基于多分辨奇异谱熵和svm的泄漏声发射信号识别方法
基于多分辨奇异谱熵和svm的泄漏声发射信号识别方法
【技术领域】
[0001] 本发明设及基于多分辨奇异谱赌和SVM的泄漏声发射信号识别方法，属于声发射 信号模式识别技术领域。
【背景技术】
[0002] 在工业快速发展的今天，各类压力管道、高压锅炉随处可见，在使用过程中由于腐 蚀、磨损等原因可能会造成管道或炉壁材料破损导致泄漏，一旦泄漏点得不到及时处理，很 容易发生工业事故，从而带来严重的经济损失和人员伤亡。声发射检测技术是一种利用局 部材料快速释放能量所产生的瞬态弹性波作为激励源的检测技术，在无损检测中占有重要 的地位。目前声发射检测在刀具磨损、腐蚀检测等方面已经取得了一定的研究成果，所W将 其应用于工业管道泄漏检测中也是可行的。
[0003] 目前，对声发射信号的处理方法主要有时域参数法、时域波形法、频域法、小波分 析和经验模态分解等。运些方法从不同角度描述声发射信号的特征，提供了多种多样的声 发射信号检测方法。虽然声发射检测领域的文献很多，但是目前管道泄漏的声发射技术研 究主要是对有无泄漏和泄漏点位置的判定，根据泄漏声发射信号研究泄漏信号参数状态的 文献不多。
[0004] 判断泄漏声发射类型是泄漏声发射检测的主要目的之一，泄漏声发射类型的确定 有助于进一步对材料受损情况作出评估，W便提前采取相应补救措施。因此，研究一种能在 多干扰和低信噪比的复杂信号中，快速和准确地提取泄漏信息特征并识别泄漏类型的方法 具有重要意义。
[0005] 小波分析具有很好的时频局域性，特别适合于非平稳信号的分析。小波奇异谱赌 是融合小波变换、信号的奇异值分解和信息赌提取等相关理论，得到的一种小波信息赌提 取方法。小波奇异谱赌测度可W将信号从小波空间映射到独立的线性空间，直接反映被分 析信号时频空间中特征模式能量的分布不确定性。被分析信号越简单，能量越集中，小波奇 异谱赌值越小;反之，信号越复杂，能量越分散，小波奇异谱赌值越大。因此，小波奇异谱赌 测度可W用来衡量被测信号的复杂度和不确定性，为泄漏声发射研究提供量化和直观分析 的结果。支持向量机(SVM)是基于统计学理论下的一种新型机器学习方法，能很好的解决实 际应用中出现的小样本、过学习、高维数、局部最小等问题，特别实在小样本、非线性情况 下，具有较好的泛化能力。
[0006] 基于此，本文首先用实验室设备数字声发射系统采集敲击、砂纸和断铅Ξ种模拟 声发射信号;然后求取小波奇异谱赌值，将其组合成为特征参数;最后利用支持向量机对特 征参数进行训练和测试。
【发明内容】
[0007] 本发明提供了基于多分辨奇异谱赌和SVM的泄漏声发射信号识别方法，W用于解 决泄漏声发射信号检测分类问题，能有效地对泄漏声发射信号进行分类，能在泄漏故障发 生时及时准确判断出泄漏故障类型，为采取相应的补救措施提供参考。
[0008] 本发明基于多分辨奇异谱赌和SVM的泄漏声发射信号识别方法是运样实现的：
[0009] 首先采用数字声发射系统进行实验数据采集，分别采集敲击、砂纸和断铅3种模拟 声发射信号;然后对采集的声发射信号分别进行小波多尺度分解;再求得每一层的奇异谱 赌，将其组成一个特征向量;最后将特征向量分为训练集和测试集，训练集用于训练得到支 持向量机分类器参数，用训练好的分类器对测试集进行分类测试，其结果就是对不同声发 射信号的分类识别。
[0010] 所述基于多分辨奇异谱赌和SVM的泄漏声发射信号识别方法的具体步骤如下：
[0011] A、声发射信号采集:采用数字声发射系统进行实验数据采集，分别采集敲击、砂纸 和断铅巧巾模拟声发射信号各m组，信号记为x(t);
[0012] B、对原始信号x(t)进行小波变换，设分解尺度为j，则x(t)的小波分解信号为di, cb，…，山，依次表示从高频段到低频段信号；
[0013] C、分别对分解后的每一层系数进行重构，设第j层上的重构信号为化={山化)}，假 设要重构1个η维相空间，那么η维相空间第1个矢量为化中的山（1)，d2(2)，…，山(η)，然后右 移1步，第2个矢量为di(2)，cb(3)，···，山(η+1)，依次类推，可构造一个(Ν-η+1)Χη维的矩阵：
[0014]
[001引其中，Ν表示第j层上的重构信号Dj= {dj(k)}ke [1，Ν]中k的取值范围，从巧帆
[0016] D、对一组信号的每层矩阵Aj进行奇异值分解，计算信号的奇异谱赌，将各层的赌 值组合起来，即得到特征向量，按照运种方法将Ξ种类型声发射信号共3*m组的奇异谱赌求 出来，每一组信号得到一组特征向量；
[0017] E、分别取每类信号的两组特征向量作为训练集、两组作为测试集，用它们训练分 类器，选用高斯径向基核函数，gamma参数为1，惩罚因子C为200;
[0018] F、选定了分类器参数之后，取每类信号的a组特征向量作为训练集，剩余组的特征 向量作为测试集，用训练好的分类器对测试集进行分类测试。
[0019] 所述m值可W选用20，a值可W选用6。
[0020] 本发明的工作原理是：
[0021] 第一步:实验可W采用北京声华兴业科技有限公司生产的SA抓2S数字声发射系统 进行试验数据采集。实验时，保持传感器与事故点位置不变，在事故点处分别模拟敲击、砂 纸和断铅Ξ种工况声源，并记录相关实验数据。为验证上述方法的有效性，在实验室条件 下，按照国际无损检测界的规定（美国ASTM976号文件），使用0.5mm皿铅笔忍进行断铅试 验，可W得到模拟断铅声源信号。并用砂纸和金属棒，在相同位置模拟出砂纸和敲击两种不 同工况声源信号。实验每次采集1200个点作为一组信号，可W分别采集敲击、砂纸和断铅Ξ 种声源信号各20组；
[0022] 第二步:小波分析的基本方法是运用Mallat塔式算法，对信号x(t)进行降阶分解。 离散二进小波变换公式为：
，式中：H和G分别为低通滤波器和高通滤波器； Cj化)和山化)分别为信号分解尺度的近似系数和细节系数。设分解尺度为j，则x(t)的小波 分解信号为di，cb，…，山，Cj，依次表示从高频段到低频段信号。
[0023] 第Ξ步:分别对分解后的每一层系数进行重构，重构公式为CW化）=H*c^k)+G*dj 化），式中Η*和G*分别为Η和G的对偶算子。设第j层上的重构信号为町=化化）}，假设要重构 1个η维相空间，那么η维相空间第1个矢量为D冲的山（1)，(12(2)，-，，(1加），然后右移1步，第 2个矢量为di(2)，cb(3)，…，山(η+1)，依次类推，可构造一个(Ν-η+1)Χη维的矩阵Aj。
[0024]
[00巧]第四步：对每层矩阵Aj进行奇异值分解（singular value decomposition,SVD)， 计算信号的奇异谱赌。对一组信号的每层矩阵Aj进行奇异值分解（singular value decomposition，SVD)，计算信号的奇异谱赌。将各层的赌值组合起来，即得到特征向量。按 照运种方法将Ξ种类型声发射信号共60组信号的奇异谱赌求出来，每一组信号得到一组特 征向量。
[0026] 第五步:分别取每类信号的两组特征向量作为训练集、两组作为测试集，用它们训 练分类器，选用高斯径向基核函数，gamma参数为1，惩罚因子C为200。此时SVM分类器对待测 样本的识别正确率为100%。选定了合适的分类器参数之后，取每类信号的6组特征向量作 为训练集，剩余10组特征向量作为测试集。结果表明，SVM对Ξ种泄漏声发射信号的分类结 果正确率很高。
[0027] 图7表示支持向量机的体系结构，SVM在进行线性分类时，通过选择合适的核函数 将输入向量映射到高维特征空间，并在其中构造最优超平面，达到分类目的，其中的x(l)，x (2)，. . .，x(n)表示待识别样本序列，Κ(Χ，Χι)表示核函数，输出Y代表识别结果。图8和图9中 圆圈圈出的样本点叫做支持向量(suppod vectorS)，其位于最优超平面的附近，分布在各 自样本区域的边缘地带，虚线代表最优超平面。
[002引本发明的有益效果是：
[0029] 1、通过将泄漏声发射信号的类型识别问题转化为模式分类问题，在惩罚因子和 gamma参数选择合适的情况下，SVM对测试样本包含的声发射信息具有较强的分辨能力，可 W同时区分敲击、砂纸、断铅信号，且识别正确率很高，可实现自动分类；
[0030] 2、支持向量机对小样本数据具有较好的统计学习能力；
[0031] 3、通过求声发射信号的小波奇异谱赌值，能较好的反映声发射信号状态信息，可 W将其作为声发射信号的特征向量。
【附图说明】
[0032] 图1为本发明的处理流程图；
[0033] 图2为本发明Ξ种类型泄漏声发射信号的时域波形图；
[0034] 图3为本发明Ξ种类型泄漏声发射信号的频域波形图；
[0035] 图4为本发明敲击信号重构后的波形图；
[0036] 图5为本发明砂纸信号重构后的波形图；
[0037] 图6为本发明断铅信号重构后的波形图；
[0038] 图7为本发明支持向量机的体系结构图；
[0039] 图8为本发明训练分类器参数时的SVM训练样本可视化图像；
[0040] 图9为本发明SVM测试样本可视化图像。
【具体实施方式】
[0041] 实施例1:如图1-9所示，基于多分辨奇异谱赌和SVM的泄漏声发射信号识别方法， 首先采用数字声发射系统进行实验数据采集，分别采集敲击、砂纸和断铅巧巾模拟声发射信 号;然后对采集的声发射信号分别进行小波多尺度分解;再求得每一层的奇异谱赌，将其组 成一个特征向量;最后将特征向量分为训练集和测试集，训练集用于训练得到支持向量机 分类器参数，用训练好的分类器对测试集进行分类测试，其结果就是对不同声发射信号的 分类识别。
[0042] 所述基于多分辨奇异谱赌和SVM的泄漏声发射信号识别方法的具体步骤如下：
[0043] A、声发射信号采集:采用数字声发射系统进行实验数据采集，分别采集敲击、砂纸 和断铅巧巾模拟声发射信号各m组，信号记为x(t);
[0044] B、对原始信号x(t)进行小波变换，设分解尺度为j，则x(t)的小波分解信号为di, cb，…，山，依次表示从高频段到低频段信号；
[0045] C、分别对分解后的每一层系数进行重构，设第j层上的重构信号为化={山化)}，假 设要重构1个η维相空间，那么η维相空间第1个矢量为化中的山（1)，d2(2)，…，山(η)，然后右 移1步，第2个矢量为di(2)，cb(3)，···，山(η+1)，依次类推，可构造一个(Ν-η+1)Χη维的矩阵：
[0046]
[0047] 其中，Ν表示第j层上的重构信号化={山化)}ke [1，Ν]中k的取值范围，从巧IJN;
[0048] D、对一组信号的每层矩阵Aj进行奇异值分解，计算信号的奇异谱赌，将各层的赌 值组合起来，即得到特征向量，按照运种方法将Ξ种类型声发射信号共3*m组的奇异谱赌求 出来，每一组信号得到一组特征向量；
[0049] E、分别取每类信号的两组特征向量作为训练集、两组作为测试集，用它们训练分 类器，选用高斯径向基核函数，gamma参数为1，惩罚因子C为200;
[0050] F、选定了分类器参数之后，取每类信号的a组特征向量作为训练集，剩余组的特征 向量作为测试集，用训练好的分类器对测试集进行分类测试。
[0051] 实施例2:如图1-9所示，基于多分辨奇异谱赌和SVM的泄漏声发射信号识别方法， 首先采用数字声发射系统进行实验数据采集，分别采集敲击、砂纸和断铅巧巾模拟声发射信 号;然后对采集的声发射信号分别进行小波多尺度分解;再求得每一层的奇异谱赌，将其组 成一个特征向量;最后将特征向量分为训练集和测试集，训练集用于训练得到支持向量机 分类器参数，用训练好的分类器对测试集进行分类测试，其结果就是对不同声发射信号的 分类识别。
[0052] 所述基于多分辨奇异谱赌和SVM的泄漏声发射信号识别方法的具体步骤如下：
[0053] A、声发射信号采集:采用数字声发射系统进行实验数据采集，分别采集敲击、砂纸 和断铅巧巾模拟声发射信号各m组，信号记为x(t);
[0054] B、对原始信号x(t)进行小波变换，设分解尺度为j，则x(t)的小波分解信号为di, cb，…，山，依次表示从高频段到低频段信号；
[0055] C、分别对分解后的每一层系数进行重构，设第j层上的重构信号为化={山化）}，假 设要重构1个η维相空间，那么η维相空间第1个矢量为化中的山（1)，d2(2)，…，山(η)，然后右 移1步，第2个矢量为di(2)，cb(3)，···，山(η+1)，依次类推，可构造一个(Ν-η+1)Χη维的矩阵：
[0化6]
[0057] 其中，Ν表示第j层上的重构信号Dj= {山化)}ke [1，Ν忡k的取值范围，从巧帆
[0058] D、对一组信号的每层矩阵Aj进行奇异值分解，计算信号的奇异谱赌，将各层的赌 值组合起来，即得到特征向量，按照运种方法将Ξ种类型声发射信号共3*m组的奇异谱赌求 出来，每一组信号得到一组特征向量；
[0059] E、分别取每类信号的两组特征向量作为训练集、两组作为测试集，用它们训练分 类器，选用高斯径向基核函数，gamma参数为1，惩罚因子C为200;
[0060] F、选定了分类器参数之后，取每类信号的a组特征向量作为训练集，剩余组的特征 向量作为测试集，用训练好的分类器对测试集进行分类测试。
[0061 ] 所述m值选用20，a值选用6。
[0062] 实施例3:如图1-9所示，基于多分辨奇异谱赌和SVM的泄漏声发射信号识别方法， 首先采用北京声华兴业科技有限公司生产的SAKJ2S数字声发射系统进行实验数据采集，分 别采集敲击、砂纸和断铅巧巾模拟声发射信号各20组;然后对采集的声发射信号分别进行小 波多尺度分解;再求得每一层的奇异谱赌，将其组成一个特征向量;最后将特征向量分为训 练集和测试集，训练集用于训练得到支持向量机分类器参数，用训练好的分类器对测试集 进行分类测试，其结果就是对不同声发射信号的分类识别。
[0063] 所述基于多分辨奇异谱赌和SVM的泄漏声发射信号识别方法的具体步骤如下：
[0064] A、声发射信号采集:采用北京声华兴业科技有限公司生产的SAKJ2S数字声发射系 统进行实验数据采集，分别采集敲击、砂纸和断铅3种模拟声发射信号各20组，信号记为X (t);每类声发射信号各列举一个，其时域波形和频谱图分别如图2和图3所示；
[0065] B、对原始信号x(t)进行小波变换，设分解尺度为6,则x(t)的小波分解信号为di, cb，…，山，依次表示从高频段到低频段信号;分别对分解后的每一层系数进行重构，敲击、砂 纸和断铅Ξ种类型声发射信号重构后的波形如图4、图5和图6所示;其中横轴代表采样点， 纵轴代表幅值；
[0066] C、分别对分解后的每一层系数进行重构，设第j层上的重构信号为化={山化)}，假 设要重构1个η维相空间，那么η维相空间第1个矢量为化中的山（1)，d2(2)，…，山(η)，然后右 移1步，第2个矢量为di(2)，cb(3)，···，山(η+1)，依次类推，可构造一个(Ν-η+1)Χη维的矩阵：
[0067]
[0068] 其中，N表示第j层上的重构信号化={山化)}ke [1，N]中k的取值范围，从巧IJN;
[0069] D、对每一组重构后的信号进行奇异值分解（singular value decomposition, SVD)，计算信号的奇异谱赌。将各层的赌值组合起来，即得到特征向量。按照运种方法将Ξ 种类型声发射信号共60组信号的奇异谱赌求出来，每一组信号得到一组特征向量。其中部 分特征向量参数如表1所示;其中yi，y2,...，ys分别表示6层小波奇异谱赌值，代表从高频段 到低频段信号，类别1、2、3分别表示敲击、砂纸、断铅信号。
[0070] 表1部分特征向量参数
[0071]
[0072] E、分别取每类信号的两组特征向量作为训练集、两组作为测试集，用它们训练分 类器，选用高斯径向基核函数，gamma参数为1，惩罚因子C为200;具体如图8所示，共6组训练 集，6组测试集，图中6个样本点表示训练样本；
[0073] F、选定了分类器参数之后，取每类信号的6组特征向量作为训练集，剩余组的特征 向量作为测试集，用训练好的分类器对测试集进行分类测试。具体如图9所示，共18组训练 集，30组测试集，图中30个样本点表示测试样本。
[0074] 具体的，此时SVM分类器的分类结果如图8所示，待测样本的识别正确率为100%。 通过步骤E中选定了合适的分类器参数之后，取每类信号的6组特征向量作为训练集，剩余 10组特征向量作为测试集。分类结果如图9所示，具体识别正确率如表2所示，可见8￥1对^ 种泄漏声发射信号的分类结果正确率很高，SVM的综合识别率达到了96.7%，只有一个砂纸 信号没有识别正确，敲击信号和断铅信号的识别正确率都达到了 100%。
[0075] 表2识别正确率
[0076]
[0077] 上面结合附图对本发明的【具体实施方式】作了详细说明，但是本发明并不限于上述 实施方式，在本领域普通技术人员所具备的知识范围内，还可W在不脱离本发明宗旨的前 提下作出各种变化。
【主权项】
1. 基于多分辨奇异谱熵和SVM的泄漏声发射信号识别方法，其特征在于:首先采用数字 声发射系统进行实验数据采集，分别采集敲击、砂纸和断铅3种模拟声发射信号;然后对采 集的声发射信号分别进行小波多尺度分解;再求得每一层的奇异谱熵，将其组成一个特征 向量;最后将特征向量分为训练集和测试集，训练集用于训练得到支持向量机分类器参数， 用训练好的分类器对测试集进行分类测试，其结果就是对不同声发射信号的分类识别。2. 根据权利要求1所述的基于多分辨奇异谱熵和SVM的泄漏声发射信号识别方法，其特 征在于:所述基于多分辨奇异谱熵和SVM的泄漏声发射信号识别方法的具体步骤如下： A、 声发射信号采集:采用数字声发射系统进行实验数据采集，分别采集敲击、砂纸和断 铅3种模拟声发射信号各m组，信号记为x(t); B、 对原始信号x(t)进行小波变换，设分解尺度为j，则x(t)的小波分解信号为CUj2，…， 山，依次表示从高频段到低频段信号； C、 分别对分解后的每一层系数进行重构，设第j层上的重构信号为Dj= {山(1〇}，假设要 重构1个η维相空间，那么η维相空间第1个矢量为Dj中的Cl1(I)，d 2(2)，…，dj(n)，然后右移1 步，第2个矢量为Cl1 (2)，d2(3)，…，dj(n+1)，依次类推，可构造一个(N-n+1) Xη维的矩阵：其中，N表示第j层上的重构信号仏={山(k)}ke[l，N]中k的取值范围，从1到Ν; D、 对一组信号的每层矩阵、进行奇异值分解，计算信号的奇异谱熵，将各层的熵值组合 起来，即得到特征向量，按照这种方法将三种类型声发射信号共3*m组的奇异谱熵求出来， 每一组信号得到一组特征向量； E、 分别取每类信号的两组特征向量作为训练集、两组作为测试集，用它们训练分类器， 选用高斯径向基核函数，ga_a参数为1，惩罚因子C为200; F、 选定了分类器参数之后，取每类信号的a组特征向量作为训练集，剩余组的特征向量 作为测试集，用训练好的分类器对测试集进行分类测试。3. 根据权利要求2所述的基于多分辨奇异谱熵和SVM的泄漏声发射信号识别方法，其特 征在于:所述m值选用20, a值选用6。
【专利摘要】本发明涉及基于多分辨奇异谱熵和SVM的泄漏声发射信号识别方法，属于声发射信号模式识别技术领域。本发明包括步骤：首先采用数字声发射系统进行实验数据采集，分别采集敲击、砂纸和断铅3种模拟声发射信号；然后对采集的声发射信号分别进行小波多尺度分解；再求得每一层的奇异谱熵，将其组成一个特征向量；最后将特征向量分为训练集和测试集，训练集用于训练得到支持向量机分类器参数，用训练好的分类器对测试集进行分类测试，其结果就是对不同声发射信号的分类识别。本发明采用小波多尺度分解和多分辨奇异谱熵相结合的特征提取方法可以很好地描述各类样本的特征，采用SVM的识别方法对声发射信号的识别率更高。
【IPC分类】G06K9/62, G06K9/00
【公开号】CN105488520
【申请号】CN201510822478
【发明人】张寿明, 于蕊, 毕贵红
【申请人】昆明理工大学
【公开日】2016年4月13日
【申请日】2015年11月24日
【技术领域】
[0001] 本发明设及基于多分辨奇异谱赌和SVM的泄漏声发射信号识别方法，属于声发射 信号模式识别技术领域。
【背景技术】
[0002] 在工业快速发展的今天，各类压力管道、高压锅炉随处可见，在使用过程中由于腐 蚀、磨损等原因可能会造成管道或炉壁材料破损导致泄漏，一旦泄漏点得不到及时处理，很 容易发生工业事故，从而带来严重的经济损失和人员伤亡。声发射检测技术是一种利用局 部材料快速释放能量所产生的瞬态弹性波作为激励源的检测技术，在无损检测中占有重要 的地位。目前声发射检测在刀具磨损、腐蚀检测等方面已经取得了一定的研究成果，所W将 其应用于工业管道泄漏检测中也是可行的。
[0003] 目前，对声发射信号的处理方法主要有时域参数法、时域波形法、频域法、小波分 析和经验模态分解等。运些方法从不同角度描述声发射信号的特征，提供了多种多样的声 发射信号检测方法。虽然声发射检测领域的文献很多，但是目前管道泄漏的声发射技术研 究主要是对有无泄漏和泄漏点位置的判定，根据泄漏声发射信号研究泄漏信号参数状态的 文献不多。
[0004] 判断泄漏声发射类型是泄漏声发射检测的主要目的之一，泄漏声发射类型的确定 有助于进一步对材料受损情况作出评估，W便提前采取相应补救措施。因此，研究一种能在 多干扰和低信噪比的复杂信号中，快速和准确地提取泄漏信息特征并识别泄漏类型的方法 具有重要意义。
[0005] 小波分析具有很好的时频局域性，特别适合于非平稳信号的分析。小波奇异谱赌 是融合小波变换、信号的奇异值分解和信息赌提取等相关理论，得到的一种小波信息赌提 取方法。小波奇异谱赌测度可W将信号从小波空间映射到独立的线性空间，直接反映被分 析信号时频空间中特征模式能量的分布不确定性。被分析信号越简单，能量越集中，小波奇 异谱赌值越小;反之，信号越复杂，能量越分散，小波奇异谱赌值越大。因此，小波奇异谱赌 测度可W用来衡量被测信号的复杂度和不确定性，为泄漏声发射研究提供量化和直观分析 的结果。支持向量机(SVM)是基于统计学理论下的一种新型机器学习方法，能很好的解决实 际应用中出现的小样本、过学习、高维数、局部最小等问题，特别实在小样本、非线性情况 下，具有较好的泛化能力。
[0006] 基于此，本文首先用实验室设备数字声发射系统采集敲击、砂纸和断铅Ξ种模拟 声发射信号;然后求取小波奇异谱赌值，将其组合成为特征参数;最后利用支持向量机对特 征参数进行训练和测试。
【发明内容】
[0007] 本发明提供了基于多分辨奇异谱赌和SVM的泄漏声发射信号识别方法，W用于解 决泄漏声发射信号检测分类问题，能有效地对泄漏声发射信号进行分类，能在泄漏故障发 生时及时准确判断出泄漏故障类型，为采取相应的补救措施提供参考。
[0008] 本发明基于多分辨奇异谱赌和SVM的泄漏声发射信号识别方法是运样实现的：
[0009] 首先采用数字声发射系统进行实验数据采集，分别采集敲击、砂纸和断铅3种模拟 声发射信号;然后对采集的声发射信号分别进行小波多尺度分解;再求得每一层的奇异谱 赌，将其组成一个特征向量;最后将特征向量分为训练集和测试集，训练集用于训练得到支 持向量机分类器参数，用训练好的分类器对测试集进行分类测试，其结果就是对不同声发 射信号的分类识别。
[0010] 所述基于多分辨奇异谱赌和SVM的泄漏声发射信号识别方法的具体步骤如下：
[0011] A、声发射信号采集:采用数字声发射系统进行实验数据采集，分别采集敲击、砂纸 和断铅巧巾模拟声发射信号各m组，信号记为x(t);
[0012] B、对原始信号x(t)进行小波变换，设分解尺度为j，则x(t)的小波分解信号为di, cb，…，山，依次表示从高频段到低频段信号；
[0013] C、分别对分解后的每一层系数进行重构，设第j层上的重构信号为化={山化)}，假 设要重构1个η维相空间，那么η维相空间第1个矢量为化中的山（1)，d2(2)，…，山(η)，然后右 移1步，第2个矢量为di(2)，cb(3)，···，山(η+1)，依次类推，可构造一个(Ν-η+1)Χη维的矩阵：
[0014]
[001引其中，Ν表示第j层上的重构信号Dj= {dj(k)}ke [1，Ν]中k的取值范围，从巧帆
[0016] D、对一组信号的每层矩阵Aj进行奇异值分解，计算信号的奇异谱赌，将各层的赌 值组合起来，即得到特征向量，按照运种方法将Ξ种类型声发射信号共3*m组的奇异谱赌求 出来，每一组信号得到一组特征向量；
[0017] E、分别取每类信号的两组特征向量作为训练集、两组作为测试集，用它们训练分 类器，选用高斯径向基核函数，gamma参数为1，惩罚因子C为200;
[0018] F、选定了分类器参数之后，取每类信号的a组特征向量作为训练集，剩余组的特征 向量作为测试集，用训练好的分类器对测试集进行分类测试。
[0019] 所述m值可W选用20，a值可W选用6。
[0020] 本发明的工作原理是：
[0021] 第一步:实验可W采用北京声华兴业科技有限公司生产的SA抓2S数字声发射系统 进行试验数据采集。实验时，保持传感器与事故点位置不变，在事故点处分别模拟敲击、砂 纸和断铅Ξ种工况声源，并记录相关实验数据。为验证上述方法的有效性，在实验室条件 下，按照国际无损检测界的规定（美国ASTM976号文件），使用0.5mm皿铅笔忍进行断铅试 验，可W得到模拟断铅声源信号。并用砂纸和金属棒，在相同位置模拟出砂纸和敲击两种不 同工况声源信号。实验每次采集1200个点作为一组信号，可W分别采集敲击、砂纸和断铅Ξ 种声源信号各20组；
[0022] 第二步:小波分析的基本方法是运用Mallat塔式算法，对信号x(t)进行降阶分解。 离散二进小波变换公式为：
，式中：H和G分别为低通滤波器和高通滤波器； Cj化)和山化)分别为信号分解尺度的近似系数和细节系数。设分解尺度为j，则x(t)的小波 分解信号为di，cb，…，山，Cj，依次表示从高频段到低频段信号。
[0023] 第Ξ步:分别对分解后的每一层系数进行重构，重构公式为CW化）=H*c^k)+G*dj 化），式中Η*和G*分别为Η和G的对偶算子。设第j层上的重构信号为町=化化）}，假设要重构 1个η维相空间，那么η维相空间第1个矢量为D冲的山（1)，(12(2)，-，，(1加），然后右移1步，第 2个矢量为di(2)，cb(3)，…，山(η+1)，依次类推，可构造一个(Ν-η+1)Χη维的矩阵Aj。
[0024]
[00巧]第四步：对每层矩阵Aj进行奇异值分解（singular value decomposition,SVD)， 计算信号的奇异谱赌。对一组信号的每层矩阵Aj进行奇异值分解（singular value decomposition，SVD)，计算信号的奇异谱赌。将各层的赌值组合起来，即得到特征向量。按 照运种方法将Ξ种类型声发射信号共60组信号的奇异谱赌求出来，每一组信号得到一组特 征向量。
[0026] 第五步:分别取每类信号的两组特征向量作为训练集、两组作为测试集，用它们训 练分类器，选用高斯径向基核函数，gamma参数为1，惩罚因子C为200。此时SVM分类器对待测 样本的识别正确率为100%。选定了合适的分类器参数之后，取每类信号的6组特征向量作 为训练集，剩余10组特征向量作为测试集。结果表明，SVM对Ξ种泄漏声发射信号的分类结 果正确率很高。
[0027] 图7表示支持向量机的体系结构，SVM在进行线性分类时，通过选择合适的核函数 将输入向量映射到高维特征空间，并在其中构造最优超平面，达到分类目的，其中的x(l)，x (2)，. . .，x(n)表示待识别样本序列，Κ(Χ，Χι)表示核函数，输出Y代表识别结果。图8和图9中 圆圈圈出的样本点叫做支持向量(suppod vectorS)，其位于最优超平面的附近，分布在各 自样本区域的边缘地带，虚线代表最优超平面。
[002引本发明的有益效果是：
[0029] 1、通过将泄漏声发射信号的类型识别问题转化为模式分类问题，在惩罚因子和 gamma参数选择合适的情况下，SVM对测试样本包含的声发射信息具有较强的分辨能力，可 W同时区分敲击、砂纸、断铅信号，且识别正确率很高，可实现自动分类；
[0030] 2、支持向量机对小样本数据具有较好的统计学习能力；
[0031] 3、通过求声发射信号的小波奇异谱赌值，能较好的反映声发射信号状态信息，可 W将其作为声发射信号的特征向量。
【附图说明】
[0032] 图1为本发明的处理流程图；
[0033] 图2为本发明Ξ种类型泄漏声发射信号的时域波形图；
[0034] 图3为本发明Ξ种类型泄漏声发射信号的频域波形图；
[0035] 图4为本发明敲击信号重构后的波形图；
[0036] 图5为本发明砂纸信号重构后的波形图；
[0037] 图6为本发明断铅信号重构后的波形图；
[0038] 图7为本发明支持向量机的体系结构图；
[0039] 图8为本发明训练分类器参数时的SVM训练样本可视化图像；
[0040] 图9为本发明SVM测试样本可视化图像。
【具体实施方式】
[0041] 实施例1:如图1-9所示，基于多分辨奇异谱赌和SVM的泄漏声发射信号识别方法， 首先采用数字声发射系统进行实验数据采集，分别采集敲击、砂纸和断铅巧巾模拟声发射信 号;然后对采集的声发射信号分别进行小波多尺度分解;再求得每一层的奇异谱赌，将其组 成一个特征向量;最后将特征向量分为训练集和测试集，训练集用于训练得到支持向量机 分类器参数，用训练好的分类器对测试集进行分类测试，其结果就是对不同声发射信号的 分类识别。
[0042] 所述基于多分辨奇异谱赌和SVM的泄漏声发射信号识别方法的具体步骤如下：
[0043] A、声发射信号采集:采用数字声发射系统进行实验数据采集，分别采集敲击、砂纸 和断铅巧巾模拟声发射信号各m组，信号记为x(t);
[0044] B、对原始信号x(t)进行小波变换，设分解尺度为j，则x(t)的小波分解信号为di, cb，…，山，依次表示从高频段到低频段信号；
[0045] C、分别对分解后的每一层系数进行重构，设第j层上的重构信号为化={山化)}，假 设要重构1个η维相空间，那么η维相空间第1个矢量为化中的山（1)，d2(2)，…，山(η)，然后右 移1步，第2个矢量为di(2)，cb(3)，···，山(η+1)，依次类推，可构造一个(Ν-η+1)Χη维的矩阵：
[0046]
[0047] 其中，Ν表示第j层上的重构信号化={山化)}ke [1，Ν]中k的取值范围，从巧IJN;
[0048] D、对一组信号的每层矩阵Aj进行奇异值分解，计算信号的奇异谱赌，将各层的赌 值组合起来，即得到特征向量，按照运种方法将Ξ种类型声发射信号共3*m组的奇异谱赌求 出来，每一组信号得到一组特征向量；
[0049] E、分别取每类信号的两组特征向量作为训练集、两组作为测试集，用它们训练分 类器，选用高斯径向基核函数，gamma参数为1，惩罚因子C为200;
[0050] F、选定了分类器参数之后，取每类信号的a组特征向量作为训练集，剩余组的特征 向量作为测试集，用训练好的分类器对测试集进行分类测试。
[0051] 实施例2:如图1-9所示，基于多分辨奇异谱赌和SVM的泄漏声发射信号识别方法， 首先采用数字声发射系统进行实验数据采集，分别采集敲击、砂纸和断铅巧巾模拟声发射信 号;然后对采集的声发射信号分别进行小波多尺度分解;再求得每一层的奇异谱赌，将其组 成一个特征向量;最后将特征向量分为训练集和测试集，训练集用于训练得到支持向量机 分类器参数，用训练好的分类器对测试集进行分类测试，其结果就是对不同声发射信号的 分类识别。
[0052] 所述基于多分辨奇异谱赌和SVM的泄漏声发射信号识别方法的具体步骤如下：
[0053] A、声发射信号采集:采用数字声发射系统进行实验数据采集，分别采集敲击、砂纸 和断铅巧巾模拟声发射信号各m组，信号记为x(t);
[0054] B、对原始信号x(t)进行小波变换，设分解尺度为j，则x(t)的小波分解信号为di, cb，…，山，依次表示从高频段到低频段信号；
[0055] C、分别对分解后的每一层系数进行重构，设第j层上的重构信号为化={山化）}，假 设要重构1个η维相空间，那么η维相空间第1个矢量为化中的山（1)，d2(2)，…，山(η)，然后右 移1步，第2个矢量为di(2)，cb(3)，···，山(η+1)，依次类推，可构造一个(Ν-η+1)Χη维的矩阵：
[0化6]
[0057] 其中，Ν表示第j层上的重构信号Dj= {山化)}ke [1，Ν忡k的取值范围，从巧帆
[0058] D、对一组信号的每层矩阵Aj进行奇异值分解，计算信号的奇异谱赌，将各层的赌 值组合起来，即得到特征向量，按照运种方法将Ξ种类型声发射信号共3*m组的奇异谱赌求 出来，每一组信号得到一组特征向量；
[0059] E、分别取每类信号的两组特征向量作为训练集、两组作为测试集，用它们训练分 类器，选用高斯径向基核函数，gamma参数为1，惩罚因子C为200;
[0060] F、选定了分类器参数之后，取每类信号的a组特征向量作为训练集，剩余组的特征 向量作为测试集，用训练好的分类器对测试集进行分类测试。
[0061 ] 所述m值选用20，a值选用6。
[0062] 实施例3:如图1-9所示，基于多分辨奇异谱赌和SVM的泄漏声发射信号识别方法， 首先采用北京声华兴业科技有限公司生产的SAKJ2S数字声发射系统进行实验数据采集，分 别采集敲击、砂纸和断铅巧巾模拟声发射信号各20组;然后对采集的声发射信号分别进行小 波多尺度分解;再求得每一层的奇异谱赌，将其组成一个特征向量;最后将特征向量分为训 练集和测试集，训练集用于训练得到支持向量机分类器参数，用训练好的分类器对测试集 进行分类测试，其结果就是对不同声发射信号的分类识别。
[0063] 所述基于多分辨奇异谱赌和SVM的泄漏声发射信号识别方法的具体步骤如下：
[0064] A、声发射信号采集:采用北京声华兴业科技有限公司生产的SAKJ2S数字声发射系 统进行实验数据采集，分别采集敲击、砂纸和断铅3种模拟声发射信号各20组，信号记为X (t);每类声发射信号各列举一个，其时域波形和频谱图分别如图2和图3所示；
[0065] B、对原始信号x(t)进行小波变换，设分解尺度为6,则x(t)的小波分解信号为di, cb，…，山，依次表示从高频段到低频段信号;分别对分解后的每一层系数进行重构，敲击、砂 纸和断铅Ξ种类型声发射信号重构后的波形如图4、图5和图6所示;其中横轴代表采样点， 纵轴代表幅值；
[0066] C、分别对分解后的每一层系数进行重构，设第j层上的重构信号为化={山化)}，假 设要重构1个η维相空间，那么η维相空间第1个矢量为化中的山（1)，d2(2)，…，山(η)，然后右 移1步，第2个矢量为di(2)，cb(3)，···，山(η+1)，依次类推，可构造一个(Ν-η+1)Χη维的矩阵：
[0067]
[0068] 其中，N表示第j层上的重构信号化={山化)}ke [1，N]中k的取值范围，从巧IJN;
[0069] D、对每一组重构后的信号进行奇异值分解（singular value decomposition, SVD)，计算信号的奇异谱赌。将各层的赌值组合起来，即得到特征向量。按照运种方法将Ξ 种类型声发射信号共60组信号的奇异谱赌求出来，每一组信号得到一组特征向量。其中部 分特征向量参数如表1所示;其中yi，y2,...，ys分别表示6层小波奇异谱赌值，代表从高频段 到低频段信号，类别1、2、3分别表示敲击、砂纸、断铅信号。
[0070] 表1部分特征向量参数
[0071]
[0072] E、分别取每类信号的两组特征向量作为训练集、两组作为测试集，用它们训练分 类器，选用高斯径向基核函数，gamma参数为1，惩罚因子C为200;具体如图8所示，共6组训练 集，6组测试集，图中6个样本点表示训练样本；
[0073] F、选定了分类器参数之后，取每类信号的6组特征向量作为训练集，剩余组的特征 向量作为测试集，用训练好的分类器对测试集进行分类测试。具体如图9所示，共18组训练 集，30组测试集，图中30个样本点表示测试样本。
[0074] 具体的，此时SVM分类器的分类结果如图8所示，待测样本的识别正确率为100%。 通过步骤E中选定了合适的分类器参数之后，取每类信号的6组特征向量作为训练集，剩余 10组特征向量作为测试集。分类结果如图9所示，具体识别正确率如表2所示，可见8￥1对^ 种泄漏声发射信号的分类结果正确率很高，SVM的综合识别率达到了96.7%，只有一个砂纸 信号没有识别正确，敲击信号和断铅信号的识别正确率都达到了 100%。
[0075] 表2识别正确率
[0076]
[0077] 上面结合附图对本发明的【具体实施方式】作了详细说明，但是本发明并不限于上述 实施方式，在本领域普通技术人员所具备的知识范围内，还可W在不脱离本发明宗旨的前 提下作出各种变化。
【主权项】
1. 基于多分辨奇异谱熵和SVM的泄漏声发射信号识别方法，其特征在于:首先采用数字 声发射系统进行实验数据采集，分别采集敲击、砂纸和断铅3种模拟声发射信号;然后对采 集的声发射信号分别进行小波多尺度分解;再求得每一层的奇异谱熵，将其组成一个特征 向量;最后将特征向量分为训练集和测试集，训练集用于训练得到支持向量机分类器参数， 用训练好的分类器对测试集进行分类测试，其结果就是对不同声发射信号的分类识别。2. 根据权利要求1所述的基于多分辨奇异谱熵和SVM的泄漏声发射信号识别方法，其特 征在于:所述基于多分辨奇异谱熵和SVM的泄漏声发射信号识别方法的具体步骤如下： A、 声发射信号采集:采用数字声发射系统进行实验数据采集，分别采集敲击、砂纸和断 铅3种模拟声发射信号各m组，信号记为x(t); B、 对原始信号x(t)进行小波变换，设分解尺度为j，则x(t)的小波分解信号为CUj2，…， 山，依次表示从高频段到低频段信号； C、 分别对分解后的每一层系数进行重构，设第j层上的重构信号为Dj= {山(1〇}，假设要 重构1个η维相空间，那么η维相空间第1个矢量为Dj中的Cl1(I)，d 2(2)，…，dj(n)，然后右移1 步，第2个矢量为Cl1 (2)，d2(3)，…，dj(n+1)，依次类推，可构造一个(N-n+1) Xη维的矩阵：其中，N表示第j层上的重构信号仏={山(k)}ke[l，N]中k的取值范围，从1到Ν; D、 对一组信号的每层矩阵、进行奇异值分解，计算信号的奇异谱熵，将各层的熵值组合 起来，即得到特征向量，按照这种方法将三种类型声发射信号共3*m组的奇异谱熵求出来， 每一组信号得到一组特征向量； E、 分别取每类信号的两组特征向量作为训练集、两组作为测试集，用它们训练分类器， 选用高斯径向基核函数，ga_a参数为1，惩罚因子C为200; F、 选定了分类器参数之后，取每类信号的a组特征向量作为训练集，剩余组的特征向量 作为测试集，用训练好的分类器对测试集进行分类测试。3. 根据权利要求2所述的基于多分辨奇异谱熵和SVM的泄漏声发射信号识别方法，其特 征在于:所述m值选用20, a值选用6。
【专利摘要】本发明涉及基于多分辨奇异谱熵和SVM的泄漏声发射信号识别方法，属于声发射信号模式识别技术领域。本发明包括步骤：首先采用数字声发射系统进行实验数据采集，分别采集敲击、砂纸和断铅3种模拟声发射信号；然后对采集的声发射信号分别进行小波多尺度分解；再求得每一层的奇异谱熵，将其组成一个特征向量；最后将特征向量分为训练集和测试集，训练集用于训练得到支持向量机分类器参数，用训练好的分类器对测试集进行分类测试，其结果就是对不同声发射信号的分类识别。本发明采用小波多尺度分解和多分辨奇异谱熵相结合的特征提取方法可以很好地描述各类样本的特征，采用SVM的识别方法对声发射信号的识别率更高。
【IPC分类】G06K9/62, G06K9/00
【公开号】CN105488520
【申请号】CN201510822478
【发明人】张寿明, 于蕊, 毕贵红
【申请人】昆明理工大学
【公开日】2016年4月13日
【申请日】2015年11月24日
最新回复(0)