采煤机滚动轴承故障诊断方法及系统、电子设备和存储介质

摘要

本发明提供一种采煤机滚动轴承故障诊断方法及系统、电子设备和存储介质，其中，方法包括：基于目标采煤机滚动轴承，建立目标采煤机滚动轴承的数字孪生模型和对应的滚动轴承故障诊断模型；其中，滚动轴承故障诊断模型基于概率神经网络确定；基于数字孪生模型和滚动轴承故障诊断模型，根据萤火虫优化算法，确定目标滚动轴承故障诊断模型；基于目标滚动轴承故障诊断模型，确定目标采煤机滚动轴承故障结果。能够有效提高采煤机滚动轴承预测性故障诊断的准确性，降低采煤机运行成本。

权利要求

1.一种采煤机滚动轴承故障诊断方法，其特征在于，包括：基于目标采煤机滚动轴承，建立所述目标采煤机滚动轴承的数字孪生模型和对应的滚动轴承故障诊断模型；其中，所述滚动轴承故障诊断模型基于概率神经网络确定；

基于所述数字孪生模型和滚动轴承故障诊断模型，根据萤火虫优化算法，确定目标滚动轴承故障诊断模型；

基于所述目标滚动轴承故障诊断模型，确定所述目标采煤机滚动轴承故障结果。

2.根据权利要求1所述的采煤机滚动轴承故障诊断方法，其特征在于，所述基于所述数字孪生模型和滚动轴承故障诊断模型，根据萤火虫优化算法，确定目标滚动轴承故障诊断模型，具体包括：基于所述数字孪生模型，根据故障样本数据，确定故障样本训练集；

基于所述故障样本训练集，训练所述滚动轴承故障诊断模型；

根据萤火虫算法对所述概率神经网络平滑因子进行优化，确定最优平滑因子；

基于所述最优平滑因子，确定目标滚动轴承故障诊断模型。

3.根据权利要求2所述的采煤机滚动轴承故障诊断方法，其特征在于，所述基于所述最优平滑因子，确定目标滚动轴承故障诊断模型，具体包括：根据所述最优平滑因子，确定优化后的概率神经网络；

基于故障样本测试集测试所述优化后的概率神经网络，判断所述优化后的概率神经网络是否能准确进行故障诊断；

若确定所述优化后的概率神经网络不能准确进行故障诊断，则重复基于所述故障样本训练集对所述滚动轴承故障诊断模型进行训练并测试的步骤，直至确定所述优化后的概率神经网络能准确进行故障诊断，确定目标概率神经网络；

基于所述目标概率神经网络，确定目标滚动轴承故障诊断模型。

4.根据权利要求2或3所述的采煤机滚动轴承故障诊断方法，其特征在于，所述根据萤火虫算法对所述概率神经网络平滑因子进行优化，确定最优平滑因子，具体包括：根据改进的萤火虫算法对所述概率神经网络平滑因子进行优化，确定最优平滑因子；

其中，所述改进的萤火虫算法是在标准萤火虫算法中增添惯性权重；

所述改进的萤火虫算法中萤火虫i被吸引向萤火虫j移动的位置更新公式为：xi(t+1)＝w(t)xi(t)+β(xj(t)‑xi(t))+αnew(rand‑0.5)；

上式中，xi(t)和xj(t)分别为萤火虫i和萤火虫j在空间中第t次移位后的位置，w(t)为惯性权重，αnew为步长因子，β为萤火虫j对萤火虫i的吸引度，rand为[0,1]上服从均匀分布的随机因子；

所述惯性权重计算公式为：

上式中，wmax为最大惯性权重，wmin为最小惯性权重，T为最大迭代次数。

5.根据权利要求4所述的采煤机滚动轴承故障诊断方法，其特征在于，所述改进的萤火虫算法是在标准萤火虫算法中增添惯性权重并改进步长因子；

所述步长因子计算公式为：

上式中，t为当前迭代次数，a0为初始步长因子。

6.根据权利要求5所述的采煤机滚动轴承故障诊断方法，其特征在于，所述根据改进的萤火虫算法对所述概率神经网络平滑因子进行优化，确定最优平滑因子，具体包括：初始化萤火虫的基本参数，将所述概率神经网络平滑因子作为萤火虫个体；

根据萤火虫初始位置，计算萤火虫个体的适应度值；

基于所述适应度值比较萤火虫亮度，确定最亮位置为萤火虫新位置，根据所述位置更新公式更新萤火虫的位置；

迭代更新所述适应度值和所述萤火虫的位置，直至满足预设寻优条件，输出最优的萤火虫位置，确定最优平滑因子。

7.根据权利要求6所述的采煤机滚动轴承故障诊断方法，其特征在于，所述预设寻优条件，包括：迭代次数大于预设迭代阈值；或

所述目标函数的结果小于预设期望阈值；

其中，所述目标函数公式为：

上式中，Ei为实际输出，Ri为期望输出，N为萤火虫总数。

8.一种采煤机滚动轴承故障诊断系统，其特征在于，包括：模型构建单元、模型确定单元和故障诊断单元；

所述模型构建单元，用于基于目标采煤机滚动轴承，建立所述目标采煤机滚动轴承的数字孪生模型和对应的滚动轴承故障诊断模型；

所述模型确定单元，用于基于所述数字孪生模型和滚动轴承故障诊断模型，根据萤火虫优化算法，确定目标滚动轴承故障诊断模型；其中，所述滚动轴承故障诊断模型基于概率神经网络确定；

所述故障诊断单元，用于基于所述目标滚动轴承故障诊断模型，确定所述目标采煤机滚动轴承故障结果。

9.一种电子设备，其特征在于，包括存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至7任一项所述的采煤机滚动轴承故障诊断方法。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述的采煤机滚动轴承故障诊断方法。

说明书

采煤机滚动轴承故障诊断方法及系统、电子设备和存储介质

技术领域

[0001] 本发明涉及流程工业技术领域，尤其涉及一种采煤机滚动轴承故障诊断方法及系统、电子设备和存储介质。

背景技术

[0002] 随着集成化、智能化、自动化程度的不断提高，流程工业生产线中的生产设备也越来越复杂、精密，设备的维护和故障处理的难度也随之增大。准确掌握设备的重要参数、分析故障的产生原因和预测设备潜在的故障隐患，对现场生产会有很大的帮助，不仅可以降低设备的运行成本，还可以减少生产线因为故障而停机的时间。

[0003] 采煤机工作环境复杂恶劣，载荷变化很大，一些关键部位在正常工作中很容易发生过载，出现异常。采煤机牵引行走链轮负荷大、载荷不均，其轴承很容易出现磨损或滚动体破裂等问题。在轻度损伤情况下，工作人员不易发现。轴承严重损坏可能会影响到链轮轴、链轮及与其相啮合的其他零件，进而导致其他零件的损坏。等故障发展到严重不能工作时，才有所察觉，造成人力、财力浪费。对采煤机故障进行提前诊断能够有效提高生产效率。

[0004] 但由于流程工业中最主要的难点在于建模困难，从而导致预测困难，优化困难。目前现有技术中进行采煤机滚动轴承预测性故障诊断的方法准确性低。

[0005] 因此，如何提供一种采煤机滚动轴承故障诊断方法及系统、电子设备和存储介质，有效提高采煤机滚动轴承预测性故障诊断的准确性，降低采煤机运行成本。

发明内容

[0006] 针对现有技术中的缺陷，本发明实施例提供一种采煤机滚动轴承故障诊断方法及系统、电子设备和存储介质。

[0007] 本发明提供一种采煤机滚动轴承故障诊断方法，包括：

[0008] 基于目标采煤机滚动轴承，建立目标采煤机滚动轴承的数字孪生模型和对应的滚动轴承故障诊断模型；其中，滚动轴承故障诊断模型基于概率神经网络确定；

[0009] 基于数字孪生模型和滚动轴承故障诊断模型，根据萤火虫优化算法，确定目标滚动轴承故障诊断模型；

[0010] 基于目标滚动轴承故障诊断模型，确定目标采煤机滚动轴承故障结果。

[0011] 根据本发明提供的采煤机滚动轴承故障诊断方法，基于数字孪生模型和滚动轴承故障诊断模型，根据萤火虫优化算法，确定目标滚动轴承故障诊断模型，具体包括：

[0012] 基于数字孪生模型，根据故障样本数据，确定故障样本训练集；

[0013] 基于故障样本训练集，训练滚动轴承故障诊断模型；

[0014] 根据萤火虫算法对概率神经网络平滑因子进行优化，确定最优平滑因子；

[0015] 基于最优平滑因子，确定目标滚动轴承故障诊断模型。

[0016] 根据本发明提供的采煤机滚动轴承故障诊断方法，基于最优平滑因子，确定目标滚动轴承故障诊断模型，具体包括：

[0017] 根据最优平滑因子，确定优化后的概率神经网络；

[0018] 基于故障样本测试集测试优化后的概率神经网络，判断优化后的概率神经网络是否能准确进行故障诊断；

[0019] 若确定优化后的概率神经网络不能准确进行故障诊断，则重复基于故障样本训练集对滚动轴承故障诊断模型进行训练并测试的步骤，直至确定优化后的概率神经网络能准确进行故障诊断，确定目标概率神经网络；

[0020] 基于目标概率神经网络，确定目标滚动轴承故障诊断模型。

[0021] 根据本发明提供的采煤机滚动轴承故障诊断方法，根据萤火虫算法对概率神经网络平滑因子进行优化，确定最优平滑因子，具体包括：

[0022] 根据改进的萤火虫算法对概率神经网络平滑因子进行优化，确定最优平滑因子；

[0023] 其中，改进的萤火虫算法是在标准萤火虫算法中增添惯性权重；

[0024] 改进的萤火虫算法中萤火虫i被吸引向萤火虫j移动的位置更新公式为：

[0025] xi(t+1)＝w(t)xi(t)+β(xj(t)‑xi(t))+αnew(rand‑0.5)；

[0026] 上式中，xi(t)和xj(t)分别为萤火虫i和萤火虫j在空间中第t次移位后的位置，w(t)为惯性权重，αnew为步长因子，β为萤火虫j对萤火虫i的吸引度，rand为[0,1]上服从均匀分布的随机因子；

[0027] 惯性权重计算公式为：

[0028]

[0029] 上式中，wmax为最大惯性权重，wmin为最小惯性权重，T为最大迭代次数。

[0030] 根据本发明提供的采煤机滚动轴承故障诊断方法，改进的萤火虫算法是在标准萤火虫算法中增添惯性权重并改进步长因子；

[0031] 步长因子计算公式为：

[0032]

[0033] 上式中，t为当前迭代次数，a0为初始步长因子。

[0034] 根据本发明提供的采煤机滚动轴承故障诊断方法，根据改进的萤火虫算法对概率神经网络平滑因子进行优化，确定最优平滑因子，具体包括：

[0035] 初始化萤火虫的基本参数，将概率神经网络平滑因子作为萤火虫个体；

[0036] 根据萤火虫初始位置，计算萤火虫个体的适应度值；

[0037] 基于适应度值比较萤火虫亮度，确定最亮位置为萤火虫新位置，根据位置更新公式更新萤火虫的位置；

[0038] 迭代更新适应度值和萤火虫的位置，直至满足预设寻优条件，输出最优的萤火虫位置，确定最优平滑因子。

[0039] 根据本发明提供的采煤机滚动轴承故障诊断方法，预设寻优条件，包括：

[0040] 迭代次数大于预设迭代阈值；或

[0041] 目标函数的结果小于预设期望阈值；

[0042] 其中，目标函数公式为：

[0043] 上式中，Ei为实际输出，Ri为期望输出，N为萤火虫总数。

[0044] 本发明还提供一种采煤机滚动轴承故障诊断系统，包括：模型构建单元、模型确定单元和故障诊断单元；

[0045] 模型构建单元，用于基于目标采煤机滚动轴承，建立目标采煤机滚动轴承的数字孪生模型和对应的滚动轴承故障诊断模型；

[0046] 模型确定单元，用于基于数字孪生模型和滚动轴承故障诊断模型，根据萤火虫优化算法，确定目标滚动轴承故障诊断模型；其中，滚动轴承故障诊断模型基于概率神经网络确定；

[0047] 故障诊断单元，用于基于目标滚动轴承故障诊断模型，确定目标采煤机滚动轴承故障结果。

[0048] 本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如上述任一种采煤机滚动轴承故障诊断方法的步骤。

[0049] 本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种采煤机滚动轴承故障诊断方法的步骤。

[0050] 本发明提供的采煤机滚动轴承故障诊断方法及系统、电子设备和存储介质，通过构建流程工业中采煤机滚动轴承的数字孪生模型，将数字孪生技术与概率神经网络结合来构建滚动轴承故障诊断模型，采用萤火虫算法对模型进行优化，实现模型的快速训练，并有效解决建模不准确导致预测结果准确性低的问题。通过滚动轴承故障诊断模型，实现对滚动轴承进行预测性故障诊断，能够有效提高采煤机滚动轴承预测性故障诊断的准确性，降低采煤机运行成本。

附图说明

[0051] 为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0052] 图1为本发明提供的采煤机滚动轴承故障诊断方法流程图；

[0053] 图2为本发明提供的数字孪生模型构结构示意图；

[0054] 图3为本发明提供的采煤机滚动轴承故障诊断流程示意图；

[0055] 图4为本发明提供的采煤机滚动轴承故障诊断方法流程示意图；

[0056] 图5为本发明提供的基于萤火虫算法优化的概率神经网络预测效果图；

[0057] 图6为本发明提供的基于萤火虫算法优化的概率神经网络训练误差示意图；

[0058] 图7为本发明提供的基于改进的萤火虫算法优化的概率神经网络预测效果图；

[0059] 图8为本发明提供的基于改进的萤火虫算法优化的概率神经网络训练误差示意图；

[0060] 图9为本发明提供的采煤机滚动轴承故障诊断系统结构示意图；

[0061] 图10为本发明提供的电子设备的实体结构示意图。

具体实施方式

[0062] 为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0063] 数字孪生技术具备虚实交互能力，可以将实时采集的数据关联映射至数字孪生体中，并通过数字孪生体对模拟对象行为进行预测与分析、故障诊断与预警。构建流程工业中采煤机滚动轴承的数字孪生模型，通过数字孪生模型与设备实体的平行运行、实时交互与迭代优化，实现生产过程精确预测与控制、设备全生命周期管理等功能，以便大幅度提升流程工业生产线中的生产质量与效率。

[0064] 图1为本发明提供的采煤机滚动轴承故障诊断方法流程图，如图1所示，本发明提供一种采煤机滚动轴承故障诊断方法，包括：

[0065] 步骤S1，基于目标采煤机滚动轴承，建立目标采煤机滚动轴承的数字孪生模型和对应的滚动轴承故障诊断模型；其中，滚动轴承故障诊断模型基于概率神经网络确定；

[0066] 步骤S2，基于数字孪生模型和滚动轴承故障诊断模型，根据萤火虫优化算法，确定目标滚动轴承故障诊断模型；

[0067] 步骤S3，基于目标滚动轴承故障诊断模型，确定目标采煤机滚动轴承故障结果。

[0068] 具体的，图2为本发明提供的数字孪生模型构结构示意图，如图2所示，为了保证对目标采煤机滚动轴承建模的准确性，需要先对滚动轴承实际运行情况进行分析，建立数字孪生模型。

[0069] 在步骤S1中，基于目标采煤机滚动轴承，利用Unity3D建立采煤机滚动轴承的数字孪生模型。采煤机滚动轴承的数字孪生模型包括几何模型、物理模型、行为模型和规则模型。

[0070] 其中，采煤机滚动轴承的几何模型包括各部件的几何尺寸、形状以及设备与设备之间的位置关系等参数；物理模型是滚动轴承的物理属性，如应变力、损伤等，对滚动轴承本身物理状态的实时映射；行为模型包括滚动轴承对内外部环境和系统指令的动作响应，使数字孪生体能够超写实的模拟实际运行情况，进行故障诊断分析；规则模型是基于专家知识将经验、历史数据、实时数据与设备的运行状态进行总结，挖掘设备的故障规则，从而提供故障预测功能。

[0071] 以目标采煤机滚动轴承的数字孪生模型为基础，结合专家知识、机器学习等，建立对应的滚动轴承故障诊断模型。可以理解的是，其中，滚动轴承故障诊断模型基于概率神经网络(Probabilistic Neural Network，PNN)确定，用于实现目标采煤机滚动轴承的预测性故障诊断。

[0072] 需要说明的是，在本发明中数字孪生模型和对应的滚动轴承故障诊断模型的具体构建方法以及实际结构，均可根据本发明实际应用需求进行调整，本发明对此不作限定。

[0073] 在步骤S2中，基于数字孪生模型和滚动轴承故障诊断模型，根据萤火虫优化算法优化初始的滚动轴承故障诊断模型，确定目标滚动轴承故障诊断模型。

[0074] 可以理解的是，数字孪生模型是物理实体在虚拟模型中的实时映射，实时监测滚动轴承实体运行状态，并将其仿真模拟数据实时传至数据库，为滚动轴承故障诊断模型的训练提供样本数据。

[0075] 确定故障诊断模型训练成功后，在步骤S3中，基于目标滚动轴承故障诊断模型，根据目标滚动轴承需要诊断时的数据信息，对滚动轴承进行预测性故障诊断，确定目标采煤机滚动轴承故障结果。

[0076] 可以理解的是，在进行故障诊断时，可以采用目标滚动轴承的当前实际数据信息进行实时故障预测，也可以采用数字孪生模型所获得的模拟数据进行故障检测，具体诊断数据类型可根据实际需求进行调整，本发明对此不作限定。

[0077] 本发明提供的采煤机滚动轴承故障诊断方法，通过构建流程工业中采煤机滚动轴承的数字孪生模型，将数字孪生技术与概率神经网络结合来构建滚动轴承故障诊断模型，采用萤火虫算法对模型进行优化，实现模型的快速训练，并有效解决建模不准确导致预测结果准确性低的问题。通过滚动轴承故障诊断模型，实现对滚动轴承进行预测性故障诊断，能够有效提高采煤机滚动轴承预测性故障诊断的准确性，降低采煤机运行成本。

[0078] 可选的，根据本发明提供的采煤机滚动轴承故障诊断方法，基于数字孪生模型和滚动轴承故障诊断模型，根据萤火虫优化算法，确定目标滚动轴承故障诊断模型，具体包括：

[0079] 基于数字孪生模型，根据故障样本数据，确定故障样本训练集；

[0080] 基于故障样本训练集，训练滚动轴承故障诊断模型；

[0081] 根据萤火虫算法对概率神经网络平滑因子进行优化，确定最优平滑因子；

[0082] 基于最优平滑因子，确定目标滚动轴承故障诊断模型。

[0083] 具体的，图3为本发明提供的采煤机滚动轴承故障诊断流程示意图，如图3所示，物理实体是由真实的生产设备和传感器构成，传感器实时采集滚动轴承运行数据，并将其传输到孪生数据库进行存储；数字孪生模型是物理实体在虚拟模型中的实时映射，实时监测滚动轴承实体运行状态，并将其仿真模拟数据实时传至数据库。孪生数据库存储生产设备物理实体的历史数据和实时数据以及数字孪生模型的数据。各部分之间的连接可以实现数据的实时更新迭代，优化数字孪生模型，使其更加接近物理实体。

[0084] 在进行故障诊断模型的训练，确定目标滚动轴承故障诊断模型时。首先基于数字孪生模型，根据孪生数据库存储的故障样本数据，确定故障样本训练集。

[0085] 可以理解的是，真实的故障样本数据可能数据量不够，数字孪生模型能够获取仿真模拟数据以扩充故障样本数据，提高模型的准确性。

[0086] 将故障样本训练集输入滚动轴承故障诊断模型，进行模型的训练，根据萤火虫算法对概率神经网络平滑因子进行优化，确定最优平滑因子。

[0087] 可以理解的是，概率神经网络是一种基于贝叶斯决策的前馈神经网络，该网络训练速度快，对于复杂的分类问题，可以保证获得贝叶斯准则下的最优解。与其他方法相比，概率神经网络不需要进行多次训练，只需要对平滑因子进行调节，在实际中更具优势。本发明通过萤火虫算法通过优化平滑因子来实现预测性故障诊断准确率的提高。萤火虫算法的具体实现方式，在此不作赘述。

[0088] 基于最优平滑因子，确定目标滚动轴承故障诊断模型，即可根据目标滚动轴承故障诊断模型实现对故障的预测性诊断。

[0089] 本发明提供的采煤机滚动轴承故障诊断方法，通过构建流程工业中采煤机滚动轴承的数字孪生模型，将数字孪生技术与概率神经网络结合来构建滚动轴承故障诊断模型，将实时采集的数据关联映射至数字孪生模型中，并通过数字孪生模型提供的样本数据，确定目标滚动轴承故障诊断模型，对模拟对象行为进行预测与分析、故障诊断与预警，实现了故障诊断准确度的提高。以数字孪生技术和概率神经网络结合的方式，有效提高采煤机滚动轴承预测性故障诊断的准确性，降低采煤机运行成本。

[0090] 可选的，根据本发明提供的采煤机滚动轴承故障诊断方法，基于最优平滑因子，确定目标滚动轴承故障诊断模型，具体包括：

[0091] 根据最优平滑因子，确定优化后的概率神经网络；

[0092] 基于故障样本测试集测试优化后的概率神经网络，判断优化后的概率神经网络是否能准确进行故障诊断；

[0093] 若确定优化后的概率神经网络不能准确进行故障诊断，则重复基于故障样本训练集对滚动轴承故障诊断模型进行训练并测试的步骤，直至确定优化后的概率神经网络能准确进行故障诊断，确定目标概率神经网络；

[0094] 基于目标概率神经网络，确定目标滚动轴承故障诊断模型。

[0095] 具体的，为了进一步提高目标滚动轴承故障诊断模型的准确性，将故障样本数据进行归一化处理，分为训练集和测试集，并传送给数字孪生模型中。其中，训练集用于模型的训练，测试集用于测试模型训练结果适合满足需求。

[0096] 图4为本发明提供的采煤机滚动轴承故障诊断方法流程示意图，如图4所示，基于最优平滑因子，确定目标滚动轴承故障诊断模型的步骤，具体包括：

[0097] 根据萤火虫算法确定的最优平滑因子，确定优化后的概率神经网络，利用故障样本测试集对优化后的概率神经网络进行测试，判断优化后的概率神经网络是否能准确进行故障诊断。

[0098] 若确定优化后的概率神经网络能够准确进行故障诊断，则进行下一样本法测试，直至确定故障样本测试集中的样本均能实现准确的诊断。

[0099] 若确定优化后的概率神经网络不能准确进行故障诊断，则重复基于故障样本训练集对滚动轴承故障诊断模型进行训练并测试的步骤，对故障信息进行重新学习，对故障诊断模型进行更新，直至确定优化后的概率神经网络能准确进行故障诊断，确定目标概率神经网络。

[0100] 基于目标概率神经网络，确定目标滚动轴承故障诊断模型。

[0101] 本发明提供的采煤机滚动轴承故障诊断方法，通过构建流程工业中采煤机滚动轴承的数字孪生模型，将数字孪生技术与概率神经网络结合来构建滚动轴承故障诊断模型，采用萤火虫算法对模型进行优化，实现模型的快速训练，并结合测试集对模型检测效果进行验证，保证模型能够准确有效的学习故障规律，在有效解决建模不准确导致预测结果准确性低的问题的同时，进一步提高模型故障检测的准确性。

[0102] 可选的，根据本发明提供的采煤机滚动轴承故障诊断方法，根据萤火虫算法对概率神经网络平滑因子进行优化，确定最优平滑因子，具体包括：

[0103] 根据改进的萤火虫算法对概率神经网络平滑因子进行优化，确定最优平滑因子；

[0104] 其中，改进的萤火虫算法是在标准萤火虫算法中增添惯性权重；

[0105] 改进的萤火虫算法中萤火虫i被吸引向萤火虫j移动的位置更新公式为：

[0106] xi(t+1)＝w(t)xi(t)+β(xj(t)‑xi(t))+αnew(rand‑0.5)；

[0107] 上式中，xi(t)和xj(t)分别为萤火虫i和萤火虫j在空间中第t次移位后的位置，w(t)为惯性权重，αnew为步长因子，β为萤火虫j对萤火虫i的吸引度，rand为[0,1]上服从均匀分布的随机因子；

[0108] 惯性权重计算公式为：

[0109]

[0110] 上式中，wmax为最大惯性权重，wmin为最小惯性权重，T为最大迭代次数。

[0111] 具体的，由于传统的萤火虫算法存在后期收敛速度慢、求解精度差、易陷入局部最优等问题，本发明提出一种改进的萤火虫算法(Modification Firefly Algorithm，MFA)，在标准萤火虫算法(Firefly Algorithm，FA)中增加惯性权重，提高算法的收敛速度和求解精度，提高故障诊断的准确性。

[0112] 根据改进的萤火虫算法对概率神经网络平滑因子进行优化，确定最优平滑因子。

[0113] 改进的萤火虫算法中萤火虫i被吸引向萤火虫j移动的位置更新公式为：

[0114] xi(t+1)＝w(t)xi(t)+β(xj(t)‑xi(t))+αnew(rand‑0.5)；

[0115] 上式中，xi(t)和xj(t)分别为萤火虫i和萤火虫j在空间中第t次移位后的位置，w(t)为惯性权重，αnew为步长因子，β为萤火虫j对萤火虫i的吸引度，rand为[0,1]上服从均匀分布的随机因子；

[0116] 惯性权重计算公式为：

[0117]

[0118] 上式中，wmax为最大惯性权重，wmin为最小惯性权重，T为最大迭代次数，t为当前迭代次数。例如，在实际应用中，可设置T＝200，wmin＝0.2，wmax＝0.8，参数的具体数值可根据实际需求进行调整，本发明对此不作限定。

[0119] 可以理解的是，使用改进的萤火虫算法对概率神经网络平滑因子的优化方法与标准萤火虫算法的优化方法相仿，仅需替换萤火虫的位置更新公式，具体的步骤在此不作赘述。

[0120] 本发明提供的采煤机滚动轴承故障诊断方法，通过构建流程工业中采煤机滚动轴承的数字孪生模型，将数字孪生技术与概率神经网络结合来构建滚动轴承故障诊断模型，采用改进的萤火虫算法对模型进行优化，相较于传统的萤火虫算法，改进的萤火虫算法能够实现对惯性权重的调整，提高萤火虫算法的收敛速度和求解精度，在实现模型的快速训练的同时，进一步提高模型的诊断准确性。

[0121] 可选的，根据本发明提供的采煤机滚动轴承故障诊断方法，改进的萤火虫算法是在标准萤火虫算法中增添惯性权重并改进步长因子；

[0122] 步长因子计算公式为：

[0123]

[0124] 上式中，t为当前迭代次数，a0为初始步长因子。

[0125] 具体的，发现sinx，当x＝1.5707时，函数值为1，且随着x的减小而减小，因此，将正弦函数引入步长以增强全局搜索能力。改进的萤火虫算法是在标准萤火虫算法中增添惯性权重并改进步长因子。

[0126] 步长因子计算公式为：

[0127]

[0128] 上式中，t为当前迭代次数，a0为初始步长因子，T为最大迭代次数。

[0129] 本发明提供的采煤机滚动轴承故障诊断方法，通过构建流程工业中采煤机滚动轴承的数字孪生模型，将数字孪生技术与概率神经网络结合来构建滚动轴承故障诊断模型，采用改进的萤火虫算法对模型进行优化，相较于传统的萤火虫算法，改进的萤火虫算法是在标准萤火虫算法中增添惯性权重并改进步长因子，提高萤火虫算法的收敛速度和求解精度并增强了全局搜索能力，在实现模型的快速训练的同时，进一步提高模型的诊断准确性。

[0130] 可选的，根据本发明提供的采煤机滚动轴承故障诊断方法，根据改进的萤火虫算法对概率神经网络平滑因子进行优化，确定最优平滑因子，具体包括：

[0131] 初始化萤火虫的基本参数，将概率神经网络平滑因子作为萤火虫个体；

[0132] 根据萤火虫初始位置，计算萤火虫个体的适应度值；

[0133] 基于适应度值比较萤火虫亮度，确定最亮位置为萤火虫新位置，根据位置更新公式更新萤火虫的位置；

[0134] 迭代更新适应度值和萤火虫的位置，直至满足预设寻优条件，输出最优的萤火虫位置，确定最优平滑因子。

[0135] 具体的，根据改进的萤火虫算法对概率神经网络平滑因子进行优化，确定最优平滑因子，具体包括：

[0136] 初始化萤火虫的基本参数，包括萤火虫初始种群规模N、萤火虫的位置、光吸收系数γ、步长因子α、吸引度β和最大迭代次数T等，将概率神经网络平滑因子作为萤火虫个体，并初始化概率神经网络，对故障样本数据进行归一化处理。

[0137] 根据萤火虫初始位置，根据萤火虫相对亮度公式，计算萤火虫个体的适应度值，适应度值反映萤火虫的亮度。

[0138] 萤火虫的相对亮度I公式为：

[0139]

[0140] 上式中，I0表示萤火虫距离为0时的荧光亮度，即最亮萤火虫的亮度；γ表示光吸收系数；rij表示萤火虫i与j之间的距离。基于适应度值比较萤火虫亮度，确定最亮位置为萤火虫新位置，根据位置更新公式更新萤火虫的位置；

[0141] 迭代更新适应度值和萤火虫的位置，直至满足预设寻优条件，输出最优的萤火虫位置，此时得到的是改进的萤火虫算法求取的最优平滑因子。

[0142] 本发明提供的采煤机滚动轴承故障诊断方法，通过构建流程工业中采煤机滚动轴承的数字孪生模型，将数字孪生技术与概率神经网络结合来构建滚动轴承故障诊断模型，采用改进的萤火虫算法对模型进行优化，相较于传统的萤火虫算法，改进的萤火虫算法是在标准萤火虫算法中增添惯性权重并改进步长因子，提高萤火虫算法的收敛速度和求解精度并增强了全局搜索能力，在实现模型的快速训练的同时，进一步提高模型的诊断准确性。

[0143] 可选的，根据本发明提供的采煤机滚动轴承故障诊断方法，预设寻优条件，包括：

[0144] 迭代次数大于预设迭代阈值；或

[0145] 目标函数的结果小于预设期望阈值；

[0146] 其中，目标函数公式为：

[0147] 上式中，Ei为实际输出，Ri为期望输出，N为萤火虫总数。

[0148] 具体的，如图4所示，在采用改进的萤火虫算法确定最优平滑因子时，需设置预设寻优条件。

[0149] 迭代次数大于预设迭代阈值；或

[0150] 目标函数的结果小于预设期望阈值；

[0151] 其中，目标函数为PNN网络效果检测时，输出值和真实值的均方差MSE，目标函数公式为：

[0152] 上式中，Ei为实际输出，Ri为期望输出，N为萤火虫总数。

[0153] 采用改进的萤火虫算法求取平滑因子并赋给概率神经网络，当故障诊断的准确率最高，即目标函数结果小于预设期望阈值，或者达到最大迭代次数时，记录当前萤火虫的位置以及亮度值，得到最优平滑因子。

[0154] 本发明提供的采煤机滚动轴承故障诊断方法，通过构建流程工业中采煤机滚动轴承的数字孪生模型，将数字孪生技术与概率神经网络结合来构建滚动轴承故障诊断模型，采用改进的萤火虫算法对模型进行优化，相较于传统的萤火虫算法，改进的萤火虫算法是在标准萤火虫算法中增添惯性权重并改进步长因子，提高萤火虫算法的收敛速度和求解精度并增强了全局搜索能力，在实现模型的快速训练的同时，进一步提高模型的诊断准确性。

[0155] 为了进一步说明本发明的实际效果，运用Matlab2020b软件进行FA方法与MFA方法的性能对比的仿真验证。

[0156] 考虑不确定性，设置萤火虫的种群数量为30，最大迭代次数T＝200，初始步长因子α0＝0.97，初始吸引度β0＝0.8，最小吸引度βmin＝0.2，光吸收系数γ＝1。

[0157] 经过反复调试，图5为本发明提供的基于萤火虫算法优化的概率神经网络预测效果图，图6为本发明提供的基于萤火虫算法优化的概率神经网络训练误差示意图，采用FA算法优化PNN网络的预测效果与训练误差如图5‑6所示。

[0158] 图7为本发明提供的基于改进的萤火虫算法优化的概率神经网络预测效果图，图8为本发明提供的基于改进的萤火虫算法优化的概率神经网络训练误差示意图，采用MFA算法优化PNN网络的预测效果与训练误差图7‑8所示。

[0159] 图5和图7中，横坐标为样本编号，纵坐标为预测结果，Pre为预测值，Real为真实值。图6和图8中，横坐标为样本编号，纵坐标为样本种类误差。结果表明，相较于传统的FA算法，本文提出的改进的MFA算法预测错误率明显较低，对故障诊断的准确度有大幅度提高。

[0160] 图9为本发明提供的采煤机滚动轴承故障诊断系统结构示意图，如图9所示，本发明还提供一种采煤机滚动轴承故障诊断系统，包括：模型构建单元901、模型确定单元902和故障诊断单元903；

[0161] 模型构建单元901，用于基于目标采煤机滚动轴承，建立目标采煤机滚动轴承的数字孪生模型和对应的滚动轴承故障诊断模型；

[0162] 模型确定单元902，用于基于数字孪生模型和滚动轴承故障诊断模型，根据萤火虫优化算法，确定目标滚动轴承故障诊断模型；其中，滚动轴承故障诊断模型基于概率神经网络确定；

[0163] 故障诊断单元903，用于基于目标滚动轴承故障诊断模型，确定目标采煤机滚动轴承故障结果。

[0164] 图2为本发明提供的数字孪生模型构结构示意图，如图2所示，为了保证对目标采煤机滚动轴承建模的准确性，需要先对滚动轴承实际运行情况进行分析，建立数字孪生模型。

[0165] 模型构建单元901，用于基于目标采煤机滚动轴承，利用Unity3D建立采煤机滚动轴承的数字孪生模型。采煤机滚动轴承的数字孪生模型包括几何模型、物理模型、行为模型和规则模型。

[0166] 其中，采煤机滚动轴承的几何模型包括各部件的几何尺寸、形状以及设备与设备之间的位置关系等参数；物理模型是滚动轴承的物理属性，如应变力、损伤等，对滚动轴承本身物理状态的实时映射；行为模型包括滚动轴承对内外部环境和系统指令的动作响应，使数字孪生体能够超写实的模拟实际运行情况，进行故障诊断分析；规则模型是基于专家知识将经验、历史数据、实时数据与设备的运行状态进行总结，挖掘设备的故障规则，从而提供故障预测功能。

[0167] 以目标采煤机滚动轴承的数字孪生模型为基础，结合专家知识、机器学习等，建立对应的滚动轴承故障诊断模型。可以理解的是，其中，滚动轴承故障诊断模型基于概率神经网络(Probabilistic Neural Network，PNN)确定，用于实现目标采煤机滚动轴承的预测性故障诊断。

[0168] 需要说明的是，在本发明中数字孪生模型和对应的滚动轴承故障诊断模型的具体构建方法以及实际结构，均可根据本发明实际应用需求进行调整，本发明对此不作限定。

[0169] 模型确定单元902，用于基于数字孪生模型和滚动轴承故障诊断模型，根据萤火虫优化算法优化初始的滚动轴承故障诊断模型，确定目标滚动轴承故障诊断模型。

[0170] 可以理解的是，数字孪生模型是物理实体在虚拟模型中的实时映射，实时监测滚动轴承实体运行状态，并将其仿真模拟数据实时传至数据库，为滚动轴承故障诊断模型的训练提供样本数据。

[0171] 确定故障诊断模型训练成功后，故障诊断单元903，用于基于目标滚动轴承故障诊断模型，根据目标滚动轴承需要诊断时的数据信息，对滚动轴承进行预测性故障诊断，确定目标采煤机滚动轴承故障结果。

[0172] 可以理解的是，在进行故障诊断时，可以采用目标滚动轴承的当前实际数据信息进行实时故障预测，也可以采用数字孪生模型所获得的模拟数据进行故障检测，具体诊断数据类型可根据实际需求进行调整，本发明对此不作限定。

[0173] 本发明提供的采煤机滚动轴承故障诊断系统，通过构建流程工业中采煤机滚动轴承的数字孪生模型，将数字孪生技术与概率神经网络结合来构建滚动轴承故障诊断模型，采用萤火虫算法对模型进行优化，实现模型的快速训练，并有效解决建模不准确导致预测结果准确性低的问题。通过滚动轴承故障诊断模型，实现对滚动轴承进行预测性故障诊断，能够有效提高采煤机滚动轴承预测性故障诊断的准确性，降低采煤机运行成本。

[0174] 需要说明的是，本发明提供的采煤机滚动轴承故障诊断系统用于执行上述采煤机滚动轴承故障诊断方法，其具体的实施方式与方法实施方式一致，在此不再赘述。

[0175] 图10为本发明提供的电子设备的实体结构示意图，如图10所示，该电子设备可以包括：处理器(processor)101、通信接口(CommunicationsInterface)102、存储器(memory)103和通信总线104，其中，处理器101，通信接口102，存储器103通过通信总线104完成相互间的通信。处理器101可以调用存储器103中的逻辑指令，以执行采煤机滚动轴承故障诊断方法，该方法包括：基于目标采煤机滚动轴承，建立目标采煤机滚动轴承的数字孪生模型和对应的滚动轴承故障诊断模型；其中，滚动轴承故障诊断模型基于概率神经网络确定；基于数字孪生模型和滚动轴承故障诊断模型，根据萤火虫优化算法，确定目标滚动轴承故障诊断模型；基于目标滚动轴承故障诊断模型，确定目标采煤机滚动轴承故障结果。

[0176] 此外，上述的存储器103中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read‑OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。

[0177] 另一方面，本发明还提供一种计算机程序产品，计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，计算机能够执行上述各方法所提供的采煤机滚动轴承故障诊断方法，该方法包括：基于目标采煤机滚动轴承，建立目标采煤机滚动轴承的数字孪生模型和对应的滚动轴承故障诊断模型；其中，滚动轴承故障诊断模型基于概率神经网络确定；基于数字孪生模型和滚动轴承故障诊断模型，根据萤火虫优化算法，确定目标滚动轴承故障诊断模型；基于目标滚动轴承故障诊断模型，确定目标采煤机滚动轴承故障结果。

[0178] 又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的采煤机滚动轴承故障诊断方法，该方法包括：基于目标采煤机滚动轴承，建立目标采煤机滚动轴承的数字孪生模型和对应的滚动轴承故障诊断模型；其中，滚动轴承故障诊断模型基于概率神经网络确定；基于数字孪生模型和滚动轴承故障诊断模型，根据萤火虫优化算法，确定目标滚动轴承故障诊断模型；基于目标滚动轴承故障诊断模型，确定目标采煤机滚动轴承故障结果。

[0179] 以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

[0180] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。

[0181] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。