基于徑向基神經(jīng)網(wǎng)絡(luò)的稱重設(shè)備傳感器故障檢測方法

劉 洋,歐 文*,盧 贏,盧圣文

(1.中國科學(xué)院大學(xué)微電子學(xué)院,北京 100029;2.中國科學(xué)院物聯(lián)網(wǎng)研究發(fā)展中心,智能傳感器工程中心,江蘇 無錫 214135)

?

基于徑向基神經(jīng)網(wǎng)絡(luò)的稱重設(shè)備傳感器故障檢測方法

劉 洋1,2,歐 文1,2*,盧 贏1,2,盧圣文1,2

(1.中國科學(xué)院大學(xué)微電子學(xué)院,北京 100029;2.中國科學(xué)院物聯(lián)網(wǎng)研究發(fā)展中心,智能傳感器工程中心,江蘇 無錫 214135)

在對稱重設(shè)備數(shù)字化改造的過程中,有些研究人員提出了對某一特定傳感器的故障診斷方法,但對于非指定傳感器或者兩個傳感器同時發(fā)生故障的情況卻沒有檢測方法。為此,本文提出了一種基于徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測的任意一個或兩個稱重傳感器的故障檢測方法。本文首先建立單個傳感器的預(yù)測模型和任意兩個傳感器的預(yù)測模型,然后通過這兩個預(yù)測模型計算出任意一個稱重傳感器的預(yù)測值和任意兩個傳感器的預(yù)測值,根據(jù)預(yù)測值與實際值之間的差值判斷稱重傳感器故障個數(shù)、位置、類型等信息。實驗表明,當(dāng)稱重傳感器的輸出誤差大于0.3 t時使用此方法可以準(zhǔn)確檢測出稱重傳感器的故障信息。

稱重傳感器;故障檢測;故障類型識別;徑向基神經(jīng)網(wǎng)絡(luò);

稱重傳感器是稱重設(shè)備的核心部件,稱重傳感器是否正常工作直接影響稱重結(jié)果。由于稱重設(shè)備大量使用在室外,稱重傳感器長期受風(fēng)吹日曬、潮濕等各種環(huán)境的影響,加上由于車輛帶來的振動很容易造成傳感器性能出現(xiàn)退化甚至失效[1]。

目前對稱重傳感器的故障檢測主要使用人工加砝碼的方法[2],但這種方法效率低、及時性差。隨著故障診斷技術(shù)越來越成熟[3-4],部分研究人員開始嘗試在稱重設(shè)備中增加故障自診斷的功能。文獻(xiàn)[5]把小波變換和深度信念網(wǎng)絡(luò)引入到動態(tài)汽車衡故障檢測方面,但只能檢測出稱重傳感器在采樣過程中有限的幾個點的數(shù)據(jù)是否正常。文獻(xiàn)[6-7]分別把徑向基神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)引入到靜態(tài)汽車衡稱重傳感器的故障檢測方面,但只能檢測指定的一個傳感器是否存在故障,對于非指定傳感器或者多個傳感器同時發(fā)生故障的情況卻沒有給出檢測方法。文獻(xiàn)[8]研究了DBSCAN算法和貝葉斯正則化神經(jīng)網(wǎng)絡(luò)在電子皮帶秤方面的應(yīng)用。

本文在對前人研究的基礎(chǔ)上提出了一種基于徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測的傳感器故障檢測方法。利用徑向基神經(jīng)網(wǎng)絡(luò)(RBFNN)分別建立任意一路稱重傳感器與其他N-1路稱重傳感器之間的關(guān)系網(wǎng)路net1和任意兩路稱重傳感器與其他N-2路稱重傳感器之間的關(guān)系網(wǎng)路net2,通過net1和net2的預(yù)測輸出與實際輸出之間的差值判斷稱重傳感器故障個數(shù)、位置、類型等信息。實驗表明,當(dāng)任意一個或兩個稱重傳感器發(fā)生0.3 t以上的輸出誤差時,該方法可以準(zhǔn)確檢測出稱重傳感器故障信息。

1 稱重設(shè)備簡介及傳感器常見故障分析

1.1 稱重設(shè)備簡介

稱重設(shè)備由稱重臺及其下面分布的傳感器、車輛分離器、車輛檢測器、地感線圈、稱重控制器和車道計算機等組成,其中核心部件為稱重臺及其下面分布的稱重傳感器,[9]如圖1所示。

圖1 稱重臺及其下傳感器分布示意圖

稱重臺下面按照特定的規(guī)律分布著8個～16個稱重傳感器(本文以8個稱重傳感器為例)。假設(shè)當(dāng)車輛通過稱重臺時,1號～8號傳感器的稱重信號分別為x1,x2,…,x8,則車輛總質(zhì)量

y=k1x1+k2x2+…+k8x8-m

(1)

式中:k1,k2,…,k8分別為稱重系數(shù),默認(rèn)值都是1,m為稱重臺重量。

1.2 稱重傳感器常見故障類型

稱重傳感器的故障類型分為短路、斷路、零點故障(無負(fù)載不歸零)和靈敏度下降等四類。[10]

①短路故障,如果稱重傳感器輸出恒為最小極限值ximin,則傳感器發(fā)生短路故障,如果傳感器i在t0時刻發(fā)生短路故障,則有

(2)

②斷路故障,如果傳感器輸出恒為最大極限值ximax,則傳感器發(fā)生斷路故障,如果傳感器i在t0時刻發(fā)生斷路故障,則有

(3)

③無負(fù)載不歸零故障,稱重傳感器因受到?jīng)_擊、過載或其他原因產(chǎn)生塑性變形,從而導(dǎo)致稱體在無車輛通過時稱重傳感器輸出xi也不為0,此時產(chǎn)生無負(fù)載不歸零故障如果傳感器i在t0時刻發(fā)生無負(fù)載不歸零故障,則有

(4)

式中:Ai為無負(fù)載時稱重傳感器輸出,一般大于零。

④靈敏度故障,因彈性體疲勞或者部分損壞等造成稱重傳感器的靈敏度發(fā)生改變,此時發(fā)生靈敏度故障,如果傳感器i在t0時刻發(fā)生靈敏度故障,則有

(5)

注:式(2)～式(5)中ki,ki1為稱重傳感器i正常時的比例系數(shù),ki2為稱重傳感器i靈敏度下降后的比例系數(shù),M為被測載荷的質(zhì)量。

2 稱重傳感器故障檢測

2.1 故障檢測預(yù)測模型

實驗發(fā)現(xiàn)稱重設(shè)備各個稱重傳感器之間的輸出存在某種非線性函數(shù)關(guān)系。設(shè)xj為第j個稱重傳感器稱重信號的輸出(j=1,2,…,N),則有

(6)

即

xj=φj(x1,x2,…,xj-1,xj+1,…,xN)

(7)

式中:j=1,2,…,N。

式(7)表示稱重傳感器j的輸出是其他N-1路稱重傳感器輸出的非線性函數(shù),這種非線性關(guān)系非常復(fù)雜,受很多因素影響,很難找到它們之間的明確的函數(shù)表達(dá)式。但是可以根據(jù)徑向基神經(jīng)網(wǎng)絡(luò)(REFNN)能夠逼近任意非線性函數(shù)的特點[11-12]以其中任意N-1路正常稱重傳感器稱重信號作為輸入,利用RBFNN來逼近他們之間的關(guān)系從而預(yù)測出另外一路稱重傳感器的輸出,其模型net1如圖2所示。

圖2 任意一路稱重傳感器與其他N-1路傳感器的關(guān)聯(lián)模型net1

同時,實驗還發(fā)現(xiàn),任意兩路稱重傳感器也是其他N-2路稱重傳感器的非線性函數(shù),即有式(8)和式(9):

(8)

即

xi_j=φi_j(x1,x2,…,xi-1,xi+1,…,xj-1,xj+1,…,xN)

(9)

式中:i,j=1,2,…,N,且i≠j。

同樣可以使用其中任意N-2路正常稱重傳感器稱重信號作為輸入,利用RBFNN來逼近他們之間的非線性關(guān)系從而預(yù)測出另外兩路稱重傳感器的輸出,其模型net2如圖3所示。

圖3 任意兩路稱重傳感器與其他N-2路稱重傳感器的關(guān)聯(lián)模型net2

2.2 故障檢測流程

N路稱重傳感器輸出值通過net1判斷是否正常,如果正常則說明傳感器工作正常,如果不正常則說明至少有一個傳感器存在故障。使用net1預(yù)測出各個稱重傳感器的輸出值,使用單個傳感器的預(yù)測值與其他N-1路稱重傳感器的實際值組成新序列。通過net1判斷新序列是否正常。如果存在一組新序列正常則可以判定只有一個傳感器發(fā)生了故障,故障位置就是使用預(yù)測數(shù)據(jù)的傳感器,如果全部新序列都存在故障,則說明至少存在兩個稱重傳感器存在故障。

如果存在一個以上稱重傳感器存在故障時可以使用net2預(yù)測出任意兩路稱重傳感器的輸出值,使用這兩路稱重傳感器的預(yù)測值與其他N-2路實際值組成新序列,通過net2判斷新序列是否正常。如果新序列正常,則可以判定故障傳感器有兩個,位置就是使用預(yù)測值的兩個傳感器,如果全部新序列都存在故障則說明至少3個傳感器存在故障。

通過net1判斷序列是否正常的結(jié)構(gòu)圖如圖5所示。每個傳感器的實際值與預(yù)測值做比較,如果差值在一定閾值內(nèi)則傳感器正常,否則不正常。

圖4 稱重傳感器故障檢測流程圖

圖5 net1判斷數(shù)據(jù)是否正常流程圖

圖6 故障類型識別

2.3 故障類型識別

傳感器故障類型識別流程如圖6所示,如果稱重傳感器輸出小于最小極限值ximin,稱重傳感器發(fā)生斷路故障,如果稱重傳感器輸出大于最大極限值ximax,稱重傳感器發(fā)生短路故障。

對于靈敏度故障,稱重傳感器i第j次輸出誤差

(10)

誤差的一階微分

Δeij=eij+1-eij=(ki2-ki1)(Mj+1-Mj)

(11)

而對于無負(fù)載不歸零故障,輸出誤差

(12)

誤差的一階微分

Δeij=eij+1-eij=Ai-Ai=0

(13)

從式(11)和式(13)可以得出,如果稱重傳感器發(fā)生靈敏度下降的故障,則兩次稱重誤差的一階微分的絕對值會大于一個閾值ε2,而稱重傳感器發(fā)生無負(fù)載不歸零故障則誤差的一階微分近似為零。

3 實驗結(jié)果分析

3.1 預(yù)測模型的訓(xùn)練

本課題共采集到300組不同車輛通過某稱重設(shè)備時,稱重傳感器的正常輸出數(shù)據(jù)。以這300組數(shù)據(jù)為樣本,采用監(jiān)督學(xué)習(xí)算法對兩個關(guān)聯(lián)模型net1和net2的所有參數(shù)進行監(jiān)督訓(xùn)練,訓(xùn)練是通過MATLAB完成的。

經(jīng)過大量實驗發(fā)現(xiàn)當(dāng)net1的均方誤差目標(biāo)為0.000 6,隱藏層節(jié)點個數(shù)為52時,預(yù)測誤差、網(wǎng)絡(luò)復(fù)雜度、時間復(fù)雜度等是比較適合本課題研究對象要求的參數(shù)。當(dāng)net2的均方誤差目標(biāo)為0.000 35,隱藏層節(jié)點個數(shù)為54時,各方面的性能比較適合本課題的要求。

3.2 故障檢測驗證

采用上述故障診斷方法,取同一稱重設(shè)備8個稱重傳感器60次采樣數(shù)據(jù),其中20次數(shù)據(jù)為全部正常數(shù)據(jù)A,20次采樣數(shù)據(jù)為其中一個傳感器發(fā)生故障的數(shù)據(jù)B,20次采樣數(shù)據(jù)為其中兩個稱重傳感器發(fā)生故障的數(shù)據(jù)C。

先來驗證一個傳感器發(fā)生故障的情況。不失一般性,采樣數(shù)據(jù)B的2#稱重傳感器發(fā)生靈敏度故障,其他傳感器都正常。為了增加對比度,把A、B兩組數(shù)據(jù)放在一塊組成新的采樣序列AB。圖7為采樣序列AB在第21個采樣點發(fā)生故障情況下,1#、2#、3#稱重傳感器預(yù)測輸出與實際輸出之間的誤差。從圖中可以看出一個稱重傳感器發(fā)生故障,所有的稱重傳感器(為了敘述方便,1#、3#代表無故障稱重傳感器,2#代表有故障稱重傳感器)的預(yù)測輸出與實際輸出之間的差值都大于0.3 t,而所有傳感器都不存在故障時,稱重傳感器的誤差都小于0.3 t。

圖7 稱重傳感器一次預(yù)測誤差

圖8(a)、圖8(b)、圖8(c)分別為使用1#、2#、3#稱重傳感器預(yù)測值代替實際值之后的序列AB′通過net1驗證之后1#、2#、3#稱重傳感器二次預(yù)測值與AB′序列相應(yīng)值的誤差。從圖8可以看出,只有當(dāng)使用2#稱重傳感器預(yù)測值代替實際值的序列才能滿足每個稱重傳感器的預(yù)測誤差才能小于0.3 t。所以只有2#傳感器存在故障。

圖8 新序列通過net1的預(yù)測誤差

再來檢測一下當(dāng)兩個稱重傳感器同時發(fā)生故障的情況。不失一般性,采樣數(shù)據(jù)C的2#傳感器發(fā)生靈敏度故障,5#傳感器發(fā)生無負(fù)載不歸零故障,其他傳感器都正常。同樣為了增加對比性,把A、C兩組采樣數(shù)據(jù)放在一塊組成新的采樣序列AC。新序列AC在第21個采樣點2#發(fā)生靈敏度故障、5#發(fā)生無負(fù)載不歸零故障。

以任意6路稱重傳感器為輸入,通過net2可以預(yù)測出其他兩路稱重傳感器的輸出,這兩路預(yù)測輸出和剩余6路實際輸出組合成新的8路傳感器輸出AC″,AC″通過net1的各個傳感器的二次預(yù)測值與實際值之間的誤差如圖9(a)、圖9(b)、圖9(c)、圖9(d)(任意兩路稱重傳感器共有28種不同的組合的誤差,為了表述方便同時又不失一般性,此處只采用1_2,2_5,3_5,7_8四組傳感器的預(yù)測值與其余6路組成的AC″)所示。從圖中可以看出,只有同時使用2#、5#傳感器的預(yù)測輸出和1#、3#、4#、6#、7#、8#傳感器實際值組成的序列作為net1的檢測數(shù)據(jù)時,所有傳感器的輸出誤差才小于閾值(0.3t)。由此,可以得出稱重傳感器2#、5#存在故障。

圖9 兩個稱重傳感器發(fā)生故障通過net2的預(yù)測誤差

3.3 故障類型識別

為了增強對比度我們在2#稱重傳感器上先后人為制造斷路故障和斷路故障,在3#稱重傳感器上人為制造無負(fù)載不歸零故障和靈敏度故障。每個傳感器各取40個采樣點,其中正常輸出20個采樣點,每個故障各10個采樣點。

圖10 2#稱重傳感器故障類型識別

2#稱重傳感器的故障類型識別如圖10所示,1到10采樣點和21到30采樣點為稱重傳感器正常輸出,11到20采樣點稱重傳感器發(fā)生斷路故障,31到40采樣點稱重傳感器發(fā)生短路故障。圖10中的realOut代表稱重傳感器實際的輸出,testOut代表預(yù)測輸出(也就是傳感器正常時的輸出),min和max分別代表稱重傳感器的最小和最大輸出值。從圖中很明顯可以看出當(dāng)稱重傳感器發(fā)生斷路時,稱重傳感器的輸出恒小于最小值,而當(dāng)稱重傳感器發(fā)生短路故障時稱重傳感器的輸出恒大于最大值。

圖11 3#傳感器故障類型識別

3#稱重傳感器的故障類型識別如圖11所示,同2#傳感器一樣,1到10采樣點和21到30采樣點為正常輸出,11到20采樣點為3#稱重傳感器發(fā)生靈敏度下降時的采樣值,31到40為3#稱重傳感器發(fā)生無負(fù)載不歸零故障時的采樣值。圖11中realOut代表稱重傳感器的實際輸出值,testOut代表傳感器的預(yù)測輸出值(即無故障情況下的輸出值),diff為預(yù)測值與實際值的誤差(即式(10)和式(12)中的eij),differential為誤差的一階微分(即式(11)和式(13)中的Δeij)。從圖中可以很明顯看出當(dāng)稱重傳感器發(fā)生靈敏度故障和無負(fù)載不歸零故障時誤差的絕對值遠(yuǎn)大于零,而稱重傳感器正常工作誤差的絕對值幾乎為零。當(dāng)稱重傳感器發(fā)生靈敏度故障時誤差的一階微分不為零,而傳感器發(fā)生無負(fù)載不歸零故障時誤差的一階微分幾乎為零。

4 結(jié)論

本文主要研究了稱重設(shè)備傳感器故障的檢測,當(dāng)一個或者兩個稱重傳感器發(fā)生故障時能夠準(zhǔn)確判斷出故障傳感器的位置、故障類型等信息。本文首先建立了任意一路稱重傳感器與其他N-1路傳感器之間的對應(yīng)關(guān)系網(wǎng)絡(luò)net1和任意兩路稱重傳感器與其他N-2路之間的對應(yīng)關(guān)系網(wǎng)絡(luò)net2,然后通過net1和net2分別求出任意一路傳感器的輸出預(yù)測值和任意兩路傳感器的預(yù)測值,通過預(yù)測值與實際值的關(guān)系判斷出稱重傳感器是否存在故障,最后根據(jù)故障傳感器的輸出判斷故障類型。實驗表明,當(dāng)稱重傳感器輸出的偏差大于特定閾值(本文是0.3 t)時,該方法能檢測出稱重傳感器的故障位置、故障類型等信息。

[1] 殷元利. 淺析電子汽車衡的檢定與維護[J]. 計量與測試技術(shù),2014,41(3):58-63.

[2] 魏煥琴. 電子汽車衡的正確使用與故障檢修方法[J]. 科技視界,2015,6(1):64-64.

[3] Kai G,Yan W Z. Correcting Senor Drift and Intermittency Faults with Data Fusion and Automated Learning[J]. IEEE Systems Journal,2008,2(2):189-197.

[4] 單亞峰,湯月,任仁,等. 與支持向量極端學(xué)習(xí)機的瓦斯傳感器故障診斷[J]. 傳感器技術(shù)學(xué)報,2016,29(9):1040-1040.

[5] 王春香,李麗宏,張帝. 基于小波變換和DBN的汽車衡傳感器故障診斷[J]. 傳感器與微系統(tǒng),2016,35(4):22-24.

[6] 林海軍,滕召勝,遲海,等. 基于信息融合的汽車衡稱重傳感器故障診斷[J]. 控制理論與應(yīng)用,2010,27(1):25-31.

[7] 楊靜,李麗宏. 基于專家系統(tǒng)的汽車衡故障傳感器判別[J]. 傳感器與微系統(tǒng),2014,33(11):34-40.

[8] Zhu Liang,He Fei,Tong Yifei,et al. Fault Detection and Diagnosis of Belt Weigher Using Improved DBSCAN and Bayesian Regularized Neural Network[J]. Mechanics,2015,21(1):70-77.

[9] 王錦芳. 動態(tài)稱重系統(tǒng)的研究與開發(fā)[D]. 杭州:浙江大學(xué)系統(tǒng)科學(xué)與工程學(xué)院,2006.

[10] 趙穎立. 稱重傳感器的應(yīng)用及故障處理[J]. 衡器,2007,36(6):48-49.

[11] Tianping Chen,Hong Chen. Approximation Capability to Functions of Several Variables,Nonlinear Functionals,and Operators by Radial Basis Function Neural Networks[J]. IEEE Transactions on Neural Networks,1995,6(4):904-910.

[12] Michael M Li,BrijeshVerma. Nonlinear Curve Fitting to Stopping Power Data Using RBF Neural Networks[J]. Expert Systems with Applications,2016,45(1):161-171.

Fault Detection Method for Weighing Equipment Sensor Based on Radial Basis Function Neural Network

LIU Yang1,2,OU Wen1,2*,LU Ying1,2,LU Shengwen1,2

(1.School of Microelectronics,University of Chinese Academy of Sciences,Beijing 100029,China 2.Intelligent Sensors Engineering Center,Chinese Academy of Sciences R&D Center for Internet of Things,Wuxi Jiangsu 2014135,China)

In the process of digitalization of weighing equipment,some researchers have proposed some faultdiagnosis methods for a particular sensor,but for non-specific sensor or two fault sensors,situation these methods are not applicable. So,this paper presents a method foranyone sensor or two sensors based on RBFNN. Firstly,this paperestablish the prediction model of any single sensor and prediction model of any two sensors,and thencalculate any one weighing sensor,s predictive value and any two sensors,predictions,judging the fault weighing sensor,s number,location,type through the difference between predicted value and actual value. Experiments show that this method can accurately detect the fault information of the sensor when the error of the sensor is above 0.3 tons.

weighing sensor;fault detection;fault type identification;radial basis function neural network

劉 洋(1990-),男,碩士研究生,主要研究方向為智能傳感器及其應(yīng)用;

歐 文(1966-),男,研究員,碩士生導(dǎo)師,主要研究方向為半導(dǎo)體器件物理、超大規(guī)模集成電路技術(shù);

盧 贏(1991-),男,碩士研究生,主要研究方向為智能傳感器及其網(wǎng)絡(luò);

盧圣文(1993-),男,碩士研究生,主要研究方向為智能傳感器及其網(wǎng)絡(luò)。

項目來源:江蘇省科技支撐重點項目(BE2014003);江蘇省自然科學(xué)基金項目(BK20161149)

2016-12-01 修改日期:2017-02-12

TP206.3

A

1004-1699(2017)06-0861-06

C:7230

10.3969/j.issn.1004-1699.2017.06.010