结构如图2所示。

图2 神经网络专家系统结构Fig.2 Neural network expert system structure

2.2 专家系统设计

Matlab是一款数值计算、信号处理、程序开发、图像处理等强大功能于一体的数学软件。通过利用Matlab 神经网工具箱、Visual Studio 软件开发平台，再结合SQL Server 数据库功能实现电动无轨胶轮车神经网络故障诊断系统的设计［11］。在Matlab 安装Run Time 可实现脱离Matlab 环境运行的exe 可执行文件，有利于提高诊断系统的可移植性，方便诊断。

3 系统应用实例

3.1 故障特征参数提取

神经网络故障诊断适用于某一单个系统，而电动无轨胶轮车整体系统庞大，结构复杂，因此，以电动无轨胶轮车防爆驱动电机为例，通过压电式加速度传感器采集防爆驱动电机在不同状态下的振动信号［12］，故障特征参数通过压电式加速度传感器采集，再经过降噪、小波包分解、归一化等操作获得特征向量作为神经网络的输入向量传递给诊断系统，并在Matlab 中进行训练与测试仿真。Soundbook MK2 数据采集仪支持多种类、多通道信号同时采集且支持数据实时监测和后期处理，是一款便携式多通道声学、振动、工程测量系统。利用Soundbook MK2数据采集仪和CA-YD-186压电式加速度传感器采集防爆电动无轨胶轮车防爆驱动电机不同状态下的振动信号。Soundbook MK2数据采集仪振动噪声采样频率设为5 kHz，数据采集长度约25 s，将采集到的数据保存到电脑上。

由于在采集防爆驱动电机振动信号过程中会有较大干扰，因此要对采集到的振动信号进行降噪处理，提高信噪比；在Matlab中编写程序对降噪后的振动信号进行小波包分解与重构获得故障特征参数向量［13］，利用函数y=(x-min)/(max-min)将其归一到［0，1］区间，方便神经网络的训练与测试。归一化后的训练样本数据如表1 所示。

表1 训练样本数据Tab.1 training sample data

3.2 SSA优化BP神经网络仿真测试

BP 神经网络输入层个数是采集驱动电机不同故障类别对应的特征参数（m=9），输出层为驱动电机6 个不同状态，即对应着5 个故障原因和正常状态（n=6），隐含层取9 训练效果最佳。SSA进化收敛曲线如图3所示。SSA优化前后的BP 神经网络预测值和真实值对比如图4 所示。SSA 优化前后的BP 神经网络预测值和真实值误差对比如图5所示。

图3 SSA进化收敛曲线Fig.3 SSA evolution convergence curve

图4 SSA优化前后的BP神经网络预测值和真实值对比Fig.4 Comparison of predicted value and actual value of BP neural network before and after SSA optimization

图5 SSA 优化前后的BP 神经网络预测值和真实值误差对比Fig.5 Comparison of the error between the predicted value and the actual value of the BP neural network before and after SSA optimization

网络参数设置如下：

通过对BP神经网络、SSA-BP神经网络仿真测试结果比较可以得出，BP 神经网络训练时间长，误差较大；而SSA-BP神经网络收敛速度快、具有较高的准确率、效果稳定，适用于驱动电机故障诊断，可作为神经网络算法在专家系统中对故障进行诊断、预测。BP、SSA-BP网络误差比较如表2所示。

表2 BP、SSA-BP网络误差比较Tab.2 Comparison of BP and SSA-BP Network Errors

4 专家系统故障诊断

通过提取到的故障特征参数作为神经网络的输入向量参数，通过不断调整网络的权值、阈值，形成稳定神经网络作为专家诊断系统知识库数据，从而解决了知识获取难的问题；以SSA-BP 神经网络作为故障诊断专家系统推理诊断模块，当输入信号传入系统时，SSA-BP 神经网络利用之前训练好的、稳定的网络进行故障诊断，由于神经网络输出信号是数值形式，因此需要将输出数值转化为文字格式，并通过人机界面、解释器将诊断结果显示出来。

以一测试样本为例［0.452 3 0.467 9 0.774 9 0.710 3 0.981 5 1.000 0 1.000 6 0.935 6 0.981 3］，在诊断界面输入采集到的经过处理的振动信号作为故障输入，点击诊断按钮，解释器会显示诊断结果和故障图方便维修者观察，诊断输出结果为［0 0 0 1 0 0］，转化为文字格式为轴承损坏故障。通过测试样本输出结果与系统诊断结果比较可知，系统有较高的诊断准确性和有效性。专家系统神经网络诊断界面如图6 所示。

图6 专家系统神经网络诊断界面Fig.6 Expert system neural network diagnostic interface

5 结语

SSA-BP 神经网络与BP 神经网络相比缩短了神经网络权值、阈值调整过程且误差更小，可作为模式识别神经网络参与防爆电动无轨胶轮车故障诊断。将SSA-BP 神经网络与专家系统结合，可以充分展示神经网络定量分析的优点，使故障诊断更加准确、快捷，同时还可以实现故障实时监测，防止车辆带故障工作，影响其使用寿命。通过Matlab、Visual Studio 软件开发平台，SQL Server 数据库设计开发的故障诊断系统，诊断测试该系统，该系统具有诊断准确、快捷的特点。