基于RBF神经网络的船用污水处理装置状态诊断 4页

2010年第29卷第10期传感器与微系统(TransducerandMicrosystemTechnologies)21基于RBF神经网络的船用污水处理装置状态诊断曹晓莉，胡卫军，孙怀义，杨光祥，江朝元(1．重庆工商大学计算机科学与信息工程学院，重庆400067；2．重庆工业自动化仪表研究所，重庆401123)摘要：研究应用径向基函数(RBF)神经网络对船用污水处理装置进行状态诊断，以提高船用污水处理装置状态诊断正确率。在分析了RBF神经网络基本结构和原理的基础上，设计一种诊断船用污水处理装置状态的三层RBF神经网络。通过采用实际监测的数据实现RBF神经网络诊断处理，结果表明：RBF神经网络的分类诊断效果较佳，能够有效地对船用污水处理装置状态进行诊断。关键词：径向基函数神经网络；船用污水处理装置；状态诊断中图分类号：TP206文献标识码：A文章编号：1000-9787(2010)10--0021--03StatediagnosisofshipsewagetreatmentequipmentbasedonRBFneuralnetworksCAOXiao．1i，HUWei-jun，SUNHuai—yi，YANGGuang．xiang，JIANGChao．yuan(1．CollegeofComputerScienceandInformationEngineering，ChongqingTechnologyandBusinessUniversity，Chongqing400067，China；2．ChongqingInstituteofIndustryAutomationandInstrument，Chongqing401123，China)Abstract：Astatediagnosismethodofshipsewagetreatmentequipmentadoptingradial·basisfunction(RBF)neuralnetworkisintroducedtoimprovethestatediagnosiscorrectness．BasedontheanalysisonthestructureandfundamentalprincipleofRBFneuralnetwork，athree—layerRBFneuralnetworkisdesignedtodiagnosethestateofshipsewagetreatmentequipment．RBFneuralnetworkdiagnosisisrealizedutilizingthepracticalmonitoringdatafromaship．ItisprovedbydiagnosisresultsthatRBFneuralnetworkhasgoodefectofclassificationwhichcanbeusedtodiagnosestateofshipsewagetreatmentequipmentefectively．Keywords：RBFneuralnetwork；shipsewagetreatmentequipment；statediagnosis0引言RBF)神经网络整体最佳的近似和分类能力以及学习算法船用污水处理装置是用于船舶生活污水处理的大型机的快速收敛等优点”，并且已经得到了广泛的研究与应电环保处理设备，其运行状态直接关系到对污染源处理的用．10l。本文在此采用RBF神经网络，提出一种基于RBF可用性和有效性，是防止航道污染和持续改善航道环境的的状态监测分类算法，实现船用污水处理装置状态的监测重要环保设施。准确、有效的状态监测和诊断，对设备运行与诊断。保障和快速抢修具有十分重要的现实意义。复杂设备系统1设备状态与诊断原理的状态监测涉及多种信号相互作用的结果，传感技术、计算船用污水处理装置的基本工作原理如图1所示。船舶机技术、通信技术的发展，为复杂设备状态监测提供了基生活污水由进水泵经进水管道送入处理箱体，处理箱体内础，神经网络、人工智能、专家系统对复杂设备故障诊断提部经过滤、吸附、消毒和有机分解等流程自动处理，最后由的系统分析供了有效的途径。针对上述设备状态监测排水泵经出水管道排人航道。根据船用污水处理装置的工和诊断问题，不少学者采用小波分析J、遗传算法]、支持作原理，生活污水处理的关键环节是有机分解处理过程，该向量机(supportvectormachines，SVM)、概率神经网络过程由处理装置内培养的微生物细菌来完成，装置必须确(probabilisticneuralnetwork，PNN)等机器学习方法进行保送人足够风量以满足微生物细菌繁殖与生长的需氧量，了相应的研究。由于径向基函数(radial—basisfunction，并依靠微生物细菌实现污水的有机分解。根据上述工作原收稿日期：2010-08—16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目(1(J1007O9)\n传感器与微系统第29卷理和对可预见状态的分析。由于风压P的监控在此采用开moidal函数和逆Muhiquadric函数。关量来表示风机的“开”和“停”，只有⋯0’和⋯1’2种状态，输入层径向基层输出层厂——、识别起来比较简单，在此选择监测和记录供电电压U、负载电流，、处理水位L3个物理参数，结合状态变化时间识别对象装置的运行状态。d=ro~(1l，IWz1pI)d=purelin(LW：I口+6)图2RBF神经网络结构litE“】Fig2StructurediagramofRBFneuralnetwork2．2状态诊断RBF神经网络设计针对前述的3种数据信息进行4种状态的分类，可构建出如图3所示的状态诊断RBF神经网络结构。状态诊断类型件水泵图1船用污水处理装置结构停机Fig1Strunctureofshipsewagetreatmentequipment启动处理设备与状态的相关性约束为：启动捧水1)若轮机供电而设备停电，则可能停机或设备故障；故障或作弊2)若装置运行，则工作电流不低于，否则，可能空载输入层隐含层输出层运行或传感器故障；图3状态诊断RBF神经网络结构图3)若船舶航行，则必然产生生活污水，且要求处理设备Fig3StructurediagramofRBFneuralnetworkof必须启动运行，否则，可暂停；statediagnosis第1层为输入层，完成将特征向量={U，，，L}引入4)若设备运行，则污水水位应周期性L变化，否则，可网络，由于监测的三类数据单位不一，在此先对数据进行归能作弊运行或传感器故障。设U，，，￡分别为船用污水处理装置监测的电压、电流一化处理后再输入到输入层中。第2层为隐含层，它与输入层完全连接(权值=1)，其作用相当于对输入模式进行一和液位，识别设备状态为停机、启动处理、启动排水、故障或次变换，将低维的模式输入数据变换到高维空间内，以利于作弊4种状态。该问题可抽象为属性集到状态分类集Y输出层进行分类识别。由于Gaussian函数具有表示形式简的映射，即参数属性X={U，，，L}，状态l，：{1，2，3，单、径向对称、光滑性好等优点，本文隐含层中选用Gaussi—4}的多分类问题。all函数作为核函数，如下式所示2状态诊断RBF神经网络结构2．1RBF神经网络结构(，)=exp[一羔二兰】J=l，2，⋯，Nh，RBF神经网络的结构是一种三层前馈网络。如图2所(1)示，输入层由信号源节点构成，输入P具有R个输入向量式中c，为基函数的中心。节点计算输入向量与中心的欧元素，仅仅对数据信息进行传递。径向基层为隐含层，具有氏距离，然后通过转移函数进行变换。第3层为输出层，第s个神经元，图中ldistlI表示输入P与权值矩阵Jwl。的个输出结点的输出为欧几里德距离，核函数为radbas(IIfwl一pIlb)，通过核函数对输入信息进行空问映射变换，其中，o为第1层输出】，=∑Wi(lI)．(2)n的第i个元素，为权值矩阵，。的第i行向量元素，其中，{(1I—lI)，i=1，2，⋯，Ⅳ)}为径向基函数。符号“·”表示lIdistlI的输出与阈值b。的元素与元素之间假设目标的输出为D{d}则可以得到一组关于未知系数的乘积关系。第3层为输出层，具有S2个神经元，该层对W={}的线性方程组输入模式做出响应。输出层神经元的作用函数为线性函1112数，对隐含层神经元输出的信息进行线性加权后输出，作为妒2l22(3)这整个神经网络的输出。其中，隐含层中的核函数可以取多种形式，最常用的主要有Gaussian函数、Reflectedsign—M\n第1O期曹晓莉，等：基于RBF神经网络的船用污水处理装置状态诊断令D=[dl，d2，⋯，dⅣ]，w=[wl，w2，⋯w]，={I(i，表224组数据训练后的网络诊断结果Tab2ResultofdiagnosisbyRBFneuralnetworkaftertraining)=1，2，⋯N}，则式(3)可写成=D，假设为非奇异wjth24groupsofdata矩阵，则有W=～D．(4)因而只要保证为非奇异矩阵，即可通过式(4)求解w的值。根据Micchelli定理，只需要将所有输入样本}互不相同即可。在此采取随机选取中心法来进行RBF网络的训练。的，其性能受到所选样本的数量和分布情况的限制。只有3诊断结果分析选择足够多数量的分布均匀的适当样本训练网络之后，才取用重庆“江山3号”轮船上污水处理装置监测的572能保证良好的诊断能力。组数据，首先进行数据的归一化处理，其三维分布如图4所4结束语示。针对船用污水处理装置状态监测的问题，本文将RBF神经网络应用于船用污水处理装置状态诊断。研究结果表明：RBF神经网络的局部响应特性，使对接近于确定局部神经元特征的样本模式输入具有较强的吸引力，能达到很好的诊断效果；其较强的分类能力，不失为一种有效的智能化诊断方法。参考文献：[1]朱德恒，谈克雄．电气设备状态监测与故障诊断技术的现状与展望[J]．电力设备，2003，4(6)：1-8．图4江山3号污水处理装置数据分布[2]秦毅，秦树人，毛永芳．基于小波脊线的解调方法及其在旋Fig4Datadistributionofsewagetreatmentequipment转机械故障诊断中的应用[J]．机械工程学报，2009，45(2)：inJiangShanNo．3ship231-237．在每一类数据中抽取4组，4类共抽取16组数据，作为[3]刘占生，窦唯，王东华，等．基于遗传算法的旋转机械故障RBF神经网络算法的训练样本，对算法模型进行训练；其余诊断方法融合[J]．机械工程学报，2007，43(10)：227-233．556组数据作为检验样本。通过检验样本检验输出结果如[4]马笑潇，黄席樾，柴毅．基于SVM的二叉树多类分类算法及表1所示。其在故障诊断中的应用[J]．控制与决策，2003，18(3)：272—表116组数据训练后的网络诊断结果276．Tab1ResultofdiagnosisbyRBFneuralnetworkaftertraining[5]曹晓莉，江朝元，甘思源．基于聚类支持向量机的船用污水处with16groupsofdata理装置故障诊断[J]．计算机应用，2008，28(10)：2648—2651．[6]胡峰，吴波，胡友民，等．基于概率神经网络和KS检验的机械状态监测[J]．振动与冲击，2008，27(4)：56-62．[7]ErMJ，WuSQ，LuJW，eta1．Facerecognitionwithradicalba-sisfunction(RBF)neuralnetworks[J]．IEEETransNeuralNetw，2002，13(5)：697-710．由表l检验结果可知，对于启动排水状态的检验结果[8]JingXiaoyuan，YaoYongfang，ZhangDavid，eta1．Faceandpalm—不太理想，主要是由于在此状态下，的变化范围较大，因printpixellevelfusionandKemelDCV—RBFclassifierforsmall而，需要加大训练样本的数量。在此增加8组启动排水的samplebiometricrecognition[J]．PatternRecognit，2007，4O：3209-3224．训练样本，即抽取12组启动排水的数据，共抽取24组数据作为RBF神经网络训练样本，其余548组数据作为检验样[9]RosF，PintoreM，ChretienJR．Automaticdesignofgrowingrfl—dialbasisfunctionneuralnetworksbasedOilneighborhoodcon—本。重新训练的算法模式检验输出结果如表2所示。cepts[J]．ChemomIntellLabSyst，2007，87：231-240．由表2检验结果可知，增加训练样本后对“启动排水”[10]SarimveisH，DoganisP，AlexandridisA．Aclassificationtech—状态的诊断正确率提高了21．8％，可以满足船用污水处理niquebasedonradialbasisfunctionneuralnetworks[J]．AdvEng装置实际状态诊断的需要。由表1和表2的比较可知，RBFSofiw，2006，37：218-221．神经网络的状态诊断性能是建立在所选样本训练基础之上(下转第27页)\n第10期赵龙，等：动态视觉传感器网络中的节点目标覆盖机制l2{l08懈餐6鲟鲟凶4嚣嚣蕊20监测区域长度／m监测区域长度，m监测区域长度／m(a)初始节点分布Co)第10代节点分布(c)第2O代节点分布(a)gen-O(b)gen=lO(c)n-2O要{越越憾憾撼鳋鳞凶凶凶嚣嚣蘑监测区域长度／m监测区域长度／m监测区域长度／m(d)第45代节点分布(e)第100代节点分布(f)第150节点分布(d)n=45(e)gen100(f)gen=150图6基于改进加权遗传算法的节点分布Fig6NodesdistributionbasedontheimprovedweightedGAsensornetwo~s[c]∥FutureGenerationCommunicationandNet—working(FGCN2007)，2007：274-278．[6]CaiYanli，LouWei，LiMinglu，eta1．Target-orientedscheduling咧indirectionalsensornetworks[c]∥INFOCOM2007．26thIEEEInternationalConferenceonComputerCommunications，IEEE，2007：1550-1558．遗传代数[7]AiJ，AbouzeidA．A．Coveragebydirectionalsensorsinrandomly图7优化过程适应度变化曲线deployedwirelesssensornetworks[J]．JournalofCombinatorialFig7FitnesschangecurvesintheoptimizationprocessOptimization，2006，11(1)：21-41．5结束语[8]ChenUei—Ren，ChiouBo—Sheng，ChenJyun—Ming，eta1．Anad-本文对传统遗传算法的交叉过程进行改进，采用加权justabletargetcoveragemethodindirectionalsensornetwork·遗传算法解决动态视觉传感器网络的节点目标覆盖问题，S[c]∥2008IEEEAsia—PacificServicesComputingConference，优化节点部署，最终达到以最少节点数最大化网络覆盖率。2008：174-180．实验证明：算法能收敛到最优解，有效地提高了网络的性[9]LiuIAang，ZhangXi，MaHuadong．Localization-orientedcoverage能，减小了网络能耗。basedonbayesianestimationincamerasensornetworks[C]∥参考文献：WorldofWireless．MobileandMultimediaNetworks．2008：1—8．[1]闫晓星，孙锐，吕国强．视觉传感器网络及其关键技术[J]．[10]MaH，buY．Somepmblemsofdirectionalsensornetworks[J]．网络与应用，2008(4)：19-22．InternationalJournalofSensorNetwo~s，2007，2(1)：44-52．[2]温俊，蒋杰，窦文华．公平的有向传感器网络方向优化和[11]陶丹，马华东，刘亮．视频传感器网络中路径覆盖增强算节点调度算法[J]．软件学报，2009，20(3)：644-659．法研究[J]．电子学报，2008，36(7)：1291-1296．[3]陶丹，马华东，刘亮．基于虚拟势场的有向传感器网络覆[12]贾杰，陈剑，常桂然．无线传感器网络中基于遗传算法的盖增强算法[J]．软件学报，2007，18(5)：1152一ll63．优化覆盖机制[J]．控制与决策，2007，22(11)：1289一l292．[4]程卫芳，廖湘科，沈昌祥．有向传感器网络最大覆盖调度算作者简介：法[J]．软件学报，2009，20(4)：975-984．赵龙(1986一)，男，安徽合肥人，硕士研究生，研究方向为视[5]CaiYanli，LouWei，LiMinglu．Coversetproblemindirectional觉传感器网络。)))p、t＼)))))))))))(上接第23页)theirapplicationtopat~mclassification[J]．ApplInteU，2010，[11]董长虹．Matlab神经网络与应用[M]．北京：国防工业出版32：27-46．社．2005．[14]HaykinS．神经网络的综合基础[M]．2版．北京：清华大学出[12]杨淑莹．模式识别与智能计算一Matlab技术实现[M]．北京：版社，2002．电子工业出版社，2008．作者简介：[13]ParkByoungqun，PedryezWitold，OhSung—kwun．Polynomial—曹晓莉(1970一)，女，重庆人，工学硕士，副教授，主要研究方basedradialbasisfunctionneuralnetworks(P．RBFNNs)and向为模式识别与智能控制，智能传感器。