基于压电技术的集成电缆网结构及其在利用反向传播神经网络预测电缆张力中的应用
吕晴、
唐雅琼、
李团杰
《Applied Sciences》:Piezoelectric-Integrated Cable-Net Structure for Cable Force Prediction Using a Backpropagation Neural Network
Qing Lv,
Yaqiong Tang and
Tuanjie Li
【字体:
大
中
小
】
时间:2026年04月22日
来源:Applied Sciences 2.5
编辑推荐:
摘要:作为可展开网状天线反射器的主要承重结构,缆网结构的表面精度直接决定了缆网天线的性能。为了满足表面精度要求,已安装的缆网天线必须进行表面调整,因此测量缆网张力变得非常重要。然而,由于测量能力和条件的限制,大规模缆网张力测量极具挑战性。为了解决这个问题,本文提出了一种集成了压电
摘要:作为可展开网状天线反射器的主要承重结构,缆网结构的表面精度直接决定了缆网天线的性能。为了满足表面精度要求,已安装的缆网天线必须进行表面调整,因此测量缆网张力变得非常重要。然而,由于测量能力和条件的限制,大规模缆网张力测量极具挑战性。为了解决这个问题,本文提出了一种集成了压电材料的缆网结构。通过在缆网结构的节点处嵌入压电贴片,可以利用直接的压电效应将压接端子的变形转化为电压信号。此外,还提出了一种基于BP神经网络的缆网张力预测方法。该方法以压电电压值作为输入层,以缆网的自应力平衡因子作为输出层,从而降低了缆网张力预测的复杂性。在此基础上,研究了压电贴片的数量和布局对缆网张力预测模型精度的影响。研究表明,当压电贴片的数量大于或等于自应力平衡因子的数量时,可以实现准确的预测。额外的压电贴片和不对称布局可以进一步提高预测模型的精度。最后,该预测模型在三角形、四边形和张力结构缆网中得到了验证,证明了基于反向传播神经网络的缆网张力预测方法的有效性。这项工作利用神经网络为压电集成缆网结构中的缆网张力预测提供了一种新的方法和解决方案。
1. 引言
目前,空间网状天线代表了实现大规模、轻重量和高展开比卫星天线的最有前途的结构方法,成为国际航空航天界理论、方法论和实验研究的重点[1]。这些天线的反射表面由柔性缆网结构组成,当与可展开支撑结构连接时,在预应力作用下形成特定配置的反射表面,从而实现目标电磁波的有效反射和接收。根据支撑配置和驱动方式的不同,网状天线已经发展出多种结构形式[2,3,4,5,6,7,8]。当前技术进步表明,这种天线理论上可以达到50米的直径,表面精度范围为200至500微米,射频(RF)能力覆盖1.6至40 GHz,同时满足低频和高频要求[9]。空间网状天线的优势包括轻质反射器、高折叠性、紧凑的储存比例、易于实现的大口径以及与各种可展开支撑结构的兼容性。然而,它们的缺点包括结构复杂性、相对较差的表面精度以及确保可靠性和重复性的挑战[10]。
缆网结构作为连接桁架结构和支撑金属丝网反射表面的关键接口,其表面精度直接决定了缆网天线的操作性能。为了满足表面精度要求,已安装的缆网天线必须进行形状调整。为了提高网状反射器的精度,许多研究人员进行了广泛的研究以改进调整效率和精度[11,12,13,14,15,16,17,18]。早在1996年,Tabata团队[19]就研究了在有限的执行器和部分缆网数据条件下进行主动表面校正的可行性。1997年和2004年,You[20]和Tanaka[21]分别提出了线性调整算法,忽略了几何非线性,通过方程变换直接推导出调整量与表面误差之间的关系。2006年,Tanaka团队[22]提出了一种基于自平衡应力概念的新控制方法。这种方法通过缆网的自平衡应力来确定形状控制输入,无需迭代程序即可实现精确的形状控制。2011年,Tanaka等人[23]基于天线增益与表面精度之间的强耦合开发了一种主动反射面调整方法。2013年,Du团队[24]通过建立缆网结构的机械模型,建立了垂直缆线位移参数与表面精度之间的映射关系。Wang[25]和Xun[26]分别在2013年和2018年提出了一种将串联执行器集成到网状天线垂直缆线中的方法,用于缆网表面调整。他们建立了主动调整优化模型,将反射面精度与执行器电压调节相关联。2016年,Li等人[27]提出了一种区间力密度方法,用于计算不确定缆网中的均方误差,并建立了识别最优可调整缆线修改的优化模型。2019年,Tang等人[28]利用机器学习开发了预测模型,将缆线长度调整与表面精度相关联,通过边界缆线调节提高了精度和张力均匀性。最近,在2021年,Yuan等人[29]应用奇异值分解建立了 Element 长度与节点位移之间的数学模型,优化了执行器配置和数量。
尽管理论研究表明表面控制的潜力,但其在工程上的实施仍然受到在轨实时测量难度和主动控制系统固有复杂性的显著限制。目前,测量缆网内部力的方法包括压力传感器、光纤力传感器、基于振动的测量等。基于压力传感器的方法通过在固定锚点或缆线连接处安装压力传感器来直接测量缆线内部力的变化。Wang等人[30]提出了一种使用PVDF压电膜的现场缆线张力分析方法,探讨了缆线下垂与张力之间的关系,并提供了明确的误差方程和补偿方法。然而,空间网状天线通常使用芳纶纤维等纤维编织缆线,将PVDF压电膜集成到这种缆线中存在显著的制造挑战。光纤力传感器利用光纤内光栅结构的反射特性来测量特定波长的变化。Kim等人[31]通过将FBG传感器嵌入PC钢绞线的中心导线中实现了长期缆线张力测量。尽管如此,光纤传感器在实际应用中仍面临挑战,包括复杂的封装过程、对温度和应变的交叉敏感性,以及多点分布式测量的高成本。Kim等人[32]提出了一种用于缆线张力测量的压电应变传感器,并根据振动特性分析了缆线健康状况。Jeong等人[33]基于深度学习和无线智能传感器设计了一种自动缆线力检测系统,并通过单根支撑缆线的实验验证了其性能。然而,振动频率方法是一种近似解决方案,解决方案过程中的简化假设可能会影响测量精度。此外,对于低张力缆网结构,低频模式难以准确提取,环境噪声也会显著影响频率识别的精度。
为了解决缆线力测量的挑战,本研究提出了一种集成压电材料的缆网结构,旨在利用压电贴片的输出电压来预测缆线力。然而,压电电压与缆线力之间的高度非线性机电耦合使得分析模型的推导变得困难。最近,机器学习的进步[34]和智能算法[35,36]在结构健康监测、传感器融合和不确定性感知建模方面取得了显著进展,为缆线力预测带来了新的机会。具体来说,采用了反向传播神经网络(BP神经网络)作为没有明确物理约束的黑盒模型。这是一个刻意的选择,因为机电耦合的强非线性使得分析模型不切实际,因此数据驱动的方法非常适合这项任务。因此,本研究将集成压电材料的缆网结构与BP神经网络结合用于缆线力预测。
与现有的专注于使用缆线长度修改或执行器位移进行形状调整的机器学习方法不同,所提出的方法直接在缆网节点处嵌入压电贴片,将张力变化转化为电压信号。这项工作的新颖性和贡献有三个方面:(1)一种能够实现原位基于电压的张力传感的集成压电材料缆网结构;(2)一个将电压信号映射到自应力平衡因子的BP神经网络模型,降低了预测复杂性;(3)对传感器数量和布局对预测精度影响的系统分析,为实际应用提供了设计指南。这项工作为未来可展开网状天线中的实时缆线力监测奠定了基础。
2. 基于BP神经网络的缆线力预测模型
2.1. 缆网结构的平衡方程和缆线力计算
考虑到缆网结构的自平衡特性,可以根据其几何配置建立节点平衡方程(1),其中表示缆线力向量;自平衡矩阵由表示沿x、y和z轴的节点自平衡系数矩阵组成。
给定缆网结构的定义几何形状,方程(1)是一个齐次线性方程组。如果矩阵的零度大于零,则该系统有非平凡解。设表示矩阵的零度和零空间。然后可以推导出内部力(2),其中表示缆网结构的自应力平衡因子,它可以表示为任何实数值。
处于平衡状态的缆网结构的缆线力满足自平衡方程。给定定义的缆网配置,可以确定自平衡矩阵及其零空间。通过方程(2),只需确定自应力平衡因子即可获得缆线力向量。通常满足条件。通过求解自应力平衡因子而不是直接确定内部力,可以减少预测模型中的未知参数数量。因此,在神经网络训练过程中,自应力平衡因子是输出层变量。
2.2. 压电缆线力预测模型
本文为集成压电材料的缆网结构建立了一个机电耦合仿真模型,通过施加不同的预应力水平来生成神经网络模型训练所需的数据集。具体来说,对于每种缆网配置,自应力平衡因子在预定义范围内独立变化。以交叉缆结构为例,每个因子从集合{2, 4, 6, …, 20}中赋值,生成所有可能的组合。然后使用COMSOL Multiphysics版本6.2解决了压电贴片的电压输出。共生成了100个数据集,其中80个用于训练,20个用于测试。对于具有更高维自应力平衡因子的结构(例如三角形、四边形和张力结构缆网),相应地调整了参数范围,并将总样本量增加到125、120和120,以确保充分覆盖参数空间。所有输入和输出数据在训练前都被归一化到[-1, 1]范围内,以加速收敛并防止特征主导。
数据集包括两个部分:输入数据(压电贴片电压)和输出数据(自应力平衡因子)。选择BP神经网络来建立输入数据和输出数据之间的映射关系,因为它可以有效地模拟强非线性的机电耦合,而无需明确的分析模型。其多层前馈架构和反向传播学习为缆网结构中遇到的复杂映射提供了足够的表示能力。虽然存在更先进的机器学习模型,如深度卷积网络和基于变压器的架构,但出于三个主要原因,我们选择了标准的BP网络作为概念验证研究的基线:(1)其在小到中等规模数据集上的回归任务中已被证明的效率和鲁棒性;(2)其低计算成本,有利于在资源受限平台上进行潜在的实时部署;(3)其直观的可解释性,使我们能够清楚地区分传感器数量和布局的影响,而不受架构复杂性的干扰。
BP神经网络由输入层、一个隐藏层和一个输出层组成。输入神经元的数量等于压电贴片的数量,输出神经元的数量等于自应力平衡因子的数量。隐藏层使用tanh激活函数,输出层使用线性激活函数。图1展示了基于BP神经网络的缆线力预测模型的工作流程图。BP神经网络的训练步骤如下:设置权重和初始值。输入训练样本,并逐层计算神经元输出,直到达到输出层。将输出层的结果与期望的输出进行比较以计算误差。从输出层开始,逆序计算每个神经元的误差项(梯度),并使用梯度下降方法更新权重和偏置。重复步骤2-4,直到满足停止准则(例如,达到最大迭代次数或误差低于阈值)。神经网络中的关键参数包括训练迭代次数、学习率和最小误差阈值,可以根据研究中的实际需求进行调整。在本文中,训练迭代次数设置为1000次,学习率设置为0.01,训练目标的最小误差阈值设置为10^-6。用于评估神经网络性能的误差指标包括均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)和预测准确率(FA)。尽管BP神经网络被用作数据驱动的黑箱模型,但其背后的物理关系可以解释如下:每个压电贴片产生的电压反映了局部应变,该应变由连接该节点的电缆合力决定。当在不同节点放置多个贴片时,它们的集体电压信号编码了足够的 information 以确定电缆网的整体自应力平衡状态。
3. 基于BP神经网络的压电电缆力预测与分析
为了获取在不同电缆力条件下的内部电缆力和电压的样本数据,在COMSOL Multiphysics 6.2版本中建立了仿真模型。使用COMSOL的直接求解器,相对容忍度设为1 × 10^-6。对于每个电缆网结构,电缆网边缘的固定节点被赋予零位移约束,以表示与支撑桁架结构的连接。压电贴片被建模为具有直接压电效应的线性压电材料。每个压电贴片的底部表面设置为零电位,而顶部表面被赋予浮动电位以允许电压生成。没有施加外部电场;电压输出完全由电缆力引起的机械应变产生。
模型规格如下:电缆直径为2毫米,电缆长度为200毫米,节点连接器的尺寸为40毫米(长度)×40毫米(宽度)×2毫米(厚度),压电贴片的尺寸为10毫米(长度)×10毫米(宽度)×0.5毫米(厚度)。压电贴片材料为PZT-5H。电缆网络中节点连接器和电缆的材料参数列在表1中。
3.1. 交叉电缆网结构
本节采用图2中所示的交叉电缆配置作为分析案例研究,用于预测压电电缆网模型中的内部力。交叉电缆结构由四根电缆和一个方形薄板节点组成。在薄板中心安装了不同数量和排列的压电贴片,以比较神经网络在不同配置下的预测准确性。仿真模型如图2a所示,而理论模型如图2b所示。
3.1.1. 压电贴片的数量
空间网格天线对传感器的质量和体积都有要求,需要安装尽可能少的传感器以实现电缆力的准确预测。本小节研究了压电贴片数量对预测准确性的影响。在交叉电缆结构的连接节点处安装了1到3个压电贴片,其分布如图3所示。通过建立电缆网的自平衡矩阵,获得了自应力平衡因子。这些因子的自由组合被赋予2、4、6、…、20等值。为每种组合求解电压输出,得到100个数据集。其中80个数据集用于训练神经网络,另外20个数据集用于测试神经网络模型的验证。来自不同数量压电贴片的数据被输入到BP神经网络模型中。训练网络的预测性能在表2中呈现。如表2所示,当仅使用一个压电贴片时,预测准确率为51.63% FA,预测值与实际值之间的差异显著。然而,当压电贴片的数量增加到2个和3个时,预测准确率超过99.99% FA,预测的自应力平衡因子几乎与实际值相同。这表明更多的压电贴片可以提高预测模型的准确性。然而,考虑到空间网格天线中减少传感器数量的要求,建议在交叉电缆网的中心节点安装两个压电贴片。
3.1.2. 压电贴片的排列
本小节进一步研究了在不同排列和不同大小的压电贴片条件下压电电缆力预测模型的准确性,基于两个贴片的配置。压电贴片的放置方案如图4所示。遵循与3.1.1节相同的程序,生成了100组数据。其中80组数据用作神经网络的训练数据集,其余20组数据用作验证神经网络模型的测试数据集。对于图4中所示的三种排列方案,训练网络的预测性能在表3中呈现。如表3所示,两种非对称排列方案的压电贴片显示出比对称方案更高的预测准确性。可能的原因是:在对称贴片排列中,某些条件下的信号可能显示出相对较小的差异。当两个信号非常相似时(例如),这会导致输入模型中出现冗余特征,从而降低有效信息含量。因此,神经网络难以从重复数据中提取有意义的模式,导致泛化能力差和欠拟合。相比之下,非对称排列产生的信号差异较大,提供了互补的特征,使得映射更准确,提高了系统的预测准确性。
3.2. 三角形电缆网结构
图5展示了一个由九根电缆和三个节点连接器组成的三角形电缆网结构。通过建立该电缆网的自平衡矩阵,确定了电缆网的自应力平衡因子由三个独立变量表示。参数向量从集合{3, 6, 9, 12, 15}中选取值,所有可能组合共生成125个数据集。其中100个数据集用于训练集,25个数据集用于测试集。
3.3. 四边形电缆网结构
图7展示了由四边形组成的电缆网结构。电缆网中的总节点数为21个,包括9个自由节点和12个固定节点,以及24个电缆元素。通过计算该电缆网的自平衡矩阵,确定了其零空间的维数。因此,需要至少六个参数来完全定义内部力向量。具体来说,自应力平衡因子表示为。
3.4. 张力完整性电缆网结构
图9展示了张力完整性类型的压电集成电缆网结构。电缆网包含38个节点、115根电缆和6根杆。每个节点通过连接器连接,压电贴片安装在电缆网节点的连接器上以测量电缆张力的变化。通过计算该电缆网的自平衡矩阵,其零空间的维数被确定。这对应于电缆网的自应力平衡因子。因此,至少需要13个参数来确定电缆网的内部力向量。
3.5. 结果讨论
根据仿真结果,预测值与实际值非常吻合,预测准确率(FA)高达99.9%,平均绝对误差(MAE)在10^-3到10^-2牛顿的范围内。这些结果表明预测误差非常小。在实际应用中,对于通常在1到100牛顿范围内的电缆力,绝对误差大约为0.001–0.1牛顿,这对于表面调整来说是可以忽略的。图6、图8和图10中显示的误差随机分布在零附近,表明模型不会一致地高估或低估电缆力。此外,表2中的权衡分析表明,两个压电贴片可以实现99.99%的FA,而增加第三个贴片只会带来微小的改进。鉴于空间应用中的质量和体积限制,建议在交叉电缆网的中心节点安装两个压电贴片。然而,需要注意的是,这些误差范围是基于理想情况下的仿真结果;现实世界中的不确定性因素(如噪声、温度变化和制造公差)可能会导致预测误差增加。此外,本研究中使用的BP神经网络具有简单的架构,并且是在包含100-125个样本的数据集上训练得到的。每次预测的推理时间在标准计算机上大约为毫秒级,无论电缆网结构的物理尺寸如何。随着自应力平衡因子数量的增加,输出神经元数量也会相应增加,但网络规模仍然保持适中。对于具有数百个自应力平衡因子的极大型电缆网结构,可能需要增加隐藏神经元或层的数量,但考虑到神经网络推理的效率,计算成本仍然是可以控制的。然而,对于大规模的电缆网结构,自应力平衡因子的数量可能非常多,由于质量、布线和数据采集的限制,很难在每个节点上都安装压电贴片。尽管如此,以下两种策略可以应对这一挑战:首先,所需的贴片数量仅等于自应力平衡因子的数量,而不是节点的数量,这意味着只需在部分节点上安装贴片,从而显著减少传感器数量;其次,通过敏感性分析优化贴片的放置位置,以最大化每个传感器的信息量,从而减轻质量和安装复杂性。
4. 结论
为了解决大规模电缆网结构中张力测量的难题,本文提出了一种集成压电元件的电缆网设计。在电缆网结构的每个节点上安装压电贴片,利用压电效应将电缆张力的变化转换为可测量的电压变化。此外,还提出了一种基于BP神经网络的方法来预测这种集成压电元件的电缆网结构中的电缆张力。该方法以压电贴片的电压值作为输入层,以电缆网的自应力平衡因子作为输出层,从而简化了内力预测的复杂性。研究进一步探讨了压电贴片的数量和放置位置对电缆网结构内力预测模型准确性的影响。神经网络所需的训练和测试样本是通过COMSOL仿真生成的。结果表明,当电缆张力预测模型中的输入节点数量(压电贴片电压信号)等于或超过输出节点数量(自应力平衡因子)时,可以达到准确的预测结果。此外,增加压电贴片的数量和采用非对称布置方式可以进一步提高预测模型的准确性。随后,在三角形、四边形和张力完整性电缆网结构中验证了基于BP神经网络的电缆力预测模型。预测值与实际值非常接近,预测准确率可达99.9%。这证实了基于BP神经网络的电缆张力预测模型在电缆网结构内力预测中的有效性。
需要明确的是,所提出的BP神经网络模型是针对特定电缆网结构的电缆力预测进行训练的,适用于不同的工作条件(例如热环境或外部载荷)。成功训练的可行性取决于两个关键条件:压电贴片的数量必须至少等于自应力平衡因子的数量,并且贴片的布置应能提供有用的信号特征。如果结构配置发生显著变化,则需要重新训练。同时,将提出的基于BP的方法与其他机器学习方法进行定性比较也是有意义的。例如,带有径向基函数核的支持向量回归(SVR)可以模拟非线性,但它对超参数调整更为敏感,并且可能无法随着数据集大小的增加而高效扩展。随机森林(RF)可以提供内在的不确定性估计,但可能需要更深层次的树结构来捕捉高度非线性的机电耦合,这在训练样本有限的情况下会增加过拟合的风险。更复杂的架构(如卷积神经网络(CNN)可以利用多个压电贴片之间的空间相关性。然而,我们的贴片布置并不是严格的网格结构,而且数据集规模较小(约100个样本),这意味着深度CNN在没有大量数据增强的情况下容易过拟合。因此,BP神经网络在这种特定任务中实现了表示能力、数据效率和计算简洁性之间的实际平衡。
最后,应当指出,当前研究完全依赖于COMSOL的仿真数据。在实际应用之前,需要在真实世界条件下进行实验验证,因为环境因素(如温度波动、电磁干扰和传感器噪声)可能会影响电压读数。此外,部分传感器故障可能会影响预测的可靠性。虽然全面的鲁棒性分析超出了这个基于仿真的概念验证的范围,但未来的工作将专注于构建物理测试平台来量化这些影响。可以采用数据增强(例如在训练过程中添加合成噪声)、传感器融合和迁移学习等技术来提高模型对现实世界不完美的适应能力。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号