论文部分内容阅读
【摘 要】阐述了水工建筑质量问题诊断过程中，应用BP神经网络模型的重要性。以专家经验和文献依据为途径，建立了质量问题和原因关系数据库。同时，选择了基于模糊综合评判为计算方法，建立了神经网络数学模型。最后，以某水工建筑质量问题实例为例，论证了BP神经网络法的可行性。
【关键词】BP神经网络；水工建筑；质量问题
一、引言
水工建筑，是水利工程中对水流进行调节的建筑，其性能的好坏，关系到水资源的合理性利用和经济效益。由于水工建筑的结构非常复杂，除施工过程困难外，在其使用中，受气候、水文条件以及其余各因素的综合影响，出现质量问题的情况也经常发生。如液体的渗透压力会造成水坝稳定性变差，水流的粘性牵引力会导致明渠边壁变形等。通过大量的水利工程现场调查可知，造成水工建筑质量问题的原因，往往并非单一，而是各种错综复杂的因素导致，且受限于水工建筑工作条件，工程结构尺寸庞大等因素，出现质量问题后，无法准确判断原因和问题类型，造成安全隐患和处理措施不及时，间接影响建筑的使用寿命和经济效益。因此，采用BP神经网络模型，开发常用水工建筑质量问题和原因的数据系统关系库，有助于问题的在线诊断，对于及时发现问题，准确处理，具有举足轻重的意义。
二、水工建筑质量问题和原因关系数据库的建立
水工建筑质量问题和原因关系数据库，本质上来说是一个问题和原因的矩阵求解系统。系统中覆盖了发生质量问题的类型、规律以及诱发原因等信息。该数据库的建立方法，目前并无准确原则，最广泛的方法是对经验丰富的专家进行调研，然后修正数据。因此，在该过程中，由于专家对问题具有一定的主观性和偏差，故全面搜集数据，是系统能否完成准确矩阵计算的关键。水工建筑质量问题数据库的建立，主要有两个步骤：
1.资料的整理与统计[1]。查阅近20年来，有关水利工程质量问题、原因分析以及检修措施的相关文献。对其中的质量问题原因、表现症状进行统计与整理。例如，某导流渠变比出现严重磨损的案例，出现壁面结构脱落的质量问题，从文献的研究结论可知，造成该征兆的原因是水流中的泥沙成分较多，故引起了泥沙磨损。因此，将壁面结构脱落和泥沙含量较多整理至征兆和原因部分。
2.专家调研。对绵阳三台、梓潼等地的部分水利工程进行走访。对40余位该领域中，经验丰富的专家进行问卷调查，并将其意见整理至系统数据库，如表1所示。
在该系统数据库中，程序的实现方式[2]，拟选择为产生式。如：If气泡产生and蜂窝孔出现，Then混凝土含沙量较少。
三、BP神经网络模型的建立
BP神经网络模型，是一种通过模拟人的大脑神经系统，能够进行问题思考，具有判断功能的算法网络。系统初步建立时，是不具备思考功能的，犹如人的大脑，掌握思考问题的能力，需要进行体系化的训练，然后其系统对问题的分析和判断力会逐渐增强。该系统的本质是Back Propagation算法[2]。主体结构包含：输入端、输出端和隐藏区域，如图1所示。在该图中的隐藏区域，数量须。具体到本文的操作，选择极小值即可。因此，隐藏区域的数量为1。BP算法的实质，主要是体现在系统的学习过程中，信号分别进行正向传播、误差反向传播。该过程的目标是，采用输出误差反传的方法，将误差分化，即各个单元部分，都分配部分误差，继而每个单元的误差信号都能够计算出来。由此，再对各个单元的权值，进行修正。故综上所述，如果输出端的结果与理想值偏差大，系统将开始朝反方向传播，如此一来，神经元的权值将被改变，继而误差信号持续减小。
在水工建筑质量问题和原因的判断系统建立中，基本的操作为：第一，假设系统在发生问题时，表现出的征兆为n，则输出向量：；第二，如果引发这些征兆的原因为m，则输出向量：。由此可知，对于该BP神经网络系统的输入端、隐藏区间、输出端的神经元个数为：n、h、m；与此同时，输入端和隐藏区间、输出端和隐藏区间的连接权重分别为和。式中，h的取值与范围由具体的问题描述决定。根据经验值可知，取值范围为：。因此，BP计算方法的训练过程[3]为：
1.定义和的初始权值。定义的手段为随机选取法。该步骤中，设置2个约束条件：①；②取值区间为：。
2.输入学习样本，计算输出值。
3.对比计算结果。把值与理想值进行对比，计算二者的误差。
4.选择误差最小值法，修正权值的矩阵。
5.规定阈值。该环节的实施，主要是结合专家经验，由专家结合该系统的特点，定义一个确定的阈值。然后，将输出向量结果与该值比较。若结果大于阈值，计算过程结束，得出结果。否则，结果无法确定，认为输入信息不全，重新调整参数，又重步骤（2）开始循环计算。
整个过程中，步骤1和2的传播方向为向前；步骤3和4的传播方向为向后。所有步骤中，都必须达到一定的精度要求。由严格数学理论可知[4]， 假设样本为第 p个， 计算表达式为：
式中， s为样本数目。
四、质量问题症状向量的选择
假设某水工建筑数据库中，质量问题征兆向量为：；而原因向量为：；显然，二者之间并不是一一对应的，表现出了一定的模糊性。所以，准确的计算模型是不可能建立起来的。在这种状态下，拟选择模糊数学中的语义征兆法[4]，来界定二者的对应关系。具体操作是，按照系统故障的严重程度，把语义征兆划分为：很严重、比较严重、严重、一般 、轻微 、比较轻微、很轻微、不存在。然后，由专家规定隶属度。相应的隶属度取值范围为：[1，0.9]，[0.9，0.7]，[0.7，0.6]，[0.6，0.4]，[0.4，0.3]，[0.3，0.1]，[0.1，0]，0。例如，某明渠发生了问题，症状为：边壁脱落严重、轻微蜂窝孔、中度裂缝。由此可得征兆的向量：（0.92，0.23，0.57）。
五、计算案例分析
以某具体的水工建筑为例，假设在施工完成后中，建筑出现了质量问题，症状表现为：（建筑表面出现气泡）， （混凝土表面有裂缝）， （建筑外观有蜂窝孔）， （建筑结构变形）， （壁面脱落）。由系统数据库可知，造成质量问题的可能原因为：（油性隔离剂多）， （混凝土含沙量少）， （环境湿度改变）， （表层风化）， （水流冲击力大）， （建筑材料不合理）。假设该水工建筑在某次质量问题中，表现出了3个症状：，，；根据严重程度确定的征兆向量为 0.7，0.3，0.6。由此可知，输出向量X=（0.70 0.30 0 0 0.60）。
由上述质量问题表现可知，BP神经网络模型中，输入端、输出端和隐藏区间的数量为：5、6、8；根据公式（1）与（2）的计算结果可知，系统偏差为 0.8。此时，把样表数据录入，如表2所示（X为1时，表示该质量问题的症状发生；Y为1时，则表示质量问题的原因明确；若不是该原因引起，则Y为0）。将质量問题向量输入，计算出诱发原因向量结果，如表3所示。从计算数据来看，引发水工建筑质量问题的原因为，即环境湿度改变，该结论与现场诊断的结果相符合。
六、结论
通过构建水工建筑质量问题和原因关系的BP神经网络模型，定义了系统质量问题的表现症状和引发原因之间的模糊关系。再选择模糊综合评判的方法进行计算，快速地确定了引发故障的原因。但是，阈值和隶属度的确定，主要依赖专家的经验，具有一定的主观性和局限性。所以，隶属度和阈值的精度，需要在今后系统的进一步开发过程中，不断修正和完善，以达到提高系统整体诊断精度的要求。
参考文献：
[1] 刘建忠.电力系统光纤通信故障的检测与排除[J].科技信息，2010，（17）：359-360.
[2] 王旭，潘峤.基于BP模糊神经网络的水轮机进水蝶阀故障诊断方法的研究[J].水利电力科技，2011，37（1）：20-23.
[3] 王浩全.基于BP神经网络提高伪装目标识别概率的研究[J].光学与光谱分析，2010，30（12）：3316-3319.
[4] 李士勇.工程模糊数学及应用[M].哈尔滨：哈尔滨工业出版社，2004.
【关键词】BP神经网络；水工建筑；质量问题
一、引言
水工建筑，是水利工程中对水流进行调节的建筑，其性能的好坏，关系到水资源的合理性利用和经济效益。由于水工建筑的结构非常复杂，除施工过程困难外，在其使用中，受气候、水文条件以及其余各因素的综合影响，出现质量问题的情况也经常发生。如液体的渗透压力会造成水坝稳定性变差，水流的粘性牵引力会导致明渠边壁变形等。通过大量的水利工程现场调查可知，造成水工建筑质量问题的原因，往往并非单一，而是各种错综复杂的因素导致，且受限于水工建筑工作条件，工程结构尺寸庞大等因素，出现质量问题后，无法准确判断原因和问题类型，造成安全隐患和处理措施不及时，间接影响建筑的使用寿命和经济效益。因此，采用BP神经网络模型，开发常用水工建筑质量问题和原因的数据系统关系库，有助于问题的在线诊断，对于及时发现问题，准确处理，具有举足轻重的意义。
二、水工建筑质量问题和原因关系数据库的建立
水工建筑质量问题和原因关系数据库，本质上来说是一个问题和原因的矩阵求解系统。系统中覆盖了发生质量问题的类型、规律以及诱发原因等信息。该数据库的建立方法，目前并无准确原则，最广泛的方法是对经验丰富的专家进行调研，然后修正数据。因此，在该过程中，由于专家对问题具有一定的主观性和偏差，故全面搜集数据，是系统能否完成准确矩阵计算的关键。水工建筑质量问题数据库的建立，主要有两个步骤：
1.资料的整理与统计[1]。查阅近20年来，有关水利工程质量问题、原因分析以及检修措施的相关文献。对其中的质量问题原因、表现症状进行统计与整理。例如，某导流渠变比出现严重磨损的案例，出现壁面结构脱落的质量问题，从文献的研究结论可知，造成该征兆的原因是水流中的泥沙成分较多，故引起了泥沙磨损。因此，将壁面结构脱落和泥沙含量较多整理至征兆和原因部分。
2.专家调研。对绵阳三台、梓潼等地的部分水利工程进行走访。对40余位该领域中，经验丰富的专家进行问卷调查，并将其意见整理至系统数据库，如表1所示。
在该系统数据库中，程序的实现方式[2]，拟选择为产生式。如：If气泡产生and蜂窝孔出现，Then混凝土含沙量较少。
三、BP神经网络模型的建立
BP神经网络模型，是一种通过模拟人的大脑神经系统，能够进行问题思考，具有判断功能的算法网络。系统初步建立时，是不具备思考功能的，犹如人的大脑，掌握思考问题的能力，需要进行体系化的训练，然后其系统对问题的分析和判断力会逐渐增强。该系统的本质是Back Propagation算法[2]。主体结构包含：输入端、输出端和隐藏区域，如图1所示。在该图中的隐藏区域，数量须。具体到本文的操作，选择极小值即可。因此，隐藏区域的数量为1。BP算法的实质，主要是体现在系统的学习过程中，信号分别进行正向传播、误差反向传播。该过程的目标是，采用输出误差反传的方法，将误差分化，即各个单元部分，都分配部分误差，继而每个单元的误差信号都能够计算出来。由此，再对各个单元的权值，进行修正。故综上所述，如果输出端的结果与理想值偏差大，系统将开始朝反方向传播，如此一来，神经元的权值将被改变，继而误差信号持续减小。
在水工建筑质量问题和原因的判断系统建立中，基本的操作为：第一，假设系统在发生问题时，表现出的征兆为n，则输出向量：；第二，如果引发这些征兆的原因为m，则输出向量：。由此可知，对于该BP神经网络系统的输入端、隐藏区间、输出端的神经元个数为：n、h、m；与此同时，输入端和隐藏区间、输出端和隐藏区间的连接权重分别为和。式中，h的取值与范围由具体的问题描述决定。根据经验值可知，取值范围为：。因此，BP计算方法的训练过程[3]为：
1.定义和的初始权值。定义的手段为随机选取法。该步骤中，设置2个约束条件：①；②取值区间为：。
2.输入学习样本，计算输出值。
3.对比计算结果。把值与理想值进行对比，计算二者的误差。
4.选择误差最小值法，修正权值的矩阵。
5.规定阈值。该环节的实施，主要是结合专家经验，由专家结合该系统的特点，定义一个确定的阈值。然后，将输出向量结果与该值比较。若结果大于阈值，计算过程结束，得出结果。否则，结果无法确定，认为输入信息不全，重新调整参数，又重步骤（2）开始循环计算。
整个过程中，步骤1和2的传播方向为向前；步骤3和4的传播方向为向后。所有步骤中，都必须达到一定的精度要求。由严格数学理论可知[4]， 假设样本为第 p个， 计算表达式为：
式中， s为样本数目。
四、质量问题症状向量的选择
假设某水工建筑数据库中，质量问题征兆向量为：；而原因向量为：；显然，二者之间并不是一一对应的，表现出了一定的模糊性。所以，准确的计算模型是不可能建立起来的。在这种状态下，拟选择模糊数学中的语义征兆法[4]，来界定二者的对应关系。具体操作是，按照系统故障的严重程度，把语义征兆划分为：很严重、比较严重、严重、一般 、轻微 、比较轻微、很轻微、不存在。然后，由专家规定隶属度。相应的隶属度取值范围为：[1，0.9]，[0.9，0.7]，[0.7，0.6]，[0.6，0.4]，[0.4，0.3]，[0.3，0.1]，[0.1，0]，0。例如，某明渠发生了问题，症状为：边壁脱落严重、轻微蜂窝孔、中度裂缝。由此可得征兆的向量：（0.92，0.23，0.57）。
五、计算案例分析
以某具体的水工建筑为例，假设在施工完成后中，建筑出现了质量问题，症状表现为：（建筑表面出现气泡）， （混凝土表面有裂缝）， （建筑外观有蜂窝孔）， （建筑结构变形）， （壁面脱落）。由系统数据库可知，造成质量问题的可能原因为：（油性隔离剂多）， （混凝土含沙量少）， （环境湿度改变）， （表层风化）， （水流冲击力大）， （建筑材料不合理）。假设该水工建筑在某次质量问题中，表现出了3个症状：，，；根据严重程度确定的征兆向量为 0.7，0.3，0.6。由此可知，输出向量X=（0.70 0.30 0 0 0.60）。
由上述质量问题表现可知，BP神经网络模型中，输入端、输出端和隐藏区间的数量为：5、6、8；根据公式（1）与（2）的计算结果可知，系统偏差为 0.8。此时，把样表数据录入，如表2所示（X为1时，表示该质量问题的症状发生；Y为1时，则表示质量问题的原因明确；若不是该原因引起，则Y为0）。将质量問题向量输入，计算出诱发原因向量结果，如表3所示。从计算数据来看，引发水工建筑质量问题的原因为，即环境湿度改变，该结论与现场诊断的结果相符合。
六、结论
通过构建水工建筑质量问题和原因关系的BP神经网络模型，定义了系统质量问题的表现症状和引发原因之间的模糊关系。再选择模糊综合评判的方法进行计算，快速地确定了引发故障的原因。但是，阈值和隶属度的确定，主要依赖专家的经验，具有一定的主观性和局限性。所以，隶属度和阈值的精度，需要在今后系统的进一步开发过程中，不断修正和完善，以达到提高系统整体诊断精度的要求。
参考文献：
[1] 刘建忠.电力系统光纤通信故障的检测与排除[J].科技信息，2010，（17）：359-360.
[2] 王旭，潘峤.基于BP模糊神经网络的水轮机进水蝶阀故障诊断方法的研究[J].水利电力科技，2011，37（1）：20-23.
[3] 王浩全.基于BP神经网络提高伪装目标识别概率的研究[J].光学与光谱分析，2010，30（12）：3316-3319.
[4] 李士勇.工程模糊数学及应用[M].哈尔滨：哈尔滨工业出版社，2004.