本文介绍了光纤光栅应变传感阵列的传感原理和BP神经网络算法,实验研究了光纤光栅传感阵列检测金属悬臂梁在受力状况下有损和无损情况的应变变化,以悬臂梁应变的变化量作为神经网络的输入数据,利用BP神经网络算法对金属悬臂梁的损伤进行损伤识别。通过网络的学习和训练,BP神经网络的实际输出和期望输出十分接近,由此说明,光纤光栅传感阵列结合BP神经网络可实现金属悬臂梁的裂缝损伤识别。 This paper aims at the environmental characteristics of the combustible gas monitoring sites, and according to the working characteristics of the catalytic sensor, a new method for zero drift auto-matic correction of catalytic combustible gas detector is proposed. The experimental results show that the proposed scheme can solve the problem of zero drift of combustible gas detector, and has high practicability.
罗裴
武汉理工大学光纤传感技术国家工程实验室,湖北 武汉
收稿日期:2016年12月16日;录用日期:2017年1月6日;发布日期:2017年1月9日
本文介绍了光纤光栅应变传感阵列的传感原理和BP神经网络算法,实验研究了光纤光栅传感阵列检测金属悬臂梁在受力状况下有损和无损情况的应变变化,以悬臂梁应变的变化量作为神经网络的输入数据,利用BP神经网络算法对金属悬臂梁的损伤进行损伤识别。通过网络的学习和训练,BP神经网络的实际输出和期望输出十分接近,由此说明,光纤光栅传感阵列结合BP神经网络可实现金属悬臂梁的裂缝损伤识别。
关键词 :光纤光栅传感阵列,悬臂梁,裂缝,损伤识别,BP神经网络
在工程应用中,裂缝的识别与检测对于保证构件的正常使用具有十分重要的意义 [
无论是梁或是板,裂缝对各阶频率降低的影响程度与裂缝位置关系很大,因此,可以根据各阶频率变化的特征判断裂缝产生的部位及其大小。李晓飞 [
光纤光栅的反射或透射波长光谱主要取决于光栅周期改变量
由上式可知,无论是对光栅进行拉伸还是压缩,均会导致光栅周期 发生变化。而分布式传感是在一根或多根光纤上写入多个光纤光栅,并利用复用技术实现对多点待测传感量的分布式传感,在系统末端通过解调解复用测量。图1是光纤光栅分布传感系统的原理图。假设准分布的多个光纤光栅通过不同光纤光栅的反射光波长为
BP算法 [
要使神经网络顺利收敛,必须输入数据可靠,而且精确度要高,此外,神经网络的学习速率和神经元个数对神经网络的收敛也会产生影响,采用光纤光栅传感阵列采集应变数据作为神经网络的输入数据的主要原因是裂缝是一种很小的损伤,微小裂缝对结构参数影响很小,需要高精度的检测工具才能分辨,而光纤光栅就具有这种优点,且光纤光栅能实现全局测量,因此是微小损伤检测的首选传感工具。可见,将光纤光栅应变传感阵列应用于神经网络中的损伤识别是神经网络收敛的重要依据,具有十分重要的应用前景。
光纤光栅应变传感阵列检测金属悬臂梁的损伤是在等截面悬臂梁上进行的,悬臂梁的基本尺寸如下:长400 mm,宽70 mm,高1.7 mm,悬臂梁板的材料为不锈钢,弹性模量为E = 196 Gpa,光纤光栅应变传感阵列的试验装置图如图2所示,在悬臂梁上粘贴15个光栅,这15个光栅分三列粘贴,每列5个光栅,三列是并排的。悬臂梁的损伤通过线切割技术进行预制,悬臂梁损伤的预制情况如下:第一条裂纹距离悬臂梁固定端60 mm,裂纹长度为30 mm,第二条裂纹距离悬臂梁固定端100 mm,裂纹长度为30 mm,第三条裂纹距离悬臂梁固定端140 mm,裂纹长度为30 mm。
将光纤光栅传感阵列粘贴在悬臂梁上之后,把悬臂梁静置24小时。在试验前,要对悬臂梁进行预拉伸,即在悬臂梁的自由端施加载荷,并达到一定重量,但必须在悬臂梁的弹性范围内,重复几次。预拉伸后,开始在悬臂梁自由端添加载荷进行实验,并采集数据。悬臂梁的自由端施加载荷是通过添加砝码来实现的,砝码的质量是0.5 kg。为了进行损伤识别,必须记录悬臂梁未受损伤,此外还要记录悬臂梁在一个损伤、两个损伤、三个损伤时的数据,这些数据必须经过多次测量,取平均值,作为神经网络的输入数据,各种情况的光栅数据归一化如下表1。
根据金属悬臂梁损伤实验的基本情况,建立BP神经网络模型如下:15个光纤光栅的传感数据作为
图1. 分布式光纤光栅传感原理图
图2. 光纤光栅传感阵列实验图
网络输入,采集40组数据,前35组数据作为网络的训练数据,后5组作为网络的测试数据,故网络的输入神经元为15,隐含层神经元为20,输出层神经元为4,1000代表金属悬臂梁无损伤,0100代表金属悬臂梁有一个损伤,0010代表金属悬臂梁有2个损伤,0001代表金属悬臂梁有3个损伤,故神经网络的模型为15-20-4。网络采用的BP神经网络,输入到隐含层神经元函数为sigmoid函数,隐含层到输出层神经元函数为线性函数。网络的训练步数为500,网络的学习速率为0.85,网络的收敛误差为1e−5。网络收敛后,得到的期望输出和实际输出如表2。
由表2可以看出,网络的实际输出与期望输出很接近,说明该网络能够识别金属悬臂梁的裂缝损伤。
光纤光栅是近二十年来应用最为广泛的新型传感器,光纤光栅传感器也得到了国内外研究者们的广
损伤类型 光栅编号 | 无损伤 | 一个损伤 | 两个损伤 | 三个损伤 |
---|---|---|---|---|
光栅1 | 0.639309 | 0.460043 | 0.317495 | 0.187905 |
光栅2 | 0.477322 | 0.302376 | 0.179266 | 0.12311 |
光栅3 | 0.339093 | 0.326134 | 0.349892 | 0.336933 |
光栅4 | 0.179266 | 0.172786 | 0.168467 | 0.164147 |
光栅5 | 0.00432 | 0.00432 | 0.006479 | 0.00216 |
光栅6 | 0.632829 | 0.678186 | 0.641469 | 0.691145 |
光栅7 | 0.466523 | 0.419006 | 0.332613 | 0.328294 |
光栅8 | 0.328294 | 0.304536 | 0.306695 | 0.354212 |
光栅9 | 0.174946 | 0.164147 | 0.161987 | 0.155508 |
光栅10 | 0.00216 | 0 | 0.00216 | 0.008639 |
光栅11 | 0.63067 | 0.717063 | 0.730022 | 1 |
光栅12 | 0.483801 | 0.462203 | 0.568035 | 0.673866 |
光栅13 | 0.336933 | 0.306695 | 0.37149 | 0.362851 |
光栅14 | 0.170626 | 0.168467 | 0.177106 | 0.161987 |
光栅15 | 0.00432 | 0.00216 | 0.00432 | 0.00216 |
表1. 悬臂梁不同损伤状况的光纤光栅传感阵列检测应变的归一化数据
损伤类型 | 实际输出 | 期望输出 | |||
---|---|---|---|---|---|
无损伤 | 0.9983 | 0.0015 | 0.0021 | 0.0021 | 1000 |
一个损伤 | −0.0012 | 1.0054 | −0.0020 | 0.0002 | 0100 |
两个损伤 | 0.0018 | −0.0013 | 0.9967 | 0.0034 | 0010 |
三个损伤 | 0.0039 | 0.0086 | 0.0018 | 1.0021 | 0001 |
表2. 期望输出与实际输出的比较
泛关注。本文采用光纤光栅应变传感阵列检测金属悬臂梁结构的损伤,发现光纤光栅应变传感阵列可以非常灵敏地检测到金属梁结构的不同损伤,说明光纤光栅具有多点成网的优势,且能实现结构的全局测量,克服了传统电传感器的单点测量的缺点。采用BP神经网络算法,建立BP神经网络模型,以光纤光栅应变传感阵列检测到的数据作为输入数据,实现了悬臂梁的裂缝损伤识别。可见,采用光纤光栅传感阵列和BP神经网络可以实现悬臂梁的裂缝损伤识别,是光纤光栅应变传感阵列的一个新的应用领域。
国家自然科学基金青年基金(51308428)。
罗裴. 基于光纤光栅传感阵列和BP神经网络的悬臂梁裂缝损伤识别 Crack Damage Recognition of Cantilever Beam Based on Fiber Bragg Grating Sensing Array and BP Neural Network Algorithm[J]. 传感器技术与应用, 2017, 05(01): 16-21. http://dx.doi.org/10.12677/JSTA.2017.51003