基于小波包和RBF神经网络的瓦斯传感器故障诊断*

2015-05-06单亚峰

传感技术学报 2015年2期

关键词：波包瓦斯故障诊断

单亚峰,孙璐,付华,訾海

(辽宁工程技术大学电气与控制工程学院,辽宁葫芦岛 125105)

基于小波包和RBF神经网络的瓦斯传感器故障诊断*

单亚峰*,孙璐,付华,訾海

(辽宁工程技术大学电气与控制工程学院,辽宁葫芦岛 125105)

针对瓦斯传感器故障诊断速度慢、诊断精度不高的问题,以常见的冲击型、漂移型、偏置型和周期型传感器输出故障为研究对象,提出了一种基于减聚类(SCM)与粒子群(PSO)算法优化的RBF神经网络进行模式分类与辨识的瓦斯传感器故障诊断方法。首先,利用三层小波包分解得到各个节点的分解系数,采用一定的削减算法使故障的瞬态信号特征得到加强,获取最优的特征能量谱。再利用SCM-PSO算法优化RBF神经网络,使粒子的搜索速度更快,更有利于发现全局最优解。最后通过实验对比分析,该方法具有训练速度快、分类精度高的特点,辨识正确率在95%以上,能够显著提高故障诊断的速度和准确性。

瓦斯传感器;小波包;SCM-PSO;RBF神经网络;故障诊断

瓦斯传感器是煤矿监测系统中最重要的传感设备之一,它可以对矿井内的瓦斯浓度进行检测,传送给上位机,从而预报煤矿的安全与否[1]。但是,由于工作环境的问题,瓦斯传感器长期处在矿下高温、高湿度、高粉尘、强干扰下,经常会发生卡死、漂移、冲击等故障,使瓦斯传感器信号的输出不准,从而使瓦斯监测系统的性能下降,影响了煤矿的生产安全。因此,对瓦斯传感器进行故障诊断具有重要意义。

目前,常用的瓦斯传感器故障诊断方法有时间序列分析法、多元回归分析法和神经网络逼近法等[2]。文献[3]研究了基于连续小波极值点变换在传感器故障诊断中的应用;文献[4]提出了小波包分解提取各个节点特征能量与LVQ神经网络进行故障模式分类的传感器故障诊断方法。本文通过对现有研究方法的学习,提出了一种基于小波包分解与减聚类算法和粒子群算法组合优化的RBF神经网络的分类识别方法来对瓦斯传感器的故障进行诊断。采用基于代价函数的局域判别基(LDB)算法对小波包分解进行剪裁,获取最优的特征能量谱。RBF神经网络的基函数个数为减聚类算法的聚类个数,聚类中心和宽度作为一个粒子的初始位置,对粒子的搜索有较好的指引作用,更有利于发现全局最优解,提高预测与诊断的准确率。

1 信号的小波包分解与重构

1.1 小波包分解

小波包分解是基于小波分析延伸出来的一种对信号进行更细致分解和重构的方法[5]。它同时对低频信号部分和高频信号部分进行分解,使频谱窗口被分割的更细,具有更高的时频分辨率,对信号的分析能力更强。三层小波包的分解过程如图1所示,其中A表示低频部分,D表示高频部分,序号为小波包的分解层数。分解关系可表示为:

X=AAA3+DAA3+ADA3+DDA3+AAD3+

DAD3+ADD3+DDD3

图1 小波包分解示意图

1.2 故障特征提取

当传感器出现故障时,频带内的信号会有较大的变化。在各频率信号的能量中,包含着丰富的故障信息,频率信号能量的改变即代表了一种故障。因此,以能量为元素构造的特征向量可直观的反应信号的某些特征。因为传感器正常输出信号不为零,这样提取能量时主要集中在低频节点上,容易与冲击和偏差这类故障相混淆。因此,在进行小波包分解前,对信号进行标准化。具体的特征提取步骤为:

③为了更准确的描述信号能量变化,对X30～X37进行削减处理[6]:

ⓐ计算个基点分解系数的削减阈值:

其中,k表示X3i的长度,且X3i=[cfs3i1cfs3i2… cfs3ik]。

ⓑ对系数进行如下处理:

④重构(3)中各节点的分解系数,得到重构数据S3i(i=0,1,…,7)。

⑤计算各频带信号总能量:

E3i=∫|S3i|2dt=∑|S3i|2

⑥特征向量单位化:当能量较大时,为了使分析更加方便,可对特征向量进行单位化,可得新的特征向量。对E3i进行归一化处理:

⑦构造特征向量如下,将其作为RBF神经网络的训练样本输入。

2 减聚类算法与改进粒子群优化的RBF神经网络训练方法

常见的RBF神经网络训练方法有最小二乘法、梯度下降法和K-means聚类法等[7],但是它们不易找到神经网络的连接权值、径向基函数的中心和宽度等重要参数的全局最优解。为了克服这一缺点,利用改进的粒子群(IPSO)和减聚类(SCM)算法训练RBF神经网络,通过减聚类算法确定RBF神经网络的基函数个数和网络结构,然后以得到的中心向量和宽度作为粒子群中的一个粒子位置矢量,确定最佳的网络参数。

2.1 减聚类算法

减聚类算法[8-11]是一种相对简单而又有效的聚类算法,它将每一个数据点都作为潜在的聚类中心,之后减去已完成的聚类中心的所用,再次寻找聚类中心,直到满足一定的指标值。设p维空间的N个数据点为{X1,X2,…,XN},每一个数据点代表一个聚类中心,各数据点Xl的密度指标表示为:

2.2 粒子群算法的改进

粒子群算法是每个粒子根据个体最优位置Pbesti和全局最优位置Pgbest更新自己的速度和位置的过程,各粒子受Pgbest的影响,很快收敛到Pgbest附近。如果Pgbest是一个局部极值,则整个粒子群陷入局部最优,很难跳出Pgbest的束缚去发现全局最优解[12-14]。因此,本文对基本的粒子群算法进行改进,在进化初期,粒子以较大的概率向种群中的个体学习,增大了搜索区域,增加了收敛到全局最优解的概率。选择策略为:设t为当前进化代数,MaxGen为最大进化代数,在第t代进化过程中,随机产生一个0～1之间均匀分布的随机数r,计算Rt=t/MaxGen。如果r>Rt,则在粒子群中除去自身和最佳的粒子之外随机选择一个粒子,以该粒子的最优位置,记作Prnd=(pr1,pr2,…,prp)代替Pgbest,则速度更新变为

其中,否则按基本粒子修改方法进行更新。

改进的粒子群算法的计算过程如下:

Step1 参数的初始化,包括学习因子c1、c2,初始惯性因子ω、种群规模m和最大进化代数MaxGen;

Step2 随机产生种群为m的粒子,计算每个粒子的适应度,选择当前最优的Pbesti初始化Pgbest;

Step3 按公式ω=ωIni-ωFint/MaxGen计算当前惯性权重系数,其中ωIni为初始惯性权重,ωFin为进化结束时的惯性权重;

Step4 更新粒子的速度和位置;

Step5 计算每个粒子的适应值,若该位置优于Pbesti,则更新Pbesti,否则不更新;

Step6 选择所有粒子的个体最优解Pbesti中的最优值作为当前粒子群的全局最优解Pgbest;

Step7 t=t+1;

Step8 判断终止条件,如果达到最大进化代数则终止迭代,Pgbest即为找到的最优解;否则转Step3。

2.3 基于改进粒子群和减聚类算法的RBF神经网络优化

首先采用减聚类算法对训练样本进行聚类,得到聚类个数M和M个中心向量ui和聚类宽度σi,然后以聚类个数M最为隐含层神经元的个数,确定出RBF神经网络的结构。以网络的训练参数即隐含神经元的中心向量、宽度和隐含层神经元到输出神经元的连接权重作为位置矢量,构造粒子群[15]。采用改进粒子群和减聚类算法训练RBF神经网络的过程如图2所示。

图2 基于IPSO和SCM算法的RBF神经网络训练过程

3 实验验证与分析

3.1 实验配置

实验以山西焦煤官地矿为背景,从官地煤矿的瓦斯数据库中获取5类状态下传感器的实测数据各60组,经过小波包分解处理后提取相应的特征向量样本。根据瓦斯传感器输出信号的频带特点,把它的信号作3层小波包分解,得到8个频率范围无重叠的最优小波包基,再分别求出这8个最优小波包基对应的重构信号能量,把它们组成一组特征能量谱,如图3所示。

图3 瓦斯传感器5种状态下的特征能量谱

另外,神经网络的输出层节点数可确定为4,对于正常及4种故障状态,具体对应关系如表1。根据小波包分解特征能量谱的向量长度可知,把输入层节点个数定为8,利用减聚类算法对小波包分解后的数据样本进行聚类,运行时的参数设置为α=2.5,δ=0.01,得到聚类个数为5,中心向量和聚类宽度如表2所示。因此,隐含层节点个数为5,输出层节点个数定为4,所以该神经网络采用8-5-4结构。

表1 传感器状态与神经网络输出值映射关系

表2 减聚类算法的输出结果

对隐含层神经元的中心向量、宽度和隐含层神经元到输出神经元的连接权重作为位置矢量,构造粒子群。粒子数设为30,惯性权重由1.2线性的减小到0.1,迭代次数为100。粒子的适应度函数为训练样本错误分类个数。采用改进的粒子群算法对构造的RBF网络进行训练得到的网络基函数中心、宽度和隐含层到输出层的连接权值如表3所示。

3.2 结果验证

取5类状态下传感器的实测数据各20组,经过小波包分解处理后提取相应的特征向量样本,对训练过的神经网络进行验证,其中,一组验证的输出结果如表4所示,其全部样本诊断识别后的分类情况如图4所示。可以看出,这100组样本通过系统辨识分成了5个类别,并且每类样本的识别正确率都在95%以上,符合辨识分类的要求。因此,本文设计方法可以有效地诊断出瓦斯传感器的故障类型,达到了最初的设计目标。如果将该方法的模型与瓦斯传感器并行运行,可以实现瓦斯传感器的故障在线诊断。

表4 实验输出结果

图4 样本识别的分类结果

图5 误差曲线对比图

3.3 对比分析

为了验证本文提出的基于减聚类与粒子群优化的RBF神经网络瓦斯传感器故障检测算法的优越性,将该方法与传统的RBF神经网络算法以及基于标准粒子群算法优化的RBF神经网络进行比较,其中这两种RBF神将网络输入输出点个数与上文中设定的一致,训练样本数为100,测试样本数为40,最大迭代次数为50。将误差指标、训练时间和分类准确率作为评价标准,进行分析。

由图5可以看出,本文算法与传统的RBF神经网络算法和基于标准粒子群算法优化的RBF神经网络相比,在训练阶段,收敛速度更快,误差精度更高。而由表5可得:SCM+PSO优化的RBF算法与另外两种方法相比,不但降低了训练时间,而且提高了分类的正确率。此外,SCM+PSO优化的RBF神经网络算法在误差上也比另外两个算法小很多。因此,该方法可作为一种有效的瓦斯传感器故障分类诊断方法。

表5 性能指标对比

4 结论

①小波包可对高频尺度进一步分解,分解的算法降低了特征能量谱的向量维数,提高频率分辨率,具有更好的时频特性,可作为一种很好的特征提取工具。

②采用粒子群和减聚类算法训练RBF神经网络的结构,具有训练时间短、诊断精度高等优点,故障识别率在95%以上,能够显著提高故障诊断的有效性和准确性。

③把该诊断算法应用于瓦斯传感器的在线故障检测,能够实时快速地辨识4类突发型软故障,大幅提升瓦斯传感器的工作可靠性和抗干扰能力。

[1] In-Soo Lee.Gas Classification and Fault Diagnosis of the Gas Sensor in the Monitoring System Using Neural Networks[J].International Joint Conference,2009,18(21):5342-5346.

[2]赵锡恒,何小敏,许亮.基于免疫危险理论的无线传感器网络节点故障诊断[J].传感技术学报,2014,2(5):658-663.

[3]李辉,张安,徐琦.连续小波变换在传感器故障诊断中的应用[J].传感技术学报,2005,18(4):777-781.

[4]徐涛,王祁.基于小波包LVQ网络的传感器故障诊断[J].哈尔滨工业大学学报,2007,39(1):8-10.

[5]吴央,袁运能.基于小波包分解和FCM聚类的纹理图像分割方法[J].北京航空航天大学学报,2008,5:572-575.

[6]Garcia C,Zikos G.A Wavelet-Based Framework for Face Recognition[J].Foundation for Research and Technology,2005,13(4):102-107.

[7]He Wuming,Wang Peiliang.Fault Diagnosis of Traction Machine for Lifts Based on Wavelet Packet Algorithm and RBF Neural Network[J].Computational and Information Sciences,2010,10(3):372-375.

[8]杨红卫,李柠,侍洪波.基于减法聚类产生具有优化规则的模糊神经网络及其软测量建模[J].华东理工大学学报,2004,6:694-697.

[9]崔连延,徐林.基于减法聚类与改进的模糊C-均值聚类算法的说话人识别方法的研究[J].信息与控制,2008,32(2):61-66.

[10]潘天红,薛振框.基于减法聚类的多模型在线辨识算法[J].自动化学报,2009,12(2):112-116.

[11]杨海波,华惊宇,刘半藤.基于减聚类优化算法的无线传感网络分簇路由协议研究[J].传感技术学报,2012,25(11):1603-1606.

[12]刘爱军,杨育.混沌模拟退火粒子群优化算法研究及应用[J].浙江大学学报,2013,10:1722-1730.

[13]魏津瑜,张玮,李欣.基于PSO-BP神经网络的高炉煤气柜位预测模型及应用[J].中南大学学报,2013(S1):266-270.

[14]赵玲玲,马培军,苏小红.空间域减法聚类粒子滤波算法[J].哈尔滨工业大学学报,2010(3):427-431.

[15]岳恒,张海军,柴天佑.基于混合粒子群算法的RBF神经网络参数优化[J].控制工程,2006,11(6):64-69.

Gas sensor Fault Diagnosis Based on Wavelet Packet an RBF Neural Network Identification*

SHANYafeng*,SUNLu,FUHua,ZIHai

(Faculty 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 object,and proposes a pattern classification and identification of the fault diagnosis of gas sensor method based on RBF neural network that is optimized by subtractive clustering and particle swarm optimization algorithm.Use three layer wavelet packet decomposition technologies to get the coefficients of each node,and adopt some cutting algorithm to improve the transient signal features of the fault,and then obtain the optimal energy spectrum.Next,use SCM-PSO algorithm to optimize RBF neural network and make the particles search faster and easier to find the global optimal solution.Finally,through experiment contrast analysis,this method has the features of fast training speed,high accuracy of classification,and the identification correct rate is more than 95%.It can significantly improve the effectiveness and accuracy of the fault diagnosis.

gas sensor;wavelet packet;SCM-PSO;RBF neural network;fault diagnosis

单亚峰(1968-),男,副教授,辽宁阜新人,辽宁工程技术大学硕士研究生导师,1991年毕业于哈尔滨建筑工程学院电气自动化专业。多年来一直工作在科研和教学第一线,近年来发表论文10余篇,参编教材2部,主持承担科研课题多项。主要研究方向为检测技术及其应用,长期有效通信作者:单亚峰,shanyf68@163.com;