基于主元分析和集成神经网络的瓦斯传感器故障诊断*

杨　真， 邓芳明, 郝　勇， 徐长英， 王　宏， 吴　翔

(1.华东交通大学 现代教育技术中心,江西 南昌 330013；2.华东交通大学 电气与电子工程学院，江西 南昌 330013；3.南昌航空大学 工程训练中心,江西 南昌 330063)



基于主元分析和集成神经网络的瓦斯传感器故障诊断*

杨真1， 邓芳明2, 郝勇2， 徐长英3， 王宏3， 吴翔2

(1.华东交通大学 现代教育技术中心,江西 南昌 330013；2.华东交通大学 电气与电子工程学院，江西 南昌 330013；3.南昌航空大学 工程训练中心,江西 南昌 330063)

针对瓦斯传感器常见突发型故障，提出一种基于主元分析(PCA)和权重提升(WB)算法训练人工神经网络集成的瓦斯传感器故障诊断方法。利用PCA方法提取故障特征，得到的特征向量作为神经网络的训练样本；利用WB算法依次训练多个神经网络分类器；由集成神经网络得到待测样本的故障诊断结果。仿真实验表明:该方法对测试样本的识别正确率在98.5 %以上，能够显著提高瓦斯传感器故障诊断的诊断精度和泛化能力。

瓦斯传感器; 故障诊断; 主元分析; 人工神经网络集成; 权重提升

0　引　言

瓦斯气体浓度的监测是煤矿安全监测的重要指标之一，在井下高湿度、高粉尘、强电磁干扰等环境因素的长期作用下，瓦斯传感器的卡死故障、冲击故障、漂移故障、周期故障等常见故障频发，严重影响煤矿生产安全，甚至导致重大安全事故，因此,研究瓦斯传感器的故障诊断方法，对提高煤矿安全监测系统的可靠性有着极其重要的作用[1]。近年来，人工神经网络(artificial neural network，ANN) 与支持向量机(support vector machine，SVM)等多种方法被应用于传感器故障诊断中，并取得了一定成果。然而，常用的神经网络方法均存在一定缺陷，如误差反向传播(back propagation, BP)神经网络易陷入局部极值，存在过拟合、泛化能力差等问题[2]；径向基(radial basis function, RBF)神经网络虽然拓扑结构简单，非线性逼近能力强，收敛速度快，但是其模型参数难以设置[3]；SVM方法尽管运算时间短、精度高，但是同样需要进行多参数的选择，如，核函数、惩罚系数、误差控制等[4]。

影响瓦斯传感器浓度的诸多因素是一种复杂的非线性关系，为了利用神经网络的非线性映射能力，减小模型参数对网络性能影响，同时提高神经网络的精度和泛化能力，本文提出一种基于主元分析(principal component analysis，PCA)和人工神经网络集成(artificial neural network ensemble,ANNE)的瓦斯传感器故障诊断方法。该方法首先针对故障数据空间维数大的问题，利用PCA对故障数据进行降维，从原始数据中提取有效信息，构成故障信号的特征向量。神经网络选用最基本的BP神经网络，利用权重提升(weight boosting,WB)算法集成若干个BP神经网络，从而在不对神经网络模型参数进行复杂优化处理的前提下，提高整个诊断系统的精度和泛化能力。

1　故障诊断原理

1.1PCA方法

PCA是最为常用的特征提取方法之一，通过对原始数据的线性变换，可以剔除冗余信息和噪声，利用实际应用中多个变量之间的相关性，利用一个特殊的向量矩阵将数据从高维空间映射到低维空间，得到一组相互无关的综合变量，并按重要度从大到小排列，以实现特征提取的目的[5]。设采样数据为X=[xij]n×m，则基于PCA的特征提取步骤如下:

(1)

2)中心化处理得到标准矩阵Y=[yij]n×m，即

(2)

3)计算协方差矩阵CX=[cij]m×m，即

(3)

4)计算CX的特征值λi和特征向量αi为

|CX-λE|=0

(4)

将特征值从大到小排序，即：λ1≥λ2≥…≥λm，对应的特征向量为：α1,α2,…,αn；

5)计算第i个特征值λi的方差贡献度ηi

(5)

6)生成变换矩阵A=[α1,α2,…,αR],即

(6)

式中ρr为前r个特征值λ1,λ2,…,λr的累积方差贡献度，若当r=R时，有ρr≥90 %，则这R个主元可以表示原始数据的绝大部分信息，由前R个特征向量构成变换矩阵A=[α1,α2,…，αR]

7)生成降维后的故障特征矩阵Z=[zij]n×r

Z=X×A

(7)

1.2WB算法

文献[6]提出强分类器和弱分类器，以及弱分类器提升的概念，对于神经网络，通过串联、并联等结构进行集成是常用的提升方法之一，得到的集成网络在学习能力、泛化能力、容错能力等方面明显优于单一神经网络[7]。本文使用WB算法集成若干个BP神经网络，并生成最终的瓦斯传感器故障诊断系统。该算法通过更新样本权重的分布，使前一个神经网络误分类的样本以较大的概率进入下一个神经网络的训练集中，从而更好地处理已有分类器难以处理的样本，此外，根据每个弱分类器的分类情况赋予该分类器一个权值，表示其在加权集成时的话语权0。具体的算法步骤如下：

1)构造训练样本集Tr=[(xi,di)],i∈[1,N];

2)设定最大BP神经网络个数K；

3)设置BP神经网络结构参数、激活函数和训练算法；

4)初始化训练样本集Tr分布wk

(8)

5)fork=1∶K

a.依据当前样本分布wk，在训练集Tr中抽取N个训练样本，生成新的训练集Trk，并用该训练集训练第k个BP神经网络netk；

b.计算诊断误差E(k)为

(9)

c.若E(K)≥0.5，放弃该网络，令k=k-1，返回步骤a，重新抽取样本并训练；

d.计算基元神经网络投票权αk为

(10)

e.更新样本权重分布wk(i)为

(11)

f.为保证更新后的样本权重仍然是一个概率分布，需要对样本分布归一化处理，即

(12)

g.集成得到AdaBoost_NN诊断器H(x)为

(13)

2　仿真测试

本实验选取的故障样本数据来源于GJC4/100型高低浓度甲烷传感器在正常工作状态和卡死故障、冲击故障、漂移故障、周期故障4种故障状态下，重复进行400次采样实验所获取的输出信号，每种状态各80组，每组20个数据。利用PCA方法，按1.1节所述步骤对原始故障信号进行故障特征提取，图1为主元贡献度矩形图和累计贡献度曲线，前6个主元的累计贡献度达到91.26 %，由此可以认为原始数据的绝大部分信息可以由这6个主元表示，从而得到维数为6的故障特征向量。

图1　主元贡献度和累计贡献度

表1　故障模式编码

训练结束后，将测试样本的特征向量送入各个神经网络，按照各神经网络的投票权，对其输出结果加权投票，各个神经网络累计投票值最大的故障模式即为最终的诊断结果。

3　测试结果分析

以冲击故障为例，由各个BP神经网络识别后累计的加权投票结果如表2所示。观察表2可以发现，经过训练后的BP神经网络在诊断待测样本时，并不能都得到正确结果，然而经过加权投票后却能得到正确结果，这表明集成的方法可以有效提高BP神经网络的诊断准确率。

表2　神经网络投票结果

图2为最大BP神经网络个数K对ANNE诊断精度的影响，如图2所示，当K=12时，训练误差为0，此时测试误差降到1.5 %，已具备良好的诊断精度。此外，随着集成的网络个数不断增加，在训练误差降到0后，测试误差仍可以继续降低，这表明ANNE可以有效避免过拟合现象，提高了BP神经网络的泛化能力。

图2　ANNE诊断误差

本实验采用在瓦斯传感器故障诊断中常用的RBF神经网络、概率神经网络(probabilistic neural network,PNN)以及传统BP神经网络与集成BP神经网络对比，其结果如表3所示。在未对神经网络的结构、参数和训练算法优化调整的情况下，PNN和RBF均无法取得良好的效果，而同样未经参数调整的BP神经网络，通过WB算法集成后，则可以自适应的提高诊断准确率和泛化能力。

集成方法的唯一不足之处在于，由于集成了多个神经网络，算法的训练时间较长，但在实际应用时，利用历史数据训练诊断系统可以在离线条件下进行。ANNE方法的测试时间尽管稍长于其他方法，却仍可以满足在线监测的需求，因此,ANNE方法的时效性并不影响该方法的实际应用。

表3　ANNE与其他方法性能对比

4　结　论

本文提出了基于PCA和ANNE的瓦斯传感器故障诊断方法，首先利用PCA方法提取故障特征，然后送入WB算法训练ANNE。利用PCA方法提取故障信息可以降低故障特征维数，有效提高诊断算法的训练速度，而WB算法的重复取样和加权投票机制则提高了单一神经网络的诊断能力和泛化性能。仿真测试结果证明:通过WB算法可以在不对神经网络的结构、权值、训练方法等参数寻优的情况下提高网络的诊断能力和泛化能力，同时避免过拟合现象，具有良好的应用前景。

[1]赵金宪,金鸿章.基于小波包和神经网络的瓦斯传感器故障诊断[J].传感器与微系统,2010,29(5):80-82.

[2]孙毅刚,王雷,薛仲瑞,等.基于BP网络的航空发动机传感器硬故障检测[J].传感器与微系统,2013,32(7):120-122.

[3]陈至坤,陈少敏,李福进,等.基于RBF网络的高炉热流分析传感器故障诊断[J].传感器与微系统,2007,26(6):58-59.

[4]张楠,董海鹰.基于小波分析和PSO-LSSVM的无线传感器网络数据预测[J].传感器与微系统,2012,31(11):54-57.

[5]胡顺仁,李瑞平,包明,等.基于主元分析的桥梁挠度传感器故障诊断研究[J].传感器与微系统,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

国家自然科学基金资助项目(21265006)；江西省自然科学基金资助项目(20151BAB217006)

TP 212

A

1000—9787(2016)09—0033—03

杨真(1980-)，男,江西南昌人,硕士,工程师，研究方向为计算机信号处理与故障诊断技术。