發(fā)布時間：2018-01-19 02:07

  本文關鍵詞： 電阻抗譜 自適應粒子群算法 混合核函數(shù) 支持向量機 復合材料 健康監(jiān)測　出處：《現(xiàn)代防御技術(shù)》2016年04期 　論文類型：期刊論文

【摘要】：針對復合材料異常檢測或健康監(jiān)測的問題,提出了一種改進的粒子群算法訓練混合核函數(shù)支持向量機,并用其進行復合材料健康狀態(tài)辨別。通過有限元分析軟件ANSYS14.5模擬碳纖維復合材料樣板,獲取了復合材料樣板不同損傷類型的阻抗譜,提取了不同類型的阻抗特征參數(shù),構(gòu)建訓練樣本對混合核函數(shù)支持向量機進行訓練,再將沒有進行訓練的阻抗特征數(shù)據(jù)送入到訓練好的混合核函數(shù)支持向量機進行復合材料構(gòu)件的健康狀態(tài)辨別。結(jié)果表明:相比于Cole-Cole曲線分段各段電阻抗實部或虛部幅值的平均值,選取復合材料Cole-Cole曲線分段線性擬合斜率作為特征參數(shù)時,混合核函數(shù)支持向量機具有更高的健康狀態(tài)辨識準確率。復合材料樣板健康狀態(tài)辨識仿真實驗表明,該方法具有較高的健康辨識精度。
[Abstract]:An improved particle swarm optimization (PSO) algorithm for training hybrid kernel function support vector machines (HSVM) is proposed to solve the problem of composite anomaly detection or health monitoring. By using the finite element analysis software ANSYS14.5 to simulate the carbon fiber composite sample, the impedance spectrum of different damage types of composite material sample was obtained. Different types of impedance characteristic parameters are extracted and the training samples are constructed to train the hybrid kernel function support vector machine. Then the untrained impedance characteristic data are fed into the trained hybrid kernel function support vector machine to identify the health status of composite components. The results show that:. Compared with the average amplitude of the real or imaginary part of the impedance in the segmented sections of the Cole-Cole curve. When the slope of composite Cole-Cole curve is selected as the characteristic parameter. Hybrid kernel support vector machine has higher accuracy of health state identification, and the simulation results of composite sample health state identification show that this method has higher health identification accuracy.
【作者單位】： 空軍航空大學;
【分類號】：V267;TP18
【正文快照】： 0引言隨著科學技術(shù)的不斷發(fā)展,先進復合材料(如碳纖維復合材料)在先進飛機上的用量越來越大[1]。隨飛機服役年限的不斷增加,復合材料構(gòu)件會產(chǎn)生裂紋、氣泡、內(nèi)部分層等損傷,嚴重影響飛行安全[2]。電阻抗譜(electrical impedance spectrosco-py,EIS)法作為一種非侵入式的檢測手

【相似文獻】

相關期刊論文 前10條

1 徐勤蘭;樊重俊;張鵬;;灰色支持向量機在機場吞吐量預測中的應用[J];上海理工大學學報;2012年04期

2 邢志偉;張輝;;基于支持向量機的飛機地面結(jié)冰冰型分類預測[J];計算機技術(shù)與發(fā)展;2012年06期

3 鄒杰;葛俊鋒;葉林;鄭英;張洪;;基于支持向量機的飛機空中結(jié)冰嚴重程度識別[J];中國民航大學學報;2011年02期

4 徐昊;許國根;王幸運;;基于支持向量機的液體推進劑分析方法研究[J];分析科學學報;2012年05期

5 許桂梅;黃圣國;;基于優(yōu)化支持向量機的飛機重著陸智能診斷[J];計算機測量與控制;2011年02期

6 關靜;;基于灰色支持向量機的民航旅客吞吐量預測[J];大連交通大學學報;2013年03期

7 許桂梅;黃圣國;;基于多核支持向量機的飛機重著陸診斷[J];計算機工程;2011年10期

8 費立新;宋吉學;禹興華;;支持向量機在飛機狀態(tài)監(jiān)控中的應用[J];電光與控制;2007年06期

9 袁野;陳昌亞;王德禹;;基于支持向量機的衛(wèi)星動力學多目標優(yōu)化[J];振動與沖擊;2013年22期

10 任博;張喜斌;張恒喜;;基于最小二乘支持向量機的飛機備件多元分類[J];電光與控制;2006年02期

相關會議論文 前1條

1 陳寧;孫瑾;牛r，

本文編號：1442145