Page 87 - 摩擦学学报2025年第8期

第 8 期 王大刚, 等: 钢丝绳摩擦损伤定量识别研究 1185

表 7 各成分得分系数
Table 7 Score coefficient of each component
Coefficient F 1 F 2 F 3 F 4 F 5 F 6 F 7
0.315 −0.311 −0.019 −0.164 0.118 0.051 0.013
k 1
0.372 −0.182 0.017 −0.036 0.015 0.242 0.067
k 2
0.290 0.312 −0.187 −0.004 −0.104 −0.287 0.003
k 3
0.250 0.352 −0.201 −0.055 −0.083 −0.285 −0.091
k 4
0.349 −0.265 −0.004 −0.109 0.076 0.136 0.034
k 5
0.237 0.410 −0.106 0.113 −0.188 0.011 0.060
k 6
0.117 0.129 0.687 −0.008 0.000 −0.077 −0.192
k 7
0.118 0.216 0.623 −0.188 0.110 −0.089 0.033
k 8
0.206 0.359 0.000 0.248 −0.173 0.275 0.117
k 9
0.389 −0.139 −0.018 −0.081 0.005 0.172 −0.028
k 10
0.023 −0.259 0.102 0.650 −0.327 −0.046 −0.544
k 11
0.186 −0.232 0.160 0.443 −0.142 −0.236 0.715
k 12
−0.003 0.250 −0.028 0.453 0.724 0.353 0.014
k 13
−0.250 0.127 0.109 −0.101 −0.473 0.616 0.209
k 14
0.345 0.009 −0.060 −0.077 −0.100 0.275 −0.280
k 15
层与输出层间各节点间的权值参数与偏置参数进行 以实现对输入数据多维度的特征提取.
进一步优化 [21-23] ，相关权值数目的计算公式如下. 各深度串联层的网络参数列于表12中，为减少计
算量，在Inception模块2与Inception模块3之间，使用步
(7)
N w1 = N input ×N hidden
幅为[2, 2]且填充为[0, 1, 0, 1]的最大池化层，使后续
(8)
N w2 = N hidden ×N output
Inception模块中的特征图尺寸变为14×14.
式中：N 为w 向量中的权值数目；N 为w 向量中的 结果输出部分具有对小波时频图相应的钢丝绳
2
w2
w1
1
权值数目；N 为输入层节点数；N 为隐藏层的节
input hidden 截面积损失识别结果进行输出的功能. 网络层参数列
点数目；N output 为输出层的节点数目. 于表13中，数据经Inception层处理后，输出大小为
计算得输入层到隐藏层的权值数目N 为35，隐 14(S)×14(S)×512(C)，经最大池化层后，特征图尺寸降
w1
藏层到输出层的权值数目N 为5，偏置向量中元素数
w2
低为5(S)×5(S)×512(C)，减少了计算量；使用二维全局
据与节点数目相同，即B 为5，B 为1. 在Matlab中将粒
2
1
平均池化层将特征图尺寸降为1(S)×1(S)，相应通道数
子群中全局最优数据赋予权值与偏置，通过reshape函
为512；在二维全局平均池化层与全连接层之间引入
数实现网络权值与偏置的更新. PSO优化参数根据经
dropout层，确保在输入数据进入全连接层之前，部分
验设置列于表10中.
神经元被随机丢弃，从而减少了输入数据的过拟合可
[24]
利用Inception架构提取特征全面的优点 ，将其
能性；经全连接层和regressionLayer层，实现损伤信号
用于构建钢丝绳截面积损失定量识别回归网络. 设计
小波时频图识别数据的输出，将得到的识别数据反归
的IncepRegCNN神经网络结构如图14所示，主要包括
一化，最终输出钢丝绳截面积损失的识别结果.
图像输入层、卷积层、最大池化层、批量归一化层、Relu
层、深度串联层、二维全局平均池化层、丢弃层、全连 对训练集中250张损伤信号的小波时频图进行左
接层和回归输出层共10种类型的网络层，神经网络总 右/上下翻转、左/右平移10像素和左/右旋转90°的数
据增强处理，将训练集样本总量拓展到1 750张小波时
层数为90，连接数为103，可学习参数总量为2.1M.
图14中的Inception模块1相关网络层主要参数列 频图像. 设置神经网络训练相关参数列于表14中.

于表11中，Inception模块1中的特征图的空间尺寸为 3.3 模型对比与性能验证
28×28，数据从最大池化3流出时通道数为192，数据流 对 比 最 优 BP神 经 网 络 、 PSO-BP神 经 网 络 和
向4个分支，每个分支的末端网络层通道数为64、128、 IncepRegCNN的神经网络模型评价指标均值，其结果
32和32，经4个分支的卷积及池化处理后，汇入深度串 列于表15中. 对比模型评价指标，对损伤钢丝绳定量
联层，深度串联层的通道数为256，深度串联层通道数 识别效果按性能由高到低依次为IncepRegCNN神经
等于4个分支的通道数之和，不同分支的通道数不同， 网络＞PSO-BP神经网络＞BP神经网络. IncepRegCNN