基于EMD和神經(jīng)網(wǎng)絡(luò)的輪軌故障噪聲診斷識(shí)別方法研究

江 航，尚春陽(yáng)，高瑞鵬

（西安交通大學(xué) 機(jī)械工程學(xué)院，西安 710049）

由于我國(guó)人口眾多，流動(dòng)人口大，物資貨運(yùn)量大，在交通日益發(fā)達(dá)的今天，鐵路運(yùn)輸依然是最主要的交通運(yùn)輸方式。隨著列車(chē)高速、重載、高密度的運(yùn)行，列車(chē)運(yùn)行的安全性越來(lái)越受到人們的關(guān)注。鐵路輪軌故障診斷經(jīng)過(guò)各國(guó)科研工作者的努力已經(jīng)擁有大量的方法［1－6］，但利用輪軌噪聲信息進(jìn)行故障診斷的研究還比較少。輪軌噪聲作為列車(chē)運(yùn)行的附帶品，包含著相當(dāng)多的列車(chē)和鋼軌狀態(tài)信息，對(duì)輪軌噪聲進(jìn)行采集分析能夠?qū)崿F(xiàn)對(duì)輪軌故障的診斷。

采用神經(jīng)網(wǎng)絡(luò)方法對(duì)故障進(jìn)行分類(lèi)識(shí)別，診斷過(guò)程最關(guān)鍵的問(wèn)題之一是對(duì)各種故障特征參數(shù)的提取，它直接影響著故障分類(lèi)識(shí)別的準(zhǔn)確性與有效性。在信號(hào)分析中，時(shí)間尺度與時(shí)間尺度上的能量是常分析的對(duì)象。當(dāng)列車(chē)車(chē)輪或軌道存在缺陷時(shí)，其產(chǎn)生的輪軌噪聲信號(hào)在不同的時(shí)間尺度上能量分布就會(huì)發(fā)生變化，同時(shí)反映信號(hào)沖擊成分的峭度指標(biāo)也會(huì)產(chǎn)生變化。因此，提取輪軌噪聲信號(hào)各時(shí)間尺度上的能量與峭度特征作為神經(jīng)網(wǎng)絡(luò)的特征參數(shù)輸入，能夠?qū)崿F(xiàn)對(duì)輪軌故障的分類(lèi)識(shí)別。

輪軌噪聲信號(hào)是一種非平穩(wěn)信號(hào)，小波包分析方法能夠?qū)⑵浞纸獾讲煌臅r(shí)間尺度上，并且可以同時(shí)實(shí)現(xiàn)較高時(shí)間分辨率和頻率分辨率，其各頻帶的能量特征能反映故障的信息［7］。但是小波包分析方法是預(yù)先選定基函數(shù)和分解尺度，這樣得到的結(jié)果是某一固定頻帶的信號(hào)，而頻帶的范圍只與采樣頻率有關(guān)，與信號(hào)本身無(wú)關(guān)。EMD方法是美國(guó)學(xué)者Huang等［8］提出的一種新的時(shí)頻分析方法，它將信號(hào)分解成若干個(gè)基本模式分量IMF，各IMF分量對(duì)應(yīng)著不同頻帶的局部特征，便于更好地分析故障特征。EMD方法沒(méi)有統(tǒng)一的基函數(shù)表達(dá)式，它依賴(lài)于信號(hào)本身，不同的信號(hào)分解后將得到不同的基函數(shù)，這樣一來(lái)，EMD方法非常適用于非線(xiàn)性、非平穩(wěn)信號(hào)的分析。

本文將EMD方法與神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)，對(duì)輪軌噪聲信號(hào)進(jìn)行分析，從而實(shí)現(xiàn)對(duì)輪軌故障的診斷。即采用EMD對(duì)輪軌噪聲信號(hào)進(jìn)行處理，計(jì)算得到的各IMF分量的能量與峭度，然后以BP神經(jīng)網(wǎng)絡(luò)為分類(lèi)器，把提取的各IMF分量的能量特征和各IMF分量峭度綜合的多尺度峭度指標(biāo)作為網(wǎng)絡(luò)的特征參數(shù)輸入，對(duì)車(chē)輪扁疤、鋼軌波浪磨耗以及正常狀態(tài)進(jìn)行分類(lèi)識(shí)別。同時(shí)，將EMD方法與小波包分析方法進(jìn)行了比較分析，實(shí)驗(yàn)結(jié)果表明，基于EMD的神經(jīng)網(wǎng)絡(luò)方法具有更高的故障識(shí)別率。

1 EMD方法

EMD是一種能夠?qū)⒎瞧椒€(wěn)信號(hào)進(jìn)行平穩(wěn)化處理的方法，處理后的信號(hào)不同尺度的波動(dòng)或趨勢(shì)被逐級(jí)分解出來(lái)，形成一系列具有不同特征尺度的基本模式分量IMF。一般來(lái)說(shuō)，IMF分量需要滿(mǎn)足如下兩個(gè)條件［8］：

① 整個(gè)數(shù)據(jù)序列的極值點(diǎn)個(gè)數(shù)與過(guò)零點(diǎn)個(gè)數(shù)相等或相差不超過(guò)一個(gè)；

② 在任意時(shí)間點(diǎn)處信號(hào)局部極大值確定的上包絡(luò)線(xiàn)和局部極小值確定的下包絡(luò)線(xiàn)的均值為零。

EMD方法的分解原理如下：

（1）確定待處理信號(hào)x（t）的所有局部極值點(diǎn)，然后用三次樣條曲線(xiàn)將所有極大值點(diǎn)連接起來(lái)得到該信號(hào)的上包絡(luò)線(xiàn)；同樣，用三次樣條曲線(xiàn)將所有極小值點(diǎn)連接起來(lái)得到下包絡(luò)線(xiàn)，信號(hào)的所有數(shù)據(jù)點(diǎn)都處在這兩條包絡(luò)線(xiàn)之間。

（2）上、下兩條包絡(luò)線(xiàn)的均值記為 m1（t），從待處理信號(hào) x（t）中減去 m1（t），得到 h1（t），即

判斷h1（t）是否滿(mǎn)足IMF分量的兩個(gè)條件，如果滿(mǎn)足，就得到第一個(gè) IMF分量，記 c1（t）＝h1（t）；如果h1（t）不滿(mǎn)足條件，就將 h1（t）作為待處理的信號(hào)重復(fù)（1）、（2）的操作，直到 h1（t）是一個(gè) IMF分量為止。

（3）從 x（t）中減去基本模式分量 c1（t），得到殘余r1（t）：

（4）將殘余 r1（t）作為待處理的信號(hào)循環(huán)（1）、（2）、（3）的操作，可以得到n個(gè)滿(mǎn)足條件的IMF分量。

當(dāng)殘余rn（t）是一個(gè)單調(diào)函數(shù)，不能從中篩選出IMF分量就停止循環(huán)。這樣x（t）可以表示成

通過(guò)以上4個(gè)步驟，可以將一個(gè)信號(hào)分解成n個(gè)基本模式分量 c1（t），c2（t），…，cn（t）和殘余量 rn（t）之和。殘余量rn（t）反映了待處理信號(hào)的平均趨勢(shì)；基本模式分量組 c1（t），c2（t），…，cn（t）表示待處理信號(hào)從高頻到低頻不同頻段的成分，每個(gè)頻段包含信號(hào)的頻率成分是不同的，隨著信號(hào)的變化而變化。各種故障信息就包含在這些頻段中，通過(guò)分析這些頻段就能夠?qū)收线M(jìn)行識(shí)別，為故障檢測(cè)提供方便。

圖1所示為采集的車(chē)輪扁疤故障信號(hào)圖。該信號(hào)進(jìn)行EMD分解后得到11個(gè)IMF分量和1個(gè)殘余量，如圖2所示。從圖中可以看出，EMD方法將車(chē)輪扁疤故障輪軌噪聲信號(hào)分解成若干個(gè)IMF分量，不同的IMF包含不同的時(shí)間尺度，這樣信號(hào)的特征就能夠在不同的分辨率下顯示出來(lái)。

圖1 所示為采集的車(chē)輪扁疤噪聲信號(hào)圖Fig．1 Noise signal of wheel flat

圖2 車(chē)輪扁疤故障輪軌噪聲信號(hào)EMD分解結(jié)果Fig．2 EMD decomposition results of wheel flat noise

2 基于EMD和神經(jīng)網(wǎng)絡(luò)的輪軌缺陷診斷

峭度系數(shù)是信號(hào)序列時(shí)域特性的數(shù)值統(tǒng)計(jì)量，它是一個(gè)無(wú)量綱參數(shù)指標(biāo)，對(duì)信號(hào)幅值與頻率的變化不敏感，只與信號(hào)概率密度函數(shù)的形狀有關(guān)，表示信號(hào)概率密度函數(shù)峰頂?shù)亩盖统潭龋从车氖切盘?hào)中沖擊成分的大小［9］。當(dāng)輪軌系統(tǒng)存在故障，產(chǎn)生的輪軌噪聲信號(hào)數(shù)據(jù)分布將發(fā)生變化，沖擊成分的大小也將不同，其中鋼軌波浪狀磨耗故障和車(chē)輪扁疤故障噪聲信號(hào)中都含有明顯的沖擊成份，因此可以選用峭度系數(shù)作為特征參數(shù)。同時(shí)，存在故障的輪軌系統(tǒng)與正常情況下輪軌系統(tǒng)產(chǎn)生的噪聲信號(hào)相比，在相同的頻帶內(nèi)噪聲信號(hào)的能量存在較大的差異，每個(gè)頻帶里的能量特征變化反映了輪軌系統(tǒng)狀態(tài)的不同，包含著相當(dāng)豐富的故障信息，可以選擇不同頻帶的能量作為特征識(shí)別不同的輪軌故障。綜合以上因素，本文采用各IMF分量的能量特征與綜合的多尺度峭度參數(shù)作為神經(jīng)網(wǎng)絡(luò)的特征參數(shù)輸入，能夠有效地對(duì)輪軌故障類(lèi)型進(jìn)行分類(lèi)識(shí)別。

基于EMD和神經(jīng)網(wǎng)絡(luò)的輪軌故障診斷方法實(shí)現(xiàn)流程如圖3所示。

圖3 基于EMD和神經(jīng)網(wǎng)絡(luò)的輪軌故障診斷實(shí)現(xiàn)流程Fig．3 Process of wheel／rail fault diagnosis method based on EMD and neural network

其具體步驟如下：

（1）以一定的采樣頻率fs對(duì)存在輪軌扁疤故障、鋼軌波浪磨耗故障以及正常狀態(tài)三種情況下的輪軌噪聲信號(hào)分別進(jìn)行N次采集，共得到3N個(gè)輪軌噪聲信號(hào)樣本。

（2）對(duì)每一種情況下的輪軌噪聲信號(hào)進(jìn)行EMD分解，得到若干個(gè)IMF分量，不同情況下輪軌噪聲信號(hào)分解得到的IMF分量個(gè)數(shù)不同，考慮到輪軌故障信息大多存在于信號(hào)的高頻部分，因而選擇前m個(gè)含有故障信息的IMF分量作為研究對(duì)象。

（3）計(jì)算前m個(gè)IMF分量各自的能量Ei與峭度Qi，其中 i＝1，2，…，m。

其中：ui表示第 i個(gè)IMF分量的均值，σi表示第 i個(gè)IMF分量的方差。

（4）為了實(shí)現(xiàn)對(duì)輪軌故障信息更好地識(shí)別，縮短訓(xùn)練時(shí)間，簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，將前m個(gè)IMF分量的峭度Qi進(jìn)行累加，降低神經(jīng)網(wǎng)絡(luò)特征向量的維數(shù)，得到一個(gè)多尺度峭度參數(shù)dQ。

（5）構(gòu)建神經(jīng)網(wǎng)絡(luò)特征向量：

由于能量值較大，為了便于分析與處理對(duì)其進(jìn)行歸一化處理。

設(shè)：

則：

T′即為歸一化后的特征向量。

（6）特征向量T′作為BP神經(jīng)網(wǎng)絡(luò)輸入層參數(shù)，將本次試驗(yàn)的車(chē)輪扁疤故障、鋼軌波浪狀磨耗故障以及正常狀態(tài)三種情況作為輸出層參數(shù)，輸出層編碼為：車(chē)輪扁疤故障［1 0 0］，鋼軌波浪狀磨耗故障［0 1 0］，正常狀態(tài)［0 0 1］。確定 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)其進(jìn)行訓(xùn)練。

（7）將測(cè)試樣本的特征參數(shù)作為網(wǎng)絡(luò)輸入，用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)識(shí)別，根據(jù)網(wǎng)絡(luò)輸出確定測(cè)試樣本的狀態(tài)類(lèi)別。

3 實(shí)驗(yàn)結(jié)果

通過(guò)在實(shí)際的火車(chē)車(chē)輪或鐵軌上制造缺陷的方式來(lái)獲取輪軌故障噪聲信號(hào)，不但影響列車(chē)的正常運(yùn)行，還會(huì)造成重大的安全隱患。因而考慮模擬輪軌故障，在實(shí)驗(yàn)室環(huán)境下對(duì)輪軌故障噪聲信號(hào)進(jìn)行采集分析，該方法結(jié)合實(shí)際情況進(jìn)行優(yōu)化后，同樣適用于對(duì)實(shí)際輪軌噪聲的研究。本課題組已經(jīng)完成了一套比較完備的輪軌噪聲模擬采集系統(tǒng)［10］，本次實(shí)驗(yàn)就選取該設(shè)備進(jìn)行輪軌噪聲信號(hào)采集。輪軌噪聲采集系統(tǒng)由傳感器、數(shù)據(jù)采集卡、自制信號(hào)調(diào)理模塊以及便攜式計(jì)算機(jī)四部分組成。采用ISK BM－800型電容式麥克風(fēng)作為噪聲采集系統(tǒng)的傳感器，通過(guò)USB－6251數(shù)據(jù)采集模塊與便攜式計(jì)算機(jī)中自制的labview信號(hào)調(diào)理模塊連接，實(shí)現(xiàn)對(duì)輪軌噪聲故障信號(hào)的采集。采用相似性原理，參照25G型客車(chē)按1∶15的比例搭建了實(shí)驗(yàn)小車(chē)及軌道系統(tǒng)實(shí)驗(yàn)平臺(tái)，并設(shè)計(jì)了車(chē)輪扁疤、鋼軌波浪狀磨耗等缺陷，完成對(duì)輪軌故障噪聲信號(hào)的采集。由于輪軌噪聲頻率主要分布在500 Hz至4 000 Hz的頻率范圍內(nèi)［11］，為了避免發(fā)生混頻，采樣頻率選為 20 000 Hz。實(shí)驗(yàn)小車(chē)的速度控制在0．8 m／s。本次實(shí)驗(yàn)?zāi)M了車(chē)輪扁疤、鋼軌波浪磨耗以及正常狀態(tài)三種情況，并分別采集了三種情況下輪軌噪聲信號(hào)各35組數(shù)據(jù)，每種情況各隨機(jī)選取20組數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，其余的數(shù)據(jù)作為測(cè)試數(shù)據(jù)。

對(duì)采集到的輪軌噪聲信號(hào)進(jìn)行EMD分解，選取包含主要輪軌故障信息的前 8個(gè) IMF分量 c1（t），c2（t），…，c8（t），按前述式（5）～式（9）求出特征向量 T′，由于篇幅的原因，表1只給出了每種狀態(tài)1個(gè)測(cè)試樣本的特征向量；采用BP網(wǎng)絡(luò)進(jìn)行分類(lèi)，分別將車(chē)輪扁疤故障、鋼軌波浪磨耗故障與正常狀態(tài)時(shí)的特征向量T′作為神經(jīng)網(wǎng)絡(luò)的輸入，因而輸入層含9個(gè)單元；輸出層對(duì)應(yīng)著這三種不同的模式，含3個(gè)單元；經(jīng)過(guò)反復(fù)實(shí)驗(yàn)，確定只包含一個(gè)隱層，隱層單元數(shù)根據(jù)經(jīng)驗(yàn)公式n1＝＋a選取［12］（其中n為輸入神經(jīng)單元數(shù)，m為輸出單元數(shù)，a為［1，10］之間的常數(shù)），最終選為12，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為9×12×3。每種模式分別用20個(gè)樣本進(jìn)行訓(xùn)練，其中輸入層和輸出層傳遞函數(shù)都選為purelin，隱層傳遞函數(shù)選為tansig，訓(xùn)練方式為彈性梯度下降法，訓(xùn)練誤差目標(biāo)精度為0．000 01，算法學(xué)習(xí)速率為0．1，網(wǎng)絡(luò)訓(xùn)練至收斂。用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)45個(gè)測(cè)試樣本進(jìn)行分類(lèi)識(shí)別，每種情況各15個(gè)測(cè)試樣本，結(jié)果網(wǎng)絡(luò)成功地將全部樣本識(shí)別出來(lái)，表2給出了基于EMD分析方法表1對(duì)應(yīng)的3個(gè)測(cè)試樣本的識(shí)別結(jié)果。

對(duì)采集到的輪軌噪聲信號(hào)進(jìn)行小波包分析提取特征參數(shù)進(jìn)行相同的神經(jīng)網(wǎng)絡(luò)訓(xùn)練來(lái)分類(lèi)識(shí)別輪軌故障類(lèi)型。由于車(chē)輪扁疤故障噪聲和鋼軌波浪磨耗故障噪聲都存在一定的沖擊成分，因此可以選擇coiflet小波作為基函數(shù)。coiflet小波消失矩較大，能夠適應(yīng)沖擊信號(hào)的突發(fā)特性及快速衰減特性，并能夠突出噪聲信號(hào)中沖擊性信號(hào)的特征，同時(shí)避免了連續(xù)小波對(duì)信號(hào)進(jìn)行時(shí)頻分析時(shí)計(jì)算量過(guò)大的問(wèn)題。采用coiflet小波對(duì)噪聲信號(hào)進(jìn)行三層小波包分解，用第三層8個(gè)頻帶的小波包分解系數(shù)重構(gòu)出8個(gè)新的時(shí)間序列 c1（t），c2（t），…，c8（t），同樣按前述式（5）～式（9）求出特征向量T′，表1給出了每種狀態(tài)1個(gè)測(cè)試樣本的特征向量。采用相同的神經(jīng)網(wǎng)絡(luò)對(duì)45個(gè)測(cè)試樣本進(jìn)行分類(lèi)識(shí)別，每種情況各15個(gè)測(cè)試樣本，網(wǎng)絡(luò)識(shí)別率達(dá)到91%。表2給出了基于小波包分析方法表1對(duì)應(yīng)的3個(gè)測(cè)試樣本的識(shí)別結(jié)果。

表1 各種狀態(tài)下的特征向量Tab．1 Feature vectors of various states

表2 神經(jīng)網(wǎng)絡(luò)診斷結(jié)果Tab．2 Diagnosis results of neural network

實(shí)驗(yàn)結(jié)果表明，雖然采用EMD或小波包分析方法對(duì)輪軌噪聲信號(hào)進(jìn)行處理，提取特征參數(shù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，都能夠?qū)崿F(xiàn)對(duì)輪軌故障的分類(lèi)識(shí)別，但是基于EMD的分析方法相比于小波包分析方法具有更高的故障識(shí)別率。這是因?yàn)樾〔ò椒ú痪哂凶赃m應(yīng)性，分解后的各頻帶范圍不隨輪軌噪聲信號(hào)的變化而變化，而EMD方法具有自適應(yīng)性，依據(jù)輪軌噪聲信號(hào)本身的特點(diǎn)進(jìn)行信號(hào)分解，因而對(duì)故障信息更敏感。

4 結(jié) 論

采用輪軌噪聲信號(hào)對(duì)輪軌故障進(jìn)行檢測(cè)是本文的創(chuàng)新之處。輪軌噪聲信號(hào)是一種非平穩(wěn)信號(hào)，當(dāng)輪軌系統(tǒng)存在故障時(shí)，其產(chǎn)生的噪聲信號(hào)在各頻帶的能量將發(fā)生變化，EMD方法能夠根據(jù)信號(hào)本身的特點(diǎn)自適應(yīng)地將信號(hào)分解到不同的頻帶，提取各頻帶的能量與峭度作為BP神經(jīng)網(wǎng)絡(luò)的特征參數(shù)輸入，進(jìn)而對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，網(wǎng)絡(luò)輸出能夠反映故障的本質(zhì)信息。實(shí)驗(yàn)結(jié)果表明本文基于EMD和BP神經(jīng)網(wǎng)絡(luò)的方法能夠?qū)嗆壒收线M(jìn)行有效地識(shí)別，同時(shí)采用EMD方法相較于小波包方法具有更高的故障識(shí)別率。本文分析的輪軌噪聲信號(hào)是在實(shí)驗(yàn)條件下采集的，與列車(chē)運(yùn)行的實(shí)際情況存在一定的差異，然而本課題組已在進(jìn)行實(shí)際列車(chē)隨車(chē)噪聲采集與故障識(shí)別系統(tǒng)的構(gòu)建，基于EMD和BP神經(jīng)網(wǎng)絡(luò)的方法能夠運(yùn)用到隨車(chē)的故障識(shí)別中。

［1］Papaellas M Ph，Robert C，Davis C L．A review on non-destructive evaluation of rails： state-of-the-art and future development［J］．Journal of Rail and Rapid Transit，2008，222：367－384．

［2］Belotti V，Crenna F，Michelini R C，et al．Wheel-flat diagnostic via wavelet transform［J］．Mechanical Systems and Signal Processing，2006，20（8）：1953－1966．

［3］Brizuela J，F(xiàn)ritsch C，Ibanez A．Railway wheel-flat detection and measurement by ultrasound［J］．Transportation Research Part C：Emerging Technologies，2011，19（6）：975－984．

［4］Papaelias M P，Lugg M．Detection and evaluation of rail surface defects using alternating current field measurement techniques［J］．Proceedings of the Institution of Mechanical Engineers，Part F：Journal of Rail and Rapid Transit．2012，226（5）：530－541．

［5］馬旺宇，劉棟，趙文博．應(yīng)用于鋼軌檢測(cè)的便攜式渦流探傷儀的研制［J］．機(jī)械設(shè)計(jì)與制造，2010（2）：88－90．MA Wang-yu，LIU Dong，ZHAO Wen-bo．A portable eddy current flaw detector for railway testing［J］．Machinery Design＆Manufacture，2010（2）：88－90．

［6］魏祥龍，張智慧．高速鐵路無(wú)砟軌道主要病害（缺陷）分析與無(wú)損檢測(cè)［J］．鐵道標(biāo)準(zhǔn)設(shè)計(jì)，2011，3：38－40．WEI Xiang-long，ZHANG Zhi-hui．Analysis on main defects in ballastless track on high speed railway as well as its non-damage inspection［J］．Railway Standard Design．2011，3：38－40．

［7］王鵬飛，張興周，胡文飛．基于小波變換的火車(chē)車(chē)輪扁疤信號(hào)能量分析［J］．應(yīng)用科技，2009，36（6）：25－28．WANG Peng-fei， ZHANG Xing-zhou， HU Wen-fei． The energy analysis of wheel-flat signal based on wavelet transform［J］．Applied Science and Technology，2009，36（6）：25－28．

［8］Huang N E，Shen Z，Long SR，et al．The Empirical mode of decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis［J］．Proc Royal Society，1998，454：903－995．

［9］何正嘉，訾艷陽(yáng)，張西寧．現(xiàn)代信號(hào)處理及工程應(yīng)用［M］．西安：西安交通大學(xué)出版社，2007．

［10］鐘香斌．輪軌噪聲模擬實(shí)驗(yàn)［D］．西安：西安交通大學(xué)，2010．

［11］Remington P J．Wheel／rail noise，Part I：characterization of wheel／rail dynamic system［J］． Journal of Sound and Vibration，1976，46：359－379．

［12］呂硯山，趙正琦．BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化及應(yīng)用研究［J］．北京化工大學(xué)學(xué)報(bào)：自然科學(xué)版，2001，28（1）：67－69．L Yan-shan，ZHAO Zheng-qi．Optimization and application research of BP neural network［J］．Journal of Bejing University of Chemical Technology：Natural Science，2001，28（1）：67－69．