基于多分辨奇異譜熵和svm的泄漏聲發(fā)射信號識別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及基于多分辨奇異譜賭和SVM的泄漏聲發(fā)射信號識別方法，屬于聲發(fā)射 信號模式識別技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 在工業(yè)快速發(fā)展的今天，各類壓力管道、高壓鍋爐隨處可見，在使用過程中由于腐 蝕、磨損等原因可能會造成管道或爐壁材料破損導(dǎo)致泄漏，一旦泄漏點得不到及時處理，很 容易發(fā)生工業(yè)事故，從而帶來嚴(yán)重的經(jīng)濟(jì)損失和人員傷亡。聲發(fā)射檢測技術(shù)是一種利用局 部材料快速釋放能量所產(chǎn)生的瞬態(tài)彈性波作為激勵源的檢測技術(shù)，在無損檢測中占有重要 的地位。目前聲發(fā)射檢測在刀具磨損、腐蝕檢測等方面已經(jīng)取得了一定的研究成果，所W將 其應(yīng)用于工業(yè)管道泄漏檢測中也是可行的。
[0003] 目前，對聲發(fā)射信號的處理方法主要有時域參數(shù)法、時域波形法、頻域法、小波分 析和經(jīng)驗?zāi)B(tài)分解等。運(yùn)些方法從不同角度描述聲發(fā)射信號的特征，提供了多種多樣的聲 發(fā)射信號檢測方法。雖然聲發(fā)射檢測領(lǐng)域的文獻(xiàn)很多，但是目前管道泄漏的聲發(fā)射技術(shù)研 究主要是對有無泄漏和泄漏點位置的判定，根據(jù)泄漏聲發(fā)射信號研究泄漏信號參數(shù)狀態(tài)的 文獻(xiàn)不多。
[0004] 判斷泄漏聲發(fā)射類型是泄漏聲發(fā)射檢測的主要目的之一，泄漏聲發(fā)射類型的確定 有助于進(jìn)一步對材料受損情況作出評估，W便提前采取相應(yīng)補(bǔ)救措施。因此，研究一種能在 多干擾和低信噪比的復(fù)雜信號中，快速和準(zhǔn)確地提取泄漏信息特征并識別泄漏類型的方法 具有重要意義。
[0005] 小波分析具有很好的時頻局域性，特別適合于非平穩(wěn)信號的分析。小波奇異譜賭 是融合小波變換、信號的奇異值分解和信息賭提取等相關(guān)理論，得到的一種小波信息賭提 取方法。小波奇異譜賭測度可W將信號從小波空間映射到獨(dú)立的線性空間，直接反映被分 析信號時頻空間中特征模式能量的分布不確定性。被分析信號越簡單，能量越集中，小波奇 異譜賭值越小;反之，信號越復(fù)雜，能量越分散，小波奇異譜賭值越大。因此，小波奇異譜賭 測度可W用來衡量被測信號的復(fù)雜度和不確定性，為泄漏聲發(fā)射研究提供量化和直觀分析 的結(jié)果。支持向量機(jī)(SVM)是基于統(tǒng)計學(xué)理論下的一種新型機(jī)器學(xué)習(xí)方法，能很好的解決實 際應(yīng)用中出現(xiàn)的小樣本、過學(xué)習(xí)、高維數(shù)、局部最小等問題，特別實在小樣本、非線性情況 下，具有較好的泛化能力。
[0006] 基于此，本文首先用實驗室設(shè)備數(shù)字聲發(fā)射系統(tǒng)采集敲擊、砂紙和斷鉛Ξ種模擬 聲發(fā)射信號;然后求取小波奇異譜賭值，將其組合成為特征參數(shù);最后利用支持向量機(jī)對特 征參數(shù)進(jìn)行訓(xùn)練和測試。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明提供了基于多分辨奇異譜賭和SVM的泄漏聲發(fā)射信號識別方法，W用于解 決泄漏聲發(fā)射信號檢測分類問題，能有效地對泄漏聲發(fā)射信號進(jìn)行分類，能在泄漏故障發(fā) 生時及時準(zhǔn)確判斷出泄漏故障類型，為采取相應(yīng)的補(bǔ)救措施提供參考。
[0008] 本發(fā)明基于多分辨奇異譜賭和SVM的泄漏聲發(fā)射信號識別方法是運(yùn)樣實現(xiàn)的：
[0009] 首先采用數(shù)字聲發(fā)射系統(tǒng)進(jìn)行實驗數(shù)據(jù)采集，分別采集敲擊、砂紙和斷鉛3種模擬 聲發(fā)射信號;然后對采集的聲發(fā)射信號分別進(jìn)行小波多尺度分解;再求得每一層的奇異譜 賭，將其組成一個特征向量;最后將特征向量分為訓(xùn)練集和測試集，訓(xùn)練集用于訓(xùn)練得到支 持向量機(jī)分類器參數(shù)，用訓(xùn)練好的分類器對測試集進(jìn)行分類測試，其結(jié)果就是對不同聲發(fā) 射信號的分類識別。
[0010] 所述基于多分辨奇異譜賭和SVM的泄漏聲發(fā)射信號識別方法的具體步驟如下：
[0011] A、聲發(fā)射信號采集:采用數(shù)字聲發(fā)射系統(tǒng)進(jìn)行實驗數(shù)據(jù)采集，分別采集敲擊、砂紙 和斷鉛巧巾模擬聲發(fā)射信號各m組，信號記為x(t);
[0012] B、對原始信號x(t)進(jìn)行小波變換，設(shè)分解尺度為j，則x(t)的小波分解信號為di, cb，…，山，依次表示從高頻段到低頻段信號；
[0013] C、分別對分解后的每一層系數(shù)進(jìn)行重構(gòu)，設(shè)第j層上的重構(gòu)信號為化={山化)}，假 設(shè)要重構(gòu)1個η維相空間，那么η維相空間第1個矢量為化中的山（1)，d2(2)，…，山(η)，然后右 移1步，第2個矢量為di(2)，cb(3)，···，山(η+1)，依次類推，可構(gòu)造一個(Ν-η+1)Χη維的矩陣：
[0014]
[001引其中，Ν表示第j層上的重構(gòu)信號Dj= {dj(k)}ke [1，Ν]中k的取值范圍，從巧帆
[0016] D、對一組信號的每層矩陣Aj進(jìn)行奇異值分解，計算信號的奇異譜賭，將各層的賭 值組合起來，即得到特征向量，按照運(yùn)種方法將Ξ種類型聲發(fā)射信號共3*m組的奇異譜賭求 出來，每一組信號得到一組特征向量；
[0017] E、分別取每類信號的兩組特征向量作為訓(xùn)練集、兩組作為測試集，用它們訓(xùn)練分 類器，選用高斯徑向基核函數(shù)，gamma參數(shù)為1，懲罰因子C為200;
[0018] F、選定了分類器參數(shù)之后，取每類信號的a組特征向量作為訓(xùn)練集，剩余組的特征 向量作為測試集，用訓(xùn)練好的分類器對測試集進(jìn)行分類測試。
[0019] 所述m值可W選用20，a值可W選用6。
[0020] 本發(fā)明的工作原理是：
[0021] 第一步:實驗可W采用北京聲華興業(yè)科技有限公司生產(chǎn)的SA抓2S數(shù)字聲發(fā)射系統(tǒng) 進(jìn)行試驗數(shù)據(jù)采集。實驗時，保持傳感器與事故點位置不變，在事故點處分別模擬敲擊、砂 紙和斷鉛Ξ種工況聲源，并記錄相關(guān)實驗數(shù)據(jù)。為驗證上述方法的有效性，在實驗室條件 下，按照國際無損檢測界的規(guī)定（美國ASTM976號文件），使用0.5mm皿鉛筆忍進(jìn)行斷鉛試 驗，可W得到模擬斷鉛聲源信號。并用砂紙和金屬棒，在相同位置模擬出砂紙和敲擊兩種不 同工況聲源信號。實驗每次采集1200個點作為一組信號，可W分別采集敲擊、砂紙和斷鉛Ξ 種聲源信號各20組；
[0022] 第二步:小波分析的基本方法是運(yùn)用Mallat塔式算法，對信號x(t)進(jìn)行降階分解。 離散二進(jìn)小波變換公式為：
，式中：H和G分別為低通濾波器和高通濾波器； Cj化)和山化)分別為信號分解尺度的近似系數(shù)和細(xì)節(jié)系數(shù)。設(shè)分解尺度為j，則x(t)的小波 分解信號為di，cb，…，山，Cj，依次表示從高頻段到低頻段信號。
[0023] 第Ξ步:分別對分解后的每一層系數(shù)進(jìn)行重構(gòu)，重構(gòu)公式為CW化）=H*c^k)+G*dj 化），式中Η*和G*分別為Η和G的對偶算子。設(shè)第j層上的重構(gòu)信號為町=化化）}，假設(shè)要重構(gòu) 1個η維相空間，那么η維相空間第1個矢量為D沖的山（1)，(12(2)，-，，(1加），然后右移1步，第 2個矢量為di(2)，cb(3)，…，山(η+1)，依次類推，可構(gòu)造一個(Ν-η+1)Χη維的矩陣Aj。
[0024]
[00巧]第四步：對每層矩陣Aj進(jìn)行奇異值分解（singular value decomposition,SVD)， 計算信號的奇異譜賭。對一組信號的每層矩陣Aj進(jìn)行奇異值分解（singular value decomposition，SVD)，計算信號的奇異譜賭。將各層的賭值組合起來，即得到特征向量。按 照運(yùn)種方法將Ξ種類型聲發(fā)射信號共60組信號的奇異譜賭求出來，每一組信號得到一組特 征向量。
[0026] 第五步:分別取每類信號的兩組特征向量作為訓(xùn)練集、兩組作為測試集，用它們訓(xùn) 練分類器，選用高斯徑向基核函數(shù)，gamma參數(shù)為1，懲罰因子C為200。此時SVM分類器對待測 樣本的識別正確率為100%。選定了合適的分類器參數(shù)之后，取每類信號的6組特征向量作 為訓(xùn)練集，剩余10組特征向量作為測試集。結(jié)果表明，SVM對Ξ種泄漏聲發(fā)射信號的分類結(jié) 果正確率很高。
[0027] 圖7表示支持向量機(jī)的體系結(jié)構(gòu)，SVM在進(jìn)行線性分類時，通過選擇合適的核函數(shù) 將輸入向量映射到高維特征空間，并在其中構(gòu)造最優(yōu)超平面，達(dá)到分類目的，其中的x(l)，x (2)，. . .，x(n)表示待識別樣本序列，Κ(Χ，Χι)表示核函數(shù)，輸出Y代表識別結(jié)果。圖8和圖9中 圓圈圈出的樣本點叫做支持向量(suppod vectorS)，其位于最優(yōu)超平面的附近，分布在各 自樣本區(qū)域的邊緣地帶，虛線代表最優(yōu)超平面。
[002引本發(fā)明的有益效果是：
[0029] 1、通過將泄漏聲發(fā)射信號的類型識別問題轉(zhuǎn)化為模式分類問題，在懲罰因子和 gamma參數(shù)選擇合適的情況下，SVM對測試樣本包含的聲發(fā)射信息具有較強(qiáng)的分辨能力，可 W同時區(qū)分敲擊、砂紙、斷鉛信號，且識別正確率很高，可實現(xiàn)自動分類；
[0030] 2、支持向量機(jī)對小樣本數(shù)據(jù)具有較好的統(tǒng)計學(xué)習(xí)能力；
[0031] 3、通過求聲發(fā)射信號的小波奇異譜賭值，能較好的反映聲發(fā)射信號狀態(tài)信息，可 W將其作為聲發(fā)射信號的特征向量。
【附圖說明】
[0032] 圖1為本發(fā)明的處理流程圖；
[0033] 圖2為本發(fā)明Ξ種類型泄漏聲發(fā)射信號的時域波形圖；
[0034] 圖3為本發(fā)明Ξ種類型泄漏聲發(fā)射信號的頻域波形圖；
[0035] 圖4為本發(fā)明敲擊信號重構(gòu)后的波形圖；
[0036] 圖5為本發(fā)明砂紙信號重構(gòu)后的波形圖；
[0037] 圖6為本發(fā)明斷鉛信號重構(gòu)后的波形圖；
[0038] 圖7為本發(fā)明支持向量機(jī)的體系結(jié)構(gòu)圖；
[0039] 圖8為本發(fā)明訓(xùn)練分類器參數(shù)時的SVM訓(xùn)練樣本可視化圖像；
[0040] 圖9為本發(fā)明SVM測試樣本可視化圖像。
【具體實施方式】
[0041] 實施例1:如圖1-9所示，基于多分辨奇異譜賭和SVM的泄漏聲發(fā)射信號識別方法， 首先采用數(shù)字聲發(fā)射系統(tǒng)進(jìn)行實驗數(shù)據(jù)采集，分別采集敲擊、砂紙和斷鉛巧巾模擬聲發(fā)射信 號;然后對采集的聲發(fā)射信號分別進(jìn)行小波多尺度分解;再求得每一層的奇異譜賭，將其組 成一個特征向量;最后將特征向量分為訓(xùn)練集和測試集，訓(xùn)練集用于訓(xùn)練得到支持向量機(jī) 分類器參數(shù)，用訓(xùn)練好的分類器對測試集進(jìn)行分類測試，其結(jié)果就是對不同聲發(fā)射信號的 分類識別。
[0042] 所述基于多分辨奇異譜賭和SVM的泄漏聲發(fā)射信號識別方法的具體步驟如下：
[0043] A、聲發(fā)射信號采集:采用數(shù)字聲發(fā)射系統(tǒng)進(jìn)行實驗數(shù)據(jù)采集，分別采集敲擊、砂紙 和斷鉛巧巾模擬聲發(fā)射信號各m組，信號記為x(t);
[0044] B、對原始信號x(t)進(jìn)行小波變換，設(shè)分解尺度為j，則x(t)的小波分解信號為di, cb，…，山，依次表示從高頻段到低頻段信號；