張勝生，韓 祎，羅 兵，葛玉龍，趙雪梅

(1.94559 部隊，江蘇 徐州221000;2.94277 部隊，濟南250023;3.黑龍江大慶市乘新小學，黑龍江 大慶163000)

圖3 神經(jīng)網(wǎng)絡(luò)權(quán)值

軍用車輛涂層實車檢測后的診斷是涂層評價的重要內(nèi)容，由于現(xiàn)場檢測軍用車輛涂層時存在大量的干擾，使得進行電化學阻抗譜解析時，尋找其等效電路比較困難。而人工神經(jīng)網(wǎng)絡(luò)作為一種非機理性的數(shù)據(jù)驅(qū)動型模型，在處理這類問題時較有優(yōu)勢，它通過建立輸入數(shù)據(jù)和輸出響應之間的關(guān)系，可以完成聚類、預測、函數(shù)逼近和模式分類等多種任務［1-3］。本文利用人工智能聚類技術(shù)，以幅頻特性斜率曲線作為Kohonen 神經(jīng)網(wǎng)絡(luò)的輸入，將涂層失效過程自適應地分為5 個連續(xù)子過程，并將學習后的網(wǎng)絡(luò)用于涂層失效過程阻抗譜分析［4］，建立神經(jīng)網(wǎng)絡(luò)對涂層性能進行評價的檢測模型，從而實現(xiàn)軍用車輛腐蝕程度智能檢測。

1 Kohonen 神經(jīng)網(wǎng)絡(luò)工作原理

Kohonen 神經(jīng)網(wǎng)絡(luò)是由輸入層和輸出層兩層組成［5-6］。輸入層的神經(jīng)元個數(shù)的選取由輸入網(wǎng)絡(luò)的影響因子個數(shù)決定，而輸出層則是由輸出層神經(jīng)元按照一定的方式排列成一個二維平面上［7］。它基于競爭網(wǎng)絡(luò)的訓練學習采用Instar 機制，在競爭學習中，競爭層的神經(jīng)元總是趨向于響應與它所在某個特殊的樣本相類似的模式。在競爭層中，接收到的輸入值為最大的一個神經(jīng)元為競爭獲勝，稱為被激活，其輸出值為1，其余神經(jīng)元都被抑制，輸出值都為0。每進行一步競爭學習，就對競爭層中競爭獲勝的神經(jīng)元相連接的輸入權(quán)值作一次修正。輸出神經(jīng)元yj滿足下列狀態(tài)方程:

式(1)中:第1 項為輸入的加權(quán)和;第2 項r(yj)是一個與輸出yj有關(guān)的非線性函數(shù)，它使yj的變化速率變慢。輸入樣本，施加于輸入層的n個神經(jīng)元上，通過輸入層與輸出層之間的連接權(quán)wij，按照其對應的動態(tài)方程進行演化產(chǎn)生輸出yj，j=1，2，…，n1。yj可用下式描述［8］:

式(2)中的σ()為一個單調(diào)上升的非線性函數(shù)，r(yj)也為一單調(diào)上升的非線性函數(shù)，其函數(shù)曲線如圖1、2 所示。

圖1 σ()函數(shù)關(guān)系曲線

圖2 r(yj)函數(shù)關(guān)系曲線

當輸入為零或輸入的加權(quán)和較小時，yj的值減小，直到0 為止;當式(1)第1 項較大時，yj增長快，但yj的增加又會引起r(yj)增加，直到

競爭在輸出層yj中進行，yj值最大的單元就是競爭后“贏”的神經(jīng)元。權(quán)值的變化正比于輸入與輸出狀態(tài)值的乘積:

式中:α 為時間和距離的函數(shù)，以“贏”的那個神經(jīng)元所在位置為中心，比較靠近“贏”神經(jīng)元的那個神經(jīng)元的α 大，而遠離的那些神經(jīng)元α 小;β(yj)為遺忘因子。

式(3)中:前一項服從hebb 規(guī)則，當xi與yj都興奮時，wij增長較快;后一項表明，當外界沒有輸入時，權(quán)wij會隨時間而減小。學習后的權(quán)wij越來越靠近輸入的，即第k個輸入樣本的第i個分量被記憶在輸入第i個單元與輸出層“贏”者之間的權(quán)中［9］。

2 神經(jīng)網(wǎng)絡(luò)檢測模型建立

由車輛涂層實車檢測的阻抗譜特征可知，不同的車輛涂層狀態(tài)，其阻抗譜幅頻響應不同。而Kohonen 神經(jīng)網(wǎng)絡(luò)可通過圖形形狀進行識別(讀取阻抗幅頻值)。故可應用神經(jīng)網(wǎng)絡(luò)對軍用車輛涂層的防護狀態(tài)進行識別。

網(wǎng)絡(luò)結(jié)構(gòu)定為輸入層57 個節(jié)點，輸出層為5個節(jié)點，對應車輛涂層的5 種情況，即涂層完好、涂層破損(涂層破損又分為3 種狀態(tài):輕度破損、中度破損和重度破損)和涂層嚴重破損。輸入實車檢測得到的不同狀態(tài)、不同頻率下阻抗譜的幅值Zk= (xk1，xk2，…，xkn)，k=1，2，…，m，本文m=57，施加于輸入層的n(本文n=57)個神經(jīng)元上，樣本的分量Zik與輸入的第i個神經(jīng)元相連，輸入的第i個神經(jīng)元與輸出的第j個神經(jīng)元之間的權(quán)為wij，通過輸入層與輸出層之間的連接權(quán)wij產(chǎn)生輸出yj，j=1，2，…，n1，本文n1= 5。輸出層神經(jīng)元輸出為

式中r(yj)為時間的非線性升函數(shù)，如圖2所示。

競爭在輸出層中進行，輸出最大的神經(jīng)元就是“贏”的神經(jīng)元，它的輸出為1，則輸入響應曲線特征量所對應的車輛涂層防護狀態(tài)可確定。

網(wǎng)絡(luò)權(quán)值wij的學習滿足hebb 學習規(guī)則，其函數(shù)關(guān)系可表示為式(3)，本文中:當yj=0 時，β(yj)=0;yj=1 時，β(yj)=α，則有

循環(huán)操作到設(shè)定次數(shù)，網(wǎng)絡(luò)輸出滿足要求。建立智能診斷模型時，利用Kohonen 神經(jīng)網(wǎng)絡(luò)學習機理，考慮到神經(jīng)網(wǎng)絡(luò)將整個過程分為學習過程和工作過程的思想，將Kohonen 神經(jīng)網(wǎng)絡(luò)的權(quán)值固定，以此網(wǎng)絡(luò)對所有檢測的軍用車輛涂層防護狀態(tài)進行判別，建立模型的工作過程。

3 涂層防護性能智能檢測實例分析

使用Matlab 7.0 的神經(jīng)網(wǎng)絡(luò)工具箱進行網(wǎng)絡(luò)建立和訓練，完成訓練之后，輸入變量都依據(jù)其內(nèi)在的相關(guān)性組織到結(jié)構(gòu)圖中，從而形成一定的空間結(jié)構(gòu)［10］。根據(jù)上述模型建立了軍用車輛涂層實車測試評價的神經(jīng)網(wǎng)絡(luò)權(quán)值(如圖3 所示)。圖中:A 表示車輛表面涂層完好，有較好的防護性能;C 表示車輛表面涂層已嚴重破損，基本失去防護性能;B、D、E 表示車輛表面涂層已發(fā)生不同程度的破損，這些涂層的防護性能介于A 和C 之間，B、D、E 之間相對防護性能的優(yōu)劣依次為B 較好、E 次之、D 最差。此權(quán)值就是神經(jīng)網(wǎng)絡(luò)工作即判斷過程中的判據(jù)。

圖3 神經(jīng)網(wǎng)絡(luò)權(quán)值

運用該智能模型對軍用車輛EQ2102、SX2190、SX2150、CFA2030、IVECO 五種車型的任意幾個部位涂層的防護性能進行測試。測試點分別為EQ2102 取5 個點、SX2190 取9 個點、SX2150取7 個點、CFA2030 取3 個點、IVECO 取2 個點。

部分測試零部件及其對應的判斷結(jié)果如圖4 ～6 所示。

圖4 EQ2102 測試點1 檢測與判斷結(jié)果

圖5 SX2190 測試點5 檢測與判斷結(jié)果

圖6 CFA2030 測試點2 檢測與判斷結(jié)果

5 種車型的所有測試部位涂層的防護性能判 斷結(jié)果見表1。

表1 5 種車型表面涂層防護性能智能模型的判斷結(jié)果

各測試點防護性能判斷結(jié)果與實際情況相符。因此，在軍用車輛涂層的現(xiàn)場實車測試中，應用智能模型建立的評價方法可方便快速地對各軍用車型涂層防護性能進行判斷，適用于軍用車輛涂層的現(xiàn)場檢測與評價。

4 結(jié) 語

利用Kohonen神經(jīng)網(wǎng)絡(luò)可通過對圖形形狀進行識別，自動完成對輸入數(shù)據(jù)的聚類。通過輸入實車測得的車輛裝備涂層的阻抗譜特征參數(shù)值，直接依據(jù)車輛裝備涂層實車測試評價的神經(jīng)網(wǎng)絡(luò)權(quán)值，采用無指導訓練，將權(quán)值記憶，可以方便快捷地對車輛裝備涂層防護性能狀態(tài)進行快速判斷，從而為實現(xiàn)對部隊軍用車輛涂層防護性能進行快速檢測提供理論依據(jù)。

［1］ Flanagan J A.Self-organization in the one-dimensional SOM with a decreasing neighborhood［J］. Neural Networks，2001，4(10):1405.

［2］ 楊建剛.人工神經(jīng)網(wǎng)絡(luò)實用教程［M］. 杭州:浙江大學出版社，2001:112.

［3］ 史曉霞，陳一民，李治軍. 神經(jīng)網(wǎng)絡(luò)在應用科學和工程中的應用:從基本原理到復雜的模式識別［M］. 北京:機械工業(yè)出版社，2010:10-21.

［4］ 高志明，宋詩哲，徐云海，等. 圖層失效過程電化學阻抗譜的神經(jīng)網(wǎng)絡(luò)分析［J］. 中國腐蝕與防護學報，2005，25(2):106.

［5］ Kohonen T. Self-organizing Map［M］. Berlin:Berlin Springer，1977:145.

［6］ Lee C C，Mansfeld F. Automatic classification of polymer coatings quality using artificial neural networks［J］. Corrosion Science，1999(41):439-450.

［7］ Melssen W J，Smits J R M，Rolf G H，et al. Two dimensional mapping of IR spectra using a parallel implemented self-organizing feature map［J］. Chemomtrics Intelligent Laboratory System，1993，18:195-204.

［8］ 周繼成，周青山，韓飄揚.人工神經(jīng)網(wǎng)絡(luò):第六計算機的實現(xiàn)［M］.北京:科學普及出版社，1993:85-86.

［9］ 李學橋，馬莉.神經(jīng)網(wǎng)絡(luò)工程應用［M］.重慶:重慶大學出版社，1996:126-128.

［10］ 飛思科技產(chǎn)品研發(fā)中心. 神經(jīng)網(wǎng)絡(luò)理論與Matlab7.0 實現(xiàn)［M］.北京:電子工業(yè)出版社，2005:77-78.