一种基于神经网络的线缆绝缘皮破损监测方法技术

本发明专利技术公开一种基于神经网络的线缆绝缘皮破损监测方法，其包括以下步骤：采集时域特征；预处理；信号提取与处理；模式识别；输出识别结果。采集的时域特征包括：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，采用的网络训练为BP神经网络训练。本发明专利技术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，对线缆绝缘皮破损监测的实际应用具有很好的指导意义。

Monitoring method for cable insulation skin breakage based on Neural Network

The invention discloses a method for monitoring the breakage of a cable insulation sheath based on a neural network, which comprises the following steps: acquisition of time domain characteristics, preprocessing, signal extraction and processing, pattern recognition, and output recognition results. The time-domain characteristics of the acquisition include the AC estimation value of the reflected waveform, the time domain area, the FFT transform, the time domain integral, the voltage average and the voltage RMS, and the network training is used for the training of BP neural network. The invention is based on the analysis of the time domain indexes, combined with neural network algorithm, combined with the programming development platform of virtual instrument and data processing software with, can realize accurate monitoring of the coaxial cable insulation fault, so as to improve the equipment safety coefficient, reduce the failure time, which is of great significance for practical application of cable insulation damage monitoring.

【技术实现步骤摘要】
一种基于神经网络的线缆绝缘皮破损监测方法
本专利技术涉及线缆传输领域，具体涉及一种基于神经网络的线缆绝缘皮破损监测方法。
技术介绍
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，本专利技术创作者经过长时间的研究和实践终于获得了本专利技术。
技术实现思路
为解决上述技术缺陷，本专利技术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，xij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yi即可表示对应时域特征的辨识度。与现有技术比较本专利技术的有益效果在于：1，本专利技术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，本专利技术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，本专利技术采用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，能够很好满足本专利技术功能上的需求。4，本专利技术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，本专利技术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专利技术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是本专利技术的方法流程示意图；图2是本专利技术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，对本专利技术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，专利技术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，其为本专利技术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，本专利技术为了保证监测效率，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，xij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yi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。本专利技术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，本专利技术选取了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。本专利技术共采集了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，其为本专利技术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。本专利技术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。参考模式在本专利技术中选取[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，所以本专利技术采取一种判决规则，比如计算结果本文档来自技高网...

【技术保护点】
一种基于神经网络的线缆绝缘皮破损监测方法，其特征在于，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。

【技术特征摘要】
1.一种基于神经网络的线缆绝缘皮破损监测方法，其特征在于，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。2.如权利要求1所述的基于神经网络的线缆绝缘皮破损监测方法，其特征在于，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。3.如权利要求1或2所述的基于神经网络的线缆绝缘皮破损监测方法，其特征在于，所述步骤3包括建立矩阵并进行归一化处理和网络训练。4.如权利要求3所述的基于神经网络的线缆绝缘皮破损监测方法，其特征在于，所述网络训练为BP神经网络训练。5.如权利要求4所述的基于神经网络的线缆绝缘皮破损监测方法，其特征在于，所述BP神经网络训练过程包括以下步骤：(1)网络初始化；(2)...

【专利技术属性】
技术研发人员：张刚，陈树成，白瑾珺，章荣俐，王立欣，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江,23