遺 傳 算 法 故 障 檢 測 與 實 驗 分 析

譚 潔, 李向楊

(1.湖南機電職業技術學院 人文學院，長沙 410151；2.華南理工大學 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，再通過分析動測數據對樁身所存在的問題進行判斷。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械等，樁的形式變得不再那么單一，無論是在強度方面還是規模方面都有很大程度提升[1-5]。實際工程應用發現,樁基完整性檢測在樁基工程發揮著至關重要的作用，當前樁基完整性檢測被認定為故障診斷的一種[6-7]。

現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，繪制一個波動曲線，其中橫坐標表示的是時間，其傳遞函數和樁頭的位移方程可通過理論分析得出，然而函數中各系數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果雖然優于時域分析法，但在解釋所得結果方面，測試人員的經驗還是主要的依據。不同的測試人員在判斷同類測試數據時差異可能比較大,這樣導致實際中通過傳統的方法對信號進行處理難度非常大，而將經驗作為主要的分析手段使其可靠性得不到保證[10-13]。為了進一步提高樁基檢測的準確性，本文對測樁中所運用的反射波法進行研究，引入遺傳算法優化 BP 神經網絡的診斷方式實現了樁基檢測效果更佳的方式。

1 遺傳算法優化BP神經網絡

1.1 算法步驟

本文采用的遺傳算法優化BP神經網絡指的是通過遺傳算法對BP神經網絡的初始權值與閾值進行優化，從而使其更容易對輸出進行預測,其步驟：

(1) 神經網絡所有權值在實數編碼方式下根據級別組成一個長串，各權值在串上分別有其對應的位置。編碼串的排列是先輸入后輸出。

(2) 計算適應度函數。根據對應方式，將個體上的每個連接權值分給指定的網絡結構中，網絡輸入輸出的是訓練集樣本，經過運行將均方誤差mse返回，而msemax則是最大值，則計算個體適應度值F的公式如下：

式中:MSE、N、Y、y分別表示均方誤差、訓練樣本總數、網絡輸出以及樣本實際輸出。若F越接近1，那么網絡精度越高。

(3) 初始化過程。根據下式對網絡的每個權值進行確定：

P=±exp(-|γ|), |γ|<4

在該算法中，通過將(-1.0，+1.0)均勻分布的數值作為初始權值。

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

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

(5) 交叉操作。因為個體的編碼方式為實數編碼，故選擇實數交叉法，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分別為一隨機數(0≤r≤1)、迭代次數以及最大進化次數。

1.2 算法特性仿真實例

在對算法進行驗證過程中，采用神經網絡常用的函數逼近方式，所選擇的仿真函數：

對該函數的逼近所采用的是梯度下降法BP神經網絡與混合算法神經網絡，表1與圖1分別為經GA優化后的BP神經網絡最優初始權值和閾值以及最優個體適應度值；圖2為未優化與經過優化的網絡預測誤差的對比曲線圖。可知，經過優化的網絡預測準確度要高于未經優化的BP網絡，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測均方差。

表1 經GA優化得到的BP神經網絡的最優初始權值和閾值

圖1 最優全體適應度值

2 算法在樁基檢測中的應用

2.1 樣本的采集

對模型樁進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據，反射波法指的是使用激震工具(如：錘子、棒子等)對樁的頂部進行擊打，這時會有一個沿著樁體向下傳播的應力波信號產生，樁體故障和各界面的反射信號被傳感器接收。

圖2 未優化和優化后的網絡預測誤差對比

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、擴頸以及裂縫故障的樁；存在一個縮頸與兩個擴頸故障的樁；存在緩縮與擴頸故障的樁；存在擴頸和縮頸故障的樁;存在裂縫故障的樁等，2種模型樁的實驗反射波波形結果見圖3。

(a) 完整樁

(b) 故障樁

2.3 神經網絡設計

2.3.1樣本的選擇

在對上面的6類模型樁進行試驗后，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個用于網絡訓練，剩下的11個用于測試。

2.3.2輸入輸出節點的確定

可以發現,神經網絡有20個輸入節點，樁基缺陷類型編碼對輸出節點進行確定。分別檢測了上面所提到的6類樁，并進行了編碼設置，即：100000、010000，001000、000100、000010、 000001，網絡針對不同的情況輸出相應的代碼，所以該神經網絡有6個輸出節點。確定了輸入節點和輸出節點，再根據上面的神經網絡算法，在神經網絡中輸入各學習樣本，經過訓練可獲得25個隱層節點。所以在樁基檢測中，所采用的神經網絡結構是20-25-6，見圖4。

圖4 樁基監測的網絡結構圖

2.4 樁基檢測的識別結果

對于11個將用于測試的樣本，先進行小波包分解，再對故障特征進行提取，接著將經過訓練的神經網絡輸入以對其進行識別。由表2可見，該人工神經網絡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，其結果已超出了預期。另外，測試所用儀器與場所在一定程度上也會對識別結果造成影響，就算存在一定的差異，地質情況以及工藝等也可能是導致差異的原因，所以以上這些外部因素均要先進行排除再予以判斷，進而得到更加令人滿意的識別結果。

3 樁基故障檢測方法對比

表3是傳統遺傳神經網絡對待測樣本的識別結果和判斷情況?？梢钥吹?識別效果也很不錯，但與應用了小生境技術的遺傳BP神經網絡相比，其識別精度卻沒有后者高，另外，通過它對神經網絡的優化過程，再結合表3、4、圖5及圖6來看，在對神經網絡優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勢。

表2 本文方法對待測樣本的識別結果及判斷

表3 遺傳神經網絡對待測樣本的識別結果及判斷

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,傳統遺傳算法)

表4 遺傳算法與遺傳BP算法的對比

4 結 語

以上在識別樁基故障類型時所采用的是遺傳BP神經網絡，達到了不錯的效果，另外，也同傳統的遺傳神經網絡進行了比較，結果也充分顯示了該方法的優勢，在樁基檢測中將小波分析和神經網絡相結合，其應用前景及價值將更大。

參考文獻(References)：

[1] 袁 滿,劉耀林.基于多智能體遺傳算法的土地利用優化配置[J].農業工程學報,2014(1):191-199.

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

[3] 肖 曦,許青松,王雅婷,等.基于遺傳算法的內埋式永磁同步電機參數辨識方法[J].電工技術學報,2014,29(3):21-26.

[4] 齊 鄭,喬 豐,黃哲洙,等.基于暫態分量遺傳算法的小電流接地故障定位方法[J].電力系統保護與控制,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快速評價研究[J].光譜學與光譜分析,2017,37(4):1100-1104.

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

[7] 陳媛媛,王志斌,王召巴,等.區間極限學習機結合遺傳算法用于紅外光譜氣體濃度反演的研究[J].光譜學與光譜分析,2014,34(5):1244-1248.

[8] 肖 峻,張澤群,張 磐,等.用于優化微網聯絡線功率的混合儲能容量優化方法[J].電力系統自動化,2014(12):19-26.

[9] 張玉欣,程志峰,徐正平,等.參數尋優支持向量機在基于光聲光譜法的變壓器故障診斷中的應用[J].光譜學與光譜分析,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制技術[J].高電壓技術,2014,40(11):3569-3576.

[12] 葉 林,陳 政,趙永寧,等.基于遺傳算法-模糊徑向基神經網絡的光伏發電功率預測模型[J].電力系統自動化,2015(16):16-22.

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