改进的神经网络技术在声发射定位中的应用

    声发射(AE)检测技术是一种动态的被动检测技术,不像超声那样需借助外界的能量。它能够真正做到在线、实时检测^[1,2],能快速显示物体的破损状态和缺陷位置,大大节省检测时间,降低成本。

    声发射源定位是进行声发射检测的一项重要工作,是声发射检测与评定的一项重要指标,其准确程度反映了声源检测位置与实际出现的活动缺陷位置的吻合程度。如何提高声源的定位精度,最大程度降低漏定位和伪定位,是声发射定位与评定中的一个重要问题。可以说如没有准确定位,开展声发射检测的意义就不大^[3]。以往常见的定位方法为时差定位法,其显著特点是利用跨越门槛技术来决定到达时间,这样很大程度上就取决于工程人员的实际经验,还与声发射仪器参数的设置,波速的选择,换能器在空间的位置,声发射信号在传播过程中的散射、衍射和模式转换,物体的边界条件,板波的色散,声波传播过程的衰减及环境的影响等多方面因素有关,这使检测的信号十分复杂,不同的人测得结果有时差别很大^[4]。为了最大限度降低人为因素的影响,目前智能算法已被广泛应用于损伤定位中。在智能算法中,神经网络技术具有其独有的特点,它突破了传统的线性处理为基础的数字电子计算机的局限,是一个具有高度非线性的超大规模的连续时间动力系统。其主要特征为符合连续时间非线性动力学、网络的全局作用、大规模的并行分布处理和联想能力。这使得它在结构损伤故障诊断、模式识别、控制优化和智能信息处理等方面具有广泛的应用^[5~7]。只要选择合理的网络结构和正确的输入样本及足够多的训练样本,网络的正确识别率是可以满足工程要求的,同时能降低多种人为因素的影响。神经网络根据学习过程的组织和管理方式不同,算法分为有导师和无导师学习两大类,这里采用相对成熟的有导师学习算法———误差反向传播算法,简称BP(Back Propagation)算法。

1　BP网络算法原理

    它由输入层、中间层和输出层组成。中间层也就是隐含层,它可以是一层或多层。BP网络的学习过程由正向传播和反向传播两部分构成。当正向传播时,输入信息从输入层经隐含层处理后传向输出层,每一层神经元的状态只影响下一层的神经元状态。如果在输出层得不到希望的输出,则转入反向传播,将误差信号沿原来的神经元连接通路返回。返回过程中,逐一修改各神经元连接的权值。这种过程不断迭代,最后使得信号误差达到允许的范围之内。采用BP算法的多层神经网络模型一般称为BP网络,多层神经网络模型的拓扑结构见图1。