基于鄰域粗糙集與支持向量極端學習機的瓦斯傳感器故障診斷*

單亞峰，湯月，任仁，謝鴻

（遼寧工程技術大學電氣與控制工程學院，遼寧葫蘆島125105）

基于鄰域粗糙集與支持向量極端學習機的瓦斯傳感器故障診斷*

單亞峰*，湯月，任仁，謝鴻

（遼寧工程技術大學電氣與控制工程學院，遼寧葫蘆島125105）

針對于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作為研究對象，提出一種基于鄰域粗糙集（NRS）和支持向量極端學習機（SVM-ELM）的故障診斷方法。首先對瓦斯傳感器的特征屬性值進行歸一化處理，然后利用NRS信息約簡理論降低屬性維度，提取出影響瓦斯傳感器的關鍵屬性構成約簡集。將約簡集作為SVM-ELM的輸入進行訓練，利用訓練好的SVM-ELM對測試樣本進行模式識別。最后通過實驗對比驗證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；鄰域粗糙集（NRS）；支持向量極端學習機（SVM-ELM）；故障診斷

EEACC：7230doi：10.3969/j.issn.1004-1699.2016.09.018

瓦斯傳感器作為煤礦安全監測系統中的關鍵部件，它肩負著檢測礦井瓦斯濃度的重任，它輸出的信號正確與否直接關系到整個煤礦瓦斯安全監測系統的安全水平的高低和性能好壞［1］，然而煤礦井下高溫、高壓等惡劣的環境，常常導致瓦斯傳感器輸出失真，靈敏度下降，準確性、可靠性降低，從而導致誤報的情況［2］。作為煤礦安全檢測系統中重要部件，瓦斯傳感器發生故障后及時準確地對其做出診斷和修復，可以有效地保護人們生命財產的安全，因此，對瓦斯傳感器進行故障檢測與診斷的研究是具有重要意義的。近年來，眾多學者在故障診斷領域做了大量研究，并取得了一定的研究成果，采用的算法無非也是神經網絡、支持向量機等，但經實踐證明，這些方法存在一定的缺陷，文獻［3］將神經網絡應用于變壓器的故障診斷中，盡管該方法一定程度上提高了診斷的準確性，但在小樣本學習訓練上具有局限性，而瓦斯傳感器故障診斷訓練樣本有限，無法達到分類精度高的要求。文獻［4］將支持向量機應用于滾動軸承的故障診斷中，雖然解決了小樣本問題，彌補了神經網絡的不足，但其性能對參數選擇的依賴性很高，在一定程度上影響了瓦斯傳感器故障診斷的速度。Huang等提出的極端學習機算法是近幾年應用比較廣泛的新型機器學習方法［5］，吸引了許多學者的目光，然而傳統的極端學習機存在隱含層節點個數選擇困難問題，本文有效結合支持向量機中的核函數映射，構建支持向量極端學習機模型算法，克服了傳統極端學習機的缺陷［6］，為機器學習提供了理論依據。為了提高瓦斯傳感器故障診斷的精度和效率，有必要對提取的冗余特征信息進行屬性約簡。鄰域粗糙集數值型屬性約簡算法［7］能夠直接處理數值型屬性，快速準確地提取出關鍵屬性，無須對其進行離散化處理，無論在選擇特征數量和分類精度方面都有較大的優勢。

通過上述分析，本文將鄰域粗糙集與支持向量極端學習機有機結合，充分發揮兩者的優勢，提出一種有效的瓦斯傳感器故障診斷方法，通過MATLAB仿真實驗對比分析驗證該方法具有收斂速度快，分類精度高的優點。

1　鄰域粗糙集屬性約簡算法

1.1鄰域粗糙集理論

鄰域粗糙集是胡清華［8］等人利用鄰域模型對經典粗糙集理論的一種拓展模型，該模型以實數空間中的每一個點形成一個鄰域δ，δ鄰域族構成了描述空間中任一概念的基本信息粒子。經典粗糙集只能處理完備的信息，還要對樣本數據進行離散化，這就不可避免地對數據的準確性造成一定的信息影響，計算結果往往取決于離散化的效果。而鄰域粗糙集的最大優點在于，可以直接處理數值型屬性，不需要進行離散化，這樣就使得鄰域粗糙集在屬性約簡和分類器的構造上都有更大的優勢。

1.2前向貪心數值屬性約簡

鄰域粗糙集中前向搜索算法可以保證重要的屬性優先被加入到約簡的行列匯總，不損失重要的特征，而后向搜索就很難保證這樣的結果，因此就會使一些冗余特征的決策系統的一些重要屬性被刪除，從而致使系統的區分能力降低，因此文中選取前向貪心數值屬性約簡算法。屬性的重要度由屬性本身、屬性相對屬性子集、決策變量組成的函數。此算法是根據屬性的重要度指標來構造貪心式屬性約簡算法，簡單地說就是以空集為起點，計算全部剩余知識屬性的屬性重要度，取最大重要度數值的屬性加入到約簡集合中，直到剩余屬性的重要度全部為0時就不再加入新的屬性，即系統的依賴型函數不再發生任何變化。基于鄰域粗糙集模型的數值屬性約簡算法如下：

在瓦斯濃度檢測過程中，瓦斯傳感器的輸出由風速、風量、溫度、CO2及其臨近測點的瓦斯濃度值共同決定［9］，這些數據有著不同的工程單位，各變量的大小在數值上差異也很大，直接使用原始測量數據進行計算可能丟失信息和引起數值計算的不穩定，因此要對各參數進行歸一化處理。所謂對數據的歸一化處理是對數據進行尺度變換和預處理。尺度變換常常將它們變換到［-1，0］或［0，1］的范圍，這里數據的歸一化采用如下算式［10］：

式中，x，x′為歸一化前、后數據，xMax、xMax為歸一化前數據的最大和最小值。

歸一化后的數據可以消除由于不同特征因子的量綱不同和數量級不同所帶來的影響。

2　NRS-SVM-ELM故障診斷模型

2.1極端學習機（ELM）理論

ELM是一種新的前饋神經網絡模型［11］，克服了收斂速度慢，易陷入局部最優等缺陷，其輸入權值和隱含層偏置值隨機生成且在訓練中保持不變，僅需采用線性回歸的方法確定輸出權值，極大的提高了網絡泛化能力和學習速度，其結構如圖1所示。

圖1　極端學習機結構示意圖

ELM數學表達式為：

式中：m，M，n分別為網絡輸入層、隱含層和輸出層的節點數；g（x）為激活函數，一般取Sigmoid函數。設由N個不同的樣本（xi，yi），（1≤i≤N），其中yi=［yi，1，yi，2，…，yi，n］T∈Rn，ok=［ok，1，ok，2，…，ok，n］T為網絡輸出，αi=［α1，i，α2，i，…，αm，i］為輸入層和第i個隱含層的連接權值，bi為隱含層閾值，βi=［βi，1，βi，2，…，βi，n］T為第i個隱含層和輸出層的輸出權值。如果一個有M個隱含點的SLFNs能以接近于0的誤差來逼近這N個樣本，則存在αi，βi，bi有：

簡化為：Hβ=Y式中：H為網絡隱含層輸出矩陣；β為輸出權值矩陣；Y為期望輸出矩陣。表示如下：

在訓練開始時，輸入層到隱含層的連接權值α和隱含層閾值b隨機生成并保持固定，僅需訓練確定輸出權值β。通常采用偽逆算法一步計算得

式中：H*是矩陣H的MP廣義逆。對?求解后，完成對ELM的網絡訓練過程。

2.2極端學習機算法改進

影響極端學習機建模性能的一個重要參數即隱含層節點個數，通常需要根據訓練任務的不同，采用較為繁瑣的交叉驗證方法進行選擇［12］。Schrauwen和Williams等學者已經證明：具有無窮個隱節點的神經網絡與支持向量機方法是等價的，而具有有限隱節點的神經網絡可看作是支持向量機方法的低維逼近。為避免極端學習機模型中隱節點選擇問題，本文將傳統極端學習機的隱含層節點映射h（x）擴展為核方法中的核函數映射φ（x），對支持向量機進行低維逼近，以此構建支持向量極端學習機模型（SVM-ELM）。該模型有效結合了極端學習機訓練簡便和核方法的泛化性能好的優勢，且表現出較傳統極端學習機更好的學習能力。

在該極端學習機的特殊實現中，隱含層特征映射h（）

x可以是未知的，可對極端學習機定義如下核矩陣：

因此，輸出函數為

式中C為正則化系數，以平衡模型精度和模型復雜度。

核函數的選擇有以下3種：一是利用專家經驗選擇核函數；二是核函數的選取時，分別適用不同的核函數，比較出誤差最小的核函數就是最好的核函數；三是采用由Smits等提出的構造混合核函數方法。根據長久經驗及實踐證實，徑向基核函數是目前應用較廣泛的一種核函數，本文選用該函數作為支持向量極端學習機的核函數。

NRS-SVM-ELM模型算法步驟：

步驟1 根據式（2）利用MATLAB軟件對各類傳感器采集的樣本數據進行歸一化處理；

步驟2 運用鄰域粗糙集方法，按照上述步驟進行屬性約簡；

步驟3 確定K（u，v），初始化支持向量機極端學習機；

步驟4 給定訓練樣本集N，激活函數g（x）以及隱含層節點數M，隨機生成輸入層到隱含層的連接權值α和隱含層閾值b，根據偽逆算法確定輸出權值β，進行訓練；

步驟5 判斷

是否成立，若成立轉步驟6，否則轉步驟4；

步驟6利用訓練好的支持向量極端學習機對測試樣本上進行故障識別；

3　實驗驗證與結果分析

3.1實驗配置

實驗選取山西某煤礦正常工作面的傳感器采集到5類狀態下的各60組實測數據，將前40組數據作為訓練樣本集，后20組數據作為測試樣本集。用U=｛｝1，2，…，60來表示60個樣本集合，以風速V、溫度T、CO2濃度C、上隅角傳感器T0、回風巷瓦斯傳感器T1、T2、T3、T4和進風巷瓦斯傳感器T5作為樣本集合U上的特征屬性A，A=｛V，T，C，T0，T1，T2，T3，T4，T5｝，以識別類型沖擊型、漂移型、偏置型、周期性和正常型作為決策屬性D，D=｛di｝，i=1，2，3，4，5。經查閱文獻，通過長久經驗將前40組數據進行預處理得到約簡后的關鍵屬性集red=｛V，T，C，T1，T2｝，將約簡集對應的數據作為SVM-ELM的輸入進行編碼和訓練，完成網絡訓練，然后用另外的20組測試樣本進行測試。

另外，將支持向量極端學習機的輸出層節點設定為4，這5種狀態對應關系如表1。根據約簡集red可知輸入層節點個數為5，將隱含層節點數設定為6，則該支持向量極端學習機采用5-6-4的結構。

表1　傳感器狀態與模型輸出映射關系

3.2結果分析

取5類狀態下的各20組實測數據進行測試，由于篇幅限制只列出部分輸出結果，見表2，全部樣本診斷識別后的分類情況如圖2所示，可以看出每種故障的識別率都在95%以上，符合辨識分類的要求。因此，本文的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的。

圖2　樣本識別的分類結果

表2　實驗輸出結果

3.3對比實驗

為了驗證本文提出的NRS和SVM-ELM相結合的故障診斷模型的的優越性，進行了如下對比實驗，分別將約簡前后的原始數據輸入到OS-ELM［13］，PCA-PSO-ELM［14］和SVM-ELM模型中，得到故障診斷結果對比見表3。其中極端學習機的輸入輸出節點個數及參數設置與文中3.1小節保持一致，同樣選取40組訓練樣本，20組測試樣本，將訓練時間，診斷時間和診斷正確率作為評價標準，進行分析。

表3　不同模型的屬性約簡前后診斷結果對比表

從表3可以看出，支持向量極端學習模型與傳統的極端學習機和經粒子群優化的極端學習機算法相比，盡管在訓練時間和診斷時間上并沒有太明顯的優勢，但診斷的準確率明顯提高，無論是采用OS-ELM、PCA-PSO-ELM還是SVM-ELM模型，經NRS進行屬性約簡后，三種模型的精度都有所提高，而且還極大的縮短了訓練和診斷時間，診斷速度顯著提升。實驗數據表明，本文提出的基于NRS與SVM-ELM的故障診斷模型算法要明顯優于傳統的極端學習機，具有更好的泛化能力，可應用于其他工程領域。

4　結論

本文將鄰域粗糙集與支持向量極端學習機相耦合，充分發揮兩者的優勢，提出一種能夠快速、準確識別出故障類型的模型算法。鄰域粗糙集屬性約簡算法相比于其它屬性約簡算法能夠快速提煉出影響故障診斷精度的關鍵屬性，縮減了支持向量極端學習機的輸入空間規模，極大地減少了計算量，具有很好的泛化能力。支持向量極端學習機故障診斷模型克服了傳統極端學習機隱含層節點選擇困難的缺陷，使診斷速度更快，診斷精度更高。NRS與SVM-ELM兩種方法的結合不僅能夠擴大系統處理信息的廣度，同時豐富了系統處理信息的方法，極大地提高了瓦斯傳感器故障診斷的準確率，具有一定理論研究價值和工程應用意義。

［1］黃凱峰，劉澤功，王其軍，等.基于ASGSO-SVR模型的瓦斯傳

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，shanyf68@163.com；

湯月（1992-），女，遼寧錦州人，碩士研究生，主要研究方向為現代傳感技術，764406729@qq.com。

Gas Sensor Fault Diagnosis Based on Neighborhood Rough Set Combined with Support Vector Machine and Extreme Learning Machine*

SHAN Yafeng*，TANG Yue，REN Ren，XIE Hong
（College 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 ob?ject and proposes a pattern classification and identification of the fault diagnosis of gas sensor method based on neighborhood rough set（NRS）combined with support vector machine and extreme learning machine（SVM-ELM）.First of all，normalize the feature attribute of the gas sensor，the reduction set is formed via reducing the attribute di?mension with NRS information reduction theory，including key attributes of the gas sensor.Train SVM-ELM taking the reduction set for input data and recognize the fault patterns using test samples.Finally，through experiment con?trast analysis，this method has the features of fast training speed，high accuracy of classification，and the identifica?tion correct rate is more than 95%.It can significantly improve the effectiveness and accuracy of the fault diagnosis.

gas sensor；neighborhood rough set；Support Vector Machine and Extreme Learning Machine（SVMELM）；fault diagnosis

TP212；TP181

A

1004-1699（2016）09-1400-05

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

2016-03-14修改日期：2016-04-16