CN111310686B - 一种ipso-bp神经网络的钢丝绳断丝损伤识别方法 - Google Patents
一种ipso-bp神经网络的钢丝绳断丝损伤识别方法 Download PDFInfo
- Publication number
- CN111310686B CN111310686B CN202010114490.3A CN202010114490A CN111310686B CN 111310686 B CN111310686 B CN 111310686B CN 202010114490 A CN202010114490 A CN 202010114490A CN 111310686 B CN111310686 B CN 111310686B
- Authority
- CN
- China
- Prior art keywords
- wire rope
- steel wire
- damage
- signal
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/14—Classification; Matching by matching peak patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
一种IPSO‑BP神经网络的钢丝绳断丝损伤识别方法,提出了一种改进粒子群优化算法(IPSO)的BP神经网络识别方法,通过采集钢丝绳断丝损伤信号,提取缺陷信号特征,用损伤信号的峰值、峰峰值、波宽、波形下面积和波动能量5个特征值组成特征向量作为神经网络输入量,断丝数量作为网络的输出量,同时利用改进粒子群算法IPSO对BP神经网络的权值和阈值进行优化,实现对钢丝绳断丝损伤的精确定位和快速识别。本发明可提高钢丝绳缺陷识别神经网络的泛化能力,实现对钢丝绳安全隐患预测、预防和预控,为承载钢丝绳损伤检测提供可靠的技术手段。
Description
技术领域
本发明属于传感器检测技术领域,涉及到信号智能检测与识别,以及人工神经网络技术。
背景技术
钢丝绳作为提升、起重和牵引系统中的承载构件,在冶金、矿山、煤炭、建筑、港口、石油钻探领域,以及机械行业、空中旅游架空索道、斜拉桥、电梯行业有着极为广泛的应用。在使用过程中,由于受到磨损、锈蚀、疲劳、冲击等因素影响,钢丝绳不可避免地会产生各种损伤,从而导致承载能力降低,甚至突然断裂造成人员的死亡、伤亡重大事故发生。因此,钢丝绳的智能诊断、安全检测与定量识别成为亟待解决的问题,实现钢丝绳在线检测具有十分重要的意义。
传统的钢丝绳断丝损伤的定量识别方法多采用基于统计模式识别的超门限决策方法,门限值的选择依靠人的经验,易造成漏检。BP(Back Propagation,反向传播)神经网络是一种模式识别方法,具有自组织、自适应和自学习能力,能实现钢丝绳断丝信号特征值与断丝数之间的非线性映射,适合解决诸如钢丝绳定量识别等难题。早期对钢丝绳检测的研究是通过构建4输入1输出的BP神经网络模型,明显钢丝绳断丝识别率较传统方法高;近年来研究人员采用Radial Basis Function(RBF,径向基函数)-BP组合神经网络,实现对钢丝绳断丝定量识别,结果表明组合网络预测精度较高。
发明内容
本发明的目的是针对现有技术的不足,提出一种IPSO(improved particle swarmoptimization,改进的粒子群优化算法)-BP神经网络的钢丝绳断丝损伤识别方法,对钢丝绳断丝信号特征量进行准确提取,用改进的非线性自适应惯性权重粒子群优化算法与BP神经网络相结合,从而实现钢丝绳断丝损伤识别模型高精度快速识别。
本发明是通过以下技术方案实现的。
本发明所述的一种IPSO-BP神经网络的钢丝绳断丝损伤识别方法,包括以下步骤:
(S01):构建钢丝绳断丝损伤信号采集系统,采用磁敏霍尔传感器将钢丝绳周围的漏磁信号转为电信号,反演钢丝绳上的断丝损伤情况;
(S02):钢丝绳断丝信号特征提取,采用小波分析方法对步骤(S01)采集到的电信号进行去噪,准确提取钢丝绳断丝损伤信号特征量,以反映钢丝绳断丝损伤的信息;
(S03):设计非线性自适应惯性权重,改进粒子群优化算法,强化全局搜索能力和细化局部搜索能力;
(S04):构建IPSO-BP神经网络钢丝绳断丝损伤识别方法;
(S05):IPSO-BP神经网络钢丝绳断丝损伤识别方法在钢丝绳断丝检测上应用,与传统PSO、BP神经网络识别精度、识别效率、误差对比分析。
本发明的具体实现步骤如下:
步骤1:构建钢丝绳断丝损伤信号采集系统。
钢丝绳是由众多钢丝捻制而成的承载构件,其磁导率较高,励磁装置中的永磁体将钢丝绳励磁至饱和状态,霍尔元件将钢丝绳周围的磁信号转为电信号,通过后续对该电信号处理与分析,反演钢丝绳上的断丝损伤情况。
所述的钢丝绳断丝损伤信号采集系统如图1所示,包括励磁装置、霍尔元件、信号放大模块、A/D转换模块、嵌入式处理器、外部数据存储器、LCD显示屏、上位机等。霍尔元件依次连接到信号放大模块、A/D转换模块、嵌入式处理器,嵌入式处理器分别连接到外部数据存储器、LCD显示屏、上位机。
步骤2:钢丝绳断丝损伤信号特征提取。
(1)去噪:采集系统采集到的钢丝绳漏磁信号中包含以股波信号为主的背景噪声以及高频随机噪声,采用小波去噪,即通过小波变换对信号进行多尺度分析,采用db8小波基函数将采集到的信号进行5层分解,对小波分解的高、低频系数都进行阈值量化处理。钢丝绳断丝损伤原始信号及小波重构信号的三维图如图2所示。
(2)提取钢丝绳断丝损伤信号特征量:钢丝绳断丝损伤信号的峰和两个谷组成一个波动,钢丝绳断丝损伤二维信号波形如图3所示。通过提取钢丝绳断丝损伤信号的特征量,即损伤信号的峰值、损伤信号的峰峰值、损伤信号的波宽、损伤信号波形的面积、损伤信号的波动能量,作为钢丝绳断丝识别模型的输入。
假设N为钢丝绳断丝损伤信号一个波动的采样点个数,X(n)为n处信号的幅值,提取的损伤信号特征量及计算方法为:
1)损伤信号的峰值:由于断丝附近存在信号局部峰值,这部分信号峰值常常高于正常钢丝绳的股波漏磁信号。因此,可根据一个捻距内峰值的大小粗略判断该捻距内有无断丝及断丝的位置。损伤信号的峰值计算公式为:
Up=max{X(n)},n=1,2,…,N (1)
2)损伤信号的峰峰值:为局部异常信号波峰值与波谷值之差的绝对值。先找到局部断丝信号的极大值和极小值,然后计算信号的峰峰值。该因素消除信号轴线所产生的影响,可粗略判断钢丝绳断丝的根数。损伤信号的峰峰值计算公式为:
Up-p=|max{X(n)}-min{X(n)}|,n=1,2,…,N (2)
3)损伤信号的波宽:为了更好地描述缺陷信号的状态以及钢丝绳损伤的程度,除考虑幅度方面的因素外,还应考虑空间分布情况。波宽是衡量损伤宽度的主要指标,同一位置不同的断丝根数会引起波宽的不一致。阈值电压Vy处的波宽计算公式为:
4)损伤信号的波形面积:为局部断丝信号一个波动信号下的面积,综合反映峰值和波宽两方面信息,用来表征缺陷的幅度和深度。波形下的面积计算公式为:
5)损伤信号的波动能量:为一个波动内的能量,能量的增大表明传感器可能处于被测钢丝绳段的缺陷附近。波动能量计算公式为:
步骤3:用改进的粒子群算法优化BP神经网络。
相关的概念及原理描述:
(1)BP神经网络拓扑结构
BP神经网络是一种典型的多层前向型神经网络,由输入层、隐含层、输出层构成,其学习过程是由信息的正向传播和误差的反向传播两个过程组成。外界的输入信息通过输入层、隐含层和输出层的计算后得到网络输出的实际结果;当实际结果和期望结果不符合时,则按误差梯度下降的方式修正各层权值和阈值,并向隐含层和输入层反向传播。通过这种不断的正向传播和误差梯度反向传播学习过程调整各节点之间的权值和阈值,直到网络输出与实际输出结果误差达到设定的精度或者是学习达到预先设定的次数。
BP神经网络拓扑结构如图4所示,其中输入层有m个神经单元,隐含层有p个神经单元,输出层有n个神经单元。根据神经单元输出信号的计算公式,可以得到隐含层各个神经单元的输出为:
式中,wij是输入层神经单元i和隐含层神经单元j之间的权重;bj是隐含层神经单元j的阈值;f()是隐含层神经单元的传递函数。
同理,得到输出层各个神经单元的输出为:
式中,wjk是隐含层神经单元j和输出层神经单元k之间的权重;θk是输出层神经单元k的阈值;ψ()是输出层神经单元的传递函数。
(2)粒子群优化算法
粒子群优化算法,简称PSO(Particle Swarm Optimization)算法,是一种群优化算法,在粒子群算法中,每个粒子的特征由位置、速度和适应度值三个指标来表示。在每次的迭代过程中,粒子通过两个最优值来跟踪自身,第一个是每个粒子所经过的位置中通过适应度函数计算的适应度值最优位置即个体最优值pbest,另一个是整个群体中所有粒子搜寻到的最优适应度值所对应的位置即群体最优值gbest。粒子每更新一个位置,就根据适应度函数来计算相应的适应度值,并且通过比较新的粒子的适应度值和个体最优值、群体最优值的适应度值来更新个体最优值极值和群体最优极值的位置,直到适应度达到设定要求或达到最大迭代次数,输出群体最优位置,作为求解空间中的最优解。
设寻优空间是一个D维空间,共有n个粒子,第i个粒子位置为Xi=(xi1,xi2,…,xiD),该粒子的速度表示为Vi=(vi1,vi2,…,viD);个体最优值为Pi=(pi1,pi2,…,piD);整个种群的全局最优值为Pg=(pg1,pg2,…,pgD)。在进化过程中,每个粒子更新自身位置和速度,公式如下:
式中,d=1,2,…D;w为惯性权重;k为当前迭代次数;c1和c2均为大于零的常数,分别称为为个体因子和社会因子;r1和r2为[0,1]之间的随机数。
(3)非线性自适应惯性权重
惯性权重w体现的是当前迭代次数粒子的速度多达程度继承前一次迭代次数的位置。惯性权重w越大,有较高的全局搜索能力,较低的局部搜索能力,种群的多样性越高;而惯性权重w越小,局部寻优能力越强,全局寻优能力越弱,种群多样性越低。针对钢丝绳断丝损伤与漏磁信号映射这类高度非线性复杂问题时,线性递减惯性权重并不能很好地收敛,因此,本发明采用改进的非线性惯性权重。在迭代初期,非线性惯性权重有较大的值,全局搜索能力强;而在迭代后期,较小的惯性权重具有良好的局部搜索能力。
具体地说,包括以下步骤:
(1)改进的粒子群优化算法(improved particle swarm optimization,IPSO)在权重调整后的计算公式如下:
式中,ws为惯性权重的初始值;we为达到最大迭代次数的惯性权重;t为当前迭代次数;T为设定的最大迭代次数;α为调整系数。不同调整系数下惯性权重随迭代次数的变化关系如图5所示。
(2)BP神经网络的优化
针对传统BP网络收敛慢,易陷入局部最优的缺点,以BP网络的均方误差函数作为粒子群算法的适应度函数,采用自适应非线性惯性权重,寻找PSO算法中适应度值最小的粒子,并将此粒子的位置矢量作为BP神经网络的权值和阈值。
步骤4:构建IPSO-BP神经网络钢丝绳断丝损伤识别方法。
IPSO-BP神经网络钢丝绳断丝损伤识别方法的实现流程如图6所示,主要涉及以下操作步骤:
(1)确定BP拓扑结构,对提取的钢丝绳特征值进行归一化处理,并将归一化处理后的特征值和断丝数组成特征向量,构成训练集样本和测试集样本输入神经网络。
(2)初始化粒子群参数,设定ws,we,种群规模,最大迭代次数T,当前迭代次数t,调整系数α等。
(3)选用误差函数:
为粒子群优化算法适应度函数。其中,n为训练样本的个数;ok为第k个样本的输出值;tk为第k个样本的目标值。通过适应度函数计算适应度值确定粒子的优劣,将每个粒子的个体最优位置设置为pbest;将整个群体经历的最优位置设置为gbest。
(4)根据公式(8)更新每个粒子的速度和位置,并重置超出搜索空间的粒子位置。
(5)计算更新后的粒子的适应度值,更新每个粒子的个体最优位置和群体最优位置。
(6)判断是否满足终止条件,终止条件为是否达到最大迭代次数或适应度值满足设定精度要求。若满足终止条件,则停止搜索,输出群体最优位置,执行(7);否者返回(4)继续搜索。
(7)将群体最优位置转变为BP网络对应的权值和阈值,对网络进行训练,同时更新网络权值和阈值,达到训练要求,则训练完毕。将测试集样本输入网络,得到网络的测试结果。
步骤5:IPSO-BP神经网络损伤识别方法在钢丝绳断丝检测上应用与性能分析。
(1)应用:建立IPSO-BP网络模型,输入层的输入信号为钢丝绳断丝损伤信号的特征量;输出层的输出信号为断丝数量。构建训练样本集,通过训练样本训练IPSO-BP神经网络。然后将训练好的IPSO-BP神经网络用于检测钢丝绳断丝损伤,输出层输出即为检测结果。详见具体实施方式。
(2)性能分析:分别建立标准BP网络、线性递减惯性权重PSO优化的BP网络、非线性惯性权重IPSO优化的BP网络。用相同的训练样本进行分别训练三种网络,然后将相同的测试样本输入到三种网络。通过训练过程、测试过程及测试结果分析PSO-BP神经网络损伤识别方法的性能。详见具体实施方式。
本发明在构建钢丝绳断丝损伤信号采集系统基础上,提出了改进的粒子群优化算法(-IPSO)-BP神经网络钢丝绳断丝定量识别方法,解决了传统BP神经网络收敛速度慢,识别精度不高、泛化性能差等问题,从而使钢丝绳断丝识别更为可靠和有效。
附图说明
图1为钢丝绳断丝损伤信号采集系统。
图2为钢丝绳断丝损伤原始信号及小波重构信号三维图。其中(a)为断丝损伤原始信号,(b)为断丝损伤小波重构信号。
图3为钢丝绳断丝损伤二维信号波形。
图4为BP神经网络示意。
图5为惯性权重随迭代次数的变化关系。
图6为钢丝绳断丝损伤IPSO-BP算法流程图。
图7为IPSO-BP神经网络识别精度和误差对比分析,其中(a)标准BP神经网络;(b)线性惯性权重PSO优化的BP网络;(c)非线性惯性权重IPSO优化的BP网络;(d)三种神经网络绝对误差对比。
图8为IPSO-BP神经网络算法最佳适应度变化曲线。
具体实施方式
本发明在构建钢丝绳断丝损伤信号采集系统,提取钢丝绳断丝损伤信号特征量基础上,针对传统BP网络收敛慢,陷入局部最优的缺点,以BP网络的均方误差函数作为粒子群优化算法的适应度函数,提出了改进的非线性自适应惯性权重粒子群算法,寻找PSO算法中适应度值最小的粒子,并将此粒子的位置矢量作为BP神经网络的权值和阈值,来优化BP网络,提高了神经网络的泛化能力,从而使钢丝绳断丝识别更为可靠和高效。以下将结合附图,通过实施实例作进一步说明。
(1)钢丝绳断丝损伤IPSO-BP算法参数设定
1)初始化粒子群参数,设定ws=0.9,we=0.4,种群规模为20,最大迭代次数为500次,粒子速度范围为[-1,1],粒子位置范围为[-5,5],粒子维数设定为网络的权值和阈值数量之和。
2)建立IPSO-BP网络模型结构为5-6-1,输入层为钢丝绳断丝损伤信号的5个特征量;隐含层节点个数为6;输出层输出为断丝数量。隐含层传递函数为tansig;输出层传递函数为purelin;训练函数采用trainlm,采用LM算法训练神经网络。
3)网络最大迭代次数为1000次,学习率为0.01,训练精度为0.001,训练样本180个,测试样本20个(部分测试样本钢丝绳断丝特征参数如表1所示)。
表1部分测试样本信号特征参数
4)调整系数α取0.003。分别建立标准BP网络、线性递减惯性权重PSO优化的BP网络、非线性惯性权重IPSO优化的BP网络,分别用相同训练样本进行训练,然后将20组测试样本输入到网络。
(2)钢丝绳断丝损伤IPSO-BP算法识别结果与分析
钢丝绳断丝识别结果如图7所示,最佳适应度变化曲线如图8所示。
从图7和图8中可以看出,标准BP网络出现了较大的测试误差,对断丝的识别精度相对较低,而采用粒子群算法优化的BP网络识别精度都有提高,本发明改进的非线性自适应惯性权重优化的BP网络,测试精度高于线性递减惯性权重优化的BP网络,而且迭代寻优速度更快,粒子的最佳适应度更低接近于0,而线性权重的粒子群优化算法陷入局部最优,最低适应度值在2左右。BP网络最大绝对误差为0.5651,PSO-BP最大绝对误差为0.1134,IPSO-BP最大绝对误差为0.0336。
Claims (3)
1.一种IPSO-BP神经网络的钢丝绳断丝损伤识别方法,其特征是包括以下步骤:
(S01):构建钢丝绳断丝损伤信号采集系统,采用磁敏霍尔传感器将钢丝绳周围的漏磁信号转为电信号,反演钢丝绳上的断丝损伤情况;
(S02):钢丝绳断丝信号特征提取,采用小波分析方法对步骤(S01)采集到的电信号进行去噪,准确提取钢丝绳断丝损伤信号特征量,以反映钢丝绳断丝损伤的信息;
(S03):设计非线性自适应惯性权重,改进粒子群优化算法,优化BP神经网络;
(S04):构建IPSO-BP神经网络钢丝绳断丝损伤识别方法;
(S05):IPSO-BP神经网络钢丝绳断丝损伤识别方法在钢丝绳断丝检测上应用,与传统PSO、BP神经网络识别精度、识别效率、误差对比分析;
步骤(S02)所述的钢丝绳断丝损伤信号特征提取,按以下步骤:
(1)去噪:通过小波变换对信号进行多尺度分析,采用db8小波基函数将采集到的信号进行5层分解,对小波分解的高、低频系数都进行阈值量化处理;
(2)提取钢丝绳断丝损伤信号特征量:提取钢丝绳断丝损伤信号的特征量,包括损伤信号的峰值、损伤信号的峰峰值、损伤信号的波宽、损伤信号波形的面积、损伤信号的波动能量,作为钢丝绳断丝识别模型的输入;
假设N为钢丝绳断丝损伤信号一个波动的采样点个数,X(n)为n处信号的幅值,提取的损伤信号特征量及计算方法为:
1)损伤信号的峰值:根据一个捻距内峰值的大小粗略判断该捻距内有无断丝及断丝的位置,其计算公式为:
Up=max{X(n)},n=1,2,…,N (1)
2)损伤信号的峰峰值:先找到局部断丝信号的极大值和极小值,然后计算信号的峰峰值,其损伤信号的峰峰值计算公式为:
Up-p=|max{X(n)}-min{X(n)}|,n=1,2,…,N (2)
3)损伤信号的波宽:阈值电压Vy处的波宽计算公式为:
4)损伤信号的波形面积:波形下的面积计算公式为:
5)损伤信号的波动能量:为一个波动内的能量,能量的增大表明传感器可能处于被测钢丝绳段的缺陷附近,波动能量计算公式为:
步骤(S03)所述的改进粒子群优化算法,优化BP神经网络,包括以下步骤:
(1)改进的粒子群优化算法在权重调整后的计算公式如下:
式中,ws为惯性权重的初始值;we为达到最大迭代次数的惯性权重;t为当前迭代次数;T为设定的最大迭代次数;α为调整系数;
(2)BP神经网络的优化
以BP网络的均方误差函数作为粒子群算法的适应度函数,采用自适应非线性惯性权重,寻找PSO算法中适应度值最小的粒子,并将此粒子的位置矢量作为BP神经网络的权值和阈值。
2.根据权利要求1所述的一种IPSO-BP神经网络的钢丝绳断丝损伤识别方法,其特征是步骤(S03)所述的构建IPSO-BP神经网络钢丝绳断丝损伤识别方法,按如下步骤:
(1)确定BP拓扑结构,对提取的钢丝绳特征值进行归一化处理,并将归一化处理后的特征值和断丝数组成特征向量,构成训练集样本和测试集样本输入神经网络;
(2)初始化粒子群参数,设定ws,we,种群规模,最大迭代次数T,当前迭代次数t,调整系数α;
(3)选用误差函数:
为粒子群优化算法适应度函数;其中,n为训练样本的个数;ok为第k个样本的输出值;tk为第k个样本的目标值;通过适应度函数计算适应度值确定粒子的优劣,将每个粒子的个体最优位置设置为pbest;将整个群体经历的最优位置设置为gbest;
(4)根据公式(8)更新每个粒子的速度和位置,并重置超出搜索空间的粒子位置;
(5)计算更新后的粒子的适应度值,更新每个粒子的个体最优位置和群体最优位置;
(6)判断是否满足终止条件,终止条件为是否达到最大迭代次数或适应度值满足设定精度要求;若满足终止条件,则停止搜索,输出群体最优位置,执行(7);否则 返回(4)继续搜索;
(7)将群体最优位置转变为BP网络对应的权值和阈值,对网络进行训练,同时更新网络权值和阈值,达到训练要求,则训练完毕;将测试集样本输入网络,得到网络的测试结果。
3.根据权利要求1所述的一种IPSO-BP神经网络的钢丝绳断丝损伤识别方法,其特征是步骤(S05)所述的IPSO-BP神经网络损伤识别方法在钢丝绳断丝检测上应用与性能分析为:
(1)建立IPSO-BP网络模型,输入层的输入信号为钢丝绳断丝损伤信号的特征量;输出层的输出信号为断丝数量;构建训练样本集,通过训练样本训练IPSO-BP神经网络;然后将训练好的IPSO-BP神经网络用于检测钢丝绳断丝损伤,输出层输出即为检测结果;
(2)分别建立标准BP网络、线性递减惯性权重PSO优化的BP网络、非线性惯性权重IPSO优化的BP网络;用相同的训练样本进行分别训练三种网络,然后将相同的测试样本输入到三种网络;通过训练过程、测试过程及测试结果分析PSO-BP神经网络损伤识别方法的性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010114490.3A CN111310686B (zh) | 2020-02-25 | 2020-02-25 | 一种ipso-bp神经网络的钢丝绳断丝损伤识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010114490.3A CN111310686B (zh) | 2020-02-25 | 2020-02-25 | 一种ipso-bp神经网络的钢丝绳断丝损伤识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111310686A CN111310686A (zh) | 2020-06-19 |
CN111310686B true CN111310686B (zh) | 2022-03-29 |
Family
ID=71146036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010114490.3A Active CN111310686B (zh) | 2020-02-25 | 2020-02-25 | 一种ipso-bp神经网络的钢丝绳断丝损伤识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310686B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711873B (zh) * | 2020-12-09 | 2021-09-21 | 中国人民解放军国防科技大学 | 基于兰姆波和神经网络进行损伤定位的方法及系统、介质 |
CN112731019B (zh) * | 2020-12-21 | 2022-10-14 | 合肥工业大学 | 一种anpc三电平逆变器故障诊断方法 |
CN112991322A (zh) * | 2021-04-08 | 2021-06-18 | 新沂慧科智能科技有限公司 | 一种非接触式的电梯钢筋绳缺陷检测方法 |
CN114330122B (zh) * | 2021-12-28 | 2024-05-24 | 东北电力大学 | 一种基于机器学习的水轮发电机组大轴轴线调整方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5198765A (en) * | 1990-11-07 | 1993-03-30 | Walt Nicolaas T Van Der | Method of and apparatus for simultaneously testing a wire rope for multiple defects |
CN102590247A (zh) * | 2012-03-05 | 2012-07-18 | 上海海事大学 | 一种基于x光图像处理技术的钢丝绳损伤检测方法 |
CN109858191A (zh) * | 2019-03-13 | 2019-06-07 | 江西理工大学 | 一种广义混沌同步系统构建与电路设计方法 |
CN110231395A (zh) * | 2019-06-30 | 2019-09-13 | 华中科技大学 | 一种钢丝绳断丝损伤识别方法及系统 |
-
2020
- 2020-02-25 CN CN202010114490.3A patent/CN111310686B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5198765A (en) * | 1990-11-07 | 1993-03-30 | Walt Nicolaas T Van Der | Method of and apparatus for simultaneously testing a wire rope for multiple defects |
CN102590247A (zh) * | 2012-03-05 | 2012-07-18 | 上海海事大学 | 一种基于x光图像处理技术的钢丝绳损伤检测方法 |
CN109858191A (zh) * | 2019-03-13 | 2019-06-07 | 江西理工大学 | 一种广义混沌同步系统构建与电路设计方法 |
CN110231395A (zh) * | 2019-06-30 | 2019-09-13 | 华中科技大学 | 一种钢丝绳断丝损伤识别方法及系统 |
Non-Patent Citations (6)
Title |
---|
《Feature Extraction and Analysis of Magnetic Non-destructive Testing for Wire Rope》;Xiaoyong Zhong等;《2012 Third International Conference on Digital Manufacturing & Automation》;20120913;第418-421页 * |
《Hodgkin-Huxley模型的心脏浦肯野纤维弱忆阻机理研究》;吴政泽等;《江西理工大学学报》;20181031;第39卷(第5期);第85-89+102页 * |
《Research on application of wavelet denoising into broken wire damage detection of mine steel wire rope》;Yu-Fang Wang;《2016 35th Chinese Control Conference (CCC)》;20160829;第6644-6648页 * |
《基于STM32的钢丝绳缺陷定量检测系统设计》;钟小勇等;《自动化与仪表》;20190531;第34卷(第5期);第56-59页 * |
《基于漏磁检测机理的钢丝绳小缺陷精确化识别系统研究》;钟小勇等;《计算机测量与控制》;20200131;第28卷(第1期);第195-199页 * |
《钢丝绳断丝损伤识别方法研究》;李丹丹;《中国优秀硕士学位论文全文数据库》;20191031;工程科技Ⅰ辑B021-20 * |
Also Published As
Publication number | Publication date |
---|---|
CN111310686A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310686B (zh) | 一种ipso-bp神经网络的钢丝绳断丝损伤识别方法 | |
CN113723010B (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN107917734B (zh) | 基于温度和电阻的光缆故障预测方法 | |
CN112560981B (zh) | 生成对抗模型的训练方法、装置、设备、程序和存储介质 | |
CN110568082A (zh) | 一种基于声发射信号的缆索断丝的判别方法 | |
CN111753776B (zh) | 基于回声状态与多尺度卷积联合模型的结构损伤识别方法 | |
CN116702076A (zh) | 一种基于cnn特征融合的小样本迁移学习故障诊断方法、系统、计算机及存储介质 | |
CN111461183A (zh) | 改进人工鱼群算法优化bp神经网络的平轮故障检测方法 | |
CN114487129A (zh) | 基于声发射技术的柔性材料的损伤识别方法 | |
CN114048546A (zh) | 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法 | |
CN116663126A (zh) | 一种基于通道注意力BiLSTM模型的桥梁温度效应预测方法 | |
CN108760813B (zh) | 一种基于温度信号的燃气轮机涡轮叶片健康监测系统及方法 | |
CN116203365A (zh) | 基于野马算法优化pnn的gis设备局部放电检测方法 | |
CN110552693A (zh) | 一种基于深度神经网络的感应测井曲线的层界面识别方法 | |
CN113591371B (zh) | 基于时空关联模型的桥梁集群结构损伤定位方法 | |
CN113534276B (zh) | 基于Faster R-CNN的铁路入侵行为检测方法 | |
CN114723042A (zh) | 一种基于优化神经网络的桥梁损伤位置和损伤程度的识别方法 | |
CN114118249A (zh) | 基于优化堆叠自编码器和多信号融合的结构损伤诊断方法 | |
CN111160419B (zh) | 一种基于深度学习的电子式互感器数据分类预测方法及装置 | |
CN113159282A (zh) | 一种基于交叉模态置信准则矩阵的桥梁模态参数智能更新方法 | |
CN113535527A (zh) | 一种面向实时流数据预测性分析的降载方法及系统 | |
CN114595733B (zh) | 基于长短期记忆网络的桥梁拉索断丝信号识别方法及系统 | |
CN117151194B (zh) | 一种基于高频涡流的轴承涂层厚度检测方法及系统 | |
CN115297435B (zh) | 一种rssi自适应测距模型匹配方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |