基于小波包和RBF神經網絡的瓦斯傳感器故障診斷*

單亞峰,孫 璐,付 華,訾 海

(遼寧工程技術大學電氣與控制工程學院,遼寧 葫蘆島 125105)

?

基于小波包和RBF神經網絡的瓦斯傳感器故障診斷*

單亞峰*,孫 璐,付 華,訾 海

(遼寧工程技術大學電氣與控制工程學院,遼寧 葫蘆島 125105)

針對瓦斯傳感器故障診斷速度慢、診斷精度不高的問題,以常見的沖擊型、漂移型、偏置型和周期型傳感器輸出故障為研究對象,提出了一種基于減聚類(SCM)與粒子群(PSO)算法優化的RBF神經網絡進行模式分類與辨識的瓦斯傳感器故障診斷方法。首先,利用三層小波包分解得到各個節點的分解系數,采用一定的削減算法使故障的瞬態信號特征得到加強,獲取最優的特征能量譜。再利用SCM-PSO算法優化RBF神經網絡,使粒子的搜索速度更快,更有利于發現全局最優解。最后通過實驗對比分析,該方法具有訓練速度快、分類精度高的特點,辨識正確率在95%以上,能夠顯著提高故障診斷的速度和準確性。

瓦斯傳感器;小波包;SCM-PSO;RBF神經網絡;故障診斷

瓦斯傳感器是煤礦監測系統中最重要的傳感設備之一,它可以對礦井內的瓦斯濃度進行檢測,傳送給上位機,從而預報煤礦的安全與否[1]。但是,由于工作環境的問題,瓦斯傳感器長期處在礦下高溫、高濕度、高粉塵、強干擾下,經常會發生卡死、漂移、沖擊等故障,使瓦斯傳感器信號的輸出不準,從而使瓦斯監測系統的性能下降,影響了煤礦的生產安全。因此,對瓦斯傳感器進行故障診斷具有重要意義。

目前,常用的瓦斯傳感器故障診斷方法有時間序列分析法、多元回歸分析法和神經網絡逼近法等[2]。文獻[3]研究了基于連續小波極值點變換在傳感器故障診斷中的應用;文獻[4]提出了小波包分解提取各個節點特征能量與LVQ神經網絡進行故障模式分類的傳感器故障診斷方法。本文通過對現有研究方法的學習,提出了一種基于小波包分解與減聚類算法和粒子群算法組合優化的RBF神經網絡的分類識別方法來對瓦斯傳感器的故障進行診斷。采用基于代價函數的局域判別基(LDB)算法對小波包分解進行剪裁,獲取最優的特征能量譜。RBF神經網絡的基函數個數為減聚類算法的聚類個數,聚類中心和寬度作為一個粒子的初始位置,對粒子的搜索有較好的指引作用,更有利于發現全局最優解,提高預測與診斷的準確率。

1 信號的小波包分解與重構

1.1 小波包分解

小波包分解是基于小波分析延伸出來的一種對信號進行更細致分解和重構的方法[5]。它同時對低頻信號部分和高頻信號部分進行分解,使頻譜窗口被分割的更細,具有更高的時頻分辨率,對信號的分析能力更強。三層小波包的分解過程如圖1所示,其中A表示低頻部分,D表示高頻部分,序號為小波包的分解層數。分解關系可表示為:

X=AAA3+DAA3+ADA3+DDA3+AAD3+

DAD3+ADD3+DDD3

圖1 小波包分解示意圖

1.2 故障特征提取

當傳感器出現故障時,頻帶內的信號會有較大的變化。在各頻率信號的能量中,包含著豐富的故障信息,頻率信號能量的改變即代表了一種故障。因此,以能量為元素構造的特征向量可直觀的反應信號的某些特征。因為傳感器正常輸出信號不為零,這樣提取能量時主要集中在低頻節點上,容易與沖擊和偏差這類故障相混淆。因此,在進行小波包分解前,對信號進行標準化。具體的特征提取步驟為:

③為了更準確的描述信號能量變化,對X30～X37進行削減處理[6]:

?計算個基點分解系數的削減閾值:

其中,k表示X3i的長度,且X3i=[cfs3i1cfs3i2… cfs3ik]。

?對系數進行如下處理:

④重構(3)中各節點的分解系數,得到重構數據S3i(i=0,1,…,7)。

⑤計算各頻帶信號總能量:

E3i=∫|S3i|2dt=∑|S3i|2

⑥特征向量單位化:當能量較大時,為了使分析更加方便,可對特征向量進行單位化,可得新的特征向量。對E3i進行歸一化處理:

⑦構造特征向量如下,將其作為RBF神經網絡的訓練樣本輸入。

2 減聚類算法與改進粒子群優化的RBF神經網絡訓練方法

常見的RBF神經網絡訓練方法有最小二乘法、梯度下降法和K-means聚類法等[7],但是它們不易找到神經網絡的連接權值、徑向基函數的中心和寬度等重要參數的全局最優解。為了克服這一缺點,利用改進的粒子群(IPSO)和減聚類(SCM)算法訓練RBF神經網絡,通過減聚類算法確定RBF神經網絡的基函數個數和網絡結構,然后以得到的中心向量和寬度作為粒子群中的一個粒子位置矢量,確定最佳的網絡參數。

2.1 減聚類算法

減聚類算法[8-11]是一種相對簡單而又有效的聚類算法,它將每一個數據點都作為潛在的聚類中心,之后減去已完成的聚類中心的所用,再次尋找聚類中心,直到滿足一定的指標值。設p維空間的N個數據點為{X1,X2,…,XN},每一個數據點代表一個聚類中心,各數據點Xl的密度指標表示為:

2.2 粒子群算法的改進

粒子群算法是每個粒子根據個體最優位置Pbesti和全局最優位置Pgbest更新自己的速度和位置的過程,各粒子受Pgbest的影響,很快收斂到Pgbest附近。如果Pgbest是一個局部極值,則整個粒子群陷入局部最優,很難跳出Pgbest的束縛去發現全局最優解[12-14]。因此,本文對基本的粒子群算法進行改進,在進化初期,粒子以較大的概率向種群中的個體學習,增大了搜索區域,增加了收斂到全局最優解的概率。選擇策略為:設t為當前進化代數,MaxGen為最大進化代數,在第t代進化過程中,隨機產生一個0～1之間均勻分布的隨機數r,計算Rt=t/MaxGen。如果r>Rt,則在粒子群中除去自身和最佳的粒子之外隨機選擇一個粒子,以該粒子的最優位置,記作Prnd=(pr1,pr2,…,prp)代替Pgbest,則速度更新變為

其中,否則按基本粒子修改方法進行更新。

改進的粒子群算法的計算過程如下:

Step1 參數的初始化,包括學習因子c1、c2,初始慣性因子ω、種群規模m和最大進化代數MaxGen;

Step2 隨機產生種群為m的粒子,計算每個粒子的適應度,選擇當前最優的Pbesti初始化Pgbest;

Step3 按公式ω=ωIni-ωFint/MaxGen計算當前慣性權重系數,其中ωIni為初始慣性權重,ωFin為進化結束時的慣性權重;

Step4 更新粒子的速度和位置;

Step5 計算每個粒子的適應值,若該位置優于Pbesti,則更新Pbesti,否則不更新;

Step6 選擇所有粒子的個體最優解Pbesti中的最優值作為當前粒子群的全局最優解Pgbest;

Step7 t=t+1;

Step8 判斷終止條件,如果達到最大進化代數則終止迭代,Pgbest即為找到的最優解;否則轉Step3。

2.3 基于改進粒子群和減聚類算法的RBF神經網絡優化

首先采用減聚類算法對訓練樣本進行聚類,得到聚類個數M和M個中心向量ui和聚類寬度σi,然后以聚類個數M最為隱含層神經元的個數,確定出RBF神經網絡的結構。以網絡的訓練參數即隱含神經元的中心向量、寬度和隱含層神經元到輸出神經元的連接權重作為位置矢量,構造粒子群[15]。采用改進粒子群和減聚類算法訓練RBF神經網絡的過程如圖2所示。

圖2 基于IPSO和SCM算法的RBF神經網絡訓練過程

3 實驗驗證與分析

3.1 實驗配置

實驗以山西焦煤官地礦為背景,從官地煤礦的瓦斯數據庫中獲取5類狀態下傳感器的實測數據各60組,經過小波包分解處理后提取相應的特征向量樣本。根據瓦斯傳感器輸出信號的頻帶特點,把它的信號作3層小波包分解,得到8個頻率范圍無重疊的最優小波包基,再分別求出這8個最優小波包基對應的重構信號能量,把它們組成一組特征能量譜,如圖3所示。

圖3 瓦斯傳感器5種狀態下的特征能量譜

另外,神經網絡的輸出層節點數可確定為4,對于正常及4種故障狀態,具體對應關系如表1。根據小波包分解特征能量譜的向量長度可知,把輸入層節點個數定為8,利用減聚類算法對小波包分解后的數據樣本進行聚類,運行時的參數設置為α=2.5,δ=0.01,得到聚類個數為5,中心向量和聚類寬度如表2所示。因此,隱含層節點個數為5,輸出層節點個數定為4,所以該神經網絡采用8-5-4結構。

表1 傳感器狀態與神經網絡輸出值映射關系

表2 減聚類算法的輸出結果

對隱含層神經元的中心向量、寬度和隱含層神經元到輸出神經元的連接權重作為位置矢量,構造粒子群。粒子數設為30,慣性權重由1.2線性的減小到0.1,迭代次數為100。粒子的適應度函數為訓練樣本錯誤分類個數。采用改進的粒子群算法對構造的RBF網絡進行訓練得到的網絡基函數中心、寬度和隱含層到輸出層的連接權值如表3所示。

3.2 結果驗證

取5類狀態下傳感器的實測數據各20組,經過小波包分解處理后提取相應的特征向量樣本,對訓練過的神經網絡進行驗證,其中,一組驗證的輸出結果如表4所示,其全部樣本診斷識別后的分類情況如圖4所示?？梢钥闯?這100組樣本通過系統辨識分成了5個類別,并且每類樣本的識別正確率都在95%以上,符合辨識分類的要求。因此,本文設計方法可以有效地診斷出瓦斯傳感器的故障類型,達到了最初的設計目標。如果將該方法的模型與瓦斯傳感器并行運行,可以實現瓦斯傳感器的故障在線診斷。

表4 實驗輸出結果

圖4 樣本識別的分類結果

圖5 誤差曲線對比圖

3.3 對比分析

為了驗證本文提出的基于減聚類與粒子群優化的RBF神經網絡瓦斯傳感器故障檢測算法的優越性,將該方法與傳統的RBF神經網絡算法以及基于標準粒子群算法優化的RBF神經網絡進行比較,其中這兩種RBF神將網絡輸入輸出點個數與上文中設定的一致,訓練樣本數為100,測試樣本數為40,最大迭代次數為50。將誤差指標、訓練時間和分類準確率作為評價標準,進行分析。

由圖5可以看出,本文算法與傳統的RBF神經網絡算法和基于標準粒子群算法優化的RBF神經網絡相比,在訓練階段,收斂速度更快,誤差精度更高。而由表5可得:SCM+PSO優化的RBF算法與另外兩種方法相比,不但降低了訓練時間,而且提高了分類的正確率。此外,SCM+PSO優化的RBF神經網絡算法在誤差上也比另外兩個算法小很多。因此,該方法可作為一種有效的瓦斯傳感器故障分類診斷方法。

表5 性能指標對比

4 結論

①小波包可對高頻尺度進一步分解,分解的算法降低了特征能量譜的向量維數,提高頻率分辨率,具有更好的時頻特性,可作為一種很好的特征提取工具。

②采用粒子群和減聚類算法訓練RBF神經網絡的結構,具有訓練時間短、診斷精度高等優點,故障識別率在95%以上,能夠顯著提高故障診斷的有效性和準確性。

③把該診斷算法應用于瓦斯傳感器的在線故障檢測,能夠實時快速地辨識4類突發型軟故障,大幅提升瓦斯傳感器的工作可靠性和抗干擾能力。

[1] In-Soo Lee.Gas Classification and Fault Diagnosis of the Gas Sensor in the Monitoring System Using Neural Networks[J].International Joint Conference,2009,18(21):5342-5346.

[2]趙錫恒,何小敏,許亮.基于免疫危險理論的無線傳感器網絡節點故障診斷[J].傳感技術學報,2014,2(5):658-663.

[3]李輝,張安,徐琦.連續小波變換在傳感器故障診斷中的應用[J].傳感技術學報,2005,18(4):777-781.

[4]徐濤,王祁.基于小波包LVQ網絡的傳感器故障診斷[J].哈爾濱工業大學學報,2007,39(1):8-10.

[5]吳央,袁運能.基于小波包分解和FCM聚類的紋理圖像分割方法[J].北京航空航天大學學報,2008,5:572-575.

[6]Garcia C,Zikos G.A Wavelet-Based Framework for Face Recognition[J].Foundation for Research and Technology,2005,13(4):102-107.

[7]He Wuming,Wang Peiliang.Fault Diagnosis of Traction Machine for Lifts Based on Wavelet Packet Algorithm and RBF Neural Network[J].Computational and Information Sciences,2010,10(3):372-375.

[8]楊紅衛,李檸,侍洪波.基于減法聚類產生具有優化規則的模糊神經網絡及其軟測量建模[J].華東理工大學學報,2004,6:694-697.

[9]崔連延,徐林.基于減法聚類與改進的模糊C-均值聚類算法的說話人識別方法的研究[J].信息與控制,2008,32(2):61-66.

[10]潘天紅,薛振框.基于減法聚類的多模型在線辨識算法[J].自動化學報,2009,12(2):112-116.

[11]楊海波,華驚宇,劉半藤.基于減聚類優化算法的無線傳感網絡分簇路由協議研究[J].傳感技術學報,2012,25(11):1603-1606.

[12]劉愛軍,楊育.混沌模擬退火粒子群優化算法研究及應用[J].浙江大學學報,2013,10:1722-1730.

[13]魏津瑜,張瑋,李欣.基于PSO-BP神經網絡的高爐煤氣柜位預測模型及應用[J].中南大學學報,2013(S1):266-270.

[14]趙玲玲,馬培軍,蘇小紅.空間域減法聚類粒子濾波算法[J].哈爾濱工業大學學報,2010(3):427-431.

[15]岳恒,張海軍,柴天佑.基于混合粒子群算法的RBF神經網絡參數優化[J].控制工程,2006,11(6):64-69.

Gas sensor Fault Diagnosis Based on Wavelet Packet an RBF Neural Network Identification*

SHANYafeng*,SUNLu,FUHua,ZIHai

(Faculty of Electrical and Control Engineering,Liaoning Technical University,Huludao Liaoning 125105,China)

In order to solve the problem that the gas sensor diagnosis speed is slow and the diagnosis accuracy is not high,this paper takes the common type gas sensor fault such as impact,drift,bias and periodic fault as research object,and proposes a pattern classification and identification of the fault diagnosis of gas sensor method based on RBF neural network that is optimized by subtractive clustering and particle swarm optimization algorithm.Use three layer wavelet packet decomposition technologies to get the coefficients of each node,and adopt some cutting algorithm to improve the transient signal features of the fault,and then obtain the optimal energy spectrum.Next,use SCM-PSO algorithm to optimize RBF neural network and make the particles search faster and easier to find the global optimal solution.Finally,through experiment contrast analysis,this method has the features of fast training speed,high accuracy of classification,and the identification correct rate is more than 95%.It can significantly improve the effectiveness and accuracy of the fault diagnosis.

gas sensor;wavelet packet;SCM-PSO;RBF neural network;fault diagnosis

單亞峰(1968-),男,副教授,遼寧阜新人,遼寧工程技術大學碩士研究生導師,1991年畢業于哈爾濱建筑工程學院電氣自動化專業。多年來一直工作在科研和教學第一線,近年來發表論文10余篇,參編教材2部,主持承擔科研課題多項。主要研究方向為檢測技術及其應用,長期有效通信作者:單亞峰,shanyf68@163.com;

付 華(1962-),女,遼寧阜新人,教授,博士生導師,博士(后),主要研究方向為煤礦瓦斯檢測、智能檢測和數據融合技術方面的研究。支持國家自然科學基金2項、支持及參與國家863和省部級項目30余項,發表學術論文40余篇,申請專利24項;

孫 璐(1989-),女,遼寧阜新人,碩士研究生,主要研究方向為現代傳感技術,xiaozhuqqqqq@126.com。

項目來源:國家自然科學基金項目(51274118,70971059);遼寧省科技攻關基金項目(2011229011);遼寧省教育廳基金項目(L2012119)

2014-09-11 修改日期:2014-11-24

C:7230S

10.3969/j.issn.1004-1699.2015.02.023

TP212

A

1004-1699(2015)02-0278-06