APP下载

基于神经网络的水产养殖物联网故障诊断系统研究

2015-10-09潘彩霞等

湖北农业科学 2015年17期
关键词:故障诊断神经网络

潘彩霞等

摘要:针对当前水产养殖物联网存在的故障发生的非线性特点及故障发生易受多种因素影响等问题,提出了一种基于神经网络的故障诊断模型,在该模型构建过程中,首先对水产养殖物联网领域常见的故障类型进行分析,归纳总结了故障模式种类,并制定了故障诊断的评价指标,然后采用神经网络原理构建了水产养殖物联网故障诊断系统。结果表明,该故障诊断系统不但可降低通信负担,而且具有较高的诊断率,能够很好地应用在水产养殖物联网的故障诊断系统中。

关键词:神经网络;水产养殖物联网;故障诊断

中图分类号:TP2 文献标识码:A 文章编号: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

当前水产养殖物联网的信息化、自动化和智能化技术有效地解决了传统粗放式养殖的弊端,实现了水产养殖过程中的信息实时监测、智能决策、自动控制等功能,提高了养殖的质量和效率[1-4]。随着水产养殖自动化程度的提高,智能控制设备的数量也不断增多,因此出现了设备故障频现的问题。故障诊断一直是国内外的研究热点,但在我国的水产物联网领域关于故障诊断的研究还比较欠缺。

目前关于故障诊断的方法研究内容主要包括对节点和网络的诊断,有神经网络法、模型法、相关法、故障树法等。例如,Moustapha等[5]利用神经网络在非线性系统建模和识别上的优越性,建立传感器节点通信数学模型,设定合理的阈值,当实际输出与神经网络输出差值大于某一设定的阈值时,传感器节点发出故障警告信号;张荣标等[6]通过对采集的无线传感器网络实时数据进行预处理,建立时间和空间故障诊断数学模型,当时间序列故障诊断模型发现异常时,再用空间序列故障诊断模型确定故障。除此之外,Chessa等[7]首次提出了一种基于无线传感器网络故障诊断的算法,但存在重复诊断的问题;张劼等[8]对上述算法进行改进,提出了基于比较的簇节点故障诊断算法,簇头节点具有对簇内节点的控制和诊断的权限,该方法解决了网络节点的重复诊断问题,适用规模较大、分簇较多的网络;Rost等[9]提出了一种由传感节点到簇头节点再到汇聚节点的分层故障检测机制,利用父节点对子节点信息的融合和传送,进行逐级处理,可用于大规模分层网络,但因每层都要进行信息处理,能耗太大。

虽然上述研究提出了各种不同的故障诊断解决方案,但由于水产养殖物联网领域存在采集的数据受天气或环境的影响较大,故障模型构建困难等问题导致这些方法不能适用。在水产养殖物联网中,水质传感器是固定安装在具体区域,并不能对网络进行自修复;而在实际应用中,考虑到成本问题,传感器并非大量随机部署,往往是将有限的传感器节点布置在固定区域。因此,本研究采用神经网络的方法,构造了一个具有自学习能力的故障诊断系统,该系统可以从历史故障信息中学习,而且在有噪声情况下有效工作,且具有分辨故障原因及类型的能力,可以很好地应用于水产养殖物联网的故障诊断中。

1 水产养殖物联网的故障分析

1.1 水产养殖物联网的故障类型

根据发生故障的部位,将水产养殖物联网常见的故障分为6个模块,分别为传感器故障模块、采集器故障模块、控制设备故障模块、电源故障模块、通讯故障模块、软件故障模块(表1)。

1.2 水产养殖物联网故障模式

通过对水产养殖物联网故障特点的研究,一般情况下,水产物联网故障模式主要有5种,主要表现在其采集值的变化上,即采集值缺测、采集值为常数、采集值恒增益、采集值恒偏差及数值突变。令f(t)为传感器的实际采集输出值,β0(t)为正常时的输入。

1)输出恒定。由于水体污染物的腐蚀,传感器的敏感膜失去作用,此时传感器的输出为一个常数C,此时的故障模式称为常值输出。故障模式为:f(t)=C。

输出恒定故障与正常输出的对比如图1所示,其中溶解氧的正常值为5~20 mg/L,其余水质参数的故障模式与此类似。

2)恒增益。设增益系数为k,则故障模式为:f(t)=Rβ(t)。恒增益的故障模式如图2所示。

3)恒偏差。当传感器产生慢漂移时,在某一时间段内(几个小时或数十个小时),传感器输出的数据表现为恒偏差,设其偏差数值为ΔS。则故障模式为:f(t)=β0(t)+ΔS。恒偏差的故障模式如图3所示。

4)数值突变。此种情况下,采集值变为超限或远小于正常值,设?坠为突变值,则此时的故障模式为:f(t)=β0(t)+?坠?啄(t)。数值突变故障模式如图4所示。

5)电源故障。电源发生故障时,表现为电源电压持续下降,甚至降到3 600 mV以下,电源故障模式如图5所示。

6)数据缺测。当采集器拒传数据,或软件出错等,会出现数据缺测。此种故障比较直观,在故障诊断时,可以首先识别是否为该种故障。

1.3 水产养殖物联网故障诊断系统的评价指标

1)故障诊断覆盖率。当水产养殖物联网发生故障时,通过该系统可以定位和排除故障。

2)诊断时间。故障诊断开始到故障诊断结束所经历时间范围,要求能迅速地分析定位出发生故障的部位和原因。在一个故障诊断系统中,诊断时间越短越好。

3)误诊率。包括两种情况,一是水产养殖物联网系统工作正常,却显示发生故障;二是水产养殖物联网系统确实发生故障,但是给出的故障部位错误。在一个故障诊断系统中,误诊率越低越好。

2 水产物联网故障诊断系统构建

2.1 BP神经网络的原理endprint

在众多的神经网络模型中,BP神经网络(Back-Propagation,BP)由于其较好的非线性映射能力,可以在任意精度逼近任意连续函数,而被广泛应用于图像处理、故障诊断、控制领域中[10]。它通过对故障实例的训练和学习,用分布于神经网络中的连接权值来表达所学习的故障诊断知识,具有对故障的联想记忆、模式匹配和相似归纳的能力,可以实现故障和征兆间的复杂的非线性映射关系

本研究采用标准的三层网络拓扑结构,其中每个输入节点表示水产物联网的故障征兆,输出节点为对应的故障模式。BP的实质就是求取误差函数的最小值问题,典型的神经网络结构如图6所示。

隐含层的输入sj和输入样本Pk=(a1k,a2k…ank)的关系如下[11]:

sj=■?棕ijai-?兹j

其中,?棕ij表示输入层至隐含层的连接权,?兹j表示隐含层各单元的输出阈值。

隐含层的输出为bj,j=1,2…p

bj=f(sj)

输出层的输出Lt与隐含层的输出bj之间的关系如下:

Lt=■vjtbj-?酌t

其中,vjt表示隐含层至输出层的连接权值,?酌j表示输出层各单元的输出阈值,j=1,2…p,t=1,2…p。

2.2 总体框架

基于神经网络的水产养殖物联网的故障诊断总体框架如图7所示。诊断过程分为两步,首先,应对数据进行预处理,提取能表征故障征兆的特征参数,选取一定数量的样本集对神经网络进行训练,得到期望的诊断网络;其次,根据训练好的神经网络,对系统的输入进行故障诊断,诊断过程即为利用神经网络进行前向计算的过程。

2.3 特征提取

水产养殖物联网运行是一个复杂的非平稳动态过程,易受天气和外界环境影响,难以用确定的时间函数来描述,但其数据仍具有特定的时域和频域特征,只是这些特征由于非平稳运行因素的影响被淹没在噪声中而难以提取。由于单个或单域特征难以全面准确地刻画出复杂水产养殖物联网系统在不同程度、不同类型下的故障特性,因而从振动信号中提取时域、频域、时域-频域特征,构建混合域故障特征集可以有效提取水产养殖物联网信号中的有用信息,可较为全面地反映水产养殖物联网系统的运行状态。常用的特征提取参数有最大值、方根幅值、绝对均值、均方根值、方差、标准差、偏度、峭度、峰值指标、脉冲指标、峭度指标、波形指标、裕度指标、K因子[12]。根据水产养殖物联网的故障模式,本研究选取了峰值、均值、方差、峭度作为特征参量。

2.4 输入层、输出层、隐藏层的确立

神经网络的输入的确定,主要是对故障特征量的提取。对于特征提取,并不是特征参量选取的越多越好,主要考虑它是否与故障有比较确定的因果关系。输入的神经元可以根据需要求解的问题和数据表示方式确定。在故障诊断中,输入层神经元个数一般等于每个样本中包含的特征值的个数。输出层的维数可根据设计者的要求确定,在故障诊断中,如果将BP网络用作分类器,类别模式一共有m个,则输出层神经元个数就为m。

由于隐含层的个数与待解决问题的要求、输入/输出单元的数目都有着直接的关系,所以对于一个神经网络的确立,隐含层的神经元个数的确立举足轻重。隐含层的个数选择,目前还不存在一个理想的解析式来表示。如果隐含层单元的个数太多,则会导致学习时间过长、不能达到最佳误差,也会导致容错性差,不能识别以前没有见到的样本等问题,因此一定存在一个最佳的隐含层单元数[13]。下列3个公式可作为选择最佳隐含层单元数时的参考公式[14]:

nim=2nin+1,,nim为隐含层神经元数,nin是输入层神经元数

nim=■+a,nim为隐含层神经元数,nin是输入层神经元数,n0是输出神经元数,a是[1,10]之间的常数。

nim=log2nin,nim为隐含层神经元数,nin是输入层神经元数。

3 实例分析

取山东省某水产养殖基地的设备故障数据作为试验样本数据,该基地在水池布置6个传感器用来监测水质信息,传感器编号分别为S1,S2,S3,S4,S5,S6。将6个传感器的输出和电压信号的4个特征参数作为网络输入,网络的输入即是一个28维的向量。数据具有不同的单位和量级,所以应该在输入神经网络之前进行归一化处理。

以获得的溶解氧信息为例,正常范围为4~20 mg/L,表2为部分特征参数值,表3为水产养殖物联网系统采集来的样本数据,表4为神经网络的理想输出。因为选取的参量具有不同的单位和量级,首先要对样本数据做归一化处理,然后将处理好的数据作为训练样本,对BP神经网络进行训练。输入新的故障信息,对该网络进行测试,将神经网络的实际输出与理想输出进行对比,诊断结果表明,该网络具有很高的诊断率。

4 小结

本研究提出了基于BP神经网络的水产养殖物联网故障诊断模型,可获得大量的状态数据,不需要额外的信息传送,通过特征提取,建立BP神经网络,挖掘故障征兆与故障之间的对应关系,很好地解决了传统故障诊断方式被动发现故障,且故障症状与故障无法对应,故障知识难以获取等问题。该方法诊断效率和精度较高,是一种有效的故障诊断途径。

参考文献:

[1] 陈羽翀.水产物联网:“未来”的养殖管家[J].海洋与渔业(上半月),2013(2):90-92.

[2] 李 慧,刘星桥,李 景,等.基于物联网Android平台的水产养殖远程监控系统[J].农业工程学报,2013,29(13):175-181.

[3] 颜 波,石 平,黄广文.基于RFID和EPC物联网的水产品供应链可追溯平台开发[J].农业工程学报,2013,29(15):172-183.

[4] 高亮亮,李道亮,梁 勇,等.水产养殖监管物联网应用系统建设与管理研究[J].山东农业科学,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] 张荣标,白 斌,李克伟,等.基于时空双序列分析的温室WSN故障诊断[J].农业机械学报,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] 张 劼,景 博,张宗麟,等.无线传感器网络中基于比较的簇节点故障诊断算法[J].传感技术学报,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,FRISWELL 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] 谭 洁.基于神经网络专家系统的车站信号控制电路故障诊断方法研究[D].兰州:兰州交通大学,2011.

[12] 杨慧斌.滚动轴承故障诊断中的特征提取与选择方法[D].长沙:湖南工业大学,2011.

[13] 曹宏丽.专家系统和神经网络在道岔控制电路故障诊断中的应用[J].黑龙江科技信息,2010(1):62.

[14] 王礼军.模糊神经网络专家系统在故障诊断中的应用[J].重庆交通大学学报(自然科学版),2012,31(3):469-473.endprint

猜你喜欢

故障诊断神经网络
冻干机常见故障诊断与维修
神经网络抑制无线通信干扰探究
基于量子万有引力搜索的SVM自驾故障诊断
基于神经网络的拉矫机控制模型建立
因果图定性分析法及其在故障诊断中的应用
复数神经网络在基于WiFi的室内LBS应用
基于支持向量机回归和RBF神经网络的PID整定
基于神经网络分数阶控制的逆变电源
基于GA-BP神经网络的光伏阵列MPPT研究
基于LCD和排列熵的滚动轴承故障诊断