基于ＩＧ－ＣＰＳＯ－ＢＰ 的水工鋼閘門安全等級識別

周倫鋼 趙松波 仝戈 許亮

摘 要：為提高ＢＰ 神經網絡對水工鋼閘門安全等級識別的速度和精度，構建基于信息增益（ＩＧ）和混沌粒子群優化（ＣＰＳＯ）算法優化ＢＰ 神經網絡的水工鋼閘門安全等級評估模型。該模型利用ＩＧ 算法精簡水工鋼閘門安全等級評估的特征指標，避免冗余變量干擾，提升模型的訓練速度；利用ＣＰＳＯ 算法優化ＢＰ 神經網絡的初始權重，提高模型的收斂性及對水工鋼閘門安全等級的分類能力。經過驗證分析，基于ＩＧ－ＣＰＳＯ－ＢＰ 的水工鋼閘門安全等級評估模型的評估結果與實際的水工鋼閘門安全等級基本吻合，識別精度明顯優于ＩＧ－ＢＰ、ＩＧ－ＧＡ－ＢＰ、ＩＧ－ＰＳＯ－ＢＰ 模型。

關鍵詞：信息增益；混沌粒子群優化算法；ＢＰ 神經網絡；安全等級識別；水工鋼閘門

中圖分類號：ＴＶ６６３ 文獻標志碼：Ａ ｄｏｉ：１０．３９６９／ ｊ．ｉｓｓｎ．１０００－１３７９．２０２３．０７．０２４

引用格式：周倫鋼，趙松波，仝戈，等．基于ＩＧ－ＣＰＳＯ－ＢＰ 的水工鋼閘門安全等級識別［Ｊ］．人民黃河，２０２３，４５（７）：１３０－１３３，１６２．

０ 引言

南水北調中線工程是優化我國水資源配置的一項戰略性基礎設施工程。南水北調中線工程全線輸水采用自流模式，根據沿線地勢、環境等布設節制閘、控制閘、分水口、退水閘等，各閘站均通過鋼閘門的啟閉實現輸水流量實時調控。水工鋼閘門的損壞程度與運行環境和運行狀態密切相關，不同程度的損壞均會導致鋼閘門功能減弱，其危害往往具有突然性，嚴重威脅工程運行安全［１］ 。定期檢測并評估水工鋼閘門的運行狀態，及時處理其存在的安全問題，對開展設備運維工作具有重要意義［２］ 。目前水工鋼閘門安全等級評估方法眾多，但大多數方法僅適用于傳統定期檢測，數據處理速度慢，且缺乏水工鋼閘門相關的實時監測數據，具有實時在線安全等級評估功能的水工鋼閘門運行系統研究一直未能得到拓展［３－５］ 。

水工鋼閘門的安全等級評估可以理解為模式識別，即將安全等級特征值所構成的模式空間正確映射到類別隸屬空間，同時保證該過程快速、穩定。ＢＰ 神經網絡具有自組織性、協同性、容錯性和聯想記憶性的優勢，其基于大腦結構原理，可以實現數據并行分析［６］ 。然而，在實際工程中傳統的水工鋼閘門安全等級評估模型的評估指標眾多，模型中輸入樣本所包含的特征參數繁雜，ＢＰ 神經網絡對初始權重敏感，易陷入局部最優，導致基于ＢＰ 神經網絡的水工鋼閘門安全等級評估模型的準確性和快速性不高。信息增益（Ｉｎｆｏｒｍａｔｉｏｎ Ｇａｉｎ，ＩＧ）算法是一種過濾式特征選取算法，可依據信息熵篩選出影響水工鋼閘門安全等級的主導因素［７］ ?；煦缌Ｗ尤簝灮ǎ茫瑁幔铮?Ｐａｒｔｉｃｌｅ ＳｗａｒｍＯｐｔｉｍｉｚａｔｉｏｎ，ＣＰＳＯ）算法是一種通過模擬鳥群覓食過程中的遷徙和群聚行為而提出的基于群體智能的全局隨機搜索算法，利用混沌算法對粒子群進優化處理，具有結構簡單、收斂速度快、不易陷入局部最優等特點。目前ＣＰＳＯ 算法已廣泛應用于模式識別、數據挖掘等領域［６，８］ 。

為降低ＢＰ 神經網絡模型的輸入變量維度，保證其收斂快速性、準確性，本文選取信息增益值大于０．６的特征指標作為網絡模型的輸入變量。通過對其信息增益值進行排序后，選取特征指標依次為主要構件應力、支臂穩定度、銹蝕速率、面板剛度、檢修時間、振動情況、焊縫質量。

３．２ 模型參數設置

為保證水工鋼閘門安全等級評估模型的穩定性，隨機選取上述３６０ 組水工鋼閘門安全狀態數據中的３３０ 組數據作為模型訓練樣本集，剩余３０ 組數據作為模型測試樣本集。利用ＩＧ 熵理論選擇上述７ 個特征指標作為模型的輸入變量，故ＢＰ 神經網絡輸入層神經元數為７。參考表１，選取水工鋼閘門的３ 種安全等級為模型輸出變量，即ＢＰ 神經網絡輸出層神經元數為３。經多次試驗，ＢＰ 神經網絡參數設置如下：隱含層神經元數為１５，學習速率為０．０００ １，目標精度為１０－６，最大迭代次數為２００ 次。

ＣＰＳＯ 算法參數設置如下：粒子數目ｍ ＝ ３０，維數Ｄ ＝ ２，最高迭代次數ｉｔｍａｘ ＝ １００，學習因子ｃ１ ＝ １．５、ｃ２ ＝１．５，慣性權重最大值ωｍａｘ ＝ ０．９，慣性權重最小值ωｍｉｎ ＝０．４，ＳＧｍａｘ ＝１０，ＳＧ ＝０，誤差精度ｅ ＝１０－５。

４ 模型仿真結果分析

基于ＩＧ－ＣＰＳＯ－ＢＰ 的水工鋼閘門安全等級評估模型的適應度變化曲線見圖２。在進化過程中，粒子群逐漸陷入局部最優，此時依據混沌原理使種群跳出局部最優，當進化代數為２４ 次時，模型滿足設定要求，表明基于ＩＧ－ＣＰＳＯ－ＢＰ 的水工鋼閘門安全等級評估模型具有較大的收斂速率以及較高的收斂精度。

為進一步評估基于ＩＧ－ＣＰＳＯ－ＢＰ 的水工鋼閘門安全等級評估模型的優劣性，利用相同的水工鋼閘門安全狀態數據樣本，對基于ＩＧ－ＢＰ、ＩＧ－ＧＡ－ＢＰ、ＩＧＰＳＯ－ＢＰ 的水工鋼閘門安全等級評估模型進行訓練測試，測試結果見表３。

通過對比分析可得，基于ＩＧ－ＣＰＳＯ－ＢＰ 的水工鋼閘門安全等級評估模型的評估結果與實際的水工鋼閘門安全等級基本吻合，識別精度明顯高于其他模型，模型運行時間相對較短，模型泛化能力更好，在實際的工程應用中具有更好的在線識別效果。

５ 結論

采用ＩＧ 算法對水工鋼閘門安全等級評估特征指標進行擇優篩選，采用ＣＰＳＯ 算法對ＢＰ 神經網絡的初始權系進行優化，建立基于ＩＧ－ＣＰＳＯ－ＢＰ 的水工鋼閘門安全等級評估模型，其識別準確率較ＩＧ－ＢＰ、ＩＧＧＡ－ＢＰ、ＩＧ－ＰＳＯ－ＢＰ 模型均有提升，在降低ＢＰ 神經網絡模型輸入向量維度的同時，有效克服了ＢＰ 神經網絡及ＰＳＯ 算法易陷入局部最優的弊端，在南水北調中線工程水工鋼閘門安全等級在線識別中具有良好的應用前景。

參考文獻：

［１］ 嚴柳紅．水工鋼閘門腐蝕影響因素及防腐蝕技術探析［Ｊ］．科技創新導報，２０１９，１６（３６）：８１，８３．

［２］ 李奇，鄭圣義．基于直覺模糊層次法和云模型的水工鋼閘門評估［Ｊ］．人民黃河，２０２２，４４（３）：１１８－１２１，１４３．

［３］ 李劍斌，巫世晶，楊志澤，等．基于層次分析法和模糊綜合評價的水工鋼閘門安全評估［Ｊ］．水電能源科學，２０１６，３４（６）：１９５－１９８．

［４］ 賈文斌，戚蘭英，劉月剛．基于ＦＡＨＰ 法的水工鋼閘門安全評價［Ｊ］．水利水電技術，２０１５，４６（１１）：８４－８７，１２０．

［５］ 楊娟娟，洪偉，吳振．現役水工鋼閘門的實時在線監測方法［Ｊ］．大壩與安全，２０１９（４）：６４－６７．

［６］ 許亮，趙松波，高強，等．ＰＳＯ－ＢＰ 神經網絡在語音干擾效果評估中的應用［Ｊ］．現代電子技術，２０１９，４２（６）：４３－４６，５０．

［７］ 萬宇，齊金平，張儒，等．基于信息增益優化支持向量機模型的煤礦瓦斯爆炸風險預測［Ｊ］．科學技術與工程，２０２１，２１（９）：３５４４－３５４９．

［８］ ＴＯＲＲＥＳ?ＨＥＲＲＥＲＡ Ｅ Ｊ，ＳＡＮＴＯＳ Ｌ Ｆ．Ｄｙｎａｍｉｃａｌ Ｍａｎｉｆｅｓ?ｔａｔｉｏｎｓ ｏｆ Ｑｕａｎｔｕｍ Ｃｈａｏｓ：Ｃｏｒｒｅｌａｔｉｏｎ Ｈｏｌｅ ａｎｄ Ｂｕｌｇｅ［Ｊ］．ＰｈｉｌｏｓＴｒａｎｓａｃｔ Ａ Ｍａｔｈ Ｐｈｙｓ Ｅｎｇ Ｓｃｉ，２０１７，３７５（２１０８）：２０１６０４３４．

［９］ ＹＡＮＧ Ｚ Ｃ，ＳＨＥＮ Ｙ，ＹＡＮＧ Ｆ，ｅｔ ａｌ．Ａ Ｃｏｍｐｒｅｈｅｎｓｉｖｅ Ｒｅａｌ?Ｔｉｍｅ Ｓｔａｔｅ Ｅｖａｌｕａｔｉｏｎ Ｓｔｒａｔｅｇｙ ｆｏｒ Ｄｉｓｔｒｉｂｕｔｉｏｎ ＥｑｕｉｐｍｅｎｔＢａｓｅｄ ｏｎ Ｍ?ＰＳＯ?ＢＰ Ａｌｇｏｒｉｔｈｍ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｔｒａｎｓａｃｔｉｏｎｓｏｎ Ｅｌｅｃｔｒｉｃａｌ Ｅｎｅｒｇｙ Ｓｙｓｔｅｍｓ，２０１９，２９（１１）：１２１０８．

［１０］ 中華人民共和國水利部．水工鋼閘門和啟閉機安全檢測技術規程：ＳＬ １０１—２０１４［Ｓ］． 北京中國標準出版社，２０１４：５－２４．

［１１］ 李劍斌，巫世晶，楊志澤，等．基于層次分析法和模糊綜合評價的水工鋼閘門安全評估［Ｊ］． 水電能源科學，２０１６，３４（６）：１９５－１９８．

［１２］ 楊光明，鄭圣義，王鋼鋼，等．水工金屬結構健康診斷理論、方法及應用［Ｍ］．南京：河海大學出版社，２０１３：３５－６８．

［１３］ 蔣榮，郭建斌．基于理想點法的水工鋼閘門安全評價［Ｊ］．水電能源科學，２０１７，３５（１１）：１８３－１８５，２１１．

［１４］ 方仍存，李超順，蒲桂林．基于自適應混沌蜂群算法的梯級電站優化調度［Ｊ］． 人民黃河，２０１７，３９（２）：１０２ －１０６，１１１．

［１５］ 趙松波．基于改進優化算法的液體火箭發動機故障檢測與診斷研究［Ｄ］．天津：天津理工大學，２０１９：４６－６０．

【責任編輯 栗 銘】