【毕业学位论文】（Word原稿）基于遗传BP算法的神经网络在桩基检测中的应用-计算机应用技术

分类号 密级 U D C 学号 01041030 长沙理工大学硕士学位论文 基于遗传 桩基检测中的应用 研 究 生 姓 名 培 养 单 位 计算机与通信工程学院 指导教师姓名、职称 副教授 学 科 专 业 计算机应用技术 研 究 方 向 智 能 控 制 论 文 提 交 日 期 2004年 5月 10日 in of 2004 I 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 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 经网络的基本设计思想和算法实现过程，在遗传 经网络中将遗传算法与 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： 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 n A(NN A in of is a of of of to on of in of So in a NN A is to of In of in of is it be to of In is of is of of is in in is in of is of an in by is in of of of on is In of is of is by of is of of in to of of So in to BP of 目 录 摘要 . I . 一章 绪论 . 1 基检测 . 1 障诊断的方法 . 1 经网络在故障诊断中的应用 . 2 经网络的发展与应用 . 2 经网络在故障诊断中的应用概况 . 4 波分析在故障诊断中的应用概况 . 7 传算法在故障诊断中的应用概况 . 8 文完成的主要工作 . 8 第二章 经网络和遗传算法的基本理论 . 10 P 神经网络 . 10 向传播网络模型与 结构 . 10 P 算法 . 12 P 网络的设计 . 13 P 网络的限制与不足 . 15 传算法 . 16 述 . 16 典遗传算法 . 17 用 几个要点 . 18 第三章 基于最优小波包基的特征提取 . 20 波包分析 . 20 波包的定义 . 20 波包的性质 . 21 波包的空间分解 . 22 波包算法 . 23 优小波包基的选择 . 24 优小波包基的概念 . 24 优小波包基的快速搜索法 . 25 于熵准则的小波包基选择 . 26 小波包最优基分解提取信号特征 . 27 四章 遗传 经网络的设计 . 29 述 . 29 经网络的选取 . 30 经网络权值的选取 . 30 经网络结构设计 . 30 文的神经网络设计方法 . 31 码表示 . 32 择策略 . 33 传操作 . 33 体设计 . 34 值函数 . 34 传 法的步骤 . 36 第五章 遗传 经网络在桩基检测中的应用 . 37 述 . 37 于神经网络的桩基完整性检测的设计思路 . 38 本的采集 . 38 本原理 . 38 响因素 . 38 样信号特征 . 39 经网络设计 . 41 本的选择 . 41 基信号的特征提取 . 41 入输出节点的确定 . 41 文方法的识别结果及分析 . 42 传神经网络识别结果以及与本文方法的对比 . 43 结 . 45 全文总结 . 46 致谢 . 48 参考文献 . 49 附录（攻读硕士学位期间发表论文） . 53 - 1 - 第一章 绪论 基检测 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，有时对于同一种测试数据，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 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。 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，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 20 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- 2 - 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。 经网络在故障诊断中的应用 经网络的发展与应用 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。 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。 初始发展期（ 20 世纪 40 年代 20 世纪 60 年代） 早在 1943 年，美国心理学家 数学家 合提出了形式神经的数学模型，即 型，从此开创了神经科 学理论研究的新纪元。 型能够完成有限的逻辑运算。 1944 年，心理学家 出了改变神经元间连接强度的 则，他们至今仍在各种神经网络模型中起着重要的作用。 1957 年，计算机科学家 硬件完成了最早的神经网络模型，即感知器（ - 3 - 并用来模拟生物的感知和学习能力。 1962 年，电机工程师 出了自适应线性元件 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。 低谷期（ 20 世纪 60 年代末 20 世纪 70 年代末） 1969 年，人工智能之父 表的感知器（ 一书指出，感知器无科学价值可言，连 辑分类都作不到，只能作线性划分。由于 学术界的地位和影响，故其后若干年内，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 。 学的 出了自适应共振理论 络。芬兰的 学的 出了自组织映射网络。日本大坂大学的 出了神经认知机网络模型。日本东京大学的 神经网络进行了数学理论的研究。 兴盛期（ 20 世纪 80 年代以后） 20 世纪 70 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， 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。 1982 年，加州大学的物理学家 出了 络模型，并用电路实现。 1985 年， 出了 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。 人提出了 模型。 1988 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 划、日本 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。 1986 年 4 月，美国物理学会在 开了国际神经网络学术会议。 1987 年 6 月， 成立了国际神经网络学会。 1988 年起， 1990 年 3 月， 经网络会刊问世。 - 4 - 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。 经网络在故障诊断中的应用概况 故障诊断是近 40 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。 外的研究发展状况 神经网络用于故 障诊断起源于 80 年代末期。 1989 年美国珀杜大学的 人将人工神经网络用于故障诊断中 7，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 18 种征兆（输入节点）和 13 种故障类型（输出节点），隐层有 527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94%98%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，日本庆应义塾大学的 人将神经网络用于诊断化工过程的初期故障 8。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- 5 - 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，一级网络用于识别含有噪声的故障，一旦识别出故障，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 人应用人工神经网络进行故障诊断 9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， 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 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 20%；有 12 个模式时，系统的诊断正确率为 100%。 1990 年 ， 人用人工神经网络进行传感器故障检测 10，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。 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 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。 人进一步扩展了这种采用人工神经网络的故障检测方法 11，他们采用的是所谓的局部区域网络（ 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 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。 1990 年美国宾夕法尼亚大学的 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 12。自适应人工神经网络可用于故障识别系统，采用基于则的 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 人采用径向偏置函数即高斯密度函数： - 6 - )|e 2h 代替 数： 11)( 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。 1991 年北卡罗来纳州立大学的 人用人工神经网络对交流感应电动机进行了故障诊断 13。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 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 552W 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 95%，适合现场应用。 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 统有 14 个含有噪声的测量结果和 10 种故障，该网络经 3000 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。 1994 年 人用混合神经网络诊断多故障 14，采用 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。 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 515，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 16，研究了如何从现场故障信号中提取故障特- 7 - 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 17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 18，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 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 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。 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变、突发性质的成分，传统的信号分析方法如 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 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 19：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 20，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 21，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断 2223。 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一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，- 8 - 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 242526。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， 讨论了小波包最优基的提取方法 2728。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29。 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， 明等给出了用遗传算法优化神经网络结构和权值的方法 303132，并且张敏等给出了结构和权值的一种新的实数编码方案 33，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 法找到的是局部最优解，因此我们考虑将遗传算法与 法结合起来训练神经网络，以得到全局最优解，熊凌等将 法作为遗传算法的一个算子引入到遗传算法中 34，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 35。 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、敏等分别讨论了其在故障诊断和模式识别中的应用 363738。 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献的基础上，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 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