楊　真， 鄧芳明, 郝　勇， 徐長(zhǎng)英， 王　宏， 吳　翔

(1.華東交通大學(xué) 現(xiàn)代教育技術(shù)中心,江西 南昌 330013；2.華東交通大學(xué) 電氣與電子工程學(xué)院，江西 南昌 330013；3.南昌航空大學(xué) 工程訓(xùn)練中心,江西 南昌 330063)

?

基于主元分析和集成神經(jīng)網(wǎng)絡(luò)的瓦斯傳感器故障診斷*

楊真1， 鄧芳明2, 郝勇2， 徐長(zhǎng)英3， 王宏3， 吳翔2

(1.華東交通大學(xué) 現(xiàn)代教育技術(shù)中心,江西 南昌 330013；2.華東交通大學(xué) 電氣與電子工程學(xué)院，江西 南昌 330013；3.南昌航空大學(xué) 工程訓(xùn)練中心,江西 南昌 330063)

針對(duì)瓦斯傳感器常見突發(fā)型故障，提出一種基于主元分析(PCA)和權(quán)重提升(WB)算法訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本；利用WB算法依次訓(xùn)練多個(gè)神經(jīng)網(wǎng)絡(luò)分類器；由集成神經(jīng)網(wǎng)絡(luò)得到待測(cè)樣本的故障診斷結(jié)果。仿真實(shí)驗(yàn)表明:該方法對(duì)測(cè)試樣本的識(shí)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(jīng)網(wǎng)絡(luò)集成; 權(quán)重提升

0　引　言

瓦斯氣體濃度的監(jiān)測(cè)是煤礦安全監(jiān)測(cè)的重要指標(biāo)之一，在井下高濕度、高粉塵、強(qiáng)電磁干擾等環(huán)境因素的長(zhǎng)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(fā)，嚴(yán)重影響煤礦生產(chǎn)安全，甚至導(dǎo)致重大安全事故，因此,研究瓦斯傳感器的故障診斷方法，對(duì)提高煤礦安全監(jiān)測(cè)系統(tǒng)的可靠性有著極其重要的作用[1]。近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN) 與支持向量機(jī)(support vector machine，SVM)等多種方法被應(yīng)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(jīng)網(wǎng)絡(luò)方法均存在一定缺陷，如誤差反向傳播(back propagation, BP)神經(jīng)網(wǎng)絡(luò)易陷入局部極值，存在過(guò)擬合、泛化能力差等問(wèn)題[2]；徑向基(radial basis function, RBF)神經(jīng)網(wǎng)絡(luò)雖然拓?fù)浣Y(jié)構(gòu)簡(jiǎn)單，非線性逼近能力強(qiáng)，收斂速度快，但是其模型參數(shù)難以設(shè)置[3]；SVM方法盡管運(yùn)算時(shí)間短、精度高，但是同樣需要進(jìn)行多參數(shù)的選擇，如，核函數(shù)、懲罰系數(shù)、誤差控制等[4]。

影響瓦斯傳感器濃度的諸多因素是一種復(fù)雜的非線性關(guān)系，為了利用神經(jīng)網(wǎng)絡(luò)的非線性映射能力，減小模型參數(shù)對(duì)網(wǎng)絡(luò)性能影響，同時(shí)提高神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)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(duì)故障數(shù)據(jù)空間維數(shù)大的問(wèn)題，利用PCA對(duì)故障數(shù)據(jù)進(jìn)行降維，從原始數(shù)據(jù)中提取有效信息，構(gòu)成故障信號(hào)的特征向量。神經(jīng)網(wǎng)絡(luò)選用最基本的BP神經(jīng)網(wǎng)絡(luò)，利用權(quán)重提升(weight boosting,WB)算法集成若干個(gè)BP神經(jīng)網(wǎng)絡(luò)，從而在不對(duì)神經(jīng)網(wǎng)絡(luò)模型參數(shù)進(jìn)行復(fù)雜優(yōu)化處理的前提下，提高整個(gè)診斷系統(tǒng)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(guò)對(duì)原始數(shù)據(jù)的線性變換，可以剔除冗余信息和噪聲，利用實(shí)際應(yīng)用中多個(gè)變量之間的相關(guān)性，利用一個(gè)特殊的向量矩陣將數(shù)據(jù)從高維空間映射到低維空間，得到一組相互無(wú)關(guān)的綜合變量，并按重要度從大到小排列，以實(shí)現(xiàn)特征提取的目的[5]。設(shè)采樣數(shù)據(jù)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(biāo)準(zhǔn)矩陣Y=[yij]n×m，即

(2)

3)計(jì)算協(xié)方差矩陣CX=[cij]m×m，即

(3)

4)計(jì)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(duì)應(yīng)的特征向量為：α1,α2,…,αn；

5)計(jì)算第i個(gè)特征值λi的方差貢獻(xiàn)度ηi

(5)

6)生成變換矩陣A=[α1,α2,…,αR],即

(6)

式中ρr為前r個(gè)特征值λ1,λ2,…,λr的累積方差貢獻(xiàn)度，若當(dāng)r=R時(shí)，有ρr≥90 %，則這R個(gè)主元可以表示原始數(shù)據(jù)的絕大部分信息，由前R個(gè)特征向量構(gòu)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(xiàn)[6]提出強(qiáng)分類器和弱分類器，以及弱分類器提升的概念，對(duì)于神經(jīng)網(wǎng)絡(luò)，通過(guò)串聯(lián)、并聯(lián)等結(jié)構(gòu)進(jìn)行集成是常用的提升方法之一，得到的集成網(wǎng)絡(luò)在學(xué)習(xí)能力、泛化能力、容錯(cuò)能力等方面明顯優(yōu)于單一神經(jīng)網(wǎng)絡(luò)[7]。本文使用WB算法集成若干個(gè)BP神經(jīng)網(wǎng)絡(luò)，并生成最終的瓦斯傳感器故障診斷系統(tǒng)。該算法通過(guò)更新樣本權(quán)重的分布，使前一個(gè)神經(jīng)網(wǎng)絡(luò)誤分類的樣本以較大的概率進(jìn)入下一個(gè)神經(jīng)網(wǎng)絡(luò)的訓(xùn)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(jù)每個(gè)弱分類器的分類情況賦予該分類器一個(gè)權(quán)值，表示其在加權(quán)集成時(shí)的話語(yǔ)權(quán)0。具體的算法步驟如下：

1)構(gòu)造訓(xùn)練樣本集Tr=[(xi,di)],i∈[1,N];

2)設(shè)定最大BP神經(jīng)網(wǎng)絡(luò)個(gè)數(shù)K；

3)設(shè)置BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)、激活函數(shù)和訓(xùn)練算法；

4)初始化訓(xùn)練樣本集Tr分布wk

(8)

5)fork=1∶K

a.依據(jù)當(dāng)前樣本分布wk，在訓(xùn)練集Tr中抽取N個(gè)訓(xùn)練樣本，生成新的訓(xùn)練集Trk，并用該訓(xùn)練集訓(xùn)練第k個(gè)BP神經(jīng)網(wǎng)絡(luò)netk；

b.計(jì)算診斷誤差E(k)為

(9)

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

d.計(jì)算基元神經(jīng)網(wǎng)絡(luò)投票權(quán)αk為

(10)

e.更新樣本權(quán)重分布wk(i)為

(11)

f.為保證更新后的樣本權(quán)重仍然是一個(gè)概率分布，需要對(duì)樣本分布?xì)w一化處理，即

(12)

g.集成得到AdaBoost_NN診斷器H(x)為

(13)

2　仿真測(cè)試

本實(shí)驗(yàn)選取的故障樣本數(shù)據(jù)來(lái)源于GJC4/100型高低濃度甲烷傳感器在正常工作狀態(tài)和卡死故障、沖擊故障、漂移故障、周期故障4種故障狀態(tài)下，重復(fù)進(jìn)行400次采樣實(shí)驗(yàn)所獲取的輸出信號(hào)，每種狀態(tài)各80組，每組20個(gè)數(shù)據(jù)。利用PCA方法，按1.1節(jié)所述步驟對(duì)原始故障信號(hào)進(jìn)行故障特征提取，圖1為主元貢獻(xiàn)度矩形圖和累計(jì)貢獻(xiàn)度曲線，前6個(gè)主元的累計(jì)貢獻(xiàn)度達(dá)到91.26 %，由此可以認(rèn)為原始數(shù)據(jù)的絕大部分信息可以由這6個(gè)主元表示，從而得到維數(shù)為6的故障特征向量。

圖1　主元貢獻(xiàn)度和累計(jì)貢獻(xiàn)度

表1　故障模式編碼

訓(xùn)練結(jié)束后，將測(cè)試樣本的特征向量送入各個(gè)神經(jīng)網(wǎng)絡(luò)，按照各神經(jīng)網(wǎng)絡(luò)的投票權(quán)，對(duì)其輸出結(jié)果加權(quán)投票，各個(gè)神經(jīng)網(wǎng)絡(luò)累計(jì)投票值最大的故障模式即為最終的診斷結(jié)果。

3　測(cè)試結(jié)果分析

以沖擊故障為例，由各個(gè)BP神經(jīng)網(wǎng)絡(luò)識(shí)別后累計(jì)的加權(quán)投票結(jié)果如表2所示。觀察表2可以發(fā)現(xiàn)，經(jīng)過(guò)訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)在診斷待測(cè)樣本時(shí)，并不能都得到正確結(jié)果，然而經(jīng)過(guò)加權(quán)投票后卻能得到正確結(jié)果，這表明集成的方法可以有效提高BP神經(jīng)網(wǎng)絡(luò)的診斷準(zhǔn)確率。

表2　神經(jīng)網(wǎng)絡(luò)投票結(jié)果

圖2為最大BP神經(jīng)網(wǎng)絡(luò)個(gè)數(shù)K對(duì)ANNE診斷精度的影響，如圖2所示，當(dāng)K=12時(shí)，訓(xùn)練誤差為0，此時(shí)測(cè)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(wǎng)絡(luò)個(gè)數(shù)不斷增加，在訓(xùn)練誤差降到0后，測(cè)試誤差仍可以繼續(xù)降低，這表明ANNE可以有效避免過(guò)擬合現(xiàn)象，提高了BP神經(jīng)網(wǎng)絡(luò)的泛化能力。

圖2　ANNE診斷誤差

本實(shí)驗(yàn)采用在瓦斯傳感器故障診斷中常用的RBF神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)(probabilistic neural network,PNN)以及傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)與集成BP神經(jīng)網(wǎng)絡(luò)對(duì)比，其結(jié)果如表3所示。在未對(duì)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、參數(shù)和訓(xùn)練算法優(yōu)化調(diào)整的情況下，PNN和RBF均無(wú)法取得良好的效果，而同樣未經(jīng)參數(shù)調(diào)整的BP神經(jīng)網(wǎng)絡(luò)，通過(guò)WB算法集成后，則可以自適應(yīng)的提高診斷準(zhǔn)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(gè)神經(jīng)網(wǎng)絡(luò)，算法的訓(xùn)練時(shí)間較長(zhǎng)，但在實(shí)際應(yīng)用時(shí)，利用歷史數(shù)據(jù)訓(xùn)練診斷系統(tǒng)可以在離線條件下進(jìn)行。ANNE方法的測(cè)試時(shí)間盡管稍長(zhǎng)于其他方法，卻仍可以滿足在線監(jiān)測(cè)的需求，因此,ANNE方法的時(shí)效性并不影響該方法的實(shí)際應(yīng)用。

表3　ANNE與其他方法性能對(duì)比

4　結(jié)　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(xùn)練ANNE。利用PCA方法提取故障信息可以降低故障特征維數(shù)，有效提高診斷算法的訓(xùn)練速度，而WB算法的重復(fù)取樣和加權(quán)投票機(jī)制則提高了單一神經(jīng)網(wǎng)絡(luò)的診斷能力和泛化性能。仿真測(cè)試結(jié)果證明:通過(guò)WB算法可以在不對(duì)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、權(quán)值、訓(xùn)練方法等參數(shù)尋優(yōu)的情況下提高網(wǎng)絡(luò)的診斷能力和泛化能力，同時(shí)避免過(guò)擬合現(xiàn)象，具有良好的應(yīng)用前景。

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

[2]孫毅剛,王雷,薛仲瑞,等.基于BP網(wǎng)絡(luò)的航空發(fā)動(dòng)機(jī)傳感器硬故障檢測(cè)[J].傳感器與微系統(tǒng),2013,32(7):120-122.

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

[4]張楠,董海鷹.基于小波分析和PSO-LSSVM的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)預(yù)測(cè)[J].傳感器與微系統(tǒng),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(tǒng),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(guó)家自然科學(xué)基金資助項(xiàng)目(21265006)；江西省自然科學(xué)基金資助項(xiàng)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?yàn)橛?jì)算機(jī)信號(hào)處理與故障診斷技術(shù)。