基于Kohonen 神经网络的军用车辆腐蚀防护涂层检测

张胜生，韩 祎，罗 兵，葛玉龙，赵雪梅

(1.94559 部队，江苏 徐州221000;2.94277 部队，济南250023;3.黑龙江大庆市乘新小学，黑龙江 大庆163000)

图3 神经网络权值

军用车辆涂层实车检测后的诊断是涂层评价的重要内容，由于现场检测军用车辆涂层时存在大量的干扰，使得进行电化学阻抗谱解析时，寻找其等效电路比较困难。而人工神经网络作为一种非机理性的数据驱动型模型，在处理这类问题时较有优势，它通过建立输入数据和输出响应之间的关系，可以完成聚类、预测、函数逼近和模式分类等多种任务［1-3］。本文利用人工智能聚类技术，以幅频特性斜率曲线作为Kohonen 神经网络的输入，将涂层失效过程自适应地分为5 个连续子过程，并将学习后的网络用于涂层失效过程阻抗谱分析［4］，建立神经网络对涂层性能进行评价的检测模型，从而实现军用车辆腐蚀程度智能检测。

1 Kohonen 神经网络工作原理

Kohonen 神经网络是由输入层和输出层两层组成［5-6］。输入层的神经元个数的选取由输入网络的影响因子个数决定，而输出层则是由输出层神经元按照一定的方式排列成一个二维平面上［7］。它基于竞争网络的训练学习采用Instar 机制，在竞争学习中，竞争层的神经元总是趋向于响应与它所在某个特殊的样本相类似的模式。在竞争层中，接收到的输入值为最大的一个神经元为竞争获胜，称为被激活，其输出值为1，其余神经元都被抑制，输出值都为0。每进行一步竞争学习，就对竞争层中竞争获胜的神经元相连接的输入权值作一次修正。输出神经元yj满足下列状态方程:

式(1)中:第1 项为输入的加权和;第2 项r(yj)是一个与输出yj有关的非线性函数，它使yj的变化速率变慢。输入样本，施加于输入层的n个神经元上，通过输入层与输出层之间的连接权wij，按照其对应的动态方程进行演化产生输出yj，j=1，2，…，n1。yj可用下式描述［8］:

式(2)中的σ()为一个单调上升的非线性函数，r(yj)也为一单调上升的非线性函数，其函数曲线如图1、2 所示。

图1 σ()函数关系曲线

图2 r(yj)函数关系曲线

当输入为零或输入的加权和较小时，yj的值减小，直到0 为止;当式(1)第1 项较大时，yj增长快，但yj的增加又会引起r(yj)增加，直到

竞争在输出层yj中进行，yj值最大的单元就是竞争后“赢”的神经元。权值的变化正比于输入与输出状态值的乘积:

式中:α 为时间和距离的函数，以“赢”的那个神经元所在位置为中心，比较靠近“赢”神经元的那个神经元的α 大，而远离的那些神经元α 小;β(yj)为遗忘因子。

式(3)中:前一项服从hebb 规则，当xi与yj都兴奋时，wij增长较快;后一项表明，当外界没有输入时，权wij会随时间而减小。学习后的权wij越来越靠近输入的，即第k个输入样本的第i个分量被记忆在输入第i个单元与输出层“赢”者之间的权中［9］。

2 神经网络检测模型建立

由车辆涂层实车检测的阻抗谱特征可知，不同的车辆涂层状态，其阻抗谱幅频响应不同。而Kohonen 神经网络可通过图形形状进行识别(读取阻抗幅频值)。故可应用神经网络对军用车辆涂层的防护状态进行识别。

网络结构定为输入层57 个节点，输出层为5个节点，对应车辆涂层的5 种情况，即涂层完好、涂层破损(涂层破损又分为3 种状态:轻度破损、中度破损和重度破损)和涂层严重破损。输入实车检测得到的不同状态、不同频率下阻抗谱的幅值Zk= (xk1，xk2，…，xkn)，k=1，2，…，m，本文m=57，施加于输入层的n(本文n=57)个神经元上，样本的分量Zik与输入的第i个神经元相连，输入的第i个神经元与输出的第j个神经元之间的权为wij，通过输入层与输出层之间的连接权wij产生输出yj，j=1，2，…，n1，本文n1= 5。输出层神经元输出为

式中r(yj)为时间的非线性升函数，如图2所示。

竞争在输出层中进行，输出最大的神经元就是“赢”的神经元，它的输出为1，则输入响应曲线特征量所对应的车辆涂层防护状态可确定。

网络权值wij的学习满足hebb 学习规则，其函数关系可表示为式(3)，本文中:当yj=0 时，β(yj)=0;yj=1 时，β(yj)=α，则有

循环操作到设定次数，网络输出满足要求。建立智能诊断模型时，利用Kohonen 神经网络学习机理，考虑到神经网络将整个过程分为学习过程和工作过程的思想，将Kohonen 神经网络的权值固定，以此网络对所有检测的军用车辆涂层防护状态进行判别，建立模型的工作过程。

3 涂层防护性能智能检测实例分析

使用Matlab 7.0 的神经网络工具箱进行网络建立和训练，完成训练之后，输入变量都依据其内在的相关性组织到结构图中，从而形成一定的空间结构［10］。根据上述模型建立了军用车辆涂层实车测试评价的神经网络权值(如图3 所示)。图中:A 表示车辆表面涂层完好，有较好的防护性能;C 表示车辆表面涂层已严重破损，基本失去防护性能;B、D、E 表示车辆表面涂层已发生不同程度的破损，这些涂层的防护性能介于A 和C 之间，B、D、E 之间相对防护性能的优劣依次为B 较好、E 次之、D 最差。此权值就是神经网络工作即判断过程中的判据。

图3 神经网络权值

运用该智能模型对军用车辆EQ2102、SX2190、SX2150、CFA2030、IVECO 五种车型的任意几个部位涂层的防护性能进行测试。测试点分别为EQ2102 取5 个点、SX2190 取9 个点、SX2150取7 个点、CFA2030 取3 个点、IVECO 取2 个点。

部分测试零部件及其对应的判断结果如图4 ～6 所示。

图4 EQ2102 测试点1 检测与判断结果

图5 SX2190 测试点5 检测与判断结果

图6 CFA2030 测试点2 检测与判断结果

5 种车型的所有测试部位涂层的防护性能判 断结果见表1。

表1 5 种车型表面涂层防护性能智能模型的判断结果

各测试点防护性能判断结果与实际情况相符。因此，在军用车辆涂层的现场实车测试中，应用智能模型建立的评价方法可方便快速地对各军用车型涂层防护性能进行判断，适用于军用车辆涂层的现场检测与评价。

4 结 语

利用Kohonen神经网络可通过对图形形状进行识别，自动完成对输入数据的聚类。通过输入实车测得的车辆装备涂层的阻抗谱特征参数值，直接依据车辆装备涂层实车测试评价的神经网络权值，采用无指导训练，将权值记忆，可以方便快捷地对车辆装备涂层防护性能状态进行快速判断，从而为实现对部队军用车辆涂层防护性能进行快速检测提供理论依据。

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

［2］ 杨建刚.人工神经网络实用教程［M］. 杭州:浙江大学出版社，2001:112.

［3］ 史晓霞，陈一民，李治军. 神经网络在应用科学和工程中的应用:从基本原理到复杂的模式识别［M］. 北京:机械工业出版社，2010:10-21.

［4］ 高志明，宋诗哲，徐云海，等. 图层失效过程电化学阻抗谱的神经网络分析［J］. 中国腐蚀与防护学报，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］ 周继成，周青山，韩飘扬.人工神经网络:第六计算机的实现［M］.北京:科学普及出版社，1993:85-86.

［9］ 李学桥，马莉.神经网络工程应用［M］.重庆:重庆大学出版社，1996:126-128.

［10］ 飞思科技产品研发中心. 神经网络理论与Matlab7.0 实现［M］.北京:电子工业出版社，2005:77-78.