[发明专利]一种基于改进的ESN车身焊缝检测方法

权利要求书

1.一种基于改进的ESN车身焊缝检测方法，具体步骤如下，其特征在于：

步骤1，搭建车身焊缝无损检测设备：采用激励线圈以及霍尔传感器及运动机构采集车身的电磁信号，通过激励线圈对车身的表面金属材料进行激励，同时使用霍尔传感器采集电磁信号；

步骤2，在ESN网络的输入层后添加取样积分层：把电磁信号周期分成若干个时间间隔，并对这些时间间隔的信号进行取样，并将各周期中处于相同位置的取样进行积分和平均；

步骤2中在ESN网络的输入层后添加取样积分层的过程表示如下：

取样积分层的算法步骤包括取样、积分两个连续的过程：

（1）

式中，N是取样积分层的累积次数，s(t)是电磁信号的原始信号，T是s(t)信号的周期，t是信号采样时间，s’(t)是取样积分层的输出;

步骤3，在ESN网络的取样积分层后添加特征提取层：特征提取层将经取样积分层获得的电磁信号进行分解，获得多个信号的分量信号，并对不同分量信号提取能量特征；

步骤3中在ESN网络的取样积分层后添加特征提取层的过程表示如下：

步骤3.1：找出取样积分层的输出信号所有的最大值点和最小值点；

步骤3.2：并将所有的最大值点和最小值点分别进行拟合，获得最大值点拟合线e_max(t)和最小值点拟合线e_min(t)；

步骤3.3：将取样积分层的输出信号分解成多个分量u_c(t)：

（2）

式中，m_c(t)是第c次取分量时的最大值和最小值拟合线均值；

步骤3.4：提取信号分量的能量特征G(c)：

（3）；

步骤4，将步骤2和步骤3的取样积分层和特征提取层嵌入到回声状态网络的输入层和储备池之间，并在储备池和输出层之间构建ESN网络输出权重的最优行为策略网络，构建在线权重更新ESN的车身焊缝网络；

步骤5，使用样本集训练改进的ESN车身焊缝网络：将步骤1中采集的电磁信号作为输入，对应的焊缝参数作为输入，训练改进的ESN车身焊缝网络，并将训练完成的改进的ESN车身焊缝网络嵌入到软件中实际应用，计算待测的车身焊缝参数;

步骤5中训练改进的ESN车身焊缝网络的过程表示如下：

首先初始化网路，将训练样本特征s(t)通过输入层连接至取样积分层获得s’(t) ，并将s’(t) 输出至特征提取层获得能量特征G(c)，并经连接权值矩阵Wⁱⁿ进入储备池，并根据下式采集系统状态和输出状态：

（4）

（5）

（6）

其中，x₁(c) 是储备池的系统参数，a₁是储备池的调节系数， f₁()是储备池节点的激励函数sigmoid，g()为储备池输出单元的激励函数tanh，W₁是储备池内部神经元的连接权值矩阵， W^out表示储备池与输出层之间的连接权值矩阵；

同时，W^out根据式5的最优行为策略网络来实现在线的动态调节，式中y’(c)是ESN网络的期望输出值，θ^μ是最优行为策略网络的策略网络参数，最优行为策略网络的目标是使其损失函数最小，损失函数如下：

（7）

式中，N是防止网络过拟合的随机正则化值；最后通过车身焊缝的电磁信号训练样本集训练回声状态网络，调整网络中的参数，得到一个训练完成的改进的ESN车身焊缝网络模型。