基于改進BP網絡的IVC故障模式識別

蘇州高博軟件技術職業學院 谷慧娟

IVC(Individually Ventilate Cages)，又稱為獨立通風籠盒，是目前國際上普遍使用的實驗動物飼養系統[1，2]。在我國，IVC被引入國內之前，通常采用獨立屏障系統來飼養實驗動物。但是，由于實驗動物飼養要求的特殊性，其對飼養環境的高要求使得傳統的獨立屏障系統在實際使用過程中，需要飼養人員人為地做大量工作來保證其符合基本要求，不但耗費人力物力，效果也并不是太好。

國內的技術人員結合國內實際情況，對引進的產品進行了二次開發，改良了一部分的性能，使其適用于國內使用環境。開發的方向主要集中在兩方面：

(1)故障報警模塊的開發。特別是利用日益發展的3G網絡實現遠程報警和控制。

(2)針對通風系統的故障問題自動識別模塊的開發。識別方法主要包括故障樹、人工神經網絡等。

本文主要介紹針對通風系統的故障問題的自動識別。

1.故障模式識別模型

IVC是一個密封的系統，雖然有較為完善的過濾系統，但空氣中的微塵，動物自身攜帶的粉塵和國內主要使用的墊料、食物中的粉塵微粒等仍然容易引起通風系統的堵塞。一旦通風系統不能正常工作發生故障，密封籠盒內的氣流速度、內外壓差、噪音、相對濕度、溫度、氨氣濃度等參數指標就會發生改變，達不到實驗動物飼養環境的要求，對醫學實驗結果的正確性也有影響。

IVC系統中，由于包含生物生理活動這樣一個不確定因數，常規的故障樹等故障診斷方法難以實現對其故障類型的準確判斷。而神經網絡作為一種自適應的模式識別技術，不需要預先給出有關模式的經驗知識和判別函數，而是通過自身的學習機制自動形成所要求的決策區域。并且環境發生改變的時候，通過學習而得到的映射關系還可以自適應地進行調整。神經網絡的這些特性，決定了它適合用于系統模型比較復雜，環境多變的場合。因此，對IVC的故障模式識別采用基于人工神經網絡的識別方法更合適。

表1 測試結果

圖1 誤差變化曲線圖

1.1 標準BP網絡

誤差逆傳播網絡(Error Back-Propagation network.，簡稱BP網絡)是人工神經網絡中，理論最成熟，運用最廣泛的網絡模型之一。

基于梯度下降的標準BP算法，最突出的優點是尋優具有精確性，且具有自學習能力，但同時存在易陷入局部極小、初始值對網絡結果影響大和引起振蕩效應等缺點。雖然近年來提出不少改進方法，一定程度上提高了BP網絡在實際應用上的可行度與準確度，但是仍然無法解決BP網絡所固有的易陷入局部的問題。

1.2 基于遺傳算法的改進BP網絡

遺傳算法(Genetic Algorithm，簡稱GA)是一種基于自然選擇和群體遺傳機理的搜索算法[3]。它模擬生物在自然環境中的遺傳和進化過程，形成的一種自適應全局優化概率搜索算法，不存在局部收斂問題[4，5]。由于遺傳算法的尋優過程是隨機的，帶有一定的盲目性和概率性，所以遺傳算法具有難以得到精確解的缺點。

可見，BP算法和遺傳算法各有利弊，并且優缺點呈互補性，可以用遺傳算法對BP模型進行改進，利用遺傳算法的全局搜索能力，優化解空間，再發揮BP算法的局部搜索能力強的優勢，找出最優解。本文提出應用基于遺傳算法的改進BP算法來實現對IVC故障診斷，以滿足IVC故障模式識別對實效和精度的高要求。

2.基于遺傳算法的改進BP模型的IVC故障模式識別

2.1 模型的初步確定

網絡的輸出是IVC故障的四個類型，包括進風過濾網膜輕微堵塞、出風過濾網膜輕微堵塞、進風過濾網膜嚴重堵塞、出風過濾網膜嚴重堵塞4種。網絡的輸入是發生故障時被影響的參數，考慮到樣本的相關性和冗余性，本系統選擇氨氣濃度、氣流速度、內外壓差、相對濕度四個量作為網絡的輸入。因此，對應的網絡輸入神經元個數為4個，輸出神經元也為4個，隱含層神經元個數通過調試最終確定為7個。

2.2 模型參數的確定

選擇適合的編碼方式是遺傳算法的關鍵。將參數編碼成對應的子串，再將各子串首尾相聯，構成染色體，每條染色體代表解空間的一個解。不同的編碼方式對遺傳算法的求解精度和收斂速度有一定的影響。本系統根據權重、閥值的特點，采用二進制編碼方式。BP模型為4-7-4結構，包括56個權重，11個閥值，共67個參數，每個參數用8位二表示，聯起來形成一條染色體，長度為536。

目標函數唯一的條件是：針對輸入可計算出能加以比較的非負結果。因此，系統的目標函數采用網絡誤差平方和函數，表達式為：

其中E（i）為網絡誤差平方和，i為染色體數，j為學習樣本數，k為輸出層節點數，Yk為輸出層輸出，Tk為訓練目標值。

適應度函數反映個體對問題環境的適應能力的強弱，是個體競爭的測量準則，它可以很好的控制個體的生存機會。誤差越小，個體的適應度應越高。系統的適應度函數f(i)選擇目標函數的倒數，表達式為：

種群規模影響遺傳優化的最終結果和遺傳算法的執行效率。種群規模過小，會導致優化性能降低；種群規模過大，會減少遺傳算法陷入局部最優解的機會，但是會導致過大的計算量。考慮最優解所占空間在整個問題空間中的分布范圍，本系統設定種群規模P＝70。

經過實驗對比，確定網絡的學習速率lr=0.05，變換函數取logsig，交叉概率Pc=0.25，變異概率Pm＝0.05，最大進化代數為250。

3.仿真結果與分析

將真實狀態下，IVC系統故障發生時記錄下的數據作為初始樣本集，將這些樣本做歸一化處理，并進行冗余分析，剔除冗余項，保證樣本空間無重疊。將處理好的樣本的70%作為訓練樣本集，剩下的30%作為測試樣本集，分別對網絡進行訓練和測試。訓練結果見圖1。

可以看出，基于標準BP網絡的訓練，需要經過66步才能收斂于目標函數0.00001，而基于遺傳算法的改進BP網絡的訓練僅需要18步，大大縮減了訓練的時間。

測試結果見表1。可明顯看出：

(1)改進后的BP網絡，收斂率達到95.7%，一定程度上克服了標準BP網絡易出現振蕩效應的缺點；

(2)改進后的BP網絡，正確識別率可以達到92.4%，相比標準BP網絡70.2%的正確識別率，識別的準確性有了很大的提高，減少了陷入局部極小的可能性，基本上可以達到實際應用所要求的誤差范圍要求；

(3)改進后的BP網絡，識別時間縮短，能更好地滿足本系統對實效性的要求。

可見，基于遺傳算法的改進BP網絡，能更好地對IVC進行故障模式的識別，并且能達到實際應用中對實效和精度的要求，可以解決目前制約IVC在國內廣泛應用的問題。

[1]Krohn TC.Method developments and assessments of animal welfare in IVC-systems[M].Printed by DSR Gra fi k,2002,5.

[2]柯賢福,陳文文等.四種獨立通風籠具(IVC)的檢測[J].中國比較醫學雜志,2009,19(9):78-82.

[3]王德明,王莉等.基于遺傳BP神經網絡的短期風速預測模型[J].浙江大學學報(工學版),2012,46(5):437-842.

[4]Li Weiqing,Wang Chengbiao,etal.An edge detection method based on optimized BP neuralnetwork[J].International Symposium on Information Science and Engineering,2008(2):40-44.

[5]K.P.Ferentinos,L.D.Albright.Fault Detection and Diagnosis in Deep-trough Hydroponics using Intelligent Computational Tools[J].Biosystems Engineering,2003,84(1):13-30.