文/楊磊

當(dāng)管道發(fā)生故障時(shí)，相關(guān)參數(shù)必然會(huì)發(fā)生變化。這些參數(shù)往往數(shù)量龐大且繁雜，導(dǎo)致單一BP 神經(jīng)網(wǎng)絡(luò)在識(shí)別故障時(shí)，由于負(fù)擔(dān)過重而識(shí)別效率低下。基于此，本文主要分析了利用并行BP 神經(jīng)網(wǎng)絡(luò)和BP-Adaboost 集成學(xué)習(xí)算法對(duì)經(jīng)過處理的數(shù)據(jù)進(jìn)行故障信號(hào)識(shí)別的可行性。實(shí)驗(yàn)結(jié)果顯示，本文所述的識(shí)別方法可有效提高故障信號(hào)識(shí)別率。

管道故障會(huì)引起管內(nèi)介質(zhì)和運(yùn)行參數(shù)的變化，這些參數(shù)通常數(shù)量龐大且復(fù)雜，只有計(jì)算速度快且識(shí)別率高的算法才能準(zhǔn)確判斷出故障類別，進(jìn)而幫助技術(shù)人員快速處理故障。因此，筆者首先對(duì)樣本管道進(jìn)行斷鉛、敲擊、砂紙模擬實(shí)驗(yàn)，并使用信號(hào)傳感器及時(shí)采集信號(hào)；其次，筆者對(duì)采集到的信號(hào)進(jìn)行了變分模態(tài)分解（VMD），并求取樣本熵；最后，筆者分別采用并行BP 神經(jīng)網(wǎng)絡(luò)和基于Adaboost 集成算法的BPAdaboost 強(qiáng)分類器對(duì)處理后的信號(hào)進(jìn)行故障識(shí)別，并計(jì)算了故障信號(hào)識(shí)別率。

一、并行BP 神經(jīng)網(wǎng)絡(luò)管道故障識(shí)別方法

（一）并行BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)剖析

筆者采用變分模態(tài)分解方式處理了復(fù)雜的故障聲發(fā)射信號(hào)，并結(jié)合樣本熵和并行BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)故障信號(hào)進(jìn)行了精準(zhǔn)識(shí)別。在并行BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)下，每一種故障只對(duì)應(yīng)1 個(gè)BP 子網(wǎng)，且輸入層節(jié)點(diǎn)數(shù)等于樣本的特征維數(shù)。[1]在BP 子網(wǎng)結(jié)構(gòu)中，每一個(gè)節(jié)點(diǎn)分別代表故障分向量中的一個(gè)分量。因此，本文中BP子網(wǎng)的輸出層共對(duì)應(yīng)3 個(gè)節(jié)點(diǎn)，分別代表可能發(fā)生的三種故障：斷鉛故障、敲擊故障、砂紙故障（見圖1）。

（二）管道故障識(shí)別

如果采用一對(duì)多的識(shí)別方式，那么基于并行BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行管道故障識(shí)別就是最佳的解決方案：技術(shù)人員可基于BP 神經(jīng)網(wǎng)絡(luò)將計(jì)算任務(wù)分配給多個(gè)處理器或計(jì)算機(jī)并行執(zhí)行，從而減少計(jì)算時(shí)間并提高故障信號(hào)識(shí)別準(zhǔn)確率。因此，針對(duì)斷鉛故障、敲擊故障、砂紙故障，筆者分別選取了40 組訓(xùn)練樣本（共120組訓(xùn)練樣本）；再分別選取20組訓(xùn)練樣本作為測(cè)試樣本（共60組測(cè)試樣本），每次測(cè)試僅識(shí)別其中的一種。[2]測(cè)試結(jié)果顯示，在20 組斷鉛信號(hào)的測(cè)試樣本中，共有19 組被識(shí)別出來，識(shí)別率為95%；20 組敲擊信號(hào)的測(cè)試樣本全部被識(shí)別出來，識(shí)別率為100%；在20 組砂紙信號(hào)的測(cè)試樣本中，共有18 組被識(shí)別出來，識(shí)別率為90%。在本次測(cè)試中，故障信號(hào)識(shí)別率平均為95%，故障信號(hào)識(shí)別率處于較高水平。

二、基于BP-Adaboost 集成學(xué)習(xí)算法的管道故障識(shí)別方法

（一）神經(jīng)網(wǎng)絡(luò)集成的意義

隨著現(xiàn)代運(yùn)輸方式的多樣化發(fā)展，管道運(yùn)輸?shù)膬?yōu)勢(shì)日益凸顯，運(yùn)輸介質(zhì)的種類也更加豐富。在運(yùn)輸能力逐步提高的同時(shí)，管道故障檢測(cè)方式也應(yīng)進(jìn)行創(chuàng)新和改良。目前，采用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障信號(hào)識(shí)別的方法已經(jīng)被用于多個(gè)領(lǐng)域，但單一的神經(jīng)網(wǎng)絡(luò)識(shí)別方式依然存在工作量大、識(shí)別率低等問題，故筆者提出了集成的神經(jīng)網(wǎng)絡(luò)識(shí)別方式。集成的神經(jīng)網(wǎng)絡(luò)通常由多種類似BP 或PNN 的神經(jīng)網(wǎng)絡(luò)串聯(lián)而成。這些神經(jīng)網(wǎng)絡(luò)之間的相關(guān)性相對(duì)較低，但其關(guān)聯(lián)性又不可遭到忽視。另外，上一級(jí)的網(wǎng)絡(luò)會(huì)將部分信息傳遞給下一級(jí)網(wǎng)絡(luò)，下一級(jí)網(wǎng)絡(luò)則根據(jù)上一級(jí)網(wǎng)絡(luò)信息進(jìn)行相應(yīng)的調(diào)整。通過訓(xùn)練多個(gè)神經(jīng)網(wǎng)絡(luò)，故障信號(hào)識(shí)別率將進(jìn)一步提高。[3]

（二）神經(jīng)網(wǎng)絡(luò)集成方法

Boosting 是一種集成學(xué)習(xí)算法，它可以將多個(gè)弱分類器組合成一個(gè)強(qiáng)分類器。例如，在信號(hào)類別識(shí)別過程中，Boosting 可以從訓(xùn)練樣本集中學(xué)習(xí)一系列弱分類器，然后再將這些弱分類器組合成一個(gè)強(qiáng)分類器。Adaboost 是Boosting 的一個(gè)分支，它主要通過改變訓(xùn)練數(shù)據(jù)的權(quán)值分布來調(diào)整弱分類器的學(xué)習(xí)過程。在將多個(gè)弱分類器組合成一個(gè)強(qiáng)分類器時(shí)，Adaboost 會(huì)采用加權(quán)選擇法來增加誤差率較小的弱分類器的權(quán)值，以充分發(fā)揮其在選擇過程中的作用[4]；減小誤差率較大的弱分類器的權(quán)值，以弱化其在選擇過程中的作用。如此一來，Adaboost 的分類性能將得到進(jìn)一步提升。另外，Adaboost 還可以采用一種叫作“學(xué)習(xí)率”的參數(shù)來控制每個(gè)弱分類器的權(quán)重。簡(jiǎn)單來說，學(xué)習(xí)率是一個(gè)介于0 和1 之間的數(shù)，它決定了每個(gè)弱分類器對(duì)最終強(qiáng)分類器的貢獻(xiàn)程度。學(xué)習(xí)率越小，代表每個(gè)弱分類器的貢獻(xiàn)越少，技術(shù)人員只有配置更多弱分類器才能達(dá)到較好的效果；反之，技術(shù)人員只需要較少的弱分類器就能達(dá)到較好的效果。值得一提的是，Adaboost還具有優(yōu)秀的泛化能力，這是因?yàn)锳daboost 是基于樣本權(quán)重進(jìn)行訓(xùn)練的，對(duì)噪聲數(shù)據(jù)和異常值具有較強(qiáng)的魯棒性。同時(shí)，由于Adaboost會(huì)不斷調(diào)整樣本權(quán)重以有效降低訓(xùn)練集上的錯(cuò)誤率，它在測(cè)試集上同樣具有較為理想的性能表現(xiàn)。

總而言之，Adaboost 是一種非常有效的集成學(xué)習(xí)方法，在信號(hào)類別識(shí)別等領(lǐng)域得到了廣泛應(yīng)用。通過不斷調(diào)整樣本權(quán)重和組合多個(gè)弱分類器，Adaboost 能構(gòu)建出具有高準(zhǔn)確率和強(qiáng)泛化能力的強(qiáng)分類器。

（三）基于BP-Adaboost 集成學(xué)習(xí)識(shí)別管道故障

與PNN 神經(jīng)網(wǎng)絡(luò)相比，BP 神經(jīng)網(wǎng)絡(luò)的故障信號(hào)識(shí)別率更高。因此，將BP 神經(jīng)網(wǎng)絡(luò)作為弱分類器與Adaboost 算法相結(jié)合，將故障信號(hào)訓(xùn)練樣本反復(fù)迭代到BP神經(jīng)網(wǎng)絡(luò)的做法，可以有效預(yù)測(cè)多個(gè)樣本的輸出，進(jìn)而形成由多個(gè)BP 神經(jīng)網(wǎng)絡(luò)弱分類器分類樣本和Adaboost 算法構(gòu)成的強(qiáng)分類器BP-Adaboost。[5]基于此，筆者按照如圖2 所示的算法流程進(jìn)行了故障信號(hào)識(shí)別實(shí)驗(yàn)。其間，筆者將處理后的原始訓(xùn)練樣本輸入Adaboost 集成網(wǎng)絡(luò)以識(shí)別故障信號(hào)。集成網(wǎng)絡(luò)接收到上一級(jí)網(wǎng)絡(luò)的處理數(shù)據(jù)后就會(huì)自動(dòng)調(diào)整權(quán)值，并識(shí)別被上一級(jí)網(wǎng)絡(luò)錯(cuò)誤處理的故障信號(hào)。也就是說，上一級(jí)網(wǎng)絡(luò)未能處理的故障信號(hào)將在下一級(jí)網(wǎng)絡(luò)中被識(shí)別。經(jīng)過一系列串聯(lián)網(wǎng)絡(luò)的調(diào)整、識(shí)別后，筆者最終得到了有效的輸出識(shí)別結(jié)果。

三、實(shí)驗(yàn)結(jié)果分析

在本文中，筆者分別采集了40 組斷鉛故障信號(hào)、40 組敲擊故障信號(hào)以及40 組砂紙故障信號(hào)。部分訓(xùn)練程序如下所示：

實(shí)驗(yàn)結(jié)果顯示，弱分類器的識(shí)別率為96.67%，強(qiáng)分類器的識(shí)別率為98.33%。由此可見，并行BP 神經(jīng)網(wǎng)絡(luò)管道故障識(shí)別方法通過將輸入數(shù)據(jù)分成多個(gè)子集，再將其分配至不同的處理器或計(jì)算機(jī)上進(jìn)行計(jì)算，有效提高了數(shù)據(jù)處理速度，減輕了信號(hào)類別識(shí)別負(fù)擔(dān)。針對(duì)復(fù)雜信號(hào)，基于BPAdaboost 集成學(xué)習(xí)算法的管道故障識(shí)別方法主要通過反復(fù)迭代訓(xùn)練樣本到BP 神經(jīng)網(wǎng)絡(luò)的方式來預(yù)測(cè)多個(gè)樣本的輸出結(jié)果，可有效提高故障信號(hào)識(shí)別率。