基于ＩＧ－ＣＰＳＯ－ＢＰ 的水工钢闸门安全等级识别

周伦钢 赵松波 仝戈 许亮

摘 要：为提高ＢＰ 神经网络对水工钢闸门安全等级识别的速度和精度，构建基于信息增益（ＩＧ）和混沌粒子群优化（ＣＰＳＯ）算法优化ＢＰ 神经网络的水工钢闸门安全等级评估模型。该模型利用ＩＧ 算法精简水工钢闸门安全等级评估的特征指标，避免冗余变量干扰，提升模型的训练速度；利用ＣＰＳＯ 算法优化ＢＰ 神经网络的初始权重，提高模型的收敛性及对水工钢闸门安全等级的分类能力。经过验证分析，基于ＩＧ－ＣＰＳＯ－ＢＰ 的水工钢闸门安全等级评估模型的评估结果与实际的水工钢闸门安全等级基本吻合，识别精度明显优于ＩＧ－ＢＰ、ＩＧ－ＧＡ－ＢＰ、ＩＧ－ＰＳＯ－ＢＰ 模型。

关键词：信息增益；混沌粒子群优化算法；ＢＰ 神经网络；安全等级识别；水工钢闸门

中图分类号：ＴＶ６６３ 文献标志码：Ａ ｄｏｉ：１０．３９６９／ ｊ．ｉｓｓｎ．１０００－１３７９．２０２３．０７．０２４

引用格式：周伦钢，赵松波，仝戈，等．基于ＩＧ－ＣＰＳＯ－ＢＰ 的水工钢闸门安全等级识别［Ｊ］．人民黄河，２０２３，４５（７）：１３０－１３３，１６２．

０ 引言

南水北调中线工程是优化我国水资源配置的一项战略性基础设施工程。南水北调中线工程全线输水采用自流模式，根据沿线地势、环境等布设节制闸、控制闸、分水口、退水闸等，各闸站均通过钢闸门的启闭实现输水流量实时调控。水工钢闸门的损坏程度与运行环境和运行状态密切相关，不同程度的损坏均会导致钢闸门功能减弱，其危害往往具有突然性，严重威胁工程运行安全［１］ 。定期检测并评估水工钢闸门的运行状态，及时处理其存在的安全问题，对开展设备运维工作具有重要意义［２］ 。目前水工钢闸门安全等级评估方法众多，但大多数方法仅适用于传统定期检测，数据处理速度慢，且缺乏水工钢闸门相关的实时监测数据，具有实时在线安全等级评估功能的水工钢闸门运行系统研究一直未能得到拓展［３－５］ 。

水工钢闸门的安全等级评估可以理解为模式識别，即将安全等级特征值所构成的模式空间正确映射到类别隶属空间，同时保证该过程快速、稳定。ＢＰ 神经网络具有自组织性、协同性、容错性和联想记忆性的优势，其基于大脑结构原理，可以实现数据并行分析［６］ 。然而，在实际工程中传统的水工钢闸门安全等级评估模型的评估指标众多，模型中输入样本所包含的特征参数繁杂，ＢＰ 神经网络对初始权重敏感，易陷入局部最优，导致基于ＢＰ 神经网络的水工钢闸门安全等级评估模型的准确性和快速性不高。信息增益（Ｉｎｆｏｒｍａｔｉｏｎ Ｇａｉｎ，ＩＧ）算法是一种过滤式特征选取算法，可依据信息熵筛选出影响水工钢闸门安全等级的主导因素［７］ 。混沌粒子群优化（Ｃｈａｏｓ Ｐａｒｔｉｃｌｅ ＳｗａｒｍＯｐｔｉｍｉｚａｔｉｏｎ，ＣＰＳＯ）算法是一种通过模拟鸟群觅食过程中的迁徙和群聚行为而提出的基于群体智能的全局随机搜索算法，利用混沌算法对粒子群进优化处理，具有结构简单、收敛速度快、不易陷入局部最优等特点。目前ＣＰＳＯ 算法已广泛应用于模式识别、数据挖掘等领域［６，８］ 。

为降低ＢＰ 神经网络模型的输入变量维度，保证其收敛快速性、准确性，本文选取信息增益值大于０．６的特征指标作为网络模型的输入变量。通过对其信息增益值进行排序后，选取特征指标依次为主要构件应力、支臂稳定度、锈蚀速率、面板刚度、检修时间、振动情况、焊缝质量。

３．２ 模型参数设置

为保证水工钢闸门安全等级评估模型的稳定性，随机选取上述３６０ 组水工钢闸门安全状态数据中的３３０ 组数据作为模型训练样本集，剩余３０ 组数据作为模型测试样本集。利用ＩＧ 熵理论选择上述７ 个特征指标作为模型的输入变量，故ＢＰ 神经网络输入层神经元数为７。参考表１，选取水工钢闸门的３ 种安全等级为模型输出变量，即ＢＰ 神经网络输出层神经元数为３。经多次试验，ＢＰ 神经网络参数设置如下：隐含层神经元数为１５，学习速率为０．０００ １，目标精度为１０－６，最大迭代次数为２００ 次。

ＣＰＳＯ 算法参数设置如下：粒子数目ｍ ＝ ３０，维数Ｄ ＝ ２，最高迭代次数ｉｔｍａｘ ＝ １００，学习因子ｃ１ ＝ １．５、ｃ２ ＝１．５，惯性权重最大值ωｍａｘ ＝ ０．９，惯性权重最小值ωｍｉｎ ＝０．４，ＳＧｍａｘ ＝１０，ＳＧ ＝０，误差精度ｅ ＝１０－５。

４ 模型仿真结果分析

基于ＩＧ－ＣＰＳＯ－ＢＰ 的水工钢闸门安全等级评估模型的适应度变化曲线见图２。在进化过程中，粒子群逐渐陷入局部最优，此时依据混沌原理使种群跳出局部最优，当进化代数为２４ 次时，模型满足设定要求，表明基于ＩＧ－ＣＰＳＯ－ＢＰ 的水工钢闸门安全等级评估模型具有较大的收敛速率以及较高的收敛精度。

为进一步评估基于ＩＧ－ＣＰＳＯ－ＢＰ 的水工钢闸门安全等级评估模型的优劣性，利用相同的水工钢闸门安全状态数据样本，对基于ＩＧ－ＢＰ、ＩＧ－ＧＡ－ＢＰ、ＩＧＰＳＯ－ＢＰ 的水工钢闸门安全等级评估模型进行训练测试，测试结果见表３。

通过对比分析可得，基于ＩＧ－ＣＰＳＯ－ＢＰ 的水工钢闸门安全等级评估模型的评估结果与实际的水工钢闸门安全等级基本吻合，识别精度明显高于其他模型，模型运行时间相对较短，模型泛化能力更好，在实际的工程应用中具有更好的在线识别效果。

５ 结论

采用ＩＧ 算法对水工钢闸门安全等级评估特征指标进行择优筛选，采用ＣＰＳＯ 算法对ＢＰ 神经网络的初始权系进行优化，建立基于ＩＧ－ＣＰＳＯ－ＢＰ 的水工钢闸门安全等级评估模型，其识别准确率较ＩＧ－ＢＰ、ＩＧＧＡ－ＢＰ、ＩＧ－ＰＳＯ－ＢＰ 模型均有提升，在降低ＢＰ 神经网络模型输入向量维度的同时，有效克服了ＢＰ 神经网络及ＰＳＯ 算法易陷入局部最优的弊端，在南水北调中线工程水工钢闸门安全等级在线识别中具有良好的应用前景。

参考文献：

［１］ 严柳红．水工钢闸门腐蚀影响因素及防腐蚀技术探析［Ｊ］．科技创新导报，２０１９，１６（３６）：８１，８３．

［２］ 李奇，郑圣义．基于直觉模糊层次法和云模型的水工钢闸门评估［Ｊ］．人民黄河，２０２２，４４（３）：１１８－１２１，１４３．

［３］ 李剑斌，巫世晶，杨志泽，等．基于层次分析法和模糊综合评价的水工钢闸门安全评估［Ｊ］．水电能源科学，２０１６，３４（６）：１９５－１９８．

［４］ 贾文斌，戚兰英，刘月刚．基于ＦＡＨＰ 法的水工钢闸门安全评价［Ｊ］．水利水电技术，２０１５，４６（１１）：８４－８７，１２０．

［５］ 杨娟娟，洪伟，吴振．现役水工钢闸门的实时在线监测方法［Ｊ］．大坝与安全，２０１９（４）：６４－６７．

［６］ 许亮，赵松波，高强，等．ＰＳＯ－ＢＰ 神经网络在语音干扰效果评估中的应用［Ｊ］．现代电子技术，２０１９，４２（６）：４３－４６，５０．

［７］ 万宇，齐金平，张儒，等．基于信息增益优化支持向量机模型的煤矿瓦斯爆炸风险预测［Ｊ］．科学技术与工程，２０２１，２１（９）：３５４４－３５４９．

［８］ ＴＯＲＲＥＳ⁃ＨＥＲＲＥＲＡ Ｅ Ｊ，ＳＡＮＴＯＳ Ｌ Ｆ．Ｄｙｎａｍｉｃａｌ Ｍａｎｉｆｅｓ⁃ｔａｔｉｏｎｓ ｏｆ Ｑｕａｎｔｕｍ Ｃｈａｏｓ：Ｃｏｒｒｅｌａｔｉｏｎ Ｈｏｌｅ ａｎｄ Ｂｕｌｇｅ［Ｊ］．ＰｈｉｌｏｓＴｒａｎｓａｃｔ Ａ Ｍａｔｈ Ｐｈｙｓ Ｅｎｇ Ｓｃｉ，２０１７，３７５（２１０８）：２０１６０４３４．

［９］ ＹＡＮＧ Ｚ Ｃ，ＳＨＥＮ Ｙ，ＹＡＮＧ Ｆ，ｅｔ ａｌ．Ａ Ｃｏｍｐｒｅｈｅｎｓｉｖｅ Ｒｅａｌ⁃Ｔｉｍｅ Ｓｔａｔｅ Ｅｖａｌｕａｔｉｏｎ Ｓｔｒａｔｅｇｙ ｆｏｒ Ｄｉｓｔｒｉｂｕｔｉｏｎ ＥｑｕｉｐｍｅｎｔＢａｓｅｄ ｏｎ Ｍ⁃ＰＳＯ⁃ＢＰ Ａｌｇｏｒｉｔｈｍ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｔｒａｎｓａｃｔｉｏｎｓｏｎ Ｅｌｅｃｔｒｉｃａｌ Ｅｎｅｒｇｙ Ｓｙｓｔｅｍｓ，２０１９，２９（１１）：１２１０８．

［１０］ 中华人民共和国水利部．水工钢闸门和启闭机安全检测技术规程：ＳＬ １０１—２０１４［Ｓ］． 北京中国标准出版社，２０１４：５－２４．

［１１］ 李剑斌，巫世晶，杨志泽，等．基于层次分析法和模糊综合评价的水工钢闸门安全评估［Ｊ］． 水电能源科学，２０１６，３４（６）：１９５－１９８．

［１２］ 杨光明，郑圣义，王钢钢，等．水工金属结构健康诊断理论、方法及应用［Ｍ］．南京：河海大学出版社，２０１３：３５－６８．

［１３］ 蒋荣，郭建斌．基于理想点法的水工钢闸门安全评价［Ｊ］．水电能源科学，２０１７，３５（１１）：１８３－１８５，２１１．

［１４］ 方仍存，李超顺，蒲桂林．基于自适应混沌蜂群算法的梯级电站优化调度［Ｊ］． 人民黄河，２０１７，３９（２）：１０２ －１０６，１１１．

［１５］ 赵松波．基于改进优化算法的液体火箭发动机故障检测与诊断研究［Ｄ］．天津：天津理工大学，２０１９：４６－６０．

【責任编辑 栗 铭】