一种基于PSO-BP算法的带式输送机故障诊断方法、装置及设备制造方法及图纸

本发明专利技术公开了一种基于PSO

【技术实现步骤摘要】
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


[0001]本专利技术涉及带式输送机
，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。

技术介绍

[0002]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。
[0003]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。
[0004]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。
[0005]公开于该
技术介绍
部分的信息仅仅旨在加深对本专利技术总体
技术介绍
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。

技术实现思路

[0006]本专利技术的目的是：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。
[0007]为了达到上述目的，本专利技术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：
[0008]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；
[0009]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；
[0010]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；
[0011]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；
[0012]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。
[0013]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。
[0014]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：
[0015]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；
[0016]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。
[0017]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：
[0018]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；
[0019]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；
[0020]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；
[0021]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。
[0022]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：
[0023]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；
[0024]根据试凑法确定BP神经网络模型的隐含层的节点个数。
[0025]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：
[0026]ω(k)＝ω
start
‑
(ω
start
‑
ω
end
)
·
k/T
max
；
[0027]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；
[0028]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]本专利技术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。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PSO
‑
BP算法的带式输送机故障诊断方法，其特征在于，包括：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；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；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；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；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。2.根据权利要求1所述的基于PSO
‑
BP算法的带式输送机故障诊断方法，其特征在于，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。3.根据权利要求1所述的基于PSO
‑
BP算法的带式输送机故障诊断方法，其特征在于，对设置有故障标签的检测数据进行预处理的过程，包括：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；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。4.根据权利要求1所述的基于PSO
‑
BP算法的带式输送机故障诊断方法，其特征在于，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神经网络模型的过程，包括：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；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得到BP神经网络模型的最优权值和最优阈值；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。5.根据权利要求4所述的基于PSO
‑
BP算法的带式输送机故障诊断方法，其特征在于，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：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；根据试凑法确定BP神经网络模型的隐含层的节点个数。6.根据权利要求5所述的基于PSO
‑
...

【专利技术属性】
技术研发人员：肖扬，陈禹，肖春江，
申请(专利权)人：江苏省镔鑫钢铁集团有限公司，
类型：发明
国别省市：