一种基于概率神经网络的水隔离矿浆泵故障诊断方法与流程

本发明属于水隔离矿浆泵的故障诊断领域，特别涉及一种基于概率神经网络的水隔离矿浆泵故障诊断方法。

背景技术：

目前，各种矿山资源处于偏远山区，将矿石运送到冶炼厂需要长距离运输。矿石输送是选矿过程中的一道重要的工艺，一般采用水隔离矿浆泵进行输送。

水隔离矿浆泵的输送原理为，将固体物质(矿石)与液体(清水)相互混合成矿浆，采用清水泵11提供动力，在浆体输送管道中进行输送。这种方法相对于铁路运输和公路运输具有成本上的优势，同时具有节能环保的特点。

水隔离矿浆泵的结构如图1所示。水隔离矿浆泵包括装有清水的清水池12、清水泵11、进水阀10、回水阀9、隔离罐5、第一截止阀3、第二截止阀4和浆体输送管道2；其中隔离罐5内部设有可上下移动的浮球6，所述浮球6将隔离罐5分隔成位于上部的第一腔体7和位于下部的第二腔体8，第一腔体7和第二腔体8互不相通；清水池12的出口依次通过清水泵11和进水阀10与第一腔体7相通，清水池12的入口通过回水阀9与第一腔体7相通；第一截止阀3的出口和第二截止阀4的入口均与第二腔体8相通，第一截止阀3的入口和第二截止阀4的出口均与浆体输送管道2相通；浆体输送管道2的一端与装有矿浆的矿浆仓1相通，另一端通向矿石输送的目的地。

输送矿石时，通过清水泵11提供动力，通过隔离罐5使清水与矿浆隔离。吸入矿浆时，关闭进水阀10，打开回水阀9，矿浆在重力作用下，从第一截止阀3压入隔离罐5，浮球6上升，将第一腔体7内的清水通过回水阀9压入清水池12。排出矿浆时，关闭回水阀9，打开进水阀10，清水泵11将清水池12内的清水以一定的压力挤入第一腔体7，推动浮球6将矿浆通过第二截止阀4压入浆体输送管道2，继而通过浆体输送管道2输送至目的地。整个工作过程中，通过程序控制进水阀10和回水阀9的开闭，实现水隔离矿浆泵的吸入矿浆和排出矿浆的过程。

水隔离矿浆泵是矿浆管道输送过程中的重要设备，当其发生故障时会导致矿浆在矿浆输送管道内沉淀，严重时会导致矿浆输送管道堵塞。对水隔离矿浆泵进行远程监控，诊断其运行状态，有利于工作人员能够在发生故障时及早做出补救措施，降低管道堵塞此类严重事故发生的可能性。

水隔离矿浆泵是一个复杂的非线性系统，很难建立起精确的数学模型，因此发明一种准确度高、能快速诊断水隔离矿浆泵的故障诊断方法具有重要意义。

目前水隔离浆体泵的故障诊断方法为基于BP神经网络的诊断方法，由于BP神经网络算法收敛速度慢，需要较长的训练时间；容易收敛到局部极小点，导致训练失败；学习和记忆具有不稳定性，对样本的依赖性强，如果增加了学习样本，训练好的网络就需要从头开始训练，对于以前的权值和阈值是没有记忆的。

概率神经网络是一种模式分类的神经网络，是一种前馈神经网络。与BP神经网络相比，概率神经网络结构简单，收敛速度快，训练时间短，不容易收敛到局部，稳定性高，样本追加能力强。本发明正是从概率神经网络的优点出发，得到一种基于概率神经网络的水隔离矿浆泵故障诊断方法。

如图2所示为概率神经网络的基本结构。概率神经网络由输入层Ⅰ、模式层Ⅱ、求和层Ⅲ和输出层Ⅳ组成。输入向量在输入层Ⅰ经过处理后送至模式层Ⅱ。模式层Ⅱ的神经网络数等于各个类别的训练样本数之和，其中gij为模式层Ⅱ的第i类的第j个输出，i＝1,2,...,m；j＝1,2,...Ni，i为故障类别数，m为故障类别总数目，Ni为第i类的训练样本的总个数。求和层Ⅲ的神经网络数等于故障类别数，求和层Ⅲ将来自模式层Ⅱ的各个类别概率密度分别相加并求均值后送至输出层Ⅳ。输出层Ⅳ接收求和层Ⅲ输出的各类概率密度并判断得到输出状态类别。

技术实现要素：

由于现有的水隔离矿浆泵故障诊断方法都是基于BP神经网络算法，而BP神经网络算法收敛速度慢，训练时间长；容易收敛到局部极小点，导致训练失败；学习和记忆具有不稳定性，对样本的依赖性强。本发明的目的在于，针对上述现有技术的不足，提供一种基于概率神经网络的水隔离矿浆泵故障诊断方法。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于概率神经网络的水隔离矿浆泵故障诊断方法，包括以下步骤：

步骤(1)将水隔离矿浆泵的故障类别分成m类，m≥2，所述m类中的一类代表正常状态，其余类代表故障状态；

步骤(2)采集第i类的Ni组训练样本数据，其中i为故障类别，i＝1,2,...,m；

步骤(3)对所述Ni组训练样本数据进行归一化处理，得到输入向量X；

步骤(4)将X连接到模式层，得到模式层的输出

其中gij(X)为模式层的第i类的第j个输出，p为输入向量的维数，σ为平滑参数，Xij为第i类第j个样本向量在网络中的权值；

步骤(5)求和层将模式层送来的同一类变量进行累加并求和，得到第i类的概率密度值为

步骤(6)输出层接收求和层的概率密度值，并通过公式max(fi(X))得到水隔离矿浆泵的样本故障类别输出理论值；若样本故障类别输出理论值与样本故障类别输出实际值不一致，则改变Xij的大小，直至样本故障类别输出理论值与样本故障类别输出实际值一致；存储Xij的值，得到训练好的概率神经网络模型；

步骤(7)将当前采集数据输入所述概率神经网络模型，得到水隔离矿浆泵的当前故障类别输出。

作为一种优选方式，所述步骤(1)中的故障类别包括正常状态、外管堵塞状态和水泵磨损状态3类。

概率神经网络是一种用于模式分类的神经网络，用于故障诊断领域时只适用于可以对故障进行分类的模型，本发明经过大量的实验，将水隔离矿浆泵的故障类别分为正常状态、外管堵塞状态和水泵磨损状态3类，取得了很好的故障诊断效果。

作为一种优选方式，所述步骤(3)中的归一化处理方法为Z-score标准化方法。

作为一种优选方式，所述训练样本数据和当前采集数据包括清水泵电机电流、浆体输送管道的排浆量、浆体输送管道的压力。

作为一种优选方式，σ＝0.1。

与现有技术相比，本发明结构简单，收敛速度快，训练时间短，不容易收敛到局部，稳定性高，样本追加能力强。

附图说明

图1为水隔离矿浆泵的结构示意图。

图2为概率神经网络的基本结构。

图3为训练数据的诊断结果。

图4为验证数据的诊断结果。

其中，1为矿浆仓，2为浆体输送管道，3为第一截止阀，4为第二截止阀，5为隔离罐，6为浮球，7为第一腔体，8为第二腔体，9为回水阀，10为进水阀，11清水泵，12为清水池，Ⅰ为输入层，Ⅱ为模式层，Ⅲ为求和层，Ⅳ为输出层。

具体实施方式

本发明的一实施方式包括以下步骤：

步骤(1)将水隔离矿浆泵的故障类别分成m类，m≥2，所述m类中的一类代表正常状态，其余类代表故障状态；

步骤(2)采集第i类的Ni组训练样本数据，其中i为故障类别，i＝1,2,...,m；

步骤(3)对所述Ni组训练样本数据进行Z-score标准化归一化处理，得到输入向量X；

步骤(4)将X连接到模式层，得到模式层的输出

其中gij(X)为模式层的第i类的第j个输出，p为输入向量的维数，σ为平滑参数，σ＝0.1，Xij为第i类第j个样本向量在网络中的权值；

步骤(5)求和层将模式层送来的同一类变量进行累加并求和，得到第i类的概率密度值为

步骤(6)输出层接收求和层的概率密度值，并通过公式max(fi(X))得到水隔离矿浆泵的样本故障类别输出理论值；若样本故障类别输出理论值与样本故障类别输出实际值不一致，则改变Xij的大小，直至样本故障类别输出理论值与样本故障类别输出实际值一致；存储Xij的值，得到训练好的概率神经网络模型；

步骤(7)将当前采集数据输入所述概率神经网络模型，得到水隔离矿浆泵的当前故障类别输出。

所述训练样本数据和当前采集数据包括清水泵电机电流、浆体输送管道的排浆量、浆体输送管道的压力。

为了验证本发明的可行性，在试验中利用本发明对水隔离矿浆泵的运行状态进行诊断。试验中，将水隔离矿浆泵的故障类别分为正常状态、外管堵塞状态和水泵磨损状态3类，其中正常状态编号为状态1，外管堵塞状态编号为状态2，水泵磨损状态编号为状态3，若有其它状态时依次增加对应的状态编号。

采集5组正常运行状态的数据，5组外管堵塞状态的数据，5组水泵磨损状态的数据，数据值如表1所示。

表1水隔离浆体泵的训练及验证数据

每组状态各取4组进行水隔离矿浆泵的概率神经网络诊断模型的训练，用每一种运行状态剩下的一组数据进行模型验证。训练数据的诊断结果如图3，验证数据的诊断结果如图4，由图中可以看出，利用本发明，水隔离矿浆泵故障诊断的正确率达100％。