基于Kohonen 神經(jīng)網(wǎng)絡(luò)的軍用車輛腐蝕防護(hù)涂層檢測

張勝生，韓 祎，羅 兵，葛玉龍，趙雪梅

(1.94559 部隊，江蘇 徐州221000;2.94277 部隊，濟(jì)南250023;3.黑龍江大慶市乘新小學(xué)，黑龍江 大慶163000)

圖3 神經(jīng)網(wǎng)絡(luò)權(quán)值

軍用車輛涂層實(shí)車檢測后的診斷是涂層評價的重要內(nèi)容，由于現(xiàn)場檢測軍用車輛涂層時存在大量的干擾，使得進(jìn)行電化學(xué)阻抗譜解析時，尋找其等效電路比較困難。而人工神經(jīng)網(wǎng)絡(luò)作為一種非機(jī)理性的數(shù)據(jù)驅(qū)動型模型，在處理這類問題時較有優(yōu)勢，它通過建立輸入數(shù)據(jù)和輸出響應(yīng)之間的關(guān)系，可以完成聚類、預(yù)測、函數(shù)逼近和模式分類等多種任務(wù)［1-3］。本文利用人工智能聚類技術(shù)，以幅頻特性斜率曲線作為Kohonen 神經(jīng)網(wǎng)絡(luò)的輸入，將涂層失效過程自適應(yīng)地分為5 個連續(xù)子過程，并將學(xué)習(xí)后的網(wǎng)絡(luò)用于涂層失效過程阻抗譜分析［4］，建立神經(jīng)網(wǎng)絡(luò)對涂層性能進(jìn)行評價的檢測模型，從而實(shí)現(xiàn)軍用車輛腐蝕程度智能檢測。

1 Kohonen 神經(jīng)網(wǎng)絡(luò)工作原理

Kohonen 神經(jīng)網(wǎng)絡(luò)是由輸入層和輸出層兩層組成［5-6］。輸入層的神經(jīng)元個數(shù)的選取由輸入網(wǎng)絡(luò)的影響因子個數(shù)決定，而輸出層則是由輸出層神經(jīng)元按照一定的方式排列成一個二維平面上［7］。它基于競爭網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)采用Instar 機(jī)制，在競爭學(xué)習(xí)中，競爭層的神經(jīng)元總是趨向于響應(yīng)與它所在某個特殊的樣本相類似的模式。在競爭層中，接收到的輸入值為最大的一個神經(jīng)元為競爭獲勝，稱為被激活，其輸出值為1，其余神經(jīng)元都被抑制，輸出值都為0。每進(jìn)行一步競爭學(xué)習(xí)，就對競爭層中競爭獲勝的神經(jīng)元相連接的輸入權(quán)值作一次修正。輸出神經(jīng)元yj滿足下列狀態(tài)方程:

式(1)中:第1 項(xiàng)為輸入的加權(quán)和;第2 項(xiàng)r(yj)是一個與輸出yj有關(guān)的非線性函數(shù)，它使yj的變化速率變慢。輸入樣本，施加于輸入層的n個神經(jīng)元上，通過輸入層與輸出層之間的連接權(quán)wij，按照其對應(yīng)的動態(tài)方程進(jìn)行演化產(chǎn)生輸出yj，j=1，2，…，n1。yj可用下式描述［8］:

式(2)中的σ()為一個單調(diào)上升的非線性函數(shù)，r(yj)也為一單調(diào)上升的非線性函數(shù)，其函數(shù)曲線如圖1、2 所示。

圖1 σ()函數(shù)關(guān)系曲線

圖2 r(yj)函數(shù)關(guān)系曲線

當(dāng)輸入為零或輸入的加權(quán)和較小時，yj的值減小，直到0 為止;當(dāng)式(1)第1 項(xiàng)較大時，yj增長快，但yj的增加又會引起r(yj)增加，直到

競爭在輸出層yj中進(jìn)行，yj值最大的單元就是競爭后“贏”的神經(jīng)元。權(quán)值的變化正比于輸入與輸出狀態(tài)值的乘積:

式中:α 為時間和距離的函數(shù)，以“贏”的那個神經(jīng)元所在位置為中心，比較靠近“贏”神經(jīng)元的那個神經(jīng)元的α 大，而遠(yuǎn)離的那些神經(jīng)元α 小;β(yj)為遺忘因子。

式(3)中:前一項(xiàng)服從hebb 規(guī)則，當(dāng)xi與yj都興奮時，wij增長較快;后一項(xiàng)表明，當(dāng)外界沒有輸入時，權(quán)wij會隨時間而減小。學(xué)習(xí)后的權(quán)wij越來越靠近輸入的，即第k個輸入樣本的第i個分量被記憶在輸入第i個單元與輸出層“贏”者之間的權(quán)中［9］。

2 神經(jīng)網(wǎng)絡(luò)檢測模型建立

由車輛涂層實(shí)車檢測的阻抗譜特征可知，不同的車輛涂層狀態(tài)，其阻抗譜幅頻響應(yīng)不同。而Kohonen 神經(jīng)網(wǎng)絡(luò)可通過圖形形狀進(jìn)行識別(讀取阻抗幅頻值)。故可應(yīng)用神經(jīng)網(wǎng)絡(luò)對軍用車輛涂層的防護(hù)狀態(tài)進(jìn)行識別。

網(wǎng)絡(luò)結(jié)構(gòu)定為輸入層57 個節(jié)點(diǎn)，輸出層為5個節(jié)點(diǎn)，對應(yīng)車輛涂層的5 種情況，即涂層完好、涂層破損(涂層破損又分為3 種狀態(tài):輕度破損、中度破損和重度破損)和涂層嚴(yán)重破損。輸入實(shí)車檢測得到的不同狀態(tài)、不同頻率下阻抗譜的幅值Zk= (xk1，xk2，…，xkn)，k=1，2，…，m，本文m=57，施加于輸入層的n(本文n=57)個神經(jīng)元上，樣本的分量Zik與輸入的第i個神經(jīng)元相連，輸入的第i個神經(jīng)元與輸出的第j個神經(jīng)元之間的權(quán)為wij，通過輸入層與輸出層之間的連接權(quán)wij產(chǎn)生輸出yj，j=1，2，…，n1，本文n1= 5。輸出層神經(jīng)元輸出為

式中r(yj)為時間的非線性升函數(shù)，如圖2所示。

競爭在輸出層中進(jìn)行，輸出最大的神經(jīng)元就是“贏”的神經(jīng)元，它的輸出為1，則輸入響應(yīng)曲線特征量所對應(yīng)的車輛涂層防護(hù)狀態(tài)可確定。

網(wǎng)絡(luò)權(quán)值wij的學(xué)習(xí)滿足hebb 學(xué)習(xí)規(guī)則，其函數(shù)關(guān)系可表示為式(3)，本文中:當(dāng)yj=0 時，β(yj)=0;yj=1 時，β(yj)=α，則有

循環(huán)操作到設(shè)定次數(shù)，網(wǎng)絡(luò)輸出滿足要求。建立智能診斷模型時，利用Kohonen 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)機(jī)理，考慮到神經(jīng)網(wǎng)絡(luò)將整個過程分為學(xué)習(xí)過程和工作過程的思想，將Kohonen 神經(jīng)網(wǎng)絡(luò)的權(quán)值固定，以此網(wǎng)絡(luò)對所有檢測的軍用車輛涂層防護(hù)狀態(tài)進(jìn)行判別，建立模型的工作過程。

3 涂層防護(hù)性能智能檢測實(shí)例分析

使用Matlab 7.0 的神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行網(wǎng)絡(luò)建立和訓(xùn)練，完成訓(xùn)練之后，輸入變量都依據(jù)其內(nèi)在的相關(guān)性組織到結(jié)構(gòu)圖中，從而形成一定的空間結(jié)構(gòu)［10］。根據(jù)上述模型建立了軍用車輛涂層實(shí)車測試評價的神經(jīng)網(wǎng)絡(luò)權(quán)值(如圖3 所示)。圖中:A 表示車輛表面涂層完好，有較好的防護(hù)性能;C 表示車輛表面涂層已嚴(yán)重破損，基本失去防護(hù)性能;B、D、E 表示車輛表面涂層已發(fā)生不同程度的破損，這些涂層的防護(hù)性能介于A 和C 之間，B、D、E 之間相對防護(hù)性能的優(yōu)劣依次為B 較好、E 次之、D 最差。此權(quán)值就是神經(jīng)網(wǎng)絡(luò)工作即判斷過程中的判據(jù)。

圖3 神經(jīng)網(wǎng)絡(luò)權(quán)值

運(yùn)用該智能模型對軍用車輛EQ2102、SX2190、SX2150、CFA2030、IVECO 五種車型的任意幾個部位涂層的防護(hù)性能進(jìn)行測試。測試點(diǎn)分別為EQ2102 取5 個點(diǎn)、SX2190 取9 個點(diǎn)、SX2150取7 個點(diǎn)、CFA2030 取3 個點(diǎn)、IVECO 取2 個點(diǎn)。

部分測試零部件及其對應(yīng)的判斷結(jié)果如圖4 ～6 所示。

圖4 EQ2102 測試點(diǎn)1 檢測與判斷結(jié)果

圖5 SX2190 測試點(diǎn)5 檢測與判斷結(jié)果

圖6 CFA2030 測試點(diǎn)2 檢測與判斷結(jié)果

5 種車型的所有測試部位涂層的防護(hù)性能判 斷結(jié)果見表1。

表1 5 種車型表面涂層防護(hù)性能智能模型的判斷結(jié)果

各測試點(diǎn)防護(hù)性能判斷結(jié)果與實(shí)際情況相符。因此，在軍用車輛涂層的現(xiàn)場實(shí)車測試中，應(yīng)用智能模型建立的評價方法可方便快速地對各軍用車型涂層防護(hù)性能進(jìn)行判斷，適用于軍用車輛涂層的現(xiàn)場檢測與評價。

4 結(jié) 語

利用Kohonen神經(jīng)網(wǎng)絡(luò)可通過對圖形形狀進(jìn)行識別，自動完成對輸入數(shù)據(jù)的聚類。通過輸入實(shí)車測得的車輛裝備涂層的阻抗譜特征參數(shù)值，直接依據(jù)車輛裝備涂層實(shí)車測試評價的神經(jīng)網(wǎng)絡(luò)權(quán)值，采用無指導(dǎo)訓(xùn)練，將權(quán)值記憶，可以方便快捷地對車輛裝備涂層防護(hù)性能狀態(tài)進(jìn)行快速判斷，從而為實(shí)現(xiàn)對部隊軍用車輛涂層防護(hù)性能進(jìn)行快速檢測提供理論依據(jù)。

［1］ Flanagan J A.Self-organization in the one-dimensional SOM with a decreasing neighborhood［J］. Neural Networks，2001，4(10):1405.

［2］ 楊建剛.人工神經(jīng)網(wǎng)絡(luò)實(shí)用教程［M］. 杭州:浙江大學(xué)出版社，2001:112.

［3］ 史曉霞，陳一民，李治軍. 神經(jīng)網(wǎng)絡(luò)在應(yīng)用科學(xué)和工程中的應(yīng)用:從基本原理到復(fù)雜的模式識別［M］. 北京:機(jī)械工業(yè)出版社，2010:10-21.

［4］ 高志明，宋詩哲，徐云海，等. 圖層失效過程電化學(xué)阻抗譜的神經(jīng)網(wǎng)絡(luò)分析［J］. 中國腐蝕與防護(hù)學(xué)報，2005，25(2):106.

［5］ Kohonen T. Self-organizing Map［M］. Berlin:Berlin Springer，1977:145.

［6］ Lee C C，Mansfeld F. Automatic classification of polymer coatings quality using artificial neural networks［J］. Corrosion Science，1999(41):439-450.

［7］ Melssen W J，Smits J R M，Rolf G H，et al. Two dimensional mapping of IR spectra using a parallel implemented self-organizing feature map［J］. Chemomtrics Intelligent Laboratory System，1993，18:195-204.

［8］ 周繼成，周青山，韓飄揚(yáng).人工神經(jīng)網(wǎng)絡(luò):第六計算機(jī)的實(shí)現(xiàn)［M］.北京:科學(xué)普及出版社，1993:85-86.

［9］ 李學(xué)橋，馬莉.神經(jīng)網(wǎng)絡(luò)工程應(yīng)用［M］.重慶:重慶大學(xué)出版社，1996:126-128.

［10］ 飛思科技產(chǎn)品研發(fā)中心. 神經(jīng)網(wǎng)絡(luò)理論與Matlab7.0 實(shí)現(xiàn)［M］.北京:電子工業(yè)出版社，2005:77-78.