新闻资讯
您当前的位置 : 首 页 > 新闻资讯 > 行业动态

荧光磁粉探伤机基于无监督深度学习的声发射信号聚类分析

2021-03-28 00:00:00

荧光磁粉探伤机基于无监督深度学习的声发射信号聚类分析

声发射是指材料局部因能量的快速释故而发出瞬态弹性被的现象。声发射信号的检测、分类与分析有助于揭示结构内部损伤演化规律及破坏类型,在复合材料损伤检测、机械故障诊断等领域得到了广泛应用。

特征参数分析和全波形分析是声发射信号处理的两种主要手段。特征参数法是从各声发射信号的波形出发,人为设定并提取反映被形主要特征的参数用于信号诊断分析[。常见的特征参数有持续时间、上升时间、能量、幅值等,波形分析方法则是对声发射信号原始波形进行时频分析1,直接利用时频特征或结合主成分分析、支持向量机Р等技术,研究声发射信号与损伤类型之间的关系。信号处理时,两种方法提取的信号特征都是人为预先设定的,但对于实际的结构或材料,其声发射信号复杂多样,受材料性能、结构形式、加载方式等多种因素影响;因此,人为预先设定的信号特征参数并不一定对材料损伤类型或模式敏感,不适当地选用特征反而会导致声发射信号的聚类分析效果不佳。

对于不同的声发射信号,信号特征的自适应提取以及聚类分析对解释 AE(声发射)信号,进行模式识别意义重大。目前,以卷积神经网络(CNN)等为代表的深度学习技术是发展最为迅速的信号特征自动提取方法,其通过对图像、信号等数据的直接学习,能实现从具体到抽象等多个层次数据特征的自动提取[。在声发射信号的相关研究中,BARAT等、ISLAM 等10都利用CNN自动提取了声发射信号时频图的特征,来识别不同缺陷对应的声发射信号。NASIRI 等[11]同样采用CNN提取原始声发射信号的特征,用于监测 SiC,-SiCm复合材料管损伤过程的3个阶段。这些基于深度神经网络的声发射模式识别工作均属于有监督学习,即需要人为去设定用于训练的声发射信号标签(信号对应何种损伤类别或阶段)。人工逐一分析声发射数据并设定信号标签的工作量极大,在实际工程中是难以做到的。引人无监督学习方法,提出了使用深度自动编码器提取声发射信号特征,并结合K均值聚类进行声发射信号准确分类的方法。在无先验知识的情况下,2种不同类型声发射信号的分类识别试验验证了所提方法的有效性与可靠性。

下一篇:没有了

最近浏览:

关注我们