《表3 含噪声状态下损伤识别结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《应用小波包神经网络的塔机起重臂损伤识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

通常，在实际的信号数据采集的过程中，往往会受到不同程度的噪声的干扰，这就使最终采集到的数据可能含有大量的噪声。因此，如何在实际数据采集过程中最大程度的避免噪声的干扰，提高信息的损伤识别准确程度是极为关键的。文章对上述测得的加速度信号叠加正态分布的随机白噪声，通过加入随机噪声对实际的样本噪声污染进行模拟，其中模拟公式为：xin=xiu(1+εR），式中：xin与xiu—无噪声和有噪声时的加速度信号；R—均值为零正态分布随机序列，其中序列的方差为单位方差。在这里的研究过程中，随机函数产生的分析软件为Matlab软件，其中噪声的水平用ε来表示，取ε=10%噪声情况，将各样本进行进行噪声处理，其小波包分解形式与神经网络的训练与测试步骤均与上述无噪声处理相同。损伤识别网络用标准BP算法训练1000次后的均方误差分别为4.32×10-5。含噪声状态下损伤识别神经网络的误差曲线，如图8所示。损伤识别结果，如表3所示。根据表格中的数据可以看出，神经网络输出的最大值可以判断损伤发生的位置，即损伤位置识别率达到100%，除下弦杆71号单元损伤程度在10%时的测试输出的误差变化率达到18.5%以外，其余识别结果均满足精度要求，这表明此方法具有一定的抗噪能力。