CN114487129A - 基于声发射技术的柔性材料的损伤识别方法 - Google Patents

Abstract

本发明涉及一种基于声发射技术的柔性材料的损伤识别方法，步骤包括获取待测柔性复合材料声发射信号；获取声发射信号的损伤特征信息，提取声发射信号特征参数，构建出不同损伤状态下的特征向量；建立样本数据集，随机划分训练集和测试集，并对进行数据归一化处理；将随机划分的训练集样本数据输入优化完成的极限学习机中，得到不同损伤状态的分类输出结果。本发明在时域、频域和变换域三个层次获取声发射信号的损伤特征信息，利用主成分分析降维处理提取损伤信号的特征参数，确定损伤特征向量，将声发射技术与基于粒子群优化的极限学习机算法相结合，对极限学习机的隐藏层节点进行优化，能够实现对柔性材料进行有效、准确的损伤识别。

Description

基于声发射技术的柔性材料的损伤识别方法

技术领域

本发明属于无损检测技术领域，尤其涉及一种基于声发射技术的柔性基材的损伤识别方法。

背景技术

柔性基材由于其具有优良的性能特点而得到广泛的应用，然而，由于柔性基材的制造工艺过程十分复杂，难以到达精确控制，致使材料质量不稳定，具有一定的随机性，或多或少存在内部缺陷，如孔隙、夹杂、裂纹、疏松、纤维与基体界面结合差、磨损等。基材内部微小破坏的产生、积累与裂纹的扩展将加剧材料强度与刚度急剧损失，大大降低结构的使用寿命，有时还可能会造成灾难性的后果。而且，由于柔性基材在工程应用中不可避免地受到外界作用的影响，及时、准确地监测和评价柔性基材损伤程度以便及时采取措施确保安全，对于保障人民生产、生活顺利进行具有重要意义。

目前，声发射技术仍是有关复合材料的损伤检测主要方法之一，作为一种动态无损检测技术，所接收的声发射信号能直接反映材料或构件内部缺陷的诱发、产生和发展状况，声发射技术具有实时、动态和灵敏度高等优点，已被广泛应用于复合材料结构的损伤状态监测中。由于柔性基材是一种微观结构相当复杂的复合材料，其微观结构的损坏形式有多种。

在损伤过程中，复合材料的损伤特征是多种损伤源叠加的结果，而声发射波的传播比较复杂，接收到的声发射信号畸变严重，加之声发射信号波形复杂、干扰源多，因此，在损伤识别过程中，需要更加精确的信号处理算法和信号分类算法。在信号处理中最重要的是将信号中的噪声去除，提取出属于检测缺陷类型特有的特征参数，通过对这些特征参数的分析归类得到有效精准的结果。

发明内容

本发明要解决的技术问题是提供一种基于声发射技术的柔性基材的损伤识别方法，该方法通过对声发射信号进行损伤特征参数提取，实现对不同损伤的损伤识别，提高损伤识别的准确性。

为解决以上技术问题，本发明采用的技术方案是：一种基于声发射技术的柔性材料的损伤识别方法，包括：

步骤(1), 获取待测柔性基材的声发射信号；

步骤(2)，获取声发射信号的损伤特征信息，提取声发射信号特征参数，构建出不同损伤状态下的特征向量；

步骤(3)，建立样本数据集，随机划分训练集和测试集，并对进行数据归一化处理;

步骤(4)，粒子群算法优化极限学习机隐藏层节点数;

步骤(5)，将随机划分的训练集样本数据输入优化完成的极限学习机中，得到不同损伤状态的分类输出结果。

进一步地，所述步骤(2)具体包括以下步骤：

S201，制备需要检测的不同损伤状态的柔性基材样品；

S202，在不同损伤状态下，采集柔性复合材料产生的声发射信号，作为损伤样本信号；

S203，对上述损伤样本信号进行损伤特征信息的提取，构建出不同损伤状态下的特征量；

S204，经过归一化和正则化的数据预处理过程，对上述不同损伤状态下的特征量进行主成分分析降维处理，确定不同损伤状态下的特征向量。

进一步地，步骤S203中，损伤特征信息的提取主要包括时域提取、频域提取和变换域提取，选取区分度较大的信号本身特征、FFT频谱、小波分解系数提取特征值，构建出特征向量。

进一步地，步骤S203具体包括如下步骤：

步骤a，采集到的声发射信号经小波降噪等预处理后，从两方面确定损伤特征信息的提取，一方面是数据本身的时域提取特征，包括时域峰值以及波峰系数；另一方面是图形二维维度上的特征，包括均方根值和方差；分别对三种类型数据进行小波分解完成特征参数的提取，选取时域峰值、波峰系数以及均方根值和方差作为特征向量的第一部分；

步骤b，对小波降噪后的波形数据进行FFT变换，绘制出损伤样本信号的FFT频谱，筛选出每种缺陷情况下的共性特征，选取频谱曲线峰值和频域波峰系数为以此确定特征向量的第二部分；

步骤c，通过确定最优小波基函数和分解层数对不同损伤状态下的声发射信号数据进行小波分解，然后提取相对应的小波系数能量特征和小波均方差特征作为特征向量的第三部分。

进一步地，步骤S204中，主成分分析降维处理是针对声发射信号特征参数进行的主成分分析，并以此确定不同损伤状态下损伤特征向量，具体包括以下步骤：

根据主成分分析遵守的使声发射信号特征参数的均方误差最小的原则，确定声发射特征参数中的主成分个数，提取不同损伤状态下的特征量的主要特征维度，实现对不同损伤状态下的特征量的参数降维，构建出属于不同损伤状态的特征向量。

进一步地，所述步骤(4)具体包括以下步骤：

S401，构建ELM模型，初始化ELM模型参数，包括隐藏层权重w和偏置b，通过计算得到输出层权重β，完成对ELM模型的构建，得到训练好的ELM模型；

S402，将步骤(3)得到的训练集和测试集输入极限学习机，并初始化粒子群算法的参数，对ELM模型进行训练优化，根据测试集样本数据的输出结果作为ELM输出的实际值与预测值的差值可得出测试误差，测试误差与实际值的百分比即为ELM误差率，并以此作为适应度；

S403，通过计算得到个体极值和全局极值，并不断更新粒子位置和速度，实现对极限学习机隐藏层权重和偏置的调整优化；

S404，重复步骤S403继续进行训练学习，寻找全局最优解，通过计算粒子适应度，更新个体极值和全局极值，直到ELM误差率小于或等于设定值，满足结束条件，得到ELM最优隐藏层节点。

本发明采用小波分解方法在时域、频域和变换域三个角度对柔性基材损伤过程中采集到的声发射信号进行分析处理，具有较好的时频局部特性。建立基于ELM的损伤识别模型进行训练和测试，通过粒子群算法对隐藏层节点进行优化，实现对不同声发射信号的分类，从而验证柔性基材损伤识别方法的有效性。本发明提高了损伤检测的准确性，对柔性复合材料损伤识别更为细致，对损伤程度的评价更为可靠。

相对于现有技术，本发明的优点及效果具体如下：

本发明为基于声发射技术的柔性复合材料的损伤识别方法，通过声发射检测技术和极限学习机并利用粒子群算法优化极限学习机隐藏层节点，改善极限学习机随机获取参数的不确定性，提高了模型分类的准确性。

本发明提出的检测方法在信号处理时能够放大信号分析信号的局部特征，具有很好的时频局部特性，能够获得比传统分析方法更多的信号特征，用以还原柔性复合材料的损伤情况，定位误差小，还原精度高。

本发明所提出的基于声发射手段和极限学习机结合粒子群优化算法在提取特征向量上，将采集的不同损伤状态的声发射信号经小波阈值去噪预处理后，提取各分量峰值、波峰系数及小波系数能量和均方差值等，从时域、频域和变换域3个层次构建出损伤信号的特征向量，准确有效。

附图说明

图1为本发明的方法执行图；

图2为本发明的声发射检测原理示意图；

图3为本发明的提取特征向量示意图；

图4为粒子群算法优化极限学习机流程图；

图5为单次随机样本ELM分类结果。

具体实施方式

本发明所述的基于声发射技术的柔性材料的损伤识别方法，主要通过声发射检测利用粒子群优化的极限学习机算法对不同的损伤进行识别，继而对分类结果作分析与讨论。极限学习机是一种参数设置简单且被广泛应用的神经网络算法，该算法随机给定输入层与隐含层间的权值和隐含层神经元间的阈值，在训练过程中无需调整，只需设置隐含层节点个数就可获得唯一的最优解。但是极限学习机算法随机产生的隐含层参数会造成网络泛化性能较差，为了提高预测精度，需要增加隐含层节点数。而隐含层节点数过多会增加网络复杂度，容易产生过度拟合的问题。粒子群优化算法（PSO）是一种基于群体智能的具有全局寻优能力的优化工具，通过群体中粒子间的合作与竞争产生的群体智能指导优化搜索，每代种群中的解具有“自我”学习提高和向“他人”学习的双重优点，能够得到较优解，但是其局部搜索能力较弱。针对上述两种算法存在的问题，本发明将粒子群优化算法引入极限学习机，以期达到全局寻优、快速收敛的目的。

如图1所示，本发明一种典型的实施方式提供的基于声发射技术的柔性材料的损伤识别方法，包括以下步骤：

步骤(1),获取待测柔性基材的声发射信号。

声发射检测原理如图2所示，由声发射传感器采集柔性复合材料的声发射信号，经信号放大器、信号调理器、信号采集处理***处理后输入计算机。

步骤(2)，获取声发射信号的损伤特征信息，提取声发射信号特征参数，构建出不 同损伤状态下的特征向量。

相对具体地，步骤（2）包括以下步骤：

S201，制备需要检测的不同损伤状态的柔性基材样品，主要包括柔性基板在无损伤、孔洞、槽形损伤三种情况下的声发射信号。其中，两种损伤的尺寸为：孔洞损伤尺寸：φ2mm×1mm，槽形损伤尺寸：4mm×0.5mm×0.5mm。

S202，在不同损伤状态下，采集柔性复合材料产生的声发射信号，作为损伤样本信号。

S203，对上述损伤样本信号进行损伤特征信息的提取，构建出不同损伤状态下的特征量。

S204，经过归一化和正则化的数据预处理过程，对上述不同损伤状态下的特征量进行主成分分析降维处理，确定不同损伤状态下的特征向量。

其中，步骤S203中，声发射特征参数即损伤特征信息的提取主要包括时域提取、频域提取和变换域提取，如图3所示。

考虑到待测柔性复合材料在损伤过程中产生的声发射信号是一种非平稳状态的瞬变信号，因此采用可以多尺度分析的小波变换手段作变换域提取，选取区分度较大的信号本身特征、FFT频谱、小波分解系数提取特征值，构建出特征向量，具体包括以下步骤：

步骤a，采集到的声发射信号经小波降噪等预处理后，损伤特征信息的提取可以从两方面确定，一方面是数据本身的时域提取特征，包括时域峰值v1以及波峰系数v2等，分别作为第一、第二类特征量。另一方面是图形二维维度上的特征，包括均方根值v3和方差v4等参数,作为第三、第四类特征量。分别对三种类型数据进行小波分解完成特征参数的提取，选取时域峰值v1、波峰系数v2以及均方根值v3和方差v4作为特征向量的第一部分，如表1所示。

表1 时域提取特征量

步骤b，从小波分解分量中提取特征值的筛选过程复杂，数据计算量庞大，因此对小波降噪后的波形数据进行FFT变换，绘制出损伤样本信号的FFT频谱，筛选出每种缺陷情况下的共性特征，选取频谱曲线峰值v5和频域波峰系数v6分别作为第五、第六类特征量，并以此确定特征向量的第二部分，如表2所示。

表2 FFT频谱特征量

步骤c，通过采用融合多类特征的复合评价指标完成对损伤信号的小波去噪质量评价，确定最优小波基函数为db5小波基及对应的分解层数为3层，对不同损伤状态下的声发射信号数据采用db5小波基作3层小波分解，然后提取相对应的小波系数能量特征和小波均方差特征作为第七至第十四类特征量(v7~v14)，并以此作为特征向量的第三部分，如表3、4所示。

表3 小波系数能量（v7-v10）特征量

表4 小波均方差（v11-v14）特征量

其中，融合多类特征的复合评价指标完成对损伤信号的小波去噪质量评价方法，具体包括以下步骤：

1)确定备选参数。选择分解层数为2~8层，小波基函数选取db5~db13，并采用rigrsure阈值准则及基于Stein的无偏风险估计的自适应阈值方法。

2)计算各参数条件下的均方根误差(RMSE)和平滑度(r)，根据公式(1)、(2)求出归一化后的均方根误差，及平滑度的权重；

其中，PRMSE为归一化后的均方根误差；Pr为归一化后的平滑度；

为PRMSE的标准差；

为PRMSE的均值；

为Pr的标准差；

为Pr的均值；

为归一化后的均方根误差的权重；

为归一化后的平滑度的权重。

3)根据公式(3)计算复合指标，得到T值最小时对应的最优备选参数。复合评价指标越小，则对含噪信号的去噪效果越好。当复合指标取最小值时，确定出最优分解层数和小波基函数。

以上所述步骤中，步骤S204中主成分分析降维处理是针对声发射信号特征参数进行的主成分分析，并以此确定不同损伤状态下损伤特征向量，具体包括以下步骤：

根据主成分分析遵守的使声发射信号特征参数的均方误差最小的原则，确定声发射特征参数中的主成分个数，提取不同损伤状态下的特征量的主要特征维度，实现对不同损伤状态下的特征量的参数降维，将步骤S203所述特征量降维处理，得到损伤特征向量

，表示为

。

步骤(3)，建立样本数据集，随机划分训练集和测试集，并对进行数据归一化处理。

随机选取150组特征向量作为分类的训练和预测数据集，其中123组特征向量作为训练样本，剩余27组作为测试样本。

步骤(4)，粒子群算法优化极限学习机隐藏层节点数。

如图4所示，具体包括以下步骤：

S401，构建ELM模型，初始化ELM模型参数，包括隐藏层权重w和偏置b，制定所需ELM的激活函数，将训练集样本数据输入ELM模型，激活函数采用Sigmoid函数，通过计算得到输出层权重β，完成对ELM模型的构建，得到训练好的ELM模型；

所述ELM模型为三层神经网络结构，包含1个输入层、1个隐藏层和1个输出层。其中，输入层包含14个神经元节点，输出层包含3个神经元节点。

S402，将步骤(3)得到的训练集和测试集输入极限学习机，并初始化粒子群算法的参数，对ELM模型进行训练优化，根据测试集样本数据的输出结果作为ELM输出的实际值与预测值的差值可得出测试误差，测试误差与实际值的百分比即为ELM误差率，并以此作为适应度；

S403，通过计算得到个体极值和全局极值，并不断更新粒子位置和速度，实现对极限学习机隐藏层权重和偏置的调整优化；

S404，重复步骤S403继续进行训练学习，寻找全局最优解，通过计算粒子适应度，更新个体极值和全局极值，当ELM误差率小于或等于设定值0.11时，结束循环，得到ELM最优隐藏层节点为23时，分类准确率为92.6%时，识别效果最好，如表5所示。

表5 不同隐藏层节点数的分类准确率

步骤(5)，将随机划分的训练集样本数据输入优化完成的极限学习机中，得到不同 损伤状态的分类输出结果。

将随机划分的训练集样本数据输入优化完成的极限学习机中，给三种声发射信号设定标签，设定无损伤信号的标识类别为0，孔洞损伤信号的标识类别为1，槽型损伤信号的标识类别为2，得到不同损伤状态的分类输出结果，单次随机样本ELM分类结果如图5所示。分类准确率为测试样本的正确分类结果与测试样本数的百分比，通过计算可以得到ELM模型具有较高的分类准确率为92.59%。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种基于声发射技术的柔性材料的损伤识别方法，其特征在于，包括：

步骤(1), 获取待测柔性基材的声发射信号；

步骤(2)，获取声发射信号的损伤特征信息，提取声发射信号特征参数，构建出不同损伤状态下的特征向量；

步骤(3)，建立样本数据集，随机划分训练集和测试集，并对进行数据归一化处理;

步骤(4)，粒子群算法优化极限学习机隐藏层节点数;

步骤(5)，将随机划分的训练集样本数据输入优化完成的极限学习机中，得到不同损伤状态的分类输出结果。

2.根据权利要求1所述的基于声发射技术的柔性材料的损伤识别方法，其特征在于：所述步骤(2)具体包括以下步骤：

S201，制备需要检测的不同损伤状态的柔性基材样品；

S202，在不同损伤状态下，采集柔性复合材料产生的声发射信号，作为损伤样本信号；

S203，对上述损伤样本信号进行损伤特征信息的提取，构建出不同损伤状态下的特征量；

S204，经过归一化和正则化的数据预处理过程，对上述不同损伤状态下的特征量进行主成分分析降维处理，确定不同损伤状态下的特征向量。

3.根据权利要求2所述的基于声发射技术的柔性材料的损伤识别方法，其特征在于：步骤S203中，损伤特征信息的提取主要包括时域提取、频域提取和变换域提取，选取区分度较大的信号本身特征、FFT频谱、小波分解系数提取特征值，构建出特征向量。

4.根据权利要求3所述的基于声发射技术的柔性材料的损伤识别方法，其特征在于：步骤S203具体包括如下步骤：

步骤a，采集到的声发射信号经小波降噪等预处理后，从两方面确定损伤特征信息的提取，一方面是数据本身的时域提取特征，包括时域峰值以及波峰系数；另一方面是图形二维维度上的特征，包括均方根值和方差；分别对三种类型数据进行小波分解完成特征参数的提取，选取时域峰值、波峰系数以及均方根值和方差作为特征向量的第一部分；

步骤b，对小波降噪后的波形数据进行FFT变换，绘制出损伤样本信号的FFT频谱，筛选出每种缺陷情况下的共性特征，选取频谱曲线峰值和频域波峰系数为以此确定特征向量的第二部分；

步骤c，通过确定最优小波基函数和分解层数对不同损伤状态下的声发射信号数据进行小波分解，然后提取相对应的小波系数能量特征和小波均方差特征作为特征向量的第三部分。

5.根据权利要求2、3或4所述的基于声发射技术的柔性材料的损伤识别方法，其特征在于：步骤S204中，主成分分析降维处理是针对声发射信号特征参数进行的主成分分析，并以此确定不同损伤状态下损伤特征向量，具体包括以下步骤：

根据主成分分析遵守的使声发射信号特征参数的均方误差最小的原则，确定声发射特征参数中的主成分个数，提取不同损伤状态下的特征量的主要特征维度，实现对不同损伤状态下的特征量的参数降维，构建出属于不同损伤状态的特征向量。

6.根据权利要求1所述的基于声发射技术的柔性材料的损伤识别方法，其特征在于，所述步骤(4)具体包括以下步骤：

S401，构建ELM模型，初始化ELM模型参数，包括隐藏层权重w和偏置b，通过计算得到输出层权重β，完成对ELM模型的构建，得到训练好的ELM模型；

S402，将步骤(3)得到的训练集和测试集输入极限学习机，并初始化粒子群算法的参数，对ELM模型进行训练优化，根据测试集样本数据的输出结果作为ELM输出的实际值与预测值的差值可得出测试误差，测试误差与实际值的百分比即为ELM误差率，并以此作为适应度；

S403，通过计算得到个体极值和全局极值，并不断更新粒子位置和速度，实现对极限学习机隐藏层权重和偏置的调整优化；

S404，重复步骤S403继续进行训练学习，寻找全局最优解，通过计算粒子适应度，更新个体极值和全局极值，直到ELM误差率小于或等于设定值，满足结束条件，得到ELM最优隐藏层节点。

Images