基于改进BP网络的IVC故障模式识别

苏州高博软件技术职业学院 谷慧娟

IVC(Individually Ventilate Cages)，又称为独立通风笼盒，是目前国际上普遍使用的实验动物饲养系统[1，2]。在我国，IVC被引入国内之前，通常采用独立屏障系统来饲养实验动物。但是，由于实验动物饲养要求的特殊性，其对饲养环境的高要求使得传统的独立屏障系统在实际使用过程中，需要饲养人员人为地做大量工作来保证其符合基本要求，不但耗费人力物力，效果也并不是太好。

国内的技术人员结合国内实际情况，对引进的产品进行了二次开发，改良了一部分的性能，使其适用于国内使用环境。开发的方向主要集中在两方面：

(1)故障报警模块的开发。特别是利用日益发展的3G网络实现远程报警和控制。

(2)针对通风系统的故障问题自动识别模块的开发。识别方法主要包括故障树、人工神经网络等。

本文主要介绍针对通风系统的故障问题的自动识别。

1.故障模式识别模型

IVC是一个密封的系统，虽然有较为完善的过滤系统，但空气中的微尘，动物自身携带的粉尘和国内主要使用的垫料、食物中的粉尘微粒等仍然容易引起通风系统的堵塞。一旦通风系统不能正常工作发生故障，密封笼盒内的气流速度、内外压差、噪音、相对湿度、温度、氨气浓度等参数指标就会发生改变，达不到实验动物饲养环境的要求，对医学实验结果的正确性也有影响。

IVC系统中，由于包含生物生理活动这样一个不确定因数，常规的故障树等故障诊断方法难以实现对其故障类型的准确判断。而神经网络作为一种自适应的模式识别技术，不需要预先给出有关模式的经验知识和判别函数，而是通过自身的学习机制自动形成所要求的决策区域。并且环境发生改变的时候，通过学习而得到的映射关系还可以自适应地进行调整。神经网络的这些特性，决定了它适合用于系统模型比较复杂，环境多变的场合。因此，对IVC的故障模式识别采用基于人工神经网络的识别方法更合适。

表1 测试结果

图1 误差变化曲线图

1.1 标准BP网络

误差逆传播网络(Error Back-Propagation network.，简称BP网络)是人工神经网络中，理论最成熟，运用最广泛的网络模型之一。

基于梯度下降的标准BP算法，最突出的优点是寻优具有精确性，且具有自学习能力，但同时存在易陷入局部极小、初始值对网络结果影响大和引起振荡效应等缺点。虽然近年来提出不少改进方法，一定程度上提高了BP网络在实际应用上的可行度与准确度，但是仍然无法解决BP网络所固有的易陷入局部的问题。

1.2 基于遗传算法的改进BP网络

遗传算法(Genetic Algorithm，简称GA)是一种基于自然选择和群体遗传机理的搜索算法[3]。它模拟生物在自然环境中的遗传和进化过程，形成的一种自适应全局优化概率搜索算法，不存在局部收敛问题[4，5]。由于遗传算法的寻优过程是随机的，带有一定的盲目性和概率性，所以遗传算法具有难以得到精确解的缺点。

可见，BP算法和遗传算法各有利弊，并且优缺点呈互补性，可以用遗传算法对BP模型进行改进，利用遗传算法的全局搜索能力，优化解空间，再发挥BP算法的局部搜索能力强的优势，找出最优解。本文提出应用基于遗传算法的改进BP算法来实现对IVC故障诊断，以满足IVC故障模式识别对实效和精度的高要求。

2.基于遗传算法的改进BP模型的IVC故障模式识别

2.1 模型的初步确定

网络的输出是IVC故障的四个类型，包括进风过滤网膜轻微堵塞、出风过滤网膜轻微堵塞、进风过滤网膜严重堵塞、出风过滤网膜严重堵塞4种。网络的输入是发生故障时被影响的参数，考虑到样本的相关性和冗余性，本系统选择氨气浓度、气流速度、内外压差、相对湿度四个量作为网络的输入。因此，对应的网络输入神经元个数为4个，输出神经元也为4个，隐含层神经元个数通过调试最终确定为7个。

2.2 模型参数的确定

选择适合的编码方式是遗传算法的关键。将参数编码成对应的子串，再将各子串首尾相联，构成染色体，每条染色体代表解空间的一个解。不同的编码方式对遗传算法的求解精度和收敛速度有一定的影响。本系统根据权重、阀值的特点，采用二进制编码方式。BP模型为4-7-4结构，包括56个权重，11个阀值，共67个参数，每个参数用8位二表示，联起来形成一条染色体，长度为536。

目标函数唯一的条件是：针对输入可计算出能加以比较的非负结果。因此，系统的目标函数采用网络误差平方和函数，表达式为：

其中E（i）为网络误差平方和，i为染色体数，j为学习样本数，k为输出层节点数，Yk为输出层输出，Tk为训练目标值。

适应度函数反映个体对问题环境的适应能力的强弱，是个体竞争的测量准则，它可以很好的控制个体的生存机会。误差越小，个体的适应度应越高。系统的适应度函数f(i)选择目标函数的倒数，表达式为：

种群规模影响遗传优化的最终结果和遗传算法的执行效率。种群规模过小，会导致优化性能降低；种群规模过大，会减少遗传算法陷入局部最优解的机会，但是会导致过大的计算量。考虑最优解所占空间在整个问题空间中的分布范围，本系统设定种群规模P＝70。

经过实验对比，确定网络的学习速率lr=0.05，变换函数取logsig，交叉概率Pc=0.25，变异概率Pm＝0.05，最大进化代数为250。

3.仿真结果与分析

将真实状态下，IVC系统故障发生时记录下的数据作为初始样本集，将这些样本做归一化处理，并进行冗余分析，剔除冗余项，保证样本空间无重叠。将处理好的样本的70%作为训练样本集，剩下的30%作为测试样本集，分别对网络进行训练和测试。训练结果见图1。

可以看出，基于标准BP网络的训练，需要经过66步才能收敛于目标函数0.00001，而基于遗传算法的改进BP网络的训练仅需要18步，大大缩减了训练的时间。

测试结果见表1。可明显看出：

(1)改进后的BP网络，收敛率达到95.7%，一定程度上克服了标准BP网络易出现振荡效应的缺点；

(2)改进后的BP网络，正确识别率可以达到92.4%，相比标准BP网络70.2%的正确识别率，识别的准确性有了很大的提高，减少了陷入局部极小的可能性，基本上可以达到实际应用所要求的误差范围要求；

(3)改进后的BP网络，识别时间缩短，能更好地满足本系统对实效性的要求。

可见，基于遗传算法的改进BP网络，能更好地对IVC进行故障模式的识别，并且能达到实际应用中对实效和精度的要求，可以解决目前制约IVC在国内广泛应用的问题。

[1]Krohn TC.Method developments and assessments of animal welfare in IVC-systems[M].Printed by DSR Gra fi k,2002,5.

[2]柯贤福,陈文文等.四种独立通风笼具(IVC)的检测[J].中国比较医学杂志,2009,19(9):78-82.

[3]王德明,王莉等.基于遗传BP神经网络的短期风速预测模型[J].浙江大学学报(工学版),2012,46(5):437-842.

[4]Li Weiqing,Wang Chengbiao,etal.An edge detection method based on optimized BP neuralnetwork[J].International Symposium on Information Science and Engineering,2008(2):40-44.

[5]K.P.Ferentinos,L.D.Albright.Fault Detection and Diagnosis in Deep-trough Hydroponics using Intelligent Computational Tools[J].Biosystems Engineering,2003,84(1):13-30.