基于改進(jìn)BP網(wǎng)絡(luò)的IVC故障模式識(shí)別

蘇州高博軟件技術(shù)職業(yè)學(xué)院 谷慧娟

IVC(Individually Ventilate Cages)，又稱為獨(dú)立通風(fēng)籠盒，是目前國(guó)際上普遍使用的實(shí)驗(yàn)動(dòng)物飼養(yǎng)系統(tǒng)[1，2]。在我國(guó)，IVC被引入國(guó)內(nèi)之前，通常采用獨(dú)立屏障系統(tǒng)來(lái)飼養(yǎng)實(shí)驗(yàn)動(dòng)物。但是，由于實(shí)驗(yàn)動(dòng)物飼養(yǎng)要求的特殊性，其對(duì)飼養(yǎng)環(huán)境的高要求使得傳統(tǒng)的獨(dú)立屏障系統(tǒng)在實(shí)際使用過(guò)程中，需要飼養(yǎng)人員人為地做大量工作來(lái)保證其符合基本要求，不但耗費(fèi)人力物力，效果也并不是太好。

國(guó)內(nèi)的技術(shù)人員結(jié)合國(guó)內(nèi)實(shí)際情況，對(duì)引進(jìn)的產(chǎn)品進(jìn)行了二次開發(fā)，改良了一部分的性能，使其適用于國(guó)內(nèi)使用環(huán)境。開發(fā)的方向主要集中在兩方面：

(1)故障報(bào)警模塊的開發(fā)。特別是利用日益發(fā)展的3G網(wǎng)絡(luò)實(shí)現(xiàn)遠(yuǎn)程報(bào)警和控制。

(2)針對(duì)通風(fēng)系統(tǒng)的故障問(wèn)題自動(dòng)識(shí)別模塊的開發(fā)。識(shí)別方法主要包括故障樹、人工神經(jīng)網(wǎng)絡(luò)等。

本文主要介紹針對(duì)通風(fēng)系統(tǒng)的故障問(wèn)題的自動(dòng)識(shí)別。

1.故障模式識(shí)別模型

IVC是一個(gè)密封的系統(tǒng)，雖然有較為完善的過(guò)濾系統(tǒng)，但空氣中的微塵，動(dòng)物自身攜帶的粉塵和國(guó)內(nèi)主要使用的墊料、食物中的粉塵微粒等仍然容易引起通風(fēng)系統(tǒng)的堵塞。一旦通風(fēng)系統(tǒng)不能正常工作發(fā)生故障，密封籠盒內(nèi)的氣流速度、內(nèi)外壓差、噪音、相對(duì)濕度、溫度、氨氣濃度等參數(shù)指標(biāo)就會(huì)發(fā)生改變，達(dá)不到實(shí)驗(yàn)動(dòng)物飼養(yǎng)環(huán)境的要求，對(duì)醫(yī)學(xué)實(shí)驗(yàn)結(jié)果的正確性也有影響。

IVC系統(tǒng)中，由于包含生物生理活動(dòng)這樣一個(gè)不確定因數(shù)，常規(guī)的故障樹等故障診斷方法難以實(shí)現(xiàn)對(duì)其故障類型的準(zhǔn)確判斷。而神經(jīng)網(wǎng)絡(luò)作為一種自適應(yīng)的模式識(shí)別技術(shù)，不需要預(yù)先給出有關(guān)模式的經(jīng)驗(yàn)知識(shí)和判別函數(shù)，而是通過(guò)自身的學(xué)習(xí)機(jī)制自動(dòng)形成所要求的決策區(qū)域。并且環(huán)境發(fā)生改變的時(shí)候，通過(guò)學(xué)習(xí)而得到的映射關(guān)系還可以自適應(yīng)地進(jìn)行調(diào)整。神經(jīng)網(wǎng)絡(luò)的這些特性，決定了它適合用于系統(tǒng)模型比較復(fù)雜，環(huán)境多變的場(chǎng)合。因此，對(duì)IVC的故障模式識(shí)別采用基于人工神經(jīng)網(wǎng)絡(luò)的識(shí)別方法更合適。

表1 測(cè)試結(jié)果

圖1 誤差變化曲線圖

1.1 標(biāo)準(zhǔn)BP網(wǎng)絡(luò)

誤差逆?zhèn)鞑ゾW(wǎng)絡(luò)(Error Back-Propagation network.，簡(jiǎn)稱BP網(wǎng)絡(luò))是人工神經(jīng)網(wǎng)絡(luò)中，理論最成熟，運(yùn)用最廣泛的網(wǎng)絡(luò)模型之一。

基于梯度下降的標(biāo)準(zhǔn)BP算法，最突出的優(yōu)點(diǎn)是尋優(yōu)具有精確性，且具有自學(xué)習(xí)能力，但同時(shí)存在易陷入局部極小、初始值對(duì)網(wǎng)絡(luò)結(jié)果影響大和引起振蕩效應(yīng)等缺點(diǎn)。雖然近年來(lái)提出不少改進(jìn)方法，一定程度上提高了BP網(wǎng)絡(luò)在實(shí)際應(yīng)用上的可行度與準(zhǔn)確度，但是仍然無(wú)法解決BP網(wǎng)絡(luò)所固有的易陷入局部的問(wèn)題。

1.2 基于遺傳算法的改進(jìn)BP網(wǎng)絡(luò)

遺傳算法(Genetic Algorithm，簡(jiǎn)稱GA)是一種基于自然選擇和群體遺傳機(jī)理的搜索算法[3]。它模擬生物在自然環(huán)境中的遺傳和進(jìn)化過(guò)程，形成的一種自適應(yīng)全局優(yōu)化概率搜索算法，不存在局部收斂問(wèn)題[4，5]。由于遺傳算法的尋優(yōu)過(guò)程是隨機(jī)的，帶有一定的盲目性和概率性，所以遺傳算法具有難以得到精確解的缺點(diǎn)。

可見(jiàn)，BP算法和遺傳算法各有利弊，并且優(yōu)缺點(diǎn)呈互補(bǔ)性，可以用遺傳算法對(duì)BP模型進(jìn)行改進(jìn)，利用遺傳算法的全局搜索能力，優(yōu)化解空間，再發(fā)揮BP算法的局部搜索能力強(qiáng)的優(yōu)勢(shì)，找出最優(yōu)解。本文提出應(yīng)用基于遺傳算法的改進(jìn)BP算法來(lái)實(shí)現(xiàn)對(duì)IVC故障診斷，以滿足IVC故障模式識(shí)別對(duì)實(shí)效和精度的高要求。

2.基于遺傳算法的改進(jìn)BP模型的IVC故障模式識(shí)別

2.1 模型的初步確定

網(wǎng)絡(luò)的輸出是IVC故障的四個(gè)類型，包括進(jìn)風(fēng)過(guò)濾網(wǎng)膜輕微堵塞、出風(fēng)過(guò)濾網(wǎng)膜輕微堵塞、進(jìn)風(fēng)過(guò)濾網(wǎng)膜嚴(yán)重堵塞、出風(fēng)過(guò)濾網(wǎng)膜嚴(yán)重堵塞4種。網(wǎng)絡(luò)的輸入是發(fā)生故障時(shí)被影響的參數(shù)，考慮到樣本的相關(guān)性和冗余性，本系統(tǒng)選擇氨氣濃度、氣流速度、內(nèi)外壓差、相對(duì)濕度四個(gè)量作為網(wǎng)絡(luò)的輸入。因此，對(duì)應(yīng)的網(wǎng)絡(luò)輸入神經(jīng)元個(gè)數(shù)為4個(gè)，輸出神經(jīng)元也為4個(gè)，隱含層神經(jīng)元個(gè)數(shù)通過(guò)調(diào)試最終確定為7個(gè)。

2.2 模型參數(shù)的確定

選擇適合的編碼方式是遺傳算法的關(guān)鍵。將參數(shù)編碼成對(duì)應(yīng)的子串，再將各子串首尾相聯(lián)，構(gòu)成染色體，每條染色體代表解空間的一個(gè)解。不同的編碼方式對(duì)遺傳算法的求解精度和收斂速度有一定的影響。本系統(tǒng)根據(jù)權(quán)重、閥值的特點(diǎn)，采用二進(jìn)制編碼方式。BP模型為4-7-4結(jié)構(gòu)，包括56個(gè)權(quán)重，11個(gè)閥值，共67個(gè)參數(shù)，每個(gè)參數(shù)用8位二表示，聯(lián)起來(lái)形成一條染色體，長(zhǎng)度為536。

目標(biāo)函數(shù)唯一的條件是：針對(duì)輸入可計(jì)算出能加以比較的非負(fù)結(jié)果。因此，系統(tǒng)的目標(biāo)函數(shù)采用網(wǎng)絡(luò)誤差平方和函數(shù)，表達(dá)式為：

其中E（i）為網(wǎng)絡(luò)誤差平方和，i為染色體數(shù)，j為學(xué)習(xí)樣本數(shù)，k為輸出層節(jié)點(diǎn)數(shù)，Yk為輸出層輸出，Tk為訓(xùn)練目標(biāo)值。

適應(yīng)度函數(shù)反映個(gè)體對(duì)問(wèn)題環(huán)境的適應(yīng)能力的強(qiáng)弱，是個(gè)體競(jìng)爭(zhēng)的測(cè)量準(zhǔn)則，它可以很好的控制個(gè)體的生存機(jī)會(huì)。誤差越小，個(gè)體的適應(yīng)度應(yīng)越高。系統(tǒng)的適應(yīng)度函數(shù)f(i)選擇目標(biāo)函數(shù)的倒數(shù)，表達(dá)式為：

種群規(guī)模影響遺傳優(yōu)化的最終結(jié)果和遺傳算法的執(zhí)行效率。種群規(guī)模過(guò)小，會(huì)導(dǎo)致優(yōu)化性能降低；種群規(guī)模過(guò)大，會(huì)減少遺傳算法陷入局部最優(yōu)解的機(jī)會(huì)，但是會(huì)導(dǎo)致過(guò)大的計(jì)算量?？紤]最優(yōu)解所占空間在整個(gè)問(wèn)題空間中的分布范圍，本系統(tǒng)設(shè)定種群規(guī)模P＝70。

經(jīng)過(guò)實(shí)驗(yàn)對(duì)比，確定網(wǎng)絡(luò)的學(xué)習(xí)速率lr=0.05，變換函數(shù)取logsig，交叉概率Pc=0.25，變異概率Pm＝0.05，最大進(jìn)化代數(shù)為250。

3.仿真結(jié)果與分析

將真實(shí)狀態(tài)下，IVC系統(tǒng)故障發(fā)生時(shí)記錄下的數(shù)據(jù)作為初始樣本集，將這些樣本做歸一化處理，并進(jìn)行冗余分析，剔除冗余項(xiàng)，保證樣本空間無(wú)重疊。將處理好的樣本的70%作為訓(xùn)練樣本集，剩下的30%作為測(cè)試樣本集，分別對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試。訓(xùn)練結(jié)果見(jiàn)圖1。

可以看出，基于標(biāo)準(zhǔn)BP網(wǎng)絡(luò)的訓(xùn)練，需要經(jīng)過(guò)66步才能收斂于目標(biāo)函數(shù)0.00001，而基于遺傳算法的改進(jìn)BP網(wǎng)絡(luò)的訓(xùn)練僅需要18步，大大縮減了訓(xùn)練的時(shí)間。

測(cè)試結(jié)果見(jiàn)表1。可明顯看出：

(1)改進(jìn)后的BP網(wǎng)絡(luò)，收斂率達(dá)到95.7%，一定程度上克服了標(biāo)準(zhǔn)BP網(wǎng)絡(luò)易出現(xiàn)振蕩效應(yīng)的缺點(diǎn)；

(2)改進(jìn)后的BP網(wǎng)絡(luò)，正確識(shí)別率可以達(dá)到92.4%，相比標(biāo)準(zhǔn)BP網(wǎng)絡(luò)70.2%的正確識(shí)別率，識(shí)別的準(zhǔn)確性有了很大的提高，減少了陷入局部極小的可能性，基本上可以達(dá)到實(shí)際應(yīng)用所要求的誤差范圍要求；

(3)改進(jìn)后的BP網(wǎng)絡(luò)，識(shí)別時(shí)間縮短，能更好地滿足本系統(tǒng)對(duì)實(shí)效性的要求。

可見(jiàn)，基于遺傳算法的改進(jìn)BP網(wǎng)絡(luò)，能更好地對(duì)IVC進(jìn)行故障模式的識(shí)別，并且能達(dá)到實(shí)際應(yīng)用中對(duì)實(shí)效和精度的要求，可以解決目前制約IVC在國(guó)內(nèi)廣泛應(yīng)用的問(wèn)題。

[1]Krohn TC.Method developments and assessments of animal welfare in IVC-systems[M].Printed by DSR Gra fi k,2002,5.

[2]柯賢福,陳文文等.四種獨(dú)立通風(fēng)籠具(IVC)的檢測(cè)[J].中國(guó)比較醫(yī)學(xué)雜志,2009,19(9):78-82.

[3]王德明,王莉等.基于遺傳BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測(cè)模型[J].浙江大學(xué)學(xué)報(bào)(工學(xué)版),2012,46(5):437-842.

[4]Li Weiqing,Wang Chengbiao,etal.An edge detection method based on optimized BP neuralnetwork[J].International Symposium on Information Science and Engineering,2008(2):40-44.

[5]K.P.Ferentinos,L.D.Albright.Fault Detection and Diagnosis in Deep-trough Hydroponics using Intelligent Computational Tools[J].Biosystems Engineering,2003,84(1):13-30.