資源描述：
《基于感知器神經(jīng)網(wǎng)絡(luò)的金屬磁記憶檢測管道缺陷分析.pdf》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、2013年5月機(jī)床與液壓May2013第41卷第9期MACHINETOOL&HYDRAULICSVoJ．41No．9DOI：10．3969／j．issn．1001—3881．2013．09．051基于感知器神經(jīng)網(wǎng)絡(luò)的金屬磁記憶檢測管道缺陷分析龔利紅，李著信，許紅，劉書俊(1．中國人民解放軍后勤工程學(xué)院軍事供油工程系，重慶401331；2．重慶通信學(xué)院軍事電力_T-程系，重慶400035)摘要：感知器神經(jīng)網(wǎng)絡(luò)可以在采用金屬磁記憶技術(shù)查找管道隱性損傷的基礎(chǔ)上，有效識別應(yīng)力集中和宏觀裂紋。對4項(xiàng)線性指標(biāo)的感知器神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)仿真分析，100次模擬的平均診斷正確率為71．2％。增
2、加切向梯度和法向梯度乘積項(xiàng)的感知器神經(jīng)網(wǎng)絡(luò)識別效果最好，其100次模擬的平均診斷正確率達(dá)到了90．7％，顯著高于線性模型的識別效果，可有效應(yīng)用于金屬磁記憶的管道缺陷監(jiān)測。關(guān)鍵詞：金屬磁記憶；感知器神經(jīng)網(wǎng)絡(luò)；管道缺陷中圖分類號：TP183文獻(xiàn)標(biāo)識碼：A文章編號：1001—3881(2013)9—186—3AnalysisofPipelineDefectsbyMetalMagneticMemoryDetectionBasedonPerceptronNeuralNetworkGONGLihong。一，LIZhuxin，XUHong，LIUShujun(1．Departmentof
3、MilitaryOilSupplyEngineering，LogisticEngineeringUniversityofPLA，Chongqing401331，China；2．DepartmentofMilitaryElectricPowerEngineering，ChongqingCommunicationInstitute，Chongqing400035，China)Abstract：Thestressconcentrationandmacroscopiccrackbetweencouldbeeffectivelydistinguishedbytheperceptron
4、neuralnetwork，onbasisofhiddenpipelinedamagesfoundbyusingthetechnologyofmetalmagneticmemory．Theaveragediagnosticaccu—racyrateof100timesofcomputersimulationanalysiswasreached71．2％viaperceptronneuralnetworkby4linearindexes．Whenaddingtheproductoftangentialgradientandnormalgradientofperceptronn
5、euralnetwork，thedistinguisheffectwasatoptimal，andtheaveragediagnosticaccuracyrateof100simulationswasreached90．7％．whichissignificantlyhigherthanthatofthelinearmode1．SOitcanbeusedeffectivelytodetectthepipelinedefectsofmetalmagneticmemory．Keywords：Metalmagneticmemory；Perceptronneuralnetwork；P
6、ipelinedefect超過80％的現(xiàn)代工業(yè)設(shè)備的結(jié)構(gòu)破壞都是由疲選擇閾值可能造成誤差。感知器神經(jīng)網(wǎng)絡(luò)(Percep—勞失效引起的?，在不傷及構(gòu)件材料的前提下，有效tronNeuralNetwork，PNN)是人工神經(jīng)網(wǎng)絡(luò)中的一種判別在役設(shè)備構(gòu)件的應(yīng)力變形缺陷狀況非常有現(xiàn)實(shí)意分類效果較好的方法，文中將該模型用于管道缺陷義。由俄羅斯科學(xué)家DOUBOV教授提出的金屬磁記檢測的識別分析。憶(MetalMagneticMemo~)診斷技術(shù)能有效地對鐵1感知器神經(jīng)網(wǎng)絡(luò)的原理與方法磁構(gòu)件的早期應(yīng)力集中進(jìn)行無損檢測。一旦金屬磁1．1感知器神經(jīng)網(wǎng)絡(luò)的基本原理記憶檢測出法向分量過零點(diǎn)，即可
7、判定裂紋存在，但感知器是前向型單神經(jīng)元的網(wǎng)絡(luò)，其網(wǎng)絡(luò)基本結(jié)卻不能通過單項(xiàng)指標(biāo)有效區(qū)分是應(yīng)力集中還是宏觀裂構(gòu)如圖1。紋。因此，如何將多項(xiàng)指標(biāo)綜合在一起，通過有其中：∞表示第i個(gè)神經(jīng)元與感知器的連接權(quán)效的數(shù)學(xué)模型來識別就顯得十分必要。重；表示第i個(gè)神經(jīng)元的狀態(tài)，i=1，2，?，n。人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork，ANN)感知器的外部輸入數(shù)據(jù)為研究對象的自變量指標(biāo)由于其良好的預(yù)測功能而被應(yīng)用于各領(lǐng)域，應(yīng)用最廣值，輸出為感知器的狀態(tài)值，由輸入神經(jīng)元、權(quán)重和泛的是BP神經(jīng)網(wǎng)絡(luò)和徑向基神經(jīng)網(wǎng)絡(luò)，這
