欢迎来到天天文库
浏览记录
ID:57818864
大小:217.49 KB
页数:3页
时间:2020-04-05
《基于感知器神经网络的金属磁记忆检测管道缺陷分析.pdf》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库。
1、2013年5月机床与液压May2013第41卷第9期MACHINETOOL&HYDRAULICSVoJ.41No.9DOI:10.3969/j.issn.1001—3881.2013.09.051基于感知器神经网络的金属磁记忆检测管道缺陷分析龚利红,李著信,许红,刘书俊(1.中国人民解放军后勤工程学院军事供油工程系,重庆401331;2.重庆通信学院军事电力_T-程系,重庆400035)摘要:感知器神经网络可以在采用金属磁记忆技术查找管道隐性损伤的基础上,有效识别应力集中和宏观裂纹。对4项线性指标的感知器神经网络的计算机仿真分析,100次模拟的平均诊断正确率为71.2%。增
2、加切向梯度和法向梯度乘积项的感知器神经网络识别效果最好,其100次模拟的平均诊断正确率达到了90.7%,显著高于线性模型的识别效果,可有效应用于金属磁记忆的管道缺陷监测。关键词:金属磁记忆;感知器神经网络;管道缺陷中图分类号:TP183文献标识码:A文章编号: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超过80%的现代工业设备的结构破坏都是由疲选择阈值可能造成误差。感知器神经网络(Percep—劳失效引起的⋯,在不伤及构件材料的前提下,有效tronNeuralNetwork,PNN)是人工神经网络中的一种判别在役设备构件的应力变形缺陷状况非常有现实意分类效果较好的方法,文中将该模型用于管道缺陷义。由俄罗斯科学家DOUBOV教授提出的金属磁记检测的识别分析。忆(MetalMagneticMemo~)诊断技术能有效地对铁1感知器神经网络的原理与方法磁构件的早期应力集中进行无损检测。一旦金属磁1.1感知器神经网络的基本原理记忆检测出法向分量过零点,即可
7、判定裂纹存在,但感知器是前向型单神经元的网络,其网络基本结却不能通过单项指标有效区分是应力集中还是宏观裂构如图1。纹。因此,如何将多项指标综合在一起,通过有其中:∞表示第i个神经元与感知器的连接权效的数学模型来识别就显得十分必要。重;表示第i个神经元的状态,i=1,2,⋯,n。人工神经网络(ArtificialNeuralNetwork,ANN)感知器的外部输入数据为研究对象的自变量指标由于其良好的预测功能而被应用于各领域,应用最广值,输出为感知器的状态值,由输入神经元、权重和泛的是BP神经网络和径向基神经网络,这
此文档下载收益归作者所有