一种基于BP神经网络的飞机电缆绝缘层缺陷识别方法

一种基于bp神经网络的飞机电缆绝缘层缺陷识别方法
技术领域
1.本发明涉及一种基于bp神经网络的飞机电缆绝缘层缺陷识别方法，属于无损检测领域。


背景技术：

2.飞机电缆是飞机内部电子、电气系统信号传输的重要媒介，不同材料规格和类型的电缆，将飞机飞控、航电、燃油、液压和环控等各系统有机连接成完整的总体系统，以实现各种信号和指令的及时传输，直接保证飞机飞行的安全。由于飞机上的特殊环境，如温度、压力、湿度、液压油以及与周围金属件的摩擦等因素，电缆损坏不可避免，因此飞机电缆的损坏是长期困扰航空航天领域的棘手问题。需要特别注意的是，飞机电缆失效前的表现形式往往是电缆绝缘层的损坏。
3.由于飞机电缆故障是航空航天领域棘手且无法避免的问题，学术界和工业界对该领域的研究一直相当活跃。当前业界对飞机电缆的无损检测方法不尽相同，一般主要采取的检测办法有目视检测法、时域反射测量法、频域反射测量法、脉冲火花放电法等，均为基于电学的方法(除目视检测法外)，应用时必须定期拆除控制电缆或者在飞机电缆断电的状态下才能进行更详细的检查.
4.超声导波具有传播距离长，有效覆盖面积大等优势，利用超声导波进行电缆缺陷检测不会受到飞机内其他设备产生的电磁场干扰，也不会产生电磁干扰影响飞机的正常飞行；bp神经网络具有强大的泛化能力、容错能力和非线性映射能力，非常适合对电缆绝缘层缺陷进行识别分类。因此，超声导波结合bp神经网络用于飞机绝缘层缺陷识别非常适合解决航空电缆领域现有的实时缺陷识别问题。
5.由计算机产生激励信号，经双片mfc(macro fiber composite，压电复合材料)传感器激励产生超声导波。超声导波在沿飞机电缆传播的过程中当飞机电缆的绝缘层属性发生变化时会发生反射，缺陷处反射回来的信号通过变分模态分解(vmd)提取其特征值，将特征值输入bp神经网络的输入层，通过计算误差不断迭代更新网络的权值和阈值，当误差小于设定的门限或训练次数大于设定次数时训练结束。然后将测试样本输入神经网络进行分类，判断分类正确率是否达到要求，若不满足要求则重新训练和测试神经网络。将实时接收到的飞机电缆绝缘层缺陷信号的特征值输入测试结果达到要求的bp神经网络即可完成缺陷分类识别任务。
6.超声导波技术解决了飞机运行时的电缆缺陷实时检测问题，bp神经网络的良好非线性映射能力又十分适合不同特征值信号的分类。一种基于bp神经网络的飞机电缆绝缘层缺陷识别方法为解决航空工业领域的电缆检测关键问题提供了一个优秀的方案。


技术实现要素：

7.本发明的目的是提供一种基于bp神经网络的飞机电缆绝缘层缺陷识别方法，该方法系统搭建方便快捷，可实时检测电缆缺陷，分类的可靠性高。其系统构成如下所述：发射
端的双片mfc(macro fiber composite，压电复合材料)传感器用于将接收的电信号转化为振动信号，发射超声导波、接收端的双片mfc传感器用于将反射回来的超声导波振动信号转化为电信号、数据采集卡负责完成数字信号和模拟信号之间的相互转化、功率放大器负责将模拟信号放大、信号调理电路将反射电信号进行放大和带通滤波、计算机负责激励信号的产生和反射信号的后处理。上述基于bp神经网络的缺陷检测方法主要包括以下步骤：
8.(1)飞机电缆绝缘层缺陷反射信号特征值的获取
9.首先利用计算机产生加窗正弦信号并通过功率放大器放大，然后加载到发射端传感器上使其发射超声导波，使用接收端传感器采集飞机电缆绝缘层缺陷反射信号，将采集到的0～+10v反射信号通过数字采集卡转化为数字时间序列输入计算机，对其做变分模态分解(vmd)，分解成i个单分量调幅调频信号(本实施例中i取6。将各个分量的归一化能量作为反射信号的特征值，每个反射信号提取i个特征值，其特征值提取过程如下：
10.f(t)为接收到的飞机电缆绝缘层缺陷反射信号，将其表示为i个分量的累加其中ui(t)可表示为受带宽限制的调频-调幅信号该变分问题的约束条件为：
[0011][0012]
引入二次惩罚因子α和拉格朗日乘法算子λ，将约束性变分问题变为非约束性变分问题：
[0013][0014]
利用交替方向拉格朗日乘子算法迭代求解得到约束变分问题的最优解，把输入信号f(t)分解为i个imf分量ui(t)。详细步骤如下：
[0015]
1)设置imf分量及λ1初始条件，令n为0；
[0016]
2)令n＝n+1进行迭代，使分别进行优化；
[0017]
3)令对λ进行优化，τ为噪声容忍度；
[0018]
4)重复步骤2、3，直到设定误差ε满足不等式时迭代完成，输出imf分量ui(t)。ui(t)的能量即为信号f(t)的特征值，本发明中i取6，即每个缺陷信号提取出6个特征值。
[0019]
(2)以缺陷反射信号f(t)的特征值作为bp神经网络的输入，对bp神经网络进行训练和测试
[0020]
将采集到的缺陷反射信号的特征值作为样本，训练并测试bp神经网络，具体过程包括：
[0021]
1)bp神经网络参数的确定
[0022]
本发明的bp神经网络结构包括输入层、隐含层、输出层。输入层节点数与信号特征
值数量一致，输出层节点数与缺陷类型种类数一致，隐含层节点数按照经验公式来确定，其中m和n分别是输入层节点个数和输出层节点个数，a为1～10之间的常数，本实施例中a取5，即隐藏层节点数为8。网络结构确定后还需确定迭代次数、误差指标、学习率，初始化bp神经网络的权值、阈值。
[0023]
2)训练bp神经网络
[0024]
通过如下步骤对bp神经网络进行训练：
[0025]
第一步：选择若干个缺陷反射信号样本作为训练集。
[0026]
第二步：隐含层和输出层输出值的计算。
[0027]
其计算过程为：
[0028][0029]
其中，为第l层第j个神经元的激活函数输出；为第l-1层第k个节点与第l层第j个节点的连接权值；为第l层第j个节点的阈值；σ为第l层的激活函数。
[0030]
将其矩阵化，可写为：
[0031]a[l]
＝σ(w
[l]a[l-1]
+b
[l]
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0032][0033]
其中，x＝[x1，x2，...，xm]
t
为输入特征向量，本发明中m取6，即缺陷反射信号的6个特征值；n
l
为网络层数；a
[l]
为第l层神经元的激活函数输出向量；w
[l]
为第l-1层第l层节点的连接权值向量；b
[l]
为第l层节点的阈值向量；h
w，b
(x)为输出层的输出。
[0034]
第三步：损失函数的计算，对于分类问题，损失函数为交叉熵损失：
[0035]
l(h
w，b
(x)，y)＝-ylog(h
w，b
(x))-(1-y)log(1-h
w，b
(x))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0036]
其中，y表示训练样本的真实值。
[0037]
第四步：利用损失函数的梯度来迭代更新w
[l]
和b
[l]
。
[0038]
第五步：计算误差是否在误差指标的要求范围之内，若满足则结束，若不满足则返回第二步。
[0039]
第六步：确定bp神经网络模型的结构和参数。
[0040]
3)测试bp神经网络
[0041]
选取总共100个样本(每种类型缺陷选择30～40个样本)输入已训练好的bp神经网络进行测试，将样本经变分模态分解后得到的特征值输入已经训练完毕的网络，将网络的输出与样本真实值进行对比，判断分类结果的正确性，得到分类的正确率。若正确率未达到要求则重新进行训练和测试，若正确率达到要求则该参数下的bp神经网络可以用于实际的飞机电缆绝缘层缺陷检测。
[0042]
(3)将训练和测试完成后的bp神经网络模型用于实时检测飞机电缆绝缘层缺陷
[0043]
bp神经网络训练和测试完成后，检测系统可实时将缺陷反射的超声导波振动信号转化为电压信号并提取其特征值作为bp神经网络的输入，输出缺陷的分类识别结果。
[0044]
所述超声导波激励信号为持续五个周期的加窗正弦信号，窗口类型为汉宁窗。
[0045]
所述超声导波激励信号的中心频率为20khz，每1秒发射一次。
[0046]
所述飞机电缆绝缘层缺陷反射信号特征提取算法为vmd算法。
[0047]
所述bp神经网络训练算法为levenberg-marquardt算法。
[0048]
所述bp神经网络的隐含层激活函数为tansig函数，输出层激活函数为purelin函数。
[0049]
所述bp神经网络的训练次数、误差指标、学习速率均可调。
[0050]
本发明的优点主要有：超声导波的传播过程不会产生电磁干扰，不会影响电缆本身信号的传输，可以在线检测电缆缺陷；bp神经网络具有优秀的非线性映射能力，对飞机电缆绝缘层缺陷的分类识别正确率较高；bp神经网络简单的结构结合计算机强大的运算能力，使得系统具有很强的实时性。
附图说明
[0051]
图1为本发明中系统硬件组成图。
[0052]
图2为本发明中缺陷反射信号图，横坐标为时间，纵坐标为电压幅值，缺陷类型为全剥离。
[0053]
图3为本发明中缺陷反射信号特征值提取流程图。
[0054]
图4为本发明中随机选取的三种类型缺陷反射信号对应的特征值，横坐标为特征值编号，纵坐标为归一化能量。
[0055]
图5为本发明中bp神经网络结构图。
[0056]
图6为本发明中bp神经网络训练流程图。
[0057]
图7为本发明中bp神经网络测试结果图，纵坐标值为1代表全剥离类型，为2代表磨损类型，为3代表割伤类型。
具体实施方式
[0058]
下面结合附图和具体实施方式对本发明作进一步详细的说明：
[0059]
(1)超声导波信号的发射与采集
[0060]
图1为系统硬件组成图，如图所示，系统主要分为激励和接收两部分。激励部分由计算机、数据采集卡和功率放大器组成，通过计算机软件环境编写周期数目为5，频率20khz，经过hanning窗调制的正弦激励信号，以一秒为周期发出经调制的波形，经过数据采集卡进行数模转换，把数字信号转换为模拟电压信号(数据采集卡为美国m公司usb-6366bnc系列，采样率2ms/s，16位分辨率，输入输出范围-10v～10v)，转换后的模拟信号通过功率放大器放大后施加到激励传感器的两端(采用m8507-p1型压电陶瓷纤维片，工作电压范围为-500v～+1500v)，利用传感器的逆压电效应将电能转换为机械能，产生超声导波在电缆中传播；接收部分由接收传感器、信号调理电路、数据采集卡和计算机组成，超声导波在电缆中传播时，遇到缺陷或尾端时发生阻抗不匹配现象，导波会发生反射，接收传感器(采用m2807-p2型压电陶瓷纤维片，工作电压范围为-60v～360v)利用压电效应采集反射信号，采集到的反射信号携带电缆绝缘层的缺陷信息，再将采集的反射信号通过数据采集卡转换为数字信号经usb协议传入计算机中。
[0061]
(2)缺陷反射信号的特征提取
[0062]
飞机电缆绝缘层缺陷共有三种类型，分别为全剥离，磨损，割伤，图2所示为采集到的全剥离类型的缺陷反射信号，将其按照图3所示流程图做变分模态分解，选取模态数i＝
6，惩罚因子α＝1000，可得到其特征值。图4所示为三种类型缺陷的特征值图，每种缺陷展示了随机选取的一个样本，由图可见三种类型的缺陷能量都主要集中在第二频带，全剥离类型的缺陷的第一频带能量相对更多，磨损类型的缺陷的第三频带能量更多，割伤类型的缺陷的能量几乎只存在于第二频带。由此可见，变分模态分解对区分不同类型缺陷效果良好。
[0063]
(3)bp神经网络的构建
[0064]
在电缆不同位置制造不同类型的缺陷，每种类型缺陷制造多种尺寸的样本，每种缺陷采集300个反射信号样本，共900个样本，随机选择800个样本作为训练集，100个样本作为测试集。对这些样本做变分模态分解得到其特征值，将其作为神经网络的输入，神经网络采用三层结构，分别为输入层、隐含层、输出层，其中输入层节点数为6，与信号特征值数量一致，隐含层节点数为8，输出层节点数为3，与缺陷类型数量一致，如图5所示。隐含层激活函数选择tansig，输出层激活函数选择purelin，反向传播算法选择trainlm，设置训练次数为1000，学习速率为0.01，误差指标为0.000001，具体训练与测试过程如图6所示。将测试的正确率达到95％以上的bp神经网络结构输出，作为系统最终选定的结构。图7所示为最终选定的bp神经网络的测试结果，随机选取100个测试样本，正确识别缺陷类型的概率为98％，在100个样本中将2个磨损类型错误地识别为全剥离类型和割伤类型，其余样本均正确识别，正确率达到要求的95％以上，可用于工程实践。
[0065]
(4)对飞机电缆绝缘层缺陷的在线识别
[0066]
bp神经网络训练和测试完成后，检测系统可实时将缺陷反射的超声导波振动信号转化为电压信号并提取其特征值作为bp神经网络的输入，输出缺陷的分类识别结果。

技术特征：
1.一种基于bp神经网络的飞机电缆绝缘层缺陷检测方法，其特征在于包括以下过程：(1)飞机电缆绝缘层缺陷反射信号特征值的获取首先利用计算机产生加窗正弦信号并通过功率放大器放大，然后加载到发射端传感器上使其发射超声导波，使用接收端传感器采集飞机电缆绝缘层缺陷反射信号，将采集到的0～+10v反射信号通过数字采集卡转化为数字时间序列输入计算机，对其做变分模态分解(vmd)，分解成i个单分量调幅调频信号(本实施例中i取6)。将各个分量的归一化能量作为反射信号的特征值，每个反射信号提取i个特征值，其特征值提取过程如下：f(t)为接收到的飞机电缆绝缘层缺陷反射信号，将其表示为i个分量的累加其中u
i
(t)可表示为受带宽限制的调频-调幅信号该变分问题的约束条件为：引入二次惩罚因子α和拉格朗日乘法算子λ，将约束性变分问题变为非约束性变分问题：利用交替方向拉格朗日乘子算法迭代求解得到约束变分问题的最优解，把输入信号f(t)分解为i个imf分量u
i
(t)。详细步骤如下：1)设置imf分量及λ1初始条件，令n为0；2)令n＝n+1进行迭代，使u
i
(t)、分别进行优化；3)令对λ进行优化，τ为噪声容忍度；4)重复步骤2、3，直到设定误差ε满足不等式时迭代完成，输出imf分量u
i
(t)。u
i
(t)的能量即为信号f(t)的特征值，本发明中i取6，即每个缺陷信号提取出6个特征值。(2)以缺陷反射信号f(t)的特征值作为bp神经网络的输入，对bp神经网络进行训练和测试将采集到的缺陷反射信号的特征值作为样本，训练并测试bp神经网络，具体过程包括：1)bp神经网络参数的确定本发明的bp神经网络结构包括输入层、隐含层、输出层。输入层节点数与信号特征值数量一致，输出层节点数与缺陷类型种类数一致，隐含层节点数按照经验公式来确定，其中m和n分别是输入层节点个数和输出层节点个数，a为1～10之间的常数，本实施例中a取5，即隐藏层节点数为8。网络结构确定后还需确定迭代次数、误差指标、学习率，初始化bp神经网络的权值、阈值。2)训练bp神经网络
通过如下步骤对bp神经网络进行训练：第一步：选择若干个缺陷反射信号样本作为训练集。第二步：隐含层和输出层输出值的计算。其计算过程为：其中，为第l层第j个神经元的激活函数输出；为第l-1层第k个节点与第l层第j个节点的连接权值；为第l层第j个节点的阈值；σ为第l层的激活函数。将其矩阵化，可写为：a
[l]
＝σ(w
[l]
a
[l-1]
+b
[l]
)
ꢀꢀꢀ
(4)其中，x＝[x1，x2，...，x
m
]
t
为输入特征向量，本发明中m取6，即缺陷反射信号的6个特征值；n
l
为网络层数；a
[l]
为第l层神经元的激活函数输出向量；w
[l]
为第l-1层第l层节点的连接权值向量；b
[l]
为第l层节点的阈值向量；h
w，b
(x)为输出层的输出.第三步：损失函数的计算，对于分类问题，损失函数为交叉熵损失：l(h
w，b
(x)，y)＝-y log(h
w，b
(x))-(1-y)log(1-h
w，b
(x))
ꢀꢀꢀ
(6)其中，y表示训练样本的真实值。第四步：利用损失函数的梯度来迭代更新w
[l]
和b
[l]
。第五步：计算误差是否在误差指标的要求范围之内，若满足则结束，若不满足则返回第二步。第六步：确定bp神经网络模型的结构和参数。3)测试bp神经网络选取总共100个样本(每种类型缺陷选择30～40个样本)输入已训练好的bp神经网络进行测试，将样本经变分模态分解后得到的特征值输入已经训练完毕的网络，将网络的输出与样本真实值进行对比，判断分类结果的正确性，得到分类的正确率。若正确率未达到要求则重新进行训练和测试，若正确率达到要求则该参数下的bp神经网络可以用于实际的飞机电缆绝缘层缺陷检测。(3)将训练和测试完成后的bp神经网络模型用于实时检测飞机电缆绝缘层缺陷bp神经网络训练和测试完成后，检测系统可实时将缺陷反射的超声导波振动信号转化为电压信号并提取其特征值作为bp神经网络的输入，输出缺陷的分类识别结果。所述超声导波激励信号为持续五个周期的加窗正弦信号，窗口类型为汉宁窗。所述超声导波激励信号的中心频率为20khz，每1秒发射一次。所述飞机电缆绝缘层缺陷反射信号特征提取算法为vmd算法。所述bp神经网络训练算法为levenberg-marquardt算法。所述bp神经网络的隐含层激活函数为tansig函数，输出层激活函数为purelin函数。所述bp神经网络的训练次数、误差指标、学习速率均可调。

技术总结
本发明涉及一种基于BP神经网络的飞机电缆绝缘层缺陷识别方法，属于无损检测领域。该过程包括：通过上位机、数据采集卡和功率放大器产生加窗正弦信号并加载到发射压电传感器上，使超声导波沿着飞机电缆传播；接收压电传感器将接收到的超声导波反射信号转化为电信号；信号采集卡将滤波后的电信号传输到上位机；利用变分模态分解(VMD)提取信号的特征值；每种类型的缺陷信号选择若干个样本进行BP神经网络的训练和测试，将反射信号的特征值实时输入到训练和测试完成后神经网络中即可进行在线飞机电缆绝缘层缺陷类型识别。本发明的主要优点在于可实时检测飞机电缆缺陷，分类的可靠性高。靠性高。靠性高。


技术研发人员：曲志刚 陈传贤 安阳
受保护的技术使用者：天津科技大学
技术研发日：2023.04.18
技术公布日：2023/7/28