基于PCA神經(jīng)網(wǎng)絡(luò)和D-S決策的瓦斯傳感器故障辨識

黃 丹，徐平安，王其軍,2，任玉東，嚴(yán) 彬

(1.安徽理工大學(xué)電氣與信息工程學(xué)院，安徽淮南 232001；2.淮南職業(yè)技術(shù)學(xué)院，安徽淮南 232001)

?

基于PCA神經(jīng)網(wǎng)絡(luò)和D-S決策的瓦斯傳感器故障辨識

黃 丹1，徐平安1，王其軍1,2，任玉東1，嚴(yán) 彬1

(1.安徽理工大學(xué)電氣與信息工程學(xué)院，安徽淮南 232001；2.淮南職業(yè)技術(shù)學(xué)院，安徽淮南 232001)

針對瓦斯傳感器故障診斷時(shí)，存在提取的樣本數(shù)據(jù)空間維數(shù)大、診斷實(shí)時(shí)性差、診斷結(jié)論的識別能力低和存在不確定性的問題，提出了一種基于主元分析(PCA)-神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論集成的故障診斷策略。使用主元分析方法對高維故障樣本空間數(shù)據(jù)進(jìn)行降維，再結(jié)合神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行故障模式識別。并且運(yùn)用DS證據(jù)理論對神經(jīng)網(wǎng)絡(luò)分類器的故障診斷結(jié)果進(jìn)行數(shù)據(jù)融合。仿真實(shí)驗(yàn)表明：該診斷方法改善了神經(jīng)網(wǎng)絡(luò)對瓦斯傳感器故障診斷準(zhǔn)確率的同時(shí)提高了診斷速度，并且降低了故障結(jié)論的不確定性以及提高了結(jié)論的識別與決策能力。

瓦斯傳感器；故障診斷；主成分分析；神經(jīng)網(wǎng)絡(luò)；DS證據(jù)理論

0 引言

瓦斯氣體濃度的監(jiān)測是煤礦安全監(jiān)測的重要指標(biāo)之一。瓦斯傳感器也就成了煤礦安全的重要儀器。目前我國煤礦井下大都使用帶有載體催化元件的瓦斯傳感器。但由于井下環(huán)境惡劣，導(dǎo)致瓦斯傳感器的卡死故障、沖擊故障、漂移故障、周期故障等常見故障頻發(fā)。因此研究瓦斯傳感器的故障診斷方法，對提高煤礦安全監(jiān)測系統(tǒng)的可靠性有著極其重要的作用[1]。

目前在煤礦安全監(jiān)測系統(tǒng)中常采用的診斷方法有粗糙集與證據(jù)理論的結(jié)合，粗糙集與神經(jīng)網(wǎng)絡(luò)的結(jié)合等。其中粗糙集在原始故障數(shù)據(jù)的預(yù)處理方面已經(jīng)得到很好的運(yùn)用，它在處理冗余數(shù)據(jù)有其長處，而不足之處在于對噪聲的敏感。神經(jīng)網(wǎng)絡(luò)主要優(yōu)勢在于對噪聲數(shù)據(jù)不敏感，不足之處在于存在訓(xùn)練時(shí)間過長、實(shí)時(shí)性差、過擬合、輸出結(jié)論的不確定性等問題。D-S證據(jù)理論則可以降低不確定性,可以彌補(bǔ)神經(jīng)網(wǎng)絡(luò)輸出的不穩(wěn)定性，但D-S證據(jù)理論要求每個(gè)證據(jù)都是相互獨(dú)立的，并且由于其計(jì)算量大容易引起組合爆炸的問題[2-3]。據(jù)此，針對瓦斯傳感器的故障診斷，提出了一種基于主元分析(PCA)——神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論集成的故障融合診斷策略。該策略首先針對故障數(shù)據(jù)空間維數(shù)大的問題，利用PCA對故障數(shù)據(jù)進(jìn)行降維。然后將降維后的數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)，以此簡化了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，達(dá)到實(shí)時(shí)診斷的目的。神經(jīng)網(wǎng)絡(luò)選用的是概率神經(jīng)網(wǎng)絡(luò)，并與BP神經(jīng)網(wǎng)絡(luò)作了對比仿真實(shí)驗(yàn)。針對單一故障診斷方法存在準(zhǔn)確性和可靠性不高，甚至可能還會出現(xiàn)誤診的情況，利用了D-S證據(jù)理論將經(jīng)過PCA處理的概率神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的故障診斷結(jié)果進(jìn)行融合，進(jìn)而獲得最終可靠的診斷結(jié)果,避免誤診的現(xiàn)象。故障診斷模型如圖1所示。

圖1 故障診斷模型

1 故障診斷策略

1.1 主成分分析和神經(jīng)網(wǎng)絡(luò)

主成分分析方法(PCA)可對高維故障樣本空間數(shù)據(jù)進(jìn)行降維，將得到的低維故障數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行故障模式識別。從而建立主成分分析和神經(jīng)網(wǎng)絡(luò)的結(jié)合。結(jié)合主成分分析，分別用概率神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)對瓦斯傳感器的故障進(jìn)行診斷，并且對二者的診斷效果做了對比研究。

1.1.1 主成分分析原理

主成分分析(Principle Component Analysis)[4]概念首先由Karl pearson在1901年引進(jìn),Hotelling在1933年對這個(gè)概念進(jìn)行補(bǔ)充，將此概念由非隨機(jī)向量推廣到隨機(jī)向量。它是最為常用的特征提取方法，通過對原始數(shù)據(jù)的加工處理，剔除冗余信息，簡化問題處理的難度以改善對外界干擾的抵抗力。

在實(shí)際問題中會經(jīng)常遇到需要研究多變量的情況，這會使得分析問題的復(fù)雜程度增加，因?yàn)樽兞枯^多時(shí)變量之間存在一定相關(guān)性。主成分分析就是重新組合原來具有一定相關(guān)性的眾多變量，使其組成一組新的相互無關(guān)的綜合變量來代替原來變量，并且按重要度從大到小排列。如果將選取的第一個(gè)線性組合即第一個(gè)綜合變量記為X1，那么X1的方差Var(X1)越大，表示X1包含的信息越多。X1即為第一主成分，因?yàn)樵谒械木€性組合中所選取的X1是方差最大的。再考慮選取第二個(gè)線性組合X2，前提是第一個(gè)主成分不足以代表原來N個(gè)變量的信息，并且X1已有的信息不能出現(xiàn)在X2中，即數(shù)學(xué)表達(dá)式為Cov(X1，X2)=0 ，依此類推可以構(gòu)造出第3，4，…，第N個(gè)主成分。由前所述易知主成分之間的方差是依次遞減的，并且它們也都是不相關(guān)的。因此在實(shí)際的具體問題中可以挑選前幾個(gè)最大主成分，這樣有利于問題的分析和處理。

1.1.2 主成分分析計(jì)算步驟

設(shè)x=(x1,x2,……,xn)T為n維隨機(jī)向量,則PCA具體求解步驟如下所示[5]：

(1) 將由具體的實(shí)際對象中所獲得的數(shù)據(jù)組成樣本矩陣X每一列為一個(gè)觀察樣本x,每一行代表一維數(shù)據(jù)。求解樣本的協(xié)方差矩陣W；

(2) 計(jì)算協(xié)方差矩陣W的特征向量ui及相應(yīng)特征值λi,其中i= 1 ,2 ,…,n；

(3)按照下式計(jì)算前m個(gè)主元的累積貢獻(xiàn)率η(m),并按由大到小的順序排列特征值。

累積貢獻(xiàn)率用于衡量新生成分量對原始數(shù)據(jù)的信息代表度。當(dāng)前m個(gè)主成分大于85%時(shí)即可將前m個(gè)主成分作為樣本特征；

(4) 取前m個(gè)較大特征值對應(yīng)的特征向量構(gòu)成變換矩陣AT：

AT= (u1,u2,…,um)，m

(5) 通過Y=AX計(jì)算前m個(gè)主成分,達(dá)到降低維數(shù)的目的。

1.1.3 概率神經(jīng)網(wǎng)絡(luò)

概率神經(jīng)網(wǎng)絡(luò)(PNN),是D.F.Specht博士首先提出的。它是基于Parzen窗的概率密度函數(shù)估計(jì)方法與Bayes分類發(fā)展而來的并行算法。PNN是一類結(jié)構(gòu)簡單、訓(xùn)練簡潔、應(yīng)用廣泛的人工神經(jīng)網(wǎng)絡(luò)。在解決分類問題的實(shí)際應(yīng)用中，PNN的優(yōu)勢在于用線性的學(xué)習(xí)算法來完成非線性學(xué)習(xí)算法所做的工作，同時(shí)保持非線性算法的高精度等特性[6]。

概率神經(jīng)網(wǎng)路屬于前饋型神經(jīng)網(wǎng)絡(luò)，它是由徑向基函數(shù)網(wǎng)絡(luò)發(fā)展而來。Spread為徑向基函數(shù)的擴(kuò)展系數(shù)，Spread值越大其輸出結(jié)果越光滑，但過大也會導(dǎo)致數(shù)值計(jì)算上的困難。在概率神經(jīng)網(wǎng)絡(luò)分類時(shí)，當(dāng)Spread值較大時(shí)它構(gòu)成訓(xùn)練樣本的臨近分類器，而當(dāng)Spread值過小時(shí)它則構(gòu)成了最鄰分類器。PNN的層次模型總共有4層即由輸入層、模式層、求和層以及輸出層構(gòu)成。其基本結(jié)構(gòu)如圖2所示。輸入層將輸入樣本的特征向量傳遞給模式層的各個(gè)神經(jīng)元，輸入層神經(jīng)元個(gè)數(shù)與輸入樣本矢量的維數(shù)相等。模式層神經(jīng)元總數(shù)等于參加樣本訓(xùn)練的樣本數(shù)，它將輸入層傳遞來的特征向量進(jìn)行疊加計(jì)算，并通過非線性函數(shù)轉(zhuǎn)化后輸出給求和層。求和層則只是將屬于某類的概率進(jìn)行累計(jì)。輸出層從求和層輸出的結(jié)果中選擇最大的，其對應(yīng)的狀態(tài)模式即為分類結(jié)果。

圖2 概率神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

1.1.4 BP神經(jīng)網(wǎng)絡(luò)

目前在神經(jīng)網(wǎng)絡(luò)中BP神經(jīng)網(wǎng)絡(luò)已被廣泛用，其結(jié)構(gòu)一般由輸入層，隱含層，輸出層組成[7]。BP神經(jīng)網(wǎng)絡(luò)是多層前饋型神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)算法由正向傳播和反向傳播組成，其中反向傳播時(shí)權(quán)值按Delta學(xué)習(xí)規(guī)則進(jìn)行調(diào)整。在前向傳遞中依次按式(1)計(jì)算各層的輸入輸出直到輸出層。

y=f(wi)

(1)

式中：wi為某一層第i個(gè)節(jié)點(diǎn)的激活值;θj為閾值;xj為輸入信號;wij為第i節(jié)點(diǎn)與第j節(jié)點(diǎn)的連接權(quán)系數(shù)；yi為某一層第i個(gè)節(jié)點(diǎn)的輸出值。

反向傳播則是根據(jù)期望與實(shí)際輸出之間的誤差調(diào)整權(quán)值和閾值[8]。權(quán)值的調(diào)整公式見式(2)：

(2)

式中：E為神經(jīng)網(wǎng)絡(luò)期望輸出與實(shí)際輸出的誤差;η為學(xué)習(xí)速率。

1.2 D-S證據(jù)理論

1.2.1 D-S證據(jù)理論的合成規(guī)則

D-S證據(jù)理論的基本概念由基本概率分配函數(shù)M(A)，信任函數(shù)Bel(A)以及似然函數(shù)PI(A)構(gòu)成[9]。D-S合成規(guī)則是在給定幾個(gè)同一識別框架上的基于不同證據(jù)的概率分配函數(shù)，如果這幾組證據(jù)不是完全沖突，那么就可以利用該合成規(guī)則計(jì)算出一個(gè)概率分配函數(shù)，這個(gè)概率分配函數(shù)就可以作為這幾組證據(jù)的聯(lián)合作用下產(chǎn)生的概率分配函數(shù)。D-S合成規(guī)則是一個(gè)反應(yīng)證據(jù)聯(lián)合作用的規(guī)則。其合成公式如式(3)所示：

(3)

式中：Mi(Ai)為同一識別框架U上的概率分配函數(shù)；Ai為焦元,即若A?U且m(A)>0，則稱A為焦元；K為標(biāo)準(zhǔn)化因子，若K≠0上式有意義，存在合成后的概率分配函數(shù)，若K=0則上式無意義，原先的概率分配函數(shù)之間矛盾[10]。

1.2.2 D-S證據(jù)理論的診斷決策

計(jì)算得到每一個(gè)診斷命題和不確定性的概率分配函數(shù)，就可以由以下規(guī)則得到診斷結(jié)論[11]。

規(guī)則1：判斷的故障類型應(yīng)具有最大的概率數(shù)，并要大于某一閾值a,這里a取0.5。

規(guī)則2：判斷的故障類型與其他類型的概率數(shù)之差要大于某個(gè)門限b，這里b取0.2。

規(guī)則3：不確定故障概率數(shù)要小于某個(gè)門限c，這里c取0.2。

規(guī)則4：判斷的故障類型概率數(shù)要大于不確定性函數(shù)值。

1.2.3 D-S證據(jù)理論的融合診斷模型

單一的故障診斷方法存在缺陷，往往會影響診斷結(jié)論的準(zhǔn)確性和可靠性。針對瓦斯傳感器的故障診斷，提出基于主成分分析(PCA)-神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論集成的故障融合診斷模型。利用了經(jīng)過PCA處理后的概率神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)對瓦斯傳感器進(jìn)行故障診斷，以及為了作對比分析將未經(jīng)過PCA處理的概率神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)也同時(shí)對瓦斯傳感器進(jìn)行診斷，即采取的是多種故障診斷方法共同診斷的策略。然后利用D-S證據(jù)理論對這4組故障結(jié)論進(jìn)行融合，最后根據(jù)診斷決策得出最終的故障診斷結(jié)果。

2 仿真研究

2.1 故障樣本獲取

選取的故障樣本數(shù)據(jù)來源于KG9017A低濃度甲烷傳感器在4種故障(卡死故障、沖擊故障、漂移故障、周期故障)和無故障的狀態(tài)下反復(fù)進(jìn)行實(shí)驗(yàn)所獲取的瓦斯?jié)舛戎?。共記錄?00組數(shù)據(jù)，5種狀態(tài)下記錄的數(shù)據(jù)各占40組，每組12個(gè)數(shù)據(jù)。

2.2 PCA特征降維

考慮到主成分分析是對有一定相關(guān)性的變量重新進(jìn)行線性組合和降維，并且各個(gè)故障狀態(tài)下的數(shù)據(jù)顯然具有一定的相關(guān)性，故利用PCA對5種數(shù)據(jù)分別進(jìn)行降維以此來提高診斷的實(shí)時(shí)性。下面首先利用前面介紹的主成分分析計(jì)算方法對沖擊故障數(shù)據(jù)進(jìn)行降維。沖擊故障數(shù)據(jù)的主成分比例分布圖如圖3所示，圖形靠上方的曲線為累加線，是每個(gè)主成分累加后所占信息的比例線。由累加線可知前8個(gè)主成分所代表的信息已大于85%，故只需提取前8個(gè)主成分，即每組減少為8個(gè)數(shù)據(jù)作為故障樣本即可。從而神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元由12個(gè)降為8個(gè)。例如選取在瓦斯傳感器沖擊故障下所得到的部分瓦斯?jié)舛葦?shù)據(jù)如表1所示，經(jīng)過PCA降維后的數(shù)據(jù)如表2所示。

表1 選取3組沖擊故障數(shù)據(jù) %

表2 PCA降維后3組沖擊故障數(shù)據(jù)

同理考慮到所提取的主成分，信息總和要大于85%以及神經(jīng)網(wǎng)絡(luò)輸入層的個(gè)數(shù)的統(tǒng)一性，對剩下的4種狀態(tài)(卡死故障，漂移故障，周期故障，正常)分別提取前8個(gè)主成分，即每組減少為8個(gè)數(shù)據(jù)作為新的故障樣本數(shù)據(jù)，達(dá)到降維目的。并將降維后每種故障樣本的40組數(shù)據(jù)，前30組作為故障樣本訓(xùn)練數(shù)據(jù)，剩下的10組作為故障樣本測試數(shù)據(jù)。

圖3 沖擊故障的主成分比例分布圖

2.3 利用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷

先利用瓦斯傳感器4種故障和無故障下的200組原始數(shù)據(jù)分別設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)分類器和概率神經(jīng)網(wǎng)絡(luò)分類器。每種故障樣本為40組數(shù)據(jù)，每組12個(gè)數(shù)據(jù)，前30組用于訓(xùn)練，剩下的10組用于測試。神經(jīng)網(wǎng)絡(luò)的輸入層用于接收故障樣本每組12數(shù)據(jù)，故概率神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個(gè)數(shù)為12個(gè)，輸出層神經(jīng)元個(gè)數(shù)都為5個(gè)，分別對應(yīng)卡死故障、沖擊故障、漂移故障、周期故障和正常5種狀態(tài)。對于BP神經(jīng)網(wǎng)絡(luò)采用3層結(jié)構(gòu)即輸入層、隱含層、輸出層。隱含層采用的激發(fā)函數(shù)為Sigmoid函數(shù)。而對于概率神經(jīng)網(wǎng)絡(luò)采用輸入層、模式層、求和層以及輸出層4層結(jié)構(gòu)。其中輸出層的激發(fā)函數(shù)改為purelinear函數(shù)，這是為了概率神經(jīng)網(wǎng)絡(luò)輸出結(jié)果最終可以作為D-S證據(jù)理論的基本概率分配函數(shù)作鋪墊。

然后用經(jīng)過PCA降維后的200組故障樣本數(shù)據(jù)再分別設(shè)計(jì)1個(gè)概率神經(jīng)網(wǎng)絡(luò)分類器和BP神經(jīng)網(wǎng)絡(luò)分類器，即每種故障樣本為40組數(shù)據(jù)，每組已降維到8個(gè)數(shù)據(jù)，前30組用于訓(xùn)練，剩下的10組用于測試。以此來驗(yàn)證PCA的作用。概率神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)除輸入層神經(jīng)元個(gè)數(shù)為8個(gè)，其余同上。神經(jīng)網(wǎng)絡(luò)分類器診斷結(jié)果對比分析如表3所示。

表3 診斷結(jié)果比較

從表3中可知，利用PCA對各個(gè)故障樣本數(shù)據(jù)進(jìn)行降維處理后，神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)從12個(gè)減少為8個(gè)，概率神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的收斂時(shí)間均有不同程度的降低，從而故障診斷速度得以提高。并且由于PCA具有對原始故障信息進(jìn)行加工處理，剔除冗余信息，以改善對外界干擾的抵抗力的作用，故概率神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)降維后的故障診斷正確率均有不同程度的提高。另外概率神經(jīng)網(wǎng)絡(luò)的總體收斂時(shí)間要少于BP神經(jīng)網(wǎng)絡(luò)。

2.4 在診斷結(jié)論中運(yùn)用D-S證據(jù)理論

將瓦斯傳感器的5種狀態(tài)即沖擊故障、卡死故障、漂移故障、周期故障以及正常狀態(tài)分別記為F1、F2、F3、F4和F5，且每個(gè)故障樣本只屬于這5種故障模式并且為單一故障，由此建立目標(biāo)識別框架U={F1、F2、F3、F4、F5}。

BP神經(jīng)網(wǎng)絡(luò)分類器的輸出數(shù)據(jù)不能直接作為D-S證據(jù)理論的概率分配函數(shù)必須進(jìn)行歸一化轉(zhuǎn)換即

經(jīng)轉(zhuǎn)化后便可得到所需的概率分配函數(shù)值。

對于概率神經(jīng)網(wǎng)絡(luò)而言，將其輸出層的競爭神經(jīng)元的激發(fā)函數(shù)改為purelinear，則輸出為測試樣本屬于不同故障模式的后驗(yàn)概率，對這組后驗(yàn)概率進(jìn)行歸一化得到的結(jié)果即可做為概率分配函數(shù)值。

瓦斯傳感器常見故障類型總共5類(包括正常狀態(tài))，從原始的故障數(shù)據(jù)中選取30個(gè)樣本訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)分類器1和PNN神經(jīng)網(wǎng)絡(luò)分類器1，再將這30個(gè)故障樣本經(jīng)PCA降維后訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)分類器2和PNN神經(jīng)網(wǎng)絡(luò)分類器2。當(dāng)瓦斯傳感器發(fā)生卡死故障時(shí)，對故障傳感器反復(fù)進(jìn)行多組實(shí)驗(yàn)獲取測量數(shù)據(jù)，將測量數(shù)據(jù)輸入到訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)分類器1和PNN神經(jīng)網(wǎng)絡(luò)分類器1，進(jìn)行故障識別。再將降維后的測量數(shù)據(jù)輸入到訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)分類器2和PNN神經(jīng)網(wǎng)絡(luò)分類器2，同樣進(jìn)行故障的識別。這樣便可同時(shí)得出4組故障診斷結(jié)論。表4為測量數(shù)據(jù)中的一組故障數(shù)據(jù)對應(yīng)的4種神經(jīng)網(wǎng)絡(luò)分類器的診斷結(jié)果，經(jīng)歸一轉(zhuǎn)化后所得到的概率分配函數(shù)值如表5所示。利用D-S證據(jù)理論的合成公式進(jìn)行數(shù)據(jù)融合如表6所示。

表4 神經(jīng)網(wǎng)絡(luò)分類器的實(shí)際輸出數(shù)據(jù)

表5 概率分配函數(shù)值

表6 利用證據(jù)理論合成公式進(jìn)行數(shù)據(jù)融合

表4中雖然大部分神經(jīng)網(wǎng)絡(luò)分類器故障診斷的結(jié)論為卡死故障，但結(jié)論的區(qū)分性不高。例如降維后的BP神經(jīng)網(wǎng)絡(luò)輸出值中卡死故障與正常狀態(tài)對應(yīng)的輸出值比較接近，并且BP神經(jīng)網(wǎng)絡(luò)分類器還出現(xiàn)了誤判的情況，即將卡死故障誤診斷為漂移故障。表5是將各神經(jīng)網(wǎng)絡(luò)輸出值經(jīng)歸一化處理得到的基本概率分配值，由于表4中神經(jīng)網(wǎng)絡(luò)分類器的輸出值之間區(qū)分性不好、可靠性不高導(dǎo)致表5的各神經(jīng)網(wǎng)絡(luò)分類器的概率分配值基本偏低即可信度不高，利用D-S證據(jù)理論診斷決策無法作出故障診斷，故利用證據(jù)理論合成公式進(jìn)行數(shù)據(jù)融合得到表6。由診斷決策可知表6最終的融合結(jié)果為卡死故障，并且表6融合后的不確定性與表5各神經(jīng)網(wǎng)絡(luò)的不確定性相比也大為降低。D-S證據(jù)理論的融合診斷方法解決了單一故障診斷方法存在誤判的問題，給出了正確的故障診斷結(jié)論，將其運(yùn)用于瓦斯傳感器的故障診斷是可行的。

3 結(jié)論

針對故障樣本空間維數(shù)大、診斷實(shí)時(shí)性差的問題，提出了主成分分析法(PCA)，對瓦斯傳感器故障樣本數(shù)據(jù)進(jìn)行降維預(yù)處理。仿真結(jié)果表明：運(yùn)用主成分分析方法實(shí)現(xiàn)了對故障樣本空間的降維，在保留原始故障數(shù)據(jù)主要信息、改善神經(jīng)網(wǎng)絡(luò)故障識別率的同時(shí)，簡化了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，提高了故障診斷速度。

由于故障診斷結(jié)論的識別能力低以及結(jié)論的不確定性問題，在利用主成分分析對神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)進(jìn)行預(yù)處理的同時(shí)，對神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果運(yùn)用D-S證據(jù)理論，降低了輸出結(jié)果的不確定性并提高了輸出結(jié)果的識別與決策能力。

[1] 黃凱峰，劉澤功，王其軍，等.基于ASGSO-SVR模型的瓦斯傳感器故障診斷.煤炭學(xué)報(bào)，王其軍，2013(S2)：518-523.

[2] 高婷.數(shù)據(jù)挖掘和信息融合在煤礦安全監(jiān)測系統(tǒng)中的研究：[學(xué)位論文].阜新:遼寧工程技術(shù)大學(xué),2008.

[3] 胡雅馨.基于粗糙集與證據(jù)理論的瓦斯傳感器故障診斷技術(shù)的研究：[學(xué)位論文].阜新:遼寧工程技術(shù)大學(xué),2009.

[4] 苑津莎，尚海昆.基于主成分分析和概率神經(jīng)網(wǎng)絡(luò)的變壓器局部放電模式識別.電力自動化設(shè)備，2013，33(6):27-30.

[5] 唐宏賓，吳運(yùn)新，滑廣軍，等.基于PCA和BP網(wǎng)絡(luò)的液壓油缸內(nèi)泄漏故障診斷.中南大學(xué)學(xué)報(bào)(自然科學(xué)版)，2011，42(12):3709-3713.

[6] 王桂英，張世軍，潘思堯，等.基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法研究.計(jì)算機(jī)測量與控制，2012，20(7):1760-1762.

[7] 張學(xué)軍.基于BP神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論的火災(zāi)報(bào)警系統(tǒng).儀表技術(shù)與傳感器，2011(1):104-105.

[8] 高峰，肖麗.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的SRM 間接位置檢測技術(shù).儀表技術(shù)與傳感器，2012(9):54-56.

[9] 田海雷，李洪儒，許葆華.基于D-S證據(jù)理論和支持向量機(jī)的液壓泵故障診斷技術(shù).儀表技術(shù)與傳感器，2013(5):81-83.

[10] 陳淑娟.基于DS證據(jù)理論的多傳感器數(shù)據(jù)融合危險(xiǎn)預(yù)警系統(tǒng)：[學(xué)位論文].北京:北京化工大學(xué),2010.

[11] 王其軍.瓦斯監(jiān)測系統(tǒng)故障智能診斷技術(shù)研究：[學(xué)位論文].青島:山東科技大學(xué),2007.

Fault Identification for Gas Sensor Based on PCA-neuralNetwork and D-S Evidence Theory

HUANG Dan1,XU Ping-an1,WANG Qi-jun1,2,REN Yu-dong1,YAN Bin1

(1.School of Electric and Information Engineering ,Anhui University of Science and Technology,Huainan 232001,China；2.Huainan Vocational Technical College,Huainan 232001,China)

For the problems existing in the gas sensor fault diagnosis such as the large space dimension of the sample data,weak real-time of fault diagnosis,poor identification ability of the diagnosis result and the uncertainty,fault diagnosis strategy was proposed based on principal component analysis (PCA) neural network and D-S evidence theory.The principal component analysis(PCA) was used to reduce the high dimension of the fault sample space data,combining the neural network classifiers to identify the fault mode,and the DS evidence theory was used for data fusion in the fault diagnosis results of the neural network classifiers.The simulation results show that the accuracy rate can be improved and the diagnosis speed can be increased by the use of the method.Furthermore,the uncertainty of fault conclusion can be reduced and the ability of the conclusion recognition and decision-making can be improved.

gas sensor;fault diagnosis;principal component analysis;neural network;DS evidence theory

國家自然科學(xué)基金青年科學(xué)基金項(xiàng)目(51304007)

2014-07-07 收修改稿日期：2014-10-05

TP212

A

1002-1841(2015)03-0099-05

黃丹(1986—)，碩士研究生，主研方向：煤礦安全監(jiān)測、人工智能與故障診斷。E-mail:94609498@qq.com 徐平安(1989—)，碩士研究生，主研方向：智能信號處理。 E-mail: xupingan11@ 163.com