基于RBF神经网络的故障诊断 - 副本

基于HPSO-RBF神经网络的瓦斯传感器故障诊断王婷;李国勇;吕世轩【摘要】针对瓦斯传感器常见故障,提出一种混合粒子群优化(HPSO)算法与径向基函数(RBF)神经网络相结合的传感器故障诊断新方法.文中首先采用HPSO算法对RBF神经网络模型参数进行了优化,在详细分析瓦斯浓度影响因素的基础上,建立了瓦斯浓度非线性预测模型.然后将瓦斯浓度预测结果与实际测量值相比较得到残差,并分析残差的变化趋势,从而实现对瓦斯传感器的故障诊断.实验结果表明,HPSO-RBF模型具有较高的预测精度,能够有效地诊断瓦斯传感器的故障状态.【期刊名称】《仪表技术与传感器》【年(卷),期】2015(000)003【总页数】4页(P78-81)【关键词】瓦斯传感器;混合粒子群优化算法;RBF神经网络;故障诊断【作者】王婷;李国勇;吕世轩【作者单位】太原理工大学信息工程学院,山西太原030024;太原理工大学信息工程学院,山西太原030024;太原理工大学,煤矿装备与安全控制山西省重点实验室,山西太原030024【正文语种】中文【中图分类】TP212瓦斯传感器是煤矿瓦斯监测系统中的重要组成部分，监测系统通过它对矿井瓦斯浓度进行检测，因此其输出信号质量的优劣对煤矿生产安全程度及瓦斯监测系统性能会产生重大影响[1]。

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，瓦斯传感器经常会发生卡死、冲击、漂移等故障[2]，若不及时解决这些故障问题，会严重影响煤矿生产安全[3]。

因此研究瓦斯传感器的故障诊断方法具有重要意义。

目前，瓦斯传感器的故障诊断方法主要有冗余法、多元回归分析法、时间序列分析法以及支持向量机、神经网络等智能方法。

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，因此基于信息融合技术的神经网络成为主要的发展方向之一。

其中，RBF神经网络是一种在曲线拟合、模式识别、图像处理、故障诊断等领域被广泛应用的神经网络，它不仅拓扑结构简单、非线性逼近能力强、收敛速度快，而且具有唯一最佳逼近的特性，但是其模型参数难以设置是应用研究的难点[4]。

第28卷第4期2012年12月北京建筑工程学院学报Journal of Beijing University of Civil Engineering and ArchitectureVol．28No．4Dec．2012文章编号：1004－6011（2012）04－0042－06基于RBF 与BP 神经网络的建筑电气系统故障诊断比较研究吴茜，王亚慧（北京建筑工程学院电气与信息工程学院，北京100044）摘要：建筑电气系统的故障自诊断一直是国内外故障诊断领域的空白，其主要原因是建筑电气系统庞大、复杂，子系统多，难于建立数学模型．利用神经网络不依赖模型和收敛速度快的优势和特性，可以很好地解决该问题．由于神经网络在建筑电气故障领域的基础研究和应用非常少，通过对经典的RBF 和PB 神经网络故障诊断方法进行对比研究，为后续研究打下基础．通过利用建筑电气系统试验平台的数据进行实验，结果表明在两种神经网络未经优化的情况下，RBF 网络在建筑电气故障诊断的应用上要优于BP 网络．基于RBF 网络的建筑电气故障诊断方法在工程上将有广阔的应用前景．关键词：故障诊断；建筑电气系统；神经网络中图分类号：TP389.1；TU855文献标志码：AComparative Study on Fault Diagnosis of Building Electrical SystemBased on RBF and BP Neural NetworkWu Qian ，Wang Yahui（School of Electricity and Information Engineering ，BUCEA Beijing 100044）Abstract ：Building electrical system fault diagnosis is the blank in the fault diagnosis field at home and abroad．The main reason is that the building electrical systems have many complex and huge subsystems ；meanwhile ，it is very hard to establish the mathematical model of system．By using the neural networks which is not depending on the model and using its advantage of convergence speed ，the difficulties of building electrical system fault diagnosis can be well solved．The basic research of neural network on building electric field is very little．But the two basic methods on building electrical fault diagnosis are proposed in the paper．By comparing these two methods ，the experimental results show that both of them could complete the diagnosis ，but the RBF network on building electrical fault diagnosis application is superior to BP network and it will play an important role and have broad application prospects．Key words ：fault diagnosis ；building electrical system ；RBF neural network 收稿日期：2012－09－24作者简介：吴茜（1986—），女，硕士研究生，研究方向：建筑智能化技术．随着电子通信与网络技术的飞速发展，当前的建筑电气系统正朝着规模庞大、结构复杂，集照明、动力、控制于一体的大型智能系统发展．老旧建筑一般只有供配电系统和照明系统，电气故障发生后多依靠电工经验，由人工检测排查故障，对于日益复杂且各子系统之间存在耦合关系的现代建筑电气系第4期吴茜等：基于RBF与BP神经网络的建筑电气系统故障诊断比较研究统，人工经验往往不足以支撑整个系统的故障判断，这就需要提出新的智能故障诊断方法．目前国内外在建筑电气故障诊断领域的相关研究还处于空白阶段，在研究方法上借鉴与比较成熟的电力系统的故障诊断．目前故障智能诊断技术包括专家系统、人工神经元网络、决策树、数据挖掘等．由于建筑电气故障类型多且关联性强，采用专家系统、决策树等逻辑推理的方法不易规则表达形成案例，而通过对建筑电气关键位置的电信号的检测与数据采集容易获得大量数据，采用人工神经网络和数据挖掘的方法更符合诊断对象的特点．神经网络是故障诊断问题的一种重要解决途径，尤其是针对建筑电气这样的庞大复杂系统，经过有效训练的神经网络可以记忆相关的过程知识，直接从历史数据中学习，使其适用于在线检测和故障诊断，具有分辨故障原因和类型的能力．在实际工程中，引起故障的因素多种多样，但相同的故障表现出的征兆大多具有相似性，所以神经网络技术成为了故障诊断的有效手段．目前在工业领域中，BP和RBF神经网络的应用比较广泛，尤其在元件加工和电子制造行业，已经先后应用于实际工程．但在建筑电气系统中，基于RBF与BP神经网络的故障诊断方法还处于起步阶段．本文针对复杂建筑电气系统，将RBF和BP神经网络分别进行应用，建立两个网络模型，对两种方法的诊断效果进行比较和评价，从而选择出更具有良好的实际应用价值的方法，为后续研究提供理论依据．1神经网络的基本原理1.1RBF网络的基本原理径向基函数（Radial Basis Function，RBF）是在20世纪80年代末被J.Moody和C．Darken提出的一种神经网络，它是一种以到固定点的距离为自变量的函数．RBF网络属于三层网络结构，如图1所示，分布为输入层、隐含层和输出层．输入层到隐含层是非线性映射，输出层是隐含层单元输出值的加权和，即线性映射．在RBF网络中，隐含层采用径向基函数作为激励函数，此函数通常为高斯函数，当输入样本为x，则隐含层第i个单元的输出为：Ri （x）=e－‖x－c i‖22σ2i i=1，2，…，L（1）图1RBF神经网络结构图其中，ci为基函数中心，σi是第i个隐含层单元的高斯函数宽度．相应的输出节点的输出为：Y=∑Li=1WiRi（x）（2）其中，Wi是第i个隐含层节点到输出层节点的权值．隐含层将输入空间映射到一个新的空间，输出层在新空间中实现线性组合，如式（2）所示，Wi作为权值是可调的参数．当输入样本离该中心距离越远时，神经元的激活程度就越低，当超过一定的距离，神经元就不被激活．隐含层节点的这个特性通常被称为神经网络的局部特性．因此，RBF神经网络的每个隐含层节点都具有一个数据中心．1.2BP网络的基本原理BP网络（Back-Propagation Network，简称BP网络）是20世纪80年代由Rumelhart与McClelland在探索人类认知微结构时，发展而来的一种学习算法．BP网络一般由输入层、隐含层（隐层可有多层）和输出层组成，其结构如图2所示．图2BP神经网络结构BP网络是一种多层前馈神经网络，其特点是信号前向传递，误差反向传播，前向传递用于网络计算，对某一输入求出输出；反向传播用于逐层传递误差，修改连接权值和阈值．在前向传递中，输入信号从输入层经隐含层逐层处理，直到输出层，每层的神经元状态只影响下一层神经元的状态．如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络的权值和阈值，从而使BP神经网络预测出不断逼近预期的输出［1］．34北京建筑工程学院学报2012年2建筑电气故障诊断应用2.1建筑电气试验平台简介建筑电气测试平台是根据德国METREL建筑电气测试实验系统优化改进而来，将实际建筑电气的主要元素集中于一个试验平台上，为建筑电气测试实验带来了极大便利．以实验系统为例，其原理结构如图3所示．图3建筑电气测试平台的实际物理模型图4中的建筑低压配电系统有多个元件组成，如剩余电流动作保护器（RCD）、断路器、熔断器、单相插座和三相插座等．电源为220V，经过变压器可输出15V直流给弱电保护部分和故障设置板供电．强电系统是该系统的主体，真实模拟了住宅建筑的低压配电系统，可连接日常生活中常用的居民用电设备．故障设置面板可以提供五大类常见家庭用电绝缘性测试故障和22个故障位置按钮，完全模拟了民用住宅的电气系统和常见故障．图4建筑电气测试平台实物2.2故障诊断思想与方法应用神经网络进行故障诊断的基本思想是以故障特征作为网络输入，诊断结果作为网络输出，用已测得的多组历史故障数据对神经网络进行离线训练，使得网络通过权值记忆故障征兆与对应的故障类型之间的特定对应关系．输入层为根据测试平台监控对象采集的各种故障信号，由于所采集的数据中存在奇异数据，先根据公式（3）进行归一化处理．y=x－MinValueMaxValue－MinValue（3）故障特征值为X=［x1，x2，…，xn］．中间层获得输入层的信息后经内部学习转化为有针对性的解决方法，完成输入到输出的非线性映射．输出层输出为故障模式向量，通过神经元输出与阈值的比较得出诊断结果，本文诊断的故障节点总数有22个，故障类型分别为：线路阻抗故障、连续性故障、接地电阻异常、接地电阻率异常、绝缘电阻过小，五大类故障对应着22个故障位置．故障向量中，用0表示无故障，1表示发生故障，所对应的编码状态为：正常（0，0，0，0，0），线路阻抗故障（1，0，0，0，0），连续性故障（0，1，0，0，0），接地电阻异常（0，0，1，0，0），接地电阻率异常（0，0，0，1，0），绝缘电阻过小（0，0，0，0，1）．实测样本数据共有90组，其中60组作为训练样本，30组作为测试数据．表1节选了部分采集的样本，5种故障模式，每种故障对应了10个位置的特征值．2.3神经网络的构建比较网络输出为Position1-Position10，10个不同测试位置的故障信息值，网络输出为线路阻抗故障、连续性故障、接地电阻异常、接地电阻率异常、绝缘电阻过小五种故障状态，所以神经网络的输入神经元个数为10个，输出神经元个数为5个．BP网络隐含层单元数的确定，采用经验公式m= n+槡l+α来计算，其中，m为隐含层单元数，n为44第4期吴茜等：基于RBF与BP神经网络的建筑电气系统故障诊断比较研究表1训练输入样本编号故障样本组特征参数110.7710.7410.7210.7910.7510.7710.7110.7310.7810.75 2F1线路阻抗故障10.7410.7110.7310.7510.7410.7310.7910.7210.7910.7739.899.919.869.819.819.839.819.879.899.8942000200020022000200020012000200520002000 5F2连续性故障 3.68 3.76 3.45 3.56 3.45 3.65 3.64 3.64 3.69 3.586 2.78 2.71 2.34 2.77 2.21 2.45 2.56 2.64 2.57 2.547 3.45 3.65 3.76 3.56 3.54 3.85 3.25 3.42 3.62 3.528F3接地电阻异常 3.66 3.68 3.67 3.89 3.67 3.45 3.44 3.76 3.25 3.789 6.01 6.19 6.05 6.07 6.12 6.11 6.09 6.03 6.07 6.11100.320.330.310.360.340.330.360.350.330.34 11F4接地电阻率异常9.219.329.249.219.279.259.299.319.349.42 120.1430.1410.1390.1420.1440.1470.1480.1430.1430.145 130.320.330.310.360.340.330.360.350.330.34 14F5绝缘电阻过小9.219.329.249.219.279.259.299.319.349.42 150.1430.1410.1390.1420.1440.1470.1480.1430.1430.14516 1.21 1.11 1.150.230.580.630.250.270.360.6817无故障 1.23 1.13 1.180.220.490.600.220.290.330.6818 1.23 1.13 1.180.220.490.600.220.290.330.68表2诊断结果对比编号理想输出RBF诊断结果BP诊断结果11，0，0，0，0 1.00730.03050.00000.00020.00060.95960.00860.02700.00230.0046 21，0，0，0，0 1.00730.03060.00050.00070.00050.94810.00670.05030.00760.0034 31，0，0，0，0 1.00730.03050.00000.00050.00040.95280.0205－0.0331－0.04130.0391 40，1，0，0，00.00020.99840.00020.00010.00120.0653 1.01370.07010.00440.0980 50，1，0，0，00.00010.99840.00000.00040.00150.00530.9777－0.0275－0.06410.0359 60，1，0，0，00.00010.99840.00000.00050.00040.00200.9592－0.2506－0.03040.0823 70，0，1，0，00.00010.0006 1.00120.00190.0009－0.0270－0.0051 1.1251－0.00300.1891 80，0，1，0，00.00010.0002 1.00000.00000.00090.1891－0.01670.96490.02700.0519 90，0，1，0，00.00010.00020.00000.00030.00050.04450.05300.99860.01000.0200 100，0，0，1，00.00020.00050.0001 1.00090.00060.06860.03140.0156 1.00780.0280 110，0，0，1，00.00010.00020.0000 1.00000.00040.0172 1.00680.0407 1.05000.0057 120，0，0，1，00.00010.00000.0005 1.00010.00090.01800.06320.0642 1.03870.0407 130，0，0，0，10.00000.00020.00040.0001 1.00060.00060.07010.00440.02540.0980 140，0，0，0，10.00010.00020.00000.0008 1.00060.03240.01230.0029－0.0054 1.0470 150，0，0，0，10.00010.00000.00060.0002 1.00040.00410.0300－0.03910.08060.9864输入层单元数，l为输出层单元数，α为1至10之间的整数．根据多次测试验证，网络效果最好时m= 15，因此BP网络的最终结构为10－15－5的三层结构．利用Matlab中神经元工具箱中的newff创建BP 网络，隐含层的传递函数为正切S形函数；输出层传递函数为对数S形函数；训练函数为traingdm．训练次数为10000次，训练目标为0.00001，其余参数取默认值．RBF网络的构建与BP相比非常简单，利用函数newrb创建网络，均方误差取0.00001，扩展速度经验证取0.9为佳．2.4神经网络训练比较在训练时，为了使BP网络的训练效果最佳，需要不断改变隐含层神经元个数、传递函数、训练次数等相关参数，需要较长的调试时间．而在RBF网络训练中，隐含层神经元数量有两种确定方式，一般常用的方法是与输入向量的元素相等，但这种方法在输入矢量较多时，会导致隐含层单元数过多使网络结构复杂化；另一种方法并不需要直接确定，而是通过训练和优化来计算其数目，其方法是设置隐含层的节点数目从0个开始训练，通过检查输入误差，使隐含层自动增加神经元．累积迭代循环使用，使网络产生的最大误差所对应的输入向量作为权值向54北京建筑工程学院学报2012年量，产生一个新的隐含层神经元，然后检查新网络的误差；重复此过程直到达到误差要求或最大隐含层神经元数目为止．训练结果如图5与图6所示，在训练精度均设计为0.00001时，RBF 网络只需要8步即可达到要求，而BP 网络需要2197才能达到要求，可见RBF网络的训练效果明显好于BP 网络．另外，在两种神经网络参数确定的情况下，BP 网络的每次训练的结果并不稳定，有时候会出现较大的偏差，而RBF 网络的训练结果则基本一致，与BP 网络相比要更加稳定．在针对建筑电气测试平台故障的诊断结果上，两种神经网络均可实现对故障的有效诊断，其结果如表2所示，但RBF 网络对目标相量的逼近精度更高一些．由此可见，本次试验只采集了90组测试数据，在实际工程中，面对海量数据的快速分类与识别时，RBF 网络比BP 网络更有优势．图5BP 算法的训练曲线图6RBF 算法的训练曲线故障诊断的目的在于对系统的预测作用，所以神经网络对故障数据的拟合能力非常关键，当拥有了大量的历史数据后，一个成熟的神经网络应该起到较为准确的预测作用．在实验中，随机选择30组采样的数据对神经网络进行测试，RBF 网络和BP 网络对故障值的逼近能力如图7、图8所示．图7RBF 网络对故障点的预测图8BP 网络对故障点的预测在故障点的预测性能上，RBF 网络的性能稳定，可以准确的捕捉故障值，而BP 网络对故障点的预测能力稍差一些，并且对故障值的捕捉并不稳定，通过多次试验只有60%的情况可以全部将故障数值预测准确．3结论与展望RBF 与BP 网络在故障诊断上各自具有优势，输出误差均较小，但两种网络在未经过优化的前提下，RBF 网络训练时间短，结果稳定，网络构建简单且网络结构和参数调节方便．BP 网络的构建相对复杂一些，参数整定需要耗费一些时间，训练结果不如RBF 网络稳定并且在训练中容易陷入局部极小值．在建筑电气系统故障诊断的应用中，RBF 神经网络的应用能准确、快速地判断故障类型，这种方法配合北京建筑工程学院电气与智能化实验中心研发64第4期吴茜等：基于RBF与BP神经网络的建筑电气系统故障诊断比较研究的建筑电气数据采集系统，可以实时监控建筑电气系统中关键节点的状态，智能诊断算法在实验室阶段验证成功后，会寻找实际的典型工程，进一步对诊断算法进行验证．参考文献：［1］方莉莉，张兵临，禹建丽，等．用于人工神经网络预测电铸自支撑金刚石－镍复合膜沉积结果［J］．稀有金属材料与工程，2006，35（4）：638－641［2］李自珍，白玫，黄颖．BP网络和RBF网络在期货预测中的比较研究［J］．数学的时间与认识，2008，38（1）：60－64［3］MATLAB论坛．MATLAB神经网络30个案例分析［M］．北京：北京航天航空大学，2010：65－72［4］霍一峰，王亚慧．基于Spiking的RBF神经网络故障诊断算法［J］．北京建筑工程学院学报，2011，27（4）：57－61［5］周开立，康耀红．神经网络模型及MATLAB仿真设计［M］．北京：清华大学出版社，2005：101－106［6］王焕．建筑电气测试系统智能自诊断技术的研究［P］．2010［7］Mark J L．Orr．Introduction to radial basis function net-works［J］．Center for Cognitive Science，University ofEdinburgh，Buccleuch Place，Edinburgh EH89LW，Scot-land，1996：54－60［8］Zhu Yongli，Member，IEEE，Huo Limin，Lu Jinling．Bayesian networks-based approach for power systems faultdiagnosis［J］．IEEE Transactions on Power Delivery，A-PRIL，2006，21（2）：634－639［9］Jun Zhu，Member．IEEE automated fault location and di-agnosis on electric power distribution feeders［J］．IEEETransactions on Power Delivery，April1997，12（2）：801－809［10］孙大洪，王发展，刘强，张顾钟，原思聪．基于BP和RBF神经网络的滚动轴承故障诊断比较［J］．轴承，2010（2）：53－56［责任编辑：佟启巾］74。