張宗垚

?

基于神經(jīng)網(wǎng)絡(luò)模型的傳感器布放狀態(tài)監(jiān)測(cè)研究

張宗垚

公誠(chéng)管理咨詢有限公司第八分公司云南項(xiàng)目部，云南 昆明 650228

基于神經(jīng)網(wǎng)絡(luò)的相關(guān)理論和方法，構(gòu)建了BP神經(jīng)網(wǎng)絡(luò)模型，以研究在某傳感器的測(cè)試過(guò)程中，當(dāng)其處于不同放置位置時(shí)的信號(hào)特征，從而實(shí)現(xiàn)了對(duì)傳感器布放狀態(tài)正確與否的判斷。從Matlab仿真結(jié)果與實(shí)驗(yàn)結(jié)果對(duì)比來(lái)看，所建立的BP神經(jīng)網(wǎng)絡(luò)模型可以很好地預(yù)測(cè)傳感器的布放狀態(tài)，有效提高相關(guān)數(shù)據(jù)采集的效率和準(zhǔn)確率。

BP神經(jīng)網(wǎng)絡(luò)；傳感器；狀態(tài)監(jiān)測(cè)

引言

聲學(xué)信號(hào)傳感器是在實(shí)際工程中最常見的一種傳感器。作者在參與某工程過(guò)程中，需要采集現(xiàn)場(chǎng)的噪聲值，因此需要在現(xiàn)場(chǎng)布放大量的聲學(xué)傳感器。但是由于待測(cè)參數(shù)較多、頻繁布放和工人操作不當(dāng)?shù)仍?，傳感器常常出現(xiàn)布放位置錯(cuò)誤。圖1顯示了傳感器的四種布放狀態(tài)，其中（a）為正確的布放狀態(tài)，（b）、（c）、（d）是錯(cuò)誤的布放狀態(tài)。由于測(cè)量現(xiàn)場(chǎng)環(huán)境復(fù)雜，加之布放錯(cuò)誤后傳感器采集的聲學(xué)信號(hào)與正常信號(hào)差別不大，所以很難在試驗(yàn)時(shí)直接察覺(jué)出來(lái)。

圖1 傳感器的幾種布放狀態(tài)

為了解決這一問(wèn)題，作者采用了BP神經(jīng)網(wǎng)絡(luò)的方法對(duì)試驗(yàn)中收集到的各種聲學(xué)信號(hào)進(jìn)行訓(xùn)練，最終訓(xùn)練出成熟的神經(jīng)網(wǎng)絡(luò)對(duì)樣本進(jìn)行狀態(tài)監(jiān)測(cè)，以識(shí)別出傳感器不同的布放狀態(tài)，該方法具有操作簡(jiǎn)便，識(shí)別精度較高的特點(diǎn)。[1]

1 BP神經(jīng)網(wǎng)絡(luò)

P神經(jīng)網(wǎng)絡(luò)是一種前饋型誤差修正網(wǎng)絡(luò)，它通過(guò)不斷調(diào)整各個(gè)單元層之間的網(wǎng)絡(luò)權(quán)值和閾值來(lái)實(shí)現(xiàn)網(wǎng)絡(luò)的訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)主要運(yùn)行由信號(hào)的正向傳播和誤差的逆向傳播兩個(gè)過(guò)程組成，通過(guò)不斷地權(quán)重調(diào)整，可以實(shí)現(xiàn)網(wǎng)絡(luò)誤差的不斷縮小。

2 傳感器布放狀態(tài)的檢測(cè)

2.1 原始數(shù)據(jù)的獲得

利用BP神經(jīng)網(wǎng)絡(luò)對(duì)該型傳感器布放狀態(tài)進(jìn)行檢測(cè)，能夠在發(fā)生布放錯(cuò)誤時(shí)及時(shí)發(fā)出提示信息，通知錯(cuò)誤的發(fā)生及種類，避免測(cè)量到錯(cuò)誤的試驗(yàn)信號(hào)。[2]

選取了該聲學(xué)傳感器在10個(gè)頻率采樣點(diǎn)的不同聲壓值（mv）作為網(wǎng)絡(luò)的總樣本，從建模的角度出發(fā)，實(shí)測(cè)數(shù)據(jù)經(jīng)過(guò)歸一化后的數(shù)值如表1所示。

表1 聲學(xué)傳感器特征參數(shù)

2.2 定義輸入和輸出樣本數(shù)據(jù)

對(duì)輸出狀態(tài)進(jìn)行編碼，輸出為四維向量，定義期望輸出向量如表2所示。

表2 發(fā)射器狀態(tài)編碼對(duì)照表

定義輸出向量：t1=[0 0 0 0]’；t2=[1 0 0 0]’；t3=[0 1 0 0]’；t4=[0 0 1 0]’；t=[t1 t2 t3 t4]’。

2.3 構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型

本文采用含一個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行分析，由于輸入單元和輸出單元均為4，更具經(jīng)驗(yàn)公式可選隱含層單元數(shù)為1～10之間的整數(shù)，采用是試湊法得到了隱含層神經(jīng)元與均方平均值（MSE）的曲線關(guān)系，如圖2所示。[3]其中隱層神經(jīng)元數(shù)目為9時(shí)，得到的MSE值最小為16，所以確定的隱含層神經(jīng)元數(shù)為9。

圖2 隱含層神經(jīng)元數(shù)目與MSE值關(guān)系曲線

本文所用BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如表3所示。

表3 BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)定

2.4 BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練

在MATLAB中應(yīng)用輸入和輸出樣本向量對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其中期望誤差設(shè)為10-6。訓(xùn)練過(guò)程中，BP神經(jīng)網(wǎng)絡(luò)誤差的變化形式如圖3所示。

圖3 誤差曲線的變化情況

由圖4可知，當(dāng)訓(xùn)練經(jīng)過(guò)84次迭代之后，達(dá)到了滿意的誤差期望。

2.5 布放狀態(tài)監(jiān)測(cè)

下面利用所有的7個(gè)樣本對(duì)訓(xùn)練出的神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試實(shí)驗(yàn)，在Matlab中輸入表1中的所有數(shù)據(jù)，經(jīng)過(guò)整理結(jié)果如表4所示。

表4 布放狀態(tài)監(jiān)測(cè)結(jié)果

由表4可以看到，經(jīng)過(guò)訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)可以很好地對(duì)各個(gè)樣本狀態(tài)進(jìn)行判斷監(jiān)測(cè)，且判斷的結(jié)果均正確。

3 結(jié)語(yǔ)

本文通過(guò)在某聲學(xué)傳感器的信號(hào)分析中引入神經(jīng)網(wǎng)絡(luò)監(jiān)測(cè)的相關(guān)理論和方法，對(duì)不同布放狀態(tài)下收集的聲學(xué)信號(hào)進(jìn)行了訓(xùn)練和分析。試驗(yàn)結(jié)果表明，本文構(gòu)建的三層神經(jīng)網(wǎng)絡(luò)模型可以很好地診斷出傳感器的不同布放狀態(tài)，采用此方法可以大大提高信號(hào)采集的準(zhǔn)確率。

[1]孫飛.精通MATLAB神經(jīng)網(wǎng)絡(luò)[M].北京：中國(guó)計(jì)算機(jī)工業(yè)出版社，2014.

[2]劉洋.BP神經(jīng)網(wǎng)絡(luò)在系統(tǒng)檢測(cè)中的應(yīng)用[J].振動(dòng)與沖擊，2015（1）：122-128.

[3]周宇.BP神經(jīng)網(wǎng)絡(luò)在聲學(xué)信號(hào)系統(tǒng)判斷中的應(yīng)用[J].噪聲與控制，2015（3）：42-46.

Research on sensor placement condition monitoring based on neural network model

Zhang Zongyao

Management Consulting Co., Ltd. Yunnan eighth branch of the project department, Kunming, Yunnan 650228

This paper based on the theories and methods of neural network constructed BP neural network model to study in a sensor testing process, when it is placed in different positions. The signal characteristics, in order to achieve the sensor cloth discharge state of the correctness of the judgment. From the comparison of Matlab simulation results and experimental results, the BP neural network model can predict the distribution state of sensors, and effectively improve the efficiency and accuracy of the data acquisition.

BP neural network; sensor; condition monitoring

TP212；TP391.9

A

1009-6434(2016)6-0148-02

張宗垚（1987—），男，助理工程師，主要從事通信工程監(jiān)理工作。