劉思嬌，鄭 莉，焦曉亮，呼 婧

(北京華航無線電測(cè)量研究所，北京 100013)

隨著石油和天然氣市場(chǎng)的飛速發(fā)展，油氣管道的安全問題越來越受到重視，管道缺陷的量化對(duì)于預(yù)防管道事故的發(fā)生起著十分重要的作用。BP神經(jīng)網(wǎng)絡(luò)方法已被應(yīng)用到漏磁缺陷量化領(lǐng)域[1-2]，韓文花等[3-4]提出了用遺傳算法對(duì)缺陷進(jìn)行反演，但是傳統(tǒng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于大量缺陷反演的計(jì)算存在訓(xùn)練速度慢、量化精度低等缺點(diǎn)[5-6]。筆者將自適應(yīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)應(yīng)用到管道漏磁缺陷量化中，即根據(jù)管道漏磁實(shí)測(cè)缺陷的特點(diǎn)，自適應(yīng)遺傳算法自主調(diào)節(jié)變異率和交叉率，進(jìn)而提高計(jì)算速度，降低量化誤差[7]。

1 算法的基本原理

1.1 誤差逆?zhèn)鞑ニ惴?/h3>

誤差逆?zhèn)鞑ニ惴?BP神經(jīng)網(wǎng)絡(luò)算法)是神經(jīng)網(wǎng)絡(luò)算法的一種，網(wǎng)絡(luò)由信號(hào)的正傳播和誤差的逆反饋組成。正傳播，即將訓(xùn)練樣本輸入網(wǎng)絡(luò)，逐層向前傳播；誤差逆反饋，即計(jì)算輸出層的誤差，逆向反饋給隱層單元，再將誤差方向傳播回去，用連接全輸入端的實(shí)際信號(hào)和輸出端的等效誤差確定連接權(quán)的修正量，來更新各層間連接的權(quán)重和閾值[8]。在算法訓(xùn)練過程中，這兩個(gè)階段循環(huán)進(jìn)行，直至滿足停止條件。

1.2 遺傳算法

遺傳算法是用于解決搜索和優(yōu)化問題的啟發(fā)式學(xué)習(xí)方法,其結(jié)合了遺傳學(xué)中基于適應(yīng)度逐代選擇的存活原理，用選擇算子、交叉算子、變異算子去產(chǎn)生可延續(xù)的后代，進(jìn)而找到最匹配的解決方案。

遺傳算法也是通過循環(huán)遍歷的方式進(jìn)行最優(yōu)篩選的，例如，在第t代種群為P(t)，經(jīng)過遺傳算子運(yùn)算胡，得到第t+1代群體，遺傳算法流程如圖1所示。

圖1 遺傳算法流程

1.3 算法存在的缺陷

簡(jiǎn)單的遺傳算法忽略了逐代運(yùn)算時(shí)種群個(gè)體的優(yōu)劣性，只利用了人為設(shè)定的交叉率和變異率進(jìn)行尋優(yōu)運(yùn)算，算法泛化能力低，在進(jìn)行神經(jīng)網(wǎng)絡(luò)優(yōu)化時(shí)增加了網(wǎng)絡(luò)優(yōu)化難度，缺陷尺寸量化精度不高。

2 自適應(yīng)遺傳算法

2.1 自適應(yīng)遺傳算法原理

自適應(yīng)遺傳算法利用適應(yīng)度在種群中的順序排列和種群的進(jìn)化狀態(tài)，自動(dòng)調(diào)節(jié)遺傳算子的交叉率和變異率，使算法泛化能力增強(qiáng)。

(1)

(2)

式中：f′為初代個(gè)體的適應(yīng)度最大值；f為次代個(gè)體的適應(yīng)度值；fmax，fmin分別為個(gè)體適應(yīng)度的最大值，最小值;favg為整個(gè)種群適應(yīng)度的平均值；Pm1為初代變異率；Pc1為初代交叉率。

由式(1),(2)可知，個(gè)體適應(yīng)度值趨于最大值時(shí)，其交叉率和變異率均趨近于零，說明在后期種群進(jìn)化尋優(yōu)的過程中，自適應(yīng)遺傳算法可以對(duì)優(yōu)秀的子代個(gè)體進(jìn)行保留，增加交叉和變異操作的泛化能力，進(jìn)而提高簡(jiǎn)單的遺傳算法對(duì)于誤差逆反饋網(wǎng)絡(luò)對(duì)于初始權(quán)值的選擇。

2.2 自適應(yīng)遺傳算法優(yōu)化誤差逆反饋神經(jīng)網(wǎng)絡(luò)框架

將遺傳算法應(yīng)用到誤差逆反饋中，主要是用遺傳算法優(yōu)化誤差逆反饋神經(jīng)網(wǎng)絡(luò)的初始權(quán)值，誤差逆反饋神經(jīng)網(wǎng)絡(luò)運(yùn)用優(yōu)化后的初始權(quán)值進(jìn)行網(wǎng)絡(luò)訓(xùn)練，對(duì)訓(xùn)練數(shù)據(jù)更具有適用性。自適應(yīng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)流程如圖2所示。

圖2 自適應(yīng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)流程

2.2.1 選擇算子

采用輪盤賭法的選擇策略，使種群中優(yōu)秀的個(gè)體以較大概率遺傳到下一代，增加優(yōu)秀個(gè)體的適應(yīng)度。

2.2.2 交叉算子

選擇算子完成后，種群中個(gè)體兩兩組合成為交叉算子的初代個(gè)體，由兩個(gè)初代種群的適應(yīng)度計(jì)算出自適應(yīng)交叉率，進(jìn)行交叉運(yùn)算。

2.2.3 變異算子

基于漏磁缺陷尺寸的多樣性及連續(xù)性,采用多點(diǎn)變異的方式，相較于傳統(tǒng)的單點(diǎn)變異，更適用于個(gè)體染色體長(zhǎng)度較大的情況。在代數(shù)逐漸增加的進(jìn)化過程中，產(chǎn)生變異的基因位的個(gè)數(shù)會(huì)逐漸減小，對(duì)變異點(diǎn)進(jìn)行如下定義。

(3)

式中:N為染色體基因長(zhǎng)度；t為種群當(dāng)前進(jìn)化代數(shù)；T為種群進(jìn)化目標(biāo)代數(shù)；L為大于1的自然數(shù)；中括號(hào)表示向下取整。

2.2.4 適應(yīng)度函數(shù)

適應(yīng)度函數(shù)是評(píng)價(jià)算法選擇何種路徑進(jìn)化的重要判別標(biāo)準(zhǔn)，即對(duì)收斂速度及最優(yōu)后代的產(chǎn)生有決定性影響。設(shè)置適應(yīng)度函數(shù)為

(4)

式中:error(t)為其對(duì)應(yīng)的誤差逆反饋網(wǎng)絡(luò)輸出的誤差標(biāo)準(zhǔn)差，適應(yīng)度隨著error(t)的減小而增加；Fitness為常數(shù)。

2.2.5 誤差逆反饋網(wǎng)絡(luò)的框架搭建

采取自適應(yīng)遺傳算法優(yōu)化誤差逆反饋神經(jīng)網(wǎng)絡(luò)，基于數(shù)據(jù)特點(diǎn)自適應(yīng)定義變異率和交叉率，為誤差逆反饋網(wǎng)絡(luò)選取適應(yīng)度最高的初始權(quán)值，同時(shí)定義如下網(wǎng)絡(luò)框架，具體描述如下所述[9]。

(1) 首先將數(shù)據(jù)進(jìn)行歸一化，構(gòu)建網(wǎng)絡(luò)輸入層傳輸函數(shù)采用log-sigmoid，輸入值和輸出值在0和1之間；輸出層傳遞函數(shù)采用線性輸出函數(shù)purelin，輸入和輸出值可取任意值；訓(xùn)練函數(shù)采用貝葉斯正則法進(jìn)行訓(xùn)練。

(2) 設(shè)置種群的規(guī)模為50，隨機(jī)生成50組個(gè)體長(zhǎng)度為57的神經(jīng)網(wǎng)絡(luò)連接值，其中每個(gè)連接值的變化范圍為[-1，1]，然后對(duì)每一組連接值進(jìn)行初始化。

(3) 進(jìn)行遺傳算法運(yùn)算，迭代過程中不斷調(diào)整交叉率和變異率，依據(jù)上一節(jié)選擇、交叉、變異方法進(jìn)行優(yōu)勝劣汰的遺傳策略。

3 結(jié)果分析

3.1 樣本

缺陷數(shù)據(jù)庫包含天津直管牽拉和水壓環(huán)路試驗(yàn)采集數(shù)據(jù)的缺陷庫，共1 567個(gè)缺陷樣本。所有缺陷樣本均從軸向去噪之后的數(shù)據(jù)中提取，訓(xùn)練集與測(cè)試集比例為4…1。

缺陷長(zhǎng)度分別為10，20，40，60 mm，寬度分別為10，20，40，60 mm，深度分別為1，3，5，7 mm。其中內(nèi)缺陷為895個(gè)，外缺陷為672個(gè)。

3.2 量化結(jié)果分析

3.2.1 訓(xùn)練速度

對(duì)比傳統(tǒng)遺傳算法和自適應(yīng)遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度的影響，可以看出，傳統(tǒng)遺傳算法需迭代的次數(shù)多，且得到的誤差遠(yuǎn)大于目標(biāo)誤差；而自適應(yīng)遺傳算法迭代次數(shù)少，訓(xùn)練速度快，量化精度也較傳統(tǒng)遺傳算法有很大提高。傳統(tǒng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練集迭代次數(shù)如圖3所示，自適應(yīng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練集迭代次數(shù)如圖4所示。

圖3 傳統(tǒng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練集迭代次數(shù)

圖4 自適應(yīng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練集迭代次數(shù)

3.2.2 量化誤差

比較傳統(tǒng)遺傳算法和自適應(yīng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)對(duì)于缺陷長(zhǎng)寬深量化結(jié)果在不同評(píng)價(jià)指標(biāo)的誤差，結(jié)果表明：自適應(yīng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法在訓(xùn)練集和測(cè)試集的評(píng)價(jià)指標(biāo)滿足率較傳統(tǒng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)有明顯提高，說明自適應(yīng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)有更好的學(xué)習(xí)能力；同時(shí)，自適應(yīng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)對(duì)比傳統(tǒng)遺傳算法計(jì)算速率更快，迭代次數(shù)少，計(jì)算效率更高。 傳統(tǒng)遺傳算法和自適應(yīng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的長(zhǎng)度、寬度和深度量化結(jié)果如表1～6所示(表中A為管道壁厚，9.5 mm)。

表1 傳統(tǒng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)長(zhǎng)度量化結(jié)果

表2 自適應(yīng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)長(zhǎng)度量化結(jié)果

表3 傳統(tǒng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)寬度量化結(jié)果

表4 自適應(yīng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)寬度量化結(jié)果

表5 傳統(tǒng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)深度量化結(jié)果

表6 自適應(yīng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)深度量化結(jié)果

4 結(jié)語

在管道漏磁缺陷量化的計(jì)算過程中，針對(duì)傳統(tǒng)遺傳算法的缺點(diǎn)，采用自適應(yīng)遺傳算法，根據(jù)實(shí)測(cè)管道缺陷的特點(diǎn)進(jìn)行交叉率和變異率的調(diào)節(jié)和選取，相較于固定的交叉率和變異率，此方法提高了遺傳算法的計(jì)算速度,降低了實(shí)測(cè)數(shù)據(jù)的計(jì)算誤差。