【www.rjdtv.com--人工智能论文】

　　0 引言

　　风机在煤矿生产中担负着输送新鲜空气，排出粉尘、瓦斯和污浊气流等确保矿井安全生产的重任，其一旦发生故障将导致巨大的财产损失甚至人员伤亡。现代煤矿风机的结构越来越复杂，其运行环境也表现出时变性，这些都导致煤矿风机运行状态的非线性、非平稳性。神经网络等人工智能方法由于具有自学习、自适应与自推理等可以很好处理时变性与非线性问题的功能，越来越受到煤矿风机故障诊断领域人员的关注。

　　1 煤矿风机的常见故障

　　由于风机组成结构复杂、工况参数时变及运行环境恶劣，实际运行中的煤矿风机往往表现出不同的故障形式与故障部位，这使得对常见煤矿风机故障的归纳与总结变得异常重要。通过建立煤矿风机故障征兆与故障类型间的定性关系，可以在出现故障征兆时迅速地进行简单的定性故障判别，也可以为进行定量故障诊断和故障排除提供重要的依据。
　　煤矿风机的常见故障及征兆如表1所示。
　　表1仅能根据煤矿风机表现出的故障征兆初步地开展故障类型识别，无法定位故障的位置和程度，为煤矿风机的安全运行与维护管理决策提供的依据有限。而且在煤矿风机故障的早期其故障征兆十分微弱，易被环境噪声淹没造成无法识别故障，从而导致重大的安全事故。
　　为精确地确定故障的部位与故障程度，需要在合适的位置安装相应的振动、声发射、油液等监测传感器以获取煤矿风机实时运行状态信号，进而利用故障诊断技术对风机进行精密的多层次定量故障诊断。


　　2  煤矿风机的智能故障诊断
  　　有关风机故障机理、故障控制与故障预防等技术的研究一直是业内人士关注的问题。但由于煤矿风机的复杂性与耦合性，其故障表现出非线性、相关性和模糊性等的特点，使得风机故障的诊断具有较大的难度。 　　人工神经网络、专家系统及模糊理论等人工智能表现出自学习、自适应与自推理等诸多优点，从而其可以很好地处理风机故障诊断中的非线性、时变性与模糊性等问题，获得更精确、更可靠的故障诊断结果。同时开展基于人工智能的故障诊断方法可以进一步提高工矿企业的自动化、智能化管理水平，为开展先进的状态维护体制打下基础。鉴于此，基于人工智能的煤矿风机故障诊断正成为煤矿风机故障诊断研究的一个重要的新方向。

　　（1）基于神经网络的煤矿风机故障诊断

    神经网络是由大量处理单元（神经元）互联组成的非线性、自适应信息处理系统，将其用于煤矿风机的故障诊断,可以在解决煤矿风机非线性难题的同时实现风机故障的自动化与智能化诊断。神经网络用于煤矿风机故障诊断时，分离线学习与在线诊断两步实现，其示意图如图1所示。将已知煤矿风机故障类型的故障敏感特征（此处为煤矿风机振动信号分频、基频与倍频等分割成的8个频带频谱特征）作为神经网络的输入，而将煤矿风机主轴不平衡、不对中、叶片故障等故障类型作为神经网络的输出开展监督学习。通过上述离线监督学习，神经网络调整各神经元间的连接权重和偏置阈值以使故障敏感特征输入与相应的故障类型对应，完成学习过程。当后续未知故障类型风机故障的故障敏感特征输入神经网络即可得到相应的故障类型输出。
  　　 　　神经网络由于具有原则上容错、结构拓扑鲁棒、联想、推测、记忆、自适应、自学习、并行处理复杂模式的功能，其能很好地用于处理模式识别问题。现有的用于煤矿风机故障诊断的神经网络主要有BP神经网络、概率神经网络、LVQ神经网络等，这些神经网络大多以风机状态监测的振动敏感特征作为网络输入，通过监督学习学得各类故障的分类边界，进而实现煤矿风机复杂故障的精确诊断。
　　神经网络现已在煤矿风机机械故障诊断中获得了大量的应用，但也存在“黑箱”特性、网络结构难以确定及易陷入局部最优等不足，将其与其他人工智能（如专家系统、模糊逻辑等）结合用于风机故障诊断可以获得更优的应用效果。此外，研究将其与现代信号处理方法（如小波分析、HHT变换等）的结合，也是提高煤矿风机故障诊断精度的有效方法。

　　（2）基于专家系统的煤矿风机故障诊断

　　专家系统是将某个领域众多专家的知识与经验组织起来用于解决相关问题的仿人推理系统，其主要由数据库、推理机和人机交互界面等几部分组成，专家系统较强的解释与推理使得其可以很好地用于煤矿风机故障诊断，特别是模糊情况下故障的判别。
　　与基于神经网络的煤矿风机故障诊断类似，将专家系统用于煤矿风机故障诊断也分为模型建立与模型使用2步，基于案例推理的煤矿风机故障诊断模型如图2所示。首先需要利用生成式规则与树形结构等知识表示方式对已积累的煤矿风机故障敏感特征及其对应的故障类型间的关系进行表达以建立案例规则库，其中以故障敏感特征为条件属性而以煤矿风机故障类型为结果属性。煤矿风机故障诊断时，将位置故障类型同类型故障敏感特征输入规则库，专家系统则利用模糊逻辑、规则推理与案列推理等推理方式搜索最相似的故障敏感特征并将其故障类型作为故障诊断结果输出。如果没有搜索到相似的故障铭感特征，则对规则库进行修正继续学习。
　　 　　专家系统由于模拟了人的思维逻辑与推理逻辑，知识的表达合乎人的逻辑习惯，便于进行故障知识的获取和解释，有关在煤矿风机故障诊断领域中应用的研究也越来越多。特别是基于一些通用平台搭建的风机故障诊断专家系统在试验研究和现场风机安全监测中都发挥着越来越重要的作用。
　　基于专家系统的故障诊断方法能够综合利用众多领域知识进行煤矿风机故障的诊断，但知识获取困难、推理组合爆炸和在线实用性差等不足限制了其广泛的应用，还需要开展进一步的相关研究工作。

　　（3）基于混合智能的煤矿风机故障诊断

　　人工神经网络的知识处理过程模拟的是人的形象思维与创造思维，而专家系统则是借助人的经验思维和逻辑思维进行知识的处理，从而将两者组合起来进行故障诊断有望获得更优的效果。通过神经网络的自学习能力获取知识解决专家系统知识获取瓶颈问题，利用专家系统强解释能力弥补神经网络黑箱特性。此外在故障诊断过程中，还需要对某些参数进行优化，如神经网络的隐层数与各隐层神经元数目、模糊专家系统隶属度函数等，这些优化问题也可以借助人工智能中的遗传算法、蚁群算法等加以求解。
　　混合智能故障诊断算法综合利用几种人工智能方法实现故障诊断，这样可以更好地发挥各自优势、相互弥补不足。有关组合人工智能故障诊断的研究越来越成为智能故障诊断的主要方向。

　　（4）风机智能故障诊断的发展趋势

　　人工智能由于其诸多优越的特性在风机故障诊断领域获得了广泛的应用，特别是神经网络、模糊逻辑推理及案例推理等在煤矿风机故障自动诊断中发挥着越来越重要的作用。总的来看，有关人工智能在煤矿风机故障诊断中的应用还需要开展如下方面的研究：
　　①更多有关遗传算法、粒子群算法等人工智能优化算法在煤矿风机故障诊断中的应用研究；②有关混合智能诊断方法优化组合模型的研究，特别是融合现代信号处理技术的人工智能组合模型的研究；③探索免疫神经网络、量子神经网络等新型人工智能在煤矿风机故障诊断中的应用等。

　　3 结语

　　神经网络及专家系统等人工智能具有的自学习、自适应与自推理等能力使得其能有效地用于复杂环境下非线性、强耦合煤矿风机设备的故障诊断，进而提升工矿企业的自动化维护管理水平。现有的人工智能故障诊断方法在保障风机安全运行方面表现出优越的特性，但如何有效综合多人工智能实现低成本、高精度、高效率、实时在线的煤矿风机智能化诊断系统还有待进一步的研究。

　　参考文献：
　　［1］任宇.煤矿机电设备状态监测与诊断技术研究［J］.煤矿现代化,2013(3):105-107.
　　［2］牛小玲.基于集成神经网络风机故障诊断系统的研究［J］.煤矿机械,2006,27(5):903-905.
　　［3］荆双喜,牛振华,华伟,等.矿井通风机故障诊断专家系统的研究［J］.煤矿机电,2007(1):3-5

本文来源：http://www.rjdtv.com/jisuanjilunwen/1246.html