一种井下瓦斯传感器故障辨识方法

第19卷第3期2017年5月石家庄学院学报JournalofShijiazhuangUniversityVol.19，No.3May2017一种井下瓦斯传感器故障辨识方法乔维德1，周晓谋2（1.无锡开放大学科研与质量控制处，江苏无锡214011；2.中国矿业大学机电工程学院，江苏徐州221116）摘要：鉴于目前煤矿井下瓦斯传感器故障辩识速度慢、辩识准确度不高等缺陷，提出基于小波包分解与砸BF神经网络的瓦斯传感器故障辨识方法.采用小波包分解提取瓦斯传感器故障特征向量并输入至RBF神经网络，应用粒子群-人工蜂群（PSO-ABC）算法优化砸BF神经网络结构参数，并通过大量的瓦斯传感器样本对砸BF神经网络模型进行训练和检测.实验分析表明：本方法的辨识速度快、诊断正确率高，为精准辩识瓦斯传感器故障提供一种更加科学高效的新途径.关键词：瓦斯传感器；小波包分解；RBF神经网络；粒子群-人工蜂群算法；故障辨识中图分类号：TP212文献标识码：A文章编号：1673-1972（2017）03-0046-070引言在煤矿瓦斯监测系统中，瓦斯传感器是一种关系煤矿安全生产的重要检测仪器.由于瓦斯传感器长期受到煤矿井下高粉尘、高湿度、强电磁干扰等恶劣环境影响，通常出现卡死、冲击、漂移等各种故障，从而导致瓦斯传感器输出数据失真、灵敏度降低、准确性降低、可靠性不高；当瓦斯传感器监测出错时，往往给井下生产及生命财产带来很多安全隐患甚至严重后果.瓦斯传感器一般有缓变型和突发型两类故障，其中突发型故障如典型的周期、冲击、漂移、偏置等，故障隐蔽性强，且难以精准诊断.因此，瓦斯传感器作为煤矿安全监测系统中不可或缺的组成部件，对其运行故障进行准确诊断并及时修复，对于提高煤矿安全监测系统可靠性、保障煤矿安全生产具有非常重要的意义.日前许多学者对瓦斯传感器故障诊断方法进行了大量的研究，并取得了一定成果.王其军等[1]提出基于RBF网络逼近器的瓦斯传感器故障监测系统，张涛等[2]提出瓦斯传感器故障诊断的灰色动态预测模型，赵金宪、王军号、单亚峰、赵劲松等学者先后分别提出小波包与BP或RBF神经网络的瓦斯传感器故障诊断分析方法[3-8]，王婷等[9]设计出一种粒子群算法优化砸BF神经网络的瓦斯传感器故障诊断新方法，付华、单亚峰、黄丹等也先后提出基于支持向量机、主元分析和BP神经网络等技术的瓦斯传感器故障辨识方法[10-13]，等等.但以上方法仍存在一定缺陷，主要表现为：灰色动态预测模型仅仅适用于瓦斯传感器的小样本故障数据分析；采用支持向量机能解决故障数据的小样本问题，但对参数选择依赖性大，影响瓦斯传感器故障诊断速度；BP算法、粒子群算法训练BP网络、RBF网络时收敛速度慢、极易陷入局部最优，会导致瓦斯传感器故障诊断准确性及可靠性不高等.笔者在梳理已有研究成果并比较分析各种方法优缺点基础上，提出由小波包分解提取特征能量谱与粒子群-人工蜂群算法优化的砸BF神经网络进行识别的瓦斯传感器故障诊断方法，并通过仿真实验分析验证本方法辨识瓦斯传感器故障诊断类型的有效性.1瓦斯传感器故障诊断系统模型瓦斯传感器故障诊断流程包括：采集瓦斯传感器原始故障数据、提取故障信号特征向量、RBF神经网络收稿日期：2017-04-26基金项目：无锡市“530”社会事业领军人才资助项目（2017/530/009）作者简介：乔维德（1967-），男，江苏宝应人，教授，主要从事电机智能控制、机电设备监测与故障诊断研究.第3期乔维德，周晓谋：一种井下瓦斯传感器故障辨识方法47训练与故障检测等，见图1.E30-E37分别表示井下瓦斯传感器采集的原始数据经过小波包分解、能量特征构造并对数据归一化后的故障特征向量值.利用RBF神经网络设计瓦斯传感器故障诊断模型，采取粒子群-人工蜂群混合算法优化RBF神经网络.RBF神经网络输入量为E30-E37，输出为S1、S2、S3，S1S2S3的不同状态组合000、001、010、011、100分别对应瓦斯传感器的输出Y0-Y4，即瓦斯传感器的正常运行以及偏置型、冲击型、漂移型、周期型等典型故障状态. 图1瓦斯传感器故障诊断模型2基于小波包分解的故障特征提取小波包分解属于一种由小波分析延伸而来的更为细致的信号分解与重构方法，在不同频段分解故障信号，并推算不同频带段对应的能量.本方法将获取的煤矿井下瓦斯传感器故障信号进行小波包分解，图2为[14]小波包分解示意图（以3层为例）.

（0.0）（1.0）（2.0）（3.0）（2.1）（2.2）（1.1）（2.3）（3.7）（3.1）（3.2）图2（3.3）（3.4）（3.5）（3.6）三层小波包分解示意图每个结点表示一定意义的信号特征，结点（i，j）为第i层的第j个结点，其中i=0，1，2，3；j=0，1，2，…，7.通过小波包分解重构能有效提取各频带段信号特征.假设通过小波包分解后第3层第j个频带的重构信号设定为S（3，j），则其对应的信号能量为E（3，j），即：E（3，j）=S（3，j）（t）dt=移xkj2k=17n2.（1）其中（j=0，1，2，…，7；k=1，2，…，n）表示重构信号S（3，j）离散点幅值；n表示信号采样点数.定义信号S（3，j）的总能量E为各频带能量之和，即：E3=移E（3，j）.j=0（2）48石家庄学院学报2017年5月因为瓦斯传感器发生故障时对各频段的信号能量影响比较大，对故障数据分析极为不利，因此本方法对各频段内的信号能量进行归一化处理，即：E（3，j）.*E3j=E3（3）（4）信号能量归一化处理后，可以提取瓦斯传感器故障特征向量，即：********E*（E30，E31，E32，E33，E34，E35，E36，E37）.j=33.1RBF神经网络及其优化RBF神经网络结构包含输入层、隐含层、输出层的前馈网络，具有较强的非线性映射能力，其特性主要

RBF神经网络取决于隐含层单元的径向基函数.RBF神经网络拓扑结构模型如图3所示.H1渊x冤x1x2

H3渊x冤H3渊x冤s1s2

xn

Hk渊x冤输入层图3隐含层输出层sn

RBF神经网络结构模型本结构中，隐含层单元的径向基函数采取高斯分布，x1-xn表示网络输入，s1-sm表示网络输出，其中网络第p个输出为：yp=移棕ipHi.i=1k（5）（6）式（6）中，ci为径向基函数的中心值，啄i为径向基函数的方差（宽度）值，i=1，2，…，k，k为网络隐含层中神经元节点个数.3.2RBF神经网络优化利用上述RBF神经网络对矿井瓦斯传感器进行故障监测时，由图2可以首先确定网络输入节点数n=8，网络输出神经元个数m=3，k根据实际需要由n、m确定，其中参数ci、啄i、棕ip对RBF神经网络运行影响比较大，本方法应用笔者在文献[15]中提出的粒子群—人工蜂群混合优化算法即PSO-ABC算法，用于对RBF神经网络进行优化.PSO-ABC算法优化RBF神经网络具体步骤为[15]：1）初始化种群并设置参数：粒子群规模N，惯性权重初始值棕1与终值棕2，学习因子C1、C2；PSO算法最大迭代次数tmax[16]；ABC算法限定的循环次数limit，等等.2）将粒子群均分成Ngroup组，每组含num个粒子，即N=Ngroup伊num；3）计算所有粒子的适应度值，保存每组最优粒子Gij；式（5）中，棕ip为隐含层与输出层之间的连接权值，Hi表示第i个径向基函数，即为：2Hi=exp[-（x-c2i）].2啄i第3期乔维德，周晓谋：一种井下瓦斯传感器故障辨识方法494）根据公式（7）和（8）更新粒子当前速度Vij和位置Xij，从而更新并记录每组全局最优粒子Gij；Vtij+1=棕Vtij+C1*R1*（Pijt-Xtij）+C2*R2*（Gtj-Xtij），Xtij+1=Xtij+Vtij+1.（7）（8）（9）其中公式（7）中的惯性权重棕表示为：（棕-棕）（t-t）棕=12max+棕2.tmax6）令ABC算法的初始迭代次数NC=1，引领蜂寻找蜜源时按公式（10）更新位置，且由式（11）来评价蜜源适应度大小；x*（-1,1）（xij-xkj），ij=xij+rand1Fiti=1+fi1+abs（fi）扇设设设设设缮设设设设设墒

5）将上述各组记录的最优粒子Gij组成人工蜂群，且为ABC算法的初始粒子；（10）（11）7）比较引领蜂寻找的新蜜源与原蜜源适应度，如果前者高于后者，便采用新蜜源位置取代原蜜源；否则不变且NC+1；式中，Fiti、fi分别表示第i个蜜源适应度与适应值.（fi逸0）.（fi约0）8）根据公式（12）计算各蜜源位置的概率值P，而跟随蜂按照Pi选择引领蜂搜索到的新蜜源，然后计算其适应度值；Pi=9）比较跟随蜂的新蜜源与原蜜源适应度值，若前者大于后者，则以新蜜源位置取代原蜜源；否则不变且NC+1；10）当迭代次数NC超过限定值limit时，保存并输出群体中最优蜜源，并作为对应的RBF神经网络结构最优参数ci、啄i、棕ip.PSO-ABC算法的适应度设为RBF神经网络期望输出与实际输出的均方差倒数，即：Fit=1/1[移移（q-s）].dj=1u=1juju2dm移Fitk=1NFiti.（12）k（13）其中，qju、sju分别表示第j个训练样本在第u个网络输出节点处的期望输出与实际输出值，m表示输出节点数（m=3），d表示训练样本数目.44.1瓦斯传感器故障诊断实例与结果分析神经网络训练结合井下瓦斯传感器信号输出频带特性，将其进行3层小波包分解，然后求出8个频带内最优小波包基对应的重构信号能量，并组成特征能量谱.通过对瓦斯传感器数据库中典型故障的实测数据分析，借助MATLAB仿真软件获取标准化的特征能量图谱，图3-7分别为瓦斯传感器处于正常运行以及偏置型、冲击型、漂移型、周期型5种不同状态下的特征能量谱[6].在图3-7中的标准小波包分解频带特征能量谱中有效提取其特征向量并构成样本，瓦斯传感器的5种状态分别选取20组数据作为学习样本，用来训练RBF神经网络.RBF网络的拓扑结构设计成8-7-3，网络**输入节点为E30-E37，网络输出节点为S1、S2、S3.用于优化RBF神经网络的学习算法采取PSO-ABC算法，该算法初始参数设置如下：粒子群数目N=60，惯性权重初始值棕1=1.4，惯性权重终值棕2=0.3；学习因子C1=C2=3；PSO算法最大迭代次数tmax=100；ABC算法最多循环次数limit=150，误差精度着=10-4，学习训练984步后，501.00.501234567

石家庄学院学报1.00.58901234567

2017年5月输入节点输入节点89图4正常型的特征能量谱1.000.5123图645输入节点6789

图5偏置型的特征能量谱1.0

0.50123图7456789输入节点冲击型的特征能量谱1.00.5012图83456 漂移型的特征能量谱输入节点789周期型的特征能量谱网络收敛能满足精度着要求.4.2实验结果验证实验以山西乡宁焦煤集团煤矿7260工作面瓦斯传感器为研究对象，从瓦斯传感器故障数据库中提取100组数据（每组含正常运行及偏置型、冲击型、漂移型、周期型故障）作为测试样本，用于验证上述已训练好的RBF神经网络.表1为其中1组样本诊断结果（因版面限制其他略），图9为100组测试样本经过系统辨识的分类结果，其中5种类别的辨识正确率均高于95.5%，因此可以有效辨识井下瓦斯传感器的故障类型，实现了本方法故障诊断系统模型的预期设计要求.4.3比较实验分析为验证PSO-ABC算法优化RBF神经网络的瓦斯传感器故障诊断模型优越性，本方法采取比较实验表1测试样本数据*E30

*E31

*E32

*E33

*E34

*E35

*E36

*E37

网络测试样本实验结果网络输出S1

S2

S3

诊断状态正常运行辩识率/%0.25020.35180.37990.36970.39550.36840.40210.24980.10170.09450.59730.63970.12060.20160.09630.08090.90020.16900.06980.08950.10190.03140.02060.01320.43180.13990.24030.29940.50150.47780.51810.43930.30190.28570.23350.31120.64850.29970.22850.45530.00010.00010.000297.697.196.596.095.60.00040.00040.9976偏置型故障0.00050.99530.0007冲击型故障0.00020.99370.9995漂移型故障0.99730.0030.0005周期型故障第3期

乔维德，周晓谋：一种井下瓦斯传感器故障辨识方法51正常运行偏置型故障冲击型故障漂移型故障周期型故障图9样本辨识的分类结果法，即分别将上述经过小波包变换后的用于训练RBF神经网络的100组数据样本，分别输入至传统RBF神经网络以及以PSO算法、ABC算法、PSO-ABC算法优化的RBF神经网络模型，训练结束后再同样选取50组传感器故障样本进行测试，性能评价主要考量训练时间、训练误差、辨识准确率等主要指标，其故障辨识的结果分析比较如表2所示.表2表明，由PSO-ABC算法优化的RBF神经网络时训用于瓦斯传感器故障辨识速度快、误差精度高、故障辨识正确率高，是一种非常有效的瓦斯传感器故障辨识方法.表2不同模型的性能指标比较性能指标传统RBF神经网络PSO-RBF神经网络ABC-RBF神经网络PSO-ABC-RBF神经网络训练时间/s8.565.446.352.27训练误差0.01730.00650.00520.0009辩识正确率/%82.587.892.397.55结论1）通过小波包分解能使瓦斯传感器的故障特征能量谱的向量维数减少，增强频率分辨率，从而优化信号的时频特性，更有利于瓦斯传感器故障信号特征的有效提取.2）以PSO-ABC算法优化的RBF神经网络系统模型，训练速度快、辨识准确度高，能够在线并迅速正确地辨识瓦斯传感器的5类状态（含正常及4类故障），故障辨识正确率都高于95.5%，该方法具有较强的瓦斯传感器故障诊断能力.52石家庄学院学报2017年5月参考文献：[1]王其军.基于信息融合技术的瓦斯传感器故障诊断研究[J].工矿自动化，2008，（2）：22-25.[2]张涛，牛金星.瓦斯传感器故障诊断的灰色预测模型研究[J].机床与液压，2013，41（13）：195-196.[4]邵俊倩.基于小波神经网络技术的井下瓦斯传感器故障诊断分析[J].中州煤炭，2016，（5）：1-3.[3]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.[5]陈宏，邓芳明，吴翔，等.基于小波包分形的瓦斯传感器故障诊断方法[J].传感器与微系统，2016，35（11）：26-29.[6]王军号，孟祥瑞，吴宏伟.基于小波包与EKF-RBF神经网络辨识的瓦斯传感器故障诊断[J].煤炭学报，2011，36（5）：867-871.[7]单亚峰，孙璐，付华，等.基于小波包和RBF神经网络的瓦斯传感器故障诊断[J].传感技术学报，2015，28（2）：278-283.[9]王婷，李国勇，吕世轩.基于HPSO-砸BF神经网络的瓦斯传感器故障诊断[J].仪表技术与传感器，2015，（3）：78-81.[10]付华，杨欣，高婷.基于SVR的瓦斯传感器故障诊断方法[J].传感器与微系统，2016，28（2）：10-12.1400-1404.[11]单亚峰，汤月，任仁，等.基于邻域粗糙集与支持向量极端学习机的瓦斯传感器故障诊断[J].传感技术学报，2016，29（9）：[12]黄丹，徐平安，王其军，等.基于PCA神经网络和D-S决策的瓦斯传感器故障辨识[J].仪表技术与传感器，2015，（3）：99-103.[13]杨真，邓芳明，郝勇.基于主元分析和集成神经网络的瓦斯传感器故障诊断术[J].传感器与微系统，2016，35（9）：33-35.[14]乔维德.萤火虫—粒子群优化神经网络的异步电机转子断条故障诊断[J].电机与控制应用，2017，44（1）：83-88.[15]乔维德.无刷同步发电机旋转整流器故障的神经网络识别[J].温州职业技术学院学报，2016，16（4）：44-48.[16]乔维德.一种改进的提升机同步电机直接转矩控制[J].盐城工学院学报，2017，30（1）：28-33.209.[8]赵劲松，李元，邱彤.一种基于小波变换与神经网络的传感器故障诊断方法[J].清华大学学报（自然科学版），2013，53（2）：205-（责任编辑王颖莉）FaultIdentificationMethodforUndergroundGasSensor(1.Dept.ofScientificResearch&QualityControl,WuxiOpenUniversity,Wuxi,Jiangsu214011,China;2.SchoolofMechanical&QIAOWei-de1,ZHOUXiao-mou2Abstract:Inviewofthecurrentcoalminegassensorfaultidentificationspeedandidentificationaccuracyofdefects,thispaperproposesawaveletpacketdecompositionandgassensorfaultidentificationmethodbasedonRBFneuralnetwork.Thewaveletpacketdecompositionisusedtoextractthefaultfeaturevectorofthegassensorandin原puttotheRBFneuralnetwork.Theparticleswarmartificialbeecolony(PSO-ABC)algorithmisusedtooptimizethestructuralparametersofRBFneuralnetwork,andtheRBFneuralnetworkmodelistrainedanddetectedbyalargenumberofgassensorsamples.Theexperimentalanalysisshowsthattheidentificationspeedofthismethodisfast,highrateofcorrectdiagnosis,providinganew,morescientificandefficientwayforaccurateidentificationofgassen原sorfault.Keywords:gassensor;waveletpacketdecomposition;RBFneuralnetwork;particleswarm-artificialbeecolonyalgorithm;faultidentificationElectricalEngineering,ChinaUniversityofMining&Technology,XuzhouJiangsu221116,China)