喬維德，周曉謀

（1.無錫開放大學(xué)科研與質(zhì)量控制處，江蘇無錫214011；2.中國礦業(yè)大學(xué)機(jī)電工程學(xué)院，江蘇徐州221116）

一種井下瓦斯傳感器故障辨識(shí)方法

喬維德1，周曉謀2

（1.無錫開放大學(xué)科研與質(zhì)量控制處，江蘇無錫214011；2.中國礦業(yè)大學(xué)機(jī)電工程學(xué)院，江蘇徐州221116）

鑒于目前煤礦井下瓦斯傳感器故障辯識(shí)速度慢、辯識(shí)準(zhǔn)確度不高等缺陷，提出基于小波包分解與RBF神經(jīng)網(wǎng)絡(luò)的瓦斯傳感器故障辨識(shí)方法.采用小波包分解提取瓦斯傳感器故障特征向量并輸入至RBF神經(jīng)網(wǎng)絡(luò)，應(yīng)用粒子群-人工蜂群（PSO-ABC）算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，并通過大量的瓦斯傳感器樣本對(duì)RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和檢測(cè).實(shí)驗(yàn)分析表明：本方法的辨識(shí)速度快、診斷正確率高，為精準(zhǔn)辯識(shí)瓦斯傳感器故障提供一種更加科學(xué)高效的新途徑.

瓦斯傳感器；小波包分解；RBF神經(jīng)網(wǎng)絡(luò)；粒子群-人工蜂群算法；故障辨識(shí)

0 引言

在煤礦瓦斯監(jiān)測(cè)系統(tǒng)中，瓦斯傳感器是一種關(guān)系煤礦安全生產(chǎn)的重要檢測(cè)儀器.由于瓦斯傳感器長期受到煤礦井下高粉塵、高濕度、強(qiáng)電磁干擾等惡劣環(huán)境影響，通常出現(xiàn)卡死、沖擊、漂移等各種故障，從而導(dǎo)致瓦斯傳感器輸出數(shù)據(jù)失真、靈敏度降低、準(zhǔn)確性降低、可靠性不高；當(dāng)瓦斯傳感器監(jiān)測(cè)出錯(cuò)時(shí)，往往給井下生產(chǎn)及生命財(cái)產(chǎn)帶來很多安全隱患甚至嚴(yán)重后果.瓦斯傳感器一般有緩變型和突發(fā)型兩類故障，其中突發(fā)型故障如典型的周期、沖擊、漂移、偏置等，故障隱蔽性強(qiáng)，且難以精準(zhǔn)診斷.因此，瓦斯傳感器作為煤礦安全監(jiān)測(cè)系統(tǒng)中不可或缺的組成部件，對(duì)其運(yùn)行故障進(jìn)行準(zhǔn)確診斷并及時(shí)修復(fù)，對(duì)于提高煤礦安全監(jiān)測(cè)系統(tǒng)可靠性、保障煤礦安全生產(chǎn)具有非常重要的意義.日前許多學(xué)者對(duì)瓦斯傳感器故障診斷方法進(jìn)行了大量的研究，并取得了一定成果.王其軍等[1]提出基于RBF網(wǎng)絡(luò)逼近器的瓦斯傳感器故障監(jiān)測(cè)系統(tǒng)，張濤等[2]提出瓦斯傳感器故障診斷的灰色動(dòng)態(tài)預(yù)測(cè)模型，趙金憲、王軍號(hào)、單亞峰、趙勁松等學(xué)者先后分別提出小波包與BP或RBF神經(jīng)網(wǎng)絡(luò)的瓦斯傳感器故障診斷分析方法[3-8]，王婷等[9]設(shè)計(jì)出一種粒子群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的瓦斯傳感器故障診斷新方法，付華、單亞峰、黃丹等也先后提出基于支持向量機(jī)、主元分析和BP神經(jīng)網(wǎng)絡(luò)等技術(shù)的瓦斯傳感器故障辨識(shí)方法[10-13]，等等.但以上方法仍存在一定缺陷，主要表現(xiàn)為：灰色動(dòng)態(tài)預(yù)測(cè)模型僅僅適用于瓦斯傳感器的小樣本故障數(shù)據(jù)分析；采用支持向量機(jī)能解決故障數(shù)據(jù)的小樣本問題，但對(duì)參數(shù)選擇依賴性大，影響瓦斯傳感器故障診斷速度；BP算法、粒子群算法訓(xùn)練BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)時(shí)收斂速度慢、極易陷入局部最優(yōu)，會(huì)導(dǎo)致瓦斯傳感器故障診斷準(zhǔn)確性及可靠性不高等.筆者在梳理已有研究成果并比較分析各種方法優(yōu)缺點(diǎn)基礎(chǔ)上，提出由小波包分解提取特征能量譜與粒子群-人工蜂群算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別的瓦斯傳感器故障診斷方法，并通過仿真實(shí)驗(yàn)分析驗(yàn)證本方法辨識(shí)瓦斯傳感器故障診斷類型的有效性.

1 瓦斯傳感器故障診斷系統(tǒng)模型

瓦斯傳感器故障診斷流程包括：采集瓦斯傳感器原始故障數(shù)據(jù)、提取故障信號(hào)特征向量、RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練與故障檢測(cè)等，見圖1.E30-E37分別表示井下瓦斯傳感器采集的原始數(shù)據(jù)經(jīng)過小波包分解、能量特征構(gòu)造并對(duì)數(shù)據(jù)歸一化后的故障特征向量值.利用RBF神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)瓦斯傳感器故障診斷模型，采取粒子群-人工蜂群混合算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò).RBF神經(jīng)網(wǎng)絡(luò)輸入量為E30-E37，輸出為S1、S2、S3，S1S2S3的不同狀態(tài)組合000、001、010、011、100分別對(duì)應(yīng)瓦斯傳感器的輸出Y0-Y4，即瓦斯傳感器的正常運(yùn)行以及偏置型、沖擊型、漂移型、周期型等典型故障狀態(tài).

圖1 瓦斯傳感器故障診斷模型

2 基于小波包分解的故障特征提取

小波包分解屬于一種由小波分析延伸而來的更為細(xì)致的信號(hào)分解與重構(gòu)方法，在不同頻段分解故障信號(hào)，并推算不同頻帶段對(duì)應(yīng)的能量.本方法將獲取的煤礦井下瓦斯傳感器故障信號(hào)進(jìn)行小波包分解，圖2為小波包分解示意圖（以3層為例）[14].

圖2 三層小波包分解示意圖

每個(gè)結(jié)點(diǎn)表示一定意義的信號(hào)特征，結(jié)點(diǎn)（i，j）為第i層的第j個(gè)結(jié)點(diǎn)，其中i=0，1，2，3；j=0，1，2，…，7.通過小波包分解重構(gòu)能有效提取各頻帶段信號(hào)特征.假設(shè)通過小波包分解后第3層第j個(gè)頻帶的重構(gòu)信號(hào)設(shè)定為S（3，j），則其對(duì)應(yīng)的信號(hào)能量為E（3，j），即：

其中（j=0，1，2，…，7；k=1，2，…，n）表示重構(gòu)信號(hào)S（3，j）離散點(diǎn)幅值；n表示信號(hào)采樣點(diǎn)數(shù).定義信號(hào)S（3，j）的總能量E為各頻帶能量之和，即：

因?yàn)橥咚箓鞲衅靼l(fā)生故障時(shí)對(duì)各頻段的信號(hào)能量影響比較大，對(duì)故障數(shù)據(jù)分析極為不利，因此本方法對(duì)各頻段內(nèi)的信號(hào)能量進(jìn)行歸一化處理，即：

信號(hào)能量歸一化處理后，可以提取瓦斯傳感器故障特征向量，即：

3 RBF神經(jīng)網(wǎng)絡(luò)及其優(yōu)化

3.1 RBF神經(jīng)網(wǎng)絡(luò)

RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包含輸入層、隱含層、輸出層的前饋網(wǎng)絡(luò)，具有較強(qiáng)的非線性映射能力，其特性主要取決于隱含層單元的徑向基函數(shù).RBF神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)模型如圖3所示.

圖3 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型

本結(jié)構(gòu)中，隱含層單元的徑向基函數(shù)采取高斯分布，x1-xn表示網(wǎng)絡(luò)輸入，s1-sm表示網(wǎng)絡(luò)輸出，其中網(wǎng)絡(luò)第p個(gè)輸出為：

式（5）中，ωip為隱含層與輸出層之間的連接權(quán)值，Hi表示第i個(gè)徑向基函數(shù)，即為：

式（6）中，ci為徑向基函數(shù)的中心值，δi為徑向基函數(shù)的方差（寬度）值，i=1，2，…，k，k為網(wǎng)絡(luò)隱含層中神經(jīng)元節(jié)點(diǎn)個(gè)數(shù).

3.2 RBF神經(jīng)網(wǎng)絡(luò)優(yōu)化

利用上述RBF神經(jīng)網(wǎng)絡(luò)對(duì)礦井瓦斯傳感器進(jìn)行故障監(jiān)測(cè)時(shí)，由圖2可以首先確定網(wǎng)絡(luò)輸入節(jié)點(diǎn)數(shù)n= 8，網(wǎng)絡(luò)輸出神經(jīng)元個(gè)數(shù)m=3，k根據(jù)實(shí)際需要由n、m確定，其中參數(shù)ci、δi、ωip對(duì)RBF神經(jīng)網(wǎng)絡(luò)運(yùn)行影響比較大，本方法應(yīng)用筆者在文獻(xiàn)[15]中提出的粒子群—人工蜂群混合優(yōu)化算法即PSO-ABC算法，用于對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化.PSO-ABC算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)具體步驟為[15]：

1）初始化種群并設(shè)置參數(shù)：粒子群規(guī)模N，慣性權(quán)重初始值ω1與終值ω2，學(xué)習(xí)因子C1、C2；PSO算法最大迭代次數(shù)tmax[16]；ABC算法限定的循環(huán)次數(shù)limit，等等.

2）將粒子群均分成Ngroup組，每組含num個(gè)粒子，即N=Ngroup×num；

3）計(jì)算所有粒子的適應(yīng)度值，保存每組最優(yōu)粒子Gij；

4）根據(jù)公式（7）和（8）更新粒子當(dāng)前速度Vij和位置Xij，從而更新并記錄每組全局最優(yōu)粒子Gij；

其中公式（7）中的慣性權(quán)重ω表示為：

5）將上述各組記錄的最優(yōu)粒子Gij組成人工蜂群，且為ABC算法的初始粒子；

6）令A(yù)BC算法的初始迭代次數(shù)NC=1，引領(lǐng)蜂尋找蜜源時(shí)按公式（10）更新位置，且由式（11）來評(píng)價(jià)蜜源適應(yīng)度大??；

式中，F(xiàn)iti、fi分別表示第i個(gè)蜜源適應(yīng)度與適應(yīng)值.

7）比較引領(lǐng)蜂尋找的新蜜源與原蜜源適應(yīng)度，如果前者高于后者，便采用新蜜源位置取代原蜜源；否則不變且NC+1；

8）根據(jù)公式（12）計(jì)算各蜜源位置的概率值P，而跟隨蜂按照Pi選擇引領(lǐng)蜂搜索到的新蜜源，然后計(jì)算其適應(yīng)度值；

9）比較跟隨蜂的新蜜源與原蜜源適應(yīng)度值，若前者大于后者，則以新蜜源位置取代原蜜源；否則不變且NC+1；

10）當(dāng)?shù)螖?shù)NC超過限定值limit時(shí)，保存并輸出群體中最優(yōu)蜜源，并作為對(duì)應(yīng)的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)最優(yōu)參數(shù)ci、δi、ωip.

PSO-ABC算法的適應(yīng)度設(shè)為RBF神經(jīng)網(wǎng)絡(luò)期望輸出與實(shí)際輸出的均方差倒數(shù)，即：

其中，qju、sju分別表示第j個(gè)訓(xùn)練樣本在第u個(gè)網(wǎng)絡(luò)輸出節(jié)點(diǎn)處的期望輸出與實(shí)際輸出值，m表示輸出節(jié)點(diǎn)數(shù)（m=3），d表示訓(xùn)練樣本數(shù)目.

4 瓦斯傳感器故障診斷實(shí)例與結(jié)果分析

4.1 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

結(jié)合井下瓦斯傳感器信號(hào)輸出頻帶特性，將其進(jìn)行3層小波包分解，然后求出8個(gè)頻帶內(nèi)最優(yōu)小波包基對(duì)應(yīng)的重構(gòu)信號(hào)能量，并組成特征能量譜.通過對(duì)瓦斯傳感器數(shù)據(jù)庫中典型故障的實(shí)測(cè)數(shù)據(jù)分析，借助MATLAB仿真軟件獲取標(biāo)準(zhǔn)化的特征能量圖譜，圖3-7分別為瓦斯傳感器處于正常運(yùn)行以及偏置型、沖擊型、漂移型、周期型5種不同狀態(tài)下的特征能量譜[6].

在圖3-7中的標(biāo)準(zhǔn)小波包分解頻帶特征能量譜中有效提取其特征向量并構(gòu)成樣本，瓦斯傳感器的5種狀態(tài)分別選取20組數(shù)據(jù)作為學(xué)習(xí)樣本，用來訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò).RBF網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)設(shè)計(jì)成8-7-3，網(wǎng)絡(luò)輸入節(jié)點(diǎn)為，網(wǎng)絡(luò)輸出節(jié)點(diǎn)為S1、S2、S3.用于優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法采取PSO-ABC算法，該算法初始參數(shù)設(shè)置如下：粒子群數(shù)目N=60，慣性權(quán)重初始值ω1=1.4，慣性權(quán)重終值ω2=0.3；學(xué)習(xí)因子C1=C2= 3；PSO算法最大迭代次數(shù)tmax=100；ABC算法最多循環(huán)次數(shù)limit=150，誤差精度ε=10-4，學(xué)習(xí)訓(xùn)練984步后，網(wǎng)絡(luò)收斂能滿足精度ε要求.

圖4 正常型的特征能量譜

圖5 偏置型的特征能量譜

圖6 沖擊型的特征能量譜

圖7 漂移型的特征能量譜

圖8 周期型的特征能量譜

4.2 實(shí)驗(yàn)結(jié)果驗(yàn)證

實(shí)驗(yàn)以山西鄉(xiāng)寧焦煤集團(tuán)煤礦7260工作面瓦斯傳感器為研究對(duì)象，從瓦斯傳感器故障數(shù)據(jù)庫中提取100組數(shù)據(jù)（每組含正常運(yùn)行及偏置型、沖擊型、漂移型、周期型故障）作為測(cè)試樣本，用于驗(yàn)證上述已訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò).表1為其中1組樣本診斷結(jié)果（因版面限制其他略），圖9為100組測(cè)試樣本經(jīng)過系統(tǒng)辨識(shí)的分類結(jié)果，其中5種類別的辨識(shí)正確率均高于95.5%，因此可以有效辨識(shí)井下瓦斯傳感器的故障類型，實(shí)現(xiàn)了本方法故障診斷系統(tǒng)模型的預(yù)期設(shè)計(jì)要求.

4.3 比較實(shí)驗(yàn)分析

為驗(yàn)證PSO-ABC算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的瓦斯傳感器故障診斷模型優(yōu)越性，本方法采取比較實(shí)驗(yàn)法，即分別將上述經(jīng)過小波包變換后的用于訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)的100組數(shù)據(jù)樣本，分別輸入至傳統(tǒng)RBF神經(jīng)網(wǎng)絡(luò)以及以PSO算法、ABC算法、PSO-ABC算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練結(jié)束后再同樣選取50組傳感器故障樣本進(jìn)行測(cè)試，性能評(píng)價(jià)主要考量訓(xùn)練時(shí)間、訓(xùn)練誤差、辨識(shí)準(zhǔn)確率等主要指標(biāo)，其故障辨識(shí)的結(jié)果分析比較如表2所示.表2表明，由PSO-ABC算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)時(shí)訓(xùn)用于瓦斯傳感器故障辨識(shí)速度快、誤差精度高、故障辨識(shí)正確率高，是一種非常有效的瓦斯傳感器故障辨識(shí)方法.

表1 網(wǎng)絡(luò)測(cè)試樣本實(shí)驗(yàn)結(jié)果

圖9 樣本辨識(shí)的分類結(jié)果

表2 不同模型的性能指標(biāo)比較

5 結(jié)論

1）通過小波包分解能使瓦斯傳感器的故障特征能量譜的向量維數(shù)減少，增強(qiáng)頻率分辨率，從而優(yōu)化信號(hào)的時(shí)頻特性，更有利于瓦斯傳感器故障信號(hào)特征的有效提取.

2）以PSO-ABC算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型，訓(xùn)練速度快、辨識(shí)準(zhǔn)確度高，能夠在線并迅速正確地辨識(shí)瓦斯傳感器的5類狀態(tài)（含正常及4類故障），故障辨識(shí)正確率都高于95.5%，該方法具有較強(qiáng)的瓦斯傳感器故障診斷能力.

參考文獻(xiàn)：

[1]王其軍.基于信息融合技術(shù)的瓦斯傳感器故障診斷研究[J].工礦自動(dòng)化，2008，（2）：22-25.

[2]張濤，牛金星.瓦斯傳感器故障診斷的灰色預(yù)測(cè)模型研究[J].機(jī)床與液壓，2013，41（13）：195-196.

[3]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.

[4]邵俊倩.基于小波神經(jīng)網(wǎng)絡(luò)技術(shù)的井下瓦斯傳感器故障診斷分析[J].中州煤炭，2016，（5）：1-3.

[5]陳宏，鄧芳明，吳翔，等.基于小波包分形的瓦斯傳感器故障診斷方法[J].傳感器與微系統(tǒng)，2016，35（11）：26-29.

[6]王軍號(hào)，孟祥瑞，吳宏偉.基于小波包與EKF-RBF神經(jīng)網(wǎng)絡(luò)辨識(shí)的瓦斯傳感器故障診斷[J].煤炭學(xué)報(bào)，2011，36（5）：867-871.

[7]單亞峰，孫璐，付華，等.基于小波包和RBF神經(jīng)網(wǎng)絡(luò)的瓦斯傳感器故障診斷[J].傳感技術(shù)學(xué)報(bào)，2015，28（2）：278-283.

[8]趙勁松，李元，邱彤.一種基于小波變換與神經(jīng)網(wǎng)絡(luò)的傳感器故障診斷方法[J].清華大學(xué)學(xué)報(bào)（自然科學(xué)版），2013，53（2）：205-209.

[9]王婷，李國勇，呂世軒.基于HPSO-RBF神經(jīng)網(wǎng)絡(luò)的瓦斯傳感器故障診斷[J].儀表技術(shù)與傳感器，2015，（3）：78-81.

[10]付華，楊欣，高婷.基于SVR的瓦斯傳感器故障診斷方法[J].傳感器與微系統(tǒng)，2016，28（2）：10-12.

[11]單亞峰，湯月，任仁，等.基于鄰域粗糙集與支持向量極端學(xué)習(xí)機(jī)的瓦斯傳感器故障診斷[J].傳感技術(shù)學(xué)報(bào)，2016，29（9）：1 400-1 404.

[12]黃丹，徐平安，王其軍，等.基于PCA神經(jīng)網(wǎng)絡(luò)和D-S決策的瓦斯傳感器故障辨識(shí)[J].儀表技術(shù)與傳感器，2015，（3）：99-103.

[13]楊真，鄧芳明，郝勇.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術(shù)[J].傳感器與微系統(tǒng)，2016，35（9）：33-35.

[14]喬維德.螢火蟲—粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的異步電機(jī)轉(zhuǎn)子斷條故障診斷[J].電機(jī)與控制應(yīng)用，2017，44（1）：83-88.

[15]喬維德.無刷同步發(fā)電機(jī)旋轉(zhuǎn)整流器故障的神經(jīng)網(wǎng)絡(luò)識(shí)別[J].溫州職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2016，16（4）：44-48.

[16]喬維德.一種改進(jìn)的提升機(jī)同步電機(jī)直接轉(zhuǎn)矩控制[J].鹽城工學(xué)院學(xué)報(bào)，2017，30（1）：28-33.

（責(zé)任編輯王穎莉）

Fault Identification Method for Underground Gas Sensor

QIAO Wei-de1,ZHOU Xiao-mou2
(1.Dept.of Scientific Research&Quality Control,Wuxi Open University,Wuxi,Jiangsu 214011,China;2.School of Mechanical& Electrical Engineering,China University of Mining&Technology,Xuzhou Jiangsu 221116,China)

In view of the current coal mine gas sensor fault identification speed and identification accuracy of defects,this paper proposes a wavelet packet decomposition and gas sensor fault identification method based on RBF neural network.The wavelet packet decomposition is used to extract the fault feature vector of the gas sensor and input to the RBF neural network.The particle swarm artificial bee colony(PSO-ABC)algorithm is used to optimize the structural parameters of RBF neural network,and the RBF neural network model is trained and detected by a large number of gas sensor samples.The experimental analysis shows that the identification speed of this method is fast, high rate of correct diagnosis,providing a new,more scientific and efficientway for accurate identification of gas sensor fault.

gas sensor;wavelet packet decomposition;RBF neural network;particle swarm-artificial bee colony algorithm;fault identification

TP212

A

1673-1972（2017）03-0046-07

2017-04-26

無錫市“530”社會(huì)事業(yè)領(lǐng)軍人才資助項(xiàng)目（2017/530/009）

喬維德（1967-），男，江蘇寶應(yīng)人，教授，主要從事電機(jī)智能控制、機(jī)電設(shè)備監(jiān)測(cè)與故障診斷研究.