wgz(Kaybj +&ץޞإj+m v>wgz(HzZnXZazȦVƗg+ jy.8^)bw.,-mOjY
+mhyi֩+ށ'
+fq}+ޗ(z{b+ayr(~hz)Zڝح(!i.2ں[]'ȬJ{%&wz{bhbj +umzwƥzږwtOm?i `<, A?iO?8)0(96_iOi`:=J+ڰ=i O `?i(96f"http://www.51feid.com/keys/pingjia.html" target="_blank" class="keylink">评价群体中每一个染色体优劣的函数。优化网络的最终目的是找到一组最优权值和阈值，使网络的均方误差和最小[10]，因此适应度函数选为：F=1N∑pj=1∑Ni=1（ydji-yji）2
（6） 式中：N为训练样本总数，p为输出层节点数，ydji为第i个样本的第j个网络输出节点的期望输出，yji为第i个样本的第j个网络输出节点的实际输出。
（3）选择操作。本文采用轮盘赌法，其原理为个体被选中的概率取决于个体的相对适应度。设种群大小为M，个体i适应度为Fi，则个体i被选中的概率Pi为[11]：Pi=Fi∑Mi=1Fi，i=1，2，…，M
（7） （4）确定交叉概率和变异概率。在AGA中，当种群个体适应度趋于一致或趋于局部最优时，使Pc和Pm增加；当群体适应度比较分散时，使Pc和Pm减少[12]。对于适应度偏高的个体，取较低的Pc和Pm，使该解受保护进入下一代；对于适应度偏低的个体，取较高的Pc和Pm，从而淘汰掉该解。因此，自适应的Pc和Pm能够提供相对某个解的最佳Pc和Pm。交叉概率Pc和变异概率Pm的计算式分别如式（8）、式（9）所示：Pc=Pc1-（Pc1-Pc2）（f′-favg）fmax-favg （f′≥favg）
Pc1 （f′ （8） Pm=Pm1-（Pm1-Pm2）（fmax-f）fmax-favg （f≥favg） Pm1 （f （9） 式中：Pc1=0.9，Pc2=0.6，Pm1=0.1，Pm2=0.001，fmax为群体中的最大适应度值，favg为每代群体的平均适应度值，f′为要交叉的两个个体中较大的适应度值，f为要变异的个体适应度值。 AGA优化BP神经网络的流程如图2所示。
3 通风机故障诊断
矿井通风机是一种旋转类机械系统，在其运行过程中常常伴有各种频率的机械振动。对通风机进行故障诊断以及振动监测，首先要对矿井通风机的机械振动特性进行分析。在通风机工作过程中，矿井通风机的故障信息、反映本身运行状态的信息通常蕴含在振动信号中。根据相关研究，当通风机发生的故障不同时，其振动信号中所含有的频率成分也不尽相同。因此，本文利用通风机不同故障类型对应其振动信号包含频率成分不同的性质，通过分析振动信号中是否含有某些频率成分以及所含频率成分多少判断通风机的故障类型。
鉴于以上分析，通过收集资料得到通风机故障类型与振动特征之间的对应关系，建立矿井通风机常见故障与振动频率特征对应关系如表1所示。表1中，x1表示f1，是平衡故障所引发的振动频率；x2表示2f1；x3表示f2，是叶片故障所引发的振动频率；x4表示（2～5）f1；x5表示f0，是外圈特征频率；x6表示fi，是内圈特征频率；x7表示fb，是滚动体特征频率；x8表示ff，是保持架特征频率。
3.1 输入和输出向量确定
将矿井通风机振动信号所包含的8种频率成分作为BP神经网络的输入向量；将通风机正常工作状态（用F1表示）以及通风机常见的故障类型不平衡、不对中、机械松动等8种故障类型（分别用F2～F9表示）分别对应的输出值作为神经网络的输出向量。不同故障类型对应的期望输出在表1中列出。因此，设置网络输入层节点数为8，对应8种振动频率特征x1～x8；设置输出层节点数为9，对应9个输出y1～y9。设定网络的期望输出为“1”时表示通风机存在故障，当期望输出为“0”时表示无故障。
隐含层节点数通过经验公式h=m+n+a确定[13]，其中h为隐含层节点数目；m为输入层节点数目，m=8；n为输出层节点数目，n=9；a为1～10之间的调节常数。经测试，选取隐含层节点数为20，因此确定BP神经网络的拓扑结构为8-20-9的三层结构。建立基于BP神经网络的矿井通风机故障诊断模型如图3所示。
3.2 实验结果与分析
遗传参数设置如下：选取种群规模60，选取双曲正切S型tansig函数作为隐含层激活函数，选取S型对数logsig函数作为输出层激活函数。LM算法收敛速度最快，故选用trainlm训练函数。
收集已知故障类型的样本数据270组。随机选择其中的90组包含各故障类型的振动频率特征作为训练样本，剩下的180组作为测试上述算法性能的测试样本。首先将90组训练样本用于BP神经网络的训练，得到BP神经网络的最优权值和阈值；然后将剩余180组测试数据用于测试训练后的BP神经网络网故障诊断模型，诊断结果如表2所示。
为了验证本文方法在通风机故障诊断上具有较高的准确性，本文将收集的故障数据分别采用BP 神经网络算法、RBF神经网络算法进行故障诊断并将结果记录于表3中。
由表2可以看出，不同的通風机故障类型有不同的诊断准确率，F1和F8的诊断准确率相对较低，但也达到了88%；F5的诊断准确率最高，达到了100%；其余6类故障平均准确率也达到了91%左右。综合表2 和表3可以看出，相较于其它几类算法，本文采用的算法具有较高故障诊断准确率。
4 结语
本文提出了一种基于AGA优化BP神经网络的矿井通风机故障诊断方法，利用AGA优化BP神经网络的连接权值和阈值，提高BP神经网络的泛化能力，然后将优化后的BP神经网络应用于矿井通风机的故障诊断。经过仿真验证，AGA优化后的BP神經网络可有效识别通风机故障类型，故障诊断准确率高，该方法具有一定的理论和实际意义。
参考文献：
[1] 江泽标.人工神经网络在煤矿通风机故障诊断中的应用[J].煤矿机械，2011，32（7）：266-268.
[2] 石瑶，任清阳.基于支持向量机的矿井通风机故障诊断系统的研究[J].自动化与仪器仪表，2013（5）：18-20.
[3] 李蒙，刘保罗.基于案例推理的矿井通风机故障诊断设计[J].煤炭科学技术，2010，38（5）：97-99.
[4] 黄欣，赵锦成，解璞.基于BP神经网络的电站负荷预测仿真研究[J].国外电子测量技术，2012（11）：41-43.
[5] 樊振宇.BP神经网络模型与学习算法[J].软件导刊，2011，10（7）：66-68.
[6] 仲云飞，梅一韬，吴邦彬，等.遗传算法优化BP神经网络在大坝扬压力预测中的应用[J].水电能源科学，2012（6）：98-101.
[7] 熊富强，张航.AGA和NN在汽轮发电机组故障诊断的应用[J].计算机测量与控制，2008，16（8）：1090-1092.
[8] 侯湘庆，刘国荣，张雯丽，等.基于粒子群优化BP神经网络的速度观测器[J].电源技术，2013，37（9）：1624-1627.
[9] 余发山，康洪.基于GA优化BP神经网络的液压钻机故障诊断[J].电子测量技术，2016，39（2）：134-137.
[10] 张顶学，刘新芝，关治洪.RBF神经网络算法及其应用[J].石油化工高等学校学报，2007，20（3）：86-88.
[11] 郏东耀，陈曦.基于小波神经网络的自动调焦方法研究[J].电子测量与仪器学报，2012，26（5）：398-403.
[12] 刘春，马颖.遗传算法和神经网络结合的PSD非线性校正[J].电子测量与仪器学报，2015（8）：1157-1163.
[13] 王磊，王汝凉，曲洪峰，等.BP神经网络算法改进及应用[J].软件导刊，2016，15（5）：38-40.
（责任编辑：孙 娟）