基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的管道泄漏檢測(cè)方法研究

賈 瑩 高丙坤

(東北石油大學(xué)電氣信息工程學(xué)院，黑龍江 大慶 163318)

管道運(yùn)輸業(yè)作為與鐵路、公路、航空、水運(yùn)并駕齊驅(qū)的五大運(yùn)輸行業(yè)，在輸送氣體、液體時(shí)具有天然優(yōu)勢(shì)，它具有連續(xù)平穩(wěn)、安全性好、運(yùn)輸量大、質(zhì)量易保證、物料損失少、占地少及運(yùn)費(fèi)低等特點(diǎn)。但統(tǒng)計(jì)資料表明，目前世界上總管網(wǎng)的50%已經(jīng)用了30年甚至更久，由于老化、腐蝕、地形沉降及人為破壞等因素導(dǎo)致管道泄漏事故時(shí)有發(fā)生，此問(wèn)題任何國(guó)家都必須面對(duì)，而且會(huì)日趨嚴(yán)重。因此，做好對(duì)管道的泄漏檢測(cè)就顯得至關(guān)重要[1]。

目前,管道泄漏檢測(cè)方法眾多,但總體而言可分為兩類(lèi)，即基于硬件的泄漏檢測(cè)方法和基于軟件的泄漏檢測(cè)方法。常用的基于硬件的泄漏檢測(cè)方法有人工巡檢法、氣體法、智能清管器法及光纖檢漏法等[2]。人工巡檢法對(duì)于較大的泄漏不會(huì)誤報(bào)，但靈敏度太低，對(duì)于如海底、沙漠及沼澤等更加難以檢測(cè)。氣體檢測(cè)設(shè)備通常需要搭載在運(yùn)輸工具上，沿管線邊移動(dòng)邊檢測(cè)，其檢測(cè)響應(yīng)時(shí)間通常是氣體揮發(fā)出來(lái)后的幾小時(shí)或者數(shù)天。智能清管器法的設(shè)備比較昂貴，檢測(cè)費(fèi)用也比較高，目前常用的是超聲波檢測(cè)法和漏磁通檢測(cè)法。而光纖檢漏法的優(yōu)點(diǎn)是能檢出微小的泄漏，缺點(diǎn)是材料成本高、連續(xù)使用性差，對(duì)于己建設(shè)好的管道系統(tǒng)要重新鋪設(shè)電纜或光纖。常用的基于軟件的泄漏檢測(cè)方法有質(zhì)量或體積平衡法、聲波檢測(cè)法、負(fù)壓波法、模型法及神經(jīng)網(wǎng)絡(luò)法等[2]。負(fù)壓波法是當(dāng)今管道檢測(cè)主流方法之一，對(duì)突發(fā)性的較大泄漏能快速檢測(cè)定位，但對(duì)于小泄漏和緩慢泄漏容易出現(xiàn)誤報(bào)或漏報(bào)。

由于影響管道的因素非常多，很難建立一個(gè)準(zhǔn)確的數(shù)學(xué)模型進(jìn)行泄漏檢測(cè)分析，而神經(jīng)網(wǎng)絡(luò)模型能夠識(shí)別管道泄漏信號(hào)和正常信號(hào)，具有較強(qiáng)的適應(yīng)學(xué)習(xí)能力，能夠自動(dòng)更新網(wǎng)絡(luò)參數(shù)，適應(yīng)不同的管道系統(tǒng)，從而準(zhǔn)確及時(shí)地進(jìn)行管道泄漏檢測(cè)報(bào)警[3]。同時(shí)，利用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，能改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法收斂速度慢、易陷入誤差函數(shù)的局部極小點(diǎn)的缺點(diǎn)，進(jìn)一步提高檢測(cè)的可靠性，減小誤差、減少漏報(bào)和誤報(bào)的發(fā)生。筆者利用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對(duì)壓力傳感器采集到的信號(hào)進(jìn)行識(shí)別，并與單純的BP神經(jīng)網(wǎng)絡(luò)監(jiān)測(cè)結(jié)果進(jìn)行對(duì)比，同時(shí)在Matlab環(huán)境下進(jìn)行有效性仿真研究。

1 BP神經(jīng)網(wǎng)絡(luò)①

圖1所示為只有一個(gè)隱含層的結(jié)構(gòu)，圖1中左側(cè)為輸入層，有n個(gè)節(jié)點(diǎn)，對(duì)應(yīng)的輸入向量X=(x1,x2,…，xn)T；中間為隱含層，有q個(gè)節(jié)點(diǎn)，對(duì)應(yīng)隱含層的輸出向量Z=(z1,z2,…,zq)T；右側(cè)是輸出層，有m個(gè)節(jié)點(diǎn)，對(duì)應(yīng)輸出向量Y=(y1,y2,…,ym)T。令輸入層任一節(jié)點(diǎn)xi到隱含層任一節(jié)點(diǎn)zj之間的連接權(quán)值為vij；隱含層節(jié)點(diǎn)zj到輸出層節(jié)點(diǎn)yk之間的連接權(quán)值為wjk,θj為網(wǎng)絡(luò)隱含層第j個(gè)神經(jīng)元的閾值，γk為網(wǎng)絡(luò)輸出層第k個(gè)神經(jīng)元的閾值，其中i=1,2,…，n,j=1,2,…，q，k=1,2,…,m。

圖1 只有一個(gè)隱含層的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

對(duì)于每一個(gè)樣本p的二次型誤差準(zhǔn)則函數(shù)為Ep[6]：

(1)

系統(tǒng)對(duì)P個(gè)訓(xùn)練樣本的總誤差準(zhǔn)則函數(shù)為：

(2)

2 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

2.1 遺傳算法原理

遺傳算法(Genetic Algorithm,GA)是基于Darwin的進(jìn)化論和Mendel的遺傳學(xué)說(shuō)提出的。它的遺傳算法的基本思想是從代表問(wèn)題可能潛在解集的一個(gè)種群開(kāi)始的[7]，而一個(gè)種群則由經(jīng)過(guò)基因編碼的一定數(shù)目的個(gè)體組成,每個(gè)個(gè)體實(shí)際上是染色體帶有特征的實(shí)體,染色體作為遺傳物質(zhì)的主要載體，即多個(gè)基因的集合，其內(nèi)部表現(xiàn)(即基因型)是某種基因組合，它決定了個(gè)體形狀的外部表現(xiàn)。因此，在一開(kāi)始需要實(shí)現(xiàn)從表現(xiàn)型到基因型的映射即編碼工作。由于仿照基因編碼的工作很復(fù)雜，往往進(jìn)行簡(jiǎn)化，如二進(jìn)制編碼。初代種群產(chǎn)生之后，按照適者生存和優(yōu)勝劣汰的準(zhǔn)則，逐代演化產(chǎn)生出越來(lái)越好的近似解。在每一代，根據(jù)問(wèn)題域中個(gè)體的適應(yīng)度大小挑選個(gè)體，并借助于自然遺傳學(xué)的遺傳算子進(jìn)行組合交叉和變異，產(chǎn)生出代表新的解集的種群。這個(gè)過(guò)程將導(dǎo)致種群像自然進(jìn)化一樣的后生代種群比前代更加適應(yīng)于環(huán)境，末代種群中的最優(yōu)個(gè)體經(jīng)過(guò)解碼可以作為問(wèn)題近似最優(yōu)解。

基本遺傳算法(Single Genectic Algorthmi，SGA)使用選擇、交叉和變異3個(gè)算子，基本遺傳算法可定義為一個(gè)8元組[7]：

SGA=(D,F,Po,N,S,M,C,T)

式中C——交叉算子；

D——個(gè)體的編碼方式；

F——個(gè)體的適應(yīng)度評(píng)價(jià)函數(shù)；

M——變異算子；

N——種群規(guī)模；

Po——初始群體；

S——選擇算子；

T——搜索終止條件。

這些參數(shù)對(duì)遺傳算法的性能都有很重要的影響，而參數(shù)的設(shè)定目前尚無(wú)統(tǒng)一的理論指導(dǎo)，主要根據(jù)經(jīng)驗(yàn)和具體問(wèn)題確定,下面簡(jiǎn)單介紹這些參數(shù)[8，9]：

a. 編碼。把一個(gè)問(wèn)題的可行解從其解空間轉(zhuǎn)換到遺傳算法所能處理的搜索空間的轉(zhuǎn)換方法稱(chēng)為編碼。編碼方法在很大程度上決定了如何進(jìn)行群體的遺傳進(jìn)化運(yùn)算及其效率。通常采用二進(jìn)制編碼或浮點(diǎn)數(shù)編碼。

b. 個(gè)體的適應(yīng)度評(píng)價(jià)函數(shù)?；具z傳算法一般按與個(gè)體適應(yīng)度成正比的概率來(lái)決定當(dāng)前群體中每個(gè)個(gè)體遺傳到下一代群體中的機(jī)會(huì)大小。為正確計(jì)算這個(gè)概率，要求所有個(gè)體的適應(yīng)度必須非負(fù)，否則要進(jìn)行處理。

c. 初始群體。較大數(shù)目的初始種群可以同時(shí)處理更多的解，因而容易找到全局的最優(yōu)解，缺點(diǎn)是增加了每次迭代所需要的時(shí)間和計(jì)算量，并對(duì)染色體間的競(jìng)爭(zhēng)有不利影響。一般為20～100。

d. 選擇算子。最常用的選擇算子是比例選擇算子，也叫賭盤(pán)選擇，基本思想是每個(gè)個(gè)體被選中的概率與其適應(yīng)度大小成正比。

e. 交叉算子。交叉是產(chǎn)生新個(gè)體的主要方法，主要作用就是使結(jié)果更趨近于最優(yōu)解。交叉概率決定了交換操作的頻率，頻率越高，能越快地收斂到最優(yōu)解區(qū)域，但太高的頻率也可能導(dǎo)致只收斂于一個(gè)解。一般的交叉概率為0.6～0.9。

f. 變異算子。在遺傳算法中通過(guò)引入變異算子來(lái)產(chǎn)生新的個(gè)體，主要目的是為了改善遺傳算法的局部搜索能力，維持群體的多樣性，避免出現(xiàn)早熟現(xiàn)象。變異概率通常只取較小的數(shù)值，一般為0.001～0.100。

2.2 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)主要是利用遺傳算法的搜索不依賴(lài)梯度信息，只需要求解函數(shù)在約束條件下的可行解，對(duì)目標(biāo)函數(shù)的適用條件很低，無(wú)論目標(biāo)函數(shù)是否連續(xù)線性皆在適用范圍內(nèi)，且算法搜索全局性強(qiáng)，易得到最優(yōu)解[10]。因此遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合，則可以充分利用兩者的優(yōu)點(diǎn)，使新算法既有神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和魯棒性，又有遺傳算法的很強(qiáng)的全局搜索能力。一般來(lái)說(shuō)，遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的結(jié)合可以在3個(gè)層面上進(jìn)行，一是對(duì)網(wǎng)絡(luò)連接權(quán)及閾值的優(yōu)化；二是對(duì)網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化；三是對(duì)網(wǎng)絡(luò)規(guī)則的優(yōu)化[11]。筆者主要通過(guò)遺傳算法在神經(jīng)網(wǎng)絡(luò)構(gòu)建的過(guò)程中對(duì)神經(jīng)網(wǎng)絡(luò)連接權(quán)值和閾值進(jìn)行優(yōu)化，具體步驟為[11]：

a. 采用實(shí)數(shù)編碼方案對(duì)初始權(quán)值和閾值進(jìn)行編碼，得到N個(gè)碼串，每個(gè)碼串就對(duì)應(yīng)著一組神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。

c. 通過(guò)選擇算子讓適應(yīng)度大的個(gè)體進(jìn)入下一代種群。

d. 以交叉率和變異率對(duì)個(gè)體進(jìn)行交叉和變異操作，產(chǎn)生出新的個(gè)體。

e. 計(jì)算新個(gè)體的適應(yīng)度，同時(shí)將新個(gè)體插入到種群中。

f. 如果找到的個(gè)體達(dá)到適應(yīng)度標(biāo)準(zhǔn)，則結(jié)束算法，否則轉(zhuǎn)步驟b。

g. 以遺傳算法計(jì)算出的優(yōu)化初值作為初始權(quán)值，用BP算法訓(xùn)練網(wǎng)絡(luò)直到指定精度。

3 仿真實(shí)驗(yàn)

實(shí)驗(yàn)選取某氣體管線進(jìn)行研究，此段天然氣管長(zhǎng)3.13km，管徑DN300.0mm，外徑323.9mm，管壁厚7.1mm，管端壓力0.75MPa。實(shí)驗(yàn)利用管道上所安裝的壓力傳感器接收的壓力信號(hào)經(jīng)預(yù)處理后的48組數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)。另取12組作為測(cè)試樣本對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行實(shí)際性能測(cè)試。根據(jù)實(shí)際情況和實(shí)驗(yàn)要求，神經(jīng)網(wǎng)絡(luò)采用兩個(gè)隱含層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)，輸入層神經(jīng)元數(shù)為6，輸出層神經(jīng)元數(shù)為2，每層的傳遞函數(shù)均為S型函數(shù)logsig，輸出層使用線性函數(shù)logsig，訓(xùn)練目標(biāo)精度為0.01，經(jīng)訓(xùn)練后得到的誤差曲線如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的誤差曲線

從圖2可以看出，BP算法經(jīng)2 162次的訓(xùn)練，網(wǎng)絡(luò)達(dá)到預(yù)期的精度要求。對(duì)用遺傳算法優(yōu)化過(guò)的神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行訓(xùn)練，訓(xùn)練后的誤差曲線如圖3所示。

圖3 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練曲線

從圖3中可以看出，遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)后經(jīng)660次訓(xùn)練就達(dá)到了訓(xùn)練要求的精度。隨后用12組測(cè)試樣本進(jìn)行測(cè)試，測(cè)得的期望輸出值和實(shí)際輸出值結(jié)果見(jiàn)表1。

表1 兩種算法期望輸出與實(shí)際輸出比較

從表1可以看出，經(jīng)遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)對(duì)管道數(shù)據(jù)的分析基本滿(mǎn)足期望輸出，可以很好地反應(yīng)管道狀況。并且相比較BP神經(jīng)網(wǎng)絡(luò)算法，收斂速度有所提高。表2所示為兩種算法對(duì)12個(gè)測(cè)試樣本測(cè)試后的分析統(tǒng)計(jì)表。

表2 兩種算法分析統(tǒng)計(jì)

4 結(jié)束語(yǔ)

筆者利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，對(duì)管道泄漏進(jìn)行檢測(cè)與識(shí)別。兩者相結(jié)合避免了BP神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)過(guò)程中，誤差收斂速度慢和容易陷入局部極小值的缺點(diǎn)，增強(qiáng)了全局搜索能力。并在實(shí)驗(yàn)中利用兩種方法對(duì)管道采集的數(shù)據(jù)進(jìn)行分析，證明遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法收斂速度有所提高。