蚁群神经网络传感器故障识别法在二次测爆装置中的应用

孙乐 陈万胜 燕 斌 徐维泽 王昊星

摘 要：文章针对煤矿井下二次测爆装置中传感器主要故障，提出利用蚁群神经网络故障识别的新方法。通过蚁群算法对数据进行多次寻优，找到理想的权值，再将它们输入BP神经网络系统进行训练。此法有收敛速度快，能防止BP网络陷入局部极小点的优势。最后根据实际矿井情况模拟仿真，实验证明这种方法对比单纯使用BP网络算法，效果明显提升。

关键词：煤矿井下二次测爆装置；蚁群算法；BP神经网络；传感器故障识别

引言

由于煤矿井下环境比较复杂，容易发生二次爆炸，因此对二次测爆装置中气体浓度传感器的故障识别能力至关重要。目前有很多人用神经网络对其测量过程中存在的多变量、非线性等复杂情况进行识别，虽然实验结果表明这是一种解决方法，但是该算法也存在一定的弊端，比如对初值敏感、易陷入局部最优和收敛速度慢等。针对上述问题蚁群算法恰能解决，它根據蚂蚁觅食的规律建立起来的，是继遗传算法之后的另一全局优化算法。从Marco Dorigo提出该算法到Goss著名“双桥”实验，再到后来数学模型的建立和在解决具有NP.hard特性的组合优化问题中取得的显著效果[1]。文章将神经网络及蚁群算法的诸多特点结合起来，用蚁群算法来学习神经网络的权值，将其获得的网络最优化参数保存下来，进行新故障的识别，经验证效果较好[3]。

1 蚁群神经网络

1.1 蚁群算法

蚁群算法是利用了蚁群搜索食物的过程与著名旅行商问题（TSP）之间的相似性，对蚂蚁个体之间信息交流与相互协作最终找到从蚁穴到食物源的最短路径的情况进行人工模拟，并称之为蚁群系统（Ant Colony System）。其原理如下所述：假设n个节点的全连通图上随机分布了m只蚂蚁，？子i，j（t）表示与问题相关的启发式信息，设 ？浊i，j（t）=1/di，j，？浊i，j（t）是t时刻在i，j连线上的信息素量。初始化后，设？子i，j（0）（C为常数），假设每个路径上信息量相同。k（k=1，2，…，m）个蚂蚁依据不同路径上的问题的启发式信息和信息量决定转移方向，是蚂蚁k在t时刻由位置i移动到j的概率[5]。

式中tabuk记录了蚂蚁已走过的路径，？琢，？茁是调节启发式信息？浊和信息素强度？子相对重要性的参数。蚂蚁每走完一次，其路径信息量要进行调整，依据如下：

1.2 BP神经网络算法

人工神经网络非线性映射能力强，是仿造人脑结构及功能建立起的动力学系统，其中BP算法（基于误差反向传播算法）应用广泛，通用性强，3层的BP网络可以逼近一个连续函数[4]，其原理如下所述：设第一、二隐层有n1、n2个神经元，对应权矢量是w、w'、w"，输入矢量为x、x'、x"。设有P个学习样本矢量，目标是最小化均方差为第p个训练方式所对应的第l个样本的目标与网络的输出，偏移阈值？兹并入权矢量之中，NM为输出层神经元个数。

1.2.1 输出层

1.2.2 中间隐层

其中，j=0，1，…n1。

1.2.3 第一隐层

1.3 蚁群神经网络法（ACO-BP）

蚁群神经网络法（ACO-BP），顾名思义就是将蚁群算法与BP神经网络算法相结合，下面简单介绍此算法的基本步骤，详细计算公式见参考文献[5]。

（1）首先进行初始化，建立BP神经网络结构与信息素表。

（2）记录蚂蚁循环一次的参数权值，计算误差E。

（3）确定误差较小的权值，将此误差与事先设定好的误差比较，若满足则结束。（执行步骤f，否则到步骤d）

（4）重新更新信息素，重复b、c步骤。

（5）采用BP算法再进行训练。

（6）进一步检验误差，符合设定值则结束，否则重新执行。

2 蚁群神经网络法应用

2.1 传感器故障分类

在实际应用中，二次测爆装置内传感器主要包括CH4传感器、CO传感器、CO2传感器和O2传感器[2]。以上四种传感器所出现的故障情况基本类似，所以文章以CH4传感器为例，根据其特点，将其故障分为四种形式：完全失灵、固定偏差、漂移、精度变差。由于故障数为4，因此下面仿真时，输入节点数同样设置为4。

2.2 计算机仿真及结果对比

在使用前对选择的数据进行相应的处理，使数据分布在[0，1]这一区间，数据处理完毕后首先利用BP神经网络算法进行一次仿真，其步骤为使用MATLAB软件中的神经网络工具箱，将参数设置为：隐层数为1个，节点数为6个；输入层为4个；输出层为1个；误差上限为1%；训练最大次数为10000次[6]。然后，将同样的数据用ACO-BP算法再进行一次仿真，其步骤为先使用蚁群算法，参数Q设为5300，经上文公式计算后，寻优样本数据，然后将寻优所得结果作为BP所需的权值，从而形成基于蚁群神经网络算法的ACO-BP模型，其神经网络工具箱参数设置如下：训练最大次数为200次；输出为1；输入层为4个；误差上限为0.01；隐层数为1层，隐层节点为6。

表1 BP算法和ACO-BP算法和故障识别率的比较

从以上比较可以确定，虽然两种方法都能对故障识别起到一定的作用，但是BP神经网络采用负梯度下降法调节所得的权值，存在收敛速度慢和局提高很多，能十分有效的避免了BP算法的不足之处，其发挥的作用在故障识别方面是不言而喻的。

3 结束语

为了能更好的提高煤矿井下二次测爆装置中传感器故障识别能力，文章将蚁群神经网络算法融汇其中，对传感器的故障进行了诊断。利用MATLAB软件，对BP算法和蚁群神经网络算法进行了仿真，结果表明基于蚁群神经网络算法能有效地提高二次测爆仪传感器的故障识别能力，取得的效果令人满意，对二次测爆仪传感器故障识别方法具有一定的借鉴意义。

参考文献

[1]张娅玲，陈伟民，章鹏，等.传感器故障诊断技术概述[J].传感器与微系统，2009，28（1）：4-6.

[2]周利华.矿井火区可燃性混合气体爆炸三角形判断法及其爆炸危险性分析[J].中国安全科学学报，2001，11（2）：47-51.

[3]高运广，刘顺波，张振仁.基于KPCA的HVAC系统传感器故障诊断[J].传感器与微系统，2008，27（5）：37-42.

[4]A.Colomi，M.Dorigo，Maniezzo.Distributed optimization by ant colonies[C].Proeeedings of the lst EuroPean Conferenee on Artifieial Life，1991：134-142.

[5]刘彦鹏.蚁群优化算法的理论研究及其应用[D].浙江：浙江大学，2007.

[6]薛定宇，陈阳泉.控制数学问题的MATLAB求解[M].北京：清华大学出版社，2005：356-366.