基于SOM神經(jīng)網(wǎng)絡(luò)的三維編織復(fù)合材料制件損傷診斷模型研究

萬 仟，王奕苗，于 明，田松齡

（天津城建大學(xué) 控制與機(jī)械工程學(xué)院，天津 300384）

三維編織復(fù)合材料是一種采用異構(gòu)編織技術(shù)，把經(jīng)、緯及第三向編織紗線按三維編織工藝共同編織而成一個(gè)整體結(jié)構(gòu)制件，即為預(yù)成型結(jié)構(gòu)件（簡(jiǎn)稱“預(yù)制體”），然后將預(yù)制件作為增強(qiáng)材料通過浸漬固化或CVD方法形成復(fù)合結(jié)構(gòu).三維編織復(fù)合材料有結(jié)構(gòu)效率高、結(jié)構(gòu)功能一體化的優(yōu)點(diǎn)，受到交通、能源、船舶、建筑、橋梁以及休閑娛樂等應(yīng)用領(lǐng)域的廣泛關(guān)注，主要應(yīng)用于航空航天和國防工業(yè)上.三維編織復(fù)合材料制件在材料制作、使用和維護(hù)過程中，由于受到外力沖擊和強(qiáng)烈碰撞容易形成表面不可見的脫膠、氣泡及纖維斷裂等內(nèi)部損傷，從而嚴(yán)重影響三維編織復(fù)合材料制件的使用壽命和安全系數(shù).

三維編織復(fù)合材料制作工藝、性能參數(shù)與傳統(tǒng)復(fù)合材料有著根本不同的特性.三維編織復(fù)合材料的內(nèi)部整體結(jié)構(gòu)和力學(xué)性能更為復(fù)雜，提取內(nèi)部特征往往非常困難.尤其是一些異型結(jié)構(gòu)的制件，內(nèi)部結(jié)構(gòu)更加復(fù)雜.因此，需要一種能連續(xù)監(jiān)測(cè)、靈敏度高以及能夠在復(fù)雜內(nèi)部結(jié)構(gòu)中提取特征的三維編織復(fù)合材料制件健康監(jiān)測(cè)技術(shù).

邱雷等[1]在FBG傳感器埋入環(huán)氧樹脂復(fù)合材料的基礎(chǔ)上，實(shí)現(xiàn)了機(jī)翼盒段結(jié)構(gòu)健康監(jiān)測(cè)研究.將FBG傳感器埋入碳纖維復(fù)合材料結(jié)構(gòu)中，不僅可以對(duì)復(fù)合材料固化過程中內(nèi)部溫度和應(yīng)力變化狀況進(jìn)行實(shí)時(shí)監(jiān)控，還可以在復(fù)合材料成型后，利用埋入的傳感器對(duì)復(fù)合材料結(jié)構(gòu)進(jìn)行無損檢測(cè)[2].萬振凱等[3]通過BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)三維編織復(fù)合材料微裂紋和孔隙的分類識(shí)別，并對(duì)三維編織復(fù)合材料缺陷進(jìn)行自動(dòng)化識(shí)別研究.寧寧、孟松鶴等[4-6]介紹了空復(fù)合材料結(jié)構(gòu)的無損檢測(cè)技術(shù)并對(duì)三維正交編織碳/環(huán)氧復(fù)合材料的拉伸和壓縮性能、復(fù)合材料受圓錐體沖擊損傷過程、損傷形貌及損傷機(jī)理進(jìn)行了研究.郭建民、萬振凱等[7-9]實(shí)驗(yàn)構(gòu)建了智能三維編織復(fù)合材料，向復(fù)合材料中嵌入傳感器實(shí)現(xiàn)對(duì)損傷情況進(jìn)行實(shí)時(shí)監(jiān)測(cè).Murukeshan[10]等將FBG傳感器埋入復(fù)合材料中，監(jiān)測(cè)加工過程中材料內(nèi)部損傷、裂紋等可通過中心波長(zhǎng)隨時(shí)間的變化情況反映出來.

雖然目前國內(nèi)外在三維編織復(fù)合材料制件健康監(jiān)測(cè)的研究中已取得了相當(dāng)大的進(jìn)展，但是以往的檢測(cè)方法通常檢測(cè)時(shí)間周期長(zhǎng)，精確度較低，測(cè)試過程復(fù)雜，不能滿足測(cè)量需求.

1 FBG傳感器的基本原理

FBG光纖布拉格光柵在復(fù)合材料的應(yīng)變檢測(cè)中得到了廣泛應(yīng)用.FBG傳感器工作原理是利用全息干涉法或相位掩膜法將小段具有光敏感的光纖感應(yīng)一個(gè)光強(qiáng)周期分布的光波，這段光纖像一個(gè)窄帶的反光鏡僅反射一個(gè)固定波長(zhǎng)的光波，而其它波長(zhǎng)的光波直接透射.光纖布拉格光柵的結(jié)構(gòu)和工作原理如圖1所示.

圖1 光纖布拉格光柵傳感器的結(jié)構(gòu)和工作原理

由多個(gè)光柵陣列制作形成的光纖布拉格光柵傳感網(wǎng)絡(luò)，假如其各個(gè)FBG反射光的中心波長(zhǎng)為λ，則

式中：Λ為FBG光柵周期；neff為FBG的反向耦合模的有效折射率.

由于FBG傳感器的光纖光柵波長(zhǎng)受溫度和應(yīng)變的同時(shí)影響，試件的溫度與應(yīng)變兩個(gè)變量同時(shí)引起光纖光柵波長(zhǎng)的變化，利用FBG進(jìn)行測(cè)量時(shí)，光柵波長(zhǎng)的變化無法區(qū)分溫度與應(yīng)變變量的作用.為解決溫度與應(yīng)變變量交叉敏感的問題，在FBG檢測(cè)應(yīng)變時(shí)一般采用在光纖光柵的一端增加一個(gè)溫敏金屬的技術(shù)對(duì)溫度進(jìn)行補(bǔ)償，解決FBG傳感器單一變量測(cè)量問題.由于三維編織復(fù)合材料的特殊工藝要求，在預(yù)制件中無法實(shí)現(xiàn)采用溫敏金屬對(duì)溫度進(jìn)行補(bǔ)償.

應(yīng)變及溫度對(duì)FBG光柵反射光波波長(zhǎng)的測(cè)量影響可用式（2）決定

式中：Δλ為FBG光柵反射波長(zhǎng)的變化量；λ0為FBG光柵的初始反射波長(zhǎng)；1-pe代表應(yīng)變變量反射波長(zhǎng)產(chǎn)生的影響；pe為FBG光柵應(yīng)變的光學(xué)靈敏系數(shù)；ε為FBG光柵的總的應(yīng)變大??；（αΛ+αn）×ΔT表示溫度的變化對(duì)波長(zhǎng)的影響；αΛ為熱膨脹系數(shù)；αn是光學(xué)靈敏系數(shù)；αn代表了FBG光柵光折射率受溫度影響的大??；αΛ代表在同一溫度下FBG光柵周期改變值.

測(cè)試過程中可以使用傳感解調(diào)儀更好地監(jiān)測(cè)光纖傳感器網(wǎng)絡(luò)受到外部溫度和力學(xué)應(yīng)變作用下的變化情況；可以實(shí)現(xiàn)4個(gè)光纖通道同時(shí)監(jiān)測(cè)多個(gè)傳感器狀態(tài)，適用于多個(gè)測(cè)量條件的應(yīng)用.

2 制件損傷的特征因素提取

利用FBG等傳感元件可以實(shí)時(shí)地獲取與制件損傷情況相關(guān)的信息（如應(yīng)變、溫度、振動(dòng)模態(tài)等），并結(jié)合信號(hào)處理方法提取結(jié)構(gòu)損傷特征參數(shù)，識(shí)別制件的損傷狀態(tài).

實(shí)際測(cè)量所處的環(huán)境復(fù)雜，影響測(cè)量的因素很多.由于傳感器的靈敏度有限，制件的一些細(xì)微變化反映到傳感器時(shí)信號(hào)非常微弱.因此，需要對(duì)傳感器監(jiān)測(cè)得到的信號(hào)進(jìn)行信號(hào)處理[11].由傳感器網(wǎng)絡(luò)所監(jiān)測(cè)到的結(jié)構(gòu)參數(shù)值（如應(yīng)力和溫度等）都不是能直接反映制件損傷情況的參數(shù)，這些參數(shù)必須經(jīng)過信號(hào)處理并提取能直接反映結(jié)構(gòu)中損傷的特征指標(biāo)后才能有效評(píng)判制件的損傷情況.

Kohonen提出的自組織特征映射算法，可有效提供輸入數(shù)據(jù)的類似度計(jì)算，該算法是根據(jù)對(duì)輸入數(shù)據(jù)響應(yīng)不同構(gòu)造的一個(gè)網(wǎng)絡(luò)，該網(wǎng)絡(luò)可以依據(jù)類似度準(zhǔn)則計(jì)算映射層的權(quán)值和輸入向量的距離.在研究應(yīng)用中，最常見的距離相似度計(jì)算方法就是歐氏距離和余弦相似度，歐氏距離越小，兩個(gè)向量越接近，相似度越高.對(duì)同一類分類算法中，為滿足不同相似度的要求，需設(shè)置歐氏距離的最大閾值T，最大閾值歐氏距離T是該類聚類判據(jù)值，同類模式歐氏距離小于T，兩類模式向量的歐式距離大于T.歐式距離計(jì)算公式為

3 基于SOM神經(jīng)網(wǎng)絡(luò)的算法分析

人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，簡(jiǎn)稱ANN）是利用信息處理方法對(duì)人腦神經(jīng)元網(wǎng)絡(luò)進(jìn)行抽象研究，建立相關(guān)數(shù)學(xué)模型，按不同邏輯方式構(gòu)成的不同的網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元節(jié)點(diǎn)相互聯(lián)接構(gòu)成.每?jī)蓚€(gè)節(jié)點(diǎn)間的連接都代表相關(guān)連接信號(hào)的加權(quán)值（稱為權(quán)重）.這些節(jié)點(diǎn)可形成人工神經(jīng)網(wǎng)絡(luò)的記憶.人工神經(jīng)網(wǎng)絡(luò)輸出受到網(wǎng)絡(luò)的連接方式、權(quán)重值和激勵(lì)函數(shù)等因素的共同影響.Kohonen提出了一種自組織特征映射（self-organizing feature mapping，簡(jiǎn)稱SOFM或SOM）網(wǎng)絡(luò)，該網(wǎng)絡(luò)是一種競(jìng)爭(zhēng)學(xué)習(xí)網(wǎng)絡(luò)，他是基于神經(jīng)元之間的競(jìng)爭(zhēng)關(guān)系，達(dá)到大腦神經(jīng)中的“近興奮遠(yuǎn)抑制”技能.該網(wǎng)絡(luò)具備高維輸入映射的降維功能.SOM網(wǎng)絡(luò)結(jié)構(gòu)與人工神經(jīng)網(wǎng)絡(luò)相比結(jié)構(gòu)簡(jiǎn)單，由輸入層和競(jìng)爭(zhēng)層兩層網(wǎng)絡(luò)構(gòu)成.SOM網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示.

圖2 SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

SOM網(wǎng)絡(luò)結(jié)構(gòu)的各神經(jīng)元實(shí)現(xiàn)雙向連接，隱掉了人工神經(jīng)網(wǎng)絡(luò)的隱含層.在學(xué)習(xí)訓(xùn)練算法方面，SOM網(wǎng)絡(luò)模擬了生物神經(jīng)元之間的算法機(jī)制，具有興奮、協(xié)調(diào)與抑制、競(jìng)爭(zhēng)作用的信息處理的能力.SOM網(wǎng)絡(luò)結(jié)構(gòu)在訓(xùn)練學(xué)習(xí)過程中不以計(jì)算誤差作為算法基本判據(jù)準(zhǔn)則.SOM網(wǎng)絡(luò)基本思想是在網(wǎng)絡(luò)的競(jìng)爭(zhēng)層各神經(jīng)元對(duì)輸入模式響應(yīng)進(jìn)行競(jìng)爭(zhēng)分析，計(jì)算得到最后唯一的競(jìng)勝神經(jīng)元，通過競(jìng)勝神經(jīng)元可表述輸入模式分類.因此，SOM網(wǎng)絡(luò)學(xué)習(xí)可實(shí)現(xiàn)分類的聚類分析.

通過上述分析，基于Kohonen自組織特征映射算法步驟如下.

（1）Kohonen網(wǎng)絡(luò)數(shù)據(jù)初始化設(shè)置.系統(tǒng)用隨機(jī)數(shù)對(duì)Kohonen網(wǎng)絡(luò)的輸入層和映射層之間權(quán)值進(jìn)行賦值，然后對(duì)初始網(wǎng)絡(luò)元素值進(jìn)行歸一化處理，將網(wǎng)絡(luò)連接權(quán){Wij}賦予[0，1]區(qū)間內(nèi)的隨機(jī)值，i=1，2，…，M.在設(shè)置中，網(wǎng)絡(luò)學(xué)習(xí)率η（t）初始值為η（0）.

（2）Kohonen網(wǎng)絡(luò)輸入向量設(shè)置.把Kohonen網(wǎng)絡(luò)輸入向量輸入到輸入層，從訓(xùn)練集中選取一種輸入模式進(jìn)行分析，然后對(duì)輸入層數(shù)據(jù)進(jìn)行數(shù)據(jù)歸一化處理，得到向量x′k.

（3）Kohonen網(wǎng)絡(luò)獲勝節(jié)點(diǎn)計(jì)算分析.在Kohonen網(wǎng)絡(luò)中選取網(wǎng)絡(luò)輸入向量和權(quán)值向量距離最小的神經(jīng)元元素，從所有神經(jīng)元中再選擇點(diǎn)積最大網(wǎng)絡(luò)的獲勝節(jié)點(diǎn)j*，根據(jù)輸入模式數(shù)據(jù)歸一化要求，用式（4）計(jì)算分析出距離最小的網(wǎng)絡(luò)獲勝節(jié)點(diǎn)神經(jīng)元，即

（4）網(wǎng)絡(luò)優(yōu)勝區(qū)域和權(quán)值調(diào)整.以上述計(jì)算以j*為中心，分析網(wǎng)絡(luò)在t時(shí)刻的權(quán)值調(diào)整域.為實(shí)現(xiàn)計(jì)算較為精確，網(wǎng)絡(luò)初始鄰域Ng（0）數(shù)值一般設(shè)置較大，在網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練過程中的Ng（t）根據(jù)訓(xùn)練次數(shù)的增加而逐漸收縮.網(wǎng)絡(luò)更新獲勝節(jié)點(diǎn)和優(yōu)勝區(qū)域神經(jīng)元的權(quán)值采用式5-6進(jìn)行計(jì)算，即

距離最小的獲勝神經(jīng)元的計(jì)算公式為

為實(shí)現(xiàn)系統(tǒng)連接權(quán)數(shù)值調(diào)整，通過式（8）、式（9）對(duì)計(jì)算過程中競(jìng)爭(zhēng)層域Ng（t）的所有神經(jīng)元與輸入層神經(jīng)元的連接權(quán)重值進(jìn)行修正計(jì)算.

其中：.Ng（t）為t時(shí)刻的學(xué)習(xí)率.

判斷是否達(dá)到預(yù)先設(shè)定的要求，采用鄰域函數(shù)如下，即

然后進(jìn)入下一輪學(xué)習(xí).因此，自組織特征映射神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法是從粗調(diào)整向微調(diào)整變化，最終達(dá)到預(yù)定目標(biāo)的過程.

4 實(shí)驗(yàn)研究

在本次制件損傷測(cè)試實(shí)驗(yàn)研究中，選取300 mm×120 mm×5 mm的三維編織碳纖維復(fù)合材料作為被測(cè)試制件，如圖3所示.

圖3 三維編織碳纖維復(fù)合材料測(cè)試件

在研究中系統(tǒng)使用裸光纖應(yīng)變傳感器、點(diǎn)測(cè)量應(yīng)變傳感器和帶有溫度補(bǔ)償?shù)臏囟葌鞲衅魅N不同特性的FBG傳感器，分別測(cè)試并分析三維編織復(fù)合材料制件在實(shí)驗(yàn)作用下的監(jiān)測(cè)性能差異.SM130傳感解調(diào)儀通過4路通道所連接的FBG傳感器來讀取應(yīng)變和溫度變化數(shù)據(jù).通過數(shù)據(jù)分析處理系統(tǒng)，可以實(shí)時(shí)連續(xù)地對(duì)三維編織復(fù)合材料制件的應(yīng)變變化、溫度敏感程度和損傷狀況進(jìn)行測(cè)量.

4.1 創(chuàng)建多層前饋神經(jīng)網(wǎng)絡(luò)

在MATLAB中通過內(nèi)部提供的函數(shù)“newff”，可以創(chuàng)建一個(gè)基于多層前饋的神經(jīng)網(wǎng)絡(luò).多層前饋神經(jīng)網(wǎng)絡(luò)的創(chuàng)建同時(shí)需要依據(jù)三維編織復(fù)合材料制件的監(jiān)測(cè)需求，考慮網(wǎng)絡(luò)各層的數(shù)量、各層的傳遞函數(shù)、各層的學(xué)習(xí)函數(shù)以及終止條件等主要參數(shù).

4.2 FBG傳感器的數(shù)據(jù)采集

通過對(duì)選取的三維編織碳纖維復(fù)合材料制件加以正向激勵(lì)信號(hào)，通過光纖傳感解調(diào)儀采集并記錄FBG傳感器在溫度和應(yīng)力作用下產(chǎn)生的回波信號(hào).在三維編織復(fù)合材料制件中，內(nèi)部損傷情況受到應(yīng)力波傳輸?shù)挠绊懶纬商囟ǖ腇BG傳感器回波信號(hào).通過FBG傳感解調(diào)儀對(duì)回波信號(hào)實(shí)時(shí)進(jìn)行數(shù)據(jù)處理，形成測(cè)試件的待檢測(cè)樣本數(shù)據(jù).

4.3 損傷制件訓(xùn)練樣本的設(shè)置以及樣本數(shù)據(jù)規(guī)范化處理

經(jīng)過傳感器數(shù)據(jù)的采集、分析和比對(duì)，可將三維編織復(fù)合材料制件的監(jiān)測(cè)損傷參數(shù)模式歸納為以下幾類：制件健康、表層沖擊損傷、托層損傷、夾層健康以及夾層沖擊損傷.

因?yàn)橐陨细鱾€(gè)參數(shù)的量化級(jí)有所差別，因此需對(duì)制件損傷樣本采集的數(shù)據(jù)進(jìn)行規(guī)范化處理.使每個(gè)分量xn都規(guī)范到一定的數(shù)據(jù)范圍之內(nèi).之后再通過采用多層前饋神經(jīng)網(wǎng)絡(luò)對(duì)遭受應(yīng)力承載損傷的三維編織復(fù)合材料測(cè)試制件的損傷狀況進(jìn)行有效分析.

4.4 自組織特征映射神經(jīng)網(wǎng)絡(luò)對(duì)制件損傷的分析

分析制件損傷樣本可得出以下結(jié)論：神經(jīng)網(wǎng)絡(luò)的輸入層是5×6的矩陣.神經(jīng)元數(shù)目過多和過少都會(huì)影響分析結(jié)果，神經(jīng)元數(shù)目過多將會(huì)增加系統(tǒng)的總體計(jì)算量，降低運(yùn)算速度和自組織特征映射神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度.神經(jīng)元數(shù)目過少，過程中計(jì)算不完全，分析結(jié)果出現(xiàn)失誤.因此，競(jìng)爭(zhēng)層神經(jīng)元個(gè)數(shù)的大小很大程度上影響神經(jīng)網(wǎng)絡(luò)的性能.

系統(tǒng)構(gòu)建的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后的數(shù)據(jù)結(jié)果可以通過可視化進(jìn)行表示，進(jìn)而對(duì)三維編織復(fù)合材料制件損傷進(jìn)行分類判斷.輸入層有兩個(gè)輸入?yún)?shù)，對(duì)應(yīng)FBG傳感器的形變?chǔ)?和ε2損傷分析的均值.

在分析過程中，隱藏層有3個(gè)節(jié)點(diǎn)，輸出層有2個(gè)輸出.輸出層輸出的第一個(gè)信息是制件損傷的位置.第二個(gè)信息是測(cè)試件的損傷程度.結(jié)合制件損傷的實(shí)際情況，多層前饋神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了輸入層、輸出層和隱藏層三層，競(jìng)爭(zhēng)層為6×7=42個(gè)神經(jīng)元.

測(cè)試過程中利用linkdist和gridto函數(shù)設(shè)置數(shù)據(jù)排序和調(diào)整階段的學(xué)習(xí)率.數(shù)據(jù)調(diào)整階段臨近距離和排序階段步長(zhǎng)分別設(shè)置為1和5 000.因?yàn)樯窠?jīng)網(wǎng)絡(luò)的輸出數(shù)值范圍是（0，1）區(qū)間的實(shí)數(shù)，假設(shè)輸出層輸出的第一個(gè)信息設(shè)定輸出為“1”.輸出層輸出的第二個(gè)信息設(shè)定輸出為“2”.

三維編織復(fù)合材料制件的損傷狀況輸出值，可以如下式所示

為了實(shí)現(xiàn)三維編織復(fù)合材料制件測(cè)試件的多位置損傷狀態(tài)監(jiān)測(cè)，對(duì)相同初始條件下的FBG傳感器輸出響應(yīng)數(shù)據(jù)進(jìn)行了重復(fù)測(cè)量.試樣質(zhì)量為單個(gè)損傷載荷質(zhì)量的12倍.2個(gè)有效載荷和4個(gè)有效載荷分別放置在FBG傳感器的左右兩側(cè).因此，制件試樣的2個(gè)載荷作用下的損傷狀態(tài)輸出值是1/6，4個(gè)載荷作用下的損傷狀態(tài)輸出值是1/3.

對(duì)實(shí)現(xiàn)光纖解調(diào)器采集的5組監(jiān)測(cè)數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，在訓(xùn)練中，將最大步數(shù)參數(shù)設(shè)定為5 000，截止均方誤差為0.000 1.之后對(duì)另外兩組數(shù)據(jù)進(jìn)行了訓(xùn)練和測(cè)試.樣本結(jié)構(gòu)損傷的神經(jīng)網(wǎng)絡(luò)訓(xùn)練和測(cè)試結(jié)果如表1所示.其中，D為試件在有效載荷作用下的損傷情況，P為相應(yīng)的輸出值.

表1 測(cè)試件樣本結(jié)構(gòu)損傷自組織特征映射神經(jīng)網(wǎng)絡(luò)訓(xùn)練

從表1可以看出，當(dāng)采用已經(jīng)訓(xùn)練好的自組織特征映射神經(jīng)網(wǎng)絡(luò)對(duì)剩下兩組數(shù)據(jù)集進(jìn)行測(cè)試時(shí)，嵌入FBG傳感器的三維編織復(fù)合材料測(cè)試件樣本的損傷位置定位數(shù)據(jù)更加精確.對(duì)于2個(gè)載荷作用下的樣本損壞程度數(shù)據(jù)，識(shí)別誤差最大出現(xiàn)在第一種狀態(tài)的第六組數(shù)據(jù)中.對(duì)于4個(gè)載荷作用下的損壞程度，在第二狀態(tài)的第六組數(shù)據(jù)中產(chǎn)生的識(shí)別誤差最大.雖然每次激活的神經(jīng)元都不同，但類激活神經(jīng)元確實(shí)是相鄰的，而差異較大的類激活神經(jīng)元?jiǎng)t相差甚遠(yuǎn).

通過自組織特征映射神經(jīng)網(wǎng)絡(luò)分析方法，三維編織復(fù)合材料制件測(cè)試樣本的結(jié)構(gòu)損傷位置就能夠通過制件材料損傷分析處理系統(tǒng)有效地進(jìn)行定位.同時(shí)，需要結(jié)合測(cè)試的實(shí)際情況合理設(shè)置神經(jīng)網(wǎng)絡(luò)訓(xùn)練的參數(shù).

測(cè)試樣本損傷數(shù)據(jù)采用MATLAB的自組織特征映射神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行訓(xùn)練，U矩陣是一種可以實(shí)現(xiàn)自組織特征映射神經(jīng)網(wǎng)絡(luò)可視化的工具，訓(xùn)練之后采用U矩陣對(duì)SOM神經(jīng)網(wǎng)絡(luò)計(jì)算得出的損傷部位分布情況進(jìn)行可視化.

在數(shù)據(jù)分析過程中，假如復(fù)合材料損傷樣本作為輸入數(shù)據(jù)所激活的網(wǎng)絡(luò)獲勝神經(jīng)元位于聚類中心附近，則將該樣本損傷診斷數(shù)據(jù)做為聚類中心對(duì)應(yīng)的試件損傷點(diǎn).然后采用U矩陣制件損傷分類圖和對(duì)應(yīng)的敏感神經(jīng)元圖進(jìn)行分析.

通過實(shí)驗(yàn)分析，所設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)對(duì)三維編織復(fù)合材料制件的損傷樣本進(jìn)行了更好地聚類，初始隨機(jī)樣本點(diǎn)分布如圖4所示.

圖4 初始隨機(jī)樣本點(diǎn)的分布

利用自組織特征圖神經(jīng)網(wǎng)絡(luò)對(duì)輸入的損傷樣本進(jìn)行聚類，實(shí)現(xiàn)損傷樣本的分類診斷.自組織特征圖神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程和聚類分析結(jié)果如圖5和圖6所示.

圖5 SOM神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程

圖6 SOM神經(jīng)網(wǎng)絡(luò)聚類分析結(jié)果

5 結(jié)論

（1）本文采用MATLAB神經(jīng)網(wǎng)絡(luò)訓(xùn)練與仿真測(cè)試驗(yàn)證了三維編織復(fù)合材料制件損傷監(jiān)測(cè)與分析的可視化方法.該方法分析的損傷監(jiān)測(cè)數(shù)據(jù)與制件的實(shí)際試驗(yàn)相同.

（2）實(shí)驗(yàn)證明自組織特征映射神經(jīng)網(wǎng)絡(luò)應(yīng)用于三維編織復(fù)合材料制件的損傷監(jiān)測(cè)和數(shù)據(jù)分析是可行的，為三維編織復(fù)合材料的損傷診斷提供了一種新的研究方法.