[发明专利]一种基于遗传算法特征参数优化的瓷绝缘子损伤神经网络识别方法

权利要求书

1.一种基于遗传算法特征参数优化的瓷绝缘子损伤神经网络识别方法，其特征在于，通过以下步骤实现的：

步骤一：实验系统搭建；

搭建瓷绝缘子检测系统；

步骤二：声信号采集；

对力锤激励信号和麦克风的接收信号进行同步采集，采集三类瓷绝缘子试件的声信号，分别是“无缺陷瓷绝缘子”、“上部含缺陷的瓷绝缘子”、“下部含缺陷的瓷绝缘子”，先后采集瓷绝缘子训练信号以及测试信号；

步骤三：声信号预处理；

将每分钟内采集的信号截断为若干瓷绝缘子敲击信号，分别对敲击信号进行傅里叶变换操作，得到时域信号和频谱图；

步骤四：声信号特征参数提取；

分别提取时域特征参数、形状特征参数及小波能量特征参数；

步骤五：BP神经网络的优化；

使用32维全特征参数矩阵对BP神经网络输入参数进行优化，包括“输入层-隐含层的传递函数”、“隐含层-输出层的传递函数”以及“神经网络学习率”；

步骤六：特征参数的优选

利用遗传算法优化神经网络输入：

(1)设定种群数量50，交叉概率为0.9，变异概率为0.02，迭代终止条件300次；

(2)对染色体进行二进制编码，单个信号可提取32维特征参数，则染色体的长度为32，“0”代表对应的特征参数不参与训练，“1”代表参与训练；

(3)采用随机编码的方式进行种群初始化；

(4)计算适应度函数，对染色体解码并生成对应的特征矩阵，输入神经网络训练，计算实际输出与预测输出的均方差值，取均方差的相反数并归一化，作为个体适应度函数；

(5)计算每个个体适应度，并决定遗传个体和淘汰个体，并进行传递、交叉和变异操作；在达到迭代终止条件之前，重复第(4)、(5)步；根据最终结果的染色体编码，取与“1”相对应的特征值组成特征值矩阵，完成优化过程；

步骤七：BP神经网络的构造

(1)将优化后的训练样本输入到神经网络，设置网络的输入节点个数为16、输出节点个数为3、隐含层节点为11，输入层-隐含层传递函数为tansig、隐含层-输出层传递函数为logsig；

(2)对BP神经网络进行训练，迭代求解最佳网络权值和阈值矩阵，保存训练结果；

步骤八：瓷绝缘子服役状态评定；

对测试样本进行特征值的提取，按照优化结果特征值矩阵，输入BP神经挽网络模型，分别计算出测试样本与各类训练样本的匹配度，并归类于匹配度最高的一类。

2.根据权利要求1所述的一种基于遗传算法特征参数优化的瓷绝缘子损伤神经网络识别方法，其特征在于：

瓷绝缘子在服役期间，由于主体受力不均衡，瓷绝缘子上部和下部较容易产生损伤；使用力锤-麦克风采集系统对三种瓷绝缘子样品的声信号进行采集，由于声信号中蕴藏着大量的关于瓷绝缘子工件的特征信息，对信号进行三类特征参数的提取；

(1)时域特征参数

瓷绝缘子的接收信号中包含了大量特征信息；不同的特征参数代表了不同的特征信息，通过时域信号直接可以提取出如下时域特征参数；

表1

(2)形状特征参数

信号的形状特征参数也蕴藏着大量的特征信息，可用于表征瓷绝缘子损伤；形状特征参数具体如下；

表2

(3)小波能量特征参数

瓷绝缘子的接收信号是一种典型的非平稳随机信号，若要提取信号在不同尺度上的能量分布，则要对小波能量熵相关的特征值进行提取；小波熵理论是小波分析法和信息熵理论相结合而生的理论，能够对信号在时域和频域上的能量分布进行有效的表征；

表3

对采集信号进行3层小波包变换，将信号分成8个频段，由第3层的小波包系数进行小波能量熵的计算：对于单个声信号，分别可得到小波能量比8个，小波尺度熵8个，小波能量熵1个和小波奇异谱熵1个，共18个特征值。