基于主元分析和集成神經網絡的瓦斯傳感器故障診斷*

楊　真， 鄧芳明, 郝　勇， 徐長英， 王　宏， 吳　翔

(1.華東交通大學 現代教育技術中心,江西 南昌 330013；2.華東交通大學 電氣與電子工程學院，江西 南昌 330013；3.南昌航空大學 工程訓練中心,江西 南昌 330063)

?

基于主元分析和集成神經網絡的瓦斯傳感器故障診斷*

楊真1， 鄧芳明2, 郝勇2， 徐長英3， 王宏3， 吳翔2

(1.華東交通大學 現代教育技術中心,江西 南昌 330013；2.華東交通大學 電氣與電子工程學院，江西 南昌 330013；3.南昌航空大學 工程訓練中心,江西 南昌 330063)

針對瓦斯傳感器常見突發型故障，提出一種基于主元分析(PCA)和權重提升(WB)算法訓練人工神經網絡集成的瓦斯傳感器故障診斷方法。利用PCA方法提取故障特征，得到的特征向量作為神經網絡的訓練樣本；利用WB算法依次訓練多個神經網絡分類器；由集成神經網絡得到待測樣本的故障診斷結果。仿真實驗表明:該方法對測試樣本的識別正確率在98.5 %以上，能夠顯著提高瓦斯傳感器故障診斷的診斷精度和泛化能力。

瓦斯傳感器; 故障診斷; 主元分析; 人工神經網絡集成; 權重提升

0　引　言

瓦斯氣體濃度的監測是煤礦安全監測的重要指標之一，在井下高濕度、高粉塵、強電磁干擾等環境因素的長期作用下，瓦斯傳感器的卡死故障、沖擊故障、漂移故障、周期故障等常見故障頻發，嚴重影響煤礦生產安全，甚至導致重大安全事故，因此,研究瓦斯傳感器的故障診斷方法，對提高煤礦安全監測系統的可靠性有著極其重要的作用[1]。近年來，人工神經網絡(artificial neural network，ANN) 與支持向量機(support vector machine，SVM)等多種方法被應用于傳感器故障診斷中，并取得了一定成果。然而，常用的神經網絡方法均存在一定缺陷，如誤差反向傳播(back propagation, BP)神經網絡易陷入局部極值，存在過擬合、泛化能力差等問題[2]；徑向基(radial basis function, RBF)神經網絡雖然拓撲結構簡單，非線性逼近能力強，收斂速度快，但是其模型參數難以設置[3]；SVM方法盡管運算時間短、精度高，但是同樣需要進行多參數的選擇，如，核函數、懲罰系數、誤差控制等[4]。

影響瓦斯傳感器濃度的諸多因素是一種復雜的非線性關系，為了利用神經網絡的非線性映射能力，減小模型參數對網絡性能影響，同時提高神經網絡的精度和泛化能力，本文提出一種基于主元分析(principal component analysis，PCA)和人工神經網絡集成(artificial neural network ensemble,ANNE)的瓦斯傳感器故障診斷方法。該方法首先針對故障數據空間維數大的問題，利用PCA對故障數據進行降維，從原始數據中提取有效信息，構成故障信號的特征向量。神經網絡選用最基本的BP神經網絡，利用權重提升(weight boosting,WB)算法集成若干個BP神經網絡，從而在不對神經網絡模型參數進行復雜優化處理的前提下，提高整個診斷系統的精度和泛化能力。

1　故障診斷原理

1.1PCA方法

PCA是最為常用的特征提取方法之一，通過對原始數據的線性變換，可以剔除冗余信息和噪聲，利用實際應用中多個變量之間的相關性，利用一個特殊的向量矩陣將數據從高維空間映射到低維空間，得到一組相互無關的綜合變量，并按重要度從大到小排列，以實現特征提取的目的[5]。設采樣數據為X=[xij]n×m，則基于PCA的特征提取步驟如下:

(1)

2)中心化處理得到標準矩陣Y=[yij]n×m，即

(2)

3)計算協方差矩陣CX=[cij]m×m，即

(3)

4)計算CX的特征值λi和特征向量αi為

|CX-λE|=0

(4)

將特征值從大到小排序，即：λ1≥λ2≥…≥λm，對應的特征向量為：α1,α2,…,αn；

5)計算第i個特征值λi的方差貢獻度ηi

(5)

6)生成變換矩陣A=[α1,α2,…,αR],即

(6)

式中ρr為前r個特征值λ1,λ2,…,λr的累積方差貢獻度，若當r=R時，有ρr≥90 %，則這R個主元可以表示原始數據的絕大部分信息，由前R個特征向量構成變換矩陣A=[α1,α2,…，αR]

7)生成降維后的故障特征矩陣Z=[zij]n×r

Z=X×A

(7)

1.2WB算法

文獻[6]提出強分類器和弱分類器，以及弱分類器提升的概念，對于神經網絡，通過串聯、并聯等結構進行集成是常用的提升方法之一，得到的集成網絡在學習能力、泛化能力、容錯能力等方面明顯優于單一神經網絡[7]。本文使用WB算法集成若干個BP神經網絡，并生成最終的瓦斯傳感器故障診斷系統。該算法通過更新樣本權重的分布，使前一個神經網絡誤分類的樣本以較大的概率進入下一個神經網絡的訓練集中，從而更好地處理已有分類器難以處理的樣本，此外，根據每個弱分類器的分類情況賦予該分類器一個權值，表示其在加權集成時的話語權0。具體的算法步驟如下：

1)構造訓練樣本集Tr=[(xi,di)],i∈[1,N];

2)設定最大BP神經網絡個數K；

3)設置BP神經網絡結構參數、激活函數和訓練算法；

4)初始化訓練樣本集Tr分布wk

(8)

5)fork=1∶K

a.依據當前樣本分布wk，在訓練集Tr中抽取N個訓練樣本，生成新的訓練集Trk，并用該訓練集訓練第k個BP神經網絡netk；

b.計算診斷誤差E(k)為

(9)

c.若E(K)≥0.5，放棄該網絡，令k=k-1，返回步驟a，重新抽取樣本并訓練；

d.計算基元神經網絡投票權αk為

(10)

e.更新樣本權重分布wk(i)為

(11)

f.為保證更新后的樣本權重仍然是一個概率分布，需要對樣本分布歸一化處理，即

(12)

g.集成得到AdaBoost_NN診斷器H(x)為

(13)

2　仿真測試

本實驗選取的故障樣本數據來源于GJC4/100型高低濃度甲烷傳感器在正常工作狀態和卡死故障、沖擊故障、漂移故障、周期故障4種故障狀態下，重復進行400次采樣實驗所獲取的輸出信號，每種狀態各80組，每組20個數據。利用PCA方法，按1.1節所述步驟對原始故障信號進行故障特征提取，圖1為主元貢獻度矩形圖和累計貢獻度曲線，前6個主元的累計貢獻度達到91.26 %，由此可以認為原始數據的絕大部分信息可以由這6個主元表示，從而得到維數為6的故障特征向量。

圖1　主元貢獻度和累計貢獻度

表1　故障模式編碼

訓練結束后，將測試樣本的特征向量送入各個神經網絡，按照各神經網絡的投票權，對其輸出結果加權投票，各個神經網絡累計投票值最大的故障模式即為最終的診斷結果。

3　測試結果分析

以沖擊故障為例，由各個BP神經網絡識別后累計的加權投票結果如表2所示。觀察表2可以發現，經過訓練后的BP神經網絡在診斷待測樣本時，并不能都得到正確結果，然而經過加權投票后卻能得到正確結果，這表明集成的方法可以有效提高BP神經網絡的診斷準確率。

表2　神經網絡投票結果

圖2為最大BP神經網絡個數K對ANNE診斷精度的影響，如圖2所示，當K=12時，訓練誤差為0，此時測試誤差降到1.5 %，已具備良好的診斷精度。此外，隨著集成的網絡個數不斷增加，在訓練誤差降到0后，測試誤差仍可以繼續降低，這表明ANNE可以有效避免過擬合現象，提高了BP神經網絡的泛化能力。

圖2　ANNE診斷誤差

本實驗采用在瓦斯傳感器故障診斷中常用的RBF神經網絡、概率神經網絡(probabilistic neural network,PNN)以及傳統BP神經網絡與集成BP神經網絡對比，其結果如表3所示。在未對神經網絡的結構、參數和訓練算法優化調整的情況下，PNN和RBF均無法取得良好的效果，而同樣未經參數調整的BP神經網絡，通過WB算法集成后，則可以自適應的提高診斷準確率和泛化能力。

集成方法的唯一不足之處在于，由于集成了多個神經網絡，算法的訓練時間較長，但在實際應用時，利用歷史數據訓練診斷系統可以在離線條件下進行。ANNE方法的測試時間盡管稍長于其他方法，卻仍可以滿足在線監測的需求，因此,ANNE方法的時效性并不影響該方法的實際應用。

表3　ANNE與其他方法性能對比

4　結　論

本文提出了基于PCA和ANNE的瓦斯傳感器故障診斷方法，首先利用PCA方法提取故障特征，然后送入WB算法訓練ANNE。利用PCA方法提取故障信息可以降低故障特征維數，有效提高診斷算法的訓練速度，而WB算法的重復取樣和加權投票機制則提高了單一神經網絡的診斷能力和泛化性能。仿真測試結果證明:通過WB算法可以在不對神經網絡的結構、權值、訓練方法等參數尋優的情況下提高網絡的診斷能力和泛化能力，同時避免過擬合現象，具有良好的應用前景。

[1]趙金憲,金鴻章.基于小波包和神經網絡的瓦斯傳感器故障診斷[J].傳感器與微系統,2010,29(5):80-82.

[2]孫毅剛,王雷,薛仲瑞,等.基于BP網絡的航空發動機傳感器硬故障檢測[J].傳感器與微系統,2013,32(7):120-122.

[3]陳至坤,陳少敏,李福進,等.基于RBF網絡的高爐熱流分析傳感器故障診斷[J].傳感器與微系統,2007,26(6):58-59.

[4]張楠,董海鷹.基于小波分析和PSO-LSSVM的無線傳感器網絡數據預測[J].傳感器與微系統,2012,31(11):54-57.

[5]胡順仁,李瑞平,包明,等.基于主元分析的橋梁撓度傳感器故障診斷研究[J].傳感器與微系統,2014,33(6):9-12.

[6]Valiant L G.A theory of the learnable[J].Communications of the ACM，1984，27(11):1134-1142.

[7]Lars K H,Peter S.Neural network ensembles[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,1990,12(10):993-1001.

[8]Freund Y，Schapire R E.Computational learning theory[M].Berlin Heidelberg:Springer,1995:23-37.

Fault diagnosis of gas sensor based on PCA and artificial neural network ensemble*

YANG Zhen1, DENG Fang-ming2, HAO Yong2, XU Chang-ying3, WANG Hong3, WU Xiang2

(1.Modern Educational Technology Center，East China Jiaotong University，Nanchang 330013，China;2.School of Electrical and Electronic Engineering，East China Jiaotong University，Nanchang 330013，China;3.Engineering Training Center,Nanchang Hangkong University,Nanchang 330063，China)

Aiming at general abrupt faults of gas sensor,a method of gas sensor fault diagnosis is proposed based on principal component analysis(PCA)algorithm and artificial neural networks integrated via weight boosting(WB)algorithm.PCA method is used to exact fault feature,feature vectors are used as training samples,several ANN classifiers are trained in turn based on WB algorithm with these samples.Fault diagnosis result of sample under test is obtained by the artificial neural networks ensemble(ANNE)classifiers.Simulation results show that,identification correct rate of this method is more than 98.5 %,it can significantly improve fault diagnosis precision and generalization performance of gas sensors.

gas sensor; fault diagnosis; principal component analysis(PCA); artificial neural network ensemble; weight boosting(WB)

10.13873/J.1000—9787(2016)09—0033—03

2016—01—28

國家自然科學基金資助項目(21265006)；江西省自然科學基金資助項目(20151BAB217006)

TP 212

A

1000—9787(2016)09—0033—03

楊真(1980-)，男,江西南昌人,碩士,工程師，研究方向為計算機信號處理與故障診斷技術。