• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于改進(jìn)PSO-PNN的大螺旋鉆機故障診斷系統(tǒng)研究

      2022-11-24 01:23:12釗,曹
      煤炭工程 2022年11期
      關(guān)鍵詞:鉆機螺旋故障診斷

      祝 釗,曹 鵬

      (1.煤炭科學(xué)研究總院,北京 100013;2.中煤科工集團(tuán)沈陽研究院有限公司,遼寧 撫順 113122;3.煤礦安全技術(shù)國家重點實驗室,遼寧 撫順 113122)

      大螺旋鉆機主要應(yīng)用于松軟低透氣性等地質(zhì)異常帶煤層為主采煤層的礦井瓦斯抽采鉆孔施工,具有鉆進(jìn)速度快、鉆孔直徑大、成孔率高等優(yōu)點[1-3]。大螺旋鉆機的旋轉(zhuǎn)鉆進(jìn)機構(gòu),在井下復(fù)雜環(huán)境下長時間運行易發(fā)生機械故障,當(dāng)設(shè)備發(fā)生故障時,不僅維修難度大,影響鉆場施工進(jìn)度,甚至可能引發(fā)安全事故。因此大螺旋鉆機安全穩(wěn)定運行是礦井鉆場安全生產(chǎn)與施工的關(guān)鍵,對大螺旋鉆機進(jìn)行故障識別技術(shù)研究具有重要的現(xiàn)實意義。

      目前,國內(nèi)常采用PNN對大螺旋鉆機進(jìn)行故障診斷,而PNN識別準(zhǔn)確率與平滑因子的選取有直接關(guān)系,通過經(jīng)驗法或常規(guī)優(yōu)化算法選取的局部較優(yōu)平滑因子經(jīng)常導(dǎo)致PNN故障診斷準(zhǔn)確率較低[4-8]。本文提出將改進(jìn)PSO與概率神經(jīng)網(wǎng)絡(luò)相結(jié)合,通過算法限制PSO慣性因子與學(xué)習(xí)因子變化趨勢,間接實現(xiàn)粒子速度由大到小的調(diào)整,防止其發(fā)生早熟現(xiàn)象,利用基準(zhǔn)函數(shù)測試改進(jìn)后算法性能,證明改進(jìn)PSO算法的優(yōu)越性。通過改進(jìn)PSO對PNN最優(yōu)平滑因子進(jìn)行全局搜索,得到最優(yōu)平滑因子并加載到PNN,利用故障樣本數(shù)據(jù)進(jìn)行測試,結(jié)果表明所得最優(yōu)平滑因子可提高PNN對大螺旋鉆機故障診斷的準(zhǔn)確率。

      1 PSO算法改進(jìn)

      1.1 標(biāo)準(zhǔn)PSO算法

      PSO是一種基于隨機優(yōu)化技術(shù)的全局尋優(yōu)算法,具有實現(xiàn)簡單,收斂速度快,精度高,環(huán)境適應(yīng)性強等優(yōu)點,受到學(xué)術(shù)界高度關(guān)注[9,10]。標(biāo)準(zhǔn)PSO主要流程:初始化當(dāng)前種群;設(shè)置算法學(xué)習(xí)因子、慣性因子、最大迭代次數(shù)等必要參數(shù);確立適應(yīng)值函數(shù);對種群中每個粒子進(jìn)行適應(yīng)值計算;利用速度和位置公式對種群進(jìn)行迭代更新,計算最優(yōu)解[11-14]。隨機粒子具有速度和位置兩個屬性,在迭代過程中,第i個粒子在第k+1次迭代中的速度和位置為:

      通過式(1)和式(2)更新粒子速度和位置,當(dāng)達(dá)到設(shè)定迭代次數(shù)或代數(shù)之間的差值滿足最小界限時,一個標(biāo)準(zhǔn)PSO流程結(jié)束。

      1.2 算法改進(jìn)方法

      標(biāo)準(zhǔn)PSO執(zhí)行過程中,粒子速度一直過大會造成單次迭代粒子位置更新范圍大,粒子可能跳出最優(yōu)區(qū)域,導(dǎo)致算法收索不到最優(yōu)值。限制粒子速度,使其隨迭代次數(shù)增加趨于減小,可解決此問題。利用慣性因子和學(xué)習(xí)因子對粒子速度進(jìn)行限制,使其隨迭代次數(shù)增加趨于減小,迭代過程中,慣性因子和學(xué)習(xí)因子更新方式為:

      式中,wmax為最大慣性因子;wmin為最小慣性因子;kmax為最大迭代次數(shù)。

      由式(3)—式(5)知,在迭代過程中,w由wmax非線性減小到wmin,c1由2.3非線性減小到1.3,c2由1.6非線性減小到0.6,通過減小這三個參數(shù),間接實現(xiàn)粒子速度由大到小的調(diào)整。

      1.3 性能測試

      為測試改進(jìn)后PSO算法性能,引入GA、WOA、PSO進(jìn)行對比,利用單峰基準(zhǔn)函數(shù)測試算法優(yōu)化速度和準(zhǔn)確率,利用多峰基準(zhǔn)函數(shù)測試算法全局尋優(yōu)能力?;鶞?zhǔn)函數(shù)見表1,表1中xi為基準(zhǔn)函數(shù)自變量,i=1,2,3,…,n,n為自變量維度。

      表1 基準(zhǔn)函數(shù)

      性能測試前,進(jìn)行必要參數(shù)設(shè)置。改進(jìn)PSO參數(shù):粒子群數(shù)目為20,wmax為0.8,wmin為0.3,最大迭代次數(shù)為500;PSO參數(shù):粒子群數(shù)目為20,c1為2.3,c2為1.6,w為0.8,最大迭代次數(shù)為500;GA參數(shù):種群數(shù)量為20,交叉概率為0.8,變異概率為0.2,最大迭代次數(shù)為500;WOA參數(shù):種群數(shù)量為20,最大迭代次數(shù)為500。

      改進(jìn)PSO、GA、WOA、PSO在單峰基準(zhǔn)函數(shù)下優(yōu)化迭代曲線如圖1所示。由圖1可知,在迭代初期四種優(yōu)化算法收斂速度相差不大,在20次迭代后,改進(jìn)PSO收斂速度明顯快于其它三種算法,在收斂精度上改進(jìn)PSO也是最好的。

      改進(jìn)PSO、GA、WOA、PSO在多峰基準(zhǔn)函數(shù)下優(yōu)化迭代曲線如圖2所示,由圖2可知,改進(jìn)PSO收斂速度最快,在180次迭代左右尋得全局最優(yōu)解,且優(yōu)化迭代曲線拐點出現(xiàn)最早,說明改進(jìn)PSO更容易跳出局部極值點,完成全局尋優(yōu)。

      圖1 改進(jìn)PSO、GA、WOA、PSO單峰基準(zhǔn)函數(shù)f1(x)優(yōu)化迭代曲線

      圖2 改進(jìn)PSO、GA、WOA、PSO多峰基準(zhǔn)函數(shù)f2(x)優(yōu)化迭代曲線

      2 平滑因子優(yōu)化

      2.1 PNN

      PNN是一種前饋徑向基網(wǎng)絡(luò),具有學(xué)習(xí)過程簡單、訓(xùn)練速度快、識別準(zhǔn)確等優(yōu)點,常用于處理模式識別與故障分類問題[15-17]。PNN包括輸入層、隱含層、求和層和輸出層,具體網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示[18-20]。

      圖3 PNN的網(wǎng)絡(luò)結(jié)構(gòu)

      輸入層用于接收樣本值并傳遞給隱含層,輸入層神經(jīng)元個數(shù)等于輸入向量維數(shù)。隱含層是徑向基層,神經(jīng)元數(shù)量與訓(xùn)練樣本數(shù)量相同,該層輸出為:

      式中,x為輸入樣本向量;xij為第i(i=1,2,…,m,m為訓(xùn)練樣本類別數(shù))類樣本的第j個數(shù)據(jù);d為樣本空間數(shù)據(jù)維數(shù);σ為平滑因子。

      求和層根據(jù)貝葉斯原理對各類的概率進(jìn)行估計,通過閾值辨別找出最大后驗概率密度神經(jīng)元。在輸出層中,最大后驗概率密度神經(jīng)元輸出為1,其余神經(jīng)元為0。

      2.2 平滑因子優(yōu)化原理

      σ的選取對PNN識別和分類性能起著至關(guān)重要的作用,尤其是在樣本有限情況下,通過經(jīng)驗法或常規(guī)優(yōu)化算法難以確定能滿足整個樣本空間預(yù)測需求的平滑因子。利用改進(jìn)PSO算法較強的全局尋優(yōu)能力,尋找全局最優(yōu)平滑因子,提升PNN故障診斷準(zhǔn)確率。

      3 故障診斷模型訓(xùn)練流程

      改進(jìn)PSO對PNN平滑因子優(yōu)化的過程是一個全局尋優(yōu)過程,將需要優(yōu)化的參數(shù)形成一個集合,然后從取值范圍內(nèi)所有組合的可行解集合中計算最優(yōu)解?;诟倪M(jìn)PSO-PNN的大螺旋鉆機故障診斷模型訓(xùn)練流程如圖4所示。

      圖4 基于改進(jìn)PSO-PNN的大螺旋鉆機故障診斷模型訓(xùn)練流程

      1)建立PNN網(wǎng)絡(luò)并初始化網(wǎng)絡(luò)參數(shù)。

      2)對故障種類進(jìn)行統(tǒng)一編號,歸一化處理故障樣本數(shù)據(jù),歸一化后的特征值為:

      式中,F(xiàn)為特征值,F(xiàn)min為最小特征值;Fmax為最大特征值。

      3)選取PNN故障診斷輸出真實值與預(yù)測值的均方根誤差為適應(yīng)值函數(shù),則適應(yīng)值函數(shù)為:

      4)設(shè)置算法粒子群數(shù)目、wmax、wmin、最大迭代次數(shù)等參數(shù)。

      6)使用式(1)和式(2)迭代計算粒子速度和位置,其中慣性因子和學(xué)習(xí)因子使用式(3)—(5)進(jìn)行計算。

      8)當(dāng)達(dá)到最大迭代次數(shù)或代數(shù)差值滿足最小界限時,輸出相應(yīng)的結(jié)果,即最優(yōu)平滑因子,否則跳轉(zhuǎn)至步驟5)。

      9)將最優(yōu)平滑因子代入到PNN,對測試數(shù)據(jù)進(jìn)行分類。

      4 實驗與結(jié)果分析

      4.1 實驗數(shù)據(jù)獲取

      本文搭建大螺旋鉆機實驗系統(tǒng),用于采集不同鉆進(jìn)狀態(tài)下的振動數(shù)據(jù),為故障診斷模型訓(xùn)練與測試提供數(shù)據(jù)源。實驗現(xiàn)場和設(shè)備如圖5所示。

      圖5 大螺旋鉆機實驗系統(tǒng)

      大螺旋鉆機運行過程中主要出現(xiàn)4種機械故障:鉆桿彎曲、鉆桿斷裂、減速機軸承故障及聯(lián)結(jié)松動。對此4種機械故障按先后順序從1到4進(jìn)行編號。實驗過程中,大螺旋鉆機以40r/min的鉆進(jìn)速度和0.25m/s的推進(jìn)速度進(jìn)行鉆進(jìn)作業(yè),以10kHz的頻率進(jìn)行采樣,通過專家知識分類故障數(shù)據(jù)。計算故障數(shù)據(jù)的峰值、均方根、峭度等時域特征值,分類匯總形成大螺旋鉆機故障數(shù)據(jù)庫,然后從數(shù)據(jù)庫中隨機選取100組故障數(shù)據(jù)用于本文提出故障診斷模型的訓(xùn)練與測試并進(jìn)行編號,模型訓(xùn)練集與測試集分別包含60組與40組數(shù)據(jù)。大螺旋鉆機故障數(shù)據(jù)的特征值及故障對應(yīng)編號見表2。

      表2 大螺旋鉆機故障樣本數(shù)據(jù)特征值

      可以看出大螺旋鉆機不同故障對應(yīng)特征值取值范圍存在較大差異。為提高PNN訓(xùn)練速度和精度,對故障數(shù)據(jù)的特征值進(jìn)行歸一化處理。

      4.2 故障診斷模型訓(xùn)練

      在模型訓(xùn)練前,初始化PNN網(wǎng)絡(luò)參數(shù),設(shè)置改進(jìn)PSO參數(shù)(最大迭代次數(shù)為100,其余參數(shù)設(shè)置參考前文性能測試相關(guān)內(nèi)容),隨機初始化粒子速度和位置,選取式(8)為適應(yīng)值函數(shù),計算適應(yīng)值,進(jìn)行改進(jìn)PSO的迭代尋優(yōu)流程,尋找PNN全局最優(yōu)平滑因子。

      改進(jìn)PSO-PNN適應(yīng)值變化曲線如圖6所示,從圖6中可看出,在迭代初期,適應(yīng)值收斂速度很快,在第9次迭代后網(wǎng)絡(luò)短暫陷入局部最優(yōu)陷阱,當(dāng)?shù)螖?shù)達(dá)到22次時,網(wǎng)絡(luò)跳出局部最優(yōu)并快速收斂,在第26次迭代時找到適合此模型的全局最優(yōu)平滑因子,其值為0.089,此時PNN故障診斷準(zhǔn)確率最高。

      圖6 改進(jìn)PSO-PNN適應(yīng)值變化曲線

      4.3 故障診斷效果分析

      模型測試集包含40組數(shù)據(jù),各故障數(shù)據(jù)具體數(shù)量見表3。

      表3 模型測試集各故障數(shù)據(jù)數(shù)量

      利用模型測試集測試改進(jìn)PSO-PNN的故障診斷準(zhǔn)確率,并引入未優(yōu)化的PNN和分別由GA、WOA、PSO優(yōu)化后的PNN進(jìn)行故障準(zhǔn)確率對比分析。GA、WOA、PSO算法最大迭代次數(shù)均設(shè)置為100,其余參數(shù)設(shè)置均參考前文性能測試相關(guān)內(nèi)容。

      改進(jìn)PSO-PNN平滑因子值為0.089;未優(yōu)化的PNN平滑因子分別取0.05,0.1,0.15,0.2,0.25,0.3,0.35,0.4,0.45,0.5;GA、WOA、PSO優(yōu)化PNN平滑因子值分別為0.067、0.079、0.095。詳細(xì)測試結(jié)果見表4。由表4可知,改進(jìn)PSO計算出最優(yōu)平滑因子后,PNN故障診斷準(zhǔn)確率得到大幅度的提升,有效避免人為給定平滑因子對PNN故障分類性能的負(fù)面影響。另一方面經(jīng)GA、WOA、PSO算法優(yōu)化后的PNN故障診斷準(zhǔn)確率分別為75%、87.5%、80%,而改進(jìn)PSO-PNN故障診斷準(zhǔn)確率達(dá)到了97.5%,故改進(jìn)PSO-PNN在故障診斷準(zhǔn)確率方面優(yōu)于傳統(tǒng)故障診斷算法,可滿足大螺旋鉆機故障診斷使用需求。

      改進(jìn)PSO-PNN故障診斷測試結(jié)果與實際故障分類對比如圖7所示。從圖7中可看出,改進(jìn)PSO-PNN對39組測試數(shù)據(jù)進(jìn)行正確分類識別,只有1組故障類別為2的測試數(shù)據(jù)被錯誤分類到故障3,整體故障分類準(zhǔn)確率達(dá)到97.5%。

      圖7 改進(jìn)PSO-PNN故障診斷結(jié)果與實際故障分類對比

      在實時性方面,改進(jìn)PSO-PNN對40組測試數(shù)據(jù)進(jìn)行診斷分析總耗時為31.4s,單組數(shù)據(jù)平均耗時為0.785s,故改進(jìn)PSO-PNN故障診斷的速度較快,可滿足大螺旋鉆機故障診斷的實時性要求。

      5 結(jié) 論

      1)提出一種PSO改進(jìn)方法,通過引入限制算法使慣性因子和學(xué)習(xí)因子隨迭代次數(shù)增加進(jìn)行非線性減小,間接實現(xiàn)粒子速度由大到小的調(diào)整,防止因粒子速度過大跳出最優(yōu)區(qū)域,導(dǎo)致算法收索不到最優(yōu)值,通過基準(zhǔn)函數(shù)測試證明改進(jìn)PSO在收斂速度、精度與全局尋優(yōu)能力上均優(yōu)于GA、WOA、PSO等常規(guī)優(yōu)化算法。

      2)通過改進(jìn)PSO計算PNN能滿足整個樣本空間預(yù)測需求的平滑因子并帶到PNN,提升PNN故障診斷準(zhǔn)確率,建立基于改進(jìn)PSO-PNN的大螺旋鉆機故障診斷模型訓(xùn)練流程。

      3)實驗結(jié)果表明,通過改進(jìn)PSO優(yōu)化后的PNN故障診斷準(zhǔn)確率達(dá)到97.5%,診斷準(zhǔn)確率明顯高于由經(jīng)驗法選取平滑因子的PNN和經(jīng)GA、WOA、PSO優(yōu)化后的PNN,同時優(yōu)化后的PNN運行速度快,對單組故障數(shù)據(jù)分析時間為0.785s,上述實驗結(jié)果表明基于改進(jìn)PSO-PNN的大螺旋鉆機故障診斷系統(tǒng)在診斷精度和實時性方面均滿足大螺旋鉆機的使用需求。

      猜你喜歡
      鉆機螺旋故障診斷
      鄰近既有建筑物全套管回轉(zhuǎn)鉆機拔樁技術(shù)
      國內(nèi)地勘行業(yè)首臺5000米多功能變頻電動鉆機
      旋風(fēng)“螺旋丸”
      螺旋變變變
      大直徑潛孔錘鉆機
      因果圖定性分析法及其在故障診斷中的應(yīng)用
      旋挖鉆機鉆具產(chǎn)品類型
      奇妙的螺旋
      256層螺旋CT在肺撕裂傷診斷中的應(yīng)用
      基于LCD和排列熵的滾動軸承故障診斷
      丹凤县| 广西| 梅河口市| 鄂托克旗| 仪陇县| 福泉市| 延长县| 黎平县| 云龙县| 平顺县| 孙吴县| 彭泽县| 余江县| 平顺县| 承德市| 汉源县| 岫岩| 兴宁市| 无极县| 历史| 承德县| 行唐县| 三都| 青州市| 乐昌市| 盘山县| 浮山县| 平乡县| 呈贡县| 富民县| 司法| 凌云县| 大厂| 双柏县| 年辖:市辖区| 小金县| 平原县| 杭州市| 德阳市| 集贤县| 万宁市|