一种煤矿带式输送机故障诊断方法.pdf

第 4 3卷 第 l 2 期 2 0 l 7年 1 2月 工矿 自 动化 I nd us t r y an d M i ne Au t oma t i o n Vo 1 ． 43 NO ． 1 2 De c ．2 O 1 7 文 章编 号 1 6 7 1 2 5 1 X 2 0 1 7 1 2 0 0 4 8 0 5 D OI 1 0 ． 1 3 2 7 2 ／ j ． i s s n ． 1 6 7 1 2 5 1 x ． 2 0 1 7 ． 1 2 ． 0 1 0 一 种煤矿带式输送机故障诊断方法 杨 清翔 ， 向 秀华。 ， 孟斌 。 ， 王 开忠。 1 ． 山西 中煤华 晋能 源有 限 责任公 司 王家 岭矿 ，山西 河津0 4 3 3 0 0 ； 2 ． 中 国矿 业 大学 信 息与控 制工 程学 院 ， 江 苏 徐 州 2 2 1 0 0 8 ； 3 ． 华 洋通信 科 技股份 有 限公 司 ，江苏 徐 州 2 2 1 1 1 6 摘 要 针对 煤矿 带式 输送机 故 障种 类繁 多且 各征 兆存在 交叉 ， 严 重影 响故 障诊 断 的时效 性和 可靠 性的 问 题 ， 提 出 了一种 煤矿 带式输 送机 故 障诊 断 方法 。该方 法采 用粗糙 集 与神 经 网络相 结合 的故 障诊 断技 术 ， 通过 粗糙 集属 性约 简算 法优化 输入 的故 障征 兆 集 ， 得 到最优 约 简集 ； 将 约 简后 的最 小条 件属 性 集输 入 B P神 经 网 络进行 合 理训 练 ， 经过 不断 学 习优化 ， 最终得 到诊 断 决策 规 则 ； 将 约 简的相 应 测试 征 兆属 性 样 本输 入 训 练好 的 网络进 行故 障诊 断 ， 判别 出相 应故 障 。仿 真 结果表 明 ， 该 方法能 够充 分删 除 冗余 信 息 ， 加 快 网络训 练速 度 ， 提 高带 式输送 机故 障诊 断精 度 。 关键词 带式输送机 ；故障诊 断； 粗糙集； B P神经网络；故障征兆集 中 图分类 号 T D 6 3 4 文献标 志码 A 网络 出版时 间 2 0 1 7 1 2 0 6 1 4 1 7 网络 出版 地址 h t t p ／ ／ k n s ． c n k i ． n e t ／ k c ms ／ d e t a i l ／ 3 2 ． 1 6 2 7 ． T P ． 2 0 1 7 1 2 0 5 ． 1 7 4 5 ． 0 1 0 ． h t ml A f a u l t d i a g n o s i s me t ho d o f c o a l mi n e b e l t c o nv e y o r YANG Qi n g x i a n g ， XI ANG Xi u h u a ， M ENG B i n 。 ， W ANG Ka i z h o n g 。 1 ． Wa n g j i a l i n g C o a l Mi n e ，S h a n x i Z h o n g me i Hu a j i n En e r g y Co ． ，Lt d ． ，He j i n 0 4 3 3 0 0 ，Ch i n a ； 2． S c h oo l o f I nf o r m a t i on a nd Co nt r o l Eng i ne e r i ng，Chi n a U n i ve r s i t y o f M i ni ng a n d Te c hn ol o g y， Xu z ho u 22 1 0 08，Chi na；3． H u a y a ng Comm u ni c a t i o n s Te c hn ol o gy Co．，Lt d．，Xu z h ou 2 2 1l 1 6，Ch i na Ab s t r a c t I n vi e w o f pr o bl e m s of t i me l i n e s s a nd r e l i a bi l i t y of f a u l t di a gn os i s f o r c o a l m i ne b e l t c on ve y o r a r e s e r i o us l y a f f e c t e d by va r i ou s f a u l t t yp e s a nd t he m u t ua l i n f l ue nc e of s y m p t o m s ， a f a ul t d i a g no s i s m e t ho d of c o a l mi n e b e l t c on ve yo r wa s pu t f o r wa r d． Th e me t ho d a d op t s f a ul t di a gn o s i s t e c h no l o gi e s c o m b i ni n g wi t h r o u gh s e t a nd n e ur a l ne t wo r k， us e s r o ug h s e t a t t r i but e r e d uc t i on a l g or i t hm t o op t i mi z e i npu t f a ul t s ympt oms s e t ，a n d o b t a i ns t he op t i ma l r e du c t i o n s e t ．The r e du c e d mi ni m um c on di t i o n a t t r i b ut e s e t wa s i n pu t i nt o BP n e ur a l ne t wo r k t o t r a i n i n a r e a s o n a bl e ma nn e r ， a nd di a gn os i s d e c i s i o n r u l e s wa s o bt a i ne d t hr ou gh c o n t i nu ou s l e a r ni n g a nd op t i mi z a t i on． The r e du c e d s a mpl e s o f t h e c or r e s p on di n g t e s t s ympt o m s s e t a t t r i but e we r e i np ut i n t o t he t r a i ne d ne t wo r k t o di a gn os e f a ul t ， S O a s t o i d e nt i f y c or r e s po nd i ng f a u l t ．The s i m ul a t i o n r e s ul t s s h ow t ha t t h e me t h od c a n f u l l y r e m o v e r e d un da nt i nf or ma t i on， s p e e d u p ne t wo r k t r a i ni n g，a nd i mpr o v e f a u l t d i a g no s i s a c c ur a c y o f be l t c on ve y or ． Ke y wo r ds be l t c o nv e y or ；f a ul t d i a g no s i s；r o ug h s e t ；BP n e ur a l ne t wo r k；f a ul t s y mpt o ms s e t 收稿 日期 2 O l 7 一 O 6 2 7 ； 修 回日期 2 0 1 7 - 0 9 2 7 ； 责任编辑 张强 。 基金项 目 国家重点研发计划资助项 目 2 0 1 6 Y F C 0 8 0 1 8 0 8 。 作者简介 杨清翔 1 9 8 0 一 ，男 ， 河南新野人 ，高级工程 师，硕士 ，主要研究方 向为矿 山机 电管理 ，E ma i l y y q q x x 0 0 1 1 6 3 ． c o m。 引用格式 杨清翔 ，向秀华 ， 孟斌 ， 等． 一种煤矿带式输送机故障诊断方法E J ] ． 工矿 自动化 ， 2 0 1 7 ， 4 3 1 2 4 8 5 2 ． YA NG Qi n g x i a n g ， XI ANG Xi u h u a ， ME NG B i n， e t a 1 ．A f a u l t d i a g n o s i s me t h o d o f c o a l mi n e b e l t c o n v e y o r E J ] ． I n d u s t r y a n d Mi n e A1 j t o ma t i o n， 2 01 7， 4 3 1 2 4 8 5 2 ． 2 0 1 7年第 1 2期 杨 清翔等 一种煤矿带式输送机故障诊断方法 4 9 0 引 言 带 式 输 送 机 作 为煤 矿 生 产 系 统 的关 键 运 输 设 备 ， 一旦发生故障， 将带来不可估量的财物损失与人 员 伤亡 。如 何对 带式输 送机 出现 的故 障进 行准 确分 析并得出有效的故障决策模型 ， 根据其实时运行状 态 ， 及时发现故障征兆并预警， 已成为煤矿企业亟待 解决的问题 。由于煤矿带式输送机配套设备 多， 加 之长时间处于远距离 、 大运量工作状态 ， 极易发生各 类故障， 且这些故障往往存在相互联系和交互[ 1 ] ， 加 大了故障检测和识别的难度。传统的单人工神经网 络 故 障诊断 方法虽 然 在诊 断过程 中具 有非 线性 映射 和容错的优势 ， 但是仍然存在故 障征兆信息较多时 训练复杂度大大增加 、 极易陷入局部极小值 、 无法得 到有效的决策信息等缺 陷口 ] 。粗糙集算法是 一种 有效处理模糊、 抽象 、 不确定性问题的数学工具 ， 可 从海量数据 中提取最有效 的关键信息 ， 但 因其容错 性 较差 而受 到 很 大局 限[ 5 ] 。鉴 此 ， 本 文 结合 粗 糙 集 理论和神经 网络 ， 提 出了一种煤矿带式输送机故障 诊断方法， 提高了带式输送 机故 障诊断 的准确性和 效 率 。 1 带式 输 送机 常见 故障 类型 由于 多种 异 构设 备 以不 同的方 式 工 作 ， 加 之煤 矿井下恶劣的运行环境导致煤矿带式输送机在运行 过 程 中极 易 出现输 送 带跑偏 、 打滑 、 纵 向撕 裂 、 堆煤 、 断带等故障L 6 ] 。 1 输 送带 跑偏 。跑 偏是 指输 送 带 运行 方 向中 心线偏离带式输送机 固有 中心线的现象 ， 是带 式输 送机运行过程中经常发生 的故障之一 ， 极易引起运 输的物料沿跑偏反方 向洒 落和输送带 局部边缘磨 损 。此外 ， 输 送带跑 偏 还可 能 引发 输送 带 打滑 、 撕裂 等其他故障。作用于输送带的合力方 向偏离标定运 输 中心线 方 向是导 致输送 带 跑偏 的本 质原 因 。 2 输送 带 打滑 。打 滑是 指驱 动 滚筒 与 输 送带 的运 转速 度不 匹 配而 出现 的 异 常 相对 运 动 ， 输 送 带 一 旦打滑 ， 不仅会使带式输送机 因传动力不足而失 效 ， 还可 能会造 成输 送 带 因长 时 间 摩 擦 而使 温 度 升 高并超过极限， 从而引发火灾 ， 另外 ， 会导致输送带 严重磨损 、 受到较强冲击后疲劳断裂、 下坡段“ 飞车” 等安全事故口 ] 。引起输送带打滑的主要原因是 输送 带与 滚筒 作用 点 的张力 过小 ， 无法 提供 足够 的动 力 。 3 输送带纵 向撕裂。纵向撕裂是指输送 带的 局部 受力 不 均 导 致 输 送 带 在 纵 向上 出现 破 损 的情 况。由于煤矿需要长距离 、 大运量输送物料 ， 所 以， 矿用带式输送机通常为长距离带式输送机 。长距离 带式输送机通过钢绳芯来增加输送带的横向抗拉强 度 ， 以确保足够的运行拉力 ， 但在拉力较大时 ， 若超 过输送带本身的纵 向抗撕裂强度 ， 就会造成纵向撕 裂[ 8 ] ， 一旦撕裂 ， 将会使整条输送带失效。 4 输送带断带。断带是指输送带的横 向截 面 发 生断裂 现象 ， 运行 中的输送 带一 旦发 生断裂 ， 受运 动惯 性影 响 ， 断开 的 输送 带 和 运 输 的物 料 会 快速 堆 积 到机 头位 置 ， 体 积 庞 大 的输 送 带 和碎 散 的 煤 炭需 耗费大量人力物力来清理 ， 如果在向下运行过程 中 断 带 ， 则 可能 引起 飞车 ， 极其危 险 _ 9 ] 。引起 输送 带 断 裂的主要原因是输送带横截面受到了不均匀的外力 作用 ， 同时张力超过极限范围， 使输送带在瞬时张力 为零 。 2 粗糙 集和 改进 的 B P算 法 2 ． 1 粗糙 集理论 粗糙集 理论通过对无法直接得出有效信息的、 残缺 不全 的 、 带有 歧 义 的 和无 法 明 确定 义 的 数据 进 行相应处理 ， 可挖掘出给定数据隐含的本质特性， 从 而对其进行最符合 自身特性的表述并加以应用 ， 得 到符 合 需 求 的 处 理 结 果 口 。粗 糙 集 理 论 的定 义 如下 定义 1 知 识表达 系统论 域 U 中的知识 表达 系统定义为 S 己 ， ， CU D ， 其中 CU DA A为全 集 且 CN D 为空集 ， C ≠ ， D≠ ， C一 口 I 口 ∈ C 称 为条件 属 性 集 ， 每 个 a ， E C 1 ≤ ≤ m 称 为 C 的一个子属性 ； D{ dl dED 称为决策属性集， 故 又 称 为 决 策 系 统 。知 识 表 达 系统 S的 每个 元 素 对 应一个 条 件， 由属 性集 C决 定 ， 结论 由属 性集 D 决定 。 定义 2 上近似 与下 近似 在论 域 U 中， 用 S 一 ， R 表 示 一 个 知 识 表 达 系 统 ， 设 等 价 关 系 REI ND S ， Y为输出集 ， 定义集合 X X∈U 关于 知识 R的上近似、 下近似分别为 R X一 { y I y ∈ U／ R， y n X ≠ } 1 R X一 { Y I y ∈ U／ R， y X 2 定义 3 正域 、 负域 、 边界域论域 u中的集合 X 关 于知 识 R 的正 域 定 义 为 p o s X 一R X ， 集 合 x关 于知识 R 的 负域定 义为 n e g X 一U R X ， 集合 X 在知 识 R 下 的边 界 域 定 义 为 b n 一 X 一 R X 。 定 义 4 知 识 约 简 、 核 一 个 知 识 库 中可 能 包 含了一些不重要的、 对最终分类无影响的、 冗余的知 识 ， 删除这些非关键的冗余知识 ， 以达到细化知识库 的 目的 ， 就 称为粗 糙集 的知 识约 简 ] 。 给定知识库 K一 U， S 上 的一个等价关系簇 5 O 工矿 自动 化 2 0 1 7年第 4 3卷 P s ， VR ∈ P， 若 有 不 可 分 辨 关 系 I ND P一 I ND P一{ R 成立 ， 则知识 R为等价关 系簇 P 中 非关键的冗余信息， 可删除， 否则 R 为 P 的关键必 须 集合 ， 不 能删 除 ， 此 时 I ND P ≠ I N D P一 R 。 用 I ND P 表示 P的不可分辨系 ， 对于任意的 G P， 若 G 是 独 立 的 ， 且 同 时 满 足 I ND G 一 I ND P ， 则 称 G 是 P 的 一 个 约 简 集 ，记 为 GERE D P ， R E D P 为 P的全体约简集 的并集。 关系簇 P的核 C O RE P 定义为 P 的全体约 简 集 的 交 集 ，C ORE P一 n R E D P ，核 C OR E P 包含 了 P 中全体必要的关键 知识 ， 且核 是 唯 一 的 。因为核 C OR E P 包含 在知 识 的每一 个 约简 中 ， 因此 ， 可 以作 为 属性 约简 的基础 元 素 。 2 ． 2 改进 的 B P算 法 B P B a c k P r o p a g a t i o n 神 经 网络 是通 过 神经 元 节点 输 出误差 在各个 隐含层 的反 向作 用来 实现 网络 的训 练 收敛 [ 1 ， 三 层 B P神 经 网络 的训 练 过程 就 是 通过 不断 调节 输入 层 与 中间 隐 含层 之 间 的权 值 和中间层与输 出层之间的权值 W 来调节误差 E。 当训练样本规模较大时 ， 标准 的 B P神经 网络 算法的收敛速度会 变慢 ， 学 习误差也会受激励函数 的影 响 ， 抗 干扰 性 下降且 易 陷入局 部极 小值 ， 导致不 正确 的 训 练 结 果 。 为 此 ， 本 文 引 入 LM L e a s t Me a n 算法 ， 用以改进标 准 B P神经 网络算法 。L M 算 法作 为 B P神 经 网络 的学 习算 法 时 ， 分 别计 算 网络 输 出误差 与 网络 隐含层 权值 和 输入层 权 值 的导 数 ， 通过阻尼因子在各个导数值之间进行插值 ， 达到 高斯一 牛顿法和梯度下 降法的平衡优化调整作用 ， 从而使整个网络更快速地收敛 。L M 算法使每次 迭代误差调整方 向不再 固定沿着负梯度方向， 而可 以沿着 不 同的方 向进 行不 断 寻优 ， 自适 应 调 整 网络 各个权值 ， 充分利用 高斯 一 牛顿法 与梯 度下降算法 的优点加速 网络 的收敛 ， 且确保总能得 到有效 的训 练 结果 ， 某种 程 度 上 克服 了标 准 B P神 经 网 络 算 法 在 某些 情形 下无 法 收敛 的缺 点 。 一 个 M 维 的权 向量 w 的迭 代公式 表示 为 W 志 1 一 W 愚 △ w 忌 3 则 其 误差 函数 E W 表示 为 一 N N E w 一 1 ∑ w 一 1 ∑ m ， 一 。 4 J 1 l 一 1 式 中 m， ， 0 分别 为期 望输 出与 实 际输 出 ； N 为 输 出 维数 ； e j w 一[ 8 l w e 2 w ⋯e N w ] 。 VE W 表示 误差 函数 E w 的梯 度， 其 表 达 式 为 VE W 一 ． ， W e j W 5 N 。 E w 一J w J w 十∑8 w V 。 e i w i 1 6 式 中 E w 为 E W 的 He s s i a n矩 阵 ； t ， w 为输 出误 差 对相应 权值 的雅 可 比矩 阵 ， 即 J W 一 3 e 1 W a M 3 e 2 W a u M 3 e N W a ∞M 7 根据 牛顿 法 ， 有 A W 一一 。 E w ] VE W 8 N 而越接近最优解， w 越趋近于 i l 0 ， 这时也就 得 到高斯 一牛 顿法 规则 A W一 一[ J w ． ， w ] - 1 J w e w 。而本文采用 的 L M 算 法就是对高斯一牛顿法规则 的一种 改进算法 ， 规则 如下 A W 一～ [ J 丁 w ．， w 儿 ] J w P w 9 式 中 L为一 个 单 位 矩 阵 ； 为 阻 尼 因子 ， 大 于 0 ， 是 L M 算 法 的关 键标 量 ， 当 由一个 较大 的值 开 始 由 大到小变化 ， 最后变成 0的过程等效 于高斯 一 牛顿 法 的平 滑调 整过 程 ， 当 取值 较大 时 ， 接 近 于学 习 速 率很小时的梯度下降算法 ， 随着 寻优迭代逐步减小 ，以减小 误差 。 L ～ M B P神经网络算法的训练步骤如下 1 初始化权值 向量 w 0 ， 并设定各个参数的 误差允许值 e ， ， ， 。 ， 令 k 一0 ， A 。 ， 将训练样本 依次输入神经网络系统。 2 依 次 计 算 输 出 W k 和 输 出 误 差 E W 愚 。 3 利用 式 7 计算 雅克 比矩 阵 t， w 愚 。 4 利 用 式 3 ～ 式 5 、 式 8 计 算 A W k ， W k 1 ， E W k 1 ， 若 E W 志 十1 ≤￡ ， 算 法 结 束 ， 否则转到步骤 5 。 5 如 果 E w k 1 ≥E w k ， 直 接令 W k 1 一w 愚 ， 若 此 时 _I J W k 十 1 E w 忌 1 l _ ≤ ， 则 迭 代结 束 ， 否 则 ， 令 一 ， 转 到步 骤 4 ； 如果 E W k 1 露 w 愚 ， 直 接转 到下 一 步 。 6 若此时 IIJ W k 1 E W k 1 lI ≤ ， 说 明找 到 了一 个局 部极 小值 W w 忌 1 ， 算 法结 束 ； 否则 令 k k 1 ， 。 ， 转 到步 骤 2 ， 进 入 新 ； 一 a 一a a a a a一 ； 旬 一 a 一 a 一 a 一 一 一 2 0 1 7年第 1 2 期 杨清翔等 一种煤矿带式输送机故障诊 断方法 5 1 一 轮迭代 ， 直到寻求到全局最优解。 3 故 障诊 断方 法及 其仿真 分析 利用粗糙集属性约简算法求解最小条件属性集 和核 ， 有效减少条件属性数量 ， 将约简后的最小条件 属性集输入 B P神经 网络进行合 理训练 ， 经过不 断 学 习优 化 ， 最 终 得到诊 断决 策规 则 ， 将约 简 的相应 测 试 征兆 属性 样本 输 入 训 练 好 的 网络 进 行 故 障诊 断 ， 判别出相应故障。 以某煤 矿 的带式 输送 机智 能专 家决 策 系统 的监 控 数 据库 为基 础 ， 选 取某 一段 时 间 内 ， 该 煤矿 主平 硐 带 式输 送机 在线 监测 系统 采集 的 张力 、 带 速 、 主要 滚 筒温度等 5 0组原始数据作为故 障诊断的样本集 ， 经 过约简得到最优属性集作为 B P神经 网络 的输入 。 B P神经 网络 的仿真参数设置如下 隐含层神经元个 数为 l 1 ， 学习效率为 0 ． 0 5 ， 训练误差为 0 ． 0 0 1 ， 初始 训练步长为 5 0 0 0 ， 用 t a n s i g函数作为中间隐含层传 递函数 ， 输出层的传递 函数选用可以拓宽值域范围 的线 性 函 数 p u r e l i n 函 数 ， 学 习 训 练 函 数 选 取 t r a i n l m函数 ， 即利用 L M 算法 。输 入参数进行训 练和测试 ， 全体属性集 L M B P神经网络算法 的测 试与仿真结果如图 1 、 表 1所示， 同时在相同参数条 件下 ， 采用标准 B P神经 网络算法 最优约简属性集 B P神经网络算法 训练 的测试与仿真结果如 图 2 、 表 2所示 。 迭代次数 图 1 全体属性集 L M B P神经 网络算法训练 曲线 目标误差 e 一1 0 Fi g．1 Tr a i ni n g c ur v e o f a l l t he pr op e r t i e s s e t LM B P n e u r a l n e t wo r k a l g o r i t h m e 1 0 一 。 迭代 次数 图 2 最优约简属性集 B P神经 网络算法训练曲线 目标误差 P 一1 0 Fi g ．2 Tr a i ni ng c L I r ve o f o pt i ma l r e du c t i on pr ope r t i e s s e t B P n e u r a l n e t wo r k a l g o r i t h m 一1 0 一 。 、 表 1 全体属性集 L M B P神经网络算法仿真结果 Ta b l e 1 S i m u l a t i o n r e s u l t s o f a l l p r o p e r t i e s s e t LM BP n e u r a l n e t wo r k a l g o r i t h m 从图 1 和图 2对 比分析可知， 全体属性集学习 样本迭代 1 2次时就趋于收敛得出决策规则 ， 而最优 约简属性集学习样本却 需要更多的训练迭代次数 ， 1 0 1次后 才趋 于收 敛 得 出相 应 规 则 ， 比约 简后 的属 5 2 工矿 自动化 2 0 1 7年 第 4 3卷 性集多花 9 ． 1 8倍 的训练时间。由表 1的测试样本 仿真 结果 可 知 ， 各 个 测 试 样 本 的输 出 分 别 为 { 正 常 1 0 0 0 0 ， 正 常 ， 正 常 ， 纵 撕 0 1 1 1 1 ， 打 滑 0 0 0 1 0 ， 正 常 ， 断 带 0 0 0 0 1 ， 跑 偏 0 0 1 0 O ， 正 常 ， 纵撕 ， 正 常 ， 正 常 ， 打 滑 ， 正 常 ， 跑 偏 ， 实 际 输出结 果 与理 想 值 的差值 得 出故 障偏 差 分别 为 0 ． 03 1， 0 ． 03 1 6， 0．0 1 6 3， 0． 00 0 6， 0． 00 1， 0． 04 0 5， 0 ． 0 1 8 9 ， 偏 差都较 小 ， 可满 足实 际 应用 的误 差要 求 。 由表 2可知 ， 最优约简属性集的结果偏差较大 ， 分别 为0 ． 2 8 3 8 ， 0 ． 1 6 8 7 ， 0 ． 2 1 7 2 ， 0 ． 1 5 7 ， 难 以作 为后 期 诊 断的标 准 。对 比可 知 ， 以通 过 粗 糙 集 属性 约简 后 的全体属性集作为 L M B P神经 网络算法 的输入 样本 ， 得 到 的诊 断预测结 果更 准确 可靠 。 如 果将 2种 诊 断模 型 的 目标 误 差设 置得 更 小 ， 其 他参 数 保 持 不 变 ， 当设 置 目标 误 差 e为 1 O 时 ， 训练曲线分别如图 3和图 4所示 。全体属性集学习 样 本与 最优 约简 属性集 学 习样本 的收敛迭 代 次数分 别 为 4 2和 6 4 2 ， 全体 属性 集在 时 间和精 度 方 面 都 比 约 简属 性 集 更 具 有 优 势 。大 量 对 比 试 验 结 果 都 表 明 ， 任 意相 同 目标误 差下 ， 全体 属性 集作 为 L M B P 神 经 网络 的输入 比约简 属 性 集 作 为 L M B P神 经 网络 的输入 需要 更少 的训 练次 数 ， 收敛速 度更 快 。 图 3 全体属性集 L M B P神 经网络算 法训练曲线 e 1 0 Fi g ． 3 Tr a i n i n g c u r v e o f a l l p r o p e r t i e s s e t LM B P n e u r a l n e t wo r k a l g o r i t h m e 1 0 一 。 椒 霹 图 4 最优 约简属性集 B P神经 网络算法训练 曲线 e 1 0 Fi g ． 4 Tr a i n i n g c u r v e o f o p t i ma l r e d u c t i o n p r o p e r t i e s s e t BP n e u r a l n e t wo r k a l g o r i t h m e 1 0 。 4 结 语 实际带式输送机故障诊断通常要求较高的实效 性 和 可靠性 。本 文提 出 的带式 输送 机故 障诊 断方 法 结合 了粗糙 集 理论 和 神 经 网 络两 者 的优 势 ， 通 过 粗 糙集属性约简算法优化输 入的故 障征兆集 ， 得到最 优约简集 ， 简化 了神经网络的输入 ， 同时增强 了抗干 扰 能 力 ， 从 而提 高 了带 式 输 送 机故 障诊 断 的准 确性 和效率。仿真结果表明 ， 该方法能够充分删除冗余 信 息 ， 加快 网络 训 练 速度 ， 减 小 故 障诊 断 误 差 ， 实 时 性和诊断精度都能达到实际工矿监测需求 ， 是一种 有效的煤矿带式输送机故障诊断方法。 参考文献 R e f e r e n c e s [1 ] 吴定会 ， 王莉 ， 李 意扬．带式输 送机 常见故 障及诊 断 技术综述E J ] ． 变频器世界 ， 2 0 1 2 8 4 7 5 1 ． W U Di ng hui ，W ANG Li ， LI Yi y a ng ．A r e v i e w o n b e l t c o n v e r y o r S c o mmo n f a u l t s a n d f a u l t d i a g n o s i s t e c h n o l o g y E J ] ． Th e Wo r l d o f I n n v e r t e r s ， 2 0 1 2 8 4 7 51 ． [2 ] 阮慎．基 于粗糙 集和 遗传算 法 的带式输 送机 的 故障 诊断研究口] ． 煤矿机械 ， 2 0 1 3 ， 3 4 9 2 8 0 2 8 2 ． RU AN S h e n ． Fa u l t d i a g n o s i s r e s e a r c h o f b e l t c o nv e ye r b as e d on r oug h s e t a nd ge ne t i c a l go r i t hm [ J ] ．C o a l Mi n e Ma c h i n e r y ， 2 0 1 3 ， 3 4 9 2 8 0 2 8 2 ． [3] J I A W， Z HA O D， S HE N T， e t a 1 ． An o p t i mi z e d c l as s i f i c at i o n a l g or i t hm b y BP ne ur a l ne t wor k ba s e d o n P L S a n d HC A[ J ] ．Ap p l i e d I n t e l l i g e n c e ， 2 0 1 5 ， 4 3 1 1 7 6 1 9 1 ． [ 4] L I U J ，WA NG H，S UN Y，e t a 1 ． Re a l c o d e d qua nt um- i ns p i r e d g e ne t i c a l g or i t h m- ba s e d BP ne u r a l n e t w o r k a l g o r i t h m [ J ] ． Ma t h e ma t i c a l P r o b l e ms i n E n g i n e e r i n g， 2 0 1 5 2 0 1 5 1 1 O ． [5 ] Y E M，wu X， HU X， e t a 1 ． An o n y mi z i n g c l a s s i f i c a t i o n d a t a u s i n g r o u g h s e t t h e o r y[ J] ． Knowl e dge - Ba s e d Sy s t e ms， 2 0 13， 4 3 28 2 9 4． [6 ] 赵 肖敏．基 于模 糊神经 网络 的带 式输送 机故 障诊 断 研 究[ D ] ． 太原 太原科技大学 ， 2 0 1 3 ． [7 ] 冯禹 ， 孟国营 ， 张妙恬 ， 等．带式输 送机故障定位技 术 的应用现状与技术探讨[ J ] ． 煤 炭工程 ， 2 0 1 3 ， 4 5 1 1 9 O 一 9 2． [8 ] 王 晓超．基于 L a b v i e w 矿 用输送 带纵 向撕 裂视觉 在 线检测系统设计[ D] ． 太原 太原理工大学 ， 2 0 1 6 ． [9] 康云霞．基于粗 糙集 与神 经 网络 的异 步 电机故 障诊 断方法 的研究[ D ] ． 锦州 渤海大学 ， 2 0 1 4 ． E l O ] 杜瑞娟．基于 R S R B F神 经 网络 相结合 的配 电网故 障诊 断方法研究 [ D ] ． 成都 西华 大学 ， 2 0 1 2 ． [ 1 1 ] 李 虎成 ．基于粗糙集和粒子群优化 B P神经 网络 的故 障诊 断方 法研究[ D ] ． 兰州 兰州交通大学 ， 2 0 1 4 ．