（计算机应用技术专业论文）基于遗传bp算法的神经网络在桩基检测中的应用.pdf

摘要 故障检测与诊断技术在近几十年得到飞速的发展，神经网络和遗传算法在故 障检测与诊断中有着成功的应用，并且两者的结合在故障检测与诊断技术中有着 广阔的应用前景。桩基检测属于工程问题，用于桩基完整性检测的方法主要是时 域和频域分析法，对结果的分析需要依靠技术人员的工程经验，而且由于桩一土 体的复杂性，传统的方法遇到了很大的困难。因此需要尝试新的方法，本文将神 经网络与遗传算法相结合来检测桩基完整性，为桩基完整性检测开辟了一个新途 径。 本文阐述了桩基检测中遗传b p 神经网络的基本设计思想和算法实现过程， 在遗传b p 神经网络中将遗传算法与b p 算法结合来训练神经网络的结构和权值。 由于神经网络的结构不同，在遗传算法中采用小生境技术，将群体分为主群体和 小群体，主群体中含有不同网络结构的个体，小群体中的个体网络结构是相同的， 采用小群体可以防止优秀个体早期退化。文中提出了小生境技术中初始群体的设 计思想和算法实现过程。 特征提取是信号识别与分类中的重要一环，对提高系统的准确性、改善系统 性能起着关键的作用。特征提取的方法有很多，利用小波包变换对信号进行特征 提取是近年来发展起来的一种新的特征表示手段，在许多领域中已获得了成功的 应用。对于桩基检测信号，本文用基于最优小波包基的特征提取方法。文中提出 了基于熵规则的最优小波包基选择策略，并且给出了对于所有的训练样本的小波 包最优基选择的具体实现方法。用此方法提取故障的特征，可以减少输入向量的 维数，并且有利于故障类型的识别和分类。 将本文提出的方法应用于实际桩基信号的完整性检测中，对于几种模型桩的 桩基故障，本文的方法都能给出正确的识别结果，实验结果表明了该方法的有效 性，检测准确率达到了预期的效果。因此本文的故障诊断方法在工程实际中有着 广阔的应用前景，对于解决实际问题有着重要的意义。 关键词： b p 神经网络；遗传算法：小生境技术；故障诊断；小波包分析；特征提取； 桩基检测 a b s t r a c t i nt h ep r e v i o u sd e c a d e ，f d d ( f a u l td e t e c t i o na n dd i a g n o s i s ) h a s g r e a t l y d e v e l o p e d a n n ( a r t i f i c i a ln e u r a ln e t w o r k ) a n dg a ( g e n e t i ca l g o r i t h m ) h a ss u c c e s s f u l a p p l i c a t i o n s i nf d d ，a n dt h ec o m b i n eo fa n na n dg ah a sw i d ef o r e g r o u n di n a p p l i c a t i o n s d e f e c to fp i l ei sap r o b l e mo fe n g i n e e r i n g ，t h em e t h o do fi n t e g r i t yd e f e c t o fp i l ea r et i m e f i e l da n df r e q u e n c y f i e l d a n a l y s i s ，w h i c hh a v et od e p e n do nt h e e x p e r i e n c eo fe n g i n e e r sa n dh a sm a n yd i f f i c u l t i e si nd e f e c to fp i l e s oi nt h i sp a p e r ，a n e wm e t h o dt h a tt h ec o m b i n eo f a n na n dg ai sa p p l i e dt od e f e c to f p i l e i nt h i sp a p e r , t h ep r o c e s s i n go fn e u r a ln e t w o r kb a s e dg e n e t i c b pa l g o r i t h mi n d e f e c to fp i l ei si n t r o d u c e d ，a n di tb eu s e dt os e a r c ht h es t r u c t u r ea n dw e i g h to ft h e n e t w o r k i ng e n e t i ca l g o r i t h m ，n i c h et e c h n o l o g yi s a p p l i e db e c a u s et h es t r u c t u r eo f n e t w o r ki sd i f f e r e n c e ，w h i c hc a na v o i dt h ee a r l yd e g e n e r a t eo fg o o dn e t w o r k t h e a l g o r i t h md e s i g no fo r i g i n a l i t yc o l o n yi sg i v e ni nn i c h et e c h n o l o g yi nt h i sp a p e r t h e c o l o n yh a st w op a r t s ，o n ei sm a i nc o l o n y , i nw h i c ht h es t r u c t u r e so fn e t w o r ka r e d i f f e r e n t ，a n o t h e ri ss m a l lc o l o n yt h a tt h es t r u c t u r e so fn e t w o r ka r es a m e f e a t u r ee x t r a c t i o np l a y sa ni m p o r t a n tr o l ef o ri m p r o v i n ga c c u r a c i e si ns i g n a l c l a s s i f i c a t i o na n dr e c o g n i t i o n e x t r a c t i n gf e a t u r e sb yw a v e l e tp a c k e t si sn e w w a yf o r s i g n a lr e p r e s e n t a t i o nd e v e l o p e dt h e s ey e a r s ，a n dg r e a ts u c c e s sh a sb e e na c h i e v e di n m a n yf i e l d s f o rt h es i g n a lo fd e f e c to fp i l e ，t h em e t h o do ff e a t u r ee x t r a c t i o nb a s e d o n b e s tw a v e l e tp a c k e rb a s e si su s e d i nt h i sp a p e r , t h ea l g o r i t h mo fb e s tb a s e ss e a r c h b a s e do ns h a n n o ni sg i v e n ，a n dt h em e t h o do fb e s tb a s e ss e a r c hf o ra l lt r a i n i n gs e t si s g i v e n e x t r a c t i n gf e a t u r e sb yt h em e t h o do ft h i sp a p e ri se f f e c t i v ef o rc l a s s i f i c a t i o na n d r e c o g n i t i o no ff a u l t s t h em e t h o d so ff e a t u r ee x t r a c t i o na n df a u l td i a g n o s i si nt h i sp a p e ra r ea p p l i e dt o p r a c t i c a li n t e g r i t yd e f e c to fp i l e s ，a n dg i v ec o r r e c td i a g n o s er e s u l t sf o rs o m et y p i c a l p i l ef a u l t s t h er e s u l t so fe x p e r i m e n tt e s t i f i e dt h ee f f e c t i v eo ft h i sm e t h o d s ot h e m e t h o df o rf a u l t sd i a g n o s ei nt h i sp a p e rh a sw i d ea p p l i c a t i o nf o r e g r o u n d ，a n dh a s i m p o r t a n ts i g n i f i c a t i o nt os e t t l i n gf a c tp r o b l e m k e yw o r d s ： b pn e u r a ln e t w o r k ；g e n e t i ca l g o r i t h m ；n i c h et e c h n i q u e ；f a u l t sd i a g n o s e ；w a v e l e t p a c k e ta n a l y s i s ；f e a t u r ee x t r a c t i o n ；d e f e c to fp i l e n 长沙理工大学 学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取 得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其 他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个 人和集体，均己在文中以明确方式标明。本人完全意识到本声明的法律后果 由本人承担。 作孝签名：友确。：兹 日期：印饰y 月侈日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学 校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查 阅和借阅。本人授权长沙理工大学可以将本学位论文的全部或部分内容编入 有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本 学位论文。 本学位论文属于 1 、保密斟在5年解密后适用本授权书。 2 、不保密口。 ( 请在以上相应方框内打“) 作者签名： 教确怒日期：肼夕月侈日 导师签名：男关汜 日期：沙。咿厂月哆日 1 1 桩基检测 第一章绪论 桩基检测属于工程问题，通常是用动测法对桩身进行检验，然后对动测数据 进行分析，以判断桩身存在哪种缺陷。对动测数据进行分析的方法很多，就其原 理而言主要有时域分析和频域分析法，但这些方法对于结果的解释主要还是依靠 测试人员的工程经验，有时对于同种测试数据，不同背景的人做出的判断可能 有相当大的出入，亦即由于桩一土体本身的复杂性，传统的处理方法遇到了极大 的困难。因此，我们需要尝试新的比较实用的方法，为桩基检测开辟新的途径。 目前比较实用的方法是神经网络分析法，但是人们对这方面的讨论还不多，很多 理论和知识还不完善。桩基完整性检测也属于一类故障诊断问题，本文将其作为 故障识别和分类问题来讨论。 1 2 故障诊断的方法 故障检测与诊断是控制科学的重要组成部分，作为一种交叉性科学领域广它 与容错控制、鲁棒控制、自适应控制、智能控制等多种技术密切的联系。故障检 测与诊断技术在过去的十几年里得到了飞速发展，一些新的理论与方法，如：主 元分析、遗传算法、小波变换、神经网络、模糊系统、模式识别、自适应理论： 非线性理论等都已经在这里得到了成功的应用。 故障诊断的方法按照通常的分类方法可以分为基于解析模型的方法、基于信 号处理的方法和基于知识的方法三大类。 基于解析模型的方法是最早发展起来的，此方法需要建立被诊断对象的较为 精确的数学模型。由于系统的运动方程采用参数矢量表示，这种参数实际上代表 了系统的指标，所以根据系统参数的估计值与其正常值之间的偏离数值，可以判 断系统的故障状态。进一步，它又可以分为参数估计方法、状态估计方法和等价 空间方法。这种方法在最近2 0 年中得到了广泛的应用。然而以往的研究大都局限 于线性系统，因为非线性系统的故障诊断的难点在于数学模型很难建立，参数估 计方法比状态估计方法更适合非线性系统。 当难以建立诊断对象的解析数学模型时，基于信号处理的方法是非常有效的， 因为这种方法回避了抽取对象的数学模型的难点。而直接利用信号模型，如相关 函数、高阶统计量、频谱和自回归滑动平均过程，以及热门的小波分析技术。但 是，避开对象数学模型，是这种方法的优点，也是它的缺点。 基于知识的方法与基于信号处理的方法类似，也不需要系统的定量数学模型， 但它克服了后者的缺点，引入了诊断对象的许多信息，特别是可以充分的利用专 家诊断知识等，所以是一种很有前途的方法，尤其是在非线性系统领域。 神经网络是近年来出现的一种新的方法，它具有自学习和能拟和任意连续非 线性函数的能力，以及其并行处理、全局作用的能力，使得它在处理非线性问题 时具有很大的优势。另外，遗传算法是基于自然选择和基因遗传学原理的搜索算 法，可获得全局最优解。将两种方法结合起来有着巨大的应用前景。 1 3 神经网络在故障诊断中的应用 1 3 1 神经网络的发展与应用 1 3 1 1 什么是神经网络 人工神经网络是指模拟人脑神经系统的结构和功能，运用大量的处理部件， 由人工方式构造的网络系统。 神经网络理论突破了传统的、串行处理的数字电子计算机的局限，是一个非 线性动力学系统，并以分布式存储和并行协同处理为特色，虽然单个神经元的结 构和功能极其简单有限，但是大量的神经元构成的网络系统所实现的行为却是极 其丰富多彩的。 1 3 1 2 人工神经网络研究的历史及其应用 神经网络的研究已有五十多年的历史，但其发展是不平衡的，它的兴衰还与 “人工智能走什么路这一争议问题有关。由于其结构的复杂性，起始阶段进展 不快，并一度陷入低谷，但仍有不少有识之士在极其艰难的条件下坚持研究，使 研究工作始终没有中断，并在模型建立等理论方面取得了突破性的成果。时至今 天，人工神经网络成了信息领域的热门研究课题。 1 第一阶段初始发展期( 2 0 世纪4 0 年代2 0 世纪6 0 年代) 早在1 9 4 3 年，美国心理学家m c c u l l o c h 和数学家p i t t s 联合提出了形式神经 的数学模型，即m p 模型，从此开创了神经科学理论研究的新纪元。m p 模型能 够完成有限的逻辑运算。1 9 4 4 年，心理学家h e b b 提出了改变神经元间连接强度 的h e b b 规则，他们至今仍在各种神经网络模型中起着重要的作用。1 9 5 7 年，计 算机科学家r o s e n b l a t t 用硬件完成了最早的神经网络模型，即感知器( p e r c e p t i o n ) ， 2 并用来模拟生物的感知和学习能力。1 9 6 2 年，电机工程师w i n d r o w 和h o f f 提出 了自适应线性元件a d a l i n e ，它是一个连续取值的线性网络，在信号处理系统中用 于抵消通讯中的回波和噪声，应用十分广泛。 2 第二阶段低谷期( 2 0 世纪6 0 年代末一2 0 世纪7 0 年代末) 1 9 6 9 年，人工智能之父m i n s k y 和p a p e r t 发表的感知器( p e r c e p t i o n ) ) ) 书指出，感知器无科学价值可言，连x o r 逻辑分类都作不到，只能作线性划分。 由于m i n s k y 在学术界的地位和影响，故其后若千年内，这一研究方向处于低潮。 另一方面，传统的冯诺依曼电子数字计算机正处在发展的全盛时期，整个学术界 都陶醉在成功的喜悦之中，从而掩盖了新型计算机发展的必然。 尽管如此，在此期间仍然有不少有识之士不断努力，在极端艰难的条件下致 力于这一研究，为神经网络的发展奠定了理论基础。b o s t o n 大学的g r o s s b e r g 和 c a r p e n t e r 提出了自适应共振理论a r t 网络。芬兰的h e i s i n k i 大学的k o h o n e n 提 出了自组织映射网络。日本大坂大学的f u k u s h i m a 提出了神经认知机网络模型。 日本东京大学的a m a r i 对神经网络进行了数学理论的研究。 3 第三阶段一兴盛期( 2 0 世纪8 0 年代以后) 2 0 世纪7 0 年代末期，研究和试图模拟听觉的人工智能专家首先遇到挫折， 人们习以为常的知识难以教给计算机。计算机的设计者和制造商也发现前面有不 可逾越的线路微型化的物理极限，人们才开始思考冯诺依曼机到底还能走多远。 同时，v l s i 、脑科学、生物学、光学的迅速发展也为人工神经网络的发展打下了 基础。 1 9 8 2 年，加州大学的物理学家h o p f i e l d 提出了h o p f i e l d 网络模型，并用电路 实现。1 9 8 5 年，r u m e l h a r t 提出了b p 算法，把学习的结果反馈到神经网络的隐层， 来改变权系矩阵，它是迄今为止最普遍的网络。h i n t o n 等人提出了b o l t m a n 机模 型。1 9 8 8 年，蔡少堂提出了细胞神经网络模型。 近年来，神经网络理论引起了美国、欧洲与日本等国科学家和企业家的巨大 热情。新的研究小组、实验室、风险公司等与日俱增，世界各国也正在组织和实 施与此有关的重大研究项目。如美国d a r p a 计划、日本h f s p 计划、法国尤里 卡计划、德国欧洲防御计划和前苏联高技术发展计划等。1 9 8 6 年4 月，美国物理 学会在s n o w b i r d s 召开了国际神经网络学术会议。1 9 8 7 年6 月，i e e e 在s a nd i e g o 召开了国际神经网络学术会议，并成立了国际神经网络学会。1 9 8 8 年起，i e e e 和国际神经网络学会每年召开一次国际会议。1 9 9 0 年3 月，t e e e 神经网络会刊 问世。 一3 神经网络理论的应用也已经渗透到各个领域，并在智能控制、模式识别、计 算机视觉、自适应滤波、信号处理、非线性优化、语音识别、知识处理、传感技 术与机器人等方面取得了令人鼓舞的进展。神经网络代表一种新的主义，即连接 主义，用于解决诸如知识表达、推理学习、联想记忆、乃至复杂的社会现象，如 混沌，社会演变等复杂系统的统一模型，它将预示着一个新的工业的到来。 1 3 2 神经网络在故障诊断中的应用概况 故障诊断是近4 0 年来发展起来的一门新学科。它是适应工程实际需要而形成 的各学科交叉的综合学科。 基于神经网络的故障诊断问题可以看成模式识别。通过对一系列过程参量进 行测量，然后用神经网络从测量空间影射到故障空间，实现故障诊断。 人工神经网络之所以适合于故障诊断，有以下三个原因： 1 ) 训练过的神经网络能存储有关过程的知识，能直接从定量的、历史故障信 息中学习。可以根据对象的正常历史数据训练网络，然后将此信息与当前测量数 据进行比较，以确定故障。 2 ) 人工神经网络具有滤除噪声及在有噪声情况下得出正确结论的能力，可以 训练人工神经网络来识别故障信息，使其能在噪声环境中有效的工作，这种滤除 噪声的能力使得人工神经网络适合在线故障检测和诊断。 3 ) 人工神经网络具有分辨原因及故障类别的能力。 1 3 2 1 国外的研究发展状况 神经网络用于故障诊断起源于8 0 年代末期。1 9 8 9 年美国珀杜大学的v e n k a t v e n k a t a s u b r a m a n i a n 和k i n gc h a n 等人将人工神经网络用于故障诊断中口1 ，并与基 于知识的专家系统进行了比较。他们诊断的设备是一个流化态催化裂化单元的故 障，确定了1 8 种征兆( 输入节点) 和1 3 种故障类型( 输出节点) ，隐层有5 2 7 个节点。所用的算法是反向传播算法，获得了理想的结果：它能正确的确定 9 4 9 8 的故障原因。美中不足的是训练时间太长，并且训练时输入的数据不是 实时的；人工神经网络映射连续变量比映射布尔量要困难得多，尽管存在这些局 限性，但他们仍是第一次将人工神经网络成功的应用于模式匹配和故障诊断中。 同年，只本庆应义塾大学的k a j i o r 、w a t a n a b c 等人将神经网络用于诊断化工 过程的初期故障哺1 。他们认为人工神经网络通过联想记忆有学习和存储故障信息 的能力，并且具有联想诊断过程故障的能力。网络可以从稳态过程变量数值中学 习到故障知识，这些参量既有正常状态下采集的也有故障状态下采集的，用来表 4 示故障的程度。提出了一个两级多层神经网络用于故障诊断，一级网络用于识另l j 含有噪声的故障，旦识别出故障，二级就来估算故障的程度，这样可以诊断出 早期故障。 美国德克萨斯大学的h o s k i n s 和h i m m e l b l a u 等人应用人工神经网络进行故障 诊断嗍时采用连续变量作为输入，但其工作的一个限制是只适合于稳态系统。诊 断的对象是3 个等温连续搅拌釜反应器，h o s k i n s 和h i m m e l b l a u 等人用人工神经 网络识别6 种可能的故障。他们根据一个标量决策函数采用人工神经网络对输入 模式进行分类；采用b p 算法，讨论了隐层节点数对学习效率的影响。当训练集 中只有6 个输入模式时，人工神经网络的误诊断率仅为2 0 ；有1 2 个模式时，系 统的诊断正确率为1 0 0 。 1 9 9 0 年，n a i d u 等人用人工神经网络进行传感器故障检测n 町，传感器故障检 测的最主要问题是对过程的正确模拟。对一个复杂的非线性过程，这一任务非常 困难。n a i d u 等人试图用人工神经网络来区分由传感器故障引起的模式和由过程一 模型不匹配、噪声及扰动引起的模式。结果表明：人工神经网络对传感器故障的 预测准确性比其它方法高，原因是人工神经网络能抓住非线性问题，另外人工神 经网络能够在线进行训练，训练好后，它所需要的计算时间要少于其它算法。 y a o 和z a f i r i o u 等人进一步扩展了这种采用人工神经网络的故障检测方法n ， 他们采用的是所谓的局部区域网络( 1 0 c a lr e c e p t i v e f i e l dn e t w o r k ，l r f n ) ，并展 示了一种去除网络多余节点，提高效率的方法。该网络只有一层，同时采用有监 督和无监督学习方法训练。 基于这一工作，局部接收区域网络展示了在线进行传感器故障检测的希望。 首先，网络能够准确的检测出故障，效果优于n a i d u 等人的反向传播网络；其次， 局部接收区域网络与任何人工神经网络一样可以离线训练，然后用于在线服务。 1 9 9 0 年美国宾夕法尼亚大学的u n g a r 等人探索了采用自适应人工神经网络进 行故障诊断和过程控制射。自适应人工神经网络可用于故障识别系统，采用基于 w i d r o w h o f f 规则的b p 算法，以连接强度表示输入( 报警和传感器测量结果) 和 输出( 故障、传感器故障或控制系统故障) 之间的关系。这个系统是一个能够象 线性相关性一样学习非线性和逻辑关系的模式识别器。对一个小模拟化工厂进行 诊断，用加入了噪声的定性( 报警) 和定量( 传感器) 数据进行网路学习，非线 性网络学习的重要性在于要求有足够灵敏度的特征数据和优化报警阈值问题。 麻省理工学院的j a m e sa l e o n a r d 和m a r ka k r a r n e r 等人采用径向偏置函数即 高斯密度函数： 5 一 口肚。c x “尘害码 d 代替s i g m o i d 函数：厂o ) 一击 上十p 结果表明，采用径向基函数可以使： 1 ) 人工神经网络的泛化能力加强，能更好的处理训练数据以外的测试实例。 2 ) 人工神经网络能估计测试实例与原来的分类器的接近程度。 3 ) 训练速度加快。 1 9 9 1 年北卡罗来纳州立大学的m c h o w 和s o y e e 等人用人工神经网络对交 流感应电动机进行了故障诊断n 朝。他们认为交流感应电动机的初期故障如果检测 不出来，则可导致整个机器损坏，超过7 3 5 5 k w 的大电机的早期故障检测法用于 中小型感应电机上造价太高或不实用。为此他们建立了一种基于高序神经网络的 中小型感应电动机初期故障诊断法，这种方法避免了传统初期故障诊断法中存在 的一些问题。该方法利用了一些可靠的信息，如转子速度和定子电流等。神经网 络的设计是在实验室的一个5 5 2 w 永磁感应电动机上实时进行的，计算结果表明， 基于神经网络的初期故障检测仪的识别准确率超过9 5 ，适合现场应用。 t i m es o r s a 等人论述了过程自动化领域的神经网络诊断法，他们认为几种结 构的神经网络比基于模型的方法和专家系统更适合于故障诊断，并指出双曲正切 多层感知器网络单元最适合故障诊断。将其用于热交换器一连续搅拌反应器系统， 系统有1 4 个含有噪声的测量结果和1 0 种故障，该网络经3 0 0 0 次学习后能将故障 正确的检测并分类，并用主分量分析法描述故障诊断问题。 1 9 9 4 年k a j i o r 、w a t a n a b e 等人用混合神经网络诊断多故障n ，采用h a n n 的一种新型网络进行故障诊断，h a n n 将大量的模式分为很多小的子集以便网络 能够更有效的对故障进行分类。它的优点是即使网络是用单故障训练的，但对没 学过的多故障也可以检测，并在反应器中得到了应用。 1 3 2 2 国内的研究状况 我国也有一些学者对神经网络在旋转机械故障诊断中的应用进行了探讨，取 得了一定的成果。东北大学虞和济教授对机械设备故障诊断的人工神经网络法进 行了深入的研究陆幅3 ，建立了旋转机械神经网络分类系统并得到了应用，取得了 满意的效果。西安交通大学的屈梁生教授等较早地利用人工神经网络对大型旋转 机械的各种故障进行了全面的研究n 引，研究了如何从现场故障信号中提取故障特 6 征并将全息诊断法用于神经网络诊断系统中。东南大学的钟秉林等也就神经网络 对给定知识的表达、联想、记忆能力及网络结构进行了研究n 刀并指出神经网络在 机械故障诊断中显示了极大的应用潜力。张炜等一批科技工作者对旋转机械故障 诊断中的神经网络算法进行了研究u 町，采用动态学习算法，引入控制因子，结果 表明这种改进提高了b p 网络的收敛速度，改善了网络的性能，具有实际应用意 义。建立了基于概率神经网络的大机组快速响应诊断系统，其收敛速度为b p 网 络的2 万倍；实现了对大机组常见故障快速、简捷、自动的智能化诊断并减少了 对专家的依赖；研制出实用的“傻瓜式智能诊断软件，已投入使用。此外还有 人就神经网络用于设备故障诊断的各种问题进行了研究并均取得了一定的结果。 1 4 小波分析在故障诊断中的应用概况 在故障诊断中，故障信号往往含有大量的时交、突发性质的成分，传统的信 号分析方法如f o u d e r 变换无能为力，不能有效的提取故障的特征。而且在故障诊 断领域，我们经常会遇到非平稳信号，应用f o u r i e r 变换也不能得到有效的结果。 小波变换作为一种时频分析方法，它在时频两域都具有表征信号局部特征的能力， 特别适宜于非平稳信号的处理，从而为故障诊断技术提供了良好的技术支持。近 年来，许多学者对小波变换在故障诊断方面的应用进行了研究，取得了大量有价 值的成果。 小波分析在故障诊断中主要用于故障信号的特征提取。张静远等讨论了四种 基于小波变换的特征提取方法n 叼：基于小波变换的模极大值特征、基于小波分解 的能量特征、基于小波包分解的熵特征以及基于适应性小波网络的特征提取方法， 阐述了各方法的基本原理和实现过程。陈长征、虞和济等人提出了基于小波分析 的机械故障特征提取方法，通过对奇异故障信号的检测、信噪分离和信号频带 分析来提取故障特征，这种方法提取的故障信息应用在神经网络等其他故障诊断 方法中可以更准确、更全面的诊断故障。周维忠等提出了一种基于小波系数聚类 的特征提取方法n ，克服了样本抽样数目较大时神经网络结构复杂的问题。而且 沈国重、黄艳芳等将小波变化和神经网络结合起来进行故障诊盱2 】。 小波分析可以对信号进行有效的时频分解，但由于其对尺度是按二进制变化 的，所以在高频频段其频率分辨率较差，而在低频频段其时间分辨率较差，即对 信号的频带进行等间隔划分。小波包分析能够为信号提供种更加精细的分析方 法，它将频带进行多层次划分，对小波分解没有细分的高频部分进一步分解，并 能够根据被分析信号的特征，自适应的选择相应的频带，使之与信号频谱相匹配， 7 从而提高了时频分辨率。基于此，王首勇、张晓文等提出了基于小波包变换的特 征提取方法口们汹1 。用小波包进行特征提取，为了更有效的提取信号的特征，需 要提取小波包的最优基，r c o i f m a n 等讨论了小波包最优基的提取方法啪儿绷。并 且黄艳芳、何福顺、杨洁明等将小波包分析与神经网络的故障诊断系统结合起来 跚】 o i 5 遗传算法在故障诊断中的应用概况 遗传算法在故障诊断中的应用刚刚起步，公开发表的文献不多，但是在基于 神经网络的故障诊断中，遗传算法用于神经网络的辅助设计发挥着很大的作用。 由于遗传算法具有全局寻优的能力，在神经网络的设计中得到越来越广泛的应用。 用遗传算法设计神经网络主要是神经网络结构和权值的设计，在固定网络结 构时只需要在学习的过程中优化网络的权值，这种方法比较简单。因为对于一个 故障诊断问题，神经网络的结构不容易确定，因此需要对网络的结构和权值共同 设计，k o z a j r 、m a m e z z o 、黎明等给出了用遗传算法优化神经网络结构和权值的 方法嘲m m l ，并且张敏等给出了结构和权值的一种新的实数编码方案b 札，使遗传 操作变的简单易行。但由于遗传算法往往找到的是全局次优解，而b p 算法找到 的是局部最优解，因此我们考虑将遗传算法与b p 算法结合起来训练神经网络， 以得到全局最优解，熊凌等将b p 算法作为遗传算法的一个算子引入到遗传算法 中口引，收到了很好的效果。又因为在遗传算法中交叉和变异概率的选取一般是靠 经验来选取，相对比较困难，郭晓婷等提出了自适应选择交叉和变异概率的遗传 算法嘲。 同时人们将遗传算法和神经网络结合起来用于故障诊断和模式识别，将雄伟、 h o z u m i 、沈敏等分别讨论了其在故障诊断和模式识别中的应用啪胂1 啪1 。 1 6 本文完成的主要工作 在广泛阅读故障诊断、桩基检测、遗传算法、小波分析和神经网络的相关文 欷的基础上，针对现有桩基完整性检测领域中的欠缺之处，本文提出基于遗传b p 神经网络的桩基检测方法，并且将其应用于实际的桩基检测中，实验证明了此方 法在桩基检测领域有着广阔的应用前景。本文主要完成以下工作： 1 ) 提出基于熵规则的最优小波包基的提取，然后用此最优基分解来提取桩基 信号的特征，能够有效的提取桩基信号特征，对其进行有效的判别。 2 ) 分析以往神经网络的设计方法，提出基于遗传b p 算法的神经网络设计方 8 法，在遗传算法中针对网络结构的不同采用小生境技术，防止优秀个体早期退化， 此方法提高了网络的训练速度和精度，有效的搜索网络的全局最优解，提高了网 络的范化能力。 3 ) 将本文所设计的遗传b p 神经网络应用于桩基完整性检测中，来判别桩基 所存在的故障，解决工程中的实际问题。 4 ) 结合研究过程中的体会，为进一步的研究提供具体和重要的研究方向。 9 第二章b p 神经网络和遗传算法的基本理论 2 1b p 神经网络 2 1 1 反向传播网络模型与结构 反向传播网络( b a c k p r o p a g a t i o nn e t w o r k ，简称b p 网络) 是对非线性可微 分函数进行权值训练的多层前向网络。在人工神经网络的实际应用中，8 0 一9 0 的人工神经网络模型是采用b p 网络或它的变化形式，它主要用于以下几个方面： ( 1 ) 函数逼近：用输入矢量和相应的输出矢量训练一个网络逼近一个函数；( 2 ) 模式识别：用一个特定的输出矢量将它与输入矢量联系起来；( 3 ) 分类：把输入 矢量以所定义的合适方式进行分类；( 4 ) 数据压缩：减少输出矢量维数以便于输 出或存储。可以说，b p 网络是人工神经网络中前向网络的核心内容，体现了人工 神经网络最精华的部分。在人们掌握反向传播网络的设计之前，感知器和自适应 线性元件只能适用于对单层网络模型的训练，只是在b p 网络出现以后才得到了 进一步拓展。 一个具有r 个输入和一个隐含层的神经网络模型结构如图2 1 所示： p 1 i = l ，2 ，s 1 ； j = 1 ，2 ，r ； k = l ，2 ，s 2 图2 1 具有一个隐含层的神经网络模型结构图 感知器和自适应线性元件的主要差别在激活函数上：前者是二值型的，后者 是线性的。反向传播网络具有一层或多层隐含层，除了在多层网络结构上与感知 锯和自适应线性元件的模型有不同外，其主要差别还表现在激活函数上。反向传 播网络的激活函数必须是处处可微的，所以它就不能采用二值型的阈值函数 o ，l 或符号函数 1 ，1 ，反向传播网络经常使用的是s 型激活函数。此种激活函数常用 对数或双曲正切等一类s 形状的曲线来表示，如对数s 型激活函数关系为： 1 0 厂- 二鼍 ( 2 1 ) 。 1 + e x p - ( n + 6 ) 】 。 而双曲正切s 型曲线的输入输出函数关系为： ，。1 - e x p - 2 ( n + b ) ( 2 2 ) 。1 一e x p - 2 ( n + 6 ) 】 图2 2 所示的是对数s 型激活函数的图形。可以看到，( ) 是一个连续可微的 函数，它的一阶导数存在。对于多层网络，这种激活函数所划分的区域不再是线 性划分，而是由一个非线性的超平面组成的区域。它是比较柔和、光滑的任意界 面，因而它的分类比线性划分精确、合理，这种网络的容错性较好。另外一个重 要的特点是由于激活函数是连续可微的，它可以严格利用梯度法进行推算，它的 权值修正的解析式十分明确，其算法被称为误差反向传播法，也简称b p 算法， 这种网络也称为b p 网络。 r 1 7 一 一) o - 1 、 卜 l ： ： 1 。l 厂 一6o - 1 ( a ) 对数s 型激活函数 ( b ) 带有偏差的双曲正切s 型激活函数 图2 2b p 网络s 型激活函数 因为s 型函数具有非线性放大系数功能，它可以把输入从负无穷大到正无穷 大的信号变换成1 到1 之间输出，对较大的输入信号，放大系数较小；而对较小 的输入信号，放大系数则较大，所以采用s 型激活函数可以处理和逼近非线性的 输入输出关系。 不过，如果在输出层采用s 型激活函数，输出则被限制到一个很小的范围了， 若采用线性激活函数，则可使网络输出任何值。所以只有当希望对网络的输出进 行限制，如限制在o 和l 之间，那么在输出层应当包含s 型激活函数，在一般情 况下，均是在隐含层采用s 型激活函数，而输出层采用线性激活函数。 2 1 2b p 算法 b p 网络的产生归功于b p 算法的获得。b p 算法属于6 算法，是一种监督式的 学习算法。其主要思想为：对于q 个输入学习样本：p 1 ，p 2 ，p 叮，已知与其对应 的输出样本为：t i ) t 2 ，t q 。学习的目的是用网络的实际输出4 1 ，爿2 ，a q 与目标 矢量z 1 ，t 2 ，t q 之间的误差来修改其权值，使a “( n = 1 ，2 ，q ) 与期望的r “尽可 能的接近，即：使网络输出层的误差平方和达到最小。它是通过连续不断的在相 对于误差函数斜率下降的方向上计算网络权值和偏差的变化而逐渐逼近目标的。 每一次权值和偏差的变化都与网络误差的影响成正比，并以反向传播的方式传递 到每一层的。 b p 算法由两部分组成：信息的正向传递与误差的反向传播。在正向传播的过 程中，输入信息从输入经隐含层逐层计算传向输出层，每一层神经元的输出作用 于下一层神经元的输入。如果在输出层没有得到期望的输出，则计算输出层的误 差变化值，然后转向反向传播，通过网络将误差信号沿原来的连接通路反传回来 修改各层神经元的权值直至达到期望目标。 为了明确起见，现以图2 3 所示两层网络为例进行b p 算法推导。 a 2 i k = l ，2 ，s 2 i = l ，2 ，s 1 )j = 1 ，2 ， r 图2 3 具有一个隐含层的简化网络图 设输入为p ，输入神经元有r 个，隐含层内有s 1 个神经元，激活函数为f 1 ， 输出层内有s 2 个神经元，对应的激活函数为f 2 ，输出为a ，目标矢量为t 。 1 ) 信息的正向传递 ( 1 ) 隐含层中第i 个神经元的输出为 口l i l ，1 ( 善鸭p ，帆) 小，n q ( 2 ) 输出层第k 个神经元的输出为 a 2 k 。，2 ( 善w 2 蔚口1 f + 6 2 i ) ，七i 2 2 舢 1 2 ( 3 定义误差函数为 e ，b ) 。壹著纯一口2 k ) 2 2 ) 利用梯度下降法求权值变化及误差的反向传播 ( 1 ) 输出层的权值变化 对从第i 个输入到第k 个输出的权值有： 其中： a w 2 d 叩嵩一叩嚣。嚣 ( 2 5 - , 7 ( t 七- a 2 七) f 2 口i 一呀凡a l , ( 2 6 ) 氏- f 2 。“一口2 七) f 2 。气厂2 ( 2 7 ) 气- t t a 2 七 同理可得： a b 2 u - - ? 瓦a e 一叫嚣甏川k - a 2 k ) ，2 叫6 h ( 2 8 ) ( 2 ) 隐含层权值变化 对从第j 个输入到第i 个输出的权值，有： 其中： 同理可得： m ：。1 盖。叩嚣普嚣 - ，7 以- a 2 i ) f 2 w 2 矗f l p ，- ，7 岛p ， ( 2 9 ) 局 。 6 。q 厂1 ，巳5 荟6 盯w 2 盯 a b l f ；，7 6 f 2 1 3b p 网络的设计 ( 2 1 0 ) ( 2 i i 在进行b p 网络的设计时，一般应从网络的层数、每层中的神经元个数和激 活函数、初始值以及学习速率等几个方面来进行考虑。下面讨论一下各自选取的 1 3 原则。 1 ) 网络的层数 理论上已经证明：具有偏差和至少一个s 型隐含层加上一个线性输出层的网 络，能够逼近任何有理函数。这实际上已经给了我们一个基本的设计b p 网络的 原则。增加层数主要可以更进一步地降低误差，提高精度，但同时也使网络复杂 化，从而增加了网络权值的训练时间。而误差精度的提高实际上也可以通过隐含 层中的神经元数目来获得，其训练效果也比增加层数更容易观察和调整。所以一 般情况下，应优先考虑增加隐含层中的神经元数。 另外还有一个问题：能不能仅用具有非线性激活函数的单层网络来解决问题 呢? 结论是：没有必要或效果不好。因为能用单层非线性网络完美解决的问题， 用自适应线性网络一般也能解决，而且自适应线性网络的运算速度还更快。而对 于只能用非线性函数解决的问题，单层精度又不够高，也只能增加层数才能达到 期望的结果。这主要还是因为一层网络的神经元数被所要解决的问题本身限制造 成的。对于一般可用一层解决的问题，应当首先考虑用感知器或自适应线性网络 来解决，而不采用非线性网络，因为单层不能发挥出非线性激活函数的特长。 输入神经元数可以根据需要求解的问题和数据所表示的方式来确定。如果输 入的是电压波形，那么可根据电压波形的采样点数来决定输入神经元的个数，也 可以用一个神经元，使输入样本为采样的时间序列。如果输入为图像，则输入可 以用图像的像素，也可以为经过处理后的图像特征来确定其神经元个数。总之问 题确定后，输入与输出层的神经元数就随之确定了。在设计中应当注意尽可能的 减少网络模型的规模，以便减少网络的训练时间。 2 ) 隐含层的神经元数 网络训练精度的提高，可以通过采用一个隐含层，而增加其神经元数的方法 来获得。这在结构实现上，要比增加更多的隐含层要简单的多。那么究竟选取多 少个隐含层节点才合适? 这在理论上并没有一个明确的规定。在具体设计时，比 较实际的做法是通过对不同神经元数进行训练对比，然后适当的加上一点余量。 3 ) 初始权值的选取 由于系统是非线性的，初始值对于学习是否达到局部最小、是否能够收敛以 及训练时间的长短的关系很大。如果初始权值太大，使得加权后的输入和1 1 落入 了s 型激活函数的饱和区，从而导致其导数厂o ) 非常小，而在计算权值修正公式 中，因为6o c o ) ，当，o ) _ 0 时，则有6 呻0 。这使得蛾- 0 ，从而使得调 节过程几乎停顿下来。所以，一般总是希望经过初始加权后的每个神经元的输出 1 4 值都接近于零，这样可以保证每个神经元的权值都能够在它们的s 型激活函数变 化最大之处进行调节。所以，一般初始权值在( 1 ，1 ) 之间的随机数。另外，为 了防止上述现象的发生，威得罗等人在分析了两层网络是如何对一个函数进行训 练后，提出