基于多宇宙量子神经网络的矿用通风机故障诊断.docVIP

基于多宇宙量子神经网络的矿用通风机故障诊断 　　摘要：本文针对矿用通风机故障诊断时的不确定性问题，利用量子态的叠加现象将多宇宙观点应用到神经网络的结构设计之中，提出了一种多宇宙量子神经网络模型。诊断实例仿真分析表明，相比于BP网络，该模型能够有效地解决通风机故障诊断过程中的不确定性问题，且具有收敛速度快、诊断精度高等特点。 　　关键词：多宇宙量子神经 矿用通风机 故障诊断 　　引言 　　近年来，煤炭工业正朝着安全、高效的方向迅猛发展，因此对煤炭工业生产的安全要求越来越高。煤矿机电设备运行的安全性是煤矿安全生产中除瓦斯浓度外的另一个重要安全因素。煤矿关键设备主要包括高压异步电动机、矿用通风机、大中型采煤机及矿井提升设备等，如何保障这些关键设备的安全运行已成为各煤炭企业急需解决的重大问题。 　　人工神经网络以其强有力的学习和并行处理能力在故障诊断领域迅速兴起，其本意是模拟人脑结构去反映客观世界以解决客观世界的问题。然而，传统的神经网络模型仅能做到故障征兆特征空间与故障模式空间之间的非线性映射，泯灭了故障诊断的技术内容和内在实质。为了使征兆参数模糊化后能更准确的表达或量化输入空间的样本分布，提高旋转机械故障诊断的精度，本文利用量子态的叠加现象将多宇宙观点应用到神经网络的结构设计之中，提出了一种多宇宙量子神经网络模型，并将该模型应用到矿用通风机故障诊断中，取得了较好的诊断效果。 　　1.多宇宙量子神经网络模型故障诊断 　　矿用通风机故障诊断存在诸多不确定性，其主要原因有：故障原因较复杂、非线性、故障之间相互影响、故障甄别不准确带来的影响等。由于上述不确定性的存在，必然导致故障诊断的准确率降低，甚至出现漏检和误诊断现象。针对煤矿通风机故障诊断时的不确定性问题，本文提出了一种多宇宙量子神经网络模型，并应用于矿用通风机的故障诊断，大大地提高了矿用通风机的故障诊断精度与可靠度。 　　1.1 多宇宙量子神经网络模型 　　多宇宙量子神经网络的结构体系与相应的经典网络大致相似，区别在于前者有整个网络的多份拷贝或者是网络的一部分拷贝，每一份拷贝都以适合该网络体系结构的学习规则来训练一个模式，而网络中有一部分可能为经典网络，另一部分为量子网络，网络的经典部分（非重复部分）用于处理所有的模式，其权值的改变取决于所有其后的重复部分的反馈。本文以各部分均为叠加态的多宇宙量子神经网络为研究对象，研究其在矿用通风机故障诊断中的应用。 　　1.2 多宇宙量子神经网络的主要算法 　　多宇宙量子神经网络的每一个输入模式与子网络一一对应。根据坍缩规则，将子网络对应的训练模式与输入模式比较，模式最接近的那个获胜，即待识别输入模式将坍缩到获胜的子网络进行处理。 　　设共有x个子网络组成了整个网络的叠加，多宇宙量子神经网络算法的主要步骤如下： 　　1）从整个模式集合中选取x个模式作为训练集合； 　　2）对每个子网络进行初始化； 　　3）每个子网络用其对应的训练模式进行训练，直到输出误差达到允许范围； 　　4）将剩下的模式作为待识别样本，利用特定的坍缩规则决定每个待识别样本将坍缩到的宇宙； 　　5）用坍缩到的子网络对待识别样本进行处理，得到输出结果。 　　2.矿用通风机故障诊断实例 　　为了验证本文提出的多宇宙量子神经网络的有效性，以某煤矿使用的矿用通风机为研究对象，阐述该方法在通风机故障诊断中的具体应用。 　　现场采集到的试验数据建立故障样本，样本经过去噪预处理并归一化，选取其中30组典型数据建立故障样本集，样本维数为6，每维特征分别对应特征频谱0.01f-0.49f、0.50f、0.51f-0.99f、1.0f、2.0f、3f共 6个频段的幅值，其中f为工频。 　　诊断实例：实例1，通风机在工作过程中，2瓦轴振动超标，对2瓦水平方向采集到的振动频谱进行特征提取并预处理后，得到故障模式x1，如表二所示。实例2，汽轮机经过大修且过了大约一个月后，机组振动异常，相位极不稳定，振动幅值随转速升高明显加大，振动频谱的主要分量为基频，并带有明显的2f及低频分量，其振动故障模糊隶属度见表二所示。 　　将表二的故障样本x1、x2分别与前面30组标准故障中心一起构成数据集进行聚类分析，故障样本与哪种标准故障中心聚为一类，则说明该故障属于与多宇宙量子神经网络聚类中心同类的故障，聚类中心经过多宇宙量子神经网络算法诊断后，诊断结果如表三所示。对实例1，x1与F1聚为一类，表明该故障属于F1故障模式，即机组发生了不对中故障，与现场检查结果一致。对实例2，表明最佳聚类数为7，此时x2与F4聚为一类，其余各中心自为一类，表明该故障模式属于F4的故障，即转子支承系统松动故障。 　　由表三可以看出，多宇宙量子神经网络模型在通风机的故障诊断中，其诊断结果正