基于AIA和PNN的路基健康監(jiān)測

成興保，程永強(qiáng)，張博

（太原理工大學(xué)信息與計算機(jī)學(xué)院，山西晉中 030600）

我國高速公路建設(shè)工作的穩(wěn)定推進(jìn)，通車?yán)锍虜?shù)逐年遞增，截止到2018 年底，中國高速公路總里程已達(dá)14 萬千米，位居全球第一,投資總額超過10 萬億元。高速公路給人們的出行帶來了極大的便利，但每年高速公路由于路基的塌陷，路面的破損等原因也給人們的生命安全和交通出行帶來了極大的威脅，給國家造成了巨大的財產(chǎn)損失。因此，加強(qiáng)道路路基健康監(jiān)測和預(yù)警有很重要的工程實(shí)用意義，對于我國建設(shè)智能化高速交通系統(tǒng)也有重要意義[1]。

公路路基的病害具有很強(qiáng)的隱蔽性，及時檢測到這些病害并且采取合適的應(yīng)對措施可以延長公路的使用壽命[2]，目前對于公路路基病害的識別主要是基于探地雷達(dá)（GPR）檢測技術(shù)、光纖傳感技術(shù)、超聲波檢測技術(shù)、頻譜分析技術(shù)、圖像檢測技術(shù)等5 種技術(shù)采集信號和數(shù)據(jù)[3-4]，然后結(jié)合不同的數(shù)據(jù)處理方法，例如尺度不變特征變換算法、級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)、SVM(支持向量機(jī))和淺層神經(jīng)網(wǎng)絡(luò)等，對數(shù)據(jù)進(jìn)行處理得到病害的位置及原因[5-6]。

上述算法在一些方面實(shí)現(xiàn)了對公路路基損害的識別與定位，但依舊存在一些問題：1）無損檢測的技術(shù)對于專業(yè)性要求較高，且易受周圍環(huán)境因素的影響；2）識別算法穩(wěn)定性和準(zhǔn)確性還需要繼續(xù)提高；3）現(xiàn)有辦法還需要根據(jù)技術(shù)人員和專家的經(jīng)驗(yàn)來輔助分析異常數(shù)據(jù)對應(yīng)路基損害的原因[7-8]。因此，開發(fā)一種實(shí)效性強(qiáng)、準(zhǔn)確度高的路基病害自動識別系統(tǒng)對于路基健康運(yùn)行有重要的意義。

隨著機(jī)器學(xué)習(xí)的發(fā)展，人工免疫和神經(jīng)網(wǎng)絡(luò)等仿生學(xué)算法在目標(biāo)識別和故障檢測領(lǐng)域中逐漸受到重視[9]。人工免疫算法（AIA）是受免疫系統(tǒng)啟發(fā)設(shè)計的算法，相比需要時間連續(xù)性或者大量正常和異常特征信號的異常檢測方法，人體免疫系統(tǒng)僅僅依賴對正常狀態(tài)的經(jīng)驗(yàn)積累，減少了對異常特征信號的收集，就可以實(shí)現(xiàn)正常和異常數(shù)據(jù)的分類[10-11]。概率神經(jīng)網(wǎng)絡(luò)(PNN)是建立貝葉斯分類和Parzen 窗法上的一種并行算法，常收斂于最優(yōu)解，具有較高的穩(wěn)定性、診斷準(zhǔn)確率和效率[12]。

文中首先基于嵌入式傳感技術(shù)采集公路的五項靜態(tài)數(shù)據(jù)，該技術(shù)成本更低，操作簡單，實(shí)效性更強(qiáng)，然后利用AIA-PNN的組合模型對路基健康監(jiān)測系統(tǒng)采集到的實(shí)時壓力、沉降、應(yīng)變、溫度、濕度等信號進(jìn)行分析處理，得到該數(shù)據(jù)對應(yīng)公路路基病害的檢測結(jié)果，并與BP 神經(jīng)網(wǎng)絡(luò)（BPNN）和最小二乘支持向量機(jī)（LS-SVM）的準(zhǔn)確率進(jìn)行對比，以期提高現(xiàn)有路基檢測的效率和準(zhǔn)確性。

1 路基健康監(jiān)測系統(tǒng)

路基健康監(jiān)測系統(tǒng)由多通道傳感采集節(jié)點(diǎn)、數(shù)據(jù)處理中心、后臺檢測中心3 部分組成，實(shí)物機(jī)箱如圖1 所示。

圖1 系統(tǒng)機(jī)箱實(shí)物圖

傳感采集節(jié)點(diǎn)包含壓力傳感器、應(yīng)變傳感器、單點(diǎn)沉降計和溫濕度傳感器這4 類傳感采集裝置，其主要功能是在接收采集指令以后，將采集到的實(shí)時路基數(shù)據(jù)通過RS485 總線傳遞給數(shù)據(jù)處理中心；數(shù)據(jù)處理中心采用Cortex-M3 內(nèi)核的STM32F103 系列芯片作為控制核心，圍繞該芯片設(shè)計最小系統(tǒng)所需的外圍電路，其主要功能是將傳感采集中心采集到的原始數(shù)據(jù)用ARM 處理器進(jìn)行簡單轉(zhuǎn)換處理后存儲在SD 卡中，方便查詢歷史數(shù)據(jù)，并通過終端LCD顯示屏，直觀顯示實(shí)時數(shù)據(jù)，同時把數(shù)據(jù)通過有線或者無線的方法發(fā)送到后臺監(jiān)測中心，進(jìn)行進(jìn)一步分析處理；后臺監(jiān)測中心可實(shí)現(xiàn)進(jìn)行數(shù)據(jù)的遠(yuǎn)程接收，應(yīng)用相關(guān)處理數(shù)據(jù)的算法和軟件對數(shù)據(jù)進(jìn)行解析處理，并自動備份在數(shù)據(jù)庫和云端，如果檢測到異常值，發(fā)出預(yù)警信號，并向終端發(fā)出相關(guān)指令，實(shí)現(xiàn)路基的安全監(jiān)測。路基健康監(jiān)測系統(tǒng)結(jié)構(gòu)框架如圖2 所示。

圖2 路基健康監(jiān)測系統(tǒng)結(jié)構(gòu)框架

路基健康監(jiān)測系統(tǒng)可采集到5 種不同的路基靜態(tài)數(shù)據(jù)，分別為壓力信號、沉降信號、應(yīng)變信號、溫度信號、濕度信號，文中主要針對性地研究了沉降信號和應(yīng)變信號。這兩種數(shù)據(jù)有以下特點(diǎn)：數(shù)據(jù)自身只有大小和量綱，無正常或者異常的數(shù)據(jù)標(biāo)簽；數(shù)據(jù)采集以外部指令來執(zhí)行，并無固定采集周期；由于野外太陽能供電的不穩(wěn)定，數(shù)據(jù)傳輸有時會出現(xiàn)漏報。

2 基于人工免疫算法的異常檢測

2.1 人工免疫系統(tǒng)

免疫系統(tǒng)的核心功能之一是區(qū)別“自己”與“非己”物質(zhì)，免疫系統(tǒng)的這個核心機(jī)制常被應(yīng)用在異常檢測方面，異常泛指對偏離各類系統(tǒng)自身規(guī)定的正常狀態(tài)的現(xiàn)象和行為，包含故障和錯誤情況監(jiān)測、異樣診斷、異常變化等[13]。利用仿生學(xué)的概念，目前檢測異常的算法有克隆選擇算法、陰性選擇算法，樹突狀細(xì)胞算法等，由于美國計算機(jī)安全專家Forrest 等提出的陰性選擇算法的核心思想是利用有限的“自己”樣本集合生成“非己”樣本集合，通過反向思維來檢測數(shù)據(jù)異常與否，有效解決了故障樣本匱乏難以實(shí)現(xiàn)故障檢測的問題[14]，為此，文中選擇陰性選擇算法作為該二分類問題的判斷標(biāo)準(zhǔn)，免疫應(yīng)答機(jī)制的實(shí)現(xiàn)過程有如下步驟：

1）學(xué)習(xí)和抗體庫的形成。首先給系統(tǒng)定義部分“自己”信息，構(gòu)成學(xué)習(xí)樣本的數(shù)據(jù)集，然后利用陰性選擇算法產(chǎn)生一個檢測器集，使檢測器集與學(xué)習(xí)樣本數(shù)據(jù)集中的數(shù)據(jù)都不匹配，盡量多覆蓋“非己”空間的檢測器集即生成的抗體庫?？贵w庫的建立流程如圖3所示。

圖3 抗體庫的建立流程

2）異常數(shù)據(jù)的識別。將路基健康監(jiān)測系統(tǒng)采集到的采集數(shù)據(jù)作為輸入信息，與抗體庫中的抗體進(jìn)行匹配計算，如果被測數(shù)據(jù)與抗體庫中任意一個抗體匹配，則表明該樣本為“非己”數(shù)據(jù)，發(fā)出警報信號，并將該數(shù)據(jù)單獨(dú)提取出來；反之，則為“自己”數(shù)據(jù)，存入正常數(shù)據(jù)的數(shù)據(jù)庫。異常數(shù)據(jù)的檢測流程如圖4所示。

圖4 異常數(shù)據(jù)的檢測流程

3）故障類型的診斷。將“非己”信息輸入抗體庫進(jìn)行聚類學(xué)習(xí)，并對故障類型進(jìn)行人工標(biāo)注，建立故障信息庫，上一步檢測到的異常數(shù)據(jù)通過概率神經(jīng)網(wǎng)絡(luò)算法，判斷其屬于故障庫中的哪種故障，并相應(yīng)的給出推薦解決方案。診斷過程與結(jié)果的操作流程如圖5所示。

圖5 診斷過程與結(jié)果的操作流程

2.2 基于人工免疫的數(shù)據(jù)檢測算法

通過對采集數(shù)據(jù)的分析處理，獲得數(shù)據(jù)變化規(guī)律，結(jié)合人工免疫系統(tǒng)的應(yīng)答機(jī)制，實(shí)現(xiàn)對相應(yīng)位置路基健康的監(jiān)測和預(yù)警。

文中首先收集大量路基健康運(yùn)行時的正常數(shù)據(jù)樣本，然后對數(shù)據(jù)進(jìn)行歸一化處理，處理方法如式（1）所示，表1為部分正常數(shù)據(jù)歸一化前后的樣本數(shù)據(jù)。

其中，y為歸一化以后的數(shù)據(jù)，x為原始數(shù)據(jù)大小，xmax為原始數(shù)據(jù)中的最大值，xmin為原始數(shù)據(jù)中的最小值。

表1 可知，原始數(shù)據(jù)每個樣本有5 個特征，分別對應(yīng)沉降、溫度、濕度、應(yīng)變（ΔL/L×106）和壓強(qiáng)，這樣會形成一個五維空間，而陰性選擇算法隨著維度的增加，計算量明顯增大，計算時間明顯加長，因此，需要選取兩個貢獻(xiàn)率最大的主要成分，由經(jīng)驗(yàn)得知，路基健康情況與沉降和應(yīng)變關(guān)系最密切。

文中使用的數(shù)據(jù)分析軟件為MATLABR2018b,計算機(jī)的主要配置為AMD(R)Core(4C+6G)A10-7300CPU@1.90 GHz,RAM4G,64 位Windows10操作系統(tǒng)。通過隨機(jī)生成的范圍在[0,1]之間的二維數(shù)據(jù)與正常數(shù)據(jù)的匹配程度來生成抗體庫，匹配程度按照歐氏距離來計算，可以在平面坐標(biāo)系中將“自己”數(shù)據(jù)和抗體庫的值與半徑結(jié)合起來表示為一個個平面圓，取“自己”數(shù)據(jù)和抗體庫的半徑均為0.01，分別畫出抗體庫內(nèi)抗體數(shù)量n=100、200、300、400的抗體分布狀態(tài)，如圖6 所示，其中，整個平面坐標(biāo)系代表系統(tǒng)空間，灰色平面圓代表“自己”數(shù)據(jù)，黑色平面圓代表抗體，余下部分為未被覆蓋區(qū)域。

圖6 抗體數(shù)量n在不同值時“自己”和抗體庫的分布狀態(tài)

由圖6 可知，抗體庫數(shù)量越多，未被覆蓋的區(qū)域面積越小，但是抗體庫如果過多，會造成重疊現(xiàn)象，并且計算時間會成倍增加，因此選取合適的抗體數(shù)量閾值，既可以保證在足夠多覆蓋率的前提下，也可以減少運(yùn)算次數(shù)。文中選取的“自己”數(shù)據(jù)樣本量為80 個，抗體庫的樣本量為300 個，符合上述條件。

匹配計算即抗原-抗體親和力的計算，一般計算親和力的公式為：

式中，tk是抗原和抗體k的結(jié)合強(qiáng)度，通常免疫算法中計算結(jié)合強(qiáng)度tk的數(shù)學(xué)工具有海明距離、Euclidean 距離、Manhattan 距離等，對于有限維線性空間可以引入各種各樣的向量范數(shù)，向量范數(shù)的種類可無窮多，但是這些范數(shù)之間有重要的關(guān)系。因此結(jié)合實(shí)際，文中引入向量的p-范數(shù)，定義如下：

式中，‖α‖p是酉空間cn的向量范數(shù)，稱為向量α的p-范數(shù)。

由于抗體庫是二維向量，因此選取p=2 時的向量范數(shù)來表示抗體抗原之間的距離，將待測數(shù)據(jù)與抗體庫進(jìn)行匹配計算，落在“自己”區(qū)域內(nèi)的樣本為正常數(shù)據(jù)，落在抗體中的樣本為異常數(shù)據(jù)，落在未覆蓋區(qū)域內(nèi)的樣本為未被監(jiān)測數(shù)據(jù)，單獨(dú)輸出，進(jìn)行人工復(fù)檢（覆蓋率足夠的情況下，這類數(shù)據(jù)可忽略不計）。

圖7 為部分檢測樣本的分布情況，圓圈為“自己”數(shù)據(jù)，加號為抗體分布，星號為檢測樣本中的異常數(shù)據(jù)，乘號為檢測樣本中的正常數(shù)據(jù)，黑三角形號為未檢測到的數(shù)據(jù)，檢測了250組數(shù)據(jù)，只有一組未檢測到，其余249組均正確，漏檢率約為0.4%。

圖7 部分檢測樣本的分布情況

檢測到的正常數(shù)據(jù)輸入正常數(shù)據(jù)統(tǒng)計庫，異常數(shù)據(jù)輸入異常數(shù)據(jù)統(tǒng)計庫，不斷的將測量數(shù)據(jù)加入數(shù)據(jù)庫，并將不斷更新抗體庫，增加檢測樣本的正確性且降低漏檢率，類似生物體中的抗體的記憶功能，對于同類型故障的應(yīng)答時間更短，可以對故障信息更快速、更準(zhǔn)確地作出判斷，提高現(xiàn)有判斷水平，在工程應(yīng)用中的實(shí)用意義更高。

3 基于概率神經(jīng)網(wǎng)絡(luò)的路基故障診斷

3.1 構(gòu)建神經(jīng)網(wǎng)絡(luò)

概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Networks，PNN)是一種結(jié)構(gòu)簡單、應(yīng)用廣泛的神經(jīng)網(wǎng)絡(luò)，由輸入層、模式層、求和層和輸出層共4 層組成，在模式分類中有廣泛應(yīng)用。收集歷史故障數(shù)據(jù)和相對應(yīng)的故障類型，采用無監(jiān)督學(xué)習(xí)的聚類方式，形成故障數(shù)據(jù)庫，用于建立概率神經(jīng)網(wǎng)絡(luò)[15]。

根據(jù)實(shí)際路基損壞常見情況，定義5 種路基損壞模式：滑坡與坡面損壞、崩塌與碎落、路基的不均勻沉降、路基水毀、路基裂縫，加上正常狀態(tài)，共6 種分類模式，如表2 所示。

表2 路基損壞分類模式

收集路基正常和5 種故障模式下的傳感器數(shù)據(jù)，得到沉降、溫度、濕度、應(yīng)變、壓力的數(shù)據(jù)，形成一個5 維向量x=[x1,x2,x3,x4,x5]。每種分類模式的樣本收集30 份，共計180 種訓(xùn)練樣本，每種分類模式的前20 個序號的數(shù)據(jù)作為訓(xùn)練樣本，后10 個序號的數(shù)據(jù)作為測試樣本。

用于路基健康診斷的概率神經(jīng)網(wǎng)絡(luò)模型包含120 份輸入樣本，每個樣本為5 維向量，分類模式為6種，建立的概率神經(jīng)網(wǎng)絡(luò)模型如圖8 所示。

圖8 概率神經(jīng)網(wǎng)絡(luò)模型

圖8 中概率神經(jīng)網(wǎng)絡(luò)的輸入層包含5 個神經(jīng)突觸，與輸入特征向量的維數(shù)保持完全相同，模式層包含120 個神經(jīng)突觸，每個節(jié)點(diǎn)對應(yīng)一種訓(xùn)練樣本，求和層包含6 個神經(jīng)突觸，對應(yīng)文中分好的6 種情況，在Matlab 中經(jīng)過訓(xùn)練以后，輸出對應(yīng)的類別序號。

可以直接使用Matlab 中的newpnn 函數(shù)創(chuàng)建網(wǎng)絡(luò)模型，并用tic/toc 命令記錄創(chuàng)建模型所需的時間，newpnn 函數(shù)中唯一可調(diào)參數(shù)為平滑因子spread,在PNN 網(wǎng)絡(luò)診斷時，診斷準(zhǔn)確率主要與spread和訓(xùn)練樣本的數(shù)量有關(guān)，樣本數(shù)量與準(zhǔn)確率之間的關(guān)系為正相關(guān)，spread 與準(zhǔn)確率的關(guān)系為負(fù)相關(guān)，因此，樣本數(shù)量越多、spread 越小、準(zhǔn)確率越高[13]。文中選用的樣本數(shù)目為120 個，spread=1。

3.2 測試數(shù)據(jù)

故障診斷流程如圖9 所示，包含樣本輸入、樣本歸一化、創(chuàng)建神經(jīng)網(wǎng)絡(luò)模型、測試以及輸出測試結(jié)果共5 步。

圖9 故障診斷流程

將60組測試數(shù)據(jù)輸入已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中，并且針對不同的故障類別，給出不同的處理意見，Type1 對應(yīng)現(xiàn)場調(diào)查，生態(tài)防護(hù)措施、反壓坡腳、抗滑樁等；Type2 對應(yīng)、提醒來往車輛、爆破清理、錨點(diǎn)固定、鋼絲網(wǎng)固定、巖石固定等；Type3 對應(yīng)限制路上車速、現(xiàn)場調(diào)查形成原因、必要時重新夯實(shí)路基；Type4 對應(yīng)檢查原因、恢復(fù)植被、整治河流、關(guān)注汛期；Type5 對應(yīng)表面修補(bǔ)法、注漿修補(bǔ)法、填充修補(bǔ)法等；Type6 對應(yīng)注意日常維護(hù)和保養(yǎng)[16]；其中部分測試結(jié)果在MATLAB 中輸出如圖10 所示。

圖10 部分測試結(jié)果

所用訓(xùn)練網(wǎng)絡(luò)時間為0.142 430 s，其中59組正確，一組錯誤，概率神經(jīng)網(wǎng)絡(luò)所作診斷的準(zhǔn)確率高達(dá)98.3%，并且對于不同的故障類型，給出對應(yīng)的診斷意見，可以對監(jiān)測人員起到輔助決策的作用。

4 實(shí)驗(yàn)結(jié)果

為了對比分析AIA-PNN組合模型在處理實(shí)驗(yàn)數(shù)據(jù)分類上的性能，文中引入神經(jīng)網(wǎng)絡(luò)中的BP 神經(jīng)網(wǎng)絡(luò)和最小二乘支持向量機(jī)，對18組不同故障路基靜態(tài)數(shù)據(jù)的測試樣本分別使用BP 神經(jīng)網(wǎng)絡(luò)、最小二乘法支持向量機(jī)和文中設(shè)計的AIA-PNN 分析，測試結(jié)果如表3 所示。由表3 可知AIA-PNN的組合處理方法在處理實(shí)驗(yàn)數(shù)據(jù)的分類識別上，其準(zhǔn)確率要高于常規(guī)的BP 神經(jīng)網(wǎng)絡(luò)及最小二乘法支持向量機(jī)，為數(shù)據(jù)的分類識別提供了新的分析方法和檢測工具。且BPNN 方法、LS-SVM 方法、AIA-PNN 方法的成功率分別為72.2%、83.3%、94.4%。

表3 路基靜態(tài)數(shù)據(jù)測試樣本算法測試結(jié)果

5 結(jié)論

文中通過人工免疫算法和概率神經(jīng)網(wǎng)絡(luò)算法對路基監(jiān)測數(shù)據(jù)進(jìn)行處理，將無標(biāo)簽的數(shù)據(jù)對應(yīng)分類，基本可以實(shí)現(xiàn)預(yù)期目標(biāo)，將異常數(shù)據(jù)和正常數(shù)據(jù)區(qū)分開，并且對異常數(shù)據(jù)可以做到細(xì)致具體的分類，對比BP 神經(jīng)網(wǎng)絡(luò)和最小二乘支持向量機(jī)有更高的準(zhǔn)確率，對于每次分類和實(shí)際一致的數(shù)據(jù)，可以作為輸入樣本重新更新兩個算法所需的數(shù)據(jù)庫，基本可以實(shí)現(xiàn)數(shù)據(jù)的自我學(xué)習(xí)，擴(kuò)展性比較好，對于不易獲得異常數(shù)據(jù)的工程有很好的借鑒意義，再結(jié)合工程實(shí)際，給出處理建議，有很強(qiáng)的工程實(shí)用意義。

由于人工免疫算法、概率神經(jīng)網(wǎng)絡(luò)算法和概率神經(jīng)網(wǎng)絡(luò)都屬于仿生智能算法，所以可以保證其收斂性，并且這兩個算法對于異常值都比較敏感，但是其有效性是否具有統(tǒng)計學(xué)意義，還需要在大量不同路段上做進(jìn)一步研究。