[發(fā)明專利]一種用于檢測(cè)礦用錨桿施工質(zhì)量和工作狀態(tài)的檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710167966.8
• 申請(qǐng)日: 2017-03-20
• 公開（公告）號(hào): CN106874627B
• 公開（公告）日: 2020-11-03
• 發(fā)明（設(shè)計(jì)）人: 王明明;孫曉云;邢卉
• 申請(qǐng)（專利權(quán)）人: 石家莊鐵道大學(xué)
• 主分類號(hào): G06F30/23
• 分類號(hào): G06F30/23;G06Q50/02;G06F111/08
• 代理公司: 石家莊新世紀(jì)專利商標(biāo)事務(wù)所有限公司 13100
• 代理人: 張曉龍

1.一種用于檢測(cè)礦用錨桿施工質(zhì)量和工作狀態(tài)的檢測(cè)方法，其特征在于其包括以下步驟：

a、測(cè)量頻率響應(yīng)函數(shù)矩陣的主成分分析；

a-1、設(shè)測(cè)量頻率響應(yīng)函數(shù)矩陣H(ω)＝[h_ij(ω)]_m×n，其中，m為實(shí)測(cè)樣本數(shù)，n為頻率點(diǎn)數(shù)，i和j分別為矩陣行列的下標(biāo)；

a-2、根據(jù)下列的公式(1)對(duì)頻率響應(yīng)函數(shù)矩陣進(jìn)行標(biāo)準(zhǔn)化：

公式(1)中，

a-3、根據(jù)下列的公式(2)計(jì)算協(xié)方差矩陣C_n×n：

公式(2)中，

a-4、根據(jù)下列的公式(3)對(duì)協(xié)方差矩陣C_n×n進(jìn)行特征分解：

C_n×nΨ_i＝λ_iΨ_i (3)

公式(3)中，i＝1，2，…，n；Ψ_i和λ_i為協(xié)方差矩陣的特征向量和特征值，且λ₁＞λ₂＞…＞λ_n；

a-5、根據(jù)下列的公式(4)計(jì)算相對(duì)重構(gòu)誤差E：

E＝J_e/J_v (4)

公式(4)中，p＜n為主元個(gè)數(shù)；

b、基于改進(jìn)概率神經(jīng)網(wǎng)絡(luò)的錨桿錨固質(zhì)量缺陷識(shí)別算法；

b-1、設(shè)計(jì)概率神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)共有4層，分別為輸入層、模式層、求和層和輸出層；

b-2、輸入層：輸入層負(fù)責(zé)將經(jīng)過(guò)主元分析后的特征參數(shù)傳遞給模式層，輸入層神經(jīng)元為x_i，其中，i＝1，2，…，p；

b-3、模式層：模式層神經(jīng)元個(gè)數(shù)與頻率響應(yīng)函數(shù)實(shí)測(cè)樣本數(shù)m相同，根據(jù)下列的公式(5)計(jì)算模式層的輸出值：

公式(5)中，i＝1，2，…，m；ξ＞0為識(shí)別系數(shù)；σ為平滑因子；

w_iq為輸入層到模式層的權(quán)值，權(quán)值等于訓(xùn)練樣本值；

b-4、求和層：求和層神經(jīng)元個(gè)數(shù)r，其值等于類別個(gè)數(shù)；根據(jù)下列的公式(6)計(jì)算求和層的輸出值：

公式(6)中，j＝1，2，…，r；w_ji為模式層到求和層的權(quán)值；

b-5、輸出層：輸出層神經(jīng)元個(gè)數(shù)與求和層神經(jīng)元個(gè)數(shù)r相同；根據(jù)下列的公式(7)計(jì)算輸出層的輸出：

公式(7)中，0≤O_j≤1，O_j的最大值所對(duì)應(yīng)的類別即為錨桿錨固質(zhì)量缺陷的類別；

c、基于粒子群算法對(duì)概率神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化；

c-1、優(yōu)化目標(biāo)函數(shù)采用如下列公式(8)表示的均方誤差函數(shù)(MSEF)：

公式(8)中，T_j(i)為概率神經(jīng)網(wǎng)絡(luò)的期望輸出；

通過(guò)尋找最優(yōu)的平滑因子σ，使公式(8)的值最小；

c-2、將平滑因子σ作為粒子群優(yōu)化算法中的位置，根據(jù)下列的公式(9)和公式(10)更新粒子的速度和位置；

公式(9)中，l為粒子種群數(shù)；w為慣性權(quán)重，是保持當(dāng)前速度的系數(shù)；c₁、c₂分別為粒子向自己和全局最優(yōu)粒子的學(xué)習(xí)的能力，為正數(shù)；rand₁和rand₂分別為[0，1]之間的隨機(jī)數(shù)；為l個(gè)粒子在第k次迭代時(shí)的值；p_l為第l個(gè)粒子個(gè)體最優(yōu)值；p_g為全局最優(yōu)值；

公式(10)中，β為約束因子；

c-3、為了保證粒子群優(yōu)化算法快速收斂到最優(yōu)值，公式(9)中的c₁、c₂可分別根據(jù)下列的公式(11)和公式(12)計(jì)算：

公式(11)和公式(12)中，a₁，a₂，b₁和b₂分別為常數(shù)，k_max為最大迭代步數(shù)，k為當(dāng)前迭代步數(shù)；選擇合適的a₁，a₂，b₁和b₂，使得c₁從2.5遞減至0.5，而c₂則從0.5遞增至2.5；

c-4、粒子群優(yōu)化算法迭代終止條件有2個(gè)：(A)目標(biāo)函數(shù)的值，即公式(8)，小于期望值；(B)迭代步數(shù)達(dá)到最大值，即k＝k_max；

此時(shí)，平滑因子σ達(dá)到最優(yōu)值。