CN105225223A - 基于小波分析和bp神经网络的复合材料损伤检测方法 - Google Patents

Abstract

本发明公开了一种基于小波分析和BP神经网络的复合材料损伤检测方法，采用小波分析算法中小波包分析预处理损伤信号，依据小波包分析算法对小波包分解系数进行重构，用小波包对损伤信号进行5层分解后，会得到32个频率成分，紧接着对小波包分解的系数进行重构，根据各个结点系数表示各阶的能量，得到小波包的能量谱图，选取小波包能量谱中能量值最大，即最为敏感的一阶能量值作为损伤特征向量，其次提取不同损伤状况的特征向量组成BP神网络的学习样本。本发明收敛速度较快，简单有效，经过学习训练后的BP神经网络具有复合材料损伤模式识别的能力，能准确地识别复合材料损伤及损伤程度大小，并能实现损伤定位。

Description

基于小波分析和BP神经网络的复合材料损伤检测方法

技术领域

本发明设计一种基于小波分析和BP神经网络的复合材料损伤检测方法，属于结构健康监测中的损伤信号识别处理技术领域。

背景技术

复合材料具有质量轻、强度高、耐腐蚀等优点，已经广泛于军事、航天、交通、电子电气、等领域。由于复合材料很容易遭受外来破坏而产生损伤，所以对复合材料进行损伤检测就显得很重要，目前对复合材料损伤信号高效的识别处理方法研究较少。

现有技术中，对复合材料的检测一般采用声发射法，检测声波一般采用Lamb波，由于Lamb波对损伤较敏感，且分析较容易，一般采用短时傅立叶变换、小波变换及上述的HHT变换等方法。常规傅里叶分析理论在时频联合分析方面存在局限，只能简单的将时域信号转化为频域信号，而不能得到具体频率段数据出现的时间，这在数据处理中具有严重弊端；HHT变换在分解复杂信号时存在求解结果精度不高、计算时间长的不足，同时还存在边端效应、越界问题、停止准则和虚假低频成分过滤的问题。短时傅里叶变换在提取包络时对设定的频率处效果较好，对其他频率的信号处理效果较差。小波变换能将数据分为n段处理，但是单纯的小波变换不够智能，需要专业人士才能识别信号，检测不方便。

发明内容

本发明所需要解决的技术问题是提供一种能够提取复合材料损伤信号，从中获得材料损伤特征向量的小波包能量谱分析方法，将不同损伤特征向量组成学习样本，进行BP神经网络学习训练形成具有复合材料损伤模式识别的神经网络，实现损伤识别和定位，以及损伤程度的判定。

为达到以上目的，本发明采用以下技术方案来实现。

一种基于小波分析和BP神经网络的复合材料损伤检测方法，包括以下步骤：

步骤(1)，采集复合材料损伤信号；

步骤(2)，构建提取损伤信号的小波分析算法，并获取小波包的能量谱,具体包括以下步骤：

S201，将复合材料损伤信号进行小波包分解，所述小波包分解的小波基为db小波，db小波的滤波长度和支集长度均为2N，小波基的消失矩阵阶数为N，能够使序列的扩展性很好，从而能够恰到好处地解决支集长度增加而导致的边界问题；

S202，设定小波的分解层数为5，损伤信号在频率轴分为32个频带，选取的小波阶数为4，基于db4小波进行小波包分析(小波包分析是指用小波包分解分析信号)；

S203，基于小波包分析对损伤信号进行5层分解，得到32个信号频率成分，并根据信号频率成分从低到高排列，对小波包分解的系数进行重构，计算各重构信号的能量，对于分解后的第5层，记各结点的重构系数为S_5,i，所述各结点重构系数表示小波各阶的能量，得到小波包的能量谱E_5,i:

$E_{5,i}=\∫|S_{5,i}{|}^{2}dt=\underset{k=1}{\overset{n}{\Σ}}|x_{i,k}{|}^2---\left(1\right)$

其中，i＝0,1,2,3...31，n为重构系数S_5,i的离散数据序列，x_i,k为重构系数S_5,i的离散的幅值(即每个频带内的能量)，为了方便分析求得各频段所占信号总能量的比值G_5,i：

$G_{5,i}=\frac{E_{5,i}}{{\left(\underset{i=0}{\overset{31}{\Σ}}\right|E_{5,i}{|}^2)}^{1/2}}---\left(2\right).$

步骤(3)：选取BP网络学习样本，并建立损伤识别BP神经网络模型，具体包括以下步骤，

选取小波包的能量谱中最大能量值作为损伤特征向量，提取不同损伤状况的特征向量组成BP神网络的学习样本；为了提高损伤识别的精度，选取小波包能量谱中最为敏感的一阶，即小波包的能量谱中最大能量值作为损伤特征向量。

选取含有一个隐含层的三层BP神经网络，输入层、输出层神经元节点数分别为4和3，学习样本数为24组，得到的隐含层节点数为16个，实现BP神经网络模型建模。

步骤(4)，复合材料损伤输出：经过M次训练后BP神经网络达到收敛，基于学习训练好BP神经网络对复合材料进行损伤检测，并输出损伤结果。

本发明与现有技术相比，具有以下优点和突出性效果：

1.本发明基于小波分析和BP神经网络的复合材料损伤检测方法解决了现有技术中常用单一小波分析损伤信号方法无法同时实现损伤识别、定位以及程度大小判定的问题，以及单一神经网络分析损伤信号时无法去除提取信号中的噪声问题，本发明能够放大信号分析信号的局部特征，具有很好的时频局部特性，能够获得比传统分析方法更多的信号特征，结合BP神经网络解决非线性问题，完成复合材料损伤检测识别；

2.本发明所提出的基于小波分析和BP神经网络结合算法先利用小波包分析预处理复合材料损伤信号得到损伤信号能量谱，提取特征向量，准确有效；

3.结合所设计的BP神经络模型，通过训练得到具有复合材料损伤识别模式功能的网络，实现损伤智能识别，解决一些非线性的问题，可同时完成损伤识别、定位和程度大小判定，有效可行。

附图说明

图1为本发明基于小波分析和BP神经网络的复合材料损伤检测方法流程图；

图2为本发明小波分析所得小波包能量谱图；

图3为本发明所构建的BP神经网络模型的训练结果图；

图4为构建的BP神经网络的训练测试结果图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

为了研究小波分析与BP神经网络算法结合在复合材料损伤检测的应用，首先进行复合材料冲击试验，主要研究的是冲击响应分析，在试验系统中当存在外界力或者是力矩的作用时，系统就会产生响应。根据系统响应的情况可以得出因外界应力场变化而引起被测物应变量的变化与光纤光栅传感器中心波长的变化之间的关系，这样可以利用光纤光栅传感器采集响应信号。

如图1所示，基于小波分析和BP神经网络的复合材料损伤检测方法，包括以下步骤：

步骤(1)，采集复合材料损伤信号，基于光纤光栅传感器采集损伤信号；

步骤(2)，构建提取损伤信号的小波分析算法，并获取小波包的能量谱,具体包括以下步骤：

S201，将复合材料损伤信号进行小波包分解，所述小波包分解的小波基为db小波，db小波的滤波长度和支集长度均为2N，小波基的消失矩阵阶数为N，能够使序列的扩展性很好，从而能够恰到好处地解决支集长度增加而导致的边界问题；

S202，设定小波的分解层数为5，损伤信号在频率轴分为32个频带，选取的小波阶数为4，基于db4小波进行小波分析；

S203，基于小波包分析对损伤信号进行5层分解，得到32个信号频率成分，并根据信号频率成分从低到高排列，对小波包分解的系数进行重构，计算各重构信号的能量，对于分解后的第5层，记各结点的重构系数为S_5,i，所述各结点重构系数表示小波各阶的能量，得到小波包的能量谱E_5,i:

$E_{5,i}=\∫|S_{5,i}{|}^{2}dt=\underset{k=1}{\overset{n}{\Σ}}|x_{i,k}{|}^2---\left(1\right)$

其中，i＝0,1,2,3...31，x_i,k为重构系数S_5,i的离散的幅值(即每个频带内的能量)，求得各频段所占信号总能量的比值G_5,i：

$G_{5,i}=\frac{E_{5,i}}{{\left(\underset{i=0}{\overset{31}{\Σ}}\right|E_{5,i}{|}^2)}^{1/2}}---\left(2\right).$

步骤(3)：选取BP网络学习样本，并建立损伤识别BP神经网络模型；

选取小波包的能量谱中最大能量值作为损伤特征向量，提取不同损伤状况的特征向量组成BP神网络的学习样本；

选取含有一个隐含层的三层BP神经网络，输入层、输出层神经元节点数分别为4和3，学习样本数为24组，得到的隐含层节点数为16个，实现BP神经网络模型建模。

为了提高损伤识别的精度，选取小波包能量谱中最为敏感的一阶，即最大的能量值作为损伤特征向量，接下来分别提取多种损伤状况下的损伤信号进行同样的小波包能量谱分析，将其所对应的特征向量组成BP神经网络的学习样本。

基于MATLAB编程得到损伤信号的小波包能量谱如图2所示，能量谱中32阶能量值，根据频段从低到高排列，为了提高损伤识别的准确性，选取能量值最高的一阶做为损伤特征向量。之后分别提取不同损伤工况下对应的损伤特征向量组成BP神经网络的学习样本，共24组数据，进行数据归一化后结果显示在表1中。

表1BP神经网络的学习样本数据归一化后结果

选取小波包的能量谱中最大能量值，即最为敏感的一阶能量值作为损伤特征向量，提取不同损伤状况的特征向量组成BP神网络的学习样本；

选取含有一个隐含层的三层BP神经网络，输入层、输出层神经元节点数分别为4和3，学习样本数为24组，得到的隐含层节点数为16个，实现BP神经网络模型建模。

表1中包含BP神经网的输入输出值，这些样本数据将用于BP神经网络的学习训练，以得到具有复合材料损伤模式识别的神经网络。基于学习样本以及拟解决的复合材料损伤识别问题，选取含有一个隐含层的3层BP神经网络，输入输出层神经元节点数分别为4和3，学习样本数为24组，得到的隐含层节点数为16个。基于MATLAB编程实现的BP神经网络代码如下：

threshold＝[01；01；01；01]；

net＝newff(threshold,[163],{'logsig','logsig'},'trainrp')；

net.trainParam.epochs＝2000；

net.trainParam.goal＝0.01；

LP.lr＝0.08；

net＝train(net,P,T)；

其中threshold是用于规定网络输入向量的最大最小值，共四个输入量，最大值为1，最小值为0；16表示隐含层节点数为16个，3表示输出层节点数为3即三个输出量；两个函数'logsig'分别表示的是隐含层传递函数与输出层传递函数；'trainrp'表示的网络训练函数，为弹性梯度下降算法。网络的训练次数设为2000次，训练目标为0.01，学习速率为0.08，最后创建网络net，P,T分别表示输入向量和目标向量。

步骤(4)，复合材料损伤输出：经过564次训练后BP神经网络达到收敛，其训练结果如图3所示。基于学习训练好BP神经网络对复合材料进行损伤检测，并输出损伤结果。基于另外采集的12组复合材料板冲击响应试验数据对BP神经网络进行测试，得到网络的测试数据与期望值的误差曲线图如图4所示。从测试数据结果与期望值的误差曲线图发现，12组测试结果与网络期望值都非常接近，说明基于小波包分析和BP神经网络结合的信号处理算法能够准确完成复合材料板的损伤检测，而且误差较小在±0.06以内，说明运用此方法进行复合材料损伤检测是有效可行的。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.基于小波分析和BP神经网络的复合材料损伤检测方法，其特征在于，包括以下步骤：

步骤(1)，采集复合材料损伤信号；

步骤(2)，构建提取损伤信号的小波分析算法，并获取小波包的能量谱；

步骤(3)：选取BP网络学习样本，并建立损伤识别BP神经网络模型；

步骤(4)，复合材料损伤输出：经过M次训练后BP神经网络达到收敛，基于学习训练好BP神经网络对复合材料进行损伤检测，并输出损伤结果。

2.根据权利要求1所述的基于小波分析和BP神经网络的复合材料损伤检测方法，其特征在于，

所述步骤(2)，构建提取损伤信号的小波分析算法，并获取小波包的能量谱,具体包括以下步骤：

S201，将复合材料损伤信号进行小波包分解，所述小波包分解的小波基为db小波，db小波的滤波长度和支集长度均为2N，小波基的消失矩阵阶数为N；

S202，设定小波的分解层数为5，损伤信号在频率轴分为32个频带，选取的小波阶数为4，基于db4小波进行小波包分析；

S203，基于小波包分析对损伤信号进行5层分解，得到32个信号频率成分，并根据信号频率成分从低到高排列，对小波包分解的系数进行重构，计算各重构信号的能量，对于分解后的第5层，记各结点的重构系数为S_5,i，所述各结点重构系数表示小波各阶的能量，得到小波包的能量谱E_5,i:

$E_{5,i}=\∫|S_{5,i}{|}^{2}dt=\underset{k=1}{\overset{n}{\Σ}}|x_{i,k}{|}^2---\left(1\right)$

其中，i＝0,1,2,3...31，x_i,k为重构系数S_5,i的离散的幅值，计算获取各频段所占信号总能量的比值G_5,i：

$G_{5,i}=\frac{E_{5,i}}{{\left(\underset{i=0}{\overset{31}{\Σ}}\right|E_{5,i}{|}^2)}^{1/2}}---\left(2\right).$

3.根据权利要求1所述的基于小波分析和BP神经网络的复合材料损伤检测方法，其特征在于，

所述步骤(3)选取BP网络学习样本，并建立损伤识别BP神经网络模型，具体包括以下步骤，

选取小波包的能量谱中最大能量值作为损伤特征向量，提取不同损伤状况的特征向量组成BP神网络的学习样本；

选取含有一个隐含层的三层BP神经网络，输入层、输出层神经元节点数分别为4和3，学习样本数为24组，得到的隐含层节点数为16个，实现BP神经网络模型建模。