Page 52 - 无损检测2022年第八期

吴 东,等:
基于自适应移位平均降噪与 BP 神经网络的钢丝绳损伤识别

0.1 , 目标为0.001 , 设隐含层节点数为10 , BP 神经网
络结构如图 6 所示。
表 3 真断丝与伪断丝损伤信号归一化特征集
序号 峰峰值 波宽 波形下面积 是否断丝
1 0.488 0.164 0.161 1
2 0.157 0.138 0.087 0
3 0.004 0.000 0.000 0
4 0.127 0.133 0.072 0
图 5 断丝信号特征定义示意 5 0.142 0.153 0.050 0
越多, 峰峰值越大。 6 0.190 0.179 0.086 0
( 2 )波形宽度。钢丝绳断丝损伤信号的波宽是 7 0.584 0.141 0.197 1

指信号从发生突变到恢复平稳波动所经历的距离。 8 0.673 0.181 0.154 1
( 3 )波形下面积。钢丝绳断丝损伤信号的波形 9 0.674 0.132 0.187 1

10 0.850 0.118 0.206 1
下面积是指信号突变时钢丝绳信号波形和信号基准
11 0.124 0.150 0.039 0
线围成的面积。
12 0.090 0.085 0.038 0
4 基于 BP 神经网络的钢丝绳损伤定性识别 13 0.655 0.131 0.167 1
14 0.807 0.220 0.309 1
判断钢丝绳是否存在损伤, 实质上是建立钢丝 15 0.596 0.167 0.168 1
绳损伤与所提取到的信号特征的映射。以钢丝绳断 16 0.724 0.133 0.206 1
丝损伤为例, 在使用探伤仪对钢丝绳进行探伤时, 由 17 0.745 0.145 0.209 1
于手持探伤仪的力度、 速度不同, 在没有断丝的地方 18 0.612 0.148 0.185 1
也可能会存在断丝损伤信号, 称之为伪断丝。而在 19 0.204 0.178 0.100 0
漏磁信号中提取的峰峰值、 波形宽度、 波形下面积可 20 0.784 0.079 0.126 1
以作为真实断丝判断的指标。为了实现钢丝绳断丝
损伤的定性识别, 笔者使用 BP 神经网络建立断丝
与特征值之间的映射。
BP 神经网络是一种多层前馈神经网络 [ 12 ] , BP
神经网络处理过程主要分为两个阶段。第一个阶段
是信号的前向传播, 从输入层到隐藏层再到输出层。
第二个阶段是误差的反向传播, 从输出层到隐藏层
再到输入层 [ 13 ] 。前向传播计算 BP 神经网络的损失
函数, 反向传播对 BP 神经网络的层与层之间的权
重和偏置进行调节, 多次训练后, 使 BP 神经网络的
期望输出与实际输出逐渐吻合。
在 D=3 的噪声背景下, 采用钢丝绳漏磁信号 图 6 BP 神经网络结构
中获得的峰峰值、 波宽、 波形下面积等参数建立是否 图 6 中 w 表示层与层之间的连接权值, a 表示
各层的输出。先用训练集的数据训练 BP 网神经网
有断丝的特征集, 对样本进行归一化处理, 其中 20
组归一化后的真伪断丝损伤信号特征集如表 3 所 络, 当达到最大迭代次数或损失函数已达到指定阈
示, 表中 1 表示有真断丝, 0 表示有伪断丝, 表中参 值时训练结束。然后将测试集数据输入训练好的
数为归一化数值, 无单位。 BP 神经网络进行识别分类。
对建立的钢丝绳断丝和伪断丝样本按 3 : 1 的比 测试结果表明, BP 神经网络 的 识 别 准 确 率 为
例划分训练集和测试集, 并对断丝损伤识别网络的 95.71% 。重复上述过程, 对 D=4和 D=5的强噪声
参数初始化, 设置隐藏层激活函数为 Relu , 输出层 条件进行自适应移位降噪与数据提取, 并输入 BP 神
激活函数为 Si g mod 。设迭代次数为 500 , 学习率为 经网络进行识别, 其 识 别 准 确 率 分 别 为 99.60% 和
8
1
2022 年 第 44 卷 第 8 期

无损检测