基于Kohonen 神經網絡的軍用車輛腐蝕防護涂層檢測

張勝生，韓 祎，羅 兵，葛玉龍，趙雪梅

(1.94559 部隊，江蘇 徐州221000;2.94277 部隊，濟南250023;3.黑龍江大慶市乘新小學，黑龍江 大慶163000)

圖3 神經網絡權值

軍用車輛涂層實車檢測后的診斷是涂層評價的重要內容，由于現場檢測軍用車輛涂層時存在大量的干擾，使得進行電化學阻抗譜解析時，尋找其等效電路比較困難。而人工神經網絡作為一種非機理性的數據驅動型模型，在處理這類問題時較有優勢，它通過建立輸入數據和輸出響應之間的關系，可以完成聚類、預測、函數逼近和模式分類等多種任務［1-3］。本文利用人工智能聚類技術，以幅頻特性斜率曲線作為Kohonen 神經網絡的輸入，將涂層失效過程自適應地分為5 個連續子過程，并將學習后的網絡用于涂層失效過程阻抗譜分析［4］，建立神經網絡對涂層性能進行評價的檢測模型，從而實現軍用車輛腐蝕程度智能檢測。

1 Kohonen 神經網絡工作原理

Kohonen 神經網絡是由輸入層和輸出層兩層組成［5-6］。輸入層的神經元個數的選取由輸入網絡的影響因子個數決定，而輸出層則是由輸出層神經元按照一定的方式排列成一個二維平面上［7］。它基于競爭網絡的訓練學習采用Instar 機制，在競爭學習中，競爭層的神經元總是趨向于響應與它所在某個特殊的樣本相類似的模式。在競爭層中，接收到的輸入值為最大的一個神經元為競爭獲勝，稱為被激活，其輸出值為1，其余神經元都被抑制，輸出值都為0。每進行一步競爭學習，就對競爭層中競爭獲勝的神經元相連接的輸入權值作一次修正。輸出神經元yj滿足下列狀態方程:

式(1)中:第1 項為輸入的加權和;第2 項r(yj)是一個與輸出yj有關的非線性函數，它使yj的變化速率變慢。輸入樣本，施加于輸入層的n個神經元上，通過輸入層與輸出層之間的連接權wij，按照其對應的動態方程進行演化產生輸出yj，j=1，2，…，n1。yj可用下式描述［8］:

式(2)中的σ()為一個單調上升的非線性函數，r(yj)也為一單調上升的非線性函數，其函數曲線如圖1、2 所示。

圖1 σ()函數關系曲線

圖2 r(yj)函數關系曲線

當輸入為零或輸入的加權和較小時，yj的值減小，直到0 為止;當式(1)第1 項較大時，yj增長快，但yj的增加又會引起r(yj)增加，直到

競爭在輸出層yj中進行，yj值最大的單元就是競爭后“贏”的神經元。權值的變化正比于輸入與輸出狀態值的乘積:

式中:α 為時間和距離的函數，以“贏”的那個神經元所在位置為中心，比較靠近“贏”神經元的那個神經元的α 大，而遠離的那些神經元α 小;β(yj)為遺忘因子。

式(3)中:前一項服從hebb 規則，當xi與yj都興奮時，wij增長較快;后一項表明，當外界沒有輸入時，權wij會隨時間而減小。學習后的權wij越來越靠近輸入的，即第k個輸入樣本的第i個分量被記憶在輸入第i個單元與輸出層“贏”者之間的權中［9］。

2 神經網絡檢測模型建立

由車輛涂層實車檢測的阻抗譜特征可知，不同的車輛涂層狀態，其阻抗譜幅頻響應不同。而Kohonen 神經網絡可通過圖形形狀進行識別(讀取阻抗幅頻值)。故可應用神經網絡對軍用車輛涂層的防護狀態進行識別。

網絡結構定為輸入層57 個節點，輸出層為5個節點，對應車輛涂層的5 種情況，即涂層完好、涂層破損(涂層破損又分為3 種狀態:輕度破損、中度破損和重度破損)和涂層嚴重破損。輸入實車檢測得到的不同狀態、不同頻率下阻抗譜的幅值Zk= (xk1，xk2，…，xkn)，k=1，2，…，m，本文m=57，施加于輸入層的n(本文n=57)個神經元上，樣本的分量Zik與輸入的第i個神經元相連，輸入的第i個神經元與輸出的第j個神經元之間的權為wij，通過輸入層與輸出層之間的連接權wij產生輸出yj，j=1，2，…，n1，本文n1= 5。輸出層神經元輸出為

式中r(yj)為時間的非線性升函數，如圖2所示。

競爭在輸出層中進行，輸出最大的神經元就是“贏”的神經元，它的輸出為1，則輸入響應曲線特征量所對應的車輛涂層防護狀態可確定。

網絡權值wij的學習滿足hebb 學習規則，其函數關系可表示為式(3)，本文中:當yj=0 時，β(yj)=0;yj=1 時，β(yj)=α，則有

循環操作到設定次數，網絡輸出滿足要求。建立智能診斷模型時，利用Kohonen 神經網絡學習機理，考慮到神經網絡將整個過程分為學習過程和工作過程的思想，將Kohonen 神經網絡的權值固定，以此網絡對所有檢測的軍用車輛涂層防護狀態進行判別，建立模型的工作過程。

3 涂層防護性能智能檢測實例分析

使用Matlab 7.0 的神經網絡工具箱進行網絡建立和訓練，完成訓練之后，輸入變量都依據其內在的相關性組織到結構圖中，從而形成一定的空間結構［10］。根據上述模型建立了軍用車輛涂層實車測試評價的神經網絡權值(如圖3 所示)。圖中:A 表示車輛表面涂層完好，有較好的防護性能;C 表示車輛表面涂層已嚴重破損，基本失去防護性能;B、D、E 表示車輛表面涂層已發生不同程度的破損，這些涂層的防護性能介于A 和C 之間，B、D、E 之間相對防護性能的優劣依次為B 較好、E 次之、D 最差。此權值就是神經網絡工作即判斷過程中的判據。

圖3 神經網絡權值

運用該智能模型對軍用車輛EQ2102、SX2190、SX2150、CFA2030、IVECO 五種車型的任意幾個部位涂層的防護性能進行測試。測試點分別為EQ2102 取5 個點、SX2190 取9 個點、SX2150取7 個點、CFA2030 取3 個點、IVECO 取2 個點。

部分測試零部件及其對應的判斷結果如圖4 ～6 所示。

圖4 EQ2102 測試點1 檢測與判斷結果

圖5 SX2190 測試點5 檢測與判斷結果

圖6 CFA2030 測試點2 檢測與判斷結果

5 種車型的所有測試部位涂層的防護性能判 斷結果見表1。

表1 5 種車型表面涂層防護性能智能模型的判斷結果

各測試點防護性能判斷結果與實際情況相符。因此，在軍用車輛涂層的現場實車測試中，應用智能模型建立的評價方法可方便快速地對各軍用車型涂層防護性能進行判斷，適用于軍用車輛涂層的現場檢測與評價。

4 結 語

利用Kohonen神經網絡可通過對圖形形狀進行識別，自動完成對輸入數據的聚類。通過輸入實車測得的車輛裝備涂層的阻抗譜特征參數值，直接依據車輛裝備涂層實車測試評價的神經網絡權值，采用無指導訓練，將權值記憶，可以方便快捷地對車輛裝備涂層防護性能狀態進行快速判斷，從而為實現對部隊軍用車輛涂層防護性能進行快速檢測提供理論依據。

［1］ Flanagan J A.Self-organization in the one-dimensional SOM with a decreasing neighborhood［J］. Neural Networks，2001，4(10):1405.

［2］ 楊建剛.人工神經網絡實用教程［M］. 杭州:浙江大學出版社，2001:112.

［3］ 史曉霞，陳一民，李治軍. 神經網絡在應用科學和工程中的應用:從基本原理到復雜的模式識別［M］. 北京:機械工業出版社，2010:10-21.

［4］ 高志明，宋詩哲，徐云海，等. 圖層失效過程電化學阻抗譜的神經網絡分析［J］. 中國腐蝕與防護學報，2005，25(2):106.

［5］ Kohonen T. Self-organizing Map［M］. Berlin:Berlin Springer，1977:145.

［6］ Lee C C，Mansfeld F. Automatic classification of polymer coatings quality using artificial neural networks［J］. Corrosion Science，1999(41):439-450.

［7］ Melssen W J，Smits J R M，Rolf G H，et al. Two dimensional mapping of IR spectra using a parallel implemented self-organizing feature map［J］. Chemomtrics Intelligent Laboratory System，1993，18:195-204.

［8］ 周繼成，周青山，韓飄揚.人工神經網絡:第六計算機的實現［M］.北京:科學普及出版社，1993:85-86.

［9］ 李學橋，馬莉.神經網絡工程應用［M］.重慶:重慶大學出版社，1996:126-128.

［10］ 飛思科技產品研發中心. 神經網絡理論與Matlab7.0 實現［M］.北京:電子工業出版社，2005:77-78.