巴克豪森噪声应力检测的人工神经网络数据处理方法

　1　巴克豪森噪声信号的产生

　　德国物理学家Barkhausen在1919年发现,若将一导体线圈置于材料表面,并对材料施以交变磁场,则材料畴壁的不可逆跳跃将在该线圈内感应出一系列电压脉冲信号,放大后通过扩音器可听到沙沙的噪声。这一现象称为巴克豪森效应,相应磁噪声称巴克豪森噪声(简称BN)。巴克豪森噪声的强度BN如下:

　　式中　σ———材料内部应力;

　　HRC———材料表面洛氏硬度;

　　Dg———材料平均晶粒直径;

　　H———外磁场的磁场强度。

　　BN信号不但随着材料内部的应力变化,还随磁场、材料表面硬度、内部晶粒大小等因素而变化,其变化关系是复杂的非线性关系,很难以某一个或几个解析式进行表达。虽然有些文献曾尝试应用各种数学方法对BN信号变化曲线进行数学模拟,但是要么模拟结果不尽理想,要么模拟计算过程复杂、工作量巨大。20世纪80年代后发展起来的人工神经网络系统(Artificial Neural Network)是目前解决非线性问题的一种很好的方法。

　　2　广义RBF神经网络

　　广义RBF神经网络一般是训练样本N个;输入层有M个神经元;输出层有J个神经元;但隐含层有层有I(I<N)个神经元,第i个隐元的激励输出为基函数(X,ti),其中ti为基函数的中心

此外,在输出单元还设置了阈值0,其目的是令隐含层的一个神经元G0的输出始终恒为1,从而输出单元与其相连的权值为w_^0j。训练样本集为,任一训练样本为对应的实际输出为此时期望输出为dk当网络输入训练样本Xk时,网络第j个输出神经元的实际输出为:

　　3　BN智能分析系统

　　智能网络分析系统由数据接收处理模块、神经网络学习与处理模块和通信设置模块三部分组成。

　　3.1　数据接收处理模块

　　数据处理的目的是去除信号中的噪声和提取有用的特征向量。BN信号波形特征的包络线峰峰值V_^pp、频率特征f_¹、f_²与利用式得到的半高宽对于整个信号的占空比ξ,是反映应力影响的主要特征参量。从数据采集系统的信号中,提取出这四个特征参量,利用递推平均滤波法编制计算机程序,首先计算1~n项采样的平均值,而后再求2~(n+1)项采样的平均值,依次类推。

　　式中　統n———计算得出的本次采样值;

　　n———递推平均项数;

　　y^_n-i———依次递推i次的采样值。