网络损伤范文

网络损伤范文（精选8篇）

网络损伤 第1篇

1 网络损伤仿真系统的流程和功能

在经过网络时应用程序发送信息的特征会出现改变, 这就造成了接收端和发送端的信息特征不一致, 从而影响了应用性能, 这即网络损伤。网络会影响应用程序的性能, 传输时延为0、吞吐能力无穷大的理想数据通路并不会影响应用程序的性能, 但是受到物理设备性能指标的限制, 以及在网络设备中该应用所传输数据的优先级别等因素的影响, 数据通路经常会受到限制。常见的影响数据通路的负面因素主要包括外界干扰、网络控制信息的数据流或者其他应用程序、传输媒介方面的限制, 以及网络设备性能指标方面的限制等。

IP网络中的网络损伤主要包括丢失、出错、延时、拆分、重复、重组、乱序、抖动、拥塞、链路中断、干扰、路由震荡、路由陷阱或路由黑洞、速率限制、网络跨越等, 其中不能用其他网络损伤表示的网络损伤有6种, 分别为:重组、拆分、重复、错误、丢失、延时, 这6种网络损伤可称为基损伤[1]。

2 网络损伤仿真系统的具体设计

2.1 设计目标

网络损伤仿真系统应该以整个网络系统为基础, 将数据传输和网络通信过程中涉及到的所有元件的具体性能囊括进来, 通过比较完整的数学分析模型, 建立网络损伤仿真模拟综合评价平台以及输出和输入操作界面, 并进行模块化设置。该系统应该通过仿真计算输出误码率和波形图。

2.2 设计流程

该系统选择的程序设计方法是C++语言面向对象, 其所定义的对象是引发网络损伤的元件, 分别为网桥、交换机、中继器、路由器和光纤, 各元件均包括不同的属性和特征, 而不同元件的属性和特征又分别具有相应的特性和共性。该系统可以分为两个主要部分:人机交互的数据与操作部分、网络传输损伤评估数据操作部分。

该系统应该设置元件数据库, 按照属性和性质对和网络损伤有关的元件进行分类, 并对相同的接口函数进行定义, 将同类软件衍生出的元件属性差异进行分类, 对数据库结构进行定义。以其对传输的作用为依据, 对元件赋予不同的传输函数。

2.3 功能模块设计

该系统包括5个紧密关联的功能模块:图形化人机接口模块、设备系统模块、网络数据传输性能评估模块、数据处理模块、网络元件库系统数据库模块。其中网络损伤仿真系统的中心是人机接口模块, 主要供用户进行系统操作, 用户可以通过该模块启动损伤仿真、建立网络物理结构、设置各元件参数。要对网络中的元件库系统参数和设备系统进行评估, 则需要使用网络数据传输性能评估模块, 然后使用图形化的方式来显示评估结果。人机交互接口模块可以对设备系统参数和元件库模块参数进行反馈。

2.4 系统操作流程

该系统能够实现图形化、可视化仿真操作, 通过图形化操作平台, 用户可以进行存取文件、启动仿真、设置参数、调整结构、选择设备、选择元件等操作, 用户先要对链路连接的合法性进行检查, 然后再对各元件传输函数进行调用, 运用波形图来仿真模拟网络传输, 最后将仿真结果得出来[2]。

3 网络损伤仿真系统的实现

网络损伤仿真系统的实现可以分为两个基本步骤。第一个基本步骤是要变网络中各节点的线性串扰、ASE噪声、信号平均功率进行计算, 第二个基本步骤是对网络的整体性能以及选定的信号畸变进行计算。

在波长与主要使用平均功率和载波波长来对信号进行表示, 对于相位传输不予考虑, 波长变量的损耗或增益函数用元件来表示, 从而进行功率计算。对非线性效应和信号波形受到网络元件的影响不予考虑。以信号占用波段的个数为依据, 将信号表示为宽带或者窄带。用在各波长处的传输函数来表示网络元件, 并运用数据表或线性方程来给出此函数, 可假设一个常数来表示波段内的损耗或者增益。

时间和输入功率也会对各元件的传输函数造成一定的影响, 在经过网络的多个元件时, ASE噪声、串扰、信号的功率就要与该元件的损耗值或者增益值相乘, 这样就可以得出各个元件输出端的平均功率值。与此同时, 如果一个元件产生串扰, 就不能在该波长段的平均功率上加上串扰功率, 应该使用不同的窄带信号来表示每个干扰, 再用第二步仿真来评估串扰造成的影响[3]。

第二步计算可以使用时域的波形来表示信号, 此时应该对相位和幅度进行考虑, 只计算选中网络的网络拓扑。可以对网络信号的偏振、相位、频率和调制方式进行选择, 从而获得初始信号形式。如果串扰向较小, 则可当作噪声或者对其进行忽略。可以用一个简单的传输方程来表示网络中的信息元件。通过逆向转换, 输出的光谱采样会在输出端的最后一个模块中转回时域信号, 频域和时域这两种表示形式同时有效。

4 结语

本文通过对全部的时域信号复振幅进行离散化和采样, 对所有的相位信息和辅助信息进行了囊括, 通过选择典型元件的方式将元件库建立了起来, 同时建立了传输损伤模型。以元件模型和完整的系统框架为基础, 使用网络损伤仿真系统来评估和计算整个链路的性能。该系统能够有效地模拟网络损伤, 并计算网络传输受到计算机各元件的影响, 以此为基础来改良损伤力强的软件, 从而使网络传输的质量得到不断的提高。

摘要：在网络时代, 人们对于网络传输质量和网络传输速率有着越来越高的要求, 对网络的应用更加频繁, 从而推进了光纤网络的广泛使用。光纤网络容易产生信号质量损伤问题, 也被称为网络损伤。为了保障网络应用的服务质量, 设计了网络损伤仿真系统, 并对其进行了实现, 以期通过该系统来对网络损伤进行仿真评估, 从而进一步改良损伤力强的元件。

关键词：网络损伤,仿真系统,设计

参考文献

[1]李宏海, 周瑞岩.面向对象方法在仿真建模中的应用研究[J].电子技术与软件工程, 2014 (05) .

[2]李彦广.网络攻防仿真系统终端子系统的设计与实现[J].计算机与现代化, 2014 (03) .

网络损伤 第2篇

BP神经网络在桥梁结构损伤诊断中的应用

本文分别对基于动力特性和人工神经网络的桥梁结构损伤诊断作了简要介绍,并且介绍了桥梁损伤智能诊断中常用的BP神经网络模型的`结构及其国内外的主要研究成果.叙述了将动力特性参数作为神经网络的输入数据,将基于动力特性参数和基于神经网络的结构损伤诊断方法结合起来应用于桥梁结构的损伤诊断,并对此结合法在桥梁损伤智能诊断方面作了展望.

作 者：宫铭霞  作者单位：郑州市市政工程质量监督专业站,河南,郑州,450000 刊 名：城市建设 英文刊名：CHENGSHI JIANSHE YU SHANGYE WANGDIAN 年，卷(期)： “”(11) 分类号：U4 关键词：动力特性   神经网络   桥梁损伤   智能诊断  

网络损伤 第3篇

关键词：踝关节康复累及损伤

【中图分类号】R4【文献标识码】B【文章编号】1008-1879（2012）11-0086-02

1踝关节损伤的普遍性

踝关节的损伤是较为常见的运动创伤，其发生率仅次于膝关节损伤。尤其对于普通人群的日常运动锻炼，踝关节更是运动损伤的高发部位。根据孙亮[1]对职业运动员运动创伤的流行病学调查显示，踝关节创伤占运动员运动创伤的6.24%，而在学生的运动创伤中则占8.25%。在踝关节创伤中，踝内侧和（或）外侧副韧带损伤占到了75.38%[2]，且均有急性损伤史。

2踝关节的康复治疗

在严重踝关节损伤时，如踝关节骨折、踝关节韧带断裂，患者须到医院就诊，甚至住院治疗。但日常运动损伤中的踝关节扭伤，患者大多可通过制动、固定、涂抹或敷贴药物以及理疗等手段逐步康复，无需住院治疗，甚至无须就医。因而绝大多数患者不会选择在专业的康复机构进行康复训练。

但是，踝关节扭伤并经过一定时间的固定制动后，仍然会出现关节运动受限以及肌肉力量下降的情况。这样在踝关节康复的后期，患者就很容易为了代偿下降的关节活动度和肌肉力量而出现异常的运动姿态。这种异常的运动姿态可能非常隐匿，但是却会打破人体运动的正常用力模式，使得关节、肌腱處承受过重的负荷或者异常方向的作用力。这样便可能使临近的关节产生继发损伤。

3踝关节运动受限对相关关节、肌肉的影响

3.1跖屈受限。常见踝关节扭伤后，韧带部分损伤或松弛者，须在踝关节背屈90°位，极度内翻位或外翻位进行靴形石膏固定[3]。因此，在固定解除时，患者可能会出现一定程度的踝关节跖屈受限。人体正常单侧肢体的迈步周期由两个主要时相组成，分别为站立相和摆动相。移动通过站立相时，当踝关节开始跖屈并产生下肢中最大的力矩，促使肢体在摆动相加速。在跖屈受限的情况下，该力矩将无法达到最大值，人体步行向前的力量将被削弱。此时，人体通过躯干前倾和膝过伸进行代偿，髋和躯干的后伸肌群处于紧张收缩状态。[4]

若患者无法得到及时的康复训练，恢复踝关节正常跖屈角度，同时又大量使用代偿的步态进行行走，则很容易造成髋和躯体后伸肌群的痉挛和劳损。尤其对于原本已有腰肌劳损或腰椎间盘突出等腰部病史的病人，该代偿步态更易诱发或加重此类疾病。

3.2背伸受限。部分踝关节损伤还会造成患者的踝关节背伸障碍。轻微的可能仅在下蹲时出现踝关节疼痛，严重的患者呈现足背屈受限，关节内出现交锁样刺痛，不敢触地，不敢平足或背屈位支撑。我们称这为“踝关节扭伤足背屈障碍症”[5]。

人体在从坐位变更到站立位时，须经过四个时相，其中第一个时相称为“屈曲动量期”，这一期的开始伴随着上身前屈产生一个向前的冲量。根据牛志馨[6]等人的研究，踝关节处于背屈位时，膝关节伸展力矩增加。踝关节保持在背屈位对股四头肌，股二头肌进行肌力增强训练，肌肉更容易出力，进而能得到更好的训练效果。因而，当踝关节背屈受限时，伸膝运动中的力矩减小，股四头肌须进行更加强有力的收缩以代偿该变化。

同样，在蹲位到站立位的变化中，踝关节背屈的也起到重要的作用。Macrum等人的研究显示，踝关节背屈受限将增加在双腿下蹲到站立位的过程中膝关节的外翻角度及膝关节内侧的移位[7]。一旦膝关节外翻，外侧股胫关节间隙缩小而内侧加大，反作用力线外移，此姿势下伸膝时股四头肌收缩力增大。

坐-站，蹲-站等都是日常生活中使用频率很高的动作，此时踝关节背屈受限将使上游的膝关节频繁地承受较大的负荷，从而可能导致膝关节和周围软组织的疲劳性损伤。例如，长期膝关节外翻可造成髌骨内外侧关节面受力不均，软骨细胞代谢障碍，导致退行性病变[8]。

4对累及上位关节导致继发损伤的研究

人体为一个整体协调的系统，不同的关节之间也存在相互协作相互影响的关系。因此，一个关节的损伤，势必破坏人体本身生理性的平衡，对其他关节、肌肉等运动系统组成部分造成影响。尤其对于足踝关节这样使用频率极高的关节，其日积月累可能造成的影响更应得到我们的重视。但当前，国内对上、下位关节累及性损伤的研究主要集中于脊柱椎间盘方面，探讨人工椎间盘置换或椎体融合术后对临近关节的影响[9，10]。对足踝部损伤累及上位关节的研究还很少。

5讨论与建议

5.1综上所述，即使是并不严重的踝关节损伤，如果在康复阶段未能得到科学的康复锻炼和运动指导，也有可能会因此累及损伤身体的其他关节或肌肉，为踝关节损伤的康复留下遗憾。这样的“后遗症”原本是可以通过医生科学的指导和训练而避免的。

5.2医生应熟悉踝关节损伤后所引起的各种常见的代偿性异常运动姿态，并告知患者注意预防。在关节活动度和肌肉力量尚未完全恢复时，应指导患者合理借助外力，如扶手、拐杖等进行日常活动，以免累及相应关节、肌肉出现劳损。针对非住院病人，尤其是不需要频繁复诊的患者，可以将院外康复锻炼的方法、注意事项，以及对异常运动姿态造成累及损伤的预防方法编写成宣传手册并派发给患者。

5.3包括踝关节在内，几乎所有骨关节的损伤都相应可能出现此类问题。对此我们可以进行更深入全面的探索和研究。

参考文献

[1]孙亮.职业运动员运动创伤流行病学调查[D].复旦大学，2007.

[2]曲绵域，于长隆.实用运动医学[M].北京：北京大学医学出版社，2003.860.

[3]吴在德，吴肇汉.外科学[M].北京：人民卫生出版社，2008.796

[4]Anne Shumway-Cook，Marjorie H.Woollacott著，毕胜，燕铁斌，王宁华译.运动控制原理与实践[M].北京：人民卫生出版社，2009.263-266，278，316

[5]赵平，王瑞华，史维忠.踝关节扭伤足背屈障碍症手法治疗——附45例临床疗效观察[J].北京体育大学学报，1980，（3）：72-75

[6]牛志馨，霍明，丸山仁司等.踝关节状态对膝关节运动的影响[C].第五届北京国际康复论坛论文集.2010：48-52.

[7]Macrum E， Bell DR， Boling M et al. Limiting Ankle Dorsiflexion Range of Motion Alters Lower Extremity Kinematics and Muscle Activation Patterns during a Squat.[J]. J Sport Rehabil.2011 Nov 15

[8]孙维国.骑马蹲裆式与髌骨劳损的预防[J].天津体育学院学报，2002，17（2）：69-71

[9]陈柏龄，魏富鑫，植山和正等.腰椎单节段固定融合术后上位相邻节段退变及其与临床疗效的关系[J].中国脊柱脊髓杂志，2011，21（2）：108-112

基于神经网络的多参数损伤识别 第4篇

本文以简支梁为研究对象, 通过数值仿真, 采用标准化后的频率下降量、振型变化量与频率变化平方的比值、曲率模态差做为神经网络输入, 合理地解释简支梁损伤前后状态的变化, 实现损伤位置和损伤程度的识别。

1 损伤识别参数理论分析

1.1 正则化频率变化率

P.C.Kaminski以自振频率、频率变化量以及正则化的频率变化率作为参数识别损伤位置, 认为正则化的频率变化率比其他两者效果好, 正则化的频率变化率:

只与损伤位置有关。

与损伤的程度和位置均相关。

1.2 振型向量的变化与频率变化平方的比值

振型向量的变化与频率变化平方的比值, 即 , 无阻尼结构自由振动方程:

一介摄动有限元形式为:

结构损伤视作刚度变化, 质量不变, , 忽略高阶微量, 将上式展开, 对于第j介模态有

左乘 , 考虑正交性

式 (6) 左乘 , 考虑到

把 (9) 带入 (8) , 考虑正交性 (8) 可以简化为:

结构的整体刚度矩阵可由单元刚度矩阵相加而成, 则整体刚度矩阵的变化也可由单元刚度矩阵的变化相加而成, 即 , 为损伤单元总数。当只有一处损伤或多处相同程度的损伤时, 为常 数, 则有

式 (13) 表明 仅与损伤位置有关, 而与损伤程度无关。

1.3 振型曲率

梁式受弯构件的曲率公式为:

式中:M为截面弯矩;EI为截面抗弯刚度; 为弯曲曲率半径, 如果结构局部出现损伤, 刚度变小, 曲率发生变化, 小变形情况下:

曲率模态是结构损伤识别的敏感标示量, 可以检测桥梁结构损失的存在及位置, 曲率模态变化的幅值就可以判断损伤程度, 通过一介差分方程得到第i个节点的曲率模态:

式中:Δ是两个相继测量点之间的距离

2 基于神经网络的损伤识别

2.1 基于神经网络的损伤识别基本原理

神经网络用于损伤识别的基本方法是:根据结构在不同状态 (不同损伤位置的不同损伤程度) 反应, 通过特征抽取, 选择对结构损伤较敏感的参数作为网络的输人向量, 结构的损伤状态作为输出, 建立损伤分类训练样本集, 然后对网络进行训练。当网络训练完毕, 即已具有模式分类功能。

2.2 损伤梁的模态分析

利用ansys建立简支梁数值分析模型, 简支梁长L为400cm, 截面尺寸宽b为20cm高h为50cm材料的弹性模量为35MPa, 泊松比为0.1667, 质量密度为2600Kg/m3, 采用实体单元模拟梁单元, 划分为40个等长的梁单元对其进行有限元分析, 结构损伤模拟裂缝来实现, 裂缝宽2mm, 简支梁5个损伤位置, 每个位置裂缝损伤深度分别为5cm、10cm、15、20cm。

2.2.1 频率分析 (见图1, 2)

通过不同位置的裂缝深度与频率变化率比较可以看出, 结构受损后频率变小、从频率变化率 (下降率) 可以看出各阶频率对损伤敏感程度不同、频率变化率 (下降率) 随损伤程度的增加非线性增加, 频率对大损伤更敏感。

2.2.2 曲率模态分析

从图3所示结果可以看出, 曲率模态差在损伤位置发生突变, 能够准确识别出单损伤的位置;各阶曲率模态差对损伤敏感程度不同。

2.3 基于神经网络的损伤识别

采用非线性映射能力较强的单隐层BP网络进行损伤识别, 采用标准化后的频率下降量, 振型变化量与频率变化平方的比值 (归一化) , 曲率模态差 (归一化) 作为神经网络输入输入样本为11维向量, 在3层网络中, 初始隐含层的神经元个数n2与输入层神经元个数n1采用公式n2=2 n1+1。隐层神经元的传递函数采用S型正切函数tansig, 输出层神经元采用S型对数函数logsig, 训练函数为trainlm, 测试结果显示, 隐层神经元个数为23时误差最小, 收敛速度比较快, 故隐层神经元个数取23.以裂缝位置和损伤程度作为输出层有5个神经元.网络经过13次训练, 误差达到最小。

以结构出现5种不同深度的裂缝做为测试样本, 输入已经训练好的网络, 归一化后的测试样本输出结果见表1。

有网络识别结果可以看出, 以多参数作为BP网络输入, 可以准确实现裂缝定位和定量, 数值模拟分析最大误差7.24%, 误差产生的原因与训练样本数量、网格划分精度有关。

3 结论

3.1简支梁受损后反映结构整体特征参数的频率降低, 并且减少的趋势与损伤程度成非线性正比关系, 根据频率变化, 可以从总体上判断结构是否受损。

3.2曲率模态差是反映结构局部损伤的敏感性参数, 在无噪声情况下准确定位损伤, 但不能反映结构的损伤程度。

3.3非线性映射能力较强的单隐层BP网络进行损伤识别, 不但可以的定位损伤, 而且可以较为准确的判断损伤程度。

参考文献

[1]谢峻, 韩大建.一种改进的基于频率测量的结构损伤识别方法[J].工程力学, 2004, 21 (1) :21-25

网络损伤 第5篇

工程结构在使用过程中由于环境荷载等因素的作用, 尤其当结构遭受较大的外来力 (如地震和火灾) 作用后, 可能发生各种损伤, 从而使结构无法满足使用功能的要求或使安全性降低。应及时的对这类建筑物进行损伤检测与评估, 判断其健康状况, 并针对其损伤程度的不同提出相应的保护和改善措施, 减少和避免不必要的人员伤亡和财产损失。使用BP神经网络法对结构进行损伤检测, 通过分步训练的方法可以很好的判断多层空间框架结构损伤的位置和程度, 该方法还可应用于对超高层以及多跨空间框架结构的损伤检测。

1 模态分析理论

振动问题的特征方程为: (K-ω2M) φ=0 (1) 其中K和M分别是整体刚度矩阵和质量矩阵;φ为正则化振型;ω为固有频率。假设损伤使结构刚度或质量矩阵产生了一个很小的摄动量, 则φ和ω产生了一个小的改变量, 结构运动的摄动方程为:[ (K+ΔK) - (ω2+Δω2) (M+ΔM) ] (φ+Δφ) =0 (2)

对于大型工程结构来说, 损伤一般对结构的刚度矩阵产生较明显的影响, 而对质量分布几乎不产生影响, 所以ΔM可看作为零。且对某个单纯模态i (i=1, 2, …) 有:

对结构的单个损伤单元N (N为损伤单元号) , 上式可化为:

引入单元损伤系数:

其中KNC是损伤后的单元刚度, KN是未损伤的单元刚度, 令α= (1-αN) 有:

式 (6) 表达了特征值的变化依赖于单元损伤的程度 (α) 和位置 (单元N) 。

2 数值模拟

所采用的八层空间框架结构计算模型及单元编号如图1所示, 框架结构每一层长、宽、每层高, 各杆均为矩形截面, , 密度, 泊松比, 弹性模量。

结构单元损伤造成的刚度减少通过单元弹性模量的减少来模拟。对于对称型结构, 对称位置上相同程度的损伤, 将引起结构自振频率相同的变化, 直接根据频率变化判定损伤位置将不可行, 故分两步来判断结构的损伤情况。先判断出损伤杆件的类型、处于哪一层和损伤程度, 然后再判断具体的损伤位置。

第一步训练:利用ANSYS的APDL命令来实现并获得各损伤情况下对应的各阶固有频率。神经网络系统的输入层有6个单元, 使用每一种损伤情况下对应的前六阶固有频率作为输入, 中间包含一个隐含层, 输出层有三个单元, 分别代表损伤所处的层数、梁柱类型 (0代表梁, 1代表柱) 和损伤的程度。另外, 通过ANSYS计算得到从杆1到杆64逐个破坏, 破坏程度为随机数的一组数据作为检验样本, 共计64*9即576个训练样本和64个检验样本。通过第一步训练得到的神经网络系统, 可以判断出损伤处于哪一层、和梁或者柱损伤的类型和程度, 但具体是哪个杆件损伤还需进一步识别。

第二步训练:用1, 2, 3, 4分别代表前后左右四根杆件。需要用来训练和检验的各种损伤工况与第一步相同如表1。为了解决结构对称性问题, 在每一层取一个节点共8个节点, 同样利用ANSYS的APDL命令来实现杆1到杆64从10%到90%各种破坏程度的逐次破坏, 并获得这8个节点在Y方向的第一阶阵型和在X方向的第三阶振型, 目的是为了利用节点在Y方向和X方向的不同对称性。第二步训练的神经网络输入层有16个单元, 中间包含一个隐含层, 输出层有一个单元, 代表损伤的具体位置, 即16输入1输出3层神经网络系统[9]。综合两步的结果便可得到损伤的确切位置和程度。

经过两步训练之后, 得到所需的全部3个网络。使用网络时先把待检验数据带入第一个网络, 可以得出损伤位置在哪一层、损伤的类型和程度, 然后根据第一步的结果再把检验数据分为梁损伤和柱损伤两种情况带入对应的具体位置检验网络 (a) 或者是 (b) , 综合两个网络的输出结果便可得出确切的损伤位置和程度。

这样的分步检测方法可以解决结构的对称性问题, 可以应用于多跨框架结构, 也可以应用于多至上百层的空间框架结构。

摘要：通过有限元模态分析, 获取结构在完好和不同损伤程度下的各阶固有频率与节点振型位移, 利用二者的差值作为损伤标识量, 灵活的利用BP神经网络进行分步训练, 得到框架结构损伤检测的神经网络系统, 可以对多层空间框架结构的损伤位置和程度做出成功检测。

关键词：神经网络,多层空间框架结构,损伤检测

参考文献

[1]王开凤, 张谢东.土木工程结构损伤识别研究[J].公路, 2008, (1) .

[2]张长江, 阿肯江.托呼提, 严跃成.基于神经网络的框架结构损伤诊断的探讨[J].基建优化, 2006.4, 27 (2) .

[3]J L Zapico, K Worden and F J Molina.Vibra-tion-based damage assessment in steel framesusing neural networks.Institute of Physics Pub-lishing, 2001, (10) 553–559.

[4]代佳宏.基于神经网络的土木工程结构损伤识别研究.科技资讯, 2008, (20) .

[5]赵洋, 李树山.BP人工神经网络在结构损伤检测与识别中的应用[J].水科学与工程, 2006, (1) .

[6]J N Kudvat, N Munirt and P W Tan.Damagedetection in smart structures using neural net-works and finite-element analyses.Smart MaterStruct, 1992, (1) 108-112.

[7]龚曙光, 谢桂兰.ANSYS操作命令与参数化编程[M].机械工业出版社, 2004, 4.

网络损伤 第6篇

WDM(波分复用)光网络正逐步向透明光网络发展,此时光信号的传输只需经过光域,但信号在经过各种光器件时,在传输过程中会累积各种物理损伤,使接收端无法通过收到的信号恢复出原始信号而造成连接失败,从而严重影响网络传输 质量[1]。而高带宽业务,如视频会议、高清TV和多人在线游戏等组播业务的应用,使得网络规模不断扩大,网络中设备的能耗也不断增加[2]。同时在光网络中,需要预留相应的保护资源以应对链路故障,这会使网络中的能耗进一步增加[3]。因此,研究存在物理损伤的生存性组播网络中的能耗问题非常有必要。

AmornratJirattigalachote等人研究 了在透明WDM网络中将保护路径置于休眠模式从而实现节约能耗的专用保护算法[4],该算法可以实现能耗和阻塞率的均衡,但并未考虑物理损伤。对于基于物理损伤的生存性组播研究,T.Panayiotou等人提出了一种基于IAPMC-RWA(物理损伤感知的组播保护波长路由分配)算法[5],该算法在满足物理损伤约束的条件下能保证组播业务的生存性,但并未考虑降低能耗。

本文提出一种基于PLI-MPE(物理损伤的组播节能保护)算法。该算法通过分别设计不同的工作、保护链路能耗代价,工作路径优先选择处于激活的链路,保护路径优先选择处于休眠的链路;再分别对工作、保护路径进行物理损伤约束判断,在实现能耗最小化的同时能够满足路径物理损伤约束。

1物理层损伤

光纤及光器件对光信号的物理损伤主要包括线性损伤和非线性损伤。其中线性损伤包括色散、偏振模色散和放大器ASE(放大自发辐射)等,而非线性损伤有FWM(四波混频)、受激拉曼散射和XPM(交叉相位调制)等。各种物理损伤的影响会以光网络性能指标BER(误码率)的劣化来体现,而BER可以通过Q因子或者OSNR(光信噪比 )体现。BER与Q因子的关系可以用下式表示[6]:

式中,,Ps为信道峰值功率,δ0、δ1均为噪声功率。由于δ0 δ1,δ0接近于0,因此可以将δ0+δ1简化式中,δASE为放大器 的ASE噪声功率,且其中,Pc为信道功率,ASE(l)为一段光路L上第l段链路上所有EDFA(掺铒光纤放大器)产生ASE噪声的光功率总和为 FWM噪声功率,且式中,P(m,n,q)为FWM噪声产生的新的噪声功率。δXPM为XPM噪声功率,且

式中,P(0)为探测通道在链路首端的平均功率,N为泵通道的个数,HXPM,,j(ω)为XPM的传递函数;PSDj(ω)为信道j的功率谱密度,Hfilter为光滤波函数。δXT为XT(串扰),且其中,ρ为光接收机灵敏度;PXT为光接收机接收到的串扰噪声功率,P0为信号信道功率。

2PLI-MPE算法描述

网络拓扑由G(N,E,W )表示,N表示网络节点数目,E表示网络链路,W表示每条光纤包含的波长数目。透明光网络中的能耗主要包括节点能耗和放大器能耗。网络总能耗可表示为[7]

式中,Pnod,n为第n个节点的能耗,且Pnod,n = Poxc+PTx+PRx,Poxc为交换结构能耗,PTx为发射机能耗,PRx 为接收机能耗;Pamp,l为第l条链路上放大器的能耗,且Pamp,l =xl·Pamp,xl为第l条链路上放大器的个数,Pamp为单个放大器的能耗。网络中工作链路上设备处于激活状态,需计算能耗。预留的保护链路均置于休眠模式,休眠模式下的设备能耗忽略不计。

PLI-MPE算法分别设计了工作链路代价CW和保护链路代价CB,以用在进行工作、保护路由选择时修改链路代价。CW、CB分别表示如下:

式中,Pnod为节点的能耗;Ll为第l条链路的长度,放大器放置的距离为80km;a为大于1的乘法系数。链路能耗是由节点能耗和放大器共同决定,W、B大于1且数值较大,是为增加链路权重而利于计算。

由式(3)可知,链路只含工作波长的CW最小;含有工作或保护波长的CW次之;如果链路中无可用波长,则CW为无穷大。由式(4)可知,链路只含保护波长的CB最小;含有工作或保护波长的CB次之;如果链路中无可用波长,则CB为无穷大。完成工作、保护路由选择后需进行物理损伤约束判断,然后再进行波长分配。其算法流程如图1所示。

3仿真分析

为了验证算法的有效性,在图2所示的NSFNet(美国国家科学基金会网)上进行了仿真验证。业务请求服从参数为λ的泊松分布,每个请求的服务时间服从参数为1/μ的负指数分布;每根光纤传输8个波长;每次业务请求为一个波长带宽;放大器间隔为80 km;Poxc为6.4 W,PTx+ PRx 为14 W,Pamp为12 W。将本文算法与IAPMC-RWA算法和传统的没有物理损伤约束的P-MP(基于路径的组播保护)算法进行对比。仿真结果均为统计平均值。Q的阈值为11dB(BER≈2×10-28)[8]。

仿真结果分别如图3、图4所示。其中横坐标表示参与组播会话的节点占全网节点的百分比,为了便于在图中表示,对百分比数值取整。由图3可知,随着组播会话规模的增大,网络的平均能耗增加幅度趋于平稳,这是因为虽然组播会话规模的增大会使得占用的链路资源增加,但阻塞率会上升,成功请求的数目减少使得平均能耗增加幅度不大。本文提出的PLI-MPE算法可以有效地降低 能耗,因为PLI-MPE算法通过设置不 同的工作、保护链路代价,尽可能地选择处于激活状态的工作链路,并将保护路径进行休眠,因而可以有效地减少网络中的能耗。由图4可知,PLI-MPE算法的阻塞率明显低于P-MP算法,这是因为P-MP算法没有进行物理损伤约束,造成接收端接收到无法满足传输质量的信号而出现阻塞。由于PLI-MPE的链路代价是由能耗决定的,路由时为降低能耗可能选择长光路,导致该光路无法满足物理损伤约束而出现阻塞,使得PLI-MPE算法的阻塞率略高于IAPMC-RWA算法。

4结束语

本文研究了在透明WDM光网络中,在保证组播业务满足物理损伤约束的同时如何降低能耗。通过设置不同的工作、保护链路代价,工作链路尽可能选择处于激活状态的链路,并将保护链路置于休眠模式,达到了降低能耗的目的;再对路径进行物理损伤约束,保证了网络传输质量。仿真结果表明,本文提出的算法可以在满足物理损伤约束下降低能耗。

参考文献

[1]Panayiotou T,Ellinas G,Antoniades N.Hybrid multicast traffic grooming in transparent optical networks with physical layer impairments[C]//The 22nd International Conference on Computer Communications and Networks.Nassau:IEEE,2013:1-6.

[2]Yun D,Lee J.Research in green network for future internet[J].Journal of KIISE,2010,28(1):41-51.

[3]Yu C,Liu Y,Hou W.A new green multicast grooming protection algorithm in WDM optical networks[J].Optik International Journal for Light and Electron Optics,2014,125(2):657-662.

[4]Jirattigalachote A,Cavdar C,Monti P.Dynamic provisioning strategies for energy efficient WDM networks with dedicated path protection[J].Optical Switching and Networking,2011,8(3):201-213.

[5]Panayiotou T,Ellinas G,Antoniades N.Segmentbased protection of multicast connections in metropolitan area optical networks with quality-of-transmission considerations[J].Journal of Optical Communications and Networking,2012,4(9):692-702.

[6]Hahn T A.Investigation of physically aware Routing and Wavelength Assignment(RWA)algorithms for next generation transparent optical networks[D].Bozeman,USA:Montana State University,2010.

[7]Aleksic S.Analysis of power consumption in future high-capacity network nodes[J].IEEE/OSA Journal of Optical Communications and Networking,2009,1(3):245-258.

网络损伤 第7篇

1 节点损伤的多重分步识别思路

节点损伤的多重分步识别的主要思路是:第一步是把框架结构节点损伤前后的固有频率输入到损伤异常过滤器来判断结构是否发生损伤,即对框架结构节点损伤进行预警;第二步是把每一层的节点看作一个子结构,对节点损伤初步定位,即确定节点损伤所在的楼层;第三步是在识别出的具有节点损伤的楼层中,对节点损伤具体位置进行识别;第四步是对已识别出的节点损伤进行定量分析。节点损伤识别技术路线如图1所示。

由于在实际工程中常常是框架梁端首先出现塑性铰,同时也为了使得研究问题简化,本文将主要对梁端出现的节点损伤进行识别研究。在研究多个节点发生损伤时,本文暂且考虑两个节点发生损伤,并把两个节点损伤进一步细化:分布在同一楼层的两个节点损伤、分布在两个楼层内的两个节点损伤。本文采用三单元模型来模拟框架结构的梁端部出现的节点损伤,即把梁类构件分为三部分(e1,e2,e3),端部的构件可以认为是刚度降低的半刚性连接。因此,节点损伤等效为相邻梁类构件端部截面的抗弯刚度下降。由于节点损伤工况有很多种,本文选取了10种有代表性的节点损伤工况(见表1),这些预设的损伤

工况将被用作神经网络的测试样本进行损伤识别。提请注意:表1中“7s35”表示编号为7的节点发生了35%的损伤;“9s45+11s45”编号为9和11的节点同时发生了45%的损伤(以下同)。

框架节点损伤的计算模型如图2所示。结构参数如下:弹性模量E=3×104MPa,泊松比U=0.3,材料密度P=2500kg/m3,梁的截面为300mm×600mm,截面惯性矩I1=5.4×109mm4,柱的截面为500×500mm,截面惯性矩I2=5.21×109mm4。

2 损伤预警

本文利用BP神经网络建立损伤异常过滤器对节点损伤进行预警。通过用完好结构的自振频率训练网络使之建立结构的健康状态模式,当把未知状态下的自振频率输入到已经训练好的网络时,网络将检查新的模式是否偏离已经建立的健康模式,这一过程可以成为结构的异常检测,根据异常检测的结果可实现损伤预警。

在网络的训练阶段,把多次测量的完好结构的自振频率组成的向f量输入神经网络,输入出目标Y定义为:

式中,k为一个正常数,mi为输入向量f中的i元素的平均值。网络训练完成后,再将输入向量f输入到训练好的网络,得到输出Y*,于是训练阶段的异常指标λ1定义为:

在网络的测试阶段,一系列来自同一结构,未知状态下的自振频率输入到训练好的神经网络,得到输出Yt*,于是训练阶段的异常指标λ2定义如下:

将λ1和λ2二者比较:如果测试阶段的异常指标λ2偏离训练阶段的异常指标λ1,则表示损伤产生;若两个序列不可分,则表示无损伤。

选取表1中的10种损伤工况,利用有限元模型计算出健康状态和10种损伤状态下的模态参数,考虑到损伤预警只使用模态频率,这里选择框架结构节点损伤前后的前10阶频率作为BP神经网络的输入。

图3中前300个点为训练阶段,后300个点为测试阶段。由图3可以看出,对于包含测量噪声的样本,其异常指标无法指示损伤工况J1、J6和J10下的节点损伤,而对于其他7种损伤工况下的节点损伤都能够给予报警,这与测量噪声引起的误差及损伤引起的模态灵敏度有关。所有测量数据的噪声为0.5%,其对应的最大测量误差为±1.5%。

由图3中可以看出,运用过滤器及异常指标能够明确地检测损伤出现的样本为J2、J3、J5、J7、J8、J9,它们由损伤引起的最大频率变化率分别为1.29%、1.33%、1.26%、1.73%、1.32%、1.61%,这些数值都是接近或者大于1.5%的。无法用过滤器检测损伤出现的样本为J1、J6、J10,它们由损伤引起的最大频率变化率分别为0.41%、0.53%、0.57%,这些数值都小于1%。刚好能够用过滤器检测损伤出现的样本为J4,它由损伤引起的最大频率变化率为1.07%,这些数值虽然小于1.5%,但是都大于1%。通过分析比较,可以得出这样的结论:只要由损伤引起的最大频率变化率大于测量误差时,损伤异常过滤器就能明确判断节点损伤是否出现,当损伤引起的最大频率变化率小于测量误差时,过滤器也能判断节点损伤是否出现,但是最大频率变化率必须要大于1%。

3 损伤初步定位

文献[5,6]研究表明:标准化频率变化率NFRN,频率变化比FCR都是损伤定位指标。本文采用频率组合指标对构件损伤初步定位。

组合指标X1表示为:

为了对比分析,另外选取单一频率定位指标NFRN,FCR。考虑到结构是对称的,在形成神经网络训练样本时,对于单损伤,对称位置的节点只选取其中一个节点损伤50%,共有12种损伤工况;对于双损伤,对称位置的节点损伤组合只选取其中一组同时损伤(50%,50%)、(30%,70%)、(70%,30%),共有432种损伤工况。因此,训练样本中一共有444种损伤工况。训练样本所对应的网络理想输出采用二进制编码(数值1对应有损伤的楼层,数值0对应没有损伤的楼层),并按照楼层编号1、2、3、4次序顺次编码,当损伤只发生在第二层,表示为0100,当第二和第三层都有损伤时,就可以表示为0110,以此类推。神经网络输出中大于0.5的数值所对应的楼层确认为有损伤楼层。神经网络的测试样本采用表1中预设的10种损伤工况。

考虑到不同阶频率对节点损伤初步定位的影响,分别采用前四阶、六阶、八阶和十阶的频率进行计算。采用前四阶、六阶、八阶和十阶频率时,网络训练都能够收敛,训练的步数分别是2177步、1627步、1086步和822步,并且所有损伤工况均识别正确。因此,采用前四阶频率计算组合指标X1作为神经网络的输入向量对节点损伤初步定位。节点损伤初步定位结果见表2,由表可以看出,节点损伤初步定位完全准确。

4 损伤具体定位

节点损伤具体定位的主要内容:一是识别分布在同一层的节点损伤具体位置;二是识别分布在两个楼层的节点损伤具体位置。文献[7][8]利用应变模态差或者应变模态变化率对节点损伤定位,但是这些应变模态指标都是随着损伤程度的增大而增大,如作为神经网络的输入参数,可能会导致神经网络对节点损伤位置的误判。为了尽量消除损伤程度的影响,采用归一化的应变模态差绝对值形成损伤指标NSMC对节点损伤定位。NSMC表示为:

式(6)中Δ*ψ1(m)为编号为m的节点处的归一化的一阶应变模态差绝对值,下标m、n,分别表示节点编号。

神经网络的测试样本采用表1中J7至J10等4种损伤工况,这些损伤工况中的节点都是在第二层和第三层,因此假定损伤是发生在第二层和第三层。形成神经网络训练样本的方法是:两个节点同时损伤(50%,50%)、(30%,70%)、(70%,30%),共有108种损伤工况。因此,训练样本一共有108种损伤工况,分别计算出各种损伤工况下各个节点(7号~18号节点)处的一阶应变模态。训练样本所对应的网络理想输出采用二进制编码(数值1对应损伤节点,数值0对应未损伤节点),按照节点编号7、8、9、10、11、12、13、14、15、16、17、18的次序顺次编排,损伤000100000100表示10号和16号节点发生了损伤,以此类推。

神经网络输出中大于0.7的数值所对应的节点确认为有损伤节点。经计算:网络只需301步就达到网络训练的目标精度10-5。神经网络识别结果见表3,由表可以得出,利用归一化的一阶应变模态差绝对值作为输入向量的神经网络可以对分布在两层的节点损伤准确定位。

5 损伤程度识别

在节点损伤已经定位的基础上,采用一阶应变模态差绝对值形成损伤程度识别指标SMC对节点损伤程度识别。SMC表示为:

式(7)中Δψ1(m)为编号为m的节点处的一阶应变模态差绝对值,下标m、n,分别表示节点编号。

节点损伤程度识别的具体方法是:以已知损伤节点(节点组)产生不同损伤程度(组合)时的结构作为样本进行分析,计算节点损伤所在楼层内各个节点处的一阶应变模态差绝对值SMC形成训练样本,利用训练样本数据训练神经网络,然后把测试样本输入到训练好的神经网络对节点的损伤程度进行识别。

表1中损伤工况J1至J10中的节点损伤具体位置已经被识别出来,现以这10种工况下的节点损伤为研究对象,对节点损伤程度进行识别。

为了保证神经网络识别效果,网络训练时应该密化样本空间(即训练样本采用的损伤程度尽量分隔得密一些)。用于节点损伤程度识别的训练样本形成方法是:单个节点分别损伤20%、30%、40%、50%、60%、70%、80%,两个节点分别同时损伤(10%,10%)、(20%,20%)、(30%,30%)、(40%,40%)、(50%,50%)、(60%,60%)、(70%,70%)、(20%,30%)、(20%,40%)、(20%,50%)、(20%,60%)、(20%,70%)、(30%,40%)、(30%,50%)、(30%,60%)、(30%,70%)、(40%,50%)、(40%,60%)、(40%,70%)、(50%,60%)、(50%,70%)、(60%,70%)、(30%,20%)、(40%,20%)、(50%,20%)、(60%,20%)、(70%,20%)、(40%,30%)、(50%,30%)、(60%,30%)、(70%,30%)、(50%,40%)、(60%,40%)、(70%,40%)、(60%,50%)、(70%,50%)、(70%,60%)。神经网络的输出为节点的损伤程度指数,节点损伤程度识别结果见表4,表中识别误差为识别值与实际值之间绝对误差的绝对值。由表4可得,神经网络对10种损伤工况中的节点损伤程度识别效果都很好,最大识别误差仅为2.68%,由此说明一阶应变模态差绝对值SMC非常适合对节点损伤程度识别。

注:表中每种损伤工况下的节点编号见表1。

6 结论

基于神经网络的框架结构损伤的多重分步识别方法能够有效地对节点损伤进行预警、定位和定量,得出的主要结论如下:

1)利用BP神经网络建立的损伤异常过滤器能够很好地对节点损伤预警,结果表明:(1)当损伤引起的最大频率变化率大于测量误差时,损伤异常过滤器能够对节点损伤准确预警;(2)当损伤引起的最大频率变化率小于测量误差时,过滤器也能判断节点损伤是否出现,但是最大频率变化率必须要大于1%;(3)与构件损伤相比,节点损伤要小一些,从本文的分析结果来看,小损伤的预警需要更高阶次的频率输入到损伤异常过滤器,因此,这就加大了小损伤的预警难度。

2)在对节点损伤初步定位中,采用组合指标X1的神经网络能够准确地识别出表1中预设损伤的初步位置。通过对含噪声样本训练与测试可知:在频率测量噪声水平小于0.1%时,采用组合指标X1作为输入向量的神经网络能够对节点损伤初步定位具有较高的可信度。

3)采用指标NSMC作为输入向量的神经网络可以很好地对节点损伤具体位置进行识别。通过对含噪声样本的测试与训练可知,当应变模态测量噪声水平小于5%时,利用指标NSMC作为输入向量的神经网络对节点损伤定位具有较高的可信度,可见,应变模态指标对损伤更加敏感,具有较好的抗噪性。值得注意的是:应变模态指标对测试点的依赖性很大,当节点损伤初步定位以后,再对节点损伤具体定位时,就只需在节点损伤所在楼层布置测试点,因而这样就大大减少了现场测试工作。

4)在对节点损伤程度识别中,采用节点处一阶应变模态差绝对值SMC作为输入向量的神经网络能够对节点损伤程度很好的识别。计算结果表明:节点损伤程度的最大识别误差仅为2.68%。

参考文献

[1]George Hearn,Rene B.Testa.Modal Analysis for Damage detection in structures[J].Journal of structural Engineering,1991,117(10):3042-3063.

[2]Kaminski PC.The approximate location of damage through the analysis of natural frequencies with artificial neural networks,[J]Journal of process mechanical engineering,IMechE,1995:117-123.

[3]徐丽,易伟建.应变模态在框架结构节点损伤诊断中的应用研究[J].振动、测试与诊断.2006,26(2):102-107.

[4]瞿伟廉,陈伟,李秋胜.基于神经网络技术的复杂框架结构节点损伤的两步诊断法[J].土木工程学报,2003,36(5):37-45.

[5]黄东梅.高耸塔架结构节点损伤的两步诊断法[D].武汉:武汉理工大学,2003.

[6]丁阳,宋扬,李忠献.大跨度空间网格结构节点损伤识别定位[J].天津大学学报,2007,40(6):726-730.

[7]朱宏平,千力.利用振动模态测量值和神经网络方法的结构损伤识别研究[J].计算力学学报,2005,22(2):193-196.

网络损伤 第8篇

1 叶片损伤图像预处理

要对叶片损伤类型进行识别就要先对采集图像进行预处理, 本文先采用图像分割技术将叶片损伤区域分割出来, 然后, 采用边界跟踪方法和灰度共生矩阵法提取损伤区域的特征参数, 进而得到损伤信息。

1.1 基于概率神经网络 (PNN) 的图像分割

图像分割的作用是把反映物体真实情况的、具有不同特性的目标区分出来并形成数字特征[2], 图像分割质量的好坏直接影响后续图像处理的效果。本文运用PNN图像分割方法对图像分割, 该方法的最大优点是可直接对真彩图分割, 克服了传统图像分割方法在图像转换、图像增强等处理过程中的信息丢失现象, 得到的分割图像质量更高。采用MATLAB神经网络工具箱中的newpnn函数创建PNN训练网络, 即net=newpnn (P, T, spread) , 其中, P为网络输入向量, 即图像RGB值, T为目标向量, 即背景像素点或损伤像素点, spread网络扩展系数, 采用sim函数对网络进行仿真, 仿真图像大小为300 (pixel) ×300 (pixel) , 图像原图见图1, , 最终分割结果见图2, 图3, 具体实现过程见参考文献3。

1.2 基于边界跟踪和灰度共生的特征参数提取

边界跟踪法提取形状特征参数, 灰度共生矩阵方法提取纹理特征参数。采用MATLAB工具箱的bwboundaries函数跟踪形态学运算后的图像边界, 标记图像边界坐标, 采用regionprops函数, 计算图像面积、长轴距离、短轴距离和边界周长, 根据式 (1) 和式 (2) 计算形状特征参数伸长度 (E) 和形状复杂度 (F) ;采用graycomatrix函数建立灰度共生矩阵, 设置graycoprops函数的属性为contrast和correlation, 计算纹理特征参数的对比度和相关度。

式 (1) 中, W为短轴距离, H为长轴距离。

式 (2) 中, L为周长, S为面积。

2 建立改进GA算法优化RBF网络的识别模型

2.1 RBF神经网络和GA算法的优缺点分析

RBF神经网络是一种性能优越的前向神经网络模型, 第一层为径向基层输出表达式a1=g (‖IW-p‖b1) 其中, g为径向基函数, 这里选取高斯函数:g (n) =e-n2, 第二层为线性输入层:a2=purelin (LW2a1+b2) 。它具有训练速度快、网络结构简单和推广能力强等优点, 但是在网络设计过程中扩展系数的选取对网络的性能影响较大, 如何选取合理的扩展系数成为提高网络识别正确率的关键;GA算法是一种能够在复杂搜索空间快速寻找全局最优解的搜索技术, 但是GA算法中交叉概率Pc和变异概率Pm的选取非常繁琐, 其值直接影响算法行为、性能和收敛性[4]。综上所述, 本文采用GA算法优化RBF神经网络的扩展系数, 针对GA算法的不足, 设计能够使Pc和Pm随着适应度自动调整算法, 进而建立改进GA算法优化RBF网络的识别模型。

2.2 染色体的编码和适应度函数的构造

对于一个实际的优化问题, 需要将其表示为适合GA算法的操作形式。本文采用二进制编码, 假设寻优参数a的区间为[amin, amax], 用m位二进制数b来表示, 则应满足:

将所有参数表示为二进制数串, 该字串为GA算法的操作对象。

适应度函数是区分群体中个体好坏的标准, 是衡量算法优劣的关键。为了使RBF网络的预测值和期望值残差最小, 本文将预测值和期望值的误差矩阵范数作为适应度函数。

2.3 初始种群的确定和选择操作

本文选择完全随机的方法产生初始种群, 种群大小为40。选择操作根据每个个体适应度值大小进行选择, 适应度高低决定个体被遗传到下一代种群的概率[5]。采用适应度比例选择算子进行选择操作, 假设个体xi的适应度为f (xi) , 则其被选中的概率为

式 (4) 中, f (xi) 是个体xi的适应度值;∑f (xj) 为群体适应度总和。

假设当前个体选择概率为p1 (xi) , p2 (xi) , …, pm-1 (xi) , pm (xi) , 随机产生一个[0, 1]之间的数r, 若, p1 (xi) +p2 (xi) +…+pm-1 (xi)

2.4 改进GA算法的交叉和变异操作

交叉和变异操作是实现GA算法的关键环节。Pc过大遗传模式被破坏的可能性就大, 使适应度较高的个体结构被破坏;但是Pc过小, 会使算法搜索过程缓慢;Pm过大算法就完全变成了纯粹的随机搜索算法;Pm过小就不会产生新的个体结构[7—8]。本文采用改进的交叉和变异操作, 当适应度值低于平均值时, 对它采用较大的Pc和Pm;当适应度值高于平均适应度时, 根据其适应度值取相应的Pc和Pm;同时, 为了避免在进化初期优秀个体不发生变化使算法走向局部最优解, 将算法做了进一步改进, 使群体中最大适应度值个体的Pc和Pm, 分别提高到Pc2和Pm2。这种改进后的算法能够保持群体多样性和收敛性。算法自适应调整公式如下:

其中, Pc1为初始交叉概率;Pm1为初始变异概率;Pc2为交叉概率可以提高到的最值;Pm2为变异概率可以提高到的最值;fmax群体中最大的适应度值;favg每代群体的平均适应度值;f'要交叉的两个个体中较大的适应度值;f要变异个体的适应值。实际应用中通常取Pc=0.4~0.99, Pm=0.0001~0.1。

2.5 算法的实现

算法具体实现步骤如下。

(1) 提取叶片损伤图像特征参数, 对参数做归一化处理。

(2) 确定算法初始参数、搜索区间、创建初始种群。

(3) 建立RBF神经网络, 将RBF神经网络的预测值和实际值的误差矩阵范数作为适应度函数。

(4) 计算个体适应度大小, 采用排序方法分配适应度值, 选择种群中适应度大的个体, 重新计算适应度值, 根据公式 (4) 计算交叉概率, 采用单点交叉方式进行交叉操作, 根据公式 (5) 计算变异概率, 进行变异操作。计算目标函数值。

(5) 如果算法选出最优个体执行 (6) , 否则执行 (4) 直到达到最大遗传代数。

(6) 将最优个体作为RBF神经网络扩展系数, 叶片损伤特征参数作为网络输入向量, 对RBF神经网络进行训练, 利用训练好的改进GA_RBF网络对损伤进行识别, 输出识别结果。

3 叶片损伤图像识别实例仿真

叶片损伤图像采用OLYMPUS硬性内窥检测仪采集, 其技术指标为:光学视野方向50°~110°, 视角20°, 工作长度246 mm~446 mm, 插入管外径8.1mm, 测量范围10 mm~180 mm, 测量精度±4%mm。选取了90幅航空发动机叶片损伤图像, 其中60幅作为训练样本, 30幅作为测试样本, 识别结果包含裂纹损伤、边缘刻口、表皮脱落3类常见航空发动机叶片损伤故障。根据上述图像处理方法, 对90幅图像进行处理得到损伤图像特征参数, 部分提取特征参数如表1所示。其中, 3类常见叶片损伤类型各有30组, 3种模式分别对应的类别标签为{1, 2, 3}, 1代表表皮脱落、2代表裂纹损伤、3代表边缘刻口。

表1中, 根据公式 (1) 可知, 伸长度是分割后图像的短轴距离和长轴距离的比值, 所以是无量纲参数, 同理, 根据公式 (2) 可知, 形状复杂度也为比值, 是无量纲参数;在matlab中对比度的计算公式如下:

其中:p (i, j) 是概率值, n是像素个数, i, j是灰度级, μxσx是灰度共生矩阵水平方向的行均值和行标准差, μyσy是灰度共生矩阵垂直方向的列均值和列标准差, 这些参数都是无量纲参数, 所以CON和COR也是无量纲参数。

建立改进GA算法优化RBF网络识别模型, 具体实现过程见步骤 (1) 至 (6) 。GA算法种群规模为40, 最大遗传代数为20, 编码位数为20, 遗传代沟0.95, 初始交叉概率Pc1=0.8, 初始变异概率Pm1=0.01, 交叉概率可以提高到的最值Pc2=0.6, 变异概率可以提高到的最值Pm2=0.001, GA算法的区域描述器Field D=[20;1;10;1;1;1;1]。RBF网络优化扩展参数区间为[1, 10], 采用net=newrb (P, T, goal, best X) 建立RBF识别网络, 其中P, T为网络的输入输出, goal为训练目标, 这里选取0.001, best X为当前训练样本下, 网络的最优扩展系数, 进化过程如图4所示。

可知, 算法迭代到第10代时网络模型误差矩阵范数达到最小值, 此时, 得到的最优扩展系数为best X=4.22。建立优化后的RBF网络识别模型, 仿真识别结果如图5所示, 识别正确率达到93.33%。这说明当前测试样本情况下, 上述最优参数建立的识别网络识别率高、稳定性好。同时, 本文还采用随机获取扩展系数的方式建立了的RBF神经网络识别模型, 将识别结果与本方法进行对比分析, 识别结果见图6和图7, 对比分析结果见表2。从表2对比结果可知, 改进GA算法优化RBF网络识别模型正确率更高。

4 结论

本文首先采用PNN神经网络、边界跟踪和灰度共生算法提取叶片损伤图像的特征参数;然后, 将GA算法进行改进实现Pc和Pm的自适应调整, 提高GA算法的全局搜索能力;最后, 采用自适应GA算法优化RBF神经网络扩展系数, 实现动态获取RBF网络最优扩展系数的目的;建立改进GA算法优化RBF网络的航空发动机叶片损伤图像识别模型, 仿真结果表明:与单一RBF网络识别模型相比, 改进GA算法优化RBF网络识别模型, 识别率更高、网络更稳定, 该方法大大缩短了叶片损伤类型判别时间, 避免了传统叶片损伤类型判定工作的复杂性和繁琐性, 提高了叶片损伤检测的可靠性和自动化程度, 对航空发动机视情维修和外场检测具有重要价值。

参考文献

[1] 陈果, 汤洋.基于孔探纹理特征的航空发动机损伤识别方法.仪器仪表学报, 2008;29 (8) :1709—1713

[2] 朱虹.数字图像处理基础.北京:北京科学出版社, 2005

[3] 张维亮, 李楠, 李昂, 等.基于概率神经网络的航空发动机叶片损伤图像分割.沈阳航空航天大学学报, 2013;30 (2) :22—26

[4] Holland J H.Adaptation in Natural and Artificial Systems.Cambridge Massachusetts:MIT Press, 1992

[5] 刘国海, 蒋志佳.基于遗传优化神经网络在高压瓷瓶裂缝识别中的应用.电测与仪表, 2009;46 (520) :39—43

[6] Leung H, Dubash N, Xie N.Detection of sm all objects in clutter using a GA-RBF neural network.IEEE Transactions on Aerospace and E lectronic Systems, 2002;38 (1) :98—118

[7] 张涛, 费树民, 李晓东.基于GA-RBF神经网络及边界不变特征的车辆识别.智能系统学报, 2009;4 (3) :278—282