水電站泄流誘發(fā)廠房結(jié)構(gòu)振動(dòng)響應(yīng)預(yù)測(cè)

徐國(guó)賓，韓文文，王海軍，章環(huán)境

(天津大學(xué)水利工程仿真與安全國(guó)家重點(diǎn)實(shí)驗(yàn)室，天津 300072)

水電站泄流誘發(fā)廠房結(jié)構(gòu)振動(dòng)響應(yīng)預(yù)測(cè)

徐國(guó)賓，韓文文，王海軍，章環(huán)境

(天津大學(xué)水利工程仿真與安全國(guó)家重點(diǎn)實(shí)驗(yàn)室，天津 300072)

水流強(qiáng)烈紊動(dòng)能夠誘發(fā)水工建筑物的振動(dòng)破壞．為盡可能減小失事危險(xiǎn)，確保大壩安全運(yùn)行，尋求某種方法利用較少的實(shí)測(cè)數(shù)據(jù)全面掌握水電站的振動(dòng)狀況成為關(guān)鍵．分別將粒子群優(yōu)化(PSO)算法、遺傳算法(GA)和果蠅優(yōu)化算法(FOA)與徑向基(RBF)神經(jīng)網(wǎng)絡(luò)相結(jié)合，來(lái)優(yōu)化RBF擴(kuò)展參數(shù)．根據(jù)某水電站泄洪表孔、排沙孔泄流時(shí)的現(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù)，運(yùn)用主成分分析法選擇對(duì)廠房結(jié)構(gòu)振動(dòng)影響程度較大的足夠多且不多余的關(guān)鍵因子構(gòu)建神經(jīng)網(wǎng)絡(luò)，來(lái)預(yù)測(cè)廠房結(jié)構(gòu)在其他未知工況下的振動(dòng)情況．結(jié)果表明：PSO-RBF、GA-RBF和FOA-RBF這3種方法預(yù)測(cè)效果均良好，適合運(yùn)用于泄流誘發(fā)水電站廠房結(jié)構(gòu)振動(dòng)響應(yīng)的預(yù)測(cè)研究中，其中 FOA-RBF方法的穩(wěn)定性及泛化能力最強(qiáng)，可為其他類型電站的振動(dòng)研究提供參考．

水電站；廠房振動(dòng)；粒子群優(yōu)化(PSO)算法；遺傳算法(GA)；果蠅優(yōu)化算法(FOA)；徑向基(RBF)神經(jīng)網(wǎng)絡(luò)；主成分分析

當(dāng)宣泄洪水時(shí)，紊動(dòng)水流流經(jīng)泄洪建筑物時(shí)容易引起水工建筑物的振動(dòng)，即流激振動(dòng)．水流誘發(fā)振動(dòng)是一種極其復(fù)雜的流體與結(jié)構(gòu)相互作用的現(xiàn)象．國(guó)內(nèi)外對(duì)于流激振動(dòng)引起的安全事故屢有報(bào)道，比如：美國(guó)得克薩斯州 Texar-Kana Dam、加利福尼亞州Trinky Dam、新澤西州Navaio Dam消力池導(dǎo)墻的破壞，馬爾巴索工程溢洪道的破壞[1]，前蘇聯(lián)伏爾加水電站攔魚墩倒塌，貴州山坳拱壩溢流時(shí)強(qiáng)烈振動(dòng)和萬(wàn)安水利樞紐溢洪道導(dǎo)墻倒塌等，均是由水流誘發(fā)振動(dòng)所導(dǎo)致．

早在20世紀(jì)30年代，人們就注意到了水流誘發(fā)振動(dòng)的危害性并開(kāi)始進(jìn)行研究．隨著水利工程高水頭、大流量、高流速泄水建筑物的大量興建，特別是由于高強(qiáng)建筑材料的開(kāi)發(fā)與應(yīng)用，工程結(jié)構(gòu)越來(lái)越趨于輕型化，水流誘發(fā)振動(dòng)問(wèn)題將更加突出．為盡可能減小失事危險(xiǎn)，確保大壩安全運(yùn)行，尋求某種方法利用較少的實(shí)測(cè)數(shù)據(jù)達(dá)到全面掌握水電站振動(dòng)狀況成為新的研究課題．

本文將粒子群優(yōu)化(particle swarm optimization，PSO)算法、遺傳算法(genetic algorithm，GA)以及果蠅優(yōu)化算法(fruit flies optimization algorithm，F(xiàn)OA)分別與徑向基(radial basis function，RBF)神經(jīng)網(wǎng)絡(luò)相結(jié)合，達(dá)到優(yōu)化 RBF神經(jīng)網(wǎng)絡(luò)擴(kuò)展參數(shù) P的目的．結(jié)合某水電站泄洪表孔、排沙孔泄流時(shí)尾水紊動(dòng)會(huì)引起的廠房結(jié)構(gòu)振動(dòng)這一現(xiàn)象，得到相關(guān)的實(shí)測(cè)數(shù)據(jù)．在所有的泄流引起的脈動(dòng)壓力及振動(dòng)等眾多影響因子中，依據(jù)主成分分析(principal component analysis，PCA)的基本思想，選擇出對(duì)廠房結(jié)構(gòu)振動(dòng)影響程度較大的足夠多但不多余的關(guān)鍵因子，構(gòu)建 PSORBF、GA-RBF、FOA-RBF 3種優(yōu)化方法，分別來(lái)預(yù)測(cè)廠房結(jié)構(gòu)在其他未知工況下的振動(dòng)情況．

1 智能算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)

RBF神經(jīng)網(wǎng)絡(luò)是一種基于非線性回歸理論的神經(jīng)網(wǎng)絡(luò)，結(jié)構(gòu)簡(jiǎn)單、訓(xùn)練速度快，具有很強(qiáng)的非線性映射能力，在函數(shù)逼近和學(xué)習(xí)速度上有較強(qiáng)的優(yōu)勢(shì)，適用于解決各種非線性問(wèn)題，被廣泛應(yīng)用于各工程領(lǐng)域[2]．

在MATLAB中，通過(guò)調(diào)用newrbe函數(shù)可以生成一個(gè)RBF神經(jīng)網(wǎng)絡(luò)，格式為

式中：input、output分別為輸入和輸出樣本向量；P為擴(kuò)展參數(shù)，即響應(yīng)寬度．

P越大，函數(shù)的擬合越平滑，但是，過(guò)大的 P意味著需要非常多的神經(jīng)元以適應(yīng)函數(shù)的變化，會(huì)導(dǎo)致網(wǎng)絡(luò)中神經(jīng)元響應(yīng)區(qū)域過(guò)度交疊，造成網(wǎng)絡(luò)的欠適性；P過(guò)小，則會(huì)導(dǎo)致網(wǎng)絡(luò)中神經(jīng)元響應(yīng)區(qū)域不能覆蓋整個(gè)輸入范圍，造成網(wǎng)絡(luò)的不適性．因此，如何選擇擴(kuò)展參數(shù)P，直接關(guān)系到神經(jīng)網(wǎng)絡(luò)性能的好壞．

1.1 PSO算法

PSO算法是一種模擬鳥類相互協(xié)作尋找食物的智能算法[3]，通過(guò)粒子間的競(jìng)爭(zhēng)和協(xié)作達(dá)到實(shí)現(xiàn)在復(fù)雜搜索空間中尋找全局最優(yōu)點(diǎn)的目的．它不僅具有易理解、易實(shí)現(xiàn)以及很強(qiáng)的全局尋優(yōu)能力，而且可以通過(guò)設(shè)定參數(shù)來(lái)提高網(wǎng)絡(luò)的局部尋優(yōu)能力，搜索思維和種群之間經(jīng)驗(yàn)共享方式更加科學(xué)，在大多數(shù)情況下，能更快地尋找到最優(yōu)解[4]．

PSO算法基本原理：將每個(gè)個(gè)體看作 D維搜索空間的一個(gè)沒(méi)有體積的粒子，由 m個(gè)微粒組成的微粒群在搜索空間中以一定的速度v飛行，粒子的飛行速度由它本身的飛行經(jīng)驗(yàn)以及同伴的飛行經(jīng)驗(yàn)進(jìn)行動(dòng)態(tài)調(diào)整．第i個(gè)微粒的當(dāng)前位置為Xi，將Xi作為優(yōu)化問(wèn)題的潛在解代入優(yōu)化目標(biāo)函數(shù)中，計(jì)算出相應(yīng)的適應(yīng)度值，根據(jù)適應(yīng)度值大小衡量微粒的優(yōu)劣，并記錄所經(jīng)歷的歷史最好位置 Gi．微粒 i的飛行由式(2)、式(3)決定．

式中：w為慣性權(quán)重；下標(biāo)j表示微粒的j維；下標(biāo)i表示第i個(gè)微粒；t表示進(jìn)化到第t代；c1、c2為加速常數(shù)；r1、r2是在[0，1]范圍內(nèi)變化的隨機(jī)數(shù)．

PSO-RBF是PSO算法與RBF神經(jīng)網(wǎng)絡(luò)的結(jié)合，該方法以 RBF神經(jīng)網(wǎng)絡(luò)的均方差作為適應(yīng)度函數(shù)，運(yùn)用粒子群優(yōu)化算法對(duì)RBF神經(jīng)網(wǎng)絡(luò)中的擴(kuò)展參數(shù)P進(jìn)行優(yōu)化選擇．該方法在無(wú)線傳感器網(wǎng)絡(luò)入侵檢測(cè)技術(shù)研究[5]、大壩變形監(jiān)測(cè)[6]、模擬電路診斷[7]、系統(tǒng)辨識(shí)方法仿真[8]等各個(gè)方面得到了廣泛應(yīng)用，但在廠房結(jié)構(gòu)振動(dòng)響應(yīng)預(yù)測(cè)中還較少有應(yīng)用．

1.2 GA

GA屬于進(jìn)化算法的一種，它通過(guò)模仿自然界選擇與遺傳的機(jī)理來(lái)尋找最優(yōu)解，是從生物遺傳、進(jìn)化的過(guò)程得到啟發(fā)而提出的．算法中稱遺傳的生物體為個(gè)體，個(gè)體對(duì)環(huán)境的適應(yīng)程度用適應(yīng)值表示．適應(yīng)值取決于個(gè)體的染色體，在算法中染色體常用一串?dāng)?shù)字表示，數(shù)字串中的一位對(duì)應(yīng)一個(gè)基因．一定數(shù)量的個(gè)體組成一個(gè)群體．對(duì)所有個(gè)體進(jìn)行選擇、交叉和變異等操作，生成新的群體．

GA-RBF是GA與RBF神經(jīng)網(wǎng)絡(luò)的結(jié)合，經(jīng)過(guò)對(duì)算子的選擇、交叉和變異等操作，充分利用遺傳算法收斂性好、計(jì)算時(shí)間少、魯棒性高等優(yōu)點(diǎn)，選擇出RBF神經(jīng)網(wǎng)絡(luò)所需要的最優(yōu)秀的算子．此方法被廣泛應(yīng)用于各個(gè)領(lǐng)域[9-12]．

1.3 FOA

FOA是一種基于果蠅覓食行為推演出尋求全局優(yōu)化的新方法，由中國(guó)臺(tái)灣學(xué)者潘文超[13]2011年提出，用于金融預(yù)警模型研究中[14]．FOA有很好的群體智能性，其應(yīng)用領(lǐng)域相當(dāng)廣泛，特別是在函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡(luò)、支持向量回歸參數(shù)優(yōu)化、財(cái)務(wù)管理、企業(yè)風(fēng)險(xiǎn)預(yù)警方面有著重要的應(yīng)用價(jià)值．

FOA采用距離、位置搜索方法．先按照式(4)估算粒子與原點(diǎn)之間的距離 Di；再按照式(5)計(jì)算適應(yīng)度判定值 Si；然后將 Si代入適應(yīng)度判定函數(shù)式(6)中，求出該果蠅個(gè)體位置的適應(yīng)度；最終根據(jù)式(7)，通過(guò)不斷地迭代尋優(yōu)，找出此果蠅群體中適應(yīng)度最佳的果蠅．

FOA-RBF是基于 FOA的 RBF神經(jīng)網(wǎng)絡(luò)，把FOA中的適應(yīng)度判定值 Si看作 RBF神經(jīng)網(wǎng)絡(luò)的擴(kuò)展參數(shù)值，利用FOA對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行尋優(yōu)，選用神經(jīng)網(wǎng)絡(luò)的均方差作為適應(yīng)度判定函數(shù)，快速準(zhǔn)確地找到最佳擴(kuò)展參數(shù)，以便準(zhǔn)確建立預(yù)測(cè)模型，達(dá)到良好的預(yù)測(cè)效果．FOA-RBF具體優(yōu)化過(guò)程及MATLAB偽代碼如下．

(1) 設(shè)置計(jì)算參數(shù)并初始化果蠅群體位置．

maxgen＝20%迭代次數(shù)

sizep＝40%種群規(guī)模

X_axis＝rand(·)

Y_axis＝rand(·)

(2) 隨機(jī)設(shè)置果蠅飛行方向與距離，即利用果蠅的嗅覺(jué)搜尋食物的隨機(jī)方向與距離．

Xi＝X_axis＋20rand(·)－10

Yi＝Y(jié)_axis＋20rand(·)－10

(3) 通過(guò)式(4)、(5)求出適應(yīng)度判定值Si．

(4) 將學(xué)習(xí)樣本和適應(yīng)度判定值Si代入newrbe函數(shù)，計(jì)算適應(yīng)度值Functioni．

net＝newrbe(input，output，Si)%網(wǎng)絡(luò)模型建立

yc＝sim(net，input2)%神經(jīng)網(wǎng)絡(luò)仿真

y＝y(tǒng)c－output2%網(wǎng)絡(luò)輸出與目標(biāo)值誤差

Functioni＝mse(y)%預(yù)測(cè)誤差的均方值

(5) 比較第 i個(gè)粒子所經(jīng)過(guò)的所有位置的適應(yīng)度值，確定其最優(yōu)位置．

[bestSmell，bestIndex]＝min(Function)

If bestFunction＜Functionbest

X_axis＝X(bestIndex)

Y_axis＝Y(jié)(bestIndex)

bestS＝S(bestIndex)

Functionbest＝bestFunction；end

(6) 保留最佳值位置與最佳適應(yīng)度值，并紀(jì)錄每代最優(yōu)值到y(tǒng)y數(shù)組中．

yy(gen)＝Functionbest

Xbest(gen)＝X_axis

Ybest(gen)＝Y(jié)_axis

(7) 果蠅迭代尋優(yōu)，重復(fù)執(zhí)行步驟(2)～(5)，并判斷適應(yīng)度值是否優(yōu)于前一迭代，若是則執(zhí)行(6)．

(8) 達(dá)到迭代終止條件，搜索到適應(yīng)度最佳的果蠅，得到最佳適應(yīng)度值．

2 實(shí)例仿真分析

2.1 樣本選取

為了對(duì)泄流引起的水電站廠房結(jié)構(gòu)振動(dòng)響應(yīng)進(jìn)行預(yù)測(cè)分析，現(xiàn)以某廠頂溢流式水電站排沙孔全開(kāi)，機(jī)組暫停運(yùn)行，表孔由關(guān)閉到完全開(kāi)啟共計(jì) 12種工況(見(jiàn)表 1)的實(shí)測(cè)數(shù)據(jù)為依據(jù)．選取該水電站泄流表孔上游側(cè)蓋板上游側(cè)測(cè)點(diǎn) A、下游側(cè)蓋板上游側(cè)測(cè)點(diǎn)B、壩體泄流表孔中線 0＋42.7測(cè)點(diǎn) C、0＋60.2測(cè)點(diǎn)D共計(jì) 4處不同壓力水頭、水壓脈動(dòng) 100%雙幅值、標(biāo)準(zhǔn)差等 12個(gè)影響因子的實(shí)測(cè)數(shù)據(jù)作為輸入數(shù)據(jù)(見(jiàn)表2)；相應(yīng)A、B兩處廠壩結(jié)構(gòu)測(cè)點(diǎn)的x、z徑向振動(dòng)位移實(shí)測(cè)值作為輸出數(shù)據(jù)(見(jiàn)表3)．

表1 12種工況下的表孔開(kāi)啟程度Tab.1 Surface outlet under twelve kinds of working conditions

2.2 主成分分析

利用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)時(shí)，若輸入因子少，導(dǎo)致其預(yù)測(cè)準(zhǔn)確性低；若輸入因子多，則神經(jīng)網(wǎng)絡(luò)運(yùn)算量大，導(dǎo)致其預(yù)測(cè)結(jié)果得不到收斂．主成分分析法可以將多個(gè)變量通過(guò)線性變換以選出較少個(gè)數(shù)重要因子的一種多元統(tǒng)計(jì)分析方法，又稱主分量分析．

表2 輸入數(shù)據(jù)Tab.2 Input data

表3 輸出數(shù)據(jù)Tab.3 Output data

在統(tǒng)計(jì)分析軟件 SPSS中，運(yùn)用 PCA法將影響因子進(jìn)行簡(jiǎn)化處理，可以選擇出適當(dāng)?shù)挠绊懸蜃樱兄谔岣哳A(yù)測(cè)精度．具體步驟為：①對(duì)表 2中測(cè)點(diǎn)A、B、C、D處壓力水頭、水壓脈動(dòng)100%雙幅值、標(biāo)準(zhǔn)差等 12個(gè)影響因子進(jìn)行標(biāo)準(zhǔn)化處理；②利用標(biāo)準(zhǔn)化后的數(shù)據(jù)計(jì)算影響因子相關(guān)系數(shù)矩陣；③計(jì)算相關(guān)系數(shù)矩陣特征值和特征向量；④計(jì)算每個(gè)成分的貢獻(xiàn)率以及前N個(gè)主成分累積貢獻(xiàn)率．

主成分分析結(jié)果表明，表2中前10個(gè)影響因子的累積貢獻(xiàn)率達(dá)到 100%，足以涵蓋建立模型需要的信息，且不多余．于是在神經(jīng)網(wǎng)絡(luò)的創(chuàng)建、訓(xùn)練以及測(cè)試中，選用前 10種因子的實(shí)測(cè)數(shù)據(jù)作為輸入數(shù)據(jù)．為了對(duì)主成分評(píng)價(jià)的效果進(jìn)行比較，證明其有效性，分別選取前 4種因子(影響因子個(gè)數(shù) N＝4)和全部因子(N＝12)作為輸入數(shù)據(jù)進(jìn)行對(duì)比測(cè)試．

依據(jù)某燈泡貫流式機(jī)組、廠頂溢流式水電站的原型觀測(cè)數(shù)據(jù)，分別應(yīng)用 PSO-RBF、GA-RBF、FOARBF、RBF(擴(kuò)展參數(shù)采用默認(rèn)值，即 P＝1)神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)模型，對(duì)水電站振動(dòng)響應(yīng)問(wèn)題展開(kāi)研究．

2.3 模型的創(chuàng)建與訓(xùn)練

將所有的樣本數(shù)據(jù)分為測(cè)試部分和訓(xùn)練部分，訓(xùn)練數(shù)據(jù)用來(lái)進(jìn)行模型的創(chuàng)建和訓(xùn)練，測(cè)試數(shù)據(jù)進(jìn)行仿真預(yù)測(cè)以及誤差分析．隨機(jī)選取工況 11、12作為測(cè)試數(shù)據(jù)，其余10種工況作為訓(xùn)練數(shù)據(jù)．

PSO-RBF初始參數(shù)設(shè)置：粒子群個(gè)數(shù) sizep為40；最大迭代次數(shù) maxgen為 20；學(xué)習(xí)因子 c1＝c2＝1.494,45；慣性權(quán)重 w＝0.729；粒子群初始取值范圍[－10，10]，種群限制 Xi∈[－10，10]；速度限制 vi∈[－1，1]．

GA-RBF初始參數(shù)設(shè)置：粒子群個(gè)數(shù) sizep設(shè)為40；最大迭代次數(shù)maxgen為10；雜交概率設(shè)定為pc為 0.6；變異概率取值為 pm＝0.001－[1∶1∶sizep]·(0.001)/sizep等．

FOA-RBF初始參數(shù)設(shè)置：粒子群個(gè)數(shù) sizep為40；最大迭代次數(shù)maxgen為20．

2.4 模型的測(cè)試效果分析

將測(cè)試數(shù)據(jù)代入已經(jīng)訓(xùn)練好的預(yù)測(cè)模型中進(jìn)行振動(dòng)響應(yīng)仿真測(cè)試．分別對(duì) PSO-RBF、GA-RBF與FOA-RBF這3種方法進(jìn)行了30次測(cè)試，每次測(cè)試得到的最佳適應(yīng)度值如圖1～3所示．

圖1 PSO-RBF 30次測(cè)試最佳適應(yīng)度值Fig.1 30 times best fitness values of PSO-RBF

圖2 GA-RBF 30次測(cè)試最佳適應(yīng)度值Fig.2 30 times best fitness values of GA-RBF

圖3 FOA-RBF 30次測(cè)試最佳適應(yīng)度值Fig.3 30 times best fitness values of FOA-RBF

分別觀察圖 1～3可知，影響因子個(gè)數(shù) N＝10時(shí)，每種方法、每次測(cè)試所得的最佳適應(yīng)度值在一個(gè)相對(duì)更小、更穩(wěn)定的范圍內(nèi)變化，說(shuō)明影響因子個(gè)數(shù)N＝10時(shí)建立的模型的穩(wěn)定性及預(yù)測(cè)效果比 N＝4、N＝12都好．

比較圖 1～圖 3可以看出，與其他兩種方法相比，F(xiàn)OA-RBF的預(yù)測(cè)結(jié)果不僅適應(yīng)度更優(yōu)，而且波動(dòng)較小，穩(wěn)定性更好．

表4統(tǒng)計(jì)了30次測(cè)試結(jié)果的平均值、最優(yōu)值和最差值．由此可以進(jìn)一步看出，無(wú)論是最優(yōu)值、最差值還是平均值，在N＝10時(shí)，預(yù)測(cè)效果明顯優(yōu)于N＝4和 N＝12．這說(shuō)明了主成分分析的有效性，為以后水電站實(shí)測(cè)數(shù)據(jù)的處理提供了新思路．

下面就影響因子個(gè)數(shù)N＝10時(shí)不同模型的預(yù)測(cè)效果進(jìn)行詳細(xì)分析．

由表 4可知，在給定的迭代步驟內(nèi)，PSO-RBF、GA-RBF與FOA-RBF 3種方法得到的最佳適應(yīng)度的平均值分別為 0.014,2、0.013,7和 0.010,7，與一般RBF神經(jīng)網(wǎng)絡(luò)所得結(jié)果0.035,1相比均處于一個(gè)更低的水平，說(shuō)明這3種方法在廠房結(jié)構(gòu)振動(dòng)響應(yīng)預(yù)測(cè)中都比較適用．

表4 預(yù)測(cè)結(jié)果統(tǒng)計(jì)Tab.4 Statistical prediction results

PSO-RBF、GA-RBF和FOA-RBF 3種方法得到的實(shí)測(cè)值與預(yù)測(cè)值對(duì)比如表 5和表 6所示．PSORBF、GA-RBF和FOA-RBF 3種方法的相對(duì)誤差均控制在較低水平，而一般的 RBF神經(jīng)網(wǎng)絡(luò)最大相對(duì)誤差達(dá)到 18.260%，與實(shí)際情況相差太大．這再次說(shuō)明3種方法對(duì)擴(kuò)展參數(shù)P的優(yōu)化均達(dá)到了很好的效果，大大提高了RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能．

3種方法中，F(xiàn)OA-RBF除工況11下A-z測(cè)點(diǎn)預(yù)測(cè)值與實(shí)測(cè)值相差較大外，其他2種方法的預(yù)測(cè)值與實(shí)測(cè)值的相對(duì)誤差都控制在 5%以內(nèi)，而且誤差的均方值最小，說(shuō)明其泛化能力更強(qiáng)．

表5 實(shí)測(cè)值與預(yù)測(cè)值比較(RBF和PSO-RBF)Tab.5 Comparison between measured and predicted values(RBF and PSO-RBF)

表6 實(shí)測(cè)值與預(yù)測(cè)值比較(GA-RBF和FOA-RBF)Tab.6 Comparison between measured and predicted values(GA-RBF and FOA-RBF)

3 結(jié) 論

(1) 運(yùn)用粒子群優(yōu)化(PSO)算法、遺傳算法(GA)和果蠅優(yōu)化算法(FOA)優(yōu)化徑向基(RBF)神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了智能算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合．在泄流引起的廠房結(jié)構(gòu)振動(dòng)響應(yīng)預(yù)測(cè)研究中，PSO-RBF、GARBF和FOA-RBF這3種方法的預(yù)測(cè)效果均良好，說(shuō)明這 3種方法都能夠運(yùn)用在水電站結(jié)構(gòu)振動(dòng)響應(yīng)預(yù)測(cè)研究中．可為其他類型的水電站原型觀測(cè)資料處理提供一個(gè)新方法，為增強(qiáng)廠房振動(dòng)智能化監(jiān)測(cè)提供保障．

(2) 依據(jù)主成分分析的基本思想，在所有的泄流引起的脈動(dòng)壓力及振動(dòng)位移等眾多影響因子中，選擇出對(duì)廠房結(jié)構(gòu)振動(dòng)影響程度較大的足夠多且不多余的關(guān)鍵因子，用這些因子建立的模型的預(yù)測(cè)精度得到了提高．說(shuō)明了主成分分析的有效性，為以后水電站實(shí)測(cè)數(shù)據(jù)的處理提供了新思路．

(3) FOA原理簡(jiǎn)單，易于學(xué)習(xí)和應(yīng)用；需要調(diào)節(jié)的參數(shù)少，受人為因素影響更小．FOA-RBF能夠更準(zhǔn)確地選擇適合的擴(kuò)展參數(shù) P，更好地建立預(yù)測(cè)模型，大大降低了預(yù)測(cè)誤差．

［1］ 劉沛清，劉心愛(ài)，李福田. 消力池底板塊的失穩(wěn)破壞機(jī)理及其防護(hù)措施[J]. 水利學(xué)報(bào)，2001(9)：1-9.

Liu Peiqing，Liu Xin′ai，Li Futian. Failure mechanism of bottom plate in stilling basin and countermeasure for protection[J]. Journal of Hydraulic Engineering，2001(9)：1-9(in Chinese).

［2］ 韓力群. 人工神經(jīng)網(wǎng)絡(luò)[M]. 北京：北京郵電大學(xué)出版社，2006：127-139.

Han Liqun. The Artificial Neural Network[M]. Beijing：Beijing University of Posts and Telecommunications Press，2006：127-139(in Chinese).

［3］ Kennedy J，Eberhart R. Particle swarm optimization [C]//Proceedings of IEEE International Conference on Neural Networks. Perth，Australia，1995：1942-1948.

［4］ 張頂學(xué)，關(guān)治洪，劉新芝. 基于 PSO的RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法及其應(yīng)用[J]. 計(jì)算機(jī)工程與應(yīng)用，2006(20)：13-15.

Zhang Dingxue，Guan Zhihong，Liu Xinzhi. RBF neural network algorithm based on PSO algorithm and its application[J]. Computer Engineering and Applications，2006(20)：13-15(in Chinese).

［5］ 易曉梅，吳 鵬，劉麗娟，等. 基于 PSO-RBF無(wú)線傳感器網(wǎng)絡(luò)入侵檢測(cè)技術(shù)研究[J]. 傳感器與微系統(tǒng)，2011，30(9)：9-11.

Yi Xiaomei，Wu Peng，Liu Lijuan，et al. Research on WSNs intrusion detection technology based on PSORBF[J]. Transducer and Microsystem Technologies，2011，30(9)：9-11(in Chinese).

［6］ 呂蓓蓓，楊遠(yuǎn)斐. PSO-RBF在大壩變形監(jiān)測(cè)中的應(yīng)用[J]. 水電能源科學(xué)，2012，30(8)：77-79.

Lü Beibei，Yang Yuanfei. Application of PSO-RBF in dam deformation monitoring[J]. Water Resources and Power，2012，30(8)：77-79(in Chinese).

［7］ 宋麗偉，彭敏放，田成來(lái)，等. 基于 PSO-RBF 神經(jīng)網(wǎng)絡(luò)的模擬電路診斷[J]. 計(jì)算機(jī)應(yīng)用研究，2012，29(1)：72-74.

Song Liwei，Peng Minfang，Tian Chenglai，et al. Analog circuit diagnosis based on particle swarm optimization radial basis function network[J]. Application Research of Computers，2012，29(1)：72-74(in Chinese).

［8］ 丁宏鍇，蕭蘊(yùn)詩(shī)，李斌宇，等. 基于 PSO-RBFNN的非線性系統(tǒng)辨識(shí)方法仿真研究[J]. 系統(tǒng)仿真學(xué)報(bào)，2005，17(8)：1826-1829.

Ding Hongkai，Xiao Yunshi，Li Binyu，et al. Study on simulation of nonlinear system identification based on PSO-RBFNN[J]. Acta Simulata Systematica Sinica，2005，17(8)：1826-1829(in Chinese).

［9］ 周佩玲，陶小麗，傅忠謙，等. 基于GA的RBF網(wǎng)絡(luò)用于旱澇災(zāi)害因素預(yù)測(cè)研究[J]. 計(jì)算機(jī)應(yīng)用，2001， 21(1)：7-9.

Zhou Peiling，Tao Xiaoli，F(xiàn)u Zhongqian，et al. Disaster elements prediction with RBF network based on GA [J]. Computer Applications，2001，21(1)：7-9 (in Chinese).

［10］ 劉國(guó)海，蔣志佳. 基于GA-RBF和不變矩的高壓瓷瓶裂縫識(shí)別[J]. 控制工程，2009，16(5)：561-565.

Liu Guohai，Jiang Zhijia. Recognition of porcelain bottle crack based on GA-RBF and moment invariants[J]. Control Engineering of China，2009，16(5)：561-565(in Chinese).

［11］ 王 峰，談懷江. GA-BP和GA-RBF網(wǎng)絡(luò)在結(jié)構(gòu)損傷分析的比較[J]. 微機(jī)發(fā)展，2005，15(8)：158-160.

Wang Feng，Tan Huaijiang. Comparison between GABP and GA-RBF neural network applying to analysis of structural damage[J]. Microcomputer Development，2005，15(8)：158-160(in Chinese).

［12］ 鄭丕諤，馬艷華. 基于 RBF 神經(jīng)網(wǎng)絡(luò)的股市建模與預(yù)測(cè)[J]. 天津大學(xué)學(xué)報(bào)，2000，33(4)：483-486.

Zheng Pi′e，Ma Yanhua. RBF neural network based stocks market modeling and forecasting[J] Journal of Tianjin University，2000，33(4)：483-486(in Chinese).

［13］ 潘文超. 果蠅最佳化演算法[M]. 臺(tái)灣：滄海書局，2011.

Pan Wenchao. Flies Optimization Algorithm[M]. Taiwan：Canghai Publishing House，2011(in Chinese).

［14］ Pan W T. A new evolutionary computation approach：Fruit fly optimization algorithm[C/OL] //2011 Conference of Digital Technology and Innovation Management. Taipei，China，2011：http：//www.oitecshopbyethost 16. com/ FOA. html.

(責(zé)任編輯：樊素英)

Prediction of Vibration Response of Powerhouse Structures Caused by Flow Discharge

Xu Guobin，Han Wenwen，Wang Haijun，Zhang Huanjing
(State Key Laboratory of Hydraulic Engineering Simulation and Safety，Tianjin University，Tianjin 300072，China)

Strong flow turbulence may cause vibration fracture of hydraulic structures. To minimize risks and ensure safe operation of dam，it is essential to search for some methods and use fewer monitoring data to achieve comprehensive grasp of powerhouse vibration conditions. Combining particle swarm optimization(PSO)algorithm，genetic algorithm(GA)and fruit flies optimization algorithm(FOA)with radial basis function(RBF) neural networkrespectively，the spreading parameter of RBF was optimized. Based on monitoring data of structure vibration under the condition of surface outlet and sediment outlet discharge，and adopting principal component analysis method，adequate but not redundant influence factors were selected. Neural network was built to predict vibration of other unknown conditions. Results show that PSO-RBF，GA-RBF and FOA-RBF methods are appropriate for prediction research of vibration response of powerhouse structures caused by flow discharge. FOA-RBF is the most stableof the three methods，providing a reference for other power station vibration research.

hydropower station；vibration of powerhouse；particle swarm optimization(PSO)algorithm；genetic algorithm(GA)；fruit flies optimization algorithm(FOA)；radial basis function(RBF)neural network；principal component analysis(PCA)

TV312；TV731

A

0493-2137(2015)03-0196-07

10.11784/tdxbz201308072

2013-08-29；

2013-09-30.

國(guó)家創(chuàng)新研究群體科學(xué)基金資助項(xiàng)目(51321065).

徐國(guó)賓（1956— ），男，教授.

徐國(guó)賓，xuguob@sina.com.

時(shí)間：2013-11-08.

http://www.cnki.net/kcms/detail/12.1127.N.20131108.1542.009.html.