CN111812210A - 一种三维编织复合材料损伤源定位方法及装置 - Google Patents

一种三维编织复合材料损伤源定位方法及装置 Download PDF

Info

Publication number
CN111812210A
CN111812210A CN202010651258.3A CN202010651258A CN111812210A CN 111812210 A CN111812210 A CN 111812210A CN 202010651258 A CN202010651258 A CN 202010651258A CN 111812210 A CN111812210 A CN 111812210A
Authority
CN
China
Prior art keywords
positioning
concentration
algorithm
optimal
composite material
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.)
Granted
Application number
CN202010651258.3A
Other languages
English (en)
Other versions
CN111812210B (zh
Inventor
丁刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202010651258.3A priority Critical patent/CN111812210B/zh
Publication of CN111812210A publication Critical patent/CN111812210A/zh
Application granted granted Critical
Publication of CN111812210B publication Critical patent/CN111812210B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4472—Mathematical theories or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4481—Neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
    • G01S5/28—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves by co-ordinating position lines of different shape, e.g. hyperbolic, circular, elliptical or radial
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/01—Indexing codes associated with the measuring variable
    • G01N2291/011—Velocity or travel time
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/023—Solids
    • G01N2291/0231—Composite or layered materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/028—Material parameters
    • G01N2291/0289—Internal structure, e.g. defects, grain size, texture
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/10—Number of transducers

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Physiology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Acoustics & Sound (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种三维编织复合材料损伤源定位方法，包括采用四点圆弧定位法进行损伤源的初始定位；采用改进的概率神经网络进行复合材料损伤源的精确定位。本发明选取四点圆弧定位算法进行三维编织复合材料声发射源的初步定位方法，针对三维编织复合材料各向异性的特点修正声速误差，提高了定位精度；本发明利用果蝇优化算法优化概率神经网络的关键参数，以提高概率神经网络的提高模式识别能力，实现准确定位。

Description

一种三维编织复合材料损伤源定位方法及装置
技术领域
本发明属于复合材料领域，尤其是涉及一种三维编织复合材料损伤源定 位方法及装置。
背景技术
声发射源定位是声发射无损检测的重要目的之一，定位精度反映了识别 位置与实际损伤位置的吻合程度。传统的声发射源定位的前提是确定声波在 固体介质中的传播速度，通过声波到达两个传感器的时间差确定声发射源的 位置。但是，三维编织复合材料具有各向异性特点，声波速度不仅与材料特 性和平板厚度相关，还与传播角度有关，而且温度、湿度等环境因素会导致 材料特性的改变，从而改变应力波的传播速度，对源定位结果造成影响。
现有技术中已确定损伤发生时声发射信号的时频关系，可通过一定的补 偿处理来最大限度的减少误差。但是，采用单一的定位方法是无法满足精确 定位要求的。
发明内容
有鉴于此，本发明旨在提出一种三维编织复合材料损伤源定位方法，以 解决上述背景技术中单一的定位方法是无法满足精确定位要求的问题。
为达到上述目的，本发明的技术方案是这样实现的：
一种三维编织复合材料损伤源定位方法，包括
采用四点圆弧定位法进行损伤源的初始定位；
采用改进的概率神经网络进行复合材料损伤源的精确定位。
进一步的，采用四点圆弧定位公式计算出的初步定位坐标值作为概率神 经网络的输入。
进一步的，进行初始定位时,先使用修正参数对求出的声波到达时间进 行修正，再利用四点圆弧定位算法求解声发射源的位置坐标，以实现初步定 位。
进一步的，在被测物体上放置4个电子原件组成矩形平面检测区域，以 原点处作为声发射源，采用断铅实验计算声波到达各传感器的时间，再以第 一传感器为基准，计算传播到第二传感器、第三传感器、第四传感器的时间 差Δt'2、Δt'3、Δt'4，并进行多次测量，取各时间差的平均值作为修正参数。
进一步的，所述步骤S2中包括采用果蝇优化算法对概率神经网络的关 键参数进行优化。
进一步的，果蝇优化算法的具体步骤包括：
(1)初始化参数；
(2)果蝇的随机搜索；
(3)计算浓度判定值；
(4)计算果蝇的浓度值；
(5)保留当前最优个体；
(6)保存最优浓度和最优坐标；
(7)判断是否达到迭代次数；
(8)达到迭代次数则结束，未达到迭代次数则返回继续进行果蝇的随 机搜索。
进一步的，所述步骤S2中包括采用改进的果蝇优化算法对概率神经网 络的关键参数进行优化。
进一步的，改进的果蝇优化算法的具体步骤包括:
(1)初始化参数：最大迭代次数MaxGen，果蝇种群规模大小Size，果 蝇的初始最优位置x_best，y_best，设置初始拥挤概率值p；
(2)设置混沌发生机制：zn+1＝μ·zn·(1-zn)，选定初值后，获取由上式 迭代2000次以后的值作为果蝇算法的混沌初值；
(3)设定果蝇的随机搜索方向：随机初始x_axis和y_axis；
对种群中第i个果蝇个体有两种搜索方向的设置方式，采用随机数发生 器生成(0,1)之间的随机数r，如果r<p，则在(x_axis,y_axis,)位置附近 设置第i个果蝇的随机搜索方向，即：
zn+1＝μ·zn·(1-zn)
zn＝zn+1
zn+1＝μ·zn·(1-zn)
x(i)＝x_axis+zn
y(i)＝y_axis+zn
如果r≥p，则在(x_best,y_best,)位置附近设置第i个果蝇的随机搜索方 向，即：
zn+1＝μ·zn·(1-zn)
x(i)＝x_best+zn
y(i)＝y_best+zn
(4)计算浓度判定值：计算果蝇个体i所在位置与原点之间的距离 Disti：
Figure BDA0002575062690000031
根据距离，计算浓度判定值Si：Si＝1/Disti；
(5)计算第i个果蝇的浓度值Smell(i)：浓度的评定函数即为优化函 数，设为fit()，则第i个果蝇所处位置的浓度值为：
Smell(i)＝fit(Si)；
(6)保留当前最优个体：将气味浓度最高的果蝇保留为当前最优个体：
[bestSmell,bestindex]＝min(smell(i))；
(7)保存最优浓度和最优坐标：保存最优个体的浓度判定值bestSmell 和其所处的位置坐标；指挥果蝇依靠视觉感知迅速飞至该位置处：
Figure BDA0002575062690000041
将(x_best，y_best)作为下一次优化的最优初始位置，并减小拥挤度概率值：
p＝λ·p
其中，0<λ<1，λ为拥挤度概率衰减系数；
(8)迭代优化：重复步骤3至步骤6，并判断当前最优浓度是否有更新， 若是，则执行步骤7；若否，则直接继续重复迭代步骤3至步骤6，直到达 到指定迭代次数，或算法收敛。
进一步的，采用改进的果蝇算法进行概率神经网络参数优化具体步骤包 括：
(1)构建概率神经网络：根据要解决的具体问题及已知的样本数量， 构建概率神经网络模型，设模式数量为s，则确定概率神经网络的待优化参 数σ1，σ2，...，σs，并在优化参数定义域内对优化参数进行初始化；
(2)设置果蝇算法参数：根据概率神经网络的复杂程度选择合适的优 化算法最大迭代次数MaxGen及果蝇种群规模大小Size，设定果蝇算法的最 优位置参数、拥挤度概率值等；
(3)混沌发生机制：选择Logistic映射作为混沌序列发生机制，并进 行2000次迭代计算，消除初值选取对优化结果的影响；
(4)果蝇的随机搜索：利用果蝇个体进行混沌搜索；
(5)计算浓度判定值：求取果蝇个体所在位置的浓度判定值；
(6)计算果蝇个体的浓度值：通过求取适应度函数值计算果蝇个体所 处位置的浓度值；
(7)保留当前最优个体：将气味浓度最高的果蝇保留为当前最优个体；
(8)保存最优浓度和最优坐标：保存最优个体的浓度判定值bestSmell 和其所处的位置坐标。并自适应调整拥挤度概率衰减系数；
(9)迭代优化：重复步骤4至步骤7，并判断当前最优浓度是否有更 新，若是，则执行Step8；若否，则直接继续重复迭代步骤4至步骤7，直 到达到指定迭代次数，或算法收敛。
本发明还提供一种三维编织复合材料损伤源定位装置，包括
初始定位装置，用于采用四点圆弧定位法进行损伤源的初始定位；
精确定位装置，用于采用改进的概率神经网络进行复合材料损伤源的精 确定位。
相对于现有技术，本发明所述的一种三维编织复合材料损伤源定位方法 及装置具有以下优势：
(1)本发明选取四点圆弧定位算法进行三维编织复合材料声发射源的 初步定位方法，针对三维编织复合材料各向异性的特点修正声速误差，提高 了定位精度；
(2)本发明利用改进果蝇算法的良好寻优性能，将其与概率神经网络 相结合，利用果蝇优化算法优化概率神经网络的关键参数，以提高概率神经 网络的提高模式识别能力，实现准确定位。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的 示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在 附图中：
图1为本发明实施例所述的四点圆弧定位算法原理示意图；
图2为本发明实施例所述的果蝇优化算法的示意图；
图3为本发明实施例所述的Logistic映射Lyapunov指数图；
图4为本发明实施例所述的改进果蝇优化算法的流程图；
图5为本发明实施例所述的基于改进果蝇优化算法概率神经网络的流程 图；
图6为本发明实施例所述的三维编织复合材料损伤类型已知的损伤源位 置识别流程；
图7为本发明实施例所述的实验试件拉伸实验损伤阶段定位示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特 征可以相互组合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、 “上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、 “顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示 的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗 示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此 不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述 目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征 的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包 括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的 含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语 “安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也 可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可 以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。 对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明 中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
本发明提出了一种三维编织复合材料损伤源定位方法，包括
采用四点圆弧定位法进行损伤源的初始定位；
采用改进的概率神经网络进行复合材料损伤源的精确定位。
具体的，四点圆弧定位算法是二维平面定位方法中的一种，在被测物体 上放置4个电子原件(通常是压电传感器，本申请采用声发射传感器)组成 矩形平面检测区域。四点圆弧定位算法原理示意图如图1所示。
图1中，假设损伤发生在点(x,y)处，声信号传播到传感器1(坐标(a,b)) 的时间为t1，传播到传感器2、3、4的时间分别为t1+Δt2、t1+Δt3、t1+Δt4。对 于各向同性材料，各方向的声速相等，可以各传感器为圆心，以实验获得的 声速乘以声波从损伤点到达各传感器的时间为半径画圆弧，则损伤点满足方 程组如式(1)所示。
Figure BDA0002575062690000071
求解方程组，求得损伤源的坐标，如式(2)所示。
Figure BDA0002575062690000081
四点圆弧定位算法针对各向同性材料使用，可假定声波速度为恒定值。 而三维编织复合材料本身是各向异性，声波速度差异很大；而且受实验试件 尺寸的制约，本文中传感器采用双面放置，这也对定位精度产生了影响。要 利用四点圆弧算法进行三维编织复合材料实验试件拉伸损伤的精确定位，就 必须要消除或减小因声波速度差异而引起的定位误差。
本申请以原点处作为声发射源，采用断铅实验计算声波到达各传感器的 时间，再以传感器1为基准，计算时间差Δt'2、Δt'3、Δt'4。并进行多次测量， 取各时间差的平均值作为修正参数，声波速度的修正值如表1所示。在后续 的定位计算中，均先使用修正参数对求出的声波到达时间进行修正，再利用 四点圆弧定位算法求解声发射源的位置坐标，以实现初步定位。
表1修正参数
Figure BDA0002575062690000082
具体的，采用改进的概率神经网络进行复合材料损伤源的精确定位，其 中果蝇优化算法的流程图如图2所示，果蝇算法机理简单，计算量小，易于 实现，并且种群能够迅速靠近最优个体，从而保证算法具有快速的收敛性。 但由于果蝇个体集中于最优个体附近进行随机搜索，容易导致算法出现早熟 现象，降低算法全局寻优能力。为此，本申请以果蝇算法为基础，结合现有 的多种优化算法优化机理，提出改进的果蝇混合优化算法。
在果蝇算法中，果蝇个体在最优个体附近进行随机搜索，搜索方向及位 置由随机数发生器产生。由于随机搜索容易产生重复搜索的现象，因此造成 随机搜索方法搜索效率较低。
在各种优化算法中，混沌优化算法能够直接克服随机搜索算法的不足。 混沌具有随机型、遍历性、初值敏感性等特点，在优化计算中得到了良好的 应用，可直接用于求解函数优化和组合优化问题。
利用混沌优化算法改善随机搜索的缺点时，可采用混沌发生机制直接代替随 机数发生器机制来实现，这样，直接利用混沌的遍历性即可提高原随机搜索 的效率，且方法简单，易于实现。因此，本文提出改进的果蝇优化算法，对 果蝇个体的随机搜索采用混沌搜索的方式来实现。
通常，混沌发生函数有多种，其中Logistic映射是最常用的混沌发生 机制之一，该映射具有形式简单得特点。本文选择Logistic映射作为混沌 序列发生机制：
zn+1＝μ·zn·(1-zn) 式(5-24)
当参数μ＝4时，该映射为充满(0,1)之间的混沌满映射。其混沌分岔图及对 应的Lyapunov(李雅普诺夫)指数图如图3所示。
Logistic映射分岔图是指随着控制参数μ的增加，Logistic映射的迭 代值的变化过程。从图中可见，随着μ的增加，Logistic映射的迭代值经 过1周期、2周期、4周期的倍周期分岔过程，最终进入到混沌状态。当 Logistic映射处于混沌状态时，其对应的Lyapunov指数大于0。混沌序列 的随机性和遍历性的优点，使其寻优效率远高于随机搜索方法。
采用Logistic映射产生混沌序列后，使其代替随机数发生器所产生的 随机数序列，从而实现混沌搜索。也就是，当选定混沌搜索初始值zn后，在 标准果蝇算法的Step2中，果蝇个体的搜索方向的表达式修改为：
Figure BDA0002575062690000101
其次，标准的普通果蝇算法中，所有的果蝇都具有相同的行为准则，并 都聚集到食物源附近，这就造成果蝇不能在全局范围内进行搜索，降低了算 法的全局寻优性能。而鱼群算法中，人工鱼在觅食过程中也存在类似的行为。 但鱼群算法中设置了拥挤度的概念，即人工鱼不能过多地聚集到同一地点， 以防止算法过快收敛。
为此，本申请将人工鱼群算法中的拥挤度概念引入到果蝇中，使得果蝇 不再拥有唯一的行动准则，具体将标准果蝇算法中Step6的，按随机概率给 优化的初始位置进行付值，果蝇个体以大概率选择在(x_best，y_best)附近 进行搜索，以小概率进行随机搜索。
上述改进算法具体描述如下：
Step 1初始化参数：对于果蝇优化算法所涉及的各主要参数进行初始 化设置。具体有：最大迭代次数MaxGen，果蝇种群规模大小Size，果蝇的 初始最优位置x_best，y_best，设置初始拥挤概率值p。
Step 2设置混沌发生机制：
zn+1＝μ·zn·(1-zn) 式(4)
选定初值后，获取由上式迭代2000次以后的值作为果蝇算法的混沌初值， 有此可消除混沌发生机制初值对搜索过程的影响。
Step 3设定果蝇的随机搜索方向：随机初始x_axis和y_axis。对种群 中第i个果蝇个体有两种搜索方向的设置方式，采用随机数发生器生成(0,1) 之间的随机数r，如果r<p，则在(x_axis,y_axis,)位置附近设置第i个果 蝇的随机搜索方向，即：
Figure BDA0002575062690000111
如果r≥p，则在(x_best,y_best,)位置附近设置第i个果蝇的随机搜索方 向，即：
Figure BDA0002575062690000112
Step 4计算浓度判定值：计算果蝇个体i所在位置与原点之间的距离 Disti：
Figure BDA0002575062690000113
根据距离，计算浓度判定值Si：
Si＝1/Disti 式(8)
Step 5计算第i个果蝇的浓度值Smell(i)：浓度的评定函数即为优化 函数，设为fit()，则第i个果蝇所处位置的浓度值为：
Smell(i)＝fit(Si) 式(9)
Step 6.保留当前最优个体：将气味浓度最高的果蝇保留为当前最优个 体：
[bestSmell,bestindex]＝min(smell(i)) 式(10)
Step 7.保存最优浓度和最优坐标：保存最优个体的浓度判定值 bestSmell和其所处的位置坐标。指挥果蝇依靠视觉感知迅速飞至该位置处：
Figure BDA0002575062690000114
将(x_best，y_best)作为下一次优化的最优初始位置。并减小拥挤度概率值：
p＝λ·p 式(12)
其中，0<λ<1，λ为拥挤度概率衰减系数。
Step 8迭代优化：重复Step3至Step 6，并判断当前最优浓度是否有 更新，若是，则执行Step7；若否，则直接继续重复迭代Step3至Step 6。 直到达到指定迭代次数，或算法收敛。
本申请所提出的改进果蝇优化算法，结合了混沌搜索、鱼群优化算法中 的拥挤度的概念，可克服传统果蝇优化算法中随机搜索效率低，且所有果蝇 个体全部向最优位置集中，从而易于陷入局部极小的缺点，可有效提高算法 的全局寻优性能。
改进果蝇算法中，拥挤度概率初始阶段可设为较大的概率值，确保果蝇 个体能够进行充分的随机搜索，试图寻找到全局范围内的最优位置，增加了 果蝇个体的分散性，克服了群体的早熟现象。同时，混沌搜索机制，能够提 高算法搜索的遍历性，减小重复搜索次数，从而提高搜索效率。随着搜索过 程的进行，拥挤度概率逐渐减小，果蝇个体聚聚集到最优位置的概率增加， 最优位置附近的搜索次数得到增加，可以保证算法具有良好的收敛特性和稳 定顶。
与标准果蝇算法相比，改进方法的全局寻优性能能够得到提升，可用于 求解多极值的函数优化问题。改进果蝇算法的程序流程图如图4所示。
由改进果蝇优化算法的流程图可见，果蝇种群中的个体具有两种不同的 行为特点，一种是能够利用视觉搜索直接在最优个体附近进行搜索，另一种 是不利用视觉信息，只进行混沌随机搜索。随机搜索提高了发现新的最优位 置的概率，因此，在算法初期，果蝇个体以加大概率以混沌随机搜索行为进 行工作，但随机搜索不利于算法的收敛性和稳定性，因此，随着迭代次数的 增加，果蝇以最优位置进行混沌搜索的概率逐渐增加，最后以概率1进行最 优位置的混沌随机搜索，从而保证算法的具有收敛性和稳定性
本申请还采用标准果蝇算法和本文提出的改进果蝇算法对典型测试 函数进行优化计算，以验证改进算法的有效性。式(13)至(14)是常用的 六个典型优化测试函数：
Figure BDA0002575062690000131
Figure BDA0002575062690000132
Figure BDA0002575062690000133
其中
Figure BDA0002575062690000134
Figure BDA0002575062690000135
Figure BDA0002575062690000136
Figure BDA0002575062690000137
改进果蝇算法的寻优性能如表2所示。
表2改进果蝇算法的寻优性能
Figure BDA0002575062690000138
由上述结果可见，由于改进的果蝇算法结合了混沌搜索的遍历性和鱼群 算法的拥挤度调节机制，因此，与标准果蝇优化算法相比，本文所提出的改 进果蝇优化算法具有更高的寻优效率，在函数优化计算中，能够更准确地搜 索到全局最优解，获得更好的寻优性能，各函数优化结果的平均误差指标性 能得到明显提升，表明了本文方法具有更强的全局寻优能力。
鉴于改进果蝇算法的良好寻优性能，将其与概率神经网络相结合，利用 果蝇优化算法优化概率神经网络的关键参数，以提高概率神经网络的提高模 式识别能力。
对于三维编织复合材料的声发射检测，由于受声发射源的自身特性、信 号的传播路径、环境噪声和测量系统等多种影响，传感器输出的波形十分复 杂，如果直接利用波形信息如幅值、上升时间、持续时间等作为输入，网络 的收敛速度和输出结果的精度都不会很高。本申请采用四点圆弧定位公式计 算出的初步定位坐标值作为网络输入，提高收敛速度和定位精度。
具体的，概率神经网络平滑系数的选择直接影响着网络的性能，例如容 错能力、适应能力等。通常，如果平滑系数选择过小，网络对训练样本主要 起到隔离的作用，此时，概率神经网络相当于最近邻分类器。如果平滑系数 选择过大，则对训练样本区分度不大，概率神经网络相当于线性分类器。
因此，平滑系数是概率神经网络的关键参数，直接影响着网络的信息处 理性能。为了能够选择合适的概率神经网络平滑系数，可采用智能优化算法 来优化概率神经网络平滑系数。由于上述改进的果蝇优化算法具有良好的全 局优化性能，因此，本申请采用改进的果蝇优化算法对概率神经网络的平滑 系数进行优化，提高概率神经网络的性能。
1.优化函数的构造
对于概率神经网络，选择合适的平滑系数是为了能够提高网络对样本的 正确分类能力。因此，可将利用优化算法求解概率神经网络平滑系数的适应 度函数(即，优化函数)设置为：
Figure BDA0002575062690000151
优于优化问题是为了提升概率神经网络对样本的正确分类能力，因此， 上式中的预测样本应该选用测试样本，而训练样本仅用于构建网络。也就是 说，对于已知样本中，应划分出训练样本集和测试样本集。训练样本集仅用 于构建或确定概率神经网络的结构，不用于优化网络的平滑系数。而测试样 本不用于网络的构建，仅用于优化网络参数和测评网络性能。
2.基于改进果蝇算法的概率神经网络参数优化
采用本文提出改进果蝇优化算法优化概率神经网络的具体步骤如下：
Step 1构建概率神经网络：根据要解决的具体问题及已知的样本数量， 构建概率神经网络模型。设模式数量为s，则确定概率神经网络的待优化参 数σ1，σ2，...，σs。并在优化参数定义域内对优化参数进行初始化。
Step2设置果蝇算法参数：根据概率神经网络的复杂程度选择合适的优 化算法最大迭代次数MaxGen及果蝇种群规模大小Size。设定果蝇算法的最 优位置参数、拥挤度概率值等。
Step3设定混沌发生机制：选择Logistic映射作为混沌序列发生机制， 并进行2000次迭代计算，消除初值选取对优化结果的影响。
Step4果蝇的随机搜索：利用果蝇个体进行混沌搜索。
Step 5计算浓度判定值：求取果蝇个体所在位置的浓度判定值。
Step 6计算果蝇个体的浓度值：通过求取适应度函数值计算果蝇个体 所处位置的浓度值。
Step 7保留当前最优个体：将气味浓度最高的果蝇保留为当前最优个 体。
Step 8保存最优浓度和最优坐标：保存最优个体的浓度判定值 bestSmell和其所处的位置坐标。并自适应调整拥挤度概率衰减系数。
Step 9迭代优化：重复Step4至Step 7，并判断当前最优浓度是否有 更新，若是，则执行Step8；若否，则直接继续重复迭代Step4至Step7。 直到达到指定迭代次数，或算法收敛。
采用果蝇算法优化概率神经网络的流程图如图5所示。
采用基于改进果蝇优化算法的概率神经网络能够提高网络对样本的正 确分类能力，提高网络的适应性。但由于需要进行优化计算，因此，在利用 网络工作前增加了一定的计算量。同时由于要将已知样本分为训练样本和测 试样本。因此，对已知样本的数量也提出了一定的要求。
本发明对三维编织复合材料损伤类型已知的损伤源位置识别流程如图6 所示。
分别针对3个试件进行断铅实验，将试件等比分割成四个象限，每个象 限取两个点，同一点进行4次，共进行400次。先进行波速修正，进而采用 四点圆弧定位公式计算，将初始位置作为概率神经网络的输入，分别采用标 准果蝇算法和改进果蝇算法进行定位计算，结果如表3、4、5所示。
从上述3个表中可以看出，采用概率神经网络结合标准果蝇算法进行定 位的精度误差范围约在±5％左右，而使用改进果蝇算法后定位精度误差约在 ±1％左右，说明采用“两步法”相比传统单一的时差定位方法，在定位精度 方面具有明显的提升。
表3实验试件B-V1断铅实验比较
Figure BDA0002575062690000161
Figure BDA0002575062690000171
表4实验试件B-V2断铅实验比较
Figure BDA0002575062690000172
表5实验试件B-V3断铅实验比较
Figure BDA0002575062690000173
实验试件拉伸实验损伤阶段定位示意图如图7所示。由图7可以看出， 纤维脆断点在最终断裂处，这也是试件内部损伤的初始位置，随着加大拉力 负载，损伤裂纹生长迅速，从最终定位结果可以看出，在损伤生演化阶段和 损伤破坏阶段分别定位出两个损伤点，结合个点位置基本可以锁定试件的损 伤区域。由图7可以看出，各阶段的定位结果均出现在断裂面附近。在图7 中，所有定位点均聚集在断裂面附近。这从一个方面说明了本申请所采用的 定位方法的有效性，另一方面也验证了随着时间纤维体积含量的增加，整个 三维编织复合材料的拉伸力学性能越强。
本申请提出了基于“两步法”的三维编织复合材料损伤源定位问题，， 在进行声速补偿的基础上，采用四点圆弧定位法进行损伤源的初始定位，并 针对网络关键参数的选取问题，实现了采用果蝇优化算法进行优化的方法。 结合混沌优化、鱼群优化算法的思想，推出了改进的果蝇优化算法，实现了 概率神经网络的关键参数的优化计算。
进一步提出了采用改进的概率神经网络对复合材料损伤源定位的方法。 针对不同试件进行损伤源定位，实验结果表明，采用改进的果蝇算法对概率 神经网络参数进行优化后，概率神经网络能够对拉伸实验中各损伤阶段的损 伤源进行较为准确的位置定位。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本 发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在 本发明的保护范围之内。

Claims (10)

1.一种三维编织复合材料损伤源定位方法，其特征在于：包括
采用四点圆弧定位法进行损伤源的初始定位；
采用改进的概率神经网络进行复合材料损伤源的精确定位。
2.根据权利要求1所述的一种三维编织复合材料损伤源定位方法，其特征在于：采用四点圆弧定位公式计算出的初步定位坐标值作为概率神经网络的输入。
3.根据权利要求1所述的一种三维编织复合材料损伤源定位方法，其特征在于：进行初始定位时,先使用修正参数对求出的声波到达时间进行修正，再利用四点圆弧定位算法求解声发射源的位置坐标，以实现初步定位。
4.根据权利要3所述的一种三维编织复合材料损伤源定位方法，其特征在于：在被测物体上放置4个电子原件组成矩形平面检测区域，以原点处作为声发射源，采用断铅实验计算声波到达各传感器的时间，再以第一传感器为基准，计算传播到第二传感器、第三传感器、第四传感器的时间差Δt'2、Δt'3、Δt'4，并进行多次测量，取各时间差的平均值作为修正参数。
5.根据权利要求1所述的一种三维编织复合材料损伤源定位方法，其特征在于：所述步骤S2中包括采用果蝇优化算法对概率神经网络的关键参数进行优化。
6.根据权利要求5所述的一种三维编织复合材料损伤源定位方法，其特征在于：果蝇优化算法的具体步骤包括：
(1)初始化参数；
(2)果蝇的随机搜索；
(3)计算浓度判定值；
(4)计算果蝇的浓度值；
(5)保留当前最优个体；
(6)保存最优浓度和最优坐标；
(7)判断是否达到迭代次数；
(8)达到迭代次数则结束，未达到迭代次数则返回继续进行果蝇的随机搜索。
7.根据权利要求1所述的一种三维编织复合材料损伤源定位方法，其特征在于：所述步骤S2中包括采用改进的果蝇优化算法对概率神经网络的关键参数进行优化。
8.根据权利要求7所述的一种三维编织复合材料损伤源定位方法，其特征在于：改进的果蝇优化算法的具体步骤包括:
(1)初始化参数：最大迭代次数MaxGen，果蝇种群规模大小Size，果蝇的初始最优位置x_best，y_best，设置初始拥挤概率值p；
(2)设置混沌发生机制：zn+1＝μ·zn·(1-zn)，选定初值后，获取由上式迭代2000次以后的值作为果蝇算法的混沌初值；
(3)设定果蝇的随机搜索方向：随机初始x_axis和y_axis；
对种群中第i个果蝇个体有两种搜索方向的设置方式，采用随机数发生器生成(0,1)之间的随机数r，如果r<p，则在(x_axis,y_axis,)位置附近设置第i个果蝇的随机搜索方向，即：
zn+1＝μ·zn·(1-zn)
zn＝zn+1
zn+1＝μ·zn·(1-zn)
x(i)＝x_axis+zn
y(i)＝y_axis+zn
如果r≥p，则在(x_best,y_best,)位置附近设置第i个果蝇的随机搜索方向，即：
zn+1＝μ·zn·(1-zn)
x(i)＝x_best+zn
y(i)＝y_best+zn
(4)计算浓度判定值：计算果蝇个体i所在位置与原点之间的距离Disti：
Figure FDA0002575062680000031
根据距离，计算浓度判定值Si：Si＝1/Disti；
(5)计算第i个果蝇的浓度值Smell(i)：浓度的评定函数即为优化函数，设为fit()，则第i个果蝇所处位置的浓度值为：
Smell(i)＝fit(Si)；
(6)保留当前最优个体：将气味浓度最高的果蝇保留为当前最优个体：
[bestSmell,bestindex]＝min(smell(i))；
(7)保存最优浓度和最优坐标：保存最优个体的浓度判定值bestSmell和其所处的位置坐标；指挥果蝇依靠视觉感知迅速飞至该位置处：
Figure FDA0002575062680000032
将(x_best，y_best)作为下一次优化的最优初始位置，并减小拥挤度概率值：
p＝λ·p
其中，0<λ<1，λ为拥挤度概率衰减系数；
(8)迭代优化：重复步骤3至步骤6，并判断当前最优浓度是否有更新，若是，则执行步骤7；若否，则直接继续重复迭代步骤3至步骤6，直到达到指定迭代次数，或算法收敛。
9.根据权利要求8所述的一种三维编织复合材料损伤源定位方法，其特征在于：采用改进的果蝇算法进行概率神经网络参数优化具体步骤包括：
(1)构建概率神经网络：根据要解决的具体问题及已知的样本数量，构建概率神经网络模型，设模式数量为s，则确定概率神经网络的待优化参数σ1，σ2，...，σs，并在优化参数定义域内对优化参数进行初始化；
(2)设置果蝇算法参数：根据概率神经网络的复杂程度选择合适的优化算法最大迭代次数MaxGen及果蝇种群规模大小Size，设定果蝇算法的最优位置参数、拥挤度概率值等；
(3)混沌发生机制：选择Logistic映射作为混沌序列发生机制，并进行2000次迭代计算，消除初值选取对优化结果的影响；
(4)果蝇的随机搜索：利用果蝇个体进行混沌搜索；
(5)计算浓度判定值：求取果蝇个体所在位置的浓度判定值；
(6)计算果蝇个体的浓度值：通过求取适应度函数值计算果蝇个体所处位置的浓度值；
(7)保留当前最优个体：将气味浓度最高的果蝇保留为当前最优个体；
(8)保存最优浓度和最优坐标：保存最优个体的浓度判定值bestSmell和其所处的位置坐标。并自适应调整拥挤度概率衰减系数；
(9)迭代优化：重复步骤4至步骤7，并判断当前最优浓度是否有更新，若是，则执行Step8；若否，则直接继续重复迭代步骤4至步骤7，直到达到指定迭代次数，或算法收敛。
10.一种三维编织复合材料损伤源定位装置，其特征在于：包括
初始定位装置，用于采用四点圆弧定位法进行损伤源的初始定位；
精确定位装置，用于采用改进的概率神经网络进行复合材料损伤源的精确定位。
CN202010651258.3A 2020-07-08 2020-07-08 一种三维编织复合材料损伤源定位方法及装置 Active CN111812210B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010651258.3A CN111812210B (zh) 2020-07-08 2020-07-08 一种三维编织复合材料损伤源定位方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010651258.3A CN111812210B (zh) 2020-07-08 2020-07-08 一种三维编织复合材料损伤源定位方法及装置

Publications (2)

Publication Number Publication Date
CN111812210A true CN111812210A (zh) 2020-10-23
CN111812210B CN111812210B (zh) 2023-04-18

Family

ID=72842890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010651258.3A Active CN111812210B (zh) 2020-07-08 2020-07-08 一种三维编织复合材料损伤源定位方法及装置

Country Status (1)

Country Link
CN (1) CN111812210B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116626170A (zh) * 2023-06-28 2023-08-22 天津大学 基于深度学习和声发射的风机叶片损伤两步定位方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103091122A (zh) * 2013-01-08 2013-05-08 北京工业大学 一种空间网格结构节点螺栓松动损伤的诊断方法
CN103116759A (zh) * 2013-02-01 2013-05-22 北京工业大学 一种适用于空间网格结构的损伤识别方法
CN105445377A (zh) * 2014-09-30 2016-03-30 北京强度环境研究所 基于声发射技术判别c/c复合材料结构损伤程度的方法
CN106874627A (zh) * 2017-03-20 2017-06-20 石家庄铁道大学 一种用于检测矿用锚杆施工质量和工作状态的检测方法
CN107436452A (zh) * 2016-05-27 2017-12-05 中国石油化工股份有限公司 基于概率神经网络算法的烃源岩预测方法及装置
CN107703491A (zh) * 2017-11-13 2018-02-16 浙江大学 基于改进的果蝇优化算法优化rbf神经网络的海杂波最优软测量仪表及方法
CN108132303A (zh) * 2017-11-28 2018-06-08 北京机电工程研究所 一种临近空间飞行器热防护结构损伤定位方法
CN108564235A (zh) * 2018-07-13 2018-09-21 中南民族大学 一种改进的foa-bpnn脱贫时间预测方法
CN110234120A (zh) * 2018-03-06 2019-09-13 重庆邮电大学 一种受限环境下无线传感器网络节点的优化部署方法
CN110243944A (zh) * 2019-07-03 2019-09-17 南京航空航天大学 一种航空复合材料结构多损伤的概率统计成像方法
WO2019201177A1 (zh) * 2018-04-17 2019-10-24 江苏必得科技股份有限公司 列车部件裂纹损伤监测方法和系统
CN110412130A (zh) * 2019-08-14 2019-11-05 山东大学 基于能量谱和Lamb波层析成像技术的复合材料损伤成像方法
CN111307944A (zh) * 2020-03-15 2020-06-19 中国飞机强度研究所 一种复合材料结构损伤定量监测方法及系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103091122A (zh) * 2013-01-08 2013-05-08 北京工业大学 一种空间网格结构节点螺栓松动损伤的诊断方法
CN103116759A (zh) * 2013-02-01 2013-05-22 北京工业大学 一种适用于空间网格结构的损伤识别方法
CN105445377A (zh) * 2014-09-30 2016-03-30 北京强度环境研究所 基于声发射技术判别c/c复合材料结构损伤程度的方法
CN107436452A (zh) * 2016-05-27 2017-12-05 中国石油化工股份有限公司 基于概率神经网络算法的烃源岩预测方法及装置
CN106874627A (zh) * 2017-03-20 2017-06-20 石家庄铁道大学 一种用于检测矿用锚杆施工质量和工作状态的检测方法
CN107703491A (zh) * 2017-11-13 2018-02-16 浙江大学 基于改进的果蝇优化算法优化rbf神经网络的海杂波最优软测量仪表及方法
CN108132303A (zh) * 2017-11-28 2018-06-08 北京机电工程研究所 一种临近空间飞行器热防护结构损伤定位方法
CN110234120A (zh) * 2018-03-06 2019-09-13 重庆邮电大学 一种受限环境下无线传感器网络节点的优化部署方法
WO2019201177A1 (zh) * 2018-04-17 2019-10-24 江苏必得科技股份有限公司 列车部件裂纹损伤监测方法和系统
CN108564235A (zh) * 2018-07-13 2018-09-21 中南民族大学 一种改进的foa-bpnn脱贫时间预测方法
CN110243944A (zh) * 2019-07-03 2019-09-17 南京航空航天大学 一种航空复合材料结构多损伤的概率统计成像方法
CN110412130A (zh) * 2019-08-14 2019-11-05 山东大学 基于能量谱和Lamb波层析成像技术的复合材料损伤成像方法
CN111307944A (zh) * 2020-03-15 2020-06-19 中国飞机强度研究所 一种复合材料结构损伤定量监测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
姜绍飞: "大跨悬索桥损伤定位的自适应概率神经网络研究", 《土木工程学报》 *
朱沛恒: "基于果蝇算法优化的概率神经网络在变压器故障诊断中的应用", 《电力大数据》 *
苏永振: "基于声发射和神经网络的复合材料冲击定位", 《传感器与微系统》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116626170A (zh) * 2023-06-28 2023-08-22 天津大学 基于深度学习和声发射的风机叶片损伤两步定位方法
CN116626170B (zh) * 2023-06-28 2023-12-26 天津大学 基于深度学习和声发射的风机叶片损伤两步定位方法

Also Published As

Publication number Publication date
CN111812210B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN106646419B (zh) 一种检测杂波边缘雷达目标的自适应恒虚警方法
CN106203614B (zh) 基于自适应蝙蝠搜索算法的kp模型密度函数辨识方法
CN109858523B (zh) 一种神经网络和射线理论的浅海声速剖面反演方法
CN107202989B (zh) 一种适用于被动拖曳线列阵声呐的复杂弱目标检测和跟踪方法
CN116541732B (zh) 基于超声波数据与最优化算法的气象监测系统
CN111812210B (zh) 一种三维编织复合材料损伤源定位方法及装置
CN112765902B (zh) 一种基于TentFWA-GD的RBF神经网络的农村生活污水处理过程中COD浓度的软测量建模方法
CN115342814B (zh) 一种基于多传感器数据融合的无人船定位方法
CN106772386A (zh) 一种利用lpso算法由雷达回波反演大气波导方法
CN111368900A (zh) 一种图像目标物识别方法
CN106127262A (zh) 一种属性缺失数据集的聚类方法
CN110376290A (zh) 基于多维核密度估计的声发射源定位方法
CN113316084A (zh) 一种基于rssi的灰狼优化差分修正质心定位算法
CN115407340A (zh) 一种基于栅格匹配的变声速下双基地定位方法
CN109784579A (zh) 基于粒子群算法和bp网络的景区客流量的预测方法及系统
CN107613561B (zh) 一种基于交流sce-pso算法的无线传感器网络节点三维定位方法
CN105388460A (zh) 一种基于遗传算法的室内水下目标定位方法
CN109557567A (zh) 一种改进型吉布斯采样的北斗卫星选择方法
CN110515065B (zh) 一种辐射噪声线谱源深度辨识方法
CN112305502A (zh) 一种基于阵列不变量的水面水下声源二元判别方法
CN108572349A (zh) 一种深海环境下基于模型计算的声源定深方法
CN107907872A (zh) 基于自适应变异果蝇优化算法优化rbf神经网络的海杂波最优软测量仪表及方法
CN107197519B (zh) 基于改进的最小二乘支持向量机的水下目标定位方法
CN109471113A (zh) 基于相位法的多波束声呐海底地形测量质量实时评估方法
KR102361816B1 (ko) 표적 탐지 방법 및 기록 매체

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