本發(fā)明涉及線纜傳輸領(lǐng)域,具體涉及一種基于神經(jīng)網(wǎng)絡(luò)的線纜絕緣皮破損監(jiān)測(cè)方法。
背景技術(shù):
線纜在信息、能量傳輸、控制等各個(gè)領(lǐng)域應(yīng)用越來(lái)越廣泛,其傳輸效率越來(lái)越高。但同時(shí),對(duì)線纜的可靠性要求也越來(lái)越高。因此,線纜故障監(jiān)測(cè)成為極其重要的研究?jī)?nèi)容。在地質(zhì)/能源勘探、雷達(dá)/聲納裝置、材料表面測(cè)試、光纜分析、通訊網(wǎng)絡(luò)配線、遠(yuǎn)程勘探、水位表、流體管道泄漏監(jiān)測(cè)等各個(gè)領(lǐng)域,行業(yè)特殊性增加了線纜故障監(jiān)測(cè)難度,傳統(tǒng)的雙端監(jiān)測(cè)技術(shù)不能夠滿(mǎn)足要求,基于時(shí)域分析的線纜故障監(jiān)測(cè)技術(shù)對(duì)改善監(jiān)測(cè)環(huán)境,節(jié)約監(jiān)測(cè)成本有重大意義。
研究表明,線纜的絕緣皮破損會(huì)導(dǎo)致一系列線纜故障的產(chǎn)生,例如:航天飛機(jī)線纜的絕緣皮破損導(dǎo)致的開(kāi)路、短路引起的系統(tǒng)功能故障,可能引起火災(zāi)等其他事故,對(duì)飛機(jī)的安全造成極大的隱患。因此,對(duì)于線纜絕緣皮破損的有效監(jiān)測(cè)十分重要。但是,目前尚無(wú)實(shí)現(xiàn)較高正確率的絕緣皮破損狀態(tài)判定的方法。
鑒于上述缺陷,本發(fā)明創(chuàng)作者經(jīng)過(guò)長(zhǎng)時(shí)間的研究和實(shí)踐終于獲得了本發(fā)明。
技術(shù)實(shí)現(xiàn)要素:
為解決上述技術(shù)缺陷,本發(fā)明采用的技術(shù)方案在于,提供一種基于神經(jīng)網(wǎng)絡(luò)的線纜絕緣皮破損監(jiān)測(cè)方法,包括以下步驟:
步驟1:采集時(shí)域特征;
步驟2:預(yù)處理;
步驟3:信號(hào)提取與處理;
步驟4:模式識(shí)別;
步驟5:輸出識(shí)別結(jié)果。
較佳的,所述步驟1利用Labview平臺(tái)采集六個(gè)時(shí)域特征,其包括:反射波形的交流估計(jì)值、時(shí)域面積、FFT變換、時(shí)域積分、電壓平均值和電壓有效值。
較佳的,所述步驟3包括建立矩陣并進(jìn)行歸一化處理和網(wǎng)絡(luò)訓(xùn)練。
較佳的,所述網(wǎng)絡(luò)訓(xùn)練為BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練。
較佳的,所述BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程包括以下步驟:
(1)網(wǎng)絡(luò)初始化;
(2)計(jì)算隱含層、輸出層輸出;
(3)誤差計(jì)算;
(4)權(quán)值和閾值更新;
(5)判斷迭代是否結(jié)束。
較佳的,所述步驟5包括將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)作為Matlab腳本嵌入到Labview程序中。
較佳的,所述步驟4包括將提取的被測(cè)信號(hào)特征與已知參考模式相比較,獲得最佳匹配的模式。
較佳的,Labview能夠快速測(cè)量的時(shí)域特征多達(dá)30個(gè),將所述六種時(shí)域特征篩選出來(lái)的方法為:
其中,xij為第j條絕緣皮完好線纜的第i個(gè)時(shí)域特征,x′ij為對(duì)應(yīng)絕緣皮破損的時(shí)域特征,求得yi即可表示對(duì)應(yīng)時(shí)域特征的辨識(shí)度。
與現(xiàn)有技術(shù)比較本發(fā)明的有益效果在于:1,本發(fā)明通過(guò)對(duì)大量時(shí)域指標(biāo)的分析選取,結(jié)合網(wǎng)絡(luò)神經(jīng)算法,借助虛擬儀器開(kāi)發(fā)平臺(tái)和數(shù)據(jù)處理軟件的聯(lián)合編程,能夠?qū)崿F(xiàn)對(duì)同軸電纜絕緣皮破損故障的準(zhǔn)確監(jiān)控,從而提高設(shè)備安全系數(shù),減少故障時(shí)間;2,對(duì)于線纜絕緣皮破損狀態(tài),由于問(wèn)題本身的復(fù)雜性和多樣性,從時(shí)域波形的角度給出監(jiān)測(cè)方案的可行性較低,本發(fā)明通過(guò)神經(jīng)網(wǎng)絡(luò)算法在時(shí)域監(jiān)測(cè)中的應(yīng)用彌補(bǔ)這一缺憾,實(shí)現(xiàn)了線纜絕緣皮破損狀態(tài)的監(jiān)測(cè);3,本發(fā)明采用BP神經(jīng)網(wǎng)絡(luò),其特點(diǎn)為:信號(hào)向前傳遞,而誤差反向傳遞。BP神經(jīng)網(wǎng)絡(luò)具有非線性映射能力,自學(xué)習(xí)和自適應(yīng)能力,泛化能力以及容錯(cuò)能力,能夠很好滿(mǎn)足本發(fā)明功能上的需求。4,本發(fā)明通過(guò)時(shí)域指標(biāo)的篩選和神經(jīng)網(wǎng)絡(luò)的反復(fù)訓(xùn)練,在線纜絕緣皮破損狀態(tài)的判定上,可以達(dá)到很高的正確率。5,本發(fā)明通過(guò)結(jié)合數(shù)值仿真軟件和虛擬儀器軟件,更快速、簡(jiǎn)潔、直觀的對(duì)線纜絕緣皮破損狀態(tài)進(jìn)行監(jiān)測(cè)。
附圖說(shuō)明
為了更清楚地說(shuō)明本發(fā)明各實(shí)施例中的技術(shù)方案,下面將對(duì)實(shí)施例描述中所需要使用的附圖作簡(jiǎn)單地介紹。
圖1是本發(fā)明的方法流程示意圖;
圖2是本發(fā)明神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程圖;
圖3是訓(xùn)練過(guò)程錯(cuò)誤率變化圖;
圖4是神經(jīng)網(wǎng)絡(luò)誤差分布圖;
圖5是神經(jīng)元的生物模型圖
圖6是神經(jīng)元數(shù)學(xué)模型圖;
圖7是神經(jīng)網(wǎng)絡(luò)模型圖。
具體實(shí)施方式
以下結(jié)合附圖,對(duì)本發(fā)明上述的和另外的技術(shù)特征和優(yōu)點(diǎn)作更詳細(xì)的說(shuō)明。
實(shí)施例1
同軸電纜的結(jié)構(gòu)由內(nèi)至外依次為:內(nèi)導(dǎo)體、絕緣材料、屏蔽層、絕緣皮(護(hù)套)。在實(shí)際工程中,最外層的絕緣皮最先被破壞,進(jìn)而導(dǎo)致屏蔽層的編織網(wǎng)結(jié)構(gòu)被破壞,外界電磁噪聲會(huì)對(duì)信號(hào)產(chǎn)生一定程度的干擾。對(duì)于均勻傳輸線,一般把它的兩條線看作平板電容,當(dāng)屏蔽層形狀發(fā)生改變,相當(dāng)于極板的板間距和極板面積發(fā)生變化,另外,由于絕緣皮的破損,開(kāi)放的屏蔽層會(huì)加強(qiáng)電磁波的投射,這一點(diǎn)在高頻段尤為明顯。綜上,發(fā)明人想到通過(guò)選取合適的時(shí)域指標(biāo),大量采集數(shù)據(jù)來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò),用以區(qū)分絕緣皮破損的狀態(tài)。
如圖1所示,其為本發(fā)明一種基于神經(jīng)網(wǎng)絡(luò)的線纜絕緣皮破損監(jiān)測(cè)方法流程示意圖,該方法包括以下步驟:
步驟1:采集時(shí)域特征
Labview平臺(tái)能夠快速測(cè)量的時(shí)域特征共有30多個(gè),本發(fā)明為了保證監(jiān)測(cè)效率,以典型的絕緣皮完好和絕緣皮破損的線纜為樣本,對(duì)這些時(shí)域特征進(jìn)行篩選,篩選方法如下:
其中,xij為第j條絕緣皮完好線纜的第i個(gè)時(shí)域特征,x′ij為對(duì)應(yīng)絕緣皮破損的時(shí)域特征,求得yi即可表示對(duì)應(yīng)時(shí)域特征的辨識(shí)度。利用這種方法進(jìn)行簡(jiǎn)單篩選,得到原材料中的6個(gè)時(shí)域特征明顯具有更高的辨識(shí)程度,具備應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行辨識(shí)的可能性。最終,選取材料中的6個(gè)時(shí)域特征信息為:反射波形的交流估計(jì)值、時(shí)域面積、FFT變換、時(shí)域積分、電壓平均值和電壓有效值,利用Labview平臺(tái)對(duì)其進(jìn)行采集。
步驟2:預(yù)處理
通過(guò)時(shí)域特征判斷線纜是否能夠正常工作,是否有開(kāi)路或短路故障,如果線纜已不能正常工作,將不再進(jìn)行絕緣皮狀態(tài)的監(jiān)測(cè)。
步驟3:信號(hào)提取與處理
用數(shù)學(xué)方法提取被測(cè)信號(hào)特征,將采集到的時(shí)域特征信息輸入到系統(tǒng)中,建立矩陣并進(jìn)行歸一化處理和網(wǎng)絡(luò)訓(xùn)練。
本發(fā)明利用神經(jīng)網(wǎng)絡(luò)對(duì)絕緣皮破損狀態(tài)進(jìn)行監(jiān)測(cè),BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建需要根據(jù)系統(tǒng)輸入輸出數(shù)據(jù)的具體特點(diǎn)確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),本發(fā)明選取了6個(gè)時(shí)域特征,即輸入信號(hào)有6維,待分類(lèi)的狀態(tài)有2類(lèi),所以BP神經(jīng)網(wǎng)絡(luò)為6—7—2結(jié)構(gòu),即輸入層6個(gè)節(jié)點(diǎn),隱含層7個(gè)節(jié)點(diǎn),輸出層2個(gè)節(jié)點(diǎn)。本發(fā)明共采集了3000組數(shù)據(jù),隨機(jī)選擇其中的2400組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)來(lái)訓(xùn)練模型,600組數(shù)據(jù)作為測(cè)試數(shù)據(jù)來(lái)檢測(cè)網(wǎng)絡(luò)的分類(lèi)能力。
如圖2所示,其為本發(fā)明神經(jīng)網(wǎng)絡(luò)的訓(xùn)練流程圖。將訓(xùn)練重復(fù)次數(shù)設(shè)置為100,如圖3所示,其為訓(xùn)練過(guò)程錯(cuò)誤率變化圖,從圖中可以明顯的看出,在訓(xùn)練過(guò)程中,隨著訓(xùn)練次數(shù)的增加,權(quán)值和閾值的不斷變化,導(dǎo)致錯(cuò)誤率的不斷下降。
經(jīng)過(guò)最終測(cè)試,發(fā)現(xiàn)訓(xùn)練后對(duì)于絕緣皮破損狀態(tài)識(shí)別的正確率為0.9844,對(duì)于絕緣皮未破損狀態(tài)識(shí)別的正確率為0.9247,整體識(shí)別正確率可以達(dá)到0.9546。具體來(lái)說(shuō),應(yīng)用隨機(jī)選出的600組數(shù)據(jù)進(jìn)行分類(lèi)測(cè)試,其神經(jīng)網(wǎng)絡(luò)誤差分布圖如圖4所示,其中誤差為-1表示將絕緣皮未破損的狀態(tài)判定為破損狀態(tài)的情況,誤差為1表示將絕緣皮破損狀態(tài)判定為絕緣皮未破損狀態(tài)的情況。
步驟4:模式識(shí)別
通過(guò)將提取的被測(cè)信號(hào)特征與已知參考模式相比較,獲得最佳匹配的模式。
本發(fā)明在上述步驟中采用對(duì)絕緣皮狀態(tài)的線纜提取的時(shí)域特征用來(lái)進(jìn)行網(wǎng)絡(luò)訓(xùn)練,將希望的監(jiān)測(cè)結(jié)果以數(shù)字量表示,從而對(duì)權(quán)值、閾值進(jìn)行更新。所以,在訓(xùn)練階段,參考模式就是以數(shù)字量表示希望的監(jiān)測(cè)結(jié)果。而在實(shí)際監(jiān)測(cè)階段,神經(jīng)網(wǎng)絡(luò)的計(jì)算結(jié)果與兩種可能出現(xiàn)的監(jiān)測(cè)結(jié)果的數(shù)字量形式進(jìn)行比較,從而給出更為正確的判斷。綜上,參考模式就是兩種不同線纜狀態(tài)(完好和破損)的數(shù)字量表示,其為人為定義的,便于計(jì)算機(jī)的處理。
參考模式在本發(fā)明中選取[1,0]代表絕緣皮完好,[0,1]代表絕緣皮破損,而神經(jīng)網(wǎng)絡(luò)最終的監(jiān)測(cè)結(jié)果未必是這二者中的一個(gè),所以本發(fā)明采取一種判決規(guī)則,比如計(jì)算結(jié)果為[0.9,0.1],計(jì)算機(jī)經(jīng)比較就認(rèn)為線纜絕緣皮完好。
步驟5:輸出識(shí)別結(jié)果
將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)作為Matlab腳本嵌入到Labview程序中,運(yùn)行程序,便可以實(shí)現(xiàn)絕緣皮破損狀態(tài)的判定,識(shí)別結(jié)果顯示在顯示面板上。
實(shí)施例2
本實(shí)施例中將對(duì)本發(fā)明采用的神經(jīng)網(wǎng)絡(luò)算法進(jìn)行具體描述。
如圖5所示,其為神經(jīng)元的生物學(xué)模型,神經(jīng)元為神經(jīng)網(wǎng)絡(luò)中的最小單元,圖中信號(hào)均由電脈沖的形式傳輸。運(yùn)行過(guò)程為,當(dāng)外界產(chǎn)生的刺激傳輸?shù)綐?shù)突上時(shí),樹(shù)突將信息傳遞給細(xì)胞體,細(xì)胞體通過(guò)各種分析處理,確定輸出信號(hào),并由軸突傳輸?shù)较乱粋€(gè)神經(jīng)元或效應(yīng)器。
現(xiàn)將細(xì)胞體信息處理的過(guò)程簡(jiǎn)化如下:首先對(duì)各個(gè)信息(數(shù)據(jù))賦予不同的權(quán)重ωi,然后對(duì)各個(gè)數(shù)據(jù)求和得到然后經(jīng)過(guò)非線性函數(shù)f(x)進(jìn)行處理,得到一個(gè)分析結(jié)果。這樣的運(yùn)算過(guò)程可以簡(jiǎn)化成如圖6所示的模型。
將該模型的工作過(guò)程分為兩個(gè)階段:
第一,學(xué)習(xí)期。這個(gè)階段通過(guò)對(duì)模型誤差的不斷反饋,不斷修改各個(gè)輸入量的權(quán)重,力求滿(mǎn)足一定的誤差范圍。
第二,工作期。這個(gè)階段各個(gè)輸入量的權(quán)重將不再改變,通過(guò)采用固定的輸入權(quán)重,從而得到不同的輸出數(shù)據(jù)。
將以上的神經(jīng)元相互交織,就構(gòu)成了像人體神經(jīng)網(wǎng)絡(luò)一樣的人工神經(jīng)網(wǎng)絡(luò)模型,如圖7所示。
本發(fā)明采用的神經(jīng)網(wǎng)絡(luò)為BP神經(jīng)網(wǎng)絡(luò),這種神經(jīng)網(wǎng)絡(luò)算法的主要特點(diǎn)是信號(hào)前向傳遞,而誤差反向傳遞。在前向傳遞過(guò)程中,輸入信號(hào)從輸入層經(jīng)過(guò)隱含層逐層處理,直到輸出層。每一層的神經(jīng)元狀態(tài)會(huì)且只會(huì)影響下一層神經(jīng)元狀態(tài)。如果輸出層得不到期望的輸出,就進(jìn)入反向傳播,根據(jù)預(yù)測(cè)誤差調(diào)整網(wǎng)絡(luò)權(quán)重和閾值,使輸出不斷逼近期望。
BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程包括以下步驟:
(1)網(wǎng)絡(luò)初始化。
根據(jù)輸入輸出序列(X,Y)確定網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)n、隱含層節(jié)點(diǎn)數(shù)l、輸出層節(jié)點(diǎn)數(shù)m,初始化各層間的連接權(quán)值wij、wjk、隱含層和輸出層閾值a、b,給定學(xué)習(xí)速率和激勵(lì)函數(shù)。
(2)計(jì)算隱含層、輸出層輸出。
根據(jù)輸入向量X和各層權(quán)重、閾值,計(jì)算隱含層輸出H,輸出層輸出O。其中隱含層輸出滿(mǎn)足公式(1)
式中,l為隱含節(jié)點(diǎn)數(shù);f為激勵(lì)函數(shù),有多種形式,本發(fā)明所選函數(shù)為:
f(x)=1/(1+e-x) (2)
輸出層滿(mǎn)足公式(3)
(3)誤差計(jì)算。
根據(jù)網(wǎng)絡(luò)預(yù)測(cè)輸出O和期望輸出Y,計(jì)算預(yù)測(cè)誤差e。
ek=Y(jié)k-Ok k=1,2,…,m (4)
(4)權(quán)值和閾值更新。
根據(jù)網(wǎng)絡(luò)預(yù)測(cè)誤差更新網(wǎng)絡(luò)連接權(quán)值,中間層和輸出層權(quán)值更新滿(mǎn)足公式(5)和(6)。
式中,η為學(xué)習(xí)效率。
根據(jù)網(wǎng)絡(luò)預(yù)測(cè)誤差更新網(wǎng)絡(luò)節(jié)點(diǎn)閾值,網(wǎng)絡(luò)節(jié)點(diǎn)閾值滿(mǎn)足公式(7)和(8)。
(5)判斷迭代是否結(jié)束,如果沒(méi)有結(jié)束,返回步驟(2)。
以上所述僅為本發(fā)明的較佳實(shí)施例,對(duì)本發(fā)明而言?xún)H僅是說(shuō)明性的,而非限制性的。本專(zhuān)業(yè)技術(shù)人員理解,在本發(fā)明權(quán)利要求所限定的精神和范圍內(nèi)可對(duì)其進(jìn)行許多改變,修改,甚至等效,但都將落入本發(fā)明的保護(hù)范圍內(nèi)。