PNN在船用污水处理装置状态诊断中的仿真研究 4页

24传感器与微系统(TransducerandMicrosystemTechnologies)2011年第3O卷第7期PNN在船用污水处理装置状态诊断中的仿真研究曹晓莉，胡卫军，王荣秀，杨光祥，江朝元(重庆工商大学计算机科学与信息工程学院。重庆400067)摘要：概率神经网络(PNN)是基于贝叶斯分类规则和Parzen窗函数的前向型自监督神经网络模型，具有强大的非线性处理能力，快速的收敛速度和准确的分类效果。在分析PNN基本结构和原理的基础上，采用PNN结构针对船用污水处理装置的状态诊断进行仿真，以提高船用污水处理装置状态诊断正确率。通过Matlab采用实际监测的数据实现了PNN诊断处理。理论分析和仿真结果表明：利用PNN对船用污水处理装置的状态诊断的方法可行和有效，有很高的实用价值。关键词：概率神经网络；船用污水处理装置状态诊断；仿真中图分类号：TP206文献标识码：A文章编号：1000--9787(2011)07-0024-03SimulationresearchofPNNonstatediagnosisofshipsewagetreatmentequipmentCAOXiao-li，HUWei-jun，WANGRong—xiu，YANGGuang—xiang，JIANGChao—yuan(CollegeofComputerScienceandInformationEngineering，ChongqingTechnologyandBusinessUniversity，Chongqing400067，China)Abstract：ProbabilisticneurMnetwork(PNN)isafeedforwardself-supervisoryneuralnetworkmodelbasedonBayesclassifyingIulesandParzenwindowfunctionandpossessespowerfulnonlinearprocessingability，fastconvergence，andaccuratesortingeffect．OnthebasisofanalyzingthefundamentalstructureandprincipleofPNN，PNNstructureisadoptedtosimulatethestatediagnosisofshipsewagetreatmentequipmenttoimprovethestatediagnosisvalidity．WithMatlab，thePNNdiagnosisisrealizedutilizingthepracticalmonitoringdatafromaship．ThetheoryanalysisandsimulationresultsindicatethatusingPNNonshipsewagetreatmentequipmentforthestatediagnosisisfeasible，effectiveandwithhighpracticalvalue．Keywords：probabilisticneuralnetwork(PNN)；statediagnosisofshipsewagetreatmentequipment；simulation0引言析，以提高实际船用污水处理装置状态诊断正确率。船用污水处理装置是防止航道污染和持续改善航道环1设备状态监测与诊断原理境的重要环保设施。准确、有效的状态监测和诊断，对设备船舶生活污水由进水泵经进水管道送入处理箱体，处运行保障和快速抢修具有十分重要的现实意义。传感理箱体内部经过滤、吸附、消毒和有机分解等流程自动处技术、计算机技术、通信技术的发展，为复杂设备状态监测理，最后由排水泵经出水管道排入航道。根据工作原理和提供了基础，神经网络、人工智能、专家系统对复杂设备故对可预见状态的分析。由于风压P的监控在此采用开关量障诊断的系统分析提供了有效的途径。针对上述设备状态来表示风机的“开”和“停”，只有⋯0’和⋯1’两种状态，识别监测和诊断问题，不少学者采用小波分析、遗传算法、起来比较简单，在此选择监测和记录供电电压()、负载电支持向量机(supportvectormachines，SVM)、径向基函流(，)、处理水位(L)3个物理参数，结合状态变化时间识别数(radialbasisfunction，RBF)和概率神经网络(probabi—对象装置的运行状态。设备与状态的相关性约束如下：listicneuralnetwork，PNN)等机器学习方法进行了相应1)若轮机供电而设备停电，则可能停机或设备故障；的研究。其中，PNN的训练过程简单，算法容易设计，在模2)若装置运行，则工作电流不低于，否则，可能空载式识别和模式分类领域有着广泛的应用。基于此，本文提运行或传感器故障；出了船用污水处理装置状态诊断的PNN方法及其仿真分3)若船舶航行，则必然产生生活污水，且要求处理设收稿日期：2010—10-28基金项目：重庆市科委重点科技攻关计划资助项目(CSTC2009AB2133)；重庆市教委科研计划资助项Et(KJ100709)\n第7期曹晓莉，等：PNN在船用污水处理装置状态诊断中的仿真研究备必须启动运行，否则，可暂停；数估计更加实用。4)若设备运行，则污水水位，J应周期性变化，否则，可Parzen窗函数方法是非参数估计方法中的一种。在此能作弊运行或传感器故障。假设区间R是一个d维的超立方体。如果令h表示超立在此设U，，，分别为船用污水处理装置监测的电压、方体一条边的长度，则体积为电流和液位，识别设备状态为停机、启动处理、启动排水、故=：．(4)障或作弊4种状态。该问题可抽象为属性集到状态分类k为落在区间R的样本个数，而P()是列_p()的第集l，的映射，即参数属性={U，，，L}，状态Y=={1，2，／Z次估计，且3，4}的多分类问题。，、kpn((5)2状态诊断PNN结构通过定义如下的窗函数，可以得到落到该窗中的样本PNN是基于贝叶斯分类规则与Parzen窗函数而建立的个数k的表达式一种分类网络。它的优势在于用线性学习算法来完成以往非线性学习算法所做的工作，同时又能保持非线性算法的(，≤；，⋯(u)={【．．(6)高精度等特性。0，其他2．1贝叶斯分类规则简介这样，(“)就表示一个中心在原点的单位超立方体。令{}(i=l，2，⋯c)表示有限C个类别集合，每类的如果落在超立方体中，那么，(一)=l，否则，便为0，因而，超立方体中的样本个数为先验概率为P(，)，令特征向量X表示一个d维随机变量。令P(I)为在真实类别为条件下X的概率密度函数，=∑妒()．(7)每类的实际后验条件概率为P(，I)，则可以通过贝叶斯代入式(5)可以得到公式计算得到。=p()=1骞1妒()．(8)，(1)这种概率密度估计的方法就称为Parzen窗函数方法，式中p()为证据因子，并有p()=∑p(J)P()，本质上而言，这是一种内插过程，即每一个样本依据它离的远近不同而对结果做出不同的贡献。则式(1)可表示成设定一个高斯核函数，就可以将公式(8)改写成P(，l)：．(2)∑p(l)P()()—1骞exp[一]．(9)根据时间后验概率发生的大小，可以对未知模式做2．3PNN如下判决PNN的实质就是用神经网络的结构来实现Parzen窗方对于任意≠i=l，2，⋯，c，若P(I)>P(l)，则法，如图1所示，一个典型的PNN结构可以分为输入层、模∈，．(3)式层、累加层和输出层这就是贝叶斯判决准则或者最小误差率分类准则。要实现贝叶斯分类器，必须要先确定P(O)j)和类条件P(l)的值。2．2Parzen窗函数在模式识别的实际应用中，通常得不到有关问题的概率结构的全部知识。在一个典型的问题中，往往只有一些输入瑶模式层累加层决策层模糊而笼统的知识，再加上一些训练样本，这些样本是待分图1状态诊断PNN结构类模式的一个特定的子集。通常的解决办法就是利用这些Fig1StructureofPNNofstatediagnosis输入层接收来自训练样本的值，将特征向量传递给网训练样本来估计问题中所涉及的先验概率和条件概率密度络，其神经元数目和样本矢量的维数相等。模式层计算输函数。对于先验概率一般是已知的或根据训练样本很容入特征向量与训练集中各个模式的匹配关系，模式层神经易估计的，最大的困难在于估计类条慨率密度。条件概率密度的估计一般分为参数估计和非参数估计2种方法，元的个数等于各个类别训练样本数之和。每一类只有一个其中，参数估计假设事先已经知道参数的个数，并且先验知累加层单元，累加层单元与只属于自己类的模式层单元相识允许把条件概率密度进行参数化，相对于参数估计，非参连接，而与模式层中的其他单元没有连接。因此，累加层单\n传感器与微系统第3O卷元简单地将属于自己类的模式层单元的输出相加，而与属本各4组，在此共增加8组启动排水的训练样本，从而在监于其他类别的模式层单元的输出无关。累加层单元的输出测数据中抽取24组数据，采用newpnn()建立PNN，其余与各类基于内核的概率密度的估计成比例，通过输出层的548组数据作为此PNN的测试样本。通过测试样本诊断输归一化处理，就能得到各类的概率估计。网络的输出决策出结果如表2所示。层由简单的阈值辨别器组成，其作用是在各个状态模式的表224组数据训练后的网络诊断结果估计概率密度中选择一个具有最大后验概率密度的神经元Tab2Resultofdiagno~sbyPNNaftertrainingwith作为整个系统的输出。输出层神经元是一种竞争神经元，24groupofdata每个神经元分别对应于一个数据类型即状态模式，输出层神经元个数等于训练样本数据的种类个数，它接收从累加层输出的各类概率密度函数，概率密度函数最大的那个神经元输出为1，即所对应的那一类即为待识别的样本模式类别，其他神经元的输出全为0。在此，就可以依据该PNN结构，将X={U，，，L}作为PNN输入来确定状态Y。由表1和表2的比较可知，RBF神经网络的状态诊断3状态诊断Maflab仿真性能是建立在所选样本训练基础之上的，其性能受到所选在此，采用Maflab中newpnn()和sim()函数分别建立样本的数量和分布情况的限制。实际上，对于训练人工神PNN和进行PNN测试仿真。取用重庆“江山”3号轮船经网络的样本数据要求具有致密性、遍历性和相容性3个上污水处理装置监测的572组数据，首先进行数据的归一特性。致密性指在有限的样本空间区域内选取的学习样本化处理，其三维分布如图2所示。数量，随着样本数据的增加，误差急剧下降，但当样本数增多到一定的程度之后，它对降低网络误差的作用越来越小。遍历性是指是否遍历了其可能存在的所有空间区域，如果学习样本点取得不充分，甚至某个区域的样本根本就没有取到，这样的数据训练出来的网络泛化能力肯定不高。相容性主要考虑的是不同类别样本的输入空间存在交叠区域时对网络学习的影响，对样本重叠程度较高的区域中的样本，它们的输入极为相近，输出却不相同，网络学习通常需图2“江山”3号污水处理装置数据分布Fig2Datadistributionofsewagetreatmentequipmentin要花费很长的时间，而且不一定收敛。目前尚无一个完‘Jiangshan’No．3ship备的算法能够同时满足这3个特性，本文中由于涉及的数在每一类数据中抽取4组，4类共抽取16组数据，作为据量和维数都比较少，采用多次计算比较的方式来对训练PNN的训练样本进行训练；其余556组数据作为检验样本。数据进行选择。通过检验样本检验输出结果如表1所示。4结束语表116组数据训练后的网络诊断结果针对船用污水处理装置状态监测的问题，本文将PNNTab1ResultofdiagnosisbyPNNaftertrainingwith16应用于船用污水处理装置状态诊断。仿真结果表明：基于groupofdataPNN的状态诊断方法可以最大程度地利用状态先验知识，在贝叶斯最小风险准则下对设备的状态进行很好的定性诊断，可以达到较高的诊断准确率，不失为一种有效可行的智能状态诊断方法。参考文献：[1]曹晓莉，江朝元，甘思源．基于聚类支持向量机的船用污水处理装置故障诊断[J]．计算机应用，2008，28(10)：2648—由表1检验结果可知，对于启动排水状态的检验结果2651．不太理想，主要是由于在此状态下，的变化范围较大，因[2]秦毅，秦树人，毛永芳．基于小波脊线的解调方法及其在旋而，需要加大训练样本的数量。因为启动排水和启动处理转机械故障诊断中的应用[J]．机械工程学报，2009，45(2)：2种状态的有些数据比较相近，为了避免增加的启动排水231-237．样本对最终的诊断产生影响，故分别增加这2种状态的样(下转第30页)\n传感器与微系统第3O卷表1自来水静置12h有效氯体积分数的模拟测试040Tab1Simulafiontestofefectivechlorinevolumefraction0．3in12hstandingwaoer0．2蛙0102040608Oloo时间／min图7自来水静置24h和48h有效氯体积分数的模拟测试Fig7Simulationtestofefectivechlorinevolumefractionin24hand48hstandingwa“-r系统进行了实地测试，结果表明：以民用建筑的二次供水为目标，根据实测的余氯体积分数，结合有效氯添加和285uim紫外消毒方法，可将消毒池有效氯体积分数控制在0．3×10～，集成的通信模块将测试结果传递给水厂，增强水厂对城市水网的实时掌控，做到迅速有效的反馈，从而实现自来水饮用安全的控制。对于放置24，48h的自来水，其实测体积分数为0．12×参考文献：10～，0×10～。因此，根据设定程序判断，在实际操作过程[1]郝凤来．自来水HCIO消毒法的比较优势[J]．当代医学，中，紫外照射系统并不工作，而由消毒液添加系统来负责消2008(6)：36-39．毒。该测试中，将氯消毒剂的母液体积分数输入测控系统，[2]马树升，樊铭京，张峰，等．二氧化氯消毒技术在村村通自以0．35×10为调控目标体积分数，进行实际的测试结果来水中的应用[J]．山东农业大学学报，2008(I)：85-87．如图7所示。将20—100min的9个数据平均，48h组的数[3]汪建武．二氧化氯在自来水消毒中的应用[J]．甘肃水利水电据平均值为0．354×10一，变异系数为6．2％；24h组的平均技术，2009(7)：39-40．[4]李常英．自来水给水系统的二次污染的原因分析及控制对值为0．367，变异系数为7．2％。由数据可知，体积分数基策[J]．科技资讯，2006(22)：192-194．本控制在了(0．30-0．40)×lO之问，达到系统消毒要求。[5]宋瑛，陈吉祥，陈建安，等．单位自建设施自来水二次供水5结束语污染的报告[J]．现代预防医学，2001(2)：158-159．通过将消毒、加液和通信模块进行有效整合所构建的作者简介：城市水网消毒监控系统，可以对自来水供给过程进行监控曹慧(1976一)，女，江苏大丰人，博士，讲师，主要从事食品与反馈调节，同时保证自来水的饮用安全。在实验室对该安全检测方面的研究。p≯＼p)))))))＼(上接第26页)[9]胡峰，吴波，胡友民，等．基于概率神经网络和Ks检验的刘占生，窦唯，王东华，等．基于遗传算法的旋转机械故障机械状态监测[J]．振动与冲击，2008，27(4)：56-62．[10]GrimJ，KittlerJ，PudilandP，eta1．Multipleclassifierfusionin诊断方法融合[J]．机械工程学报，2007，43(10)：227-233．probabilisticneuralnetworks[J]．PatternAnalysis＆Applica张国云，章兢．基于模糊支持向量机的多级二叉树分类器tions，2002，5：221-233．的水轮机调速系统故障诊断[J]．中国电机工程学报，2005，[11]HaykinS．神经网络的综合基础[M]．2版．北京：清华大学出25(8)：100-104．版社，2002．吴德会．基于多分类支持向量机的智能辅助质量诊断研[12]YuGang，LiChangning，Kama~hiS．MachinefaultdiagnosisU-究[J]．系统仿真学报，2009，21(3)：1689-1692．singacluster-basedwaveletfeatureextractionandrobabilistieYuDL，YuDW．AnewstructureadaptationalgorithmforRBFneuralnetworks[J]．Int’lJAdvManufTeehnol，2009，42：145—networksanditsapplication[J]．NeuralComput＆Applic，2007，151．16：91-100．[13]杨淑莹．模式识别与智能计算一Matlab技术实现[M]．北肖健梅．基于径向基函数神经网络的柴油机故障诊断[j]．仪京：电子工业出版社，2008．器仪表学报，2005，26(4)：355-357．[14]靳蕃．神经计算智能基础：原理·方法[M]．成都：西南交KwangRoy，ChangYang，LooChuKiong，eta1．Enhancedproba—通大学出版社，2000．bilisticneuralnetworkwithdataimputationcapabilitiesforma—作者简介：chine-faultclassification[J]．NeuralComput＆Applic，2009，曹晓莉(1970，一)，女，重庆人，工学硕士，副教授，主要研究18：791-800．方向为模式识别与智能控制、智能传感器。