基于孿生神經(jīng)網(wǎng)絡(luò)的楔形環(huán)連接結(jié)構(gòu)預(yù)緊狀態(tài)辨識(shí)

盛俊杰, 王九龍, 李樹(shù)勇, 文 勇

(中國(guó)工程物理研究院 總體工程研究所,四川 綿陽(yáng) 621900)

楔形環(huán)連接結(jié)構(gòu)是一種特殊的過(guò)盈連接形式,由于其連接簡(jiǎn)單且可靠、同時(shí)兼具節(jié)省空間及減重的優(yōu)勢(shì),主要應(yīng)用于魚(yú)雷、航天飛行器以及水下航行器的殼體連接。相比于傳統(tǒng)的螺栓連接結(jié)構(gòu),采用楔形環(huán)連接結(jié)構(gòu)可保持產(chǎn)品表面連續(xù)光順,有效減小阻力、降低噪聲,具有優(yōu)良的氣動(dòng)和液動(dòng)性能[1-2]。由于楔形環(huán)連接結(jié)構(gòu)的特殊形式,不具備如傳統(tǒng)螺栓螺釘連接結(jié)構(gòu)通過(guò)擰緊力矩來(lái)定量實(shí)現(xiàn)預(yù)緊狀態(tài)的表征能力。對(duì)于裝配而言,存在過(guò)松不滿足預(yù)緊要求、過(guò)緊分解困難的問(wèn)題;對(duì)于使用而言,在長(zhǎng)時(shí)振動(dòng)、沖擊等環(huán)境剖面下存在松動(dòng)的風(fēng)險(xiǎn)。因此,發(fā)展楔形環(huán)連接結(jié)構(gòu)預(yù)緊狀態(tài)辨識(shí)技術(shù)具有重要的工程意義。

目前,按照檢測(cè)原理區(qū)分,常見(jiàn)機(jī)械連接結(jié)構(gòu)診斷方法主要包括振動(dòng)、聲音、壓電阻抗、超聲波等。由于振動(dòng)噪聲信號(hào)易于采集,同時(shí)其響應(yīng)信號(hào)中信息豐富且與結(jié)構(gòu)特征緊密關(guān)聯(lián),使得基于振動(dòng)噪聲的結(jié)構(gòu)狀態(tài)辨識(shí)技術(shù)得以廣泛應(yīng)用[3-6]。但是對(duì)于采用楔形環(huán)結(jié)構(gòu)這類(lèi)重大武器裝備而言,受結(jié)構(gòu)空間和裝備使用要求,相比振動(dòng)傳感,噪聲這類(lèi)非接觸式傳感手段使用面更廣。按照狀態(tài)辨識(shí)方法劃分,主流的結(jié)構(gòu)狀態(tài)診斷方法可分為基于模型驅(qū)動(dòng)和基于數(shù)據(jù)驅(qū)動(dòng)兩類(lèi)[7-8]。基于模型驅(qū)動(dòng)的方法需掌握連接結(jié)構(gòu)松動(dòng)機(jī)理等先驗(yàn)知識(shí),基于此建立針對(duì)性的信號(hào)處理方法以提取敏感特征,但是對(duì)于復(fù)雜非線性結(jié)構(gòu)來(lái)說(shuō)敏感特征提取難度大,同時(shí)模型泛化能力差[9]。鑒于模型驅(qū)動(dòng)方法局限性,基于傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的這類(lèi)數(shù)據(jù)驅(qū)動(dòng)的方法受到了廣泛關(guān)注[10-11]。相較于傳統(tǒng)的淺層機(jī)器學(xué)習(xí)方法,深度學(xué)習(xí)技術(shù)簡(jiǎn)化了神經(jīng)網(wǎng)絡(luò)前的特征工程處理環(huán)節(jié),克服了傳統(tǒng)機(jī)器學(xué)習(xí)方法過(guò)于依賴(lài)人工經(jīng)驗(yàn)提取特征的缺陷,直接基于原始數(shù)據(jù)便可實(shí)現(xiàn)特征深度挖掘和提取,輸出特征敏感性更強(qiáng),其診斷性能更優(yōu)[12-15]。

主流的基礎(chǔ)深度學(xué)習(xí)模型包括卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)[16]、深度自編碼(deep auto encoder,DAE)[17]、深度信念網(wǎng)絡(luò)(deep belief network,DBN)[18]、遞歸神經(jīng)網(wǎng)絡(luò)(recursive neural network, RNN)[19]等。Deng[20]利用連續(xù)小波變換提取滾動(dòng)軸承振動(dòng)時(shí)頻特征,并利用CNN網(wǎng)絡(luò)實(shí)現(xiàn)故障分類(lèi);李松柏等[21]提出基于信息融合和堆棧降噪自編碼(stacked denoising auto encoder,SDAE)的齒輪故障診斷方法;雷亞國(guó)等[22]將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于大樣本數(shù)據(jù)下的齒輪故障診斷及分類(lèi)。主流的深度學(xué)習(xí)網(wǎng)絡(luò)在大數(shù)據(jù)樣本分類(lèi)任務(wù)中表現(xiàn)突出,尤其對(duì)于機(jī)械裝備工業(yè)大數(shù)據(jù)環(huán)境下的健康狀態(tài)監(jiān)測(cè),大大提高了特征提取敏感性和自動(dòng)化診斷效率。但是對(duì)于楔形環(huán)連接這類(lèi)武器裝備結(jié)構(gòu)而言,其樣本量較小,傳統(tǒng)的深度學(xué)習(xí)算法難以在有限數(shù)據(jù)中提取到足夠的深層敏感信息。為了解決此類(lèi)問(wèn)題,孿生神經(jīng)網(wǎng)絡(luò)受到了學(xué)者的廣泛關(guān)注,孿生神經(jīng)網(wǎng)絡(luò)包括兩個(gè)子網(wǎng)絡(luò),彼此之間共享權(quán)重,其優(yōu)點(diǎn)主要在于處理小樣本及類(lèi)別不平衡問(wèn)題,更易做集成學(xué)習(xí)[23-24]。孿生神經(jīng)網(wǎng)絡(luò)目前主要應(yīng)用于人臉識(shí)別、目標(biāo)追蹤等,對(duì)于小樣本連接結(jié)構(gòu)故障診斷及模式識(shí)別還少有關(guān)注[25]。

針對(duì)楔形環(huán)連接結(jié)構(gòu)狀態(tài)辨識(shí)問(wèn)題,本文基于孿生神經(jīng)網(wǎng)絡(luò)模型,實(shí)現(xiàn)了小樣本預(yù)緊結(jié)構(gòu)宏觀分類(lèi),同時(shí)通過(guò)特征可視化技術(shù),深入分析了孿生神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程特征聚類(lèi)效果,并基于二維特征建立了預(yù)緊狀態(tài)定量表征模型,實(shí)現(xiàn)了楔形環(huán)連接結(jié)構(gòu)定量預(yù)緊辨識(shí),避免了預(yù)緊狀態(tài)過(guò)緊拆卸困難的傳統(tǒng)裝配問(wèn)題。

1 孿生神經(jīng)網(wǎng)絡(luò)理論

孿生神經(jīng)網(wǎng)絡(luò)是基于兩個(gè)神經(jīng)網(wǎng)絡(luò)建立的耦合架構(gòu),兩個(gè)網(wǎng)絡(luò)結(jié)構(gòu)相同,權(quán)重共享。兩個(gè)神經(jīng)網(wǎng)絡(luò)可由任意的神經(jīng)網(wǎng)絡(luò)模塊拼接而成,例如卷積神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)等。對(duì)于每個(gè)類(lèi)別中樣本數(shù)量較少,且不同類(lèi)別中樣本數(shù)量不平衡的分類(lèi)問(wèn)題,傳統(tǒng)的深度學(xué)習(xí)方法很難得到較好的訓(xùn)練結(jié)果,這類(lèi)小樣本分類(lèi)問(wèn)題的關(guān)鍵在于有限樣本中充分挖掘不同類(lèi)別中的敏感特征,而孿生神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)就在于小樣本學(xué)習(xí),且不容易被錯(cuò)誤樣本干擾,對(duì)于容錯(cuò)要求嚴(yán)格的分類(lèi)問(wèn)題,具有優(yōu)良的分類(lèi)效果。

孿生神經(jīng)網(wǎng)絡(luò)是基于兩個(gè)神經(jīng)網(wǎng)絡(luò)建立的耦合架構(gòu),兩個(gè)網(wǎng)絡(luò)結(jié)構(gòu)相同,權(quán)重共享,如圖1所示。兩個(gè)神經(jīng)網(wǎng)絡(luò)可由任意的神經(jīng)網(wǎng)絡(luò)模塊拼接而成,例如卷積神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)等。對(duì)于每個(gè)類(lèi)別中樣本數(shù)量較少,且不同類(lèi)別中樣本數(shù)量不平衡的分類(lèi)問(wèn)題,傳統(tǒng)的深度學(xué)習(xí)方法很難得到較好的訓(xùn)練結(jié)果,這類(lèi)小樣本分類(lèi)問(wèn)題的關(guān)鍵在于有限樣本中充分挖掘不同類(lèi)別中的敏感特征,而孿生神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)就在于小樣本學(xué)習(xí),且不容易被錯(cuò)誤樣本干擾,對(duì)于容錯(cuò)要求嚴(yán)格的分類(lèi)問(wèn)題,具有優(yōu)良的分類(lèi)效果。

圖1 孿生神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Siamese neural network structure

孿生神經(jīng)網(wǎng)絡(luò)在同一特征結(jié)構(gòu)下利用相似性度量進(jìn)行樣本分類(lèi),其訓(xùn)練過(guò)程需最大化不同標(biāo)簽的表征,同時(shí)最小化相同標(biāo)簽的表征?；诖?孿生神經(jīng)網(wǎng)絡(luò)采用對(duì)比損失函數(shù),具體如式(1)所示

(1)

式中:y為樣本對(duì)標(biāo)簽,當(dāng)樣本類(lèi)別相同,y=1,當(dāng)樣本類(lèi)別不同,y=0;d為樣本對(duì)輸入特征向量之間的距離;m為不相似樣本之間設(shè)定特征距離閾值。

從式(1)可以看出,當(dāng)樣本對(duì)標(biāo)簽為1時(shí),即樣本為同類(lèi)時(shí),損失函數(shù)只保留式(1)前部分,如式(2)所示

(2)

對(duì)于同類(lèi)樣本而言,若輸出特征向量損失函數(shù)較大,則表示當(dāng)前網(wǎng)絡(luò)結(jié)構(gòu)欠佳,需進(jìn)一步迭代更新,直至損失函數(shù)降低至可接受范圍。

當(dāng)樣本對(duì)標(biāo)簽為0時(shí),即樣本非同類(lèi)時(shí),損失函數(shù)式(1)變形為式(3)

(3)

對(duì)于非同類(lèi)樣本,兩者輸出特征向量距離越大,損失函數(shù)越小。同時(shí)損失函數(shù)只考慮0～m之間的不相似特征距離,當(dāng)距離超過(guò)m,我們認(rèn)為兩者之間距離已足夠大,滿足不同類(lèi)的分類(lèi)要求,視為此時(shí)損失函數(shù)為0。m通常取值在(0～1)之間,可根據(jù)計(jì)算效率和分類(lèi)效果進(jìn)行擇優(yōu)選擇。

孿生神經(jīng)網(wǎng)絡(luò)利用樣本對(duì)的方式進(jìn)行訓(xùn)練,通過(guò)隨機(jī)匹配的方式變相地增加了訓(xùn)練樣本數(shù)量,同一個(gè)樣本在多個(gè)樣本對(duì)中被多次使用,彌補(bǔ)了小樣本深度學(xué)習(xí)中的過(guò)擬合缺陷。同時(shí),相比于其他深度學(xué)習(xí)算法,孿生神經(jīng)網(wǎng)絡(luò)將多分類(lèi)問(wèn)題轉(zhuǎn)變?yōu)槎鄠€(gè)二分類(lèi)問(wèn)題,利用對(duì)比損失函數(shù)促使同類(lèi)樣本彼此接近,非同類(lèi)樣本遠(yuǎn)離,無(wú)需直接在樣本中學(xué)習(xí)類(lèi)別特征,在學(xué)習(xí)目標(biāo)上由挖掘樣本本質(zhì)特征轉(zhuǎn)變?yōu)橥诰虿煌瑯颖镜南嗨菩蕴卣?這種學(xué)習(xí)模式淡化了深度學(xué)習(xí)對(duì)大樣本數(shù)量的要求。

2 孿生神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

經(jīng)預(yù)處理的楔形環(huán)連接結(jié)構(gòu)模態(tài)敲擊信號(hào)時(shí)域波形如圖2所示,累計(jì)記錄了10組敲擊響應(yīng)時(shí)域波形,其結(jié)構(gòu)預(yù)緊狀態(tài)從松到緊逐漸提高。由圖2可知,受敲擊激勵(lì)大小影響,其不同預(yù)緊狀態(tài)響應(yīng)信號(hào)在幅值上存在差異,難以直接通過(guò)響應(yīng)信號(hào)直接提取到敏感信息。

圖2 楔形環(huán)連接結(jié)構(gòu)響應(yīng)信號(hào)時(shí)域波形Fig.2 Time domain waveform of wedge-ring connection structure

根據(jù)楔形環(huán)連接結(jié)構(gòu)響應(yīng)信號(hào)特征,為降低孿生神經(jīng)網(wǎng)絡(luò)訓(xùn)練負(fù)擔(dān),提高訓(xùn)練效率和特征挖掘深度,通過(guò)時(shí)頻分析方法對(duì)孿生神經(jīng)網(wǎng)絡(luò)輸入信號(hào)進(jìn)行二次特征增強(qiáng),將一維輸入特征轉(zhuǎn)變到二維時(shí)頻空間。孿生神經(jīng)網(wǎng)絡(luò)整體結(jié)構(gòu)見(jiàn)圖3所示。

圖3 孿生神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Siamese neural network structure

2.1 特征增強(qiáng)

(1)預(yù)設(shè)不同預(yù)緊狀態(tài)楔形環(huán)連接結(jié)構(gòu),根據(jù)其預(yù)緊狀態(tài)劃分為松動(dòng)、弱預(yù)緊和強(qiáng)預(yù)緊3種狀態(tài)。圖4為不同預(yù)緊狀態(tài)楔形環(huán)連續(xù)敲擊聲音響應(yīng)時(shí)域波形,對(duì)其時(shí)域波形進(jìn)行預(yù)處理,均分提取瞬態(tài)沖擊響應(yīng)信號(hào),其起點(diǎn)取響應(yīng)極值點(diǎn),終點(diǎn)根據(jù)衰減波形確定,需滿足有效覆蓋波形衰減段。

圖4 瞬態(tài)沖擊響應(yīng)時(shí)域波形預(yù)處理Fig.4 Time domain waveform preprocessing of transient impulse response

(2)為充分挖掘不同預(yù)緊狀態(tài)響應(yīng)信號(hào)的敏感特征,基于短時(shí)傅里葉變換將瞬態(tài)沖擊響應(yīng)信號(hào)轉(zhuǎn)換為時(shí)頻圖,其表達(dá)式為

(4)

式中:t和f為時(shí)間和頻率;x(τ)為待分析的信號(hào);h*(τ-1)為滑移窗函數(shù)的共軛函數(shù)。

(3)為減小數(shù)據(jù)運(yùn)算量,凸顯敏感特征,同時(shí)消除由于輸入激勵(lì)引起的額外差異,利用大津法計(jì)算不同時(shí)頻圖的最佳二值化分割閾值,并對(duì)不同預(yù)緊狀態(tài)時(shí)頻圖進(jìn)行二值化處理,獲得二值化圖像[26]。

2.2 孿生神經(jīng)網(wǎng)絡(luò)

(1)基于不同預(yù)緊狀態(tài)的二值化圖像及其標(biāo)簽,建議系列孿生對(duì),預(yù)緊狀態(tài)相同的樣本對(duì)標(biāo)記其為1,預(yù)緊狀態(tài)不同時(shí),標(biāo)記其為0,其標(biāo)記規(guī)則如圖5所示。

圖5 孿生對(duì)標(biāo)記規(guī)則Fig.5 Marking rule of twin pair

(2)建立如圖2所示的3層全連接層Dense網(wǎng)絡(luò),兩個(gè)樣本共享網(wǎng)絡(luò)參數(shù),通過(guò)全連接網(wǎng)絡(luò)結(jié)構(gòu)深度挖掘樣本對(duì)的敏感特征,并利用歐式距離判別函數(shù)和損失函數(shù)反饋訓(xùn)練網(wǎng)絡(luò)。

(3)基于孿生神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果輸出三種預(yù)緊狀態(tài)二維特征,完成楔形環(huán)連接預(yù)緊狀態(tài)孿生網(wǎng)絡(luò)分類(lèi)模型構(gòu)建,將待測(cè)樣本輸入網(wǎng)絡(luò),獲得其二維特征。

(4)計(jì)算孿生神經(jīng)網(wǎng)絡(luò)分類(lèi)模型中強(qiáng)預(yù)緊狀態(tài)二維特征聚類(lèi)中心C,以此為基準(zhǔn),計(jì)算待測(cè)樣本二維特征與中心C的歐式距離。

(5)劃定強(qiáng)預(yù)緊狀態(tài)二維特征相似性可接受閾值,根據(jù)式(5),將歐式距離轉(zhuǎn)化為相似性特征指標(biāo),當(dāng)相似性特征指標(biāo)大于,即認(rèn)為預(yù)緊狀態(tài)已滿足要求

m=e-|d|/ε2

(5)

式中,ε為相似性指標(biāo)置信因子,取值為0～1。

3 試驗(yàn)驗(yàn)證

3.1 試驗(yàn)介紹

為驗(yàn)證所提孿生神經(jīng)網(wǎng)絡(luò)辨識(shí)楔形環(huán)連接結(jié)構(gòu)預(yù)緊狀態(tài)有效性,建立了如圖6所示的試驗(yàn)臺(tái)。試驗(yàn)系統(tǒng)主體結(jié)構(gòu)由兩個(gè)帶楔形環(huán)槽的圓筒結(jié)構(gòu)和一對(duì)環(huán)狀楔形環(huán)帶組成。通過(guò)敲擊楔形環(huán)帶大端實(shí)現(xiàn)楔形環(huán)帶的預(yù)緊功能,并記錄不同預(yù)緊狀態(tài)下楔形環(huán)帶大端間距。此外,通過(guò)噪聲傳感器記錄不同預(yù)緊狀態(tài)下的聲音響應(yīng)信號(hào),噪聲信號(hào)采樣頻率為2 000 Hz。

圖6 楔形環(huán)連接結(jié)構(gòu)Fig.6 wedge-ring connection structure

試驗(yàn)共包括50組數(shù)據(jù),根據(jù)每種狀態(tài)下楔形環(huán)結(jié)構(gòu)大端間距可將預(yù)緊狀態(tài)劃分為3類(lèi),分類(lèi)規(guī)則如表1所示。

表1 楔形環(huán)連接結(jié)構(gòu)預(yù)緊狀態(tài)分類(lèi)規(guī)則

3.2 預(yù)緊狀態(tài)分類(lèi)

基于表1預(yù)緊狀態(tài)分類(lèi)規(guī)則,對(duì)所有聲音響應(yīng)信號(hào)預(yù)緊狀態(tài)進(jìn)行標(biāo)記,在預(yù)處理、時(shí)頻變化等過(guò)程中保持響應(yīng)信號(hào)同標(biāo)簽一一對(duì)應(yīng)。首先將聲音信號(hào)進(jìn)行分段預(yù)處理,并利用短時(shí)傅里葉變換將其轉(zhuǎn)化為時(shí)頻圖,不同預(yù)緊狀態(tài)下的聲響應(yīng)信號(hào)典型時(shí)頻圖如圖7所示。由圖7可知,隨預(yù)緊狀態(tài)升高,高頻信號(hào)表現(xiàn)得更為豐富,但是弱預(yù)緊與強(qiáng)預(yù)緊狀態(tài)時(shí)頻圖差異較小,難以直接通過(guò)時(shí)頻分析技術(shù)辨識(shí)其類(lèi)別。

圖7 不同預(yù)緊狀態(tài)的聲信號(hào)時(shí)頻圖Fig.7 Time-frequency graphs of acoustic signals with different pretension states

為減小數(shù)據(jù)運(yùn)算量,凸顯敏感特征,將時(shí)頻圖進(jìn)行二值化處理,不同預(yù)緊狀態(tài)聲響應(yīng)信號(hào)二值化時(shí)頻圖如圖8所示。由圖8可知,弱預(yù)緊狀態(tài)與強(qiáng)預(yù)緊狀態(tài)二值化時(shí)頻圖表現(xiàn)出與圖7時(shí)頻圖類(lèi)似的特點(diǎn),兩者時(shí)頻特征分布較類(lèi)似,表明當(dāng)楔形環(huán)連接結(jié)構(gòu)達(dá)到弱預(yù)緊后,其整體結(jié)構(gòu)已初步達(dá)到一個(gè)相對(duì)穩(wěn)定狀態(tài)。針對(duì)此種類(lèi)間距較小的分類(lèi)問(wèn)題,需充分發(fā)揮孿生神經(jīng)網(wǎng)絡(luò)核心思想,弱化樣本的本質(zhì)特征挖掘,重點(diǎn)圍繞樣本間的相似/非相似特征。

圖8 不同預(yù)緊狀態(tài)的聲信號(hào)二值化時(shí)頻圖Fig.8 Binarized time-frequency graphs of acoustic signals with different pretension states

基于圖5孿生對(duì)標(biāo)記規(guī)則,根據(jù)不同樣本的預(yù)緊狀態(tài)標(biāo)簽對(duì)樣本進(jìn)行二次標(biāo)記,建立二值化時(shí)頻圖孿生對(duì),典型的樣本孿生對(duì)結(jié)構(gòu)如圖9所示。

圖9 二值化時(shí)頻圖孿生對(duì)Fig.9 twin pair of binarized time-frequency graph

選取40組試驗(yàn)數(shù)據(jù)作為訓(xùn)練樣本,將其兩兩組合成樣本對(duì),剩余10組樣本作為測(cè)試樣本。訓(xùn)練參數(shù)中,不相似樣本特征距離閾值為0.3,迭代次數(shù)1 000次,學(xué)習(xí)率0.000 1,梯度衰減因子0.9,最小數(shù)據(jù)組batch_size為10。訓(xùn)練過(guò)程中的損失函數(shù)趨勢(shì)變化如圖10所示。

圖10 損失函數(shù)變化趨勢(shì)Fig.10 Variation trend of loss function

孿生神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)訓(xùn)練過(guò)程是一個(gè)黑盒,通常通過(guò)損失函數(shù)趨勢(shì)值評(píng)價(jià)訓(xùn)練模型的成熟度,但是單一的損失函數(shù)值難以直接表征模型的聚類(lèi)程度,此外,其原始輸出為0/1/2三種分類(lèi)結(jié)果(分別表示松動(dòng)、弱預(yù)緊、強(qiáng)預(yù)緊),分析過(guò)程固然簡(jiǎn)化但同時(shí)也帶來(lái)類(lèi)內(nèi)樣本差異性無(wú)法體現(xiàn),分類(lèi)結(jié)果缺乏直觀證據(jù)表征?；诖?為在一定程度破解“黑盒”問(wèn)題,增強(qiáng)訓(xùn)練模型使用信心,對(duì)訓(xùn)練及分析過(guò)程進(jìn)行可視化運(yùn)算,將簡(jiǎn)單0/1/2分類(lèi)結(jié)果轉(zhuǎn)化為二維特征,通過(guò)評(píng)價(jià)二維特征聚類(lèi)效果間接反映訓(xùn)練效果。其中,第1次、第500次和第1 000次的二維特征輸出效果如圖11所示,由圖11可知,當(dāng)?shù)螖?shù)達(dá)到500次時(shí),雖然其損失函數(shù)已趨于較低水平,但其不同樣本之間分類(lèi)效果并不明顯,當(dāng)訓(xùn)練次數(shù)達(dá)到1 000次時(shí),三類(lèi)不同樣本表征出明顯的二維區(qū)域特征,達(dá)到預(yù)期訓(xùn)練效果。

圖11 二維特征輸出可視化Fig.11 Two-dimensional feature visualization

基于訓(xùn)練樣本建立了二維特征提取模型,為檢驗(yàn)該模型對(duì)于不同預(yù)緊狀態(tài)樣本辨識(shí)精度,利用10組樣本進(jìn)行預(yù)緊狀態(tài)分類(lèi)測(cè)試驗(yàn)證,同樣將其測(cè)試結(jié)果輸出至二維特征平面,結(jié)果如圖12所示。由圖12可知,測(cè)試樣本與對(duì)應(yīng)訓(xùn)練模型達(dá)到了較好聚類(lèi)效果,據(jù)此可有效實(shí)現(xiàn)不同預(yù)緊狀態(tài)樣本的宏觀分類(lèi)表征。

圖12 測(cè)試樣本聚類(lèi)結(jié)果Fig.12 Clustering results of test samples

在楔形環(huán)實(shí)體裝配過(guò)程中,為保持長(zhǎng)時(shí)動(dòng)態(tài)環(huán)境條件下的結(jié)構(gòu)穩(wěn)定性,不僅要求能實(shí)現(xiàn)其預(yù)緊狀態(tài)宏觀辨識(shí),還需滿足預(yù)緊性能精細(xì)化定量表征,以指導(dǎo)精密裝配。基于此,在孿生神經(jīng)網(wǎng)絡(luò)分類(lèi)模型基礎(chǔ)上,進(jìn)一步開(kāi)展預(yù)緊性能二維特征指標(biāo)量化表征。以圖11中迭代1 000次后的分類(lèi)模型為基準(zhǔn),計(jì)算其強(qiáng)預(yù)緊狀態(tài)二維特征聚類(lèi)中心C(-6.095,-1.763)。以圖2中連續(xù)敲擊的一組樣本(累計(jì)10次)作為待測(cè)樣本,計(jì)算待測(cè)樣本同聚類(lèi)中心C的歐氏距離,并據(jù)式(5)將其轉(zhuǎn)化為相似性特征指標(biāo),其趨勢(shì)如圖13(a)所示,由圖可知,從松動(dòng)到預(yù)緊其相似性指標(biāo)呈現(xiàn)出明顯上升趨勢(shì),第7次敲擊時(shí),m達(dá)到強(qiáng)預(yù)緊閾值,滿足預(yù)緊要求。同時(shí)可發(fā)現(xiàn),從第8次裝配敲擊后,其相似性指標(biāo)再次呈現(xiàn)下降趨勢(shì),并在第10次低于強(qiáng)預(yù)緊閾值。針對(duì)該現(xiàn)象,結(jié)合強(qiáng)預(yù)緊聚類(lèi)模型進(jìn)行分析,根據(jù)其0.95閾值,劃定強(qiáng)預(yù)緊二維特征接收域(接收半徑R=0.462),如圖13(b)可知,第7/8/9次預(yù)緊狀態(tài)二維特征均處于可接收域,當(dāng)達(dá)到10次敲擊后,其二維輸出特征P10遠(yuǎn)離聚類(lèi)中心C,并超出可接收域范圍。上述特征分析結(jié)果表明,一旦楔形環(huán)預(yù)緊狀態(tài)達(dá)到閾值,繼續(xù)敲擊可能存在環(huán)帶過(guò)緊從而超出設(shè)計(jì)范圍,從裝備實(shí)際使用過(guò)程中的裝拆可行性考慮,應(yīng)避免此類(lèi)情況。

圖13 測(cè)試樣本定量評(píng)估結(jié)果Fig.13 Quantitative evaluation results of test samples

4 結(jié) 論

針對(duì)武器裝備中的楔形環(huán)連接結(jié)構(gòu)預(yù)緊狀態(tài)辨識(shí)問(wèn)題,本文建立了面向小樣本的孿生網(wǎng)絡(luò)分類(lèi)模型,并基于特征可視化技術(shù)實(shí)現(xiàn)了預(yù)緊狀態(tài)精密表征。該方法首先利用時(shí)頻處理技術(shù)實(shí)現(xiàn)了孿生網(wǎng)絡(luò)模型輸入特征增強(qiáng),在此基礎(chǔ)上建立了3層孿生神經(jīng)網(wǎng)絡(luò)分類(lèi)模型,實(shí)現(xiàn)了三類(lèi)預(yù)緊狀態(tài)的訓(xùn)練樣本二維特征聚類(lèi)和待測(cè)樣本宏觀分類(lèi)?；诙S特征建立了相似性指標(biāo)定量表征模型,引入目標(biāo)狀態(tài)聚類(lèi)中心與接收域參量,有效實(shí)現(xiàn)了楔形環(huán)預(yù)緊狀態(tài)定量評(píng)估。對(duì)于武器裝備楔形環(huán)連接結(jié)構(gòu)這類(lèi)預(yù)緊機(jī)理復(fù)雜、樣本小且不平衡的辨識(shí)問(wèn)題,本文所提方法提供了一種新的技術(shù)途徑,具有一定工程應(yīng)用價(jià)值。