基于神經(jīng)網(wǎng)絡(luò)的水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)故障診斷系統(tǒng)研究

潘彩霞等

摘要：針對當(dāng)前水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)存在的故障發(fā)生的非線性特點及故障發(fā)生易受多種因素影響等問題，提出了一種基于神經(jīng)網(wǎng)絡(luò)的故障診斷模型，在該模型構(gòu)建過程中，首先對水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)領(lǐng)域常見的故障類型進行分析，歸納總結(jié)了故障模式種類，并制定了故障診斷的評價指標，然后采用神經(jīng)網(wǎng)絡(luò)原理構(gòu)建了水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)故障診斷系統(tǒng)。結(jié)果表明，該故障診斷系統(tǒng)不但可降低通信負擔(dān)，而且具有較高的診斷率，能夠很好地應(yīng)用在水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)的故障診斷系統(tǒng)中。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)；故障診斷

中圖分類號：TP2 文獻標識碼：A 文章編號：0439-8114（2015）17-4312-05

DOI：10.14088/j.cnki.issn0439-8114.2015.17.054

Research of Fault Diagnosis System for Aquaculture Networking

Based on Neural Network

當(dāng)前水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)的信息化、自動化和智能化技術(shù)有效地解決了傳統(tǒng)粗放式養(yǎng)殖的弊端，實現(xiàn)了水產(chǎn)養(yǎng)殖過程中的信息實時監(jiān)測、智能決策、自動控制等功能，提高了養(yǎng)殖的質(zhì)量和效率[1-4]。隨著水產(chǎn)養(yǎng)殖自動化程度的提高，智能控制設(shè)備的數(shù)量也不斷增多，因此出現(xiàn)了設(shè)備故障頻現(xiàn)的問題。故障診斷一直是國內(nèi)外的研究熱點，但在我國的水產(chǎn)物聯(lián)網(wǎng)領(lǐng)域關(guān)于故障診斷的研究還比較欠缺。

目前關(guān)于故障診斷的方法研究內(nèi)容主要包括對節(jié)點和網(wǎng)絡(luò)的診斷，有神經(jīng)網(wǎng)絡(luò)法、模型法、相關(guān)法、故障樹法等。例如，Moustapha等[5]利用神經(jīng)網(wǎng)絡(luò)在非線性系統(tǒng)建模和識別上的優(yōu)越性，建立傳感器節(jié)點通信數(shù)學(xué)模型，設(shè)定合理的閾值，當(dāng)實際輸出與神經(jīng)網(wǎng)絡(luò)輸出差值大于某一設(shè)定的閾值時，傳感器節(jié)點發(fā)出故障警告信號；張榮標等[6]通過對采集的無線傳感器網(wǎng)絡(luò)實時數(shù)據(jù)進行預(yù)處理，建立時間和空間故障診斷數(shù)學(xué)模型，當(dāng)時間序列故障診斷模型發(fā)現(xiàn)異常時，再用空間序列故障診斷模型確定故障。除此之外，Chessa等[7]首次提出了一種基于無線傳感器網(wǎng)絡(luò)故障診斷的算法，但存在重復(fù)診斷的問題；張劼等[8]對上述算法進行改進，提出了基于比較的簇節(jié)點故障診斷算法，簇頭節(jié)點具有對簇內(nèi)節(jié)點的控制和診斷的權(quán)限，該方法解決了網(wǎng)絡(luò)節(jié)點的重復(fù)診斷問題，適用規(guī)模較大、分簇較多的網(wǎng)絡(luò)；Rost等[9]提出了一種由傳感節(jié)點到簇頭節(jié)點再到匯聚節(jié)點的分層故障檢測機制，利用父節(jié)點對子節(jié)點信息的融合和傳送，進行逐級處理，可用于大規(guī)模分層網(wǎng)絡(luò)，但因每層都要進行信息處理，能耗太大。

雖然上述研究提出了各種不同的故障診斷解決方案，但由于水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)領(lǐng)域存在采集的數(shù)據(jù)受天氣或環(huán)境的影響較大，故障模型構(gòu)建困難等問題導(dǎo)致這些方法不能適用。在水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)中，水質(zhì)傳感器是固定安裝在具體區(qū)域，并不能對網(wǎng)絡(luò)進行自修復(fù)；而在實際應(yīng)用中，考慮到成本問題，傳感器并非大量隨機部署，往往是將有限的傳感器節(jié)點布置在固定區(qū)域。因此，本研究采用神經(jīng)網(wǎng)絡(luò)的方法，構(gòu)造了一個具有自學(xué)習(xí)能力的故障診斷系統(tǒng)，該系統(tǒng)可以從歷史故障信息中學(xué)習(xí)，而且在有噪聲情況下有效工作，且具有分辨故障原因及類型的能力，可以很好地應(yīng)用于水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)的故障診斷中。

1 水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)的故障分析

1.1 水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)的故障類型

根據(jù)發(fā)生故障的部位，將水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)常見的故障分為6個模塊，分別為傳感器故障模塊、采集器故障模塊、控制設(shè)備故障模塊、電源故障模塊、通訊故障模塊、軟件故障模塊（表1）。

1.2 水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)故障模式

通過對水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)故障特點的研究，一般情況下，水產(chǎn)物聯(lián)網(wǎng)故障模式主要有5種，主要表現(xiàn)在其采集值的變化上，即采集值缺測、采集值為常數(shù)、采集值恒增益、采集值恒偏差及數(shù)值突變。令f（t）為傳感器的實際采集輸出值，β0（t）為正常時的輸入。

1）輸出恒定。由于水體污染物的腐蝕，傳感器的敏感膜失去作用，此時傳感器的輸出為一個常數(shù)C，此時的故障模式稱為常值輸出。故障模式為：f（t）=C。

輸出恒定故障與正常輸出的對比如圖1所示，其中溶解氧的正常值為5～20 mg/L，其余水質(zhì)參數(shù)的故障模式與此類似。

2）恒增益。設(shè)增益系數(shù)為k，則故障模式為：f（t）=Rβ（t）。恒增益的故障模式如圖2所示。

3）恒偏差。當(dāng)傳感器產(chǎn)生慢漂移時，在某一時間段內(nèi)（幾個小時或數(shù)十個小時），傳感器輸出的數(shù)據(jù)表現(xiàn)為恒偏差，設(shè)其偏差數(shù)值為ΔS。則故障模式為：f（t）=β0（t）+ΔS。恒偏差的故障模式如圖3所示。

4）數(shù)值突變。此種情況下，采集值變?yōu)槌藁蜻h小于正常值，設(shè)？墜為突變值，則此時的故障模式為：f（t）=β0（t）+？墜？啄（t）。數(shù)值突變故障模式如圖4所示。

5）電源故障。電源發(fā)生故障時，表現(xiàn)為電源電壓持續(xù)下降，甚至降到3 600 mV以下，電源故障模式如圖5所示。

6）數(shù)據(jù)缺測。當(dāng)采集器拒傳數(shù)據(jù)，或軟件出錯等，會出現(xiàn)數(shù)據(jù)缺測。此種故障比較直觀，在故障診斷時，可以首先識別是否為該種故障。

1.3 水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)故障診斷系統(tǒng)的評價指標

1）故障診斷覆蓋率。當(dāng)水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)發(fā)生故障時，通過該系統(tǒng)可以定位和排除故障。

2）診斷時間。故障診斷開始到故障診斷結(jié)束所經(jīng)歷時間范圍，要求能迅速地分析定位出發(fā)生故障的部位和原因。在一個故障診斷系統(tǒng)中，診斷時間越短越好。

3）誤診率。包括兩種情況，一是水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)系統(tǒng)工作正常，卻顯示發(fā)生故障；二是水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)系統(tǒng)確實發(fā)生故障，但是給出的故障部位錯誤。在一個故障診斷系統(tǒng)中，誤診率越低越好。

2 水產(chǎn)物聯(lián)網(wǎng)故障診斷系統(tǒng)構(gòu)建

2.1 BP神經(jīng)網(wǎng)絡(luò)的原理endprint

在眾多的神經(jīng)網(wǎng)絡(luò)模型中，BP神經(jīng)網(wǎng)絡(luò)（Back-Propagation，BP）由于其較好的非線性映射能力，可以在任意精度逼近任意連續(xù)函數(shù)，而被廣泛應(yīng)用于圖像處理、故障診斷、控制領(lǐng)域中[10]。它通過對故障實例的訓(xùn)練和學(xué)習(xí)，用分布于神經(jīng)網(wǎng)絡(luò)中的連接權(quán)值來表達所學(xué)習(xí)的故障診斷知識，具有對故障的聯(lián)想記憶、模式匹配和相似歸納的能力，可以實現(xiàn)故障和征兆間的復(fù)雜的非線性映射關(guān)系

本研究采用標準的三層網(wǎng)絡(luò)拓撲結(jié)構(gòu)，其中每個輸入節(jié)點表示水產(chǎn)物聯(lián)網(wǎng)的故障征兆，輸出節(jié)點為對應(yīng)的故障模式。BP的實質(zhì)就是求取誤差函數(shù)的最小值問題，典型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

隱含層的輸入sj和輸入樣本Pk=（a1k，a2k…ank）的關(guān)系如下[11]：

sj=■？棕ijai-？茲j

其中，？棕ij表示輸入層至隱含層的連接權(quán)，？茲j表示隱含層各單元的輸出閾值。

隱含層的輸出為bj，j=1，2…p

bj=f（sj）

輸出層的輸出Lt與隱含層的輸出bj之間的關(guān)系如下：

Lt=■vjtbj-？酌t

其中，vjt表示隱含層至輸出層的連接權(quán)值，？酌j表示輸出層各單元的輸出閾值，j=1，2…p，t=1，2…p。

2.2 總體框架

基于神經(jīng)網(wǎng)絡(luò)的水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)的故障診斷總體框架如圖7所示。診斷過程分為兩步，首先，應(yīng)對數(shù)據(jù)進行預(yù)處理，提取能表征故障征兆的特征參數(shù)，選取一定數(shù)量的樣本集對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，得到期望的診斷網(wǎng)絡(luò)；其次，根據(jù)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，對系統(tǒng)的輸入進行故障診斷，診斷過程即為利用神經(jīng)網(wǎng)絡(luò)進行前向計算的過程。

2.3 特征提取

水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)運行是一個復(fù)雜的非平穩(wěn)動態(tài)過程，易受天氣和外界環(huán)境影響，難以用確定的時間函數(shù)來描述，但其數(shù)據(jù)仍具有特定的時域和頻域特征，只是這些特征由于非平穩(wěn)運行因素的影響被淹沒在噪聲中而難以提取。由于單個或單域特征難以全面準確地刻畫出復(fù)雜水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)系統(tǒng)在不同程度、不同類型下的故障特性，因而從振動信號中提取時域、頻域、時域-頻域特征，構(gòu)建混合域故障特征集可以有效提取水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)信號中的有用信息，可較為全面地反映水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)系統(tǒng)的運行狀態(tài)。常用的特征提取參數(shù)有最大值、方根幅值、絕對均值、均方根值、方差、標準差、偏度、峭度、峰值指標、脈沖指標、峭度指標、波形指標、裕度指標、K因子[12]。根據(jù)水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)的故障模式，本研究選取了峰值、均值、方差、峭度作為特征參量。

2.4 輸入層、輸出層、隱藏層的確立

神經(jīng)網(wǎng)絡(luò)的輸入的確定，主要是對故障特征量的提取。對于特征提取，并不是特征參量選取的越多越好，主要考慮它是否與故障有比較確定的因果關(guān)系。輸入的神經(jīng)元可以根據(jù)需要求解的問題和數(shù)據(jù)表示方式確定。在故障診斷中，輸入層神經(jīng)元個數(shù)一般等于每個樣本中包含的特征值的個數(shù)。輸出層的維數(shù)可根據(jù)設(shè)計者的要求確定，在故障診斷中，如果將BP網(wǎng)絡(luò)用作分類器，類別模式一共有m個，則輸出層神經(jīng)元個數(shù)就為m。

由于隱含層的個數(shù)與待解決問題的要求、輸入/輸出單元的數(shù)目都有著直接的關(guān)系，所以對于一個神經(jīng)網(wǎng)絡(luò)的確立，隱含層的神經(jīng)元個數(shù)的確立舉足輕重。隱含層的個數(shù)選擇，目前還不存在一個理想的解析式來表示。如果隱含層單元的個數(shù)太多，則會導(dǎo)致學(xué)習(xí)時間過長、不能達到最佳誤差，也會導(dǎo)致容錯性差，不能識別以前沒有見到的樣本等問題，因此一定存在一個最佳的隱含層單元數(shù)[13]。下列3個公式可作為選擇最佳隱含層單元數(shù)時的參考公式[14]：

nim=2nin+1，，nim為隱含層神經(jīng)元數(shù)，nin是輸入層神經(jīng)元數(shù)

nim=■+a，nim為隱含層神經(jīng)元數(shù)，nin是輸入層神經(jīng)元數(shù)，n0是輸出神經(jīng)元數(shù)，a是[1，10]之間的常數(shù)。

nim=log2nin，nim為隱含層神經(jīng)元數(shù)，nin是輸入層神經(jīng)元數(shù)。

3 實例分析

取山東省某水產(chǎn)養(yǎng)殖基地的設(shè)備故障數(shù)據(jù)作為試驗樣本數(shù)據(jù)，該基地在水池布置6個傳感器用來監(jiān)測水質(zhì)信息，傳感器編號分別為S1，S2，S3，S4，S5，S6。將6個傳感器的輸出和電壓信號的4個特征參數(shù)作為網(wǎng)絡(luò)輸入，網(wǎng)絡(luò)的輸入即是一個28維的向量。數(shù)據(jù)具有不同的單位和量級，所以應(yīng)該在輸入神經(jīng)網(wǎng)絡(luò)之前進行歸一化處理。

以獲得的溶解氧信息為例，正常范圍為4～20 mg/L，表2為部分特征參數(shù)值，表3為水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)系統(tǒng)采集來的樣本數(shù)據(jù)，表4為神經(jīng)網(wǎng)絡(luò)的理想輸出。因為選取的參量具有不同的單位和量級，首先要對樣本數(shù)據(jù)做歸一化處理，然后將處理好的數(shù)據(jù)作為訓(xùn)練樣本，對BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。輸入新的故障信息，對該網(wǎng)絡(luò)進行測試，將神經(jīng)網(wǎng)絡(luò)的實際輸出與理想輸出進行對比，診斷結(jié)果表明，該網(wǎng)絡(luò)具有很高的診斷率。

4 小結(jié)

本研究提出了基于BP神經(jīng)網(wǎng)絡(luò)的水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)故障診斷模型，可獲得大量的狀態(tài)數(shù)據(jù)，不需要額外的信息傳送，通過特征提取，建立BP神經(jīng)網(wǎng)絡(luò)，挖掘故障征兆與故障之間的對應(yīng)關(guān)系，很好地解決了傳統(tǒng)故障診斷方式被動發(fā)現(xiàn)故障，且故障癥狀與故障無法對應(yīng)，故障知識難以獲取等問題。該方法診斷效率和精度較高，是一種有效的故障診斷途徑。

參考文獻：

[1] 陳羽翀.水產(chǎn)物聯(lián)網(wǎng)：“未來”的養(yǎng)殖管家[J].海洋與漁業(yè)（上半月），2013（2）：90-92.

[2] 李 慧，劉星橋，李 景，等.基于物聯(lián)網(wǎng)Android平臺的水產(chǎn)養(yǎng)殖遠程監(jiān)控系統(tǒng)[J].農(nóng)業(yè)工程學(xué)報，2013，29（13）：175-181.

[3] 顏 波，石 平，黃廣文.基于RFID和EPC物聯(lián)網(wǎng)的水產(chǎn)品供應(yīng)鏈可追溯平臺開發(fā)[J].農(nóng)業(yè)工程學(xué)報，2013，29（15）：172-183.

[4] 高亮亮，李道亮，梁 勇，等.水產(chǎn)養(yǎng)殖監(jiān)管物聯(lián)網(wǎng)應(yīng)用系統(tǒng)建設(shè)與管理研究[J].山東農(nóng)業(yè)科學(xué)，2013，45（8）：1-4.endprint

[5] MOUSTAPHA A I，SELMIC R R.Wireless sensor network modeling using modified recurrent neural networks：Application to fault detection[J]. IEEE Transactions on Instrumentation and Measurement，2008，57（5）：981-988.

[6] 張榮標，白 斌，李克偉，等.基于時空雙序列分析的溫室WSN故障診斷[J].農(nóng)業(yè)機械學(xué)報，2009（2）：155-158.

[7] CHESSA S，SANTI P.Comparison-based system-level fault diagnosis in ad hoc networks[J]. Proc 20th SRDS， 2001（1）：257-266.

[8] 張 劼，景 博，張宗麟，等.無線傳感器網(wǎng)絡(luò)中基于比較的簇節(jié)點故障診斷算法[J].傳感技術(shù)學(xué)報，2007，20（8）：1860-1864.

[9] ROST S，BALAKRISHNAN H. Memento：A health monitoring system for wireless sensor networks[J].Secon，2006，2：575-584.

[10] SMART M G，F(xiàn)RISWELL M I，LEES A W.Estimating turbogenerator foundation parameters：Model selection and regularization[J].Proceedings of the Royal Society of London.Series A：Mathematical，Physical and Engineering Sciences，2000， 456：1583-1607.

[11] 譚 潔.基于神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的車站信號控制電路故障診斷方法研究[D].蘭州：蘭州交通大學(xué)，2011.

[12] 楊慧斌.滾動軸承故障診斷中的特征提取與選擇方法[D].長沙：湖南工業(yè)大學(xué)，2011.

[13] 曹宏麗.專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)在道岔控制電路故障診斷中的應(yīng)用[J].黑龍江科技信息，2010（1）：62.

[14] 王禮軍.模糊神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)在故障診斷中的應(yīng)用[J].重慶交通大學(xué)學(xué)報（自然科學(xué)版），2012，31（3）：469-473.endprint