李晶晶,許少華

(山東科技大學(xué)計算機科學(xué)與工程學(xué)院，山東 青島 266590)

1 引言

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)RBFNN(Radial Basis Function Neural Network)是一種廣泛應(yīng)用于模式識別、函數(shù)逼近和信號處理等領(lǐng)域的人工神經(jīng)網(wǎng)絡(luò)模型，它通過改變神經(jīng)元非線性變換函數(shù)的參數(shù)實現(xiàn)非線性映射，并通過連接權(quán)值調(diào)整的線性化來提高網(wǎng)絡(luò)學(xué)習(xí)速度[1-3]。針對時間過程信息的處理問題，文獻[4]將傳統(tǒng)徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)向時間域上進行擴展，提出了一種徑向基過程神經(jīng)網(wǎng)絡(luò)RBFPNN(RBF Process Neural Network)。該網(wǎng)絡(luò)模型的輸入可以直接為時間過程信號，通過隱層徑向基核函數(shù)的時空聚合變換，以及對隱層過程神經(jīng)元輸出的加權(quán)調(diào)整，實現(xiàn)對時變信號的分類處理。

復(fù)雜信號樣本特征的發(fā)現(xiàn)、表征和記憶能力是衡量機器學(xué)習(xí)模型性能的重要因素，也是在進行模型結(jié)構(gòu)和信息處理機制設(shè)計時要考慮的問題。在目前的研究中，RBFPNN的核函數(shù)一般取為高斯函數(shù)，其性質(zhì)參數(shù)為核寬度，是一種具有局部分布特征的核函數(shù)。雖然在理論上由大數(shù)定律已證明高斯函數(shù)對于各類數(shù)據(jù)的分析問題具有普適性[5]，但由于高斯函數(shù)具有局部特性，即與核函數(shù)中心特征相似的樣本對結(jié)果影響較大，而與核中心相似度低的樣本對結(jié)果的影響小，致使對于一些復(fù)雜的信號處理問題往往會出現(xiàn)較大的偏差[6]，特別是在非線性時間維系統(tǒng)采樣信號具有較強的異構(gòu)和多峰性、同類樣本呈不同模態(tài)變化的情況下。由于徑向基神經(jīng)網(wǎng)絡(luò)主要的信息處理單元為核函數(shù)，若通過改變RBFPNN核的函數(shù)形式和參數(shù)的設(shè)置，使其具有在多個尺度上對動態(tài)信號過程特征的表征和記憶存儲性質(zhì)，則可提高RBFPNN對復(fù)雜時間信號形態(tài)細節(jié)特征的識別能力。

針對現(xiàn)有徑向基過程神經(jīng)網(wǎng)絡(luò)在復(fù)雜時間信號處理中存在的不足，本文提出了一種基于核函數(shù)組合的徑向基過程神經(jīng)網(wǎng)絡(luò)模型。通過將具有全局特性的多項式核函數(shù)與具有局部性質(zhì)的高斯核函數(shù)進行組合，構(gòu)成具有復(fù)合分布性質(zhì)的核函數(shù)，使其在對時間信號形態(tài)的表征上同時具有局部和全局的尺度性質(zhì)，即在尺度選擇上具有更好的完整性和靈活性，從而獲得RBFPNN模型對過程信號細節(jié)特征的多分辨能力。核函數(shù)組合的徑向基過程神經(jīng)網(wǎng)絡(luò)模型可通過典型動態(tài)樣本的學(xué)習(xí)直接獲得輸入函數(shù)樣本與模式類別之間的對應(yīng)關(guān)系，而無須事先提取時間信號的形態(tài)和幅值特征，對于解決復(fù)雜時間信號的分類問題，在信息處理機制上具有良好的適應(yīng)性。本文分析了組合核函數(shù)RBFPNN的性質(zhì)，建立了基于混沌遺傳算法CGA(Chaos Genetic Algorithm)的模型參數(shù)整體優(yōu)化算法。以基于示功圖的往復(fù)運動機械工作狀況診斷分析為例進行仿真實驗，結(jié)果表明組合核函數(shù)RBFPNN可較大提高識別的準(zhǔn)確性。

2 徑向基過程神經(jīng)網(wǎng)絡(luò)模型

徑向基過程神經(jīng)網(wǎng)絡(luò)為一種3層前饋結(jié)構(gòu)模型[4]，輸入層有n個節(jié)點單元(x1(t),x2(t),…,xn(t))，完成時間信號向網(wǎng)絡(luò)的過程輸入；中間徑向基過程神經(jīng)元隱層有m個節(jié)點，節(jié)點單元的變換函數(shù)是徑向基核函數(shù)K；網(wǎng)絡(luò)的輸出為隱層節(jié)點輸出信號的線性加權(quán)和∑，拓撲結(jié)構(gòu)如圖1所示。

Figure 1 RBF process neural network圖1 徑向基過程神經(jīng)網(wǎng)絡(luò)

(1)

其中,‖·‖為(C[0,T])n空間中的某一距離范數(shù),Zj(t)表示所有徑向基核中心函數(shù)組成的序列。

(2)

其中，σ為k個核中心函數(shù)的平均距離差，描述了信號集樣本的統(tǒng)計分布性質(zhì)，其計算方式如式(3)所示：

(3)

(4)

3 組合核函數(shù)徑向基過程神經(jīng)網(wǎng)絡(luò)

核函數(shù)組合的徑向基過程神經(jīng)網(wǎng)絡(luò)是將具有全局性質(zhì)的多項式核函數(shù)與高斯核函數(shù)進行線性組合，使新的核函數(shù)同時具有局部和全局的尺度性質(zhì)，以提高對復(fù)雜信號形態(tài)特征的表征能力和改善傳統(tǒng)徑向基核函數(shù)對時間信號過程特征的記憶和辨識性質(zhì)。

在時域空間中，多項式核函數(shù)定義如下：

Kploy(X(t),Y(t))=((X(t)·Y(t))+c)p

(5)

其中，p>0為指數(shù)參數(shù)最高次數(shù)，c為偏移量參數(shù)。

構(gòu)造一種多項式核函數(shù)與高斯核函數(shù)自適應(yīng)組合的核函數(shù)：

KMix(X(t),Y(t))=η·KPloy(X(t),Y(t))+

(1-η)·KGau(X(t),Y(t))

(6)

特別地，當(dāng)c=1時，Kploy(X(t),Y(t))=((X(t)·Y(t))+1)p，多項式核函數(shù)僅包含參數(shù)p。

式(4)中的核寬度參數(shù)和指數(shù)參數(shù)是通過對訓(xùn)練樣本集的學(xué)習(xí)自適應(yīng)確定的，因此，針對動態(tài)模式識別問題，組合核函數(shù)兼顧了系統(tǒng)時變信號特征描述的局部性和全局性，可提高BRFPNN對動態(tài)輸入樣本與核中心函數(shù)模態(tài)細節(jié)特征差異的表征和相似性度量能力。

在圖1所示的RBFPNN中，以式(4)表示的組合核函數(shù)為RBFPNN的徑向基核，基于組合核函數(shù)徑向基過程神經(jīng)網(wǎng)絡(luò)的模型圖如圖2所示：

Figure 2 A model of radial basis process neural network based on combined kernel function圖2 基于組合核函數(shù)的徑向基過程神經(jīng)網(wǎng)絡(luò)模型

其中，X(t)=(x1(t),x2(t),…,xn(t)),t=0,1,…,T為網(wǎng)絡(luò)的數(shù)據(jù)，則RBFPNN輸入輸出之間的映射關(guān)系為：

(7)

其中，zj(t)為第j個徑向基核中心函數(shù)，j=1,2,…,m；m為徑向基過程神經(jīng)元隱層節(jié)點數(shù)。模型的信息處理流程如下所示：

Step 1過程神經(jīng)網(wǎng)絡(luò)是時空聚合模式的實現(xiàn)，由于時間聚合不容易實現(xiàn)，因而選用walsh正交基函數(shù)代替時間聚合運算,選取一組基函數(shù)B(t)=(b1(t),b2(t),…,bL(t))，將X(t)的權(quán)值系數(shù)wj在基函數(shù)中展開作為徑向基過程神經(jīng)網(wǎng)絡(luò)的輸入和權(quán)值參數(shù),展開形式分別如式(8)和式(9)所示：

(8)

(9)

Step 2設(shè)置訓(xùn)練迭代次數(shù)及學(xué)習(xí)誤差參數(shù),初始化權(quán)值和閾值參數(shù)。

Step 3K表示組合核函數(shù)，將具有全局特征的多項式核函數(shù)與具有局部特征的高斯函數(shù)相結(jié)合構(gòu)成模型的核函數(shù)。

Step 4空間聚合運算選擇求和函數(shù)∑，權(quán)值函數(shù)為wj。

Step 5網(wǎng)絡(luò)的輸出如式(5)所示。

通過對訓(xùn)練集樣本的自適應(yīng)學(xué)習(xí)，組合核函數(shù)徑向基過程神經(jīng)網(wǎng)絡(luò)可更加完整地反映時變過程信號模態(tài)細節(jié)特征的變化，提高對特征的記憶存儲和辨識能力，降低機器模型的結(jié)構(gòu)風(fēng)險。

4 組合核函數(shù)RBFPNN的優(yōu)化求解

4.1 核中心函數(shù)的確定

實際應(yīng)用中，可利用廣義歐氏距離進行動態(tài)樣本間過程特征的相似性度量，采用動態(tài)聚類算法，例如K-means聚類算法[7]來確定RBFPNN核中心函數(shù)。首先根據(jù)廣義歐氏距離度量樣本之間的相似度，初始將聚類數(shù)設(shè)置為4，然后將聚類后產(chǎn)生的簇中心函數(shù)作為典型樣本，即將聚類結(jié)果確定的聚類數(shù)作為RBFPNN隱層的節(jié)點數(shù)，聚類中心函數(shù)作為徑向基核中心函數(shù)。核中心函數(shù)zj(t)的表達式如式(6)所示：

(10)

4.2 基于CGA的模型參數(shù)優(yōu)化求解算法

混沌遺傳算法CGA是一種融合遺傳算法進化機制和混沌搜索策略各自優(yōu)勢的智能算法[10,11]，具有群體搜索、軌道遍歷和全局優(yōu)化等性質(zhì)?；煦缢阉魇菍⒒煦鐮顟B(tài)引入優(yōu)化變量中，通過施加混沌擾動，使其在一定范圍內(nèi)按系統(tǒng)內(nèi)在規(guī)律不重復(fù)地遍歷所有狀態(tài)[12]?？紤]一種基于蟲口模型的混沌序列生成方法，以Logistic映射為發(fā)生器,按式(11)產(chǎn)生混沌序列：

δj+1=uδj(1-δj)

(11)

其中，u是混沌吸引子。當(dāng)u= 4時，系統(tǒng)進入混沌狀態(tài)，產(chǎn)生混沌變量δj(j=1,2,…，k)，其值在[0,1]內(nèi)變化。

CGA將混沌運動性質(zhì)結(jié)合進優(yōu)化變量的搜索中，對得到的混沌變量進行編碼，表示成染色體，并將它們置于問題的環(huán)境中，根據(jù)適者生存的原則進行選擇、混沌交叉、混沌變異等遺傳操作，通過遺傳迭代的不斷進化，最后收斂到可行解空間中一個最適應(yīng)環(huán)境的個體上，求得問題的全局最優(yōu)解。CGA算法具體實施步驟如下所示:

Step 1確定種群規(guī)模N，隨機生成初始種群G，采用十進制數(shù)對染色體進行編碼，每條染色體上基因數(shù)為待優(yōu)化的變量個數(shù)；設(shè)置最大迭代代數(shù)，訓(xùn)練誤差精度ε。

Step 2構(gòu)造適應(yīng)度函數(shù)。由于訓(xùn)練目標(biāo)為函數(shù)極小值優(yōu)化問題,適應(yīng)度函數(shù)取為fit=e-x，保證適應(yīng)度函數(shù)不為負數(shù)。

Step 3選擇操作。在G中采用輪轉(zhuǎn)規(guī)則選擇染色體，每個染色體的被選擇概率正比于其適應(yīng)度值。

Step 4混沌交叉。2條染色體按如下方式組合:ch′1=λch1+(1-λ)ch2,ch′2=λch2+(1-λ)ch1,其中λ∈(0,1)為混沌變量。一般地，當(dāng)λ=0.5時，交叉算子效果更好。定義交叉幅值λk，按下式確定λk=λδj+1。為使遍歷呈現(xiàn)雙向性,混沌變量δj+1按下式確定：δj+1=8δj(1-δj)-1。

(12)

Step 6若滿足終止條件,則保存最優(yōu)解停機；若不滿足，則轉(zhuǎn)Step 3。

優(yōu)化算法流程如圖3所示。

Figure 3 Flowchart of model parameter optimization solution圖3 模型參數(shù)優(yōu)化求解流程

5 仿真實驗分析

泵驅(qū)動的往復(fù)運動機械是工業(yè)制造和交通運輸?shù)阮I(lǐng)域廣泛使用的重要設(shè)備。一些情況下，由于機械工作環(huán)境變化大、使用情況復(fù)雜，常常導(dǎo)致額定的工作狀態(tài)發(fā)生改變，使設(shè)備產(chǎn)生故障[13]。準(zhǔn)確判斷機械當(dāng)前的工作狀況，及時對機械系統(tǒng)進行維護和工作參數(shù)調(diào)整，對于降低機械故障風(fēng)險具有重要的意義。在一個工作周期內(nèi)選取相同時間的位移和載荷值，由一個沖程的載荷隨位移變化關(guān)系所構(gòu)成的封閉曲線圖稱為往復(fù)運動機械的示功圖。位移-時間曲線和載荷-時間曲線以及它們的組合特征反映了示功圖所對應(yīng)的設(shè)備工作狀態(tài)，是分析判斷機械系統(tǒng)是否存在故障的重要依據(jù)。本文實驗數(shù)據(jù)來源于大慶油田機械裝備[13]，其井況參數(shù)設(shè)置為：泵徑為38 mm;泵沉沒為433.77 m,沖程為3 m;沖次為9 次/分。國內(nèi)外現(xiàn)有油井診斷系統(tǒng)大部分采用計算機診斷技術(shù)[14,15],示功圖由專門的儀器測量并畫在坐標(biāo)圖上，泵功圖特征的提取大多采用面積法和矢量法[16]。

在實際資料處理中，選取正常、游動凡爾漏失、碰泵、以及泵吸入和排出漏失等4種不同工作狀態(tài)的示功圖共134個樣本，典型示功圖樣本曲線如圖4～圖7所示。

Figure 4 Normal working condition圖4 正常工作情況

Figure 5 Floating Vernal leakage圖5 游動凡爾漏失

Figure 6 Bump pump圖6 碰泵

Figure 7 Pump suction and discharge leakage圖7 泵吸入和排出漏失

按比例分別選取30條游動凡爾漏失、25條碰泵、25條泵吸入和排出漏失和10條正常共90條信號樣本組成訓(xùn)練樣本集，測試集由其余44個樣本組成。由于設(shè)備檢測信號為離散采樣數(shù)據(jù)，采用Walsh正交函數(shù)系[8]進行函數(shù)擬合，基函數(shù)個數(shù)L為32時滿足精度0.05的擬合要求。以式(5)定義的組合核函數(shù)RBFPNN作為故障自動診斷器，以一個周期內(nèi)的位移-時間信號和載荷-時間信號作為網(wǎng)絡(luò)輸入，輸出為機械工作狀態(tài)。由于泵驅(qū)動的往復(fù)運動機械運行時有3種故障模式，加上正常情況，故組合核函數(shù)RBFPNN網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)[17]選擇如下：2個時間信號輸入節(jié)點，4個隱層節(jié)點單元，1個故障模式輸出節(jié)點。游動凡爾漏失情況輸出對應(yīng)0.25，碰泵情況對應(yīng)0.50，泵吸入和排出漏失情況對應(yīng)0.75，正常狀態(tài)對應(yīng)1.0。示功圖的實驗數(shù)據(jù)分布情況如表1所示。

Table 1 Indicator diagram data distribution

以某一條泵漏失信號為例，參數(shù)設(shè)置如表2所示。

Table 2 Take pump leakage signal as an example of parameter setting

表2顯示了一條泵漏失數(shù)據(jù)的參數(shù)設(shè)置，在實驗過程中主要參考泵效、沖程、沖次、沉沒度、最小電荷、最大電荷等參數(shù)的判別檢測。由表2得到的示功圖例如圖8所示。

Figure 8 Pump leakage indicator diagram圖8 泵漏失示功圖例

Table 3 Comparison of training and recognition results of the three models

實驗結(jié)果表明，本文建立的組合核函數(shù)RBFPNN診斷模型相比于PNN和RBFPNN診斷模型，在故障識別精度上有較大提高。這是由于在核函數(shù)構(gòu)造中，組合核函數(shù)采用復(fù)合分布函數(shù)來描述時間信號的數(shù)據(jù)分布特征，改善了診斷模型對復(fù)雜時間信號過程細節(jié)特征之間相似性度量性質(zhì)，較好地實現(xiàn)了對輸入信號模態(tài)特征更精確的辨識，達到了較為理想的結(jié)果。

6 結(jié)束語

本文提出了一種基于核函數(shù)組合的徑向基過程神經(jīng)網(wǎng)模型和算法。模型從結(jié)構(gòu)上擴展了對時變信號形態(tài)特征的表征和記憶功能，改善了RBFPNN對動態(tài)樣本復(fù)雜模態(tài)細節(jié)特征之間的相似性度量性質(zhì)，提高了分析模型對信號過程特征的捕獲和辨識能力，仿真實驗取得了較好結(jié)果。但是，由于組合核函數(shù)增加了尺度參數(shù)，使得網(wǎng)絡(luò)計算復(fù)雜度提高了，因此，如何改善模型學(xué)習(xí)效率是徑向基神經(jīng)網(wǎng)絡(luò)在時間維空間信號處理中下一步要研究的重要課題。