基于AIA和PNN的路基健康監測

成興保，程永強，張博

（太原理工大學信息與計算機學院，山西晉中 030600）

我國高速公路建設工作的穩定推進，通車里程數逐年遞增，截止到2018 年底，中國高速公路總里程已達14 萬千米，位居全球第一,投資總額超過10 萬億元。高速公路給人們的出行帶來了極大的便利，但每年高速公路由于路基的塌陷，路面的破損等原因也給人們的生命安全和交通出行帶來了極大的威脅，給國家造成了巨大的財產損失。因此，加強道路路基健康監測和預警有很重要的工程實用意義，對于我國建設智能化高速交通系統也有重要意義[1]。

公路路基的病害具有很強的隱蔽性，及時檢測到這些病害并且采取合適的應對措施可以延長公路的使用壽命[2]，目前對于公路路基病害的識別主要是基于探地雷達（GPR）檢測技術、光纖傳感技術、超聲波檢測技術、頻譜分析技術、圖像檢測技術等5 種技術采集信號和數據[3-4]，然后結合不同的數據處理方法，例如尺度不變特征變換算法、級聯卷積神經網絡、SVM(支持向量機)和淺層神經網絡等，對數據進行處理得到病害的位置及原因[5-6]。

上述算法在一些方面實現了對公路路基損害的識別與定位，但依舊存在一些問題：1）無損檢測的技術對于專業性要求較高，且易受周圍環境因素的影響；2）識別算法穩定性和準確性還需要繼續提高；3）現有辦法還需要根據技術人員和專家的經驗來輔助分析異常數據對應路基損害的原因[7-8]。因此，開發一種實效性強、準確度高的路基病害自動識別系統對于路基健康運行有重要的意義。

隨著機器學習的發展，人工免疫和神經網絡等仿生學算法在目標識別和故障檢測領域中逐漸受到重視[9]。人工免疫算法（AIA）是受免疫系統啟發設計的算法，相比需要時間連續性或者大量正常和異常特征信號的異常檢測方法，人體免疫系統僅僅依賴對正常狀態的經驗積累，減少了對異常特征信號的收集，就可以實現正常和異常數據的分類[10-11]。概率神經網絡(PNN)是建立貝葉斯分類和Parzen 窗法上的一種并行算法，常收斂于最優解，具有較高的穩定性、診斷準確率和效率[12]。

文中首先基于嵌入式傳感技術采集公路的五項靜態數據，該技術成本更低，操作簡單，實效性更強，然后利用AIA-PNN的組合模型對路基健康監測系統采集到的實時壓力、沉降、應變、溫度、濕度等信號進行分析處理，得到該數據對應公路路基病害的檢測結果，并與BP 神經網絡（BPNN）和最小二乘支持向量機（LS-SVM）的準確率進行對比，以期提高現有路基檢測的效率和準確性。

1 路基健康監測系統

路基健康監測系統由多通道傳感采集節點、數據處理中心、后臺檢測中心3 部分組成，實物機箱如圖1 所示。

圖1 系統機箱實物圖

傳感采集節點包含壓力傳感器、應變傳感器、單點沉降計和溫濕度傳感器這4 類傳感采集裝置，其主要功能是在接收采集指令以后，將采集到的實時路基數據通過RS485 總線傳遞給數據處理中心；數據處理中心采用Cortex-M3 內核的STM32F103 系列芯片作為控制核心，圍繞該芯片設計最小系統所需的外圍電路，其主要功能是將傳感采集中心采集到的原始數據用ARM 處理器進行簡單轉換處理后存儲在SD 卡中，方便查詢歷史數據，并通過終端LCD顯示屏，直觀顯示實時數據，同時把數據通過有線或者無線的方法發送到后臺監測中心，進行進一步分析處理；后臺監測中心可實現進行數據的遠程接收，應用相關處理數據的算法和軟件對數據進行解析處理，并自動備份在數據庫和云端，如果檢測到異常值，發出預警信號，并向終端發出相關指令，實現路基的安全監測。路基健康監測系統結構框架如圖2 所示。

圖2 路基健康監測系統結構框架

路基健康監測系統可采集到5 種不同的路基靜態數據，分別為壓力信號、沉降信號、應變信號、溫度信號、濕度信號，文中主要針對性地研究了沉降信號和應變信號。這兩種數據有以下特點：數據自身只有大小和量綱，無正常或者異常的數據標簽；數據采集以外部指令來執行，并無固定采集周期；由于野外太陽能供電的不穩定，數據傳輸有時會出現漏報。

2 基于人工免疫算法的異常檢測

2.1 人工免疫系統

免疫系統的核心功能之一是區別“自己”與“非己”物質，免疫系統的這個核心機制常被應用在異常檢測方面，異常泛指對偏離各類系統自身規定的正常狀態的現象和行為，包含故障和錯誤情況監測、異樣診斷、異常變化等[13]。利用仿生學的概念，目前檢測異常的算法有克隆選擇算法、陰性選擇算法，樹突狀細胞算法等，由于美國計算機安全專家Forrest 等提出的陰性選擇算法的核心思想是利用有限的“自己”樣本集合生成“非己”樣本集合，通過反向思維來檢測數據異常與否，有效解決了故障樣本匱乏難以實現故障檢測的問題[14]，為此，文中選擇陰性選擇算法作為該二分類問題的判斷標準，免疫應答機制的實現過程有如下步驟：

1）學習和抗體庫的形成。首先給系統定義部分“自己”信息，構成學習樣本的數據集，然后利用陰性選擇算法產生一個檢測器集，使檢測器集與學習樣本數據集中的數據都不匹配，盡量多覆蓋“非己”空間的檢測器集即生成的抗體庫。抗體庫的建立流程如圖3所示。

圖3 抗體庫的建立流程

2）異常數據的識別。將路基健康監測系統采集到的采集數據作為輸入信息，與抗體庫中的抗體進行匹配計算，如果被測數據與抗體庫中任意一個抗體匹配，則表明該樣本為“非己”數據，發出警報信號，并將該數據單獨提取出來；反之，則為“自己”數據，存入正常數據的數據庫。異常數據的檢測流程如圖4所示。

圖4 異常數據的檢測流程

3）故障類型的診斷。將“非己”信息輸入抗體庫進行聚類學習，并對故障類型進行人工標注，建立故障信息庫，上一步檢測到的異常數據通過概率神經網絡算法，判斷其屬于故障庫中的哪種故障，并相應的給出推薦解決方案。診斷過程與結果的操作流程如圖5所示。

圖5 診斷過程與結果的操作流程

2.2 基于人工免疫的數據檢測算法

通過對采集數據的分析處理，獲得數據變化規律，結合人工免疫系統的應答機制，實現對相應位置路基健康的監測和預警。

文中首先收集大量路基健康運行時的正常數據樣本，然后對數據進行歸一化處理，處理方法如式（1）所示，表1為部分正常數據歸一化前后的樣本數據。

其中，y為歸一化以后的數據，x為原始數據大小，xmax為原始數據中的最大值，xmin為原始數據中的最小值。

表1 可知，原始數據每個樣本有5 個特征，分別對應沉降、溫度、濕度、應變（ΔL/L×106）和壓強，這樣會形成一個五維空間，而陰性選擇算法隨著維度的增加，計算量明顯增大，計算時間明顯加長，因此，需要選取兩個貢獻率最大的主要成分，由經驗得知，路基健康情況與沉降和應變關系最密切。

文中使用的數據分析軟件為MATLABR2018b,計算機的主要配置為AMD(R)Core(4C+6G)A10-7300CPU@1.90 GHz,RAM4G,64 位Windows10操作系統。通過隨機生成的范圍在[0,1]之間的二維數據與正常數據的匹配程度來生成抗體庫，匹配程度按照歐氏距離來計算，可以在平面坐標系中將“自己”數據和抗體庫的值與半徑結合起來表示為一個個平面圓，取“自己”數據和抗體庫的半徑均為0.01，分別畫出抗體庫內抗體數量n=100、200、300、400的抗體分布狀態，如圖6 所示，其中，整個平面坐標系代表系統空間，灰色平面圓代表“自己”數據，黑色平面圓代表抗體，余下部分為未被覆蓋區域。

圖6 抗體數量n在不同值時“自己”和抗體庫的分布狀態

由圖6 可知，抗體庫數量越多，未被覆蓋的區域面積越小，但是抗體庫如果過多，會造成重疊現象，并且計算時間會成倍增加，因此選取合適的抗體數量閾值，既可以保證在足夠多覆蓋率的前提下，也可以減少運算次數。文中選取的“自己”數據樣本量為80 個，抗體庫的樣本量為300 個，符合上述條件。

匹配計算即抗原-抗體親和力的計算，一般計算親和力的公式為：

式中，tk是抗原和抗體k的結合強度，通常免疫算法中計算結合強度tk的數學工具有海明距離、Euclidean 距離、Manhattan 距離等，對于有限維線性空間可以引入各種各樣的向量范數，向量范數的種類可無窮多，但是這些范數之間有重要的關系。因此結合實際，文中引入向量的p-范數，定義如下：

式中，‖α‖p是酉空間cn的向量范數，稱為向量α的p-范數。

由于抗體庫是二維向量，因此選取p=2 時的向量范數來表示抗體抗原之間的距離，將待測數據與抗體庫進行匹配計算，落在“自己”區域內的樣本為正常數據，落在抗體中的樣本為異常數據，落在未覆蓋區域內的樣本為未被監測數據，單獨輸出，進行人工復檢（覆蓋率足夠的情況下，這類數據可忽略不計）。

圖7 為部分檢測樣本的分布情況，圓圈為“自己”數據，加號為抗體分布，星號為檢測樣本中的異常數據，乘號為檢測樣本中的正常數據，黑三角形號為未檢測到的數據，檢測了250組數據，只有一組未檢測到，其余249組均正確，漏檢率約為0.4%。

圖7 部分檢測樣本的分布情況

檢測到的正常數據輸入正常數據統計庫，異常數據輸入異常數據統計庫，不斷的將測量數據加入數據庫，并將不斷更新抗體庫，增加檢測樣本的正確性且降低漏檢率，類似生物體中的抗體的記憶功能，對于同類型故障的應答時間更短，可以對故障信息更快速、更準確地作出判斷，提高現有判斷水平，在工程應用中的實用意義更高。

3 基于概率神經網絡的路基故障診斷

3.1 構建神經網絡

概率神經網絡(Probabilistic Neural Networks，PNN)是一種結構簡單、應用廣泛的神經網絡，由輸入層、模式層、求和層和輸出層共4 層組成，在模式分類中有廣泛應用。收集歷史故障數據和相對應的故障類型，采用無監督學習的聚類方式，形成故障數據庫，用于建立概率神經網絡[15]。

根據實際路基損壞常見情況，定義5 種路基損壞模式：滑坡與坡面損壞、崩塌與碎落、路基的不均勻沉降、路基水毀、路基裂縫，加上正常狀態，共6 種分類模式，如表2 所示。

表2 路基損壞分類模式

收集路基正常和5 種故障模式下的傳感器數據，得到沉降、溫度、濕度、應變、壓力的數據，形成一個5 維向量x=[x1,x2,x3,x4,x5]。每種分類模式的樣本收集30 份，共計180 種訓練樣本，每種分類模式的前20 個序號的數據作為訓練樣本，后10 個序號的數據作為測試樣本。

用于路基健康診斷的概率神經網絡模型包含120 份輸入樣本，每個樣本為5 維向量，分類模式為6種，建立的概率神經網絡模型如圖8 所示。

圖8 概率神經網絡模型

圖8 中概率神經網絡的輸入層包含5 個神經突觸，與輸入特征向量的維數保持完全相同，模式層包含120 個神經突觸，每個節點對應一種訓練樣本，求和層包含6 個神經突觸，對應文中分好的6 種情況，在Matlab 中經過訓練以后，輸出對應的類別序號。

可以直接使用Matlab 中的newpnn 函數創建網絡模型，并用tic/toc 命令記錄創建模型所需的時間，newpnn 函數中唯一可調參數為平滑因子spread,在PNN 網絡診斷時，診斷準確率主要與spread和訓練樣本的數量有關，樣本數量與準確率之間的關系為正相關，spread 與準確率的關系為負相關，因此，樣本數量越多、spread 越小、準確率越高[13]。文中選用的樣本數目為120 個，spread=1。

3.2 測試數據

故障診斷流程如圖9 所示，包含樣本輸入、樣本歸一化、創建神經網絡模型、測試以及輸出測試結果共5 步。

圖9 故障診斷流程

將60組測試數據輸入已經訓練好的神經網絡中，并且針對不同的故障類別，給出不同的處理意見，Type1 對應現場調查，生態防護措施、反壓坡腳、抗滑樁等；Type2 對應、提醒來往車輛、爆破清理、錨點固定、鋼絲網固定、巖石固定等；Type3 對應限制路上車速、現場調查形成原因、必要時重新夯實路基；Type4 對應檢查原因、恢復植被、整治河流、關注汛期；Type5 對應表面修補法、注漿修補法、填充修補法等；Type6 對應注意日常維護和保養[16]；其中部分測試結果在MATLAB 中輸出如圖10 所示。

圖10 部分測試結果

所用訓練網絡時間為0.142 430 s，其中59組正確，一組錯誤，概率神經網絡所作診斷的準確率高達98.3%，并且對于不同的故障類型，給出對應的診斷意見，可以對監測人員起到輔助決策的作用。

4 實驗結果

為了對比分析AIA-PNN組合模型在處理實驗數據分類上的性能，文中引入神經網絡中的BP 神經網絡和最小二乘支持向量機，對18組不同故障路基靜態數據的測試樣本分別使用BP 神經網絡、最小二乘法支持向量機和文中設計的AIA-PNN 分析，測試結果如表3 所示。由表3 可知AIA-PNN的組合處理方法在處理實驗數據的分類識別上，其準確率要高于常規的BP 神經網絡及最小二乘法支持向量機，為數據的分類識別提供了新的分析方法和檢測工具。且BPNN 方法、LS-SVM 方法、AIA-PNN 方法的成功率分別為72.2%、83.3%、94.4%。

表3 路基靜態數據測試樣本算法測試結果

5 結論

文中通過人工免疫算法和概率神經網絡算法對路基監測數據進行處理，將無標簽的數據對應分類，基本可以實現預期目標，將異常數據和正常數據區分開，并且對異常數據可以做到細致具體的分類，對比BP 神經網絡和最小二乘支持向量機有更高的準確率，對于每次分類和實際一致的數據，可以作為輸入樣本重新更新兩個算法所需的數據庫，基本可以實現數據的自我學習，擴展性比較好，對于不易獲得異常數據的工程有很好的借鑒意義，再結合工程實際，給出處理建議，有很強的工程實用意義。

由于人工免疫算法、概率神經網絡算法和概率神經網絡都屬于仿生智能算法，所以可以保證其收斂性，并且這兩個算法對于異常值都比較敏感，但是其有效性是否具有統計學意義，還需要在大量不同路段上做進一步研究。