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，x_ij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y_i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，x_ij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y_i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ω_i，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。

e_k＝Y(jié)_k-O_k 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)。