所示。2个监测指标和T2正常。表1掘进机生产过程变量1.99%统计量2.95%统计量3.T2统计量4.SEP统计量图1正常生产过程的在线监测图另外进行测试，在采集20个样本后，切断液压油温监测装置，此时液压油温为0°，继续进行监测，结果如图2所示。从图2看出，当油温传感器切断时，2个监测指标均明显地超出控制范围，及时指示运行状态出现异常并报警。图2液压油故障在线监测图对上述故障，采用SPE贡献率进行故障变量诊断，结果如图3所示。从图3可以看出，在采样时刻20时，显示了故障变量11（液压油温度）的贡献率较大；通过掘进机工作运行情况，可以判定是由于油温监测装置（变量11）出现故障导致掘进机出现异常。图3液压油温度故障SPE贡献率图3结语本文采用主成分分析法对掘进机故障进行了初步的探索。实例分析表明,该方法能够快速诊断出故障，为生产管理人员提供理论依据，及时排除故障,减少停机检修时间，提高掘进机整体工作效率与安全生产。参考文献：［1］王惠文.偏最小二乘回归方法及其应用［M］.北京：国防工业出版社，1999.［2］张杰，阳宪惠.多变量统计过程控制［M］.北京：化学工业出版社，2000.［3］李铁宁，李万鹏，徐伟，等.航天导航定位仪在全自动掘进机上的应用［J］.煤矿机械，2010，31（8）：206-208.［4］张振嵩.注塑成型过程监测与故障诊断平台的设计与实现［D］.沈阳：东北大学，2009.［5］王姝.基于数据的间歇过程故障诊断及预测方法研究［D］.沈阳：东北大学，2010.［6］张喜，王艳春，牟东，等.全自动掘进机液压系统设计［J］.煤矿机械，2010，31（7）：121-122.作者简介：杨洁（1981-），宁夏西吉人，电气工程师，主要从事掘进机电气系统的设计及研究，电子信箱：wnn-yj@163.com.责任编辑：庞振峰收稿日期：2014－05－14变量描述油泵压力系统电压油泵电机A相电流油泵电机B相电流油泵电机C相电流截割电机A相电流截割电机B相电流单位MPaVAAAAA变量描述截割电机C相电流截割臂倾角铲板倾角液压油温度油泵电机温度截割电机温度单位A（°）（°）°C°C°C1.T2统计量2.95%统计量3.99%统计量1.SEP统计量2.99%统计量3.95%统计量312412131322doi:10.13436/j.mkjx.201408122基于PSO优化BP神经网络的变压器故障诊断祁萌，周新志（四川大学电子信息学院，成都610065）摘要：为克服BP神经网络算法在故障诊断应用中的缺点，提出了粒子群优化BP神经网络的方法，并在此基础上优化BP神经网络的结构来提高准确率。最后，通过对变压器故障诊断在Matlab中的仿真结果，验证了此方法有较高的准确率和较快的收敛速度。关键词：BP神经网络；粒子群算法；结构优化；变压器；故障诊断中图分类号：TM407文献标志码：B文章编号：1003－0794（2014）08－0278－04FaultDiagnosisinTransformerBasedonPSO-BPNeuralNetworkQIMeng，ZHOUXin-zhi（CollegeofElectronicsandInformationEngineering,SichuanUniversity,Chengdu610065,China)Abstract:Toovercomethosedisadvantages，wecomeupwiththeparticleswarmoptimizationAlgorithmandoptimizethestructureofBPneuralnetworktoimprovetheaccuracyrate.Atlastthesimulationresults,whichcomefromthetransformerfaultdiagnosiswithmatlab,provethatthismethodhasahigheraccuracyandfasterconvergencerate.Keywords:BPneuralnetwork;particleswarmalgorithm;structureoptimization;transformer;faultdiagnosis煤矿机械CoalMineMachineryVol.35No.08Aug.2014第35卷第08期2014年08月!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!510采样点T2统计量10210110010-110-2152025303540510采样点152025303540SPE统计量10210110010-110-2510采样点T2统计量10210110010-110-2152025303540T2统计量10210110010-110-2510采样点152025303540过程变量序号SPE统计量贡献率/%252015105012345678910111213液压油温度油泵压力系统电压油泵电机组电流A截割电机相电流截割臂倾角铲板倾角油泵电机组电流B油泵电机组电流C截割电机相电流截割电机相电流BC油泵电机温度截割电机温度A278

第35卷第08期Vol.35No.08基于PSO优化BP神经网络的变压器故障诊断———祁萌，等0引言目前常用的变压器故障诊断方法为油中气体分析法（DGA），但此方法在现实应用中会有“缺编码”、编码过界过于绝对等问题，针对此问题，提出来很多将DGA技术与智能领域的专家系统、神经网络、模糊理论等相结合的理论，而神经网络与DGA技术结合的方法取得了显著效果。其中BP神经网络常作为故障诊断的方法，但神经网络具有一些容易陷入局部最小值等缺点，本文提出用自适应粒子群优化算法来优化BP神经网络初始权值和阈值，避免陷入局部最小，改善网络的收敛能力。此外，在确定网络模型方面，采用试错法，变换隐层节点数，在参考数目训练网络成功后,适当减少隐层节点数再作训练,直到不能再减少节点为止.1BP神经网络算法与优化1.1BP神经网络算法BP（BackPropagation）网络是一种工作信号正向传播、误差反向传播算法训练的多层前馈网络，是目前应用最为广泛的神经网络模型之一。它的学习规则是使用最速下降法，网络的权值和阈值是通过反向传播不断调整的，从而使网络的误差平方和达到最小值。BP网络算法原理如下：（1）设BP神经网络有n个输入节点，q个隐层节点，m个输出节点，输入层与隐含层之间的传递函数为f1(·)，隐含层与输出层之间的传递函数为f2(·)，输入层与隐含层之间的权值为vki，隐含层与输出层之间的权值为wjk，初始化权值和阈值，那么得出隐含层节点的输出zk=f1（ni=0Σvkixi）（1）输出层节点的输出yj=f2（qk=0Σwjkzk）j=1，2，…，m（2）（2）定义误差函数，当输入P个学习样本时，用x1，x2，…，xp来表示输入，第p个样本输入到网络后得到的输出yjp（j=1，2，…，m）,误差函数采用平方型误差函数，设tjp为期望输出，那么对于P个样本，其全局误差E=12pp=1Σmj=1Σ（tjp－yjp）2（3）（3）调整隐含层与输出层之间的权值，按照以下公式调整Δωjk=pp=1Σmj=1Ση（tjp－yjp）f2′（sj）zk（4）式中η———学习率。（4）调整输入层与隐含层之间的权值，按下列公式调整Δυki=pp=1Σmj=1Ση（tjp－yjp）f2′（sj）ωjkf1′（sk）xi（5）1.2BP神经网络的优化关于BP神经网络的优化，有基于初始权值和阈值的优化和神经网络结构的优化以及算法的优化，关于初始权值和阈值的优化有基于粒子群算法和遗传算法等的优化，旨在用于算法的全局寻优能力来找到最优的初始权值与阈值。在神经网络结构方面，采用的是变换隐层节点数，在参考数目训练网络成功后，适当减少隐层节点数再作训练,直到不能再减少节点为止。关于算法方面的优化，选用的是动量BP法，具体做法：将上一次权值调整量的一部分迭加到按本次误差计算所得的权值调整量上，作为本次的实际权值调整量，即Δw（n）=-ηE（n）+αΔw（n-1）（6）2粒子群算法原理算法原理就是用由n个粒子组成的群体对Q维（就是每个粒子的维数）的空间进行搜索，然后搜索出全局最优值，先随机每个粒子的位置，设置粒子的速度范围，每个粒子根据速度和位置公式变化自己的速度和位置，最后找出最优的位置，每个粒子对应的速度vi=（vi1，vi2，vi3，…，viw），每个粒子的位置xi=（xi1，xi2，xi3，…，xiw），每个粒子在搜索时需要考虑到自己搜索到的历史最优值pi=（pi1，pi2，pi3，…，piw），i=1，2，3，…，n；和全部粒子所搜索到的最优值pg=（pg1，pg2，…，pgw），注意这里的pg只有一个；粒子群算法的位置速度更新公式为vid=wvid+c1ζ（pid-xid）+c2η（pgd-xid）（7）xid＝xid+rvid（8）w是保持原来速度的系数，叫做惯性权重，ζ、η是[0，1]区间内均匀分布的随机数，c1是粒子跟踪自己历史最优值的权重系数，c2是粒子跟踪群体最优值的权重系数，通常设置c1、c2为2，r是在位置更新的时候，加在速度前的系数，称为约束因子，通常设置为1。3实例应用（1）数据处理选取H4、CH4、C2H4、C2H6、C2H2五种特征气体的含量作为输入，所以选择输入节点数为5，由于各种气体含量数值之间相差较大而且具有分散性，所以相对含量值进行归一化然后划分测试集合训练集，输出状态为高温发热、高能量放电、低能量放电、中低温发热4种故障，选取输出节点为4，当变压器出现某种类型的故障时，相应故障类型对应的期望输出w=“1”，而其他的期望输出值为“0”。Δk+1kkkkkk+1kk+1279

（2）构建BP神经网络隐层节点数首先采用经验公式M=n+m姨+a来确定，m和n分别为输出层和输入层的神经元个数，可知m＝5，n＝4，a是[0,10]之间的常数，计算得出隐层节点数范围为[3,13],初步定为13，然后适当减少节点数再做训练，直到不能减少为止，实验结果得出节点数为9时效果最好、正确率最高，于是确定了5-9-4的神经网络结构。学习算法采取动量BP法，隐含层的传输函数选择Tan-Sigmoid函数，输出层的传输函数选择线性函数。（3）设置粒子群参数随机粒子群的初始位置，速度上限vmax=0.5;目标误差minerr=0.0001;惯性权重的范围为wmax=0.9；wmin=0.3；c1=c2=2；粒子数为40，粒子的维数D=（indim+1）×hiddennum+（hiddennum+1）×outdim；代入计算为94维。允许最大迭代次itmax=100；适应度函数采用BP神经网络仿真结果得均方误差MSE＝1mppp=1Σmj=1Σ（y^pj－ypj）2（9）式中p———训练样本数目；y^pj———网络期望输出值；ypj———网络实际输出值;（4）按照适应度函数来计算各粒子的适应度函数值，若这个粒子的当前适应度函数值比它的历史最优值好，就把当前适应度函数值作为历史最优值，并用当前位置替代历史最优位置;（5）若这个粒子的历史最优值优于全局最优值，就把它的历史最优值作为全局最优值，并用这个粒子的历史最优位置替代全局最优位置;（6）对于每个粒子的速度与位置的更新按照式（7）、式（8），检查是否达到结束条件，达到的话就停止迭代，然后输出优化后的权值和阈值，否则就转到式（3）；（7）用式（6）输出优化后的权值和阈值对构建好的BP神经网络进行训练。4结果分析根据所收集的214组数据，处理后选取180组作为训练样本数据，34组作为测试样本数据，分别用BP神经网络与用粒子群算法与结构优化后的BP神经网络作比较，通过Matlab仿真得到图1为BP神经网络的收敛图，可以看出，经过350次训练达到了收敛。优化后的BP神经网络的收敛图如图2所示，可以看出只经过239次训练收敛了，而且均方误差比用BP神经网络训练得到的均方误差小很多，得到更高的准确率。在收敛速度和准确率方面都有所提高。图1BP均方差曲线图图2PSO-BP均方差曲线图粒子群优化算法的适应度变化曲线如图3所示，经过100次迭代，找到了适应度函数的最小值，即误差函数的最小值，相比随机设置初始权值的神经网络，节省了很多时间。图3适应度变化曲由图1和图2对比可以看出，用优化后的BP神经网络有更快的收敛速度与正确率,在239次迭代就收敛了,而标准BP神经网络则在第350次迭代才收敛，远远不如优化后的BP神经网络，表1列出了BP神经网络与优化后的PSO-BP神经网络正确率比较。表1BP算法与PSO-BP算法正确率对比PSO-BP对每一种故障的诊断准确率都有明显提高，优于标准BP神经网络对故障诊断的准确率。而且通过比较采用试错法与不采用试错法的粒子群优化BP神经网络的比较得出采用试错法后的网络有高一些的稳定性与准确率。第35卷第08期Vol.35No.08基于PSO优化BP神经网络的变压器故障诊断———祁萌，等均方误差0均方误差训练次数适应度迭代次数故障类型高温发热高能量放电低能量放电中低温发热验证样本数10111416BP正确率/%89.680.482.383.9PSO-BP正确率/%91.586.387.790.2训练次数5010010110010-110-210-310-415020025030035010-110-210-310-410-510-610-70501001502001.00.50-0.5-1.0-1.5020406080100280

5结语本文用PSO算法优化BP神经网络，与DGA相结合的基础上对变压器故障诊断，采用5-9-4的神经网络结构，并用试错法来确定BP神经网络的隐层节点数，即根据经验公式确定初始节点数，不断变换节点数最后得出最合适的隐含层节点数。最后通过对变压器故障诊断的实验仿真，得出此种方法远远优于标准BP神经网络算法，证明此方法可以用于工程实践。参考文献：［1］周开利，康耀红.神经网络模型及其MATLAB仿真［M］.北京：清华大学出版社，2006.［2］巩敦卫，张勇，张建化，等.新型粒子群优化算法［J］.控制理论与应用，2008,25（1）：111-114.［3］张明慧，金凤.基于GA优化BP神经网络变压器故障诊断的研究［J］.煤矿机械,2012,33(8)：257-259.［4］郭亮.基于粒子群算法优化BP神经网络的光伏系统最大功率点跟踪研究［D］.成都：西南交通大学,2011.作者简介：祁萌（1989-），女，河南平顶山人，在读硕士，研究方向：智能控制，电子信箱：983629548@qq.com.责任编辑：庞振峰收稿日期：2014－05－14!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!doi:10.13436/j.mkjx.201408123煤矿机械CoalMineMachineryVol.35No.08Aug.2014第35卷第08期2014年08月0前言某矿在采煤机使用过程中出现左摇臂浮动油封漏油现象，井下拆解发现浮动油封已损坏，更换新浮动油封继续生产，但时间不长此处又出现漏油现象，浮动油封很快再次损坏。由于浮动油封的频繁损坏，大大增加了矿方检修的时间，严重影响了矿方的生产，因此亟待找出摇臂浮动油封频繁损坏的真正原因。1浮动油封介绍浮动油封是利用橡胶圈的变形弹力所产生的轴向力，使2个浮动金属环经过研磨的端面相互紧贴而又相对滑动的机械密封组件。浮动油封主要有2种形式：DO型和DF型，本采煤机采用的是DO型浮动油封。DO型浮动油封是由2个浮封环和2个O形圈组成的端面机械密封装置。浮封环由耐磨金属材料制成。浮封环成对使用起密封作用，一个随转动件转动，另一个静止，2个浮封环相互紧贴的端面称为密封面，也称为亮带。O形圈装在浮封环外锥面和浮封座锥面内腔之间，依靠其压缩变形使浮封环密封端面保持一定的轴向压紧力。浮封环和O形圈分别安装在两件浮动油封座的锥面内腔内。2原因分析采煤机摇臂浮动油封的安装结构如图1所示。浮动油封的一个浮封环和O形圈安装在滚筒联接套内随滚筒转动，另一组安装在端盖上相对静止。安装时，依靠把合在行星架上的把合螺栓拧紧所产生的轴向力，使O形圈压缩并对浮封环产生压紧力，从而让2个浮封环端面相互贴合在一起，起到密封的作用。另外，为了保证浮动油封的使用效果，必须控制轴向压紧力以保证O形圈在合适的弹性变形内，这个可通过控制安装后的间隙A值来保证。采煤机出厂时的浮动油封正是严格按照上述要求安装的，因此在使用初期，浮动油封依靠其本身O采煤机摇臂浮动油封频繁漏油及损坏的原因分析翟雨生，贠瑞光，刘峰（天地科技股份有限公司上海分公司，上海200030）摘要：对浮动油封频繁漏油及损坏的原因进行了分析，并通过对返厂大修摇臂的拆解及测量对其进行了验证。结果表明：行星减速器中双列圆锥滚子轴承磨损严重，内部游隙严重超差是造成浮动油封频繁漏油及损坏的主要原因。关键词：采煤机；浮动油封；漏油；双列圆锥滚子轴承；磨损中图分类号：TD421.6文献标志码：B文章编号：1003－0794（2014）08－0281－02AnalysisonFrequentOilLeakageandDamageofFloatingSealsforShearerRangingZHAIYu-sheng，YUNRui-guang，LIUFeng（ShanghaiBranchofTiandiScienceandTechnologyCo.,Ltd.,Shanghai200030，China）Abstract：Thecausesoffrequentoilleakageanddamageofthefloatingsealswereanalyzed,andwereverifiedthroughtothedismantlingandmeasurementoftheoldranging.Theresultsshowedthatseriouswearofthedoublerowtaperedrollerbearinginplanetaryreducerandseriouserrorofitsinternalclearancewerethedirectcauseoffrequentoilleakageanddamageofthefloatingseals.Keywords：shearer；floatingseals；oilleakage；doublerowtaperedrollerbearing；wear281