孫樂 陳萬勝 燕 斌 徐維澤 王昊星

摘 要：文章針對煤礦井下二次測爆裝置中傳感器主要故障，提出利用蟻群神經(jīng)網(wǎng)絡(luò)故障識別的新方法。通過蟻群算法對數(shù)據(jù)進(jìn)行多次尋優(yōu)，找到理想的權(quán)值，再將它們輸入BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行訓(xùn)練。此法有收斂速度快，能防止BP網(wǎng)絡(luò)陷入局部極小點(diǎn)的優(yōu)勢。最后根據(jù)實(shí)際礦井情況模擬仿真，實(shí)驗(yàn)證明這種方法對比單純使用BP網(wǎng)絡(luò)算法，效果明顯提升。

關(guān)鍵詞：煤礦井下二次測爆裝置；蟻群算法；BP神經(jīng)網(wǎng)絡(luò)；傳感器故障識別

引言

由于煤礦井下環(huán)境比較復(fù)雜，容易發(fā)生二次爆炸，因此對二次測爆裝置中氣體濃度傳感器的故障識別能力至關(guān)重要。目前有很多人用神經(jīng)網(wǎng)絡(luò)對其測量過程中存在的多變量、非線性等復(fù)雜情況進(jìn)行識別，雖然實(shí)驗(yàn)結(jié)果表明這是一種解決方法，但是該算法也存在一定的弊端，比如對初值敏感、易陷入局部最優(yōu)和收斂速度慢等。針對上述問題蟻群算法恰能解決，它根據(jù)螞蟻覓食的規(guī)律建立起來的，是繼遺傳算法之后的另一全局優(yōu)化算法。從Marco Dorigo提出該算法到Goss著名“雙橋”實(shí)驗(yàn)，再到后來數(shù)學(xué)模型的建立和在解決具有NP.hard特性的組合優(yōu)化問題中取得的顯著效果[1]。文章將神經(jīng)網(wǎng)絡(luò)及蟻群算法的諸多特點(diǎn)結(jié)合起來，用蟻群算法來學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的權(quán)值，將其獲得的網(wǎng)絡(luò)最優(yōu)化參數(shù)保存下來，進(jìn)行新故障的識別，經(jīng)驗(yàn)證效果較好[3]。

1 蟻群神經(jīng)網(wǎng)絡(luò)

1.1 蟻群算法

蟻群算法是利用了蟻群搜索食物的過程與著名旅行商問題（TSP）之間的相似性，對螞蟻個體之間信息交流與相互協(xié)作最終找到從蟻穴到食物源的最短路徑的情況進(jìn)行人工模擬，并稱之為蟻群系統(tǒng)（Ant Colony System）。其原理如下所述：假設(shè)n個節(jié)點(diǎn)的全連通圖上隨機(jī)分布了m只螞蟻，？子i，j（t）表示與問題相關(guān)的啟發(fā)式信息，設(shè) ？濁i，j（t）=1/di，j，？濁i，j（t）是t時刻在i，j連線上的信息素量。初始化后，設(shè)？子i，j（0）（C為常數(shù)），假設(shè)每個路徑上信息量相同。k（k=1，2，…，m）個螞蟻依據(jù)不同路徑上的問題的啟發(fā)式信息和信息量決定轉(zhuǎn)移方向，是螞蟻k在t時刻由位置i移動到j(luò)的概率[5]。

式中tabuk記錄了螞蟻已走過的路徑，？琢，？茁是調(diào)節(jié)啟發(fā)式信息？濁和信息素強(qiáng)度？子相對重要性的參數(shù)。螞蟻每走完一次，其路徑信息量要進(jìn)行調(diào)整，依據(jù)如下：

1.2 BP神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)非線性映射能力強(qiáng)，是仿造人腦結(jié)構(gòu)及功能建立起的動力學(xué)系統(tǒng)，其中BP算法（基于誤差反向傳播算法）應(yīng)用廣泛，通用性強(qiáng)，3層的BP網(wǎng)絡(luò)可以逼近一個連續(xù)函數(shù)[4]，其原理如下所述：設(shè)第一、二隱層有n1、n2個神經(jīng)元，對應(yīng)權(quán)矢量是w、w'、w"，輸入矢量為x、x'、x"。設(shè)有P個學(xué)習(xí)樣本矢量，目標(biāo)是最小化均方差為第p個訓(xùn)練方式所對應(yīng)的第l個樣本的目標(biāo)與網(wǎng)絡(luò)的輸出，偏移閾值？茲并入權(quán)矢量之中，NM為輸出層神經(jīng)元個數(shù)。

1.2.1 輸出層

1.2.2 中間隱層

其中，j=0，1，…n1。

1.2.3 第一隱層

1.3 蟻群神經(jīng)網(wǎng)絡(luò)法（ACO-BP）

蟻群神經(jīng)網(wǎng)絡(luò)法（ACO-BP），顧名思義就是將蟻群算法與BP神經(jīng)網(wǎng)絡(luò)算法相結(jié)合，下面簡單介紹此算法的基本步驟，詳細(xì)計(jì)算公式見參考文獻(xiàn)[5]。

（1）首先進(jìn)行初始化，建立BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與信息素表。

（2）記錄螞蟻循環(huán)一次的參數(shù)權(quán)值，計(jì)算誤差E。

（3）確定誤差較小的權(quán)值，將此誤差與事先設(shè)定好的誤差比較，若滿足則結(jié)束。（執(zhí)行步驟f，否則到步驟d）

（4）重新更新信息素，重復(fù)b、c步驟。

（5）采用BP算法再進(jìn)行訓(xùn)練。

（6）進(jìn)一步檢驗(yàn)誤差，符合設(shè)定值則結(jié)束，否則重新執(zhí)行。

2 蟻群神經(jīng)網(wǎng)絡(luò)法應(yīng)用

2.1 傳感器故障分類

在實(shí)際應(yīng)用中，二次測爆裝置內(nèi)傳感器主要包括CH4傳感器、CO傳感器、CO2傳感器和O2傳感器[2]。以上四種傳感器所出現(xiàn)的故障情況基本類似，所以文章以CH4傳感器為例，根據(jù)其特點(diǎn)，將其故障分為四種形式：完全失靈、固定偏差、漂移、精度變差。由于故障數(shù)為4，因此下面仿真時，輸入節(jié)點(diǎn)數(shù)同樣設(shè)置為4。

2.2 計(jì)算機(jī)仿真及結(jié)果對比

在使用前對選擇的數(shù)據(jù)進(jìn)行相應(yīng)的處理，使數(shù)據(jù)分布在[0，1]這一區(qū)間，數(shù)據(jù)處理完畢后首先利用BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行一次仿真，其步驟為使用MATLAB軟件中的神經(jīng)網(wǎng)絡(luò)工具箱，將參數(shù)設(shè)置為：隱層數(shù)為1個，節(jié)點(diǎn)數(shù)為6個；輸入層為4個；輸出層為1個；誤差上限為1%；訓(xùn)練最大次數(shù)為10000次[6]。然后，將同樣的數(shù)據(jù)用ACO-BP算法再進(jìn)行一次仿真，其步驟為先使用蟻群算法，參數(shù)Q設(shè)為5300，經(jīng)上文公式計(jì)算后，尋優(yōu)樣本數(shù)據(jù)，然后將尋優(yōu)所得結(jié)果作為BP所需的權(quán)值，從而形成基于蟻群神經(jīng)網(wǎng)絡(luò)算法的ACO-BP模型，其神經(jīng)網(wǎng)絡(luò)工具箱參數(shù)設(shè)置如下：訓(xùn)練最大次數(shù)為200次；輸出為1；輸入層為4個；誤差上限為0.01；隱層數(shù)為1層，隱層節(jié)點(diǎn)為6。

表1 BP算法和ACO-BP算法和故障識別率的比較

從以上比較可以確定，雖然兩種方法都能對故障識別起到一定的作用，但是BP神經(jīng)網(wǎng)絡(luò)采用負(fù)梯度下降法調(diào)節(jié)所得的權(quán)值，存在收斂速度慢和局提高很多，能十分有效的避免了BP算法的不足之處，其發(fā)揮的作用在故障識別方面是不言而喻的。

3 結(jié)束語

為了能更好的提高煤礦井下二次測爆裝置中傳感器故障識別能力，文章將蟻群神經(jīng)網(wǎng)絡(luò)算法融匯其中，對傳感器的故障進(jìn)行了診斷。利用MATLAB軟件，對BP算法和蟻群神經(jīng)網(wǎng)絡(luò)算法進(jìn)行了仿真，結(jié)果表明基于蟻群神經(jīng)網(wǎng)絡(luò)算法能有效地提高二次測爆儀傳感器的故障識別能力，取得的效果令人滿意，對二次測爆儀傳感器故障識別方法具有一定的借鑒意義。

參考文獻(xiàn)

[1]張婭玲，陳偉民，章鵬，等.傳感器故障診斷技術(shù)概述[J].傳感器與微系統(tǒng)，2009，28（1）：4-6.

[2]周利華.礦井火區(qū)可燃性混合氣體爆炸三角形判斷法及其爆炸危險(xiǎn)性分析[J].中國安全科學(xué)學(xué)報(bào)，2001，11（2）：47-51.

[3]高運(yùn)廣，劉順波，張振仁.基于KPCA的HVAC系統(tǒng)傳感器故障診斷[J].傳感器與微系統(tǒng)，2008，27（5）：37-42.

[4]A.Colomi，M.Dorigo，Maniezzo.Distributed optimization by ant colonies[C].Proeeedings of the lst EuroPean Conferenee on Artifieial Life，1991：134-142.

[5]劉彥鵬.蟻群優(yōu)化算法的理論研究及其應(yīng)用[D].浙江：浙江大學(xué)，2007.

[6]薛定宇，陳陽泉.控制數(shù)學(xué)問題的MATLAB求解[M].北京：清華大學(xué)出版社，2005：356-366.