，Xi,k為重構(gòu)系數(shù)Ss,i的離散的幅值（即每個(gè)頻帶內(nèi)的能 量），求得各頻段所占信號(hào)總能量的比值馬,1:
[0037] (2)。
[0038] 步驟（3):選取BP網(wǎng)絡(luò)學(xué)習(xí)樣本，并建立損傷識(shí)別BP神經(jīng)網(wǎng)絡(luò)模型；
[0039] 選取小波包的能量譜中最大能量值作為損傷特征向量，提取不同損傷狀況的特征 向量組成BP神網(wǎng)絡(luò)的學(xué)習(xí)樣本；
[0040] 選取含有一個(gè)隱含層的S層BP神經(jīng)網(wǎng)絡(luò)，輸入層、輸出層神經(jīng)元節(jié)點(diǎn)數(shù)分別為4 和3,學(xué)習(xí)樣本數(shù)為24組，得到的隱含層節(jié)點(diǎn)數(shù)為16個(gè)，實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)模型建模。
[0041] 為了提高損傷識(shí)別的精度，選取小波包能量譜中最為敏感的一階，即最大的能量 值作為損傷特征向量，接下來分別提取多種損傷狀況下的損傷信號(hào)進(jìn)行同樣的小波包能量 譜分析，將其所對(duì)應(yīng)的特征向量組成BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本。
[0042] 基于MTLAB編程得到損傷信號(hào)的小波包能量譜如圖2所示，能量譜中32階能量 值，根據(jù)頻段從低到高排列，為了提高損傷識(shí)別的準(zhǔn)確性，選取能量值最高的一階做為損傷 特征向量。之后分別提取不同損傷工況下對(duì)應(yīng)的損傷特征向量組成BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣 本，共24組數(shù)據(jù)，進(jìn)行數(shù)據(jù)歸一化后結(jié)果顯示在表1中。
[0043] 表IBP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本數(shù)據(jù)歸一化后結(jié)果
[0044]
[0046] 選取小波包的能量譜中最大能量值，即最為敏感的一階能量值作為損傷特征向 量，提取不同損傷狀況的特征向量組成BP神網(wǎng)絡(luò)的學(xué)習(xí)樣本；
[0047] 選取含有一個(gè)隱含層的S層BP神經(jīng)網(wǎng)絡(luò)，輸入層、輸出層神經(jīng)元節(jié)點(diǎn)數(shù)分別為4 和3,學(xué)習(xí)樣本數(shù)為24組，得到的隱含層節(jié)點(diǎn)數(shù)為16個(gè)，實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)模型建模。
[0048] 表1中包含BP神經(jīng)網(wǎng)的輸入輸出值，運(yùn)些樣本數(shù)據(jù)將用于BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn) 練，W得到具有復(fù)合材料損傷模式識(shí)別的神經(jīng)網(wǎng)絡(luò)?；趯W(xué)習(xí)樣本W(wǎng)及擬解決的復(fù)合材料 損傷識(shí)別問題，選取含有一個(gè)隱含層的3層BP神經(jīng)網(wǎng)絡(luò)，輸入輸出層神經(jīng)元節(jié)點(diǎn)數(shù)分別為 4和3,學(xué)習(xí)樣本數(shù)為24組，得到的隱含層節(jié)點(diǎn)數(shù)為16個(gè)?；贛TLAB編程實(shí)現(xiàn)的BP神 經(jīng)網(wǎng)絡(luò)代碼如下：
[0049]threshold= [01 ；01 ；01 ；01]；
[0050]net=newff(threshold, [163]logsig'，'logsig'trainrp'）；
[0051]net.trainParam.epochs= 2000；
[0052]net.trainParam.goal= 0. 01 ；
[0053] LP.Ir=0. 08;
[0054]net=train(net,P,T)；
[00巧]其中threshold是用于規(guī)定網(wǎng)絡(luò)輸入向量的最大最小值，共四個(gè)輸入量，最大值 為1，最小值為0 ;16表示隱含層節(jié)點(diǎn)數(shù)為16個(gè)，3表示輸出層節(jié)點(diǎn)數(shù)為3即S個(gè)輸出量； 兩個(gè)函數(shù)'logsig'分別表示的是隱含層傳遞函數(shù)與輸出層傳遞函數(shù)；'train巧'表示的網(wǎng) 絡(luò)訓(xùn)練函數(shù)，為彈性梯度下降算法。網(wǎng)絡(luò)的訓(xùn)練次數(shù)設(shè)為2000次，訓(xùn)練目標(biāo)為0. 01，學(xué)習(xí)速 率為0. 08,最后創(chuàng)建網(wǎng)絡(luò)net, P，T分別表示輸入向量和目標(biāo)向量。
[005引步驟（4)，復(fù)合材料損傷輸出：經(jīng)過564次訓(xùn)練后BP神經(jīng)網(wǎng)絡(luò)達(dá)到收斂，其訓(xùn)練結(jié) 果如圖3所示?；趯W(xué)習(xí)訓(xùn)練好BP神經(jīng)網(wǎng)絡(luò)對(duì)復(fù)合材料進(jìn)行損傷檢測，并輸出損傷結(jié)果。 基于另外采集的12組復(fù)合材料板沖擊響應(yīng)試驗(yàn)數(shù)據(jù)對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，得到網(wǎng)絡(luò)的 測試數(shù)據(jù)與期望值的誤差曲線圖如圖4所示。從測試數(shù)據(jù)結(jié)果與期望值的誤差曲線圖發(fā) 現(xiàn)，12組測試結(jié)果與網(wǎng)絡(luò)期望值都非常接近，說明基于小波包分析和BP神經(jīng)網(wǎng)絡(luò)結(jié)合的信 號(hào)處理算法能夠準(zhǔn)確完成復(fù)合材料板的損傷檢測，而且誤差較小在±0.06W內(nèi)，說明運(yùn)用 此方法進(jìn)行復(fù)合材料損傷檢測是有效可行的。
[0057] W上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出：對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人 員來說，在不脫離本發(fā)明原理的前提下，還可W做出若干改進(jìn)和潤飾，運(yùn)些改進(jìn)和潤飾也應(yīng) 視為本發(fā)明的保護(hù)范圍。
【主權(quán)項(xiàng)】
1. 基于小波分析和BP神經(jīng)網(wǎng)絡(luò)的復(fù)合材料損傷檢測方法，其特征在于，包括以下步 驟： 步驟（1)，采集復(fù)合材料損傷信號(hào)； 步驟（2)，構(gòu)建提取損傷信號(hào)的小波分析算法，并獲取小波包的能量譜； 步驟⑶：選取BP網(wǎng)絡(luò)學(xué)習(xí)樣本，并建立損傷識(shí)別BP神經(jīng)網(wǎng)絡(luò)模型； 步驟（4)，復(fù)合材料損傷輸出：經(jīng)過M次訓(xùn)練后BP神經(jīng)網(wǎng)絡(luò)達(dá)到收斂，基于學(xué)習(xí)訓(xùn)練好BP神經(jīng)網(wǎng)絡(luò)對(duì)復(fù)合材料進(jìn)行損傷檢測，并輸出損傷結(jié)果。2. 根據(jù)權(quán)利要求1所述的基于小波分析和BP神經(jīng)網(wǎng)絡(luò)的復(fù)合材料損傷檢測方法，其特 征在于， 所述步驟（2)，構(gòu)建提取損傷信號(hào)的小波分析算法，并獲取小波包的能量譜，具體包括 以下步驟： S201，將復(fù)合材料損傷信號(hào)進(jìn)行小波包分解，所述小波包分解的小波基為db小波，db小波的濾波長度和支集長度均為2N，小波基的消失矩陣階數(shù)為N; 5202, 設(shè)定小波的分解層數(shù)為5,損傷信號(hào)在頻率軸分為32個(gè)頻帶，選取的小波階數(shù)為 4,基于db4小波進(jìn)行小波包分析； 5203, 基于小波包分析對(duì)損傷信號(hào)進(jìn)行5層分解，得到32個(gè)信號(hào)頻率成分，并根據(jù)信號(hào) 頻率成分從低到高排列，對(duì)小波包分解的系數(shù)進(jìn)行重構(gòu)，計(jì)算各重構(gòu)信號(hào)的能量，對(duì)于分解 后的第5層，記各結(jié)點(diǎn)的重構(gòu)系數(shù)為SM，所述各結(jié)點(diǎn)重構(gòu)系數(shù)表示小波各階的能量，得到 小波包的能量譜E5il:其中，i= 0, 1，2, 3. .. 31，xlik為重構(gòu)系數(shù)S5il的離散的幅值，計(jì)算獲取各頻段所占信號(hào) 總能量的比值G5，1:3. 根據(jù)權(quán)利要求1所述的基于小波分析和BP神經(jīng)網(wǎng)絡(luò)的復(fù)合材料損傷檢測方法，其特 征在于， 所述步驟（3)選取BP網(wǎng)絡(luò)學(xué)習(xí)樣本，并建立損傷識(shí)別BP神經(jīng)網(wǎng)絡(luò)模型，具體包括以下 步驟， 選取小波包的能量譜中最大能量值作為損傷特征向量，提取不同損傷狀況的特征向量 組成BP神網(wǎng)絡(luò)的學(xué)習(xí)樣本； 選取含有一個(gè)隱含層的三層BP神經(jīng)網(wǎng)絡(luò)，輸入層、輸出層神經(jīng)元節(jié)點(diǎn)數(shù)分別為4和3， 學(xué)習(xí)樣本數(shù)為24組，得到的隱含層節(jié)點(diǎn)數(shù)為16個(gè)，實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)模型建模。
【專利摘要】本發(fā)明公開了一種基于小波分析和BP神經(jīng)網(wǎng)絡(luò)的復(fù)合材料損傷檢測方法，采用小波分析算法中小波包分析預(yù)處理損傷信號(hào)，依據(jù)小波包分析算法對(duì)小波包分解系數(shù)進(jìn)行重構(gòu)，用小波包對(duì)損傷信號(hào)進(jìn)行5層分解后，會(huì)得到32個(gè)頻率成分，緊接著對(duì)小波包分解的系數(shù)進(jìn)行重構(gòu)，根據(jù)各個(gè)結(jié)點(diǎn)系數(shù)表示各階的能量，得到小波包的能量譜圖，選取小波包能量譜中能量值最大，即最為敏感的一階能量值作為損傷特征向量，其次提取不同損傷狀況的特征向量組成BP神網(wǎng)絡(luò)的學(xué)習(xí)樣本。本發(fā)明收斂速度較快，簡單有效，經(jīng)過學(xué)習(xí)訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)具有復(fù)合材料損傷模式識(shí)別的能力，能準(zhǔn)確地識(shí)別復(fù)合材料損傷及損傷程度大小，并能實(shí)現(xiàn)損傷定位。
【IPC分類】G06T7/00
【公開號(hào)】CN105225223
【申請(qǐng)?zhí)枴緾N201510536557
【發(fā)明人】胡寧
【申請(qǐng)人】南京市計(jì)量監(jiān)督檢測院
【公開日】2016年1月6日
【申請(qǐng)日】2015年8月27日