基于径向基神经网络的称重设备传感器故障检测方法

刘 洋,欧 文*,卢 赢,卢圣文

(1.中国科学院大学微电子学院,北京 100029;2.中国科学院物联网研究发展中心,智能传感器工程中心,江苏 无锡 214135)



基于径向基神经网络的称重设备传感器故障检测方法

刘 洋1,2,欧 文1,2*,卢 赢1,2,卢圣文1,2

(1.中国科学院大学微电子学院,北京 100029;2.中国科学院物联网研究发展中心,智能传感器工程中心,江苏 无锡 214135)

在对称重设备数字化改造的过程中,有些研究人员提出了对某一特定传感器的故障诊断方法,但对于非指定传感器或者两个传感器同时发生故障的情况却没有检测方法。为此,本文提出了一种基于径向基神经网络预测的任意一个或两个称重传感器的故障检测方法。本文首先建立单个传感器的预测模型和任意两个传感器的预测模型,然后通过这两个预测模型计算出任意一个称重传感器的预测值和任意两个传感器的预测值,根据预测值与实际值之间的差值判断称重传感器故障个数、位置、类型等信息。实验表明,当称重传感器的输出误差大于0.3 t时使用此方法可以准确检测出称重传感器的故障信息。

称重传感器;故障检测;故障类型识别;径向基神经网络;

称重传感器是称重设备的核心部件,称重传感器是否正常工作直接影响称重结果。由于称重设备大量使用在室外,称重传感器长期受风吹日晒、潮湿等各种环境的影响,加上由于车辆带来的振动很容易造成传感器性能出现退化甚至失效[1]。

目前对称重传感器的故障检测主要使用人工加砝码的方法[2],但这种方法效率低、及时性差。随着故障诊断技术越来越成熟[3-4],部分研究人员开始尝试在称重设备中增加故障自诊断的功能。文献[5]把小波变换和深度信念网络引入到动态汽车衡故障检测方面,但只能检测出称重传感器在采样过程中有限的几个点的数据是否正常。文献[6-7]分别把径向基神经网络和专家系统引入到静态汽车衡称重传感器的故障检测方面,但只能检测指定的一个传感器是否存在故障,对于非指定传感器或者多个传感器同时发生故障的情况却没有给出检测方法。文献[8]研究了DBSCAN算法和贝叶斯正则化神经网络在电子皮带秤方面的应用。

本文在对前人研究的基础上提出了一种基于径向基神经网络预测的传感器故障检测方法。利用径向基神经网络(RBFNN)分别建立任意一路称重传感器与其他N-1路称重传感器之间的关系网路net1和任意两路称重传感器与其他N-2路称重传感器之间的关系网路net2,通过net1和net2的预测输出与实际输出之间的差值判断称重传感器故障个数、位置、类型等信息。实验表明,当任意一个或两个称重传感器发生0.3 t以上的输出误差时,该方法可以准确检测出称重传感器故障信息。

1 称重设备简介及传感器常见故障分析

1.1 称重设备简介

称重设备由称重台及其下面分布的传感器、车辆分离器、车辆检测器、地感线圈、称重控制器和车道计算机等组成,其中核心部件为称重台及其下面分布的称重传感器,[9]如图1所示。

图1 称重台及其下传感器分布示意图

称重台下面按照特定的规律分布着8个～16个称重传感器(本文以8个称重传感器为例)。假设当车辆通过称重台时,1号～8号传感器的称重信号分别为x1,x2,…,x8,则车辆总质量

y=k1x1+k2x2+…+k8x8-m

(1)

式中:k1,k2,…,k8分别为称重系数,默认值都是1,m为称重台重量。

1.2 称重传感器常见故障类型

称重传感器的故障类型分为短路、断路、零点故障(无负载不归零)和灵敏度下降等四类。[10]

①短路故障,如果称重传感器输出恒为最小极限值ximin,则传感器发生短路故障,如果传感器i在t0时刻发生短路故障,则有

(2)

②断路故障,如果传感器输出恒为最大极限值ximax,则传感器发生断路故障,如果传感器i在t0时刻发生断路故障,则有

(3)

③无负载不归零故障,称重传感器因受到冲击、过载或其他原因产生塑性变形,从而导致称体在无车辆通过时称重传感器输出xi也不为0,此时产生无负载不归零故障如果传感器i在t0时刻发生无负载不归零故障,则有

(4)

式中:Ai为无负载时称重传感器输出,一般大于零。

④灵敏度故障,因弹性体疲劳或者部分损坏等造成称重传感器的灵敏度发生改变,此时发生灵敏度故障,如果传感器i在t0时刻发生灵敏度故障,则有

(5)

注:式(2)～式(5)中ki,ki1为称重传感器i正常时的比例系数,ki2为称重传感器i灵敏度下降后的比例系数,M为被测载荷的质量。

2 称重传感器故障检测

2.1 故障检测预测模型

实验发现称重设备各个称重传感器之间的输出存在某种非线性函数关系。设xj为第j个称重传感器称重信号的输出(j=1,2,…,N),则有

(6)

即

xj=φj(x1,x2,…,xj-1,xj+1,…,xN)

(7)

式中:j=1,2,…,N。

式(7)表示称重传感器j的输出是其他N-1路称重传感器输出的非线性函数,这种非线性关系非常复杂,受很多因素影响,很难找到它们之间的明确的函数表达式。但是可以根据径向基神经网络(REFNN)能够逼近任意非线性函数的特点[11-12]以其中任意N-1路正常称重传感器称重信号作为输入,利用RBFNN来逼近他们之间的关系从而预测出另外一路称重传感器的输出,其模型net1如图2所示。

图2 任意一路称重传感器与其他N-1路传感器的关联模型net1

同时,实验还发现,任意两路称重传感器也是其他N-2路称重传感器的非线性函数,即有式(8)和式(9):

(8)

即

xi_j=φi_j(x1,x2,…,xi-1,xi+1,…,xj-1,xj+1,…,xN)

(9)

式中:i,j=1,2,…,N,且i≠j。

同样可以使用其中任意N-2路正常称重传感器称重信号作为输入,利用RBFNN来逼近他们之间的非线性关系从而预测出另外两路称重传感器的输出,其模型net2如图3所示。

图3 任意两路称重传感器与其他N-2路称重传感器的关联模型net2

2.2 故障检测流程

N路称重传感器输出值通过net1判断是否正常,如果正常则说明传感器工作正常,如果不正常则说明至少有一个传感器存在故障。使用net1预测出各个称重传感器的输出值,使用单个传感器的预测值与其他N-1路称重传感器的实际值组成新序列。通过net1判断新序列是否正常。如果存在一组新序列正常则可以判定只有一个传感器发生了故障,故障位置就是使用预测数据的传感器,如果全部新序列都存在故障,则说明至少存在两个称重传感器存在故障。

如果存在一个以上称重传感器存在故障时可以使用net2预测出任意两路称重传感器的输出值,使用这两路称重传感器的预测值与其他N-2路实际值组成新序列,通过net2判断新序列是否正常。如果新序列正常,则可以判定故障传感器有两个,位置就是使用预测值的两个传感器,如果全部新序列都存在故障则说明至少3个传感器存在故障。

通过net1判断序列是否正常的结构图如图5所示。每个传感器的实际值与预测值做比较,如果差值在一定阈值内则传感器正常,否则不正常。

图4 称重传感器故障检测流程图

图5 net1判断数据是否正常流程图

图6 故障类型识别

2.3 故障类型识别

传感器故障类型识别流程如图6所示,如果称重传感器输出小于最小极限值ximin,称重传感器发生断路故障,如果称重传感器输出大于最大极限值ximax,称重传感器发生短路故障。

对于灵敏度故障,称重传感器i第j次输出误差

(10)

误差的一阶微分

Δeij=eij+1-eij=(ki2-ki1)(Mj+1-Mj)

(11)

而对于无负载不归零故障,输出误差

(12)

误差的一阶微分

Δeij=eij+1-eij=Ai-Ai=0

(13)

从式(11)和式(13)可以得出,如果称重传感器发生灵敏度下降的故障,则两次称重误差的一阶微分的绝对值会大于一个阈值ε2,而称重传感器发生无负载不归零故障则误差的一阶微分近似为零。

3 实验结果分析

3.1 预测模型的训练

本课题共采集到300组不同车辆通过某称重设备时,称重传感器的正常输出数据。以这300组数据为样本,采用监督学习算法对两个关联模型net1和net2的所有参数进行监督训练,训练是通过MATLAB完成的。

经过大量实验发现当net1的均方误差目标为0.000 6,隐藏层节点个数为52时,预测误差、网络复杂度、时间复杂度等是比较适合本课题研究对象要求的参数。当net2的均方误差目标为0.000 35,隐藏层节点个数为54时,各方面的性能比较适合本课题的要求。

3.2 故障检测验证

采用上述故障诊断方法,取同一称重设备8个称重传感器60次采样数据,其中20次数据为全部正常数据A,20次采样数据为其中一个传感器发生故障的数据B,20次采样数据为其中两个称重传感器发生故障的数据C。

先来验证一个传感器发生故障的情况。不失一般性,采样数据B的2#称重传感器发生灵敏度故障,其他传感器都正常。为了增加对比度,把A、B两组数据放在一块组成新的采样序列AB。图7为采样序列AB在第21个采样点发生故障情况下,1#、2#、3#称重传感器预测输出与实际输出之间的误差。从图中可以看出一个称重传感器发生故障,所有的称重传感器(为了叙述方便,1#、3#代表无故障称重传感器,2#代表有故障称重传感器)的预测输出与实际输出之间的差值都大于0.3 t,而所有传感器都不存在故障时,称重传感器的误差都小于0.3 t。

图7 称重传感器一次预测误差

图8(a)、图8(b)、图8(c)分别为使用1#、2#、3#称重传感器预测值代替实际值之后的序列AB′通过net1验证之后1#、2#、3#称重传感器二次预测值与AB′序列相应值的误差。从图8可以看出,只有当使用2#称重传感器预测值代替实际值的序列才能满足每个称重传感器的预测误差才能小于0.3 t。所以只有2#传感器存在故障。

图8 新序列通过net1的预测误差

再来检测一下当两个称重传感器同时发生故障的情况。不失一般性,采样数据C的2#传感器发生灵敏度故障,5#传感器发生无负载不归零故障,其他传感器都正常。同样为了增加对比性,把A、C两组采样数据放在一块组成新的采样序列AC。新序列AC在第21个采样点2#发生灵敏度故障、5#发生无负载不归零故障。

以任意6路称重传感器为输入,通过net2可以预测出其他两路称重传感器的输出,这两路预测输出和剩余6路实际输出组合成新的8路传感器输出AC″,AC″通过net1的各个传感器的二次预测值与实际值之间的误差如图9(a)、图9(b)、图9(c)、图9(d)(任意两路称重传感器共有28种不同的组合的误差,为了表述方便同时又不失一般性,此处只采用1_2,2_5,3_5,7_8四组传感器的预测值与其余6路组成的AC″)所示。从图中可以看出,只有同时使用2#、5#传感器的预测输出和1#、3#、4#、6#、7#、8#传感器实际值组成的序列作为net1的检测数据时,所有传感器的输出误差才小于阈值(0.3t)。由此,可以得出称重传感器2#、5#存在故障。

图9 两个称重传感器发生故障通过net2的预测误差

3.3 故障类型识别

为了增强对比度我们在2#称重传感器上先后人为制造断路故障和断路故障,在3#称重传感器上人为制造无负载不归零故障和灵敏度故障。每个传感器各取40个采样点,其中正常输出20个采样点,每个故障各10个采样点。

图10 2#称重传感器故障类型识别

2#称重传感器的故障类型识别如图10所示,1到10采样点和21到30采样点为称重传感器正常输出,11到20采样点称重传感器发生断路故障,31到40采样点称重传感器发生短路故障。图10中的realOut代表称重传感器实际的输出,testOut代表预测输出(也就是传感器正常时的输出),min和max分别代表称重传感器的最小和最大输出值。从图中很明显可以看出当称重传感器发生断路时,称重传感器的输出恒小于最小值,而当称重传感器发生短路故障时称重传感器的输出恒大于最大值。

图11 3#传感器故障类型识别

3#称重传感器的故障类型识别如图11所示,同2#传感器一样,1到10采样点和21到30采样点为正常输出,11到20采样点为3#称重传感器发生灵敏度下降时的采样值,31到40为3#称重传感器发生无负载不归零故障时的采样值。图11中realOut代表称重传感器的实际输出值,testOut代表传感器的预测输出值(即无故障情况下的输出值),diff为预测值与实际值的误差(即式(10)和式(12)中的eij),differential为误差的一阶微分(即式(11)和式(13)中的Δeij)。从图中可以很明显看出当称重传感器发生灵敏度故障和无负载不归零故障时误差的绝对值远大于零,而称重传感器正常工作误差的绝对值几乎为零。当称重传感器发生灵敏度故障时误差的一阶微分不为零,而传感器发生无负载不归零故障时误差的一阶微分几乎为零。

4 结论

本文主要研究了称重设备传感器故障的检测,当一个或者两个称重传感器发生故障时能够准确判断出故障传感器的位置、故障类型等信息。本文首先建立了任意一路称重传感器与其他N-1路传感器之间的对应关系网络net1和任意两路称重传感器与其他N-2路之间的对应关系网络net2,然后通过net1和net2分别求出任意一路传感器的输出预测值和任意两路传感器的预测值,通过预测值与实际值的关系判断出称重传感器是否存在故障,最后根据故障传感器的输出判断故障类型。实验表明,当称重传感器输出的偏差大于特定阈值(本文是0.3 t)时,该方法能检测出称重传感器的故障位置、故障类型等信息。

[1] 殷元利. 浅析电子汽车衡的检定与维护[J]. 计量与测试技术,2014,41(3):58-63.

[2] 魏焕琴. 电子汽车衡的正确使用与故障检修方法[J]. 科技视界,2015,6(1):64-64.

[3] Kai G,Yan W Z. Correcting Senor Drift and Intermittency Faults with Data Fusion and Automated Learning[J]. IEEE Systems Journal,2008,2(2):189-197.

[4] 单亚峰,汤月,任仁,等. 与支持向量极端学习机的瓦斯传感器故障诊断[J]. 传感器技术学报,2016,29(9):1040-1040.

[5] 王春香,李丽宏,张帝. 基于小波变换和DBN的汽车衡传感器故障诊断[J]. 传感器与微系统,2016,35(4):22-24.

[6] 林海军,滕召胜,迟海,等. 基于信息融合的汽车衡称重传感器故障诊断[J]. 控制理论与应用,2010,27(1):25-31.

[7] 杨静,李丽宏. 基于专家系统的汽车衡故障传感器判别[J]. 传感器与微系统,2014,33(11):34-40.

[8] Zhu Liang,He Fei,Tong Yifei,et al. Fault Detection and Diagnosis of Belt Weigher Using Improved DBSCAN and Bayesian Regularized Neural Network[J]. Mechanics,2015,21(1):70-77.

[9] 王锦芳. 动态称重系统的研究与开发[D]. 杭州:浙江大学系统科学与工程学院,2006.

[10] 赵颖立. 称重传感器的应用及故障处理[J]. 衡器,2007,36(6):48-49.

[11] Tianping Chen,Hong Chen. Approximation Capability to Functions of Several Variables,Nonlinear Functionals,and Operators by Radial Basis Function Neural Networks[J]. IEEE Transactions on Neural Networks,1995,6(4):904-910.

[12] Michael M Li,BrijeshVerma. Nonlinear Curve Fitting to Stopping Power Data Using RBF Neural Networks[J]. Expert Systems with Applications,2016,45(1):161-171.

Fault Detection Method for Weighing Equipment Sensor Based on Radial Basis Function Neural Network

LIU Yang1,2,OU Wen1,2*,LU Ying1,2,LU Shengwen1,2

(1.School of Microelectronics,University of Chinese Academy of Sciences,Beijing 100029,China 2.Intelligent Sensors Engineering Center,Chinese Academy of Sciences R&D Center for Internet of Things,Wuxi Jiangsu 2014135,China)

In the process of digitalization of weighing equipment,some researchers have proposed some faultdiagnosis methods for a particular sensor,but for non-specific sensor or two fault sensors,situation these methods are not applicable. So,this paper presents a method foranyone sensor or two sensors based on RBFNN. Firstly,this paperestablish the prediction model of any single sensor and prediction model of any two sensors,and thencalculate any one weighing sensor,s predictive value and any two sensors,predictions,judging the fault weighing sensor,s number,location,type through the difference between predicted value and actual value. Experiments show that this method can accurately detect the fault information of the sensor when the error of the sensor is above 0.3 tons.

weighing sensor;fault detection;fault type identification;radial basis function neural network

刘 洋(1990-),男,硕士研究生,主要研究方向为智能传感器及其应用;

欧 文(1966-),男,研究员,硕士生导师,主要研究方向为半导体器件物理、超大规模集成电路技术;

卢 赢(1991-),男,硕士研究生,主要研究方向为智能传感器及其网络;

卢圣文(1993-),男,硕士研究生,主要研究方向为智能传感器及其网络。

项目来源:江苏省科技支撑重点项目(BE2014003);江苏省自然科学基金项目(BK20161149)

2016-12-01 修改日期:2017-02-12

TP206.3

A

1004-1699(2017)06-0861-06

C:7230

10.3969/j.issn.1004-1699.2017.06.010