一种基于神经网络的线缆绝缘皮破损监测方法与流程

本发明涉及线缆传输领域，具体涉及一种基于神经网络的线缆绝缘皮破损监测方法。

背景技术：

线缆在信息、能量传输、控制等各个领域应用越来越广泛，其传输效率越来越高。但同时，对线缆的可靠性要求也越来越高。因此，线缆故障监测成为极其重要的研究内容。在地质/能源勘探、雷达/声纳装置、材料表面测试、光缆分析、通讯网络配线、远程勘探、水位表、流体管道泄漏监测等各个领域，行业特殊性增加了线缆故障监测难度，传统的双端监测技术不能够满足要求，基于时域分析的线缆故障监测技术对改善监测环境，节约监测成本有重大意义。

研究表明，线缆的绝缘皮破损会导致一系列线缆故障的产生，例如：航天飞机线缆的绝缘皮破损导致的开路、短路引起的系统功能故障，可能引起火灾等其他事故，对飞机的安全造成极大的隐患。因此，对于线缆绝缘皮破损的有效监测十分重要。但是，目前尚无实现较高正确率的绝缘皮破损状态判定的方法。

鉴于上述缺陷，本发明创作者经过长时间的研究和实践终于获得了本发明。

技术实现要素：

为解决上述技术缺陷，本发明采用的技术方案在于，提供一种基于神经网络的线缆绝缘皮破损监测方法，包括以下步骤：

步骤1：采集时域特征；

步骤2：预处理；

步骤3：信号提取与处理；

步骤4：模式识别；

步骤5：输出识别结果。

较佳的，所述步骤1利用Labview平台采集六个时域特征，其包括：反射波形的交流估计值、时域面积、FFT变换、时域积分、电压平均值和电压有效值。

较佳的，所述步骤3包括建立矩阵并进行归一化处理和网络训练。

较佳的，所述网络训练为BP神经网络训练。

较佳的，所述BP神经网络训练过程包括以下步骤：

(1)网络初始化；

(2)计算隐含层、输出层输出；

(3)误差计算；

(4)权值和阈值更新；

(5)判断迭代是否结束。

较佳的，所述步骤5包括将训练好的神经网络作为Matlab脚本嵌入到Labview程序中。

较佳的，所述步骤4包括将提取的被测信号特征与已知参考模式相比较，获得最佳匹配的模式。

较佳的，Labview能够快速测量的时域特征多达30个，将所述六种时域特征筛选出来的方法为：

其中，x_ij为第j条绝缘皮完好线缆的第i个时域特征，x′_ij为对应绝缘皮破损的时域特征，求得y_i即可表示对应时域特征的辨识度。

与现有技术比较本发明的有益效果在于：1，本发明通过对大量时域指标的分析选取，结合网络神经算法，借助虚拟仪器开发平台和数据处理软件的联合编程，能够实现对同轴电缆绝缘皮破损故障的准确监控，从而提高设备安全系数，减少故障时间；2，对于线缆绝缘皮破损状态，由于问题本身的复杂性和多样性，从时域波形的角度给出监测方案的可行性较低，本发明通过神经网络算法在时域监测中的应用弥补这一缺憾，实现了线缆绝缘皮破损状态的监测；3，本发明采用BP神经网络，其特点为：信号向前传递，而误差反向传递。BP神经网络具有非线性映射能力，自学习和自适应能力，泛化能力以及容错能力，能够很好满足本发明功能上的需求。4，本发明通过时域指标的筛选和神经网络的反复训练，在线缆绝缘皮破损状态的判定上，可以达到很高的正确率。5，本发明通过结合数值仿真软件和虚拟仪器软件，更快速、简洁、直观的对线缆绝缘皮破损状态进行监测。

附图说明

为了更清楚地说明本发明各实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。

图1是本发明的方法流程示意图；

图2是本发明神经网络训练流程图；

图3是训练过程错误率变化图；

图4是神经网络误差分布图；

图5是神经元的生物模型图

图6是神经元数学模型图；

图7是神经网络模型图。

具体实施方式

以下结合附图，对本发明上述的和另外的技术特征和优点作更详细的说明。

实施例1

同轴电缆的结构由内至外依次为：内导体、绝缘材料、屏蔽层、绝缘皮(护套)。在实际工程中，最外层的绝缘皮最先被破坏，进而导致屏蔽层的编织网结构被破坏，外界电磁噪声会对信号产生一定程度的干扰。对于均匀传输线，一般把它的两条线看作平板电容，当屏蔽层形状发生改变，相当于极板的板间距和极板面积发生变化，另外，由于绝缘皮的破损，开放的屏蔽层会加强电磁波的投射，这一点在高频段尤为明显。综上，发明人想到通过选取合适的时域指标，大量采集数据来训练神经网络，用以区分绝缘皮破损的状态。

如图1所示，其为本发明一种基于神经网络的线缆绝缘皮破损监测方法流程示意图，该方法包括以下步骤：

步骤1：采集时域特征

Labview平台能够快速测量的时域特征共有30多个，本发明为了保证监测效率，以典型的绝缘皮完好和绝缘皮破损的线缆为样本，对这些时域特征进行筛选，筛选方法如下：

其中，x_ij为第j条绝缘皮完好线缆的第i个时域特征，x′_ij为对应绝缘皮破损的时域特征，求得y_i即可表示对应时域特征的辨识度。利用这种方法进行简单筛选，得到原材料中的6个时域特征明显具有更高的辨识程度，具备应用神经网络进行辨识的可能性。最终，选取材料中的6个时域特征信息为：反射波形的交流估计值、时域面积、FFT变换、时域积分、电压平均值和电压有效值，利用Labview平台对其进行采集。

步骤2：预处理

通过时域特征判断线缆是否能够正常工作，是否有开路或短路故障，如果线缆已不能正常工作，将不再进行绝缘皮状态的监测。

步骤3：信号提取与处理

用数学方法提取被测信号特征，将采集到的时域特征信息输入到系统中，建立矩阵并进行归一化处理和网络训练。

本发明利用神经网络对绝缘皮破损状态进行监测，BP神经网络的构建需要根据系统输入输出数据的具体特点确定BP神经网络的结构，本发明选取了6个时域特征，即输入信号有6维，待分类的状态有2类，所以BP神经网络为6—7—2结构，即输入层6个节点，隐含层7个节点，输出层2个节点。本发明共采集了3000组数据，随机选择其中的2400组数据作为训练数据来训练模型，600组数据作为测试数据来检测网络的分类能力。

如图2所示，其为本发明神经网络的训练流程图。将训练重复次数设置为100，如图3所示，其为训练过程错误率变化图，从图中可以明显的看出，在训练过程中，随着训练次数的增加，权值和阈值的不断变化，导致错误率的不断下降。

经过最终测试，发现训练后对于绝缘皮破损状态识别的正确率为0.9844，对于绝缘皮未破损状态识别的正确率为0.9247，整体识别正确率可以达到0.9546。具体来说，应用随机选出的600组数据进行分类测试，其神经网络误差分布图如图4所示，其中误差为-1表示将绝缘皮未破损的状态判定为破损状态的情况，误差为1表示将绝缘皮破损状态判定为绝缘皮未破损状态的情况。

步骤4：模式识别

通过将提取的被测信号特征与已知参考模式相比较，获得最佳匹配的模式。

本发明在上述步骤中采用对绝缘皮状态的线缆提取的时域特征用来进行网络训练，将希望的监测结果以数字量表示，从而对权值、阈值进行更新。所以，在训练阶段，参考模式就是以数字量表示希望的监测结果。而在实际监测阶段，神经网络的计算结果与两种可能出现的监测结果的数字量形式进行比较，从而给出更为正确的判断。综上，参考模式就是两种不同线缆状态(完好和破损)的数字量表示，其为人为定义的，便于计算机的处理。

参考模式在本发明中选取[1，0]代表绝缘皮完好，[0，1]代表绝缘皮破损，而神经网络最终的监测结果未必是这二者中的一个，所以本发明采取一种判决规则，比如计算结果为[0.9,0.1]，计算机经比较就认为线缆绝缘皮完好。

步骤5：输出识别结果

将训练好的神经网络作为Matlab脚本嵌入到Labview程序中，运行程序，便可以实现绝缘皮破损状态的判定，识别结果显示在显示面板上。

实施例2

本实施例中将对本发明采用的神经网络算法进行具体描述。

如图5所示，其为神经元的生物学模型，神经元为神经网络中的最小单元，图中信号均由电脉冲的形式传输。运行过程为，当外界产生的刺激传输到树突上时，树突将信息传递给细胞体，细胞体通过各种分析处理，确定输出信号，并由轴突传输到下一个神经元或效应器。

现将细胞体信息处理的过程简化如下：首先对各个信息(数据)赋予不同的权重ω_i，然后对各个数据求和得到然后经过非线性函数f(x)进行处理，得到一个分析结果。这样的运算过程可以简化成如图6所示的模型。

将该模型的工作过程分为两个阶段：

第一，学习期。这个阶段通过对模型误差的不断反馈，不断修改各个输入量的权重，力求满足一定的误差范围。

第二，工作期。这个阶段各个输入量的权重将不再改变，通过采用固定的输入权重，从而得到不同的输出数据。

将以上的神经元相互交织，就构成了像人体神经网络一样的人工神经网络模型，如图7所示。

本发明采用的神经网络为BP神经网络，这种神经网络算法的主要特点是信号前向传递，而误差反向传递。在前向传递过程中，输入信号从输入层经过隐含层逐层处理，直到输出层。每一层的神经元状态会且只会影响下一层神经元状态。如果输出层得不到期望的输出，就进入反向传播，根据预测误差调整网络权重和阈值，使输出不断逼近期望。

BP神经网络的训练过程包括以下步骤：

(1)网络初始化。

根据输入输出序列(X,Y)确定网络输入层节点数n、隐含层节点数l、输出层节点数m，初始化各层间的连接权值wij、wjk、隐含层和输出层阈值a、b，给定学习速率和激励函数。

(2)计算隐含层、输出层输出。

根据输入向量X和各层权重、阈值，计算隐含层输出H，输出层输出O。其中隐含层输出满足公式(1)

式中，l为隐含节点数；f为激励函数，有多种形式，本发明所选函数为：

f(x)＝1/(1+e^-x) (2)

输出层满足公式(3)

(3)误差计算。

根据网络预测输出O和期望输出Y，计算预测误差e。

e_k＝Y_k-O_k k＝1,2,…,m (4)

(4)权值和阈值更新。

根据网络预测误差更新网络连接权值，中间层和输出层权值更新满足公式(5)和(6)。

式中，η为学习效率。

根据网络预测误差更新网络节点阈值，网络节点阈值满足公式(7)和(8)。

(5)判断迭代是否结束，如果没有结束，返回步骤(2)。

以上所述仅为本发明的较佳实施例，对本发明而言仅仅是说明性的，而非限制性的。本专业技术人员理解，在本发明权利要求所限定的精神和范围内可对其进行许多改变，修改，甚至等效，但都将落入本发明的保护范围内。