【畢業(yè)學(xué)位論文】（Word原稿）基于遺傳BP算法的神經(jīng)網(wǎng)絡(luò)在樁基檢測(cè)中的應(yīng)用-計(jì)算機(jī)應(yīng)用技術(shù)

分類號(hào) 密級(jí) U D C 學(xué)號(hào) 01041030 長(zhǎng)沙理工大學(xué)碩士學(xué)位論文 基于遺傳 樁基檢測(cè)中的應(yīng)用 研 究 生 姓 名 培 養(yǎng) 單 位 計(jì)算機(jī)與通信工程學(xué)院 指導(dǎo)教師姓名、職稱 副教授 學(xué) 科 專 業(yè) 計(jì)算機(jī)應(yīng)用技術(shù) 研 究 方 向 智 能 控 制 論 文 提 交 日 期 2004年 5月 10日 in of 2004 I 摘要 故障檢測(cè)與診斷技術(shù)在近幾十年得到飛速的發(fā)展，神經(jīng)網(wǎng)絡(luò)和遺傳算法在故障檢測(cè)與診斷中有著成功的應(yīng)用，并且兩者的結(jié)合在故障檢測(cè)與診斷技術(shù)中有著廣闊的應(yīng)用前景。樁基檢測(cè)屬于工程問題，用 于樁基完整性檢測(cè)的方法主要是時(shí)域和頻域分析法，對(duì)結(jié)果的分析需要依靠技術(shù)人員的工程經(jīng)驗(yàn)，而且由于樁 統(tǒng)的方法遇到了很大的困難。因此需要嘗試新的方法，本文將神經(jīng)網(wǎng)絡(luò)與遺傳算法相結(jié)合來檢測(cè)樁基完整性，為樁基完整性檢測(cè)開辟了一個(gè)新途徑。 本文闡述了樁基檢測(cè)中遺傳 經(jīng)網(wǎng)絡(luò)的基本設(shè)計(jì)思想和算法實(shí)現(xiàn)過程，在遺傳 經(jīng)網(wǎng)絡(luò)中將遺傳算法與 法結(jié)合來訓(xùn)練神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和權(quán)值。由于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)不同，在遺傳算法中采用小生境技術(shù)，將群體分為主群體和小群體，主群體中含有不同網(wǎng)絡(luò)結(jié)構(gòu)的個(gè)體，小群體中的個(gè)體網(wǎng) 絡(luò)結(jié)構(gòu)是相同的，采用小群體可以防止優(yōu)秀個(gè)體早期退化。文中提出了小生境技術(shù)中初始群體的設(shè)計(jì)思想和算法實(shí)現(xiàn)過程。 特征提取是信號(hào)識(shí)別與分類中的重要一環(huán)，對(duì)提高系統(tǒng)的準(zhǔn)確性、改善系統(tǒng)性能起著關(guān)鍵的作用。特征提取的方法有很多，利用小波包變換對(duì)信號(hào)進(jìn)行特征提取是近年來發(fā)展起來的一種新的特征表示手段，在許多領(lǐng)域中已獲得了成功的應(yīng)用。對(duì)于樁基檢測(cè)信號(hào)，本文用基于最優(yōu)小波包基的特征提取方法。文中提出了基于熵規(guī)則的最優(yōu)小波包基選擇策略，并且給出了對(duì)于所有的訓(xùn)練樣本的小波包最優(yōu)基選擇的具體實(shí)現(xiàn)方法。用此方法提取故障的特征，可以 減少輸入向量的維數(shù)，并且有利于故障類型的識(shí)別和分類。 將本文提出的方法應(yīng)用于實(shí)際樁基信號(hào)的完整性檢測(cè)中，對(duì)于幾種模型樁的樁基故障，本文的方法都能給出正確的識(shí)別結(jié)果，實(shí)驗(yàn)結(jié)果表明了該方法的有效性，檢測(cè)準(zhǔn)確率達(dá)到了預(yù)期的效果。因此本文的故障診斷方法在工程實(shí)際中有著廣闊的應(yīng)用前景，對(duì)于解決實(shí)際問題有著重要的意義。 關(guān)鍵詞： 經(jīng)網(wǎng)絡(luò)；遺傳算法；小生境技術(shù)；故障診斷；小波包分析；特征提??；樁基檢測(cè) n A(NN A in of is a of of of to on of in of So in a NN A is to of In of in of is it be to of In is of is of of is in in is in of is of an in by is in of of of on is In of is of is by of is of of in to of of So in to BP of 目 錄 摘要 . I . 一章 緒論 . 1 基檢測(cè) . 1 障診斷的方法 . 1 經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用 . 2 經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用 . 2 經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用概況 . 4 波分析在故障診斷中的應(yīng)用概況 . 7 傳算法在故障診斷中的應(yīng)用概況 . 8 文完成的主要工作 . 8 第二章 經(jīng)網(wǎng)絡(luò)和遺傳算法的基本理論 . 10 P 神經(jīng)網(wǎng)絡(luò) . 10 向傳播網(wǎng)絡(luò)模型與 結(jié)構(gòu) . 10 P 算法 . 12 P 網(wǎng)絡(luò)的設(shè)計(jì) . 13 P 網(wǎng)絡(luò)的限制與不足 . 15 傳算法 . 16 述 . 16 典遺傳算法 . 17 用 幾個(gè)要點(diǎn) . 18 第三章 基于最優(yōu)小波包基的特征提取 . 20 波包分析 . 20 波包的定義 . 20 波包的性質(zhì) . 21 波包的空間分解 . 22 波包算法 . 23 優(yōu)小波包基的選擇 . 24 優(yōu)小波包基的概念 . 24 優(yōu)小波包基的快速搜索法 . 25 于熵準(zhǔn)則的小波包基選擇 . 26 小波包最優(yōu)基分解提取信號(hào)特征 . 27 四章 遺傳 經(jīng)網(wǎng)絡(luò)的設(shè)計(jì) . 29 述 . 29 經(jīng)網(wǎng)絡(luò)的選取 . 30 經(jīng)網(wǎng)絡(luò)權(quán)值的選取 . 30 經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì) . 30 文的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)方法 . 31 碼表示 . 32 擇策略 . 33 傳操作 . 33 體設(shè)計(jì) . 34 值函數(shù) . 34 傳 法的步驟 . 36 第五章 遺傳 經(jīng)網(wǎng)絡(luò)在樁基檢測(cè)中的應(yīng)用 . 37 述 . 37 于神經(jīng)網(wǎng)絡(luò)的樁基完整性檢測(cè)的設(shè)計(jì)思路 . 38 本的采集 . 38 本原理 . 38 響因素 . 38 樣信號(hào)特征 . 39 經(jīng)網(wǎng)絡(luò)設(shè)計(jì) . 41 本的選擇 . 41 基信號(hào)的特征提取 . 41 入輸出節(jié)點(diǎn)的確定 . 41 文方法的識(shí)別結(jié)果及分析 . 42 傳神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)果以及與本文方法的對(duì)比 . 43 結(jié) . 45 全文總結(jié) . 46 致謝 . 48 參考文獻(xiàn) . 49 附錄（攻讀碩士學(xué)位期間發(fā)表論文） . 53 - 1 - 第一章 緒論 基檢測(cè) 樁基檢測(cè)屬于工程問題，通常是用動(dòng)測(cè)法對(duì)樁身進(jìn)行檢驗(yàn)，然后對(duì)動(dòng)測(cè)數(shù)據(jù)進(jìn)行分析，以判斷樁身存在哪種缺陷。對(duì)動(dòng)測(cè)數(shù)據(jù)進(jìn)行分析的方法 很多，就其原理而言主要有時(shí)域分析和頻域分析法，但這些方法對(duì)于結(jié)果的解釋主要還是依靠測(cè)試人員的工程經(jīng)驗(yàn)，有時(shí)對(duì)于同一種測(cè)試數(shù)據(jù)，不同背景的人做出的判斷可能有相當(dāng)大的出入，亦即由于樁 統(tǒng)的處理方法遇到了極大的困難。因此，我們需要嘗試新的比較實(shí)用的方法，為樁基檢測(cè)開辟新的途徑。目前比較實(shí)用的方法是神經(jīng)網(wǎng)絡(luò)分析法，但是人們對(duì)這方面的討論還不多，很多理論和知識(shí)還不完善。樁基完整性檢測(cè)也屬于一類故障診斷問題，本文將其作為故障識(shí)別和分類問題來討論。 障診斷的方法 故障檢測(cè)與診斷是控制科學(xué)的重 要組成部分，作為一種交叉性科學(xué)領(lǐng)域，它與容錯(cuò)控制、魯棒控制、自適應(yīng)控制、智能控制等多種技術(shù)密切的聯(lián)系。故障檢測(cè)與診斷技術(shù)在過去的十幾年里得到了飛速發(fā)展，一些新的理論與方法，如：主元分析、遺傳算法、小波變換、神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)、模式識(shí)別、自適應(yīng)理論、非線性理論等都已經(jīng)在這里得到了成功的應(yīng)用。 故障診斷的方法按照通常的分類方法可以分為基于解析模型的方法、基于信號(hào)處理的方法和基于知識(shí)的方法三大類。 基于解析模型的方法是最早發(fā)展起來的，此方法需要建立被診斷對(duì)象的較為精確的數(shù)學(xué)模型。由于系統(tǒng)的運(yùn)動(dòng)方程采用參數(shù)矢量表 示，這種參數(shù)實(shí)際上代表了系統(tǒng)的指標(biāo)，所以根據(jù)系統(tǒng)參數(shù)的估計(jì)值與其正常值之間的偏離數(shù)值，可以判斷系統(tǒng)的故障狀態(tài)。進(jìn)一步，它又可以分為參數(shù)估計(jì)方法、狀態(tài)估計(jì)方法和等價(jià)空間方法。這種方法在最近 20 年中得到了廣泛的應(yīng)用。然而以往的研究大都局限于線性系統(tǒng)，因?yàn)榉蔷€性系統(tǒng)的故障診斷的難點(diǎn)在于數(shù)學(xué)模型很難建立，參數(shù)估計(jì)方法比狀態(tài)估計(jì)方法更適合非線性系統(tǒng)。 當(dāng)難以建立診斷對(duì)象的解析數(shù)學(xué)模型時(shí)，基于信號(hào)處理的方法是非常有效的，因?yàn)檫@種方法回避了抽取對(duì)象的數(shù)學(xué)模型的難點(diǎn)。而直接利用信號(hào)模型，如相關(guān)- 2 - 函數(shù)、高階統(tǒng)計(jì)量、頻譜和自回歸 滑動(dòng)平均過程，以及熱門的小波分析技術(shù)。但是，避開對(duì)象數(shù)學(xué)模型，是這種方法的優(yōu)點(diǎn)，也是它的缺點(diǎn)。 基于知識(shí)的方法與基于信號(hào)處理的方法類似，也不需要系統(tǒng)的定量數(shù)學(xué)模型，但它克服了后者的缺點(diǎn)，引入了診斷對(duì)象的許多信息，特別是可以充分的利用專家診斷知識(shí)等，所以是一種很有前途的方法，尤其是在非線性系統(tǒng)領(lǐng)域。 神經(jīng)網(wǎng)絡(luò)是近年來出現(xiàn)的一種新的方法，它具有自學(xué)習(xí)和能擬和任意連續(xù)非線性函數(shù)的能力，以及其并行處理、全局作用的能力，使得它在處理非線性問題時(shí)具有很大的優(yōu)勢(shì)。另外，遺傳算法是基于自然選擇和基因遺傳學(xué)原理的搜索算法，可 獲得全局最優(yōu)解。將兩種方法結(jié)合起來有著巨大的應(yīng)用前景。 經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用 經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用 么是神經(jīng)網(wǎng)絡(luò) 人工神經(jīng)網(wǎng)絡(luò)是指模擬人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能，運(yùn)用大量的處理部件，由人工方式構(gòu)造的網(wǎng)絡(luò)系統(tǒng)。 神經(jīng)網(wǎng)絡(luò)理論突破了傳統(tǒng)的、串行處理的數(shù)字電子計(jì)算機(jī)的局限，是一個(gè)非線性動(dòng)力學(xué)系統(tǒng)，并以分布式存儲(chǔ)和并行協(xié)同處理為特色，雖然單個(gè)神經(jīng)元的結(jié)構(gòu)和功能極其簡(jiǎn)單有限，但是大量的神經(jīng)元構(gòu)成的網(wǎng)絡(luò)系統(tǒng)所實(shí)現(xiàn)的行為卻是極其豐富多彩的。 工神經(jīng)網(wǎng)絡(luò)研究的歷史及其應(yīng)用 神經(jīng)網(wǎng)絡(luò)的研究已有五十多年的歷史，但其發(fā)展是不平衡的，它的興衰還與“人工智能走什么路”這一爭(zhēng)議問題有關(guān)。由于其結(jié)構(gòu)的復(fù)雜性，起始階段進(jìn)展不快，并一度陷入低谷，但仍有不少有識(shí)之士在極其艱難的條件下堅(jiān)持研究，使研究工作始終沒有中斷，并在模型建立等理論方面取得了突破性的成果。時(shí)至今天，人工神經(jīng)網(wǎng)絡(luò)成了信息領(lǐng)域的熱門研究課題。 初始發(fā)展期（ 20 世紀(jì) 40 年代 20 世紀(jì) 60 年代） 早在 1943 年，美國(guó)心理學(xué)家 數(shù)學(xué)家 合提出了形式神經(jīng)的數(shù)學(xué)模型，即 型，從此開創(chuàng)了神經(jīng)科 學(xué)理論研究的新紀(jì)元。 型能夠完成有限的邏輯運(yùn)算。 1944 年，心理學(xué)家 出了改變神經(jīng)元間連接強(qiáng)度的 則，他們至今仍在各種神經(jīng)網(wǎng)絡(luò)模型中起著重要的作用。 1957 年，計(jì)算機(jī)科學(xué)家 硬件完成了最早的神經(jīng)網(wǎng)絡(luò)模型，即感知器（ - 3 - 并用來模擬生物的感知和學(xué)習(xí)能力。 1962 年，電機(jī)工程師 出了自適應(yīng)線性元件 是一個(gè)連續(xù)取值的線性網(wǎng)絡(luò)，在信號(hào)處理系統(tǒng)中用于抵消通訊中的回波和噪聲，應(yīng)用十分廣泛。 低谷期（ 20 世紀(jì) 60 年代末 20 世紀(jì) 70 年代末） 1969 年，人工智能之父 表的感知器（ 一書指出，感知器無科學(xué)價(jià)值可言，連 輯分類都作不到，只能作線性劃分。由于 學(xué)術(shù)界的地位和影響，故其后若干年內(nèi)，這一研究方向處于低潮。另一方面，傳統(tǒng)的馮諾依曼電子數(shù)字計(jì)算機(jī)正處在發(fā)展的全盛時(shí)期，整個(gè)學(xué)術(shù)界都陶醉在成功的喜悅之中，從而掩蓋了新型計(jì)算機(jī)發(fā)展的必然。 盡管如此，在此期間仍然有不少有識(shí)之士不斷努力，在極端艱難的條件下致力于這一研究，為神經(jīng)網(wǎng)絡(luò)的發(fā)展奠定了理論基礎(chǔ) 。 學(xué)的 出了自適應(yīng)共振理論 絡(luò)。芬蘭的 學(xué)的 出了自組織映射網(wǎng)絡(luò)。日本大坂大學(xué)的 出了神經(jīng)認(rèn)知機(jī)網(wǎng)絡(luò)模型。日本東京大學(xué)的 神經(jīng)網(wǎng)絡(luò)進(jìn)行了數(shù)學(xué)理論的研究。 興盛期（ 20 世紀(jì) 80 年代以后） 20 世紀(jì) 70 年代末期，研究和試圖模擬聽覺的人工智能專家首先遇到挫折，人們習(xí)以為常的知識(shí)難以教給計(jì)算機(jī)。計(jì)算機(jī)的設(shè)計(jì)者和制造商也發(fā)現(xiàn)前面有不可逾越的線路微型化的物理極限，人們才開始思考馮諾依曼機(jī)到底 還能走多遠(yuǎn)。同時(shí)， 科學(xué)、生物學(xué)、光學(xué)的迅速發(fā)展也為人工神經(jīng)網(wǎng)絡(luò)的發(fā)展打下了基礎(chǔ)。 1982 年，加州大學(xué)的物理學(xué)家 出了 絡(luò)模型，并用電路實(shí)現(xiàn)。 1985 年， 出了 法，把學(xué)習(xí)的結(jié)果反饋到神經(jīng)網(wǎng)絡(luò)的隱層，來改變權(quán)系矩陣，它是迄今為止最普遍的網(wǎng)絡(luò)。 人提出了 模型。 1988 年，蔡少堂提出了細(xì)胞神經(jīng)網(wǎng)絡(luò)模型。 近年來，神經(jīng)網(wǎng)絡(luò)理論引起了美國(guó)、歐洲與日本等國(guó)科學(xué)家和企業(yè)家的巨大熱情。新的研究小組、實(shí)驗(yàn)室、風(fēng)險(xiǎn)公司等與日俱增，世 界各國(guó)也正在組織和實(shí)施與此有關(guān)的重大研究項(xiàng)目。如美國(guó) 劃、日本 劃、法國(guó)尤里卡計(jì)劃、德國(guó)歐洲防御計(jì)劃和前蘇聯(lián)高技術(shù)發(fā)展計(jì)劃等。 1986 年 4 月，美國(guó)物理學(xué)會(huì)在 開了國(guó)際神經(jīng)網(wǎng)絡(luò)學(xué)術(shù)會(huì)議。 1987 年 6 月， 成立了國(guó)際神經(jīng)網(wǎng)絡(luò)學(xué)會(huì)。 1988 年起， 1990 年 3 月， 經(jīng)網(wǎng)絡(luò)會(huì)刊問世。 - 4 - 神經(jīng)網(wǎng)絡(luò)理論的應(yīng)用也已經(jīng)滲透到各個(gè)領(lǐng)域，并在智能控制、模式識(shí)別、計(jì)算機(jī)視覺、自適應(yīng)濾波、 信號(hào)處理、非線性優(yōu)化、語音識(shí)別、知識(shí)處理、傳感技術(shù)與機(jī)器人等方面取得了令人鼓舞的進(jìn)展。神經(jīng)網(wǎng)絡(luò)代表一種新的主義，即連接主義，用于解決諸如知識(shí)表達(dá)、推理學(xué)習(xí)、聯(lián)想記憶、乃至復(fù)雜的社會(huì)現(xiàn)象，如混沌，社會(huì)演變等復(fù)雜系統(tǒng)的統(tǒng)一模型，它將預(yù)示著一個(gè)新的工業(yè)的到來。 經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用概況 故障診斷是近 40 年來發(fā)展起來的一門新學(xué)科。它是適應(yīng)工程實(shí)際需要而形成的各學(xué)科交叉的綜合學(xué)科。 基于神經(jīng)網(wǎng)絡(luò)的故障診斷問題可以看成模式識(shí)別。通過對(duì)一系列過程參量進(jìn)行測(cè)量，然后用神經(jīng)網(wǎng)絡(luò)從測(cè)量空間影射到故障空間，實(shí)現(xiàn)故 障診斷。 人工神經(jīng)網(wǎng)絡(luò)之所以適合于故障診斷，有以下三個(gè)原因： 1)訓(xùn)練過的神經(jīng)網(wǎng)絡(luò)能存儲(chǔ)有關(guān)過程的知識(shí)，能直接從定量的、歷史故障信息中學(xué)習(xí)?？梢愿鶕?jù)對(duì)象的正常歷史數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，然后將此信息與當(dāng)前測(cè)量數(shù)據(jù)進(jìn)行比較，以確定故障。 2)人工神經(jīng)網(wǎng)絡(luò)具有濾除噪聲及在有噪聲情況下得出正確結(jié)論的能力，可以訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)來識(shí)別故障信息，使其能在噪聲環(huán)境中有效的工作，這種濾除噪聲的能力使得人工神經(jīng)網(wǎng)絡(luò)適合在線故障檢測(cè)和診斷。 3)人工神經(jīng)網(wǎng)絡(luò)具有分辨原因及故障類別的能力。 外的研究發(fā)展?fàn)顩r 神經(jīng)網(wǎng)絡(luò)用于故 障診斷起源于 80 年代末期。 1989 年美國(guó)珀杜大學(xué)的 人將人工神經(jīng)網(wǎng)絡(luò)用于故障診斷中 7，并與基于知識(shí)的專家系統(tǒng)進(jìn)行了比較。他們?cè)\斷的設(shè)備是一個(gè)流化態(tài)催化裂化單元的故障，確定了 18 種征兆（輸入節(jié)點(diǎn)）和 13 種故障類型（輸出節(jié)點(diǎn)），隱層有 527個(gè)節(jié)點(diǎn)。所用的算法是反向傳播算法，獲得了理想的結(jié)果；它能正確的確定94%98%的故障原因。美中不足的是訓(xùn)練時(shí)間太長(zhǎng)，并且訓(xùn)練時(shí)輸入的數(shù)據(jù)不是實(shí)時(shí)的；人工神經(jīng)網(wǎng)絡(luò)映射連續(xù)變量比映射布爾量要困難得多，盡 管存在這些局限性，但他們?nèi)允堑谝淮螌⑷斯ど窠?jīng)網(wǎng)絡(luò)成功的應(yīng)用于模式匹配和故障診斷中。 同年，日本慶應(yīng)義塾大學(xué)的 人將神經(jīng)網(wǎng)絡(luò)用于診斷化工過程的初期故障 8。他們認(rèn)為人工神經(jīng)網(wǎng)絡(luò)通過聯(lián)想記憶有學(xué)習(xí)和存儲(chǔ)故障信息的能力，并且具有聯(lián)想診斷過程故障的能力。網(wǎng)絡(luò)可以從穩(wěn)態(tài)過程變量數(shù)值中學(xué)習(xí)到故障知識(shí)，這些參量既有正常狀態(tài)下采集的也有故障狀態(tài)下采集的，用來表- 5 - 示故障的程度。提出了一個(gè)兩級(jí)多層神經(jīng)網(wǎng)絡(luò)用于故障診斷，一級(jí)網(wǎng)絡(luò)用于識(shí)別含有噪聲的故障，一旦識(shí)別出故障，二級(jí)就來估算故障的程度，這樣可以 診斷出早期故障。 美國(guó)德克薩斯大學(xué)的 人應(yīng)用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷 9時(shí)采用連續(xù)變量作為輸入，但其工作的一個(gè)限制是只適合于穩(wěn)態(tài)系統(tǒng)。診斷的對(duì)象是 3 個(gè)等溫連續(xù)攪拌釜反應(yīng)器， 人用人工神經(jīng)網(wǎng)絡(luò)識(shí)別 6 種可能的故障。他們根據(jù)一個(gè)標(biāo)量決策函數(shù)采用人工神經(jīng)網(wǎng)絡(luò)對(duì)輸入模式進(jìn)行分類；采用 法，討論了隱層節(jié)點(diǎn)數(shù)對(duì)學(xué)習(xí)效率的影響。當(dāng)訓(xùn)練集中只有 6 個(gè)輸入模式時(shí)，人工神經(jīng)網(wǎng)絡(luò)的誤診斷率僅為 20%；有 12 個(gè)模式時(shí)，系統(tǒng)的診斷正確率為 100%。 1990 年 ， 人用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行傳感器故障檢測(cè) 10，傳感器故障檢測(cè)的最主要問題是對(duì)過程的正確模擬。對(duì)一個(gè)復(fù)雜的非線性過程，這一任務(wù)非常困難。 人試圖用人工神經(jīng)網(wǎng)絡(luò)來區(qū)分由傳感器故障引起的模式和由過程 聲及擾動(dòng)引起的模式。結(jié)果表明：人工神經(jīng)網(wǎng)絡(luò)對(duì)傳感器故障的預(yù)測(cè)準(zhǔn)確性比其它方法高，原因是人工神經(jīng)網(wǎng)絡(luò)能抓住非線性問題，另外人工神經(jīng)網(wǎng)絡(luò)能夠在線進(jìn)行訓(xùn)練，訓(xùn)練好后，它所需要的計(jì)算時(shí)間要少于其它算法。 人進(jìn)一步擴(kuò)展了這種采用人工神經(jīng)網(wǎng)絡(luò)的故障檢測(cè)方法 11，他們采用的是所謂的局部區(qū)域網(wǎng)絡(luò)（ 并展示了一種去除網(wǎng)絡(luò)多余節(jié)點(diǎn)，提高效率的方法。該網(wǎng)絡(luò)只有一層，同時(shí)采用有監(jiān)督和無監(jiān)督學(xué)習(xí)方法訓(xùn)練。 基于這一工作，局部接收區(qū)域網(wǎng)絡(luò)展示了在線進(jìn)行傳感器故障檢測(cè)的希望。首先，網(wǎng)絡(luò)能夠準(zhǔn)確的檢測(cè)出故障，效果優(yōu)于 人的反向傳播網(wǎng)絡(luò)；其次，局部接收區(qū)域網(wǎng)絡(luò)與任何人工神經(jīng)網(wǎng)絡(luò)一樣可以離線訓(xùn)練，然后用于在線服務(wù)。 1990 年美國(guó)賓夕法尼亞大學(xué)的 人探索了采用自適應(yīng)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷和過程控制 12。自適應(yīng)人工神經(jīng)網(wǎng)絡(luò)可用于故障識(shí)別系統(tǒng)，采用基于則的 法，以連接強(qiáng)度表示輸入（報(bào)警和傳感器測(cè)量結(jié)果）和輸出（故障、傳感器故障或控制系統(tǒng)故障）之間的關(guān)系。這個(gè)系統(tǒng)是一個(gè)能夠象線性相關(guān)性一樣學(xué)習(xí)非線性和邏輯關(guān)系的模式識(shí)別器。對(duì)一個(gè)小模擬化工廠進(jìn)行診斷，用加入了噪聲的定性（報(bào)警）和定量（傳感器）數(shù)據(jù)進(jìn)行網(wǎng)路學(xué)習(xí)，非線性網(wǎng)絡(luò)學(xué)習(xí)的重要性在于要求有足夠靈敏度的特征數(shù)據(jù)和優(yōu)化報(bào)警閾值問題。 麻省理工學(xué)院的 人采用徑向偏置函數(shù)即高斯密度函數(shù)： - 6 - )|e 2h 代替 數(shù)： 11)( 結(jié)果表明，采用徑向基函數(shù)可以使： 1)人工神經(jīng)網(wǎng)絡(luò)的泛化能力加強(qiáng)，能更好的處理訓(xùn)練數(shù)據(jù)以外的測(cè)試實(shí)例。 2)人工神經(jīng)網(wǎng)絡(luò)能估計(jì)測(cè)試實(shí)例與原來的分類器的接近程度。 3)訓(xùn)練速度加快。 1991 年北卡羅來納州立大學(xué)的 人用人工神經(jīng)網(wǎng)絡(luò)對(duì)交流感應(yīng)電動(dòng)機(jī)進(jìn)行了故障診斷 13。他們認(rèn)為交流感應(yīng)電動(dòng)機(jī)的初期故障如果檢測(cè)不出來，則可導(dǎo)致整個(gè)機(jī)器損壞，超過 大電機(jī)的早期故障檢測(cè)法用于中小型感應(yīng)電機(jī)上造價(jià)太高或不實(shí)用。為此他們建立了一種基于高序神經(jīng)網(wǎng)絡(luò)的中小型感應(yīng)電動(dòng)機(jī)初期故障診斷法，這種方法避免了傳統(tǒng)初期故障診斷法中存在的一些問題。該方法利用了一些可靠的信息，如轉(zhuǎn)子速度和定子電流等。神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)是在實(shí)驗(yàn)室的一個(gè) 552W 永磁感應(yīng)電動(dòng)機(jī)上實(shí)時(shí)進(jìn)行的，計(jì)算結(jié)果表明，基于神經(jīng)網(wǎng)絡(luò)的初期故障檢測(cè)儀的識(shí)別準(zhǔn)確率超過 95%，適合現(xiàn)場(chǎng)應(yīng)用。 人論述了過程自動(dòng)化領(lǐng)域的神經(jīng)網(wǎng)絡(luò)診斷法，他們認(rèn)為幾種結(jié)構(gòu)的神經(jīng) 網(wǎng)絡(luò)比基于模型的方法和專家系統(tǒng)更適合于故障診斷，并指出雙曲正切多層感知器網(wǎng)絡(luò)單元最適合故障診斷。將其用于熱交換器 統(tǒng)有 14 個(gè)含有噪聲的測(cè)量結(jié)果和 10 種故障，該網(wǎng)絡(luò)經(jīng) 3000 次學(xué)習(xí)后能將故障正確的檢測(cè)并分類，并用主分量分析法描述故障診斷問題。 1994 年 人用混合神經(jīng)網(wǎng)絡(luò)診斷多故障 14，采用 大量的模式分為很多小的子集以便網(wǎng)絡(luò)能夠更有效的對(duì)故障進(jìn)行分類。它的優(yōu)點(diǎn)是即使網(wǎng)絡(luò)是用單故障訓(xùn)練的，但對(duì)沒學(xué)過的多故障也 可以檢測(cè)，并在反應(yīng)器中得到了應(yīng)用。 內(nèi)的研究狀況 我國(guó)也有一些學(xué)者對(duì)神經(jīng)網(wǎng)絡(luò)在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用進(jìn)行了探討，取得了一定的成果。東北大學(xué)虞和濟(jì)教授對(duì)機(jī)械設(shè)備故障診斷的人工神經(jīng)網(wǎng)絡(luò)法進(jìn)行了深入的研究 515，建立了旋轉(zhuǎn)機(jī)械神經(jīng)網(wǎng)絡(luò)分類系統(tǒng)并得到了應(yīng)用，取得了滿意的效果。西安交通大學(xué)的屈梁生教授等較早地利用人工神經(jīng)網(wǎng)絡(luò)對(duì)大型旋轉(zhuǎn)機(jī)械的各種故障進(jìn)行了全面的研究 16，研究了如何從現(xiàn)場(chǎng)故障信號(hào)中提取故障特- 7 - 征并將全息診斷法用于神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng)中。東南大學(xué)的鐘秉林等也就神經(jīng)網(wǎng)絡(luò)對(duì)給定知識(shí)的表 達(dá)、聯(lián)想、記憶能力及網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了研究 17并指出神經(jīng)網(wǎng)絡(luò)在機(jī)械故障診斷中顯示了極大的應(yīng)用潛力。張煒等一批科技工作者對(duì)旋轉(zhuǎn)機(jī)械故障診斷中的神經(jīng)網(wǎng)絡(luò)算法進(jìn)行了研究 18，采用動(dòng)態(tài)學(xué)習(xí)算法，引入控制因子，結(jié)果表明這種改進(jìn)提高了 絡(luò)的收斂速度，改善了網(wǎng)絡(luò)的性能，具有實(shí)際應(yīng)用意義。建立了基于概率神經(jīng)網(wǎng)絡(luò)的大機(jī)組快速響應(yīng)診斷系統(tǒng)，其收斂速度為 絡(luò)的 2 萬倍；實(shí)現(xiàn)了對(duì)大機(jī)組常見故障快速、簡(jiǎn)捷、自動(dòng)的智能化診斷并減少了對(duì)專家的依賴；研制出實(shí)用的“傻瓜”式智能診斷軟件，已投入使用。此外還有人就神經(jīng)網(wǎng)絡(luò)用于設(shè)備故障 診斷的各種問題進(jìn)行了研究并均取得了一定的結(jié)果。 波分析在故障診斷中的應(yīng)用概況 在故障診斷中，故障信號(hào)往往含有大量的時(shí)變、突發(fā)性質(zhì)的成分，傳統(tǒng)的信號(hào)分析方法如 換無能為力，不能有效的提取故障的特征。而且在故障診斷領(lǐng)域，我們經(jīng)常會(huì)遇到非平穩(wěn)信號(hào)，應(yīng)用 換也不能得到有效的結(jié)果。小波變換作為一種時(shí)頻分析方法，它在時(shí)頻兩域都具有表征信號(hào)局部特征的能力，特別適宜于非平穩(wěn)信號(hào)的處理，從而為故障診斷技術(shù)提供了良好的技術(shù)支持。近年來，許多學(xué)者對(duì)小波變換在故障診斷方面的應(yīng)用進(jìn)行了研究，取得了 大量有價(jià)值的成果。 小波分析在故障診斷中主要用于故障信號(hào)的特征提取。張靜遠(yuǎn)等討論了四種基于小波變換的特征提取方法 19：基于小波變換的模極大值特征、基于小波分解的能量特征、基于小波包分解的熵特征以及基于適應(yīng)性小波網(wǎng)絡(luò)的特征提取方法，闡述了各方法的基本原理和實(shí)現(xiàn)過程。陳長(zhǎng)征、虞和濟(jì)等人提出了基于小波分析的機(jī)械故障特征提取方法 20，通過對(duì)奇異故障信號(hào)的檢測(cè)、信噪分離和信號(hào)頻帶分析來提取故障特征，這種方法提取的故障信息應(yīng)用在神經(jīng)網(wǎng)絡(luò)等其他故障診斷方法中可以更準(zhǔn)確、更全面的診斷故障。周維忠等提出了一種基于小波 系數(shù)聚類的特征提取方法 21，克服了樣本抽樣數(shù)目較大時(shí)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜的問題。而且沈國(guó)重、黃艷芳等將小波變化和神經(jīng)網(wǎng)絡(luò)結(jié)合起來進(jìn)行故障診斷 2223。 小波分析可以對(duì)信號(hào)進(jìn)行有效的時(shí)頻分解，但由于其對(duì)尺度是按二進(jìn)制變化的，所以在高頻頻段其頻率分辨率較差，而在低頻頻段其時(shí)間分辨率較差，即對(duì)信號(hào)的頻帶進(jìn)行等間隔劃分。小波包分析能夠?yàn)樾盘?hào)提供一種更加精細(xì)的分析方法，它將頻帶進(jìn)行多層次劃分，對(duì)小波分解沒有細(xì)分的高頻部分進(jìn)一步分解，并能夠根據(jù)被分析信號(hào)的特征，自適應(yīng)的選擇相應(yīng)的頻帶，使之與信號(hào)頻譜相匹配，- 8 - 從而 提高了時(shí)頻分辨率?；诖?，王首勇、張曉文等提出了基于小波包變換的特征提取方法 242526。用小波包進(jìn)行特征提取，為了更有效的提取信號(hào)的特征，需要提取小波包的最優(yōu)基， 討論了小波包最優(yōu)基的提取方法 2728。并且黃艷芳、何福順、楊潔明等將小波包分析與神經(jīng)網(wǎng)絡(luò)的故障診斷系統(tǒng)結(jié)合起來29。 傳算法在故障診斷中的應(yīng)用概況 遺傳算法在故障診斷中的應(yīng)用剛剛起步，公開發(fā)表的文獻(xiàn)不多，但是在基于神經(jīng)網(wǎng)絡(luò)的故障診斷中，遺傳算法用于神經(jīng)網(wǎng)絡(luò)的輔助設(shè)計(jì)發(fā)揮著很大的作用。由于遺傳算法 具有全局尋優(yōu)的能力，在神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)中得到越來越廣泛的應(yīng)用。 用遺傳算法設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)主要是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)值的設(shè)計(jì)，在固定網(wǎng)絡(luò)結(jié)構(gòu)時(shí)只需要在學(xué)習(xí)的過程中優(yōu)化網(wǎng)絡(luò)的權(quán)值，這種方法比較簡(jiǎn)單。因?yàn)閷?duì)于一個(gè)故障診斷問題，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)不容易確定，因此需要對(duì)網(wǎng)絡(luò)的結(jié)構(gòu)和權(quán)值共同設(shè)計(jì)， 明等給出了用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)值的方法 303132，并且張敏等給出了結(jié)構(gòu)和權(quán)值的一種新的實(shí)數(shù)編碼方案 33，使遺傳操作變的簡(jiǎn)單易行。但由于遺傳算法往往找到的是全局次優(yōu)解，而 法找到的是局部最優(yōu)解，因此我們考慮將遺傳算法與 法結(jié)合起來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，以得到全局最優(yōu)解，熊凌等將 法作為遺傳算法的一個(gè)算子引入到遺傳算法中 34，收到了很好的效果。又因?yàn)樵谶z傳算法中交叉和變異概率的選取一般是靠經(jīng)驗(yàn)來選取，相對(duì)比較困難，郭曉婷等提出了自適應(yīng)選擇交叉和變異概率的遺傳算法 35。 同時(shí)人們將遺傳算法和神經(jīng)網(wǎng)絡(luò)結(jié)合起來用于故障診斷和模式識(shí)別，將雄偉、敏等分別討論了其在故障診斷和模式識(shí)別中的應(yīng)用 363738。 文完成的主要工作 在廣泛閱讀故障診斷、樁 基檢測(cè)、遺傳算法、小波分析和神經(jīng)網(wǎng)絡(luò)的相關(guān)文獻(xiàn)的基礎(chǔ)上，針對(duì)現(xiàn)有樁基完整性檢測(cè)領(lǐng)域中的欠缺之處，本文提出基于遺傳 且將其應(yīng)用于實(shí)際的樁基檢測(cè)中，實(shí)驗(yàn)證明了此方法在樁基檢測(cè)領(lǐng)域有著廣闊的應(yīng)用前景。本文主要完成以下工作： 1)提出基于熵規(guī)則的最優(yōu)小波包基的提取，然后用此最優(yōu)基分解來提取樁基信號(hào)的