遗传算法故障检测与实验分析

2018-07-09李向杨

实验室研究与探索 2018年6期

谭洁, 李向杨

(1.湖南机电职业技术学院人文学院，长沙 410151；2.华南理工大学自动化系，广州 510641)

0 引言

作为一个工程问题，桩基检测中的桩身检测所采取的方法一般是动测法，再通过分析动测数据对桩身所存在的问题进行判断。随着工程中一些新元素的加入，如：混凝土、钢材以及打桩成孔机械等，桩的形式变得不再那么单一，无论是在强度方面还是规模方面都有很大程度提升[1-5]。实际工程应用发现,桩基完整性检测在桩基工程发挥着至关重要的作用，当前桩基完整性检测被认定为故障诊断的一种[6-7]。

现有的桩基完整性检测故障诊断的方法很多，但其原理几乎都差不多，要么运用时域分析法，要么是频域分析法[8-9]。前者是将桩身波动情况作为分析依据，绘制一个波动曲线，其中横坐标表示的是时间，其传递函数和桩头的位移方程可通过理论分析得出，然而函数中各系数的值基本上是不能确定;后者对其特征的分析则是采取的快速傅里叶变换与谱分析法，该方法所得到的分析结果虽然优于时域分析法，但在解释所得结果方面，测试人员的经验还是主要的依据。不同的测试人员在判断同类测试数据时差异可能比较大,这样导致实际中通过传统的方法对信号进行处理难度非常大，而将经验作为主要的分析手段使其可靠性得不到保证[10-13]。为了进一步提高桩基检测的准确性，本文对测桩中所运用的反射波法进行研究，引入遗传算法优化 BP 神经网络的诊断方式实现了桩基检测效果更佳的方式。

1 遗传算法优化BP神经网络

1.1 算法步骤

本文采用的遗传算法优化BP神经网络指的是通过遗传算法对BP神经网络的初始权值与阈值进行优化，从而使其更容易对输出进行预测,其步骤：

(1) 神经网络所有权值在实数编码方式下根据级别组成一个长串，各权值在串上分别有其对应的位置。编码串的排列是先输入后输出。

(2) 计算适应度函数。根据对应方式，将个体上的每个连接权值分给指定的网络结构中，网络输入输出的是训练集样本，经过运行将均方误差mse返回，而msemax则是最大值，则计算个体适应度值F的公式如下：

式中:MSE、N、Y、y分别表示均方误差、训练样本总数、网络输出以及样本实际输出。若F越接近1，那么网络精度越高。

(3) 初始化过程。根据下式对网络的每个权值进行确定：

P=±exp(-|γ|), |γ|<4

在该算法中，通过将(-1.0，+1.0)均匀分布的数值作为初始权值。

(4) 选择操作。遗传算法有多个选择操作方法，如轮盘赌法、随机遍历法及锦标赛法等，本文采用轮盘赌法，即将适应度比例作为基本思路，

其中:i表示个体;k与N分别为系数与种群个体数;Pi和Fi分别为i的选择概率和适应度值，因为要尽量使Fi小，因此要先对Fi求倒数。

(5) 交叉操作。因为个体的编码方式为实数编码，故选择实数交叉法，若染色体用a表示，第k与第l个染色体分别为ak和al，则以下为其交叉操作方法：

akj=akj(1-b)+aljb

alj=alj(1-b)+akjb

(6) 变异操作。若aij为第i个个体的第j个基因，以下是对其进行变异的操作方法：

其中:amax与amin分别表示aij的上界与下界;f(g)=r2(1-g/Gmax)，r、g以及Gmax分别为一随机数(0≤r≤1)、迭代次数以及最大进化次数。

1.2 算法特性仿真实例

在对算法进行验证过程中，采用神经网络常用的函数逼近方式，所选择的仿真函数：

对该函数的逼近所采用的是梯度下降法BP神经网络与混合算法神经网络，表1与图1分别为经GA优化后的BP神经网络最优初始权值和阈值以及最优个体适应度值；图2为未优化与经过优化的网络预测误差的对比曲线图。可知，经过优化的网络预测准确度要高于未经优化的BP网络，其中前者与后者的均方差分别为5.380 6×10-5与1.887 6×10-4，因此也大大改善了预测均方差。

表1 经GA优化得到的BP神经网络的最优初始权值和阈值

图1 最优全体适应度值

2 算法在桩基检测中的应用

2.1 样本的采集

对模型桩进行试验所使用的工具是测桩仪，并基于反射波法测得样本数据，反射波法指的是使用激震工具(如：锤子、棒子等)对桩的顶部进行击打，这时会有一个沿着桩体向下传播的应力波信号产生，桩体故障和各界面的反射信号被传感器接收。

图2 未优化和优化后的网络预测误差对比

2.2 采样信号特征

事实上，一种桩的故障并非只有一种，或许有多种，故本文所采用的模型桩均有不少于两种的故障。模型桩种类包括完整桩；存在缩颈、扩颈以及裂缝故障的桩；存在一个缩颈与两个扩颈故障的桩；存在缓缩与扩颈故障的桩；存在扩颈和缩颈故障的桩;存在裂缝故障的桩等，2种模型桩的实验反射波波形结果见图3。

(a) 完整桩

(b) 故障桩

2.3 神经网络设计

2.3.1样本的选择

在对上面的6类模型桩进行试验后，完整桩选择5个作为实验样本，其他几类模型桩均选择10个，在这55个实验样本中选出44个用于网络训练，剩下的11个用于测试。

2.3.2输入输出节点的确定

可以发现,神经网络有20个输入节点，桩基缺陷类型编码对输出节点进行确定。分别检测了上面所提到的6类桩，并进行了编码设置，即：100000、010000，001000、000100、000010、 000001，网络针对不同的情况输出相应的代码，所以该神经网络有6个输出节点。确定了输入节点和输出节点，再根据上面的神经网络算法，在神经网络中输入各学习样本，经过训练可获得25个隐层节点。所以在桩基检测中，所采用的神经网络结构是20-25-6，见图4。

图4 桩基监测的网络结构图

2.4 桩基检测的识别结果

对于11个将用于测试的样本，先进行小波包分解，再对故障特征进行提取，接着将经过训练的神经网络输入以对其进行识别。由表2可见，该人工神经网络的识别能力及精度均非常高，对于本文中的测试样本而言，所有的都可识别，其结果已超出了预期。另外，测试所用仪器与场所在一定程度上也会对识别结果造成影响，就算存在一定的差异，地质情况以及工艺等也可能是导致差异的原因，所以以上这些外部因素均要先进行排除再予以判断，进而得到更加令人满意的识别结果。

3 桩基故障检测方法对比

表3是传统遗传神经网络对待测样本的识别结果和判断情况。可以看到,识别效果也很不错，但与应用了小生境技术的遗传BP神经网络相比，其识别精度却没有后者高，另外，通过它对神经网络的优化过程，再结合表3、4、图5及图6来看，在对神经网络优化的速度方面也比较快，图7为两种方法的误差曲线对比图，其中传统的遗传算法的误差与小生境遗传BP算法的误差分别用虚线和实线表示，可以看到该方法具有很明显的优势。