针对瓦斯传感器常见突发型故障,提出一种基于主元分析(PCA)和权重提升(WB)算法训练人工神经网络集成的瓦斯传感器故障诊断方法。利用PCA方法提取故障特征,得到的特征向量作为神经网络的训练样本;利用WB算法依次训练多个神经网络分类器;由集成神经网络得到待测样本的故障诊断结果。仿真实验表明:该方法对测试样本的识别正确率在98.5%以上,能够显著提高瓦斯传感器故障诊断的诊断精度和泛化能力。 于主元分析和集成神经网络的瓦斯传感器故障诊断前6个主元的累计贡献度达到91．26%，由此可以认为原始数据的绝大部分信息可以由这6个主元表示，从而得到维数为6的故障特征向量。00.20.40.60.81.0贡献度12345678910维数图1主元贡献度和累计贡献度将提取到的故障特征向量送入集成神经网络，按1．2节所述步骤训练，本实验中采用单隐含层BP神经网络传感器故障诊断-数控滚圆机电动滚圆机滚弧机价格低液压滚圆机多少钱，输入信号为6位故障特征向量，目标输出采用3位二进制编码，如表1所示，隐含层节点数由l=2n－1确定，其中，n为输入层节点数，最终的网络结构为6—11—3;隐含层和输出层的激活函数分别采用logsig函数f(x)=11+e－x和Purelinear函数f(x)=x;训练算法采用速度较快的Trainrp(弹性梯度下降)算法，每个BP神经网络训练100次，最大BP神经网络个数K=20。表1故障模式编码Tab1Cs故障模式故障编码正常状态000卡死故障100冲击故障101漂移故障110周期故障111训练结束后，将测试样本的特征向量送入各个神经网络，按照各神经网络的投票权，对其输出结果加权投票，各个神经网络累计投票值最大的故障模式即为最终的诊断结果。3测试结果分析以冲击故障为例，本文由张家港市泰宇机械有限公司张家港大棚滚圆机采集网络资源整理!http://www.dapenggunyuanji.com/  由各个BP神经网络识别后累计的加权投票结果如表2所示。观察表2可以发现，经过训练后表2神经网络投票结果T故障模式投票结果正常状态(000)0．0135卡死故障(100)0．0521传感器故障诊断-数控滚圆机电动滚圆机滚弧机价格低液压滚圆机多少钱冲击故障(101)0．8338漂移故障(110)0．0517周期故障(111)0．0489的BP神经网络在诊断待测样本时，并不能都得到正确结果，然而经过加权投票后却能得到正确结果，这表明集成的方法可以有效提高BP神经?都得到正确结果，然而经过加权投票后却能得到正确结果，这表明集成的方法可以有效提高BP神经网络的诊断准确率。图2为最大BP神经网络个数K对ANNE诊断精度的影响，如图2所示，当K=12时，训练误差为0，此时测试误差降到1．5%，已具备良好的诊断精度。此外，随着集成的网络个数不断增加，在训练误差降到0后，测试误差仍可以继续降低，这表明ANNE可以有效避免过拟合现象，提高了BP神经网络的泛化能力。故障诊断误差率/%神经网络个数测试误差训练误差图2ANNE诊断误差本实验采用在瓦斯传感器故障诊断中常用的ＲBF神经网络、概率神经网络)以及传统BP神经网络与集成BP神经网络对比，其结果如表3所示。在未对神经网络的结构、参数和训练算法优化调整的情况下，PNN和ＲBF均无法取得良好的效果，而同样未经参数调整的BP神经网络，通过WB算法集成后，则可以自适应的提高诊断准确率和泛化能力。集成方法的唯一不足之处在于，由于集成了多个神经网络，算法的训练时间较长，但在实际应用时，利用历史数据训练诊断系统可以在离线条件下进行。ANNE方法的测试时间尽管稍长于其他方法，却仍可以满足在线监测的需求，因此，ANNE方法的时效性并不影响该方法的实际应用。表3ANNE与其他方法性能对比断方法训练准确率/%测试准确率/%训练时间/s测试时间/sBP神经网络79．577．520．30．05概率神经网络93．085．514．30．04ＲBF神经网络91．583．512．70．10集成神经网络100．098．557．30．084结论本文提出了基于PCA和ANNE的瓦斯传感器故障诊断方法，首先利用PCA传感器故障诊断-数控滚圆机电动滚圆机滚弧机价格低液压滚圆机多少钱本文由张家港市泰宇机械有限公司张家港大棚滚圆机采集网络资源整理!http://www.dapenggunyuanji.com/