徐耀松,邱 微,王治國,王雨虹,2,閻 馨

(1.遼寧工程技術大學電氣與控制工程學院,遼寧 葫蘆島 125105;2.遼寧工程技術大學安全科學與工程學院,遼寧 阜新 123000)

瓦斯傳感器是煤礦瓦斯監(jiān)測系統(tǒng)中必備的現(xiàn)場瓦斯?jié)舛葯z測設備。由于煤礦井下環(huán)境惡劣,在長期的高濕度、高粉塵和強電磁干擾下,瓦斯傳感器經常會出現(xiàn)卡死、漂移、沖擊、周期等故障,這時傳感器的輸出就會失真,使煤礦瓦斯監(jiān)測系統(tǒng)性能下降,難以滿足煤礦安全監(jiān)測監(jiān)控系統(tǒng)的需求,為煤礦生產安全帶來隱患。由于煤礦井下瓦斯傳感器數(shù)量眾多,而且需要連續(xù)運行,采用定期巡檢的方式難以保證瓦斯傳感器數(shù)據的有效性,因此基于數(shù)據進行瓦斯傳感器故障診斷具有重要意義[1]。目前,煤礦瓦斯傳感器故障診斷的方法主要有時間序列分析、多元回歸分析以及支持向量機、神經網絡逼近等方法。文獻[2]采用基于ASGSO優(yōu)化的支持向量回歸機預測模型參數(shù)的算法,通過比較模型預測結果與現(xiàn)場實測瓦斯?jié)舛鹊臍埐瞀?對瓦斯傳感器進行故障診斷;文獻[3]將基于RBF網絡的信息融合技術應用于瓦斯傳感器的故障診斷,實現(xiàn)了對瓦斯傳感器的狀態(tài)監(jiān)測和故障分類辨識;文獻[4]耦合減聚類算法SCM(SUBTRACTIVE CLUSTERING METHOD)和粒子群算法PSO(Particle Swarm Optimization),提出了基于SCM與 PSO-RBF神經網絡的瓦斯傳感器故障診斷方法;文獻[5]研究了由小波包與擴展Kalman濾波算法EKF(Extended Kalman Filter)優(yōu)化RBF神經網絡的瓦斯傳感器故障診斷方法,提高了在單純考慮瓦斯傳感器檢測數(shù)據情況下故障診斷的速度和準確性。在瓦斯傳感器故障診斷過程中,環(huán)境中的風速、溫度、CO2等環(huán)境因素的變化都會對瓦斯傳感器的輸出產生影響,且各種因素之間的影響關系復雜[6-7],難以進行定量描述與精確建模,這也導致僅僅依據瓦斯傳感器輸出數(shù)據并不能準確實現(xiàn)故障診斷。

為了提高瓦斯傳感器故障診斷的精度與速度,本文從數(shù)據分析的角度,提出一種基于拉普拉斯特征映射LE(Laplacian Eigenmaps)算法與改進化學反應優(yōu)化ICROA(Improved Chemical Reaction Optimization Algorithm)算法優(yōu)化的相關向量機RVM(Relevance Vector Machine)的瓦斯傳感器故障診斷方法。該方法充分結合LE算法對高維非線性特征向量提取能力和RVM所需設置的參數(shù)較少,不需額外計算開銷的優(yōu)點。考慮多種環(huán)境因素對瓦斯傳感器輸出的綜合作用,將各種因素作為原始故障樣本數(shù)據集,首次引入流形學習方法LE對瓦斯傳感器故障問題進行研究,利用LE算法對故障數(shù)據集進行特征提取,提取有效數(shù)據,舍棄不相關數(shù)據,減少特征向量維度,使提取后的特征向量具有較高的相關性;并通過改進化學反應優(yōu)化(ICROA)算法的RVM核參數(shù)尋優(yōu)方法,快速找到全局最優(yōu)核參數(shù),進而提高故障分類的精度并減少故障辨識時間。

1 瓦斯傳感器故障特征提取

1.1 采煤工作面瓦斯傳感器布局

鑒于礦井下空氣流動性大的問題,瓦斯傳感器輸出數(shù)據的準確性會受到其他環(huán)境因素影響,如井下巷道中的風速、溫度、CO2濃度等,所以為了更準確快速地診斷出瓦斯傳感器的故障類型,必須要綜合考慮到可能影響到瓦斯?jié)舛鹊拿總€因素。因此,本文采用7個傳感器對采煤工作面瓦斯系統(tǒng)進行監(jiān)控,如圖1所示,包括上隅角瓦斯傳感器T0、溫度傳感器T1、回風巷風速傳感器T2、回風巷CO2濃度傳感器T3、溫度傳感器T4、進風巷風速傳感器T5、CO2濃度傳感器T6。

圖1 采煤工作面瓦斯傳感器布局

井下的風速V、溫度T、CO2濃度以及瓦斯傳感器T0自身攜帶的信息等都會對監(jiān)測系統(tǒng)中瓦斯傳感器的輸出值有一定程度的影響,某個參量的變化均可能導致現(xiàn)場瓦斯傳感器的輸出值產生變化,而此時獲得的檢測數(shù)據難以反映現(xiàn)場實際情況,當瓦斯傳感器產生故障時,其故障狀態(tài)與現(xiàn)場環(huán)境參數(shù)之間存在較強的非線性,并具有高維特征,導致難以及時、準確甄別故障情況。綜合考慮多種因素對瓦斯傳感器檢測數(shù)據的影響,在高維、非線性的多源數(shù)據中提取出表征瓦斯傳感器故障的有效信息,需要進行瓦斯傳感器故障特征提取與降維,并以此為依據進行瓦斯傳感器故障診斷,本文提出采用流形學習方法LE對原始數(shù)據空間進行降維提取。

1.2 拉普拉斯特征映射(LE)算法

拉普拉斯特征映射(LE)算法是一種有效的流形學習方法,因運算速度快、聚類能力強的優(yōu)點被廣泛應用在特征降維領域[8-9]。LE算法提取的實質是把求解高維數(shù)據的低維嵌入坐標問題通過矩陣變換轉變成求解圖拉普拉斯的廣義特征值[10],本文將其引入到瓦斯傳感器故障診斷領域。

對于多源數(shù)據下瓦斯傳感器故障特征的提取,首先,采集圖1中傳感器T0～T6在無故障及發(fā)生不同故障狀態(tài)下的輸出信息,構成原始數(shù)據空間X={T0,T1,T2,T3,T4,T5,T6},經歸一化預處理后,得到標準化數(shù)據樣本集。再計算樣本集中每個樣本點xi與其他樣本點之間的歐氏距離dE(xi,xj),并采用K近鄰法找到每個樣本點的K個最近鄰點,構造近鄰圖G。然后為近鄰圖G中的每條邊賦予一個權值Wij,從而得到權值矩陣W=[Wij],本文采用熱核法選擇權值:若xi和xj是鄰接的,則邊的權值為:

(1)

否則Wij=0,式(1)中r為熱核寬度,其取值與鄰域K值相適應。對于連通的近鄰圖G,利用拉普拉斯算子的廣義特征向量,將求解瓦斯傳感器原始數(shù)據空間中故障特征的低維嵌入問題轉變?yōu)榍蠼鈭D拉普拉斯廣義特征值的問題:

Ly=λDy

(2)

式中:D為對角矩陣,且Dii=∑jWji,L為拉普拉斯算子,即L=D-W,λ為圖拉普拉斯廣義特征值,y為特征值λ所對應的特征向量。

計算得到L的d個最小特征值對應的特征向量y1,y2,…,yd,即為d維故障特征嵌入坐標Y=[y1,y2,…,yd]T,再基于特征向量Y進行瓦斯傳感器故障診斷模型的建立。

2 ICROA-RVM故障診斷模型

2.1 相關向量機(RVM)

RVM[11-12]是一種基于貝葉斯框架下的稀疏概率建模方法。與支持向量機SVM(Support Vector Machines)相比,它不必滿足Mercer條件,只需設置核函數(shù),訓練速度快,泛化能力強。處理瓦斯傳感器故障分類問題時,稀疏概率正好是大量多源傳感器可能存在的特征,不僅能夠保證故障分類的精度,還可以縮短運算時間,滿足瓦斯傳感器故障診斷對實時性的高要求。其基本原理如下:

(3)

式中:ω=[ω0,…,ωl]T為模型權重,l為樣本數(shù),K(x,xi)為核函數(shù),不同的核函數(shù)對RVM的分類精度和泛化性能有著不同的影響,本文選擇非線性處理能力較強的高斯徑向基函數(shù)用作核函數(shù),其定義如下:

(4)

式中:σ是核參數(shù)。

假設訓練樣本相互獨立且含方差為δ2的高斯噪聲,則樣本集的似然函數(shù)可表示為:

(5)

式中:t=(t1,…,tl)T;Φ=[φ(x1),…,φ(xl)]T是l×(l+1)維由核函數(shù)構成的矩陣,φ(xi)=[1,K(xi,x1),K(xi,x2),…,K(xi,xl)]T。根據稀疏貝葉斯理論,利用高斯先驗分布為每個權值定義約束參數(shù):

(6)

式中:α=(α0,α1,…,αl)T是超參數(shù)向量。再計算權值的后驗概率:

(7)

式中:協(xié)方差Σ=(δ-2ΦTΦ+A)-1;均值μ=δ-2ΣΦTt,A=diag(α0,α1,…,αl)。

權值的估計轉化成超參數(shù)α和δ2的估計。通過求邊緣分布,得到超參數(shù)的似然分布為:

(8)

式中:協(xié)方差C=δ2I+ΦA-1ΦT。

(9)

核參數(shù)σ的選取會對RVM的分類結果產生很大的影響,在建立RVM故障診斷模型時,如何選取核參數(shù)直接影響模型的準確率,采用遍歷搜尋方法[13]選取核參數(shù)具有一定的盲目性,且會消耗大量時間,最后所得參數(shù)也不一定是全局最優(yōu)解。

2.2 ICROA算法及其優(yōu)化步驟

針對RVM核參數(shù)選取困難的問題,提出采用化學反應優(yōu)化(CROA)算法對核參數(shù)進行全局尋優(yōu)。CROA算法[14-16]是一種基于化學反應過程中分子碰撞和能量轉化過程的群體智能算法,它是通過模擬化學反應中分子間的相互作用來尋求最小系統(tǒng)勢能的過程,具有群體規(guī)模動態(tài)變化、個體之間信息交換手段豐富等優(yōu)勢。但是CROA算法存在易陷入早熟的缺點,為了提高瓦斯傳感器故障診斷的速度和準確性,結合Logistic映射思想和混沌策略[17]隨機、無序的特點提出一種改進的化學反應優(yōu)化(ICROA)算法,不僅可以避免CROA的早熟現(xiàn)象,還能提高CROA的收斂速度,快速找到全局最優(yōu)參數(shù)。

設bU和bL是可行域的上界與下界,令Xbest代表當前最優(yōu)狀態(tài)的位置,首先按式(10)進行映射:

ξ=(Xbest-bL)/(bU-bL)

(10)

映射后的區(qū)間變成[0,1],通過Logistic 映射產生混沌變量,如式(11)。

ξ′=μξ(1-ξ)

(11)

式中:μ是控制參數(shù),實驗結果表明,當μ=4時,系統(tǒng)的狀態(tài)處于完全混沌,有利于跳出局部最優(yōu)情況。

(12)

圖2 ICROA算法流程圖

ICROA-RVM瓦斯傳感器故障診斷模型參數(shù)尋優(yōu)步驟如下:

Step 1 設置迭代次數(shù)K,并初始化種群規(guī)模PopSize、分子初始動能InitialKE、動能損失率KELossRate、單分子與多分子反應臨界點MoleColl等。

Step 2 將RVM模型的實際輸出與期望輸出平方誤差的平均值作為目標函數(shù)f。

(13)

式中:yi和yoi分別是第i個樣本的實際輸出和期望輸出,l是訓練樣本數(shù)。

Step 3 分別計算分子的初始勢能PE和動能KE。

Step 4 從[0,1]間隨機生成一個數(shù)t,若t>MoleColl,則從初始分子群隨機選擇一個分子,否則隨機選擇兩個分子。

Step 5 如果最優(yōu)解連續(xù)出現(xiàn)次數(shù)達到分解臨界值,則開始分子分解反應;否則進行分子與容器壁之間的無效碰撞。

Step 6 如果兩個分子的動能同時小于合成臨界值,則開始分子合成反應;否則進行分子之間的無效碰撞。

Step 7 計算反應后的分子勢能并更新當前的最優(yōu)解Xbest和最小目標函數(shù)值fmin。

Step 8 若迭代多次,最優(yōu)解保持不變,則采用混沌策略生成新解,比較當前解與新解目標函數(shù)值大小,保留更優(yōu)者;否則,繼續(xù)執(zhí)行算法。

Step 9 進行多次迭代,判斷是否不再產生新解條件,如是,則停止迭代,輸出最優(yōu)解。否則,重復Step 3～Step 8。

Step 10 得到全局最優(yōu)核參數(shù),構造ICROA-RVM瓦斯傳感器故障診斷模型進行故障辨識。

3 實驗驗證與結果分析

3.1 基于LE算法的瓦斯傳感器特征提取

實驗以開灤錢家營煤礦為研究背景。從煤礦監(jiān)測系統(tǒng)2017年9月～12月檢測數(shù)據中進行分類與匯總,并隨機抽取正常無故障、沖擊、漂移、偏置及周期型故障5類狀態(tài)下共600組傳感器T0～T6的實測數(shù)據,將數(shù)據分為訓練樣本和測試樣本,各狀態(tài)對應的樣本數(shù)據如表1所示。

表1 故障狀態(tài)樣本數(shù)據表

圖3 故障特征提取結果

實驗先對600組數(shù)據進行歸一化處理,再利用LE進行降維提取。實驗采用K近鄰法構建鄰域圖,其中近鄰點個數(shù)K的選取對算法非常重要,K值要根據實際問題選取,若K取值過小,會導致降維不準確;若K取值過大,會降低模型的運行速度。文中K值依次選取為4、6、8、10并分別進行比較,最終確定近鄰點個數(shù)K=8,嵌入維數(shù)d=3,同時熱核參數(shù)r=6。

為了驗證用LE來進行瓦斯傳感器故障特征提取的可行性,本文分別采用LE和核主成分分析KPCA(同樣取嵌入維數(shù)d為3)對故障數(shù)據空間進行提取,所得故障特征向量結果如圖3。

由圖3可知,利用LE提取后,雖有個別混在一起,但總體上5類狀態(tài)的樣本分得較開,而采用KPCA提取得到的三維空間中各樣本的識別效果不理想,且各樣本間出現(xiàn)了大量的樣本交叉錯誤識別。由此可見,LE算法能更加充分地提取故障敏感的非線性特征,極大地獲取故障數(shù)據內在的整體幾何結構信息,從而提高瓦斯傳感器故障診斷的準確性。

3.2 故障診斷實驗結果分析

利用ICROA算法對RVM的核參數(shù)進行全局尋優(yōu),將故障特征向量作為RVM模型的輸入對訓練樣本進行訓練,建立ICROA-RVM瓦斯傳感器故障診斷模型。其中ICROA相關參數(shù)設置見表2。

表2 ICROA相關參數(shù)設置

選擇RBF徑向基核函數(shù)作為RVM的基函數(shù),并結合LE及RVM的特點將RVM的輸入節(jié)點數(shù)設為3,隱層節(jié)點數(shù)設為5,輸出節(jié)點數(shù)設為4,因此,本文中ICROA-RVM模型采用3-5-4結構。輸出節(jié)點對應瓦斯傳感器5類輸出狀態(tài),映射關系如表3所示。

表3 傳感器狀態(tài)與RVM輸出值映射關系

圖4 測試樣本故障診斷結果

模型訓練結束后,對5類狀態(tài)下共160組測試樣本進行故障診斷測試。RVM測試輸出結果見表4,由于篇幅有限,只列出部分數(shù)據。診斷結果如圖4所示。

表4 測試輸出結果

由圖4知,在160個測試樣本中,ICROA-RVM故障診斷模型對157個樣本的診斷結果與實際故障類型情況相吻合,即該測試樣本的故障診斷正確率達到98.13%。由表3可看出,5類測試樣本各自的識別率均達到了96%以上,其中對正常型和周期型故障狀態(tài)下的診斷正確率更是達到100%,不僅滿足了辨識分類的基本要求,還極大地提高了瓦斯傳感器的故障診斷準確率。因此本文提出的方法可以快速且準確地診斷出瓦斯傳感器的故障類型。

3.3 算法性能對比分析

為了進一步驗證本文提出的瓦斯傳感器故障診斷方法的優(yōu)越性,進行了如下對比試驗。分別將LE和KPCA提取后的故障特征輸入到ICROA-RVM模型、PSO-RVM模型、RVM模型及SVM模型中進行訓練,對測試樣本進行故障診斷。診斷結果如表5所示,圖5為經LE處理后各模型的訓練誤差曲線。

表5 各模型性能指標對比

圖5 LE處理后模型誤差曲線對比圖

由表5知,經LE處理的四種診斷模型不僅在訓練時間和診斷時間上明顯優(yōu)于經KPCA處理過的模型,而且識別正確率也有顯著提高,尤其是ICROA-RVM模型效果最為明顯。其中RVM的診斷效果比SVM要好,PSO-RVM雖在一定程度上優(yōu)化了RVM,但模型診斷正確率仍較低,而本文提出的基于LE算法與ICROA-RVM的故障診斷模型則訓練時間短,診斷時間少,且具有最高的故障診斷正確率。

圖5中在訓練階段,ICROA-RVM模型的收斂速度比PSO-RVM、RVM及SVM模型的收斂速度快很多,大約迭代到13次時,模型訓練誤差就幾乎趨于穩(wěn)定。此外,ICROA-RVM模型的誤差精度比其他三種模型都要高,穩(wěn)定性更高。因此,本文提出的基于LE與ICROA-RVM的瓦斯傳感器故障診斷方法明顯優(yōu)于傳統(tǒng)診斷方法,具有更強的泛化能力,診斷速度更快,故障識別率更高,可應用于煤礦瓦斯傳感器的在線故障診斷。

4 結論

本文針對傳統(tǒng)瓦斯傳感器故障診斷方法診斷精度不高、速度慢的缺點,在深入分析多種瓦斯傳感器輸出影響因素的基礎上,從數(shù)據分析的角度,研究了基于LE與ICROA-RVM的瓦斯傳感器故障診斷方法,得到如下研究結論:

①首次將能有效提取高維非線性數(shù)據中嵌入的低維流形的LE算法應用在瓦斯傳感器故障特征提取,該方法充分保留了原始高維故障數(shù)據中的整體幾何信息,準確地提取出了故障特征向量。

②充分發(fā)揮RVM非線性處理能力強和計算速度快的特點建立瓦斯傳感器RVM故障診斷模型,融合CROA算法與Logisic映射的優(yōu)點,引入混沌策略,提出了基于ICROA算法的RVM核參數(shù)優(yōu)化方法,實現(xiàn)了較準確的核參數(shù)全局尋優(yōu),極大地提高了故障的診斷速度與診斷準確性。

③通過實測數(shù)據驗證和對比分析發(fā)現(xiàn),本文提出的瓦斯傳感器故障診斷方法具有訓練時間短、訓練誤差小、診斷準確度較高等優(yōu)點,故障識別率在96%以上,顯著提高了故障診斷的準確性和速度,能夠應用于瓦斯傳感器的在線故障檢測,實時快速地辨識常見的4類突發(fā)型軟故障。