并行BP神经网络和BP-Adaboost集成学习管道故障识别方法分析

文/杨磊

当管道发生故障时，相关参数必然会发生变化。这些参数往往数量庞大且繁杂，导致单一BP 神经网络在识别故障时，由于负担过重而识别效率低下。基于此，本文主要分析了利用并行BP 神经网络和BP-Adaboost 集成学习算法对经过处理的数据进行故障信号识别的可行性。实验结果显示，本文所述的识别方法可有效提高故障信号识别率。

管道故障会引起管内介质和运行参数的变化，这些参数通常数量庞大且复杂，只有计算速度快且识别率高的算法才能准确判断出故障类别，进而帮助技术人员快速处理故障。因此，笔者首先对样本管道进行断铅、敲击、砂纸模拟实验，并使用信号传感器及时采集信号；其次，笔者对采集到的信号进行了变分模态分解（VMD），并求取样本熵；最后，笔者分别采用并行BP 神经网络和基于Adaboost 集成算法的BPAdaboost 强分类器对处理后的信号进行故障识别，并计算了故障信号识别率。

一、并行BP 神经网络管道故障识别方法

（一）并行BP 神经网络结构剖析

笔者采用变分模态分解方式处理了复杂的故障声发射信号，并结合样本熵和并行BP 神经网络结构对故障信号进行了精准识别。在并行BP 神经网络结构下，每一种故障只对应1 个BP 子网，且输入层节点数等于样本的特征维数。[1]在BP 子网结构中，每一个节点分别代表故障分向量中的一个分量。因此，本文中BP子网的输出层共对应3 个节点，分别代表可能发生的三种故障：断铅故障、敲击故障、砂纸故障（见图1）。

（二）管道故障识别

如果采用一对多的识别方式，那么基于并行BP 神经网络进行管道故障识别就是最佳的解决方案：技术人员可基于BP 神经网络将计算任务分配给多个处理器或计算机并行执行，从而减少计算时间并提高故障信号识别准确率。因此，针对断铅故障、敲击故障、砂纸故障，笔者分别选取了40 组训练样本（共120组训练样本）；再分别选取20组训练样本作为测试样本（共60组测试样本），每次测试仅识别其中的一种。[2]测试结果显示，在20 组断铅信号的测试样本中，共有19 组被识别出来，识别率为95%；20 组敲击信号的测试样本全部被识别出来，识别率为100%；在20 组砂纸信号的测试样本中，共有18 组被识别出来，识别率为90%。在本次测试中，故障信号识别率平均为95%，故障信号识别率处于较高水平。

二、基于BP-Adaboost 集成学习算法的管道故障识别方法

（一）神经网络集成的意义

随着现代运输方式的多样化发展，管道运输的优势日益凸显，运输介质的种类也更加丰富。在运输能力逐步提高的同时，管道故障检测方式也应进行创新和改良。目前，采用神经网络进行故障信号识别的方法已经被用于多个领域，但单一的神经网络识别方式依然存在工作量大、识别率低等问题，故笔者提出了集成的神经网络识别方式。集成的神经网络通常由多种类似BP 或PNN 的神经网络串联而成。这些神经网络之间的相关性相对较低，但其关联性又不可遭到忽视。另外，上一级的网络会将部分信息传递给下一级网络，下一级网络则根据上一级网络信息进行相应的调整。通过训练多个神经网络，故障信号识别率将进一步提高。[3]

（二）神经网络集成方法

Boosting 是一种集成学习算法，它可以将多个弱分类器组合成一个强分类器。例如，在信号类别识别过程中，Boosting 可以从训练样本集中学习一系列弱分类器，然后再将这些弱分类器组合成一个强分类器。Adaboost 是Boosting 的一个分支，它主要通过改变训练数据的权值分布来调整弱分类器的学习过程。在将多个弱分类器组合成一个强分类器时，Adaboost 会采用加权选择法来增加误差率较小的弱分类器的权值，以充分发挥其在选择过程中的作用[4]；减小误差率较大的弱分类器的权值，以弱化其在选择过程中的作用。如此一来，Adaboost 的分类性能将得到进一步提升。另外，Adaboost 还可以采用一种叫作“学习率”的参数来控制每个弱分类器的权重。简单来说，学习率是一个介于0 和1 之间的数，它决定了每个弱分类器对最终强分类器的贡献程度。学习率越小，代表每个弱分类器的贡献越少，技术人员只有配置更多弱分类器才能达到较好的效果；反之，技术人员只需要较少的弱分类器就能达到较好的效果。值得一提的是，Adaboost还具有优秀的泛化能力，这是因为Adaboost 是基于样本权重进行训练的，对噪声数据和异常值具有较强的鲁棒性。同时，由于Adaboost会不断调整样本权重以有效降低训练集上的错误率，它在测试集上同样具有较为理想的性能表现。

总而言之，Adaboost 是一种非常有效的集成学习方法，在信号类别识别等领域得到了广泛应用。通过不断调整样本权重和组合多个弱分类器，Adaboost 能构建出具有高准确率和强泛化能力的强分类器。

（三）基于BP-Adaboost 集成学习识别管道故障

与PNN 神经网络相比，BP 神经网络的故障信号识别率更高。因此，将BP 神经网络作为弱分类器与Adaboost 算法相结合，将故障信号训练样本反复迭代到BP神经网络的做法，可以有效预测多个样本的输出，进而形成由多个BP 神经网络弱分类器分类样本和Adaboost 算法构成的强分类器BP-Adaboost。[5]基于此，笔者按照如图2 所示的算法流程进行了故障信号识别实验。其间，笔者将处理后的原始训练样本输入Adaboost 集成网络以识别故障信号。集成网络接收到上一级网络的处理数据后就会自动调整权值，并识别被上一级网络错误处理的故障信号。也就是说，上一级网络未能处理的故障信号将在下一级网络中被识别。经过一系列串联网络的调整、识别后，笔者最终得到了有效的输出识别结果。

三、实验结果分析

在本文中，笔者分别采集了40 组断铅故障信号、40 组敲击故障信号以及40 组砂纸故障信号。部分训练程序如下所示：

实验结果显示，弱分类器的识别率为96.67%，强分类器的识别率为98.33%。由此可见，并行BP 神经网络管道故障识别方法通过将输入数据分成多个子集，再将其分配至不同的处理器或计算机上进行计算，有效提高了数据处理速度，减轻了信号类别识别负担。针对复杂信号，基于BPAdaboost 集成学习算法的管道故障识别方法主要通过反复迭代训练样本到BP 神经网络的方式来预测多个样本的输出结果，可有效提高故障信号识别率。