遺 傳 算 法 故 障 檢 測 與 實 驗 分 析

譚 潔, 李向楊

(1.湖南機(jī)電職業(yè)技術(shù)學(xué)院 人文學(xué)院，長沙 410151；2.華南理工大學(xué) 自動化系，廣州 510641)

0 引 言

作為一個工程問題，樁基檢測中的樁身檢測所采取的方法一般是動測法，再通過分析動測數(shù)據(jù)對樁身所存在的問題進(jìn)行判斷。隨著工程中一些新元素的加入，如：混凝土、鋼材以及打樁成孔機(jī)械等，樁的形式變得不再那么單一，無論是在強(qiáng)度方面還是規(guī)模方面都有很大程度提升[1-5]。實際工程應(yīng)用發(fā)現(xiàn),樁基完整性檢測在樁基工程發(fā)揮著至關(guān)重要的作用，當(dāng)前樁基完整性檢測被認(rèn)定為故障診斷的一種[6-7]。

現(xiàn)有的樁基完整性檢測故障診斷的方法很多，但其原理幾乎都差不多，要么運用時域分析法，要么是頻域分析法[8-9]。前者是將樁身波動情況作為分析依據(jù)，繪制一個波動曲線，其中橫坐標(biāo)表示的是時間，其傳遞函數(shù)和樁頭的位移方程可通過理論分析得出，然而函數(shù)中各系數(shù)的值基本上是不能確定;后者對其特征的分析則是采取的快速傅里葉變換與譜分析法，該方法所得到的分析結(jié)果雖然優(yōu)于時域分析法，但在解釋所得結(jié)果方面，測試人員的經(jīng)驗還是主要的依據(jù)。不同的測試人員在判斷同類測試數(shù)據(jù)時差異可能比較大,這樣導(dǎo)致實際中通過傳統(tǒng)的方法對信號進(jìn)行處理難度非常大，而將經(jīng)驗作為主要的分析手段使其可靠性得不到保證[10-13]。為了進(jìn)一步提高樁基檢測的準(zhǔn)確性，本文對測樁中所運用的反射波法進(jìn)行研究，引入遺傳算法優(yōu)化 BP 神經(jīng)網(wǎng)絡(luò)的診斷方式實現(xiàn)了樁基檢測效果更佳的方式。

1 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

1.1 算法步驟

本文采用的遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)指的是通過遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值與閾值進(jìn)行優(yōu)化，從而使其更容易對輸出進(jìn)行預(yù)測,其步驟：

(1) 神經(jīng)網(wǎng)絡(luò)所有權(quán)值在實數(shù)編碼方式下根據(jù)級別組成一個長串，各權(quán)值在串上分別有其對應(yīng)的位置。編碼串的排列是先輸入后輸出。

(2) 計算適應(yīng)度函數(shù)。根據(jù)對應(yīng)方式，將個體上的每個連接權(quán)值分給指定的網(wǎng)絡(luò)結(jié)構(gòu)中，網(wǎng)絡(luò)輸入輸出的是訓(xùn)練集樣本，經(jīng)過運行將均方誤差mse返回，而msemax則是最大值，則計算個體適應(yīng)度值F的公式如下：

式中:MSE、N、Y、y分別表示均方誤差、訓(xùn)練樣本總數(shù)、網(wǎng)絡(luò)輸出以及樣本實際輸出。若F越接近1，那么網(wǎng)絡(luò)精度越高。

(3) 初始化過程。根據(jù)下式對網(wǎng)絡(luò)的每個權(quán)值進(jìn)行確定：

P=±exp(-|γ|), |γ|<4

在該算法中，通過將(-1.0，+1.0)均勻分布的數(shù)值作為初始權(quán)值。

(4) 選擇操作。遺傳算法有多個選擇操作方法，如輪盤賭法、隨機(jī)遍歷法及錦標(biāo)賽法等，本文采用輪盤賭法，即將適應(yīng)度比例作為基本思路，

其中:i表示個體;k與N分別為系數(shù)與種群個體數(shù);Pi和Fi分別為i的選擇概率和適應(yīng)度值，因為要盡量使Fi小，因此要先對Fi求倒數(shù)。

(5) 交叉操作。因為個體的編碼方式為實數(shù)編碼，故選擇實數(shù)交叉法，若染色體用a表示，第k與第l個染色體分別為ak和al，則以下為其交叉操作方法：

akj=akj(1-b)+aljb

alj=alj(1-b)+akjb

(6) 變異操作。若aij為第i個個體的第j個基因，以下是對其進(jìn)行變異的操作方法：

其中:amax與amin分別表示aij的上界與下界;f(g)=r2(1-g/Gmax)，r、g以及Gmax分別為一隨機(jī)數(shù)(0≤r≤1)、迭代次數(shù)以及最大進(jìn)化次數(shù)。

1.2 算法特性仿真實例

在對算法進(jìn)行驗證過程中，采用神經(jīng)網(wǎng)絡(luò)常用的函數(shù)逼近方式，所選擇的仿真函數(shù)：

對該函數(shù)的逼近所采用的是梯度下降法BP神經(jīng)網(wǎng)絡(luò)與混合算法神經(jīng)網(wǎng)絡(luò)，表1與圖1分別為經(jīng)GA優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)最優(yōu)初始權(quán)值和閾值以及最優(yōu)個體適應(yīng)度值；圖2為未優(yōu)化與經(jīng)過優(yōu)化的網(wǎng)絡(luò)預(yù)測誤差的對比曲線圖。可知，經(jīng)過優(yōu)化的網(wǎng)絡(luò)預(yù)測準(zhǔn)確度要高于未經(jīng)優(yōu)化的BP網(wǎng)絡(luò)，其中前者與后者的均方差分別為5.380 6×10-5與1.887 6×10-4，因此也大大改善了預(yù)測均方差。

表1 經(jīng)GA優(yōu)化得到的BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)初始權(quán)值和閾值

圖1 最優(yōu)全體適應(yīng)度值

2 算法在樁基檢測中的應(yīng)用

2.1 樣本的采集

對模型樁進(jìn)行試驗所使用的工具是測樁儀，并基于反射波法測得樣本數(shù)據(jù)，反射波法指的是使用激震工具(如：錘子、棒子等)對樁的頂部進(jìn)行擊打，這時會有一個沿著樁體向下傳播的應(yīng)力波信號產(chǎn)生，樁體故障和各界面的反射信號被傳感器接收。

圖2 未優(yōu)化和優(yōu)化后的網(wǎng)絡(luò)預(yù)測誤差對比

2.2 采樣信號特征

事實上，一種樁的故障并非只有一種，或許有多種，故本文所采用的模型樁均有不少于兩種的故障。模型樁種類包括完整樁；存在縮頸、擴(kuò)頸以及裂縫故障的樁；存在一個縮頸與兩個擴(kuò)頸故障的樁；存在緩縮與擴(kuò)頸故障的樁；存在擴(kuò)頸和縮頸故障的樁;存在裂縫故障的樁等，2種模型樁的實驗反射波波形結(jié)果見圖3。

(a) 完整樁

(b) 故障樁

2.3 神經(jīng)網(wǎng)絡(luò)設(shè)計

2.3.1樣本的選擇

在對上面的6類模型樁進(jìn)行試驗后，完整樁選擇5個作為實驗樣本，其他幾類模型樁均選擇10個，在這55個實驗樣本中選出44個用于網(wǎng)絡(luò)訓(xùn)練，剩下的11個用于測試。

2.3.2輸入輸出節(jié)點的確定

可以發(fā)現(xiàn),神經(jīng)網(wǎng)絡(luò)有20個輸入節(jié)點，樁基缺陷類型編碼對輸出節(jié)點進(jìn)行確定。分別檢測了上面所提到的6類樁，并進(jìn)行了編碼設(shè)置，即：100000、010000，001000、000100、000010、 000001，網(wǎng)絡(luò)針對不同的情況輸出相應(yīng)的代碼，所以該神經(jīng)網(wǎng)絡(luò)有6個輸出節(jié)點。確定了輸入節(jié)點和輸出節(jié)點，再根據(jù)上面的神經(jīng)網(wǎng)絡(luò)算法，在神經(jīng)網(wǎng)絡(luò)中輸入各學(xué)習(xí)樣本，經(jīng)過訓(xùn)練可獲得25個隱層節(jié)點。所以在樁基檢測中，所采用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是20-25-6，見圖4。

圖4 樁基監(jiān)測的網(wǎng)絡(luò)結(jié)構(gòu)圖

2.4 樁基檢測的識別結(jié)果

對于11個將用于測試的樣本，先進(jìn)行小波包分解，再對故障特征進(jìn)行提取，接著將經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)輸入以對其進(jìn)行識別。由表2可見，該人工神經(jīng)網(wǎng)絡(luò)的識別能力及精度均非常高，對于本文中的測試樣本而言，所有的都可識別，其結(jié)果已超出了預(yù)期。另外，測試所用儀器與場所在一定程度上也會對識別結(jié)果造成影響，就算存在一定的差異，地質(zhì)情況以及工藝等也可能是導(dǎo)致差異的原因，所以以上這些外部因素均要先進(jìn)行排除再予以判斷，進(jìn)而得到更加令人滿意的識別結(jié)果。

3 樁基故障檢測方法對比

表3是傳統(tǒng)遺傳神經(jīng)網(wǎng)絡(luò)對待測樣本的識別結(jié)果和判斷情況。可以看到,識別效果也很不錯，但與應(yīng)用了小生境技術(shù)的遺傳BP神經(jīng)網(wǎng)絡(luò)相比，其識別精度卻沒有后者高，另外，通過它對神經(jīng)網(wǎng)絡(luò)的優(yōu)化過程，再結(jié)合表3、4、圖5及圖6來看，在對神經(jīng)網(wǎng)絡(luò)優(yōu)化的速度方面也比較快，圖7為兩種方法的誤差曲線對比圖，其中傳統(tǒng)的遺傳算法的誤差與小生境遺傳BP算法的誤差分別用虛線和實線表示，可以看到該方法具有很明顯的優(yōu)勢。

表2 本文方法對待測樣本的識別結(jié)果及判斷

表3 遺傳神經(jīng)網(wǎng)絡(luò)對待測樣本的識別結(jié)果及判斷

圖5 小生境遺傳BP算法誤差

圖7 兩種方法誤差曲線對比圖(a,小生境遺傳算法；b,傳統(tǒng)遺傳算法)

表4 遺傳算法與遺傳BP算法的對比

4 結(jié) 語

以上在識別樁基故障類型時所采用的是遺傳BP神經(jīng)網(wǎng)絡(luò)，達(dá)到了不錯的效果，另外，也同傳統(tǒng)的遺傳神經(jīng)網(wǎng)絡(luò)進(jìn)行了比較，結(jié)果也充分顯示了該方法的優(yōu)勢，在樁基檢測中將小波分析和神經(jīng)網(wǎng)絡(luò)相結(jié)合，其應(yīng)用前景及價值將更大。

參考文獻(xiàn)(References)：

[1] 袁 滿,劉耀林.基于多智能體遺傳算法的土地利用優(yōu)化配置[J].農(nóng)業(yè)工程學(xué)報,2014(1):191-199.

[2] 毛海穎,馮仲科,鞏垠熙,等.多光譜遙感技術(shù)結(jié)合遺傳算法對永定河土壤歸一化水體指數(shù)的研究[J].光譜學(xué)與光譜分析,2014(6):1649-1655.

[3] 肖 曦,許青松,王雅婷,等.基于遺傳算法的內(nèi)埋式永磁同步電機(jī)參數(shù)辨識方法[J].電工技術(shù)學(xué)報,2014,29(3):21-26.

[4] 齊 鄭,喬 豐,黃哲洙,等.基于暫態(tài)分量遺傳算法的小電流接地故障定位方法[J].電力系統(tǒng)保護(hù)與控制,2014(1):34-39.

[5] 王冰玉,孫威江,黃 艷,等.基于遺傳算法的安溪鐵觀音品質(zhì)快速評價研究[J].光譜學(xué)與光譜分析,2017,37(4):1100-1104.

[6] 李佳宇,孫 萍,鄒 韻,等.提取葡萄糖多晶光學(xué)參數(shù)的迭代和遺傳算法比較分析[J].光譜學(xué)與光譜分析,2016,36(12):3875-3880.

[7] 陳媛媛,王志斌,王召巴,等.區(qū)間極限學(xué)習(xí)機(jī)結(jié)合遺傳算法用于紅外光譜氣體濃度反演的研究[J].光譜學(xué)與光譜分析,2014,34(5):1244-1248.

[8] 肖 峻,張澤群,張 磐,等.用于優(yōu)化微網(wǎng)聯(lián)絡(luò)線功率的混合儲能容量優(yōu)化方法[J].電力系統(tǒng)自動化,2014(12):19-26.

[9] 張玉欣,程志峰,徐正平,等.參數(shù)尋優(yōu)支持向量機(jī)在基于光聲光譜法的變壓器故障診斷中的應(yīng)用[J].光譜學(xué)與光譜分析,2015,35(1):10-13.

[10] 馬雙雙,馬秋林,韓魯佳,等.基于LIBS和遺傳算法的畜禽糞便中鈣含量研究[J].光譜學(xué)與光譜分析,2017,37(5):1530-1534.

[11] 葉滿園,周琪琦,蔡 鴻,等.基于捕食策略遺傳算法的3電平中點箝位型逆變器特定諧波消除脈寬調(diào)制技術(shù)[J].高電壓技術(shù),2014,40(11):3569-3576.

[12] 葉 林,陳 政,趙永寧,等.基于遺傳算法-模糊徑向基神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測模型[J].電力系統(tǒng)自動化,2015(16):16-22.

[13] 李澤文,易志鵬,楊 毅,等.基于遺傳算法的電網(wǎng)故障行波定位裝置的優(yōu)化配置[J].電力系統(tǒng)保護(hù)與控制,2015(3):77-83.