基于LE与ICROARVM的瓦斯传感器故障诊断.doc

基于LE与ICROARVM的瓦斯传感器故障诊断 第32卷第1期传感技术学报V o l.32N o.12019$1月CHINESEJOURNAL OFSENSORS ANDACTUATORSJ a n.2019Gas SensorFault DiagnosisBased on LE and ICRAO-RVM*XU Yaosong1!%QIU Wei%WANG Zhiguo1%WANG Yuhortg1,2%YAN Xin11.Faculty ofElectrical andEngiiwering Control,Liaoning TechnicalUniversity,Huludao Liaoning125105,China；2.Faculty ofSafety Science and Engigenng%Liaoning TechnicalUniversity%Fuxin Liaoning123000%China)A bs t r a c tI n o rd e r t o s o lv e t h e p r o b l e m t h a t t h e g a s s e n s o rd i a g n o s i s s p e e d i s s l o wa n d d i a g n o s i s a c c u r a c y i s n oth i g h%t h i s p a p e r t a ke s t h e c o mm o n t y p e g a s s e n s o r f a u l t s u c h a s i m p a c t%d r i ft%6f s e t%a n d p e r i o d i c f a u l ta sr e s e a rc hob je c ta n dp r o po s e s a pa t e r n cl a ss i f i c a t i o n a n d i d e n t i f i c a t i o n o ff a u l t d i a g n o s i so fga ss e n so r m e t l i o db a s e d o nL a p l a-c i a n e i g e n m ap s(L E)a nd i m p r o v e d ch e m i c a l r e a c t i o no p t i m i z a t i o n a l g o r i t h m(I C R O A)o pt i m iz ed r e l e v a n c e v e c t o r m a ch i n eR V M)t oa ch iev e gasse n so r f a u l t d i a g no si s.F ir s tl y%t h e ma n if ol d le a rn i n g m e t h o d L E i sused to ex t r a c tt h e no nl i n ea rdim en si on a l i tyr ed uc t i on f ea t u re s fromt h eh ig h-dimensi on a lo rig i n a ld a taspa c eand ex t r ac t f au ltfea t ure s.T h e me t h od la rg e l yp rese rv es t he o v e r all geome tricinfo rmat i onin theo rigin al f au lt d ata;thenthe fau ltfeaturesa reu sedasthe R V M m odel in pu t.T he I C R O Aalg ori t!im pe r form sg lobalopt im iz at iononthe ke rn elfu nct ion par a me terso fR V M mode%and usesthetr a inedIC R O A-R V Mmodeltoperform fault diag nosi sonthetestsamples.T heresult ssh ow th atthediagnosis meth od hasthe characterist ic so fh ig htra iningspe edandhig hi dentificationa urac y.T her e c ognitiona urac yisab o ve96%w hich cane fectivelyimprovethespeedandauracyo ffaultdiagnosis.K ey word sgassensorfaultdiagnosis;Laplacian EigenmapsL E)；I mprovedC hemicalR eactionO ptimizationA lgo-ritiimIC RO A)；R elevance Vector MachineR V M)E EA CC7230d oi:10C969/j.issn.l004-1699.2019.01.016基于L E与ICROA-RVM的瓦斯传感器故障诊断！徐耀松1!%邱微王治国王雨虹u，阎馨1(1.辽宁工程技术大学电气与控制工程学院，辽宁葫芦岛125105;2.辽宁工程技术大学安全科学与工程学院，辽宁阜新123000)+要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作为研究对象，提出一种基于拉普拉斯特征映射(LE)和改进化学反应优化算法（ICROA)优化的相关向量机（RVM)进行模式分类与辨识，实现瓦斯传感器故障诊断。 首先采用流形学习方法LE对高维原始数据空间进行非线性降维特征提取%提取故障特征，该方法极大地保留了原始数据中的整体几何信息;然后将故障特征作为RVM模型训练输人，利用ICROA算法对RVM模型的核参数进行全局寻优，将训练好的ICROA-RVM模型对测试样本进行故障诊断。 实验结果表明:该诊断方法具有训练速度快，故障辨识精度高的特点，故障诊断正确率在96%以上%能够有效地提高瓦斯传感器故障诊断的速度和准确性。 关键词瓦斯传感器故障诊断;拉普拉斯特征映射;改进化学反应优化算法;相关向量机:T P181;T D76:A1004-16992019)01-0089-07瓦斯传感器是煤矿瓦斯监测系统中必备的现场瓦斯浓度检测设备。 由于煤矿井下环境恶劣%在长期的高湿度、高粉尘和强电磁干扰下，瓦斯传感器经常会出现卡死、漂移、冲击、周期等故障%这时传感器的输出就会失真，使煤矿瓦斯监测系统性能下降，难以满足煤矿安全监测监控系统的需求，为煤矿生产安全带来隐患。 由于煤矿井下瓦斯传感器数量众多，而且需要连续运行，采用定期巡检的方式难以保证瓦斯传感器数据的有效性，因此基于数据进行瓦斯传感器故障诊断具有重要意义1。 目前%煤矿瓦斯传感器故障诊断的方法主要有时间序列分析、多元回归分析以及支持向量机、神经网络逼近等方法。 文献2采用基于A S SSO优化的支持向量回归机预测模型参数的算法%通过比较模型预测结果与现场实测瓦斯浓度的残项目国家自然科学基金项目71771111);国家自然科学基金项目61601212);辽宁省教育厅基金项目LJYL014)2018-06-29修改日期2018-09-1390传感技术学报.chinatransducers.第32卷差8，斯感器进行故障诊断;文献3将基于R B F网络的信息融合技术应用于瓦斯传感器的故障诊断，实了斯传感器的状态监测和故障分类辨;文献4耦合聚类算法SCM(SUBTRACTIVE CLUSTERINGM ETHOD)和粒子群算法PSO(Particle SwarmO ptim ization)，提出了基于SCM与PSO-RBF网络的瓦斯传感器故障诊断；文献5研究了由小波包与扩展K alman滤波算法E KF(Extended KalmanF ilter)优化R BF神经网络的瓦斯传感器故障诊断，提高了在单纯考虑瓦斯传感器情况下故障诊断的速度和准确性。 在瓦斯传感器故障诊断中，环境中的风速、温度、&O等环境的化都斯传感器的输出，且各素间的影响关系复杂6_7，难行与精确建模，这导致仅仅斯传感器输出准确实现故障诊断。 为了提高瓦斯传感器故障诊断的精度与速度，本文从分析的角度，提出一种基于斯特征映射L E(Laplacian Eigenmaps)算法与改进化学反应优化IC RO A(Improved ChemicalReaction Optimization Algorithm)算法优化的相关RVM(Relevance VectorM achine)的瓦斯传感器故障诊断。 该充分结合L E算高维非线性特征提和RVM设置的，不需计算开销的优点。 考虑环境斯传感器输出的综合作用，将各作为原始故障样本，首次引人流形学习LE斯传感器故障问题进行研究，L E算故障.集进行特征提取，提效，关，减特征维度，使提的特征高的相关性；化学反应优化（IC R0A)算的R V M核优，快优核，进而提高故障分类的精度并减少故障间。 1瓦斯传感器故障特征提取1.1采煤工作面瓦斯传感器布局鉴于矿井下空气流动性大的问题，瓦斯感器输出的准确性其他环境，如井下中的、温度、C0浓度，为了更准确快速地诊断出瓦斯传感器的故障类型，必须；合考虑到可斯浓度的每个。 ，本文采用7个传感器对采作斯系统进行监控，如图1，上斯传感器 7、度感器 7、回感器 7、回CO浓度感器 7、温度传感器 7、感器 7、co2浓度传感器7。 井下的风速N、温度 7、C0浓度以及瓦斯传感器7携带的信息等都监测系统中瓦斯传感器的输出一度的，某个的变化均可能导斯传感器的输出化，而得的难以反实际情况，当瓦斯感器故障，其故障状态与环境间存在较强的非线性，高维特征，导难以及时、准确甄别故障情况。 综合考虑斯传感器的，在高维、非线性的多源数中提取出表征瓦斯传感器故障的有效信息，需要行瓦斯传感器故障特征提取与降维，为行瓦斯传感器故障诊断，本文提出采用流形学习L E对原始空间进行降维提取。 1.2普拉斯映射(L E)算斯特征（L E)算是一效的流形学习，因运算速度快、聚强的优点被广泛应用在特征降维领域8?。 L E算法提取的实质是把高维的低维嵌人题成图斯的广义特征值1，本文将其引人斯传感器故障诊断领域。 于多源下瓦斯传感器故障特征的提取，采图1中感器77在故障及发故障状态下的输出信息，构成原始空间！=17,7,7,7,7,7,7丨，归一化，得到准化样本集。 再计算样本集中每个样本点G与其他样本点之间的离B d(g，g)，采邻个样本点的0邻点，构造近邻图T。 然为近邻图T中的每条边赋予一个权值W%，从而得到权值矩阵5=W%，本文采用热核法权值:若G和G是邻接的，则的权值为II G?IIW,=exp(-丨丨,丨丨) (1)否则W y.=0,式（1)中5为热核宽度，其取值与第1期徐耀松，邱微等基于LE与ICROA-RVM的瓦斯传感器故障诊断91邻域X值相适应。 对于连通的近邻图T，利用拉普拉斯算子的广义特征向量，将求解瓦斯传感器原始数据空间中故障特征的低维嵌人问题转变为求解图拉普拉斯广义特征值的问题Ly=XDy (2)式中:6为对角矩阵，且z=为拉普拉斯算子，即L=D-5，A为图拉普拉斯广义特征值，j为特征值4所对应的特征向量。 计算得到？的B个最小特征值对应的特征向量:，即为B维故障特征嵌人坐标F=:，:，4，再基于特征向量F进行瓦斯传感器故障诊断模型的建立。 2ICRO A-R V M故障诊断模型2.1相关向量机（R VM)R VM1112是一种基于贝叶斯框架下的稀疏概率建模方法。 与支持向量机S VM(Support VectorMachines)相比，它不必满足Mercei?条件，只需设置核函数，训练速度快，泛化能力强。 处理瓦斯传感器故障分类问题时，稀疏概率正好是大量多源传感器可能存在的特征，不仅能够保证故障分类的精度，还可以缩短运算时间，满足瓦斯传感器故障诊断对实时性的高要求。 其基本原理如下假设训练样本的特征向量为/G031，目标向量为/031，3$，03$，其中0为样本的已知标签，B为嵌人维数。 R VM模型的输出为/()=)&X(G，G)+&。 （！）i=1式中=&$，&4为模型权重，3为样本数，X(，g)为核函数，不同的核函数对R VM的分类精度和泛化性能有着不同的影响，本文选择非线性处理能力较强的高斯径向基函数用作核函数，其定义下/-|X%-2X RBF(，G)=exp(-2-)(=)式中:-是核参数。 假设训练样本相互独立且含方差为的高斯噪声，则样本集的似然函数可表示为H A，2)=92%0_u eXp-2%II II2 (5)式中:A(0，0)T;%=+(Xi)，+(X)T是3 (31)维由核函数构成的矩阵，+(x,)=1，X(x%尤丄尺七根据稀疏贝叶斯理论，利用高斯先验分布为每个权值定义约束参数P(=n u(&I0，.1) (6)i=0式中:，=(.0，.，.）T是超参数向量。 再计算权值的后验概率p(w，a，521)p(t(，a，82)p(，,，%2)P(AU(A，) (7)式中:协方差=(%2%T%+.)?;均值;$=%2:%T A.=diag(Qo，Ql，.）。 权值的估计转化成超参数.和的估计。 通过求边缘分布，得到超参数的似然分布为H A，%)=+(A，%)Hla)d=U(A0，C) (8)式中:协方差C=%/+%.?%T。 通过最大化超参数似然分布找到最优的aP和%P，且对于新的故障测试数据（！，预测值分布为I Aa MP，%p)_l，%p)_p(l，a MP，%p)F=U(A*，) (9)式中:协方差=%p+!(!)T)!(X!)，均值）=/-!(*)。 由式 (9)可知，正态分布的均值可作为新输人的预测值。 核参数-的选取会对R VM的分类结果产生很大的影响，在建立R VM故障诊断模型时，如何选取核参数直接影响模型的准确率，采用遍历搜寻方法1!选取核参数具有一定的盲目性，且会消耗大量时间，最后所得参数也不一定是全局最优解。 2.2IC RO A算法及其优化步骤针对R VM核参数选取困难的问题，提出采用化学反应优化（CRO A)算法对核参数进行全局寻=。 C RO A算法14?6是一种基于化学反应过程中分子碰撞和能量转化过程的群体智能算法，它是通过模拟化学反应中分子间的相互作用来寻求最小系统势能的过程，具有群体规模动态变化、个体之间信息交换手段丰富等优势。 但是C RO A算法存在易陷人早熟的缺点，为了提高瓦斯传感器故障诊断的速度和准确性，结合I giti映射思想和混沌策略17随机、无序的特点提出一种改进的化学反应优化(（RO A)算法，不仅可以避免CRO A的早熟现象，还能提高CRO A的度，快优。 设和是可行域的上界与下界，令E et表当前最优状态的位置，首先按式（10)进行映射7=(E UGt?i)/(?i) (10)映射后的区间变成0，1，通过L og istic映射产生混沌变量，如式（11)。 92传感技术学报.chinatransducers.第32卷7=$(i?) (11)中是控制，实验结果，当$=4时，系统的状态处于完沌，于跳出局部最优情况。 然（12)将沌的解域，即得到R VM核参数对应的一个新解，循环，直。 ELt=h b（b#-h) (12)在运算中，若IC RO A迭代多次最优解E bet，则算法可得最优解，也可陷人了部最优解，为了避免算法陷人局部最优，本文采用混沌策略生成新的解，比较新解与原解的目标大小，优。 行次迭代，重复此，直的，算得了优，迭代。 图2为IC RO A算法的流程图。 图2IC RO A算法流程图IC RO A-R VM瓦斯传感器故障诊断模型参数寻优步骤如下Step1设置迭代次数，并初始化种群规模PopSize、分子初始动能In itialK E、动能损失率KELoss-Rate、单分子与多分子反应临界点M oleColl等。 Step2将R VM模型的实际输出与期望输出的平均值作为目4/=丁）（）2 (13)i=1中:和分别是第个样本的实际输出和期望输出J是训练样本数。 Step3分别计算分子的初始势能P E和动能K E。 Step4从，1间随机生成一个数0，若0M ole Cd l，则从初始分子群随机选择一个分子，否则随两个分子。 Step5果最优解连续出现次数达到分解临界值，则开始分子分解反应;否则行分子与容器壁之间的无效碰撞。 Step6果两个分子的小于合成临，则开始分子合成反应;否则行分子之间的无效碰撞。 Step7计算反应后的分子势能并更新当前的最优解E etN最小目4n。 Step8代多次，最优，则采用沌策成，比前与目大小，更优者;否则，继执行算法。 Step99行次代，断是条件，如是，则代，输出最优解。 否则，重复Step3Step8。 Step10得优核参数，构造IC RO A-RVM瓦斯传感器故障诊断模型进行故障。 3实验验证与结果分析3.1基于L E算法的瓦斯传感器特征提取实验以开溧钱家营煤矿为研究背景。 从煤矿监第1期徐耀松，邱微等基于LE与IC/OAYVM的瓦斯传感器故障诊断93系统xx9月?12月中进行分类与汇总，并随抽常无故障、漂移、及周期型故障5类状态下共600组感器7?7的实测，将分为训练样本和样本，各状态对应的样本1。 表1故障状态样本数据表输出状态训练样本样本计正常无故障状态8040120型故障状态8535120漂移型故障状态9426120型故障状态8337120周期型故障状态9822120计440160600实验600组行归一化，再L E进行降维提取。 实验采用K近邻法构建邻域图，其中近邻点个数D算法非常重要，根实际问题，若:小，会导降维不准确;大，会降低模型的运行速度。 文中值次选取为 4、 6、 8、10分行比较，确邻点个数=8,嵌入维数3，核56。 为了验L E来进行瓦斯传感器故障特征提取的可行性，本文分别采用L E和核主成分分析K PC A(同样嵌入维数B为3)故障空间进行提取，所得故障特征结果如图3。 图3可知，L E提，个别混在一-起，上5类状态的样本分得较开，而采用K PC A提取得到的三维空间中各样本的效果不想，且各样本间出现了大量的样本交叉。 可见，L E算更加充分地提取故障敏感的非线性特征，极大地故障内在的整体几何结构信息，从而提高瓦斯传感器故障诊断的准确性。 3.2故障诊断分IC/O A算/VM的核参数进行全局寻优，将故障特征作为/VM模型的输入对训练样本进行训练，建立（/OAY VM瓦斯传感器故障诊断模型。 其中I/OA相关参数设置见表2。 2ICROA关参数设置参数数值模PopSize20动能损失率KELossRate0.3初始I nitialKE1000初始中器buffer0分子反应类型决子MdeColl0.5撞墙反应和分解反应的判断因子0500反应和合成反应的判断因子.20大代次100选择/BF径向基核函数作为/VM的基函数，并结合L E及/VM的特点将/VM的输入节点数设为3，层节点数设为5,输出节点数设为4，本文中IC/OAY VM模型采用3-5-4结构。 输出节点对应瓦斯传感器5类输出状态，映射关系3。 表3传感器状态与R YM输出值映射关系传感器状态RVM模型输出值1(正常型）00002(型）00013(型）00104(漂型)01005(周期型)1000模型训练结束后，对5状态下共160组样本进行故障诊断。 /VM输出结果见表4,由于，只列出部分数据。 诊断结果如图4。 4080测试样本图4测试样本故障诊断结果160LE处理后模型误差曲线对比图练时间和诊断时间上明显优于经KPCA的模型，而确率著提高，尤其是ICROA-RVM模型效果最为。 其中RVM的诊断效果比SVM，PSO-RVM虽在一度上优化了RVM，模型诊断正确率低，而本文提出的基于LE算与ICROA-RVM的故障诊断模型则训练时间短，诊断时间少，高的故障诊断正确率。 图5中在训练，:ICROA-RVM模型的速度比PSO-RVM&RVM及SVM模型的度快很，大代到13次，模型训练几乎趋于稳定。 ，:ICROA-RVM模型的精度比其他模型都要高，稳定性更高。 ，本文提出的基于LE与ICROA-RVM的瓦斯传感器故障诊断优于传统诊断，更强的泛化，诊断度更快，故障率更高，可应用于煤矿瓦斯传感器的在线故障诊断。 4结论本文针统瓦斯传感器故障诊断诊断精度不高、速度慢的缺点，在入分析斯传感器输出的基础上，从分析的角度，研究了基于LE与ICROA-RVM的瓦斯传感器故障诊断方，得下研究结论首次将效提取高维非线性中嵌入的低维流形的LE算法应用在瓦斯传感器故障特征提，该充分了原始高维故障中的整体几息，准确地提取出了故障特征。 充分发挥RVM非线性强和计算速度快的特点建立瓦斯传感器RVM故障诊断模型，合CROA算法与Logic映射的优点，引人混沌策略，提出了基于ICROA算法的RVM核参数优化方，实了较准确的核优，极大地提高了故障的诊断速度与诊断准确性。 实验证和对比分析发现，本文提出的瓦斯传感器故障诊断训练时间短、训练小、诊断准确度较高等优点，故障率在96%以上，显著提高了故障诊断的准确性和速度，能传感技术学报汁94.chinatransducers.第32卷4测测试数据RVM输出诊断结果识别率/%E:23:41.4211.4310.0210.00010.00010.00030.000211001.0330.7820.0520.00040.00020.00010.9987297.141.2110.8650.2030.00030.00020.99720.0001396.150.9831.7620.1980.00010.98960.00030.0002497.301.2780.8730.7830.99020.00010.00030.00025100由图4知，在160个测试样本中，ICROA-RVM故障诊断模型对157个样本的诊断结果与实际故障型情况合，即该样本的故障诊断正确率达到98.13%。 3可看出，5样本各自的率均达到了96%以上，其中常型和周期型故障状态下的诊断正确率更是达到100%，不仅满了分类的基本，还极大地提高了瓦斯传感器的故障诊断准确率。 本文提出的方法可以快准确地诊断出瓦斯传感器的故障类型。 3.3算法性分为了进一步验证本文提出的瓦斯传感器故障诊断的优越性，进行了如下对比试验。 分将LE和KPCA提的故障特征输入到ICROA-RVM模型、PSO-RVM模型、RVM模型及SVM模型中进行训练，样本进行故障诊断。 诊断结果5，图5为经LE:各模型的训练曲线。 表5各模型性能指标对比性能指标LE特征提ICROA-RVM PSO-RVM RVMSVM训练时间/s12.82313.99314.69315.002诊断时间/s0.0360.0470.0760.092正确率/%98.1395.7592.6391.75性KPCA特征提ICROA-RVM PSO-RVM RVMSVM训练时间/s13.37614.82314.90215.908诊断时间/s0.0540.0830.1200.183确率/%96.2993.5090.3887.50由表5知，经LE处理的四种诊断模型不仅在训I506284o.2.1.1.0.0图o o ooo3ss_i=fl第1期徐耀松，邱微等基于LE与ICROA-RVM的瓦斯传感器故障诊断95应用于瓦斯传感器的在线故障检测，实时快速地常见的4类突发型软故障。 参考文献1周公博，朱真才，陈光柱.基于传感器网络的瓦斯传感器故障诊断J.振动、测试与诊断,xx，30 (1):23-27.2黄凯，功，王其军，等.基于ASGSO-SVR模型的瓦斯传感器故障诊断J.煤炭学报，xx,38(S2):518-523.3王其军，程久.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，xx,29 (2):22-25.4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，xx，36 (5):867-872.5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，xx,28 (2):278-283.D邹云龙，邓敢搏，张庆华，等.作斯涌出预警传感器布置位置探讨J.工矿自动化，xx,39 (4):44-47.7双华，汪，魏连江.考虑可靠性的矿斯传感器选址模型J.中国安全科学学报，xx,22 (12):76-81.C徐情情，刘凯，侯和平，等.基于局部均值9?与拉普拉斯特征映射的滚动轴承故障诊断方法J.中国机械工程，201D，27 (22):3075-3081.%朱美强，李明，程玉虎，等.基于拉普拉斯特征映射的启发式h学习J.控制与决策，xx