BP神經網絡的水工建筑質量問題診斷

杜婷婷/綿陽職業技術學院

?

BP神經網絡的水工建筑質量問題診斷

杜婷婷/綿陽職業技術學院

【摘 要】闡述了水工建筑質量問題診斷過程中，應用BP神經網絡模型的重要性。以專家經驗和文獻依據為途徑，建立了質量問題和原因關系數據庫。同時，選擇了基于模糊綜合評判為計算方法，建立了神經網絡數學模型。最后，以某水工建筑質量問題實例為例，論證了BP神經網絡法的可行性。

【關鍵詞】BP神經網絡；水工建筑；質量問題

一、引言

水工建筑，是水利工程中對水流進行調節的建筑，其性能的好壞，關系到水資源的合理性利用和經濟效益。由于水工建筑的結構非常復雜，除施工過程困難外，在其使用中，受氣候、水文條件以及其余各因素的綜合影響，出現質量問題的情況也經常發生。如液體的滲透壓力會造成水壩穩定性變差，水流的粘性牽引力會導致明渠邊壁變形等。通過大量的水利工程現場調查可知，造成水工建筑質量問題的原因，往往并非單一，而是各種錯綜復雜的因素導致，且受限于水工建筑工作條件，工程結構尺寸龐大等因素，出現質量問題后，無法準確判斷原因和問題類型，造成安全隱患和處理措施不及時，間接影響建筑的使用壽命和經濟效益。因此，采用BP神經網絡模型，開發常用水工建筑質量問題和原因的數據系統關系庫，有助于問題的在線診斷，對于及時發現問題，準確處理，具有舉足輕重的意義。

二、水工建筑質量問題和原因關系數據庫的建立

水工建筑質量問題和原因關系數據庫，本質上來說是一個問題和原因的矩陣求解系統。系統中覆蓋了發生質量問題的類型、規律以及誘發原因等信息。該數據庫的建立方法，目前并無準確原則，最廣泛的方法是對經驗豐富的專家進行調研，然后修正數據。因此，在該過程中，由于專家對問題具有一定的主觀性和偏差，故全面搜集數據，是系統能否完成準確矩陣計算的關鍵。水工建筑質量問題數據庫的建立，主要有兩個步驟：

1.資料的整理與統計[1]。查閱近20年來，有關水利工程質量問題、原因分析以及檢修措施的相關文獻。對其中的質量問題原因、表現癥狀進行統計與整理。例如，某導流渠變比出現嚴重磨損的案例，出現壁面結構脫落的質量問題，從文獻的研究結論可知，造成該征兆的原因是水流中的泥沙成分較多，故引起了泥沙磨損。因此，將壁面結構脫落和泥沙含量較多整理至征兆和原因部分。

2.專家調研。對綿陽三臺、梓潼等地的部分水利工程進行走訪。對40余位該領域中，經驗豐富的專家進行問卷調查，并將其意見整理至系統數據庫,如表1所示。

表1　質量問題和原因關系數據庫

在該系統數據庫中，程序的實現方式[2]，擬選擇為產生式。如：If氣泡產生and蜂窩孔出現，Then混凝土含沙量較少。

三、BP神經網絡模型的建立

BP神經網絡模型，是一種通過模擬人的大腦神經系統，能夠進行問題思考，具有判斷功能的算法網絡。系統初步建立時，是不具備思考功能的，猶如人的大腦，掌握思考問題的能力，需要進行體系化的訓練，然后其系統對問題的分析和判斷力會逐漸增強。該系統的本質是Back Propagation算法[2]。主體結構包含：輸入端、輸出端和隱藏區域，如圖1所示。在該圖中的隱藏區域，數量須1≥。具體到本文的操作，選擇極小值即可。因此，隱藏區域的數量為1。BP算法的實質，主要是體現在系統的學習過程中，信號分別進行正向傳播、誤差反向傳播。該過程的目標是，采用輸出誤差反傳的方法，將誤差分化，即各個單元部分，都分配部分誤差，繼而每個單元的誤差信號都能夠計算出來。由此，再對各個單元的權值，進行修正。故綜上所述，如果輸出端的結果與理想值偏差大，系統將開始朝反方向傳播，如此一來，神經元的權值將被改變，繼而誤差信號持續減小。

圖1　BP神經網絡結構圖

在水工建筑質量問題和原因的判斷系統建立中，基本的操作為：第一，假設系統在發生問題時，表現出的征兆為n，則輸出向量：；第二，如果引發這些征兆的原因為m，則輸出向量：由此可知，對于該BP神經網絡系統的輸入端、隱藏區間、輸出端的神經元個數為：n、h、m；與此同時，輸入端和隱藏區間、輸出端和隱藏區間的連接權重分別為wij和wjk。式中，h的取值與范圍由具體的問題描述決定。根據經驗值可知，取值范圍為：。因此，BP計算方法的訓練過程[3]為：

1.定義wij和wjk的初始權值。定義的手段為隨機選取法。該步驟中，設置2個約束條件：①；②取值區間為：（0，1）。

3.對比計算結果。把Op值與理想值進行對比，計算二者的誤差。

4.選擇誤差最小值法，修正權值的矩陣。

5.規定閾值。該環節的實施，主要是結合專家經驗，由專家結合該系統的特點，定義一個確定的閾值λ。然后，將輸出向量結果與該值比較。若結果ym大于閾值，計算過程結束，得出結果。否則，結果無法確定，認為輸入信息不全，重新調整參數，又重步驟（2）開始循環計算。

整個過程中，步驟1和2的傳播方向為向前；步驟3和4的傳播方向為向后。所有步驟中，都必須達到一定的精度要求。由嚴格數學理論可知[4],假設樣本為第 p個,計算表達式為：

所有樣本的誤差計算式為：

式中， s為樣本數目。

四、質量問題癥狀向量的選擇

五、計算案例分析

以某具體的水工建筑為例，假設在施工完成后中，建筑出現了質量問題，癥狀表現為：x1（建筑表面出現氣泡）,x2（混凝土表面有裂縫），x3(建筑外觀有蜂窩孔),x4（建筑結構變形),x5(壁面脫落)。由系統數據庫可知，造成質量問題的可能原因為：y1(油性隔離劑多),y2(混凝土含沙量少),y3(環境濕度改變),y4(表層風化),y5(水流沖擊力大),y6(建筑材料不合理)。假設該水工建筑在某次質量問題中，表現出了3個癥狀：x1，x2，x5；根據嚴重程度確定的征兆向量為 0.7，0.3，0.6。由此可知，輸出向量X=（0.70 0.30 0 0 0.60）。

由上述質量問題表現可知，BP神經網絡模型中，輸入端、輸出端和隱藏區間的數量為：5、6、8；根據公式（1）與（2）的計算結果可知，系統偏差為 0.8。此時，把樣表數據錄入，如表2所示（Xi為1時，表示該質量問題的癥狀發生；Yi為1時，則表示質量問題的原因明確；若不是該原因引起，則Yi為0）。將質量問題向量輸入，計算出誘發原因向量結果，如表3所示。從計算數據來看，引發水工建筑質量問題的原因為y3，即環境濕度改變，該結論與現場診斷的結果相符合。

表2　學習樣本表

表3　原因向量

六、結論

通過構建水工建筑質量問題和原因關系的BP神經網絡模型，定義了系統質量問題的表現癥狀和引發原因之間的模糊關系。再選擇模糊綜合評判的方法進行計算，快速地確定了引發故障的原因。但是，閾值和隸屬度的確定，主要依賴專家的經驗，具有一定的主觀性和局限性。所以，隸屬度和閾值的精度，需要在今后系統的進一步開發過程中，不斷修正和完善，以達到提高系統整體診斷精度的要求。

參考文獻：

[1] 劉建忠.電力系統光纖通信故障的檢測與排除[J].科技信息，2010，(17)：359-360.

[2] 王旭，潘嶠.基于BP模糊神經網絡的水輪機進水蝶閥故障診斷方法的研究[J].水利電力科技，2011，37(1)：20-23.

[3] 王浩全.基于BP神經網絡提高偽裝目標識別概率的研究[J].光學與光譜分析，2010，30(12)：3316-3319.

[4] 李士勇.工程模糊數學及應用[M].哈爾濱:哈爾濱工業出版社，2004.