CN101566519B - 基于模态波和高斯混合模型的转子碰摩声发射识别方法 - Google Patents

Abstract

本发明公布了一种基于模态波和高斯混合模型的转子碰摩声发射信号识别方法，本发明所述方法如下：采用碰摩声发射试验装置获得声发射信号，并对其进行短时分帧；对每个短时帧，分别提取倒谱系数，并计算分形维，将两者共同组成识别碰摩声发射信号的混合特征参数；确定碰摩声发射信号中的模态波种类；对于每一种类型的模态波分别建立一个相对应的高斯混合模型，并将碰摩声发射信号中的每个模态波单独用高斯混合模型进行训练；在识别时对各模态波模型的输出似然比按一定的权值比例合并得到总似然比；最后针对总似然比进行判决。本发明能较准确地识别碰摩声发射信号。该方法不仅能够应用于突发型声发射信号的识别，而且可以应用于连续型声发射信号的识别。

Description

基于模态波和高斯混合模型的转子碰摩声发射识别方法

技术领域

发明涉及一种基于模态波和高斯混合模型的转子碰摩声发射识别方法，属于声发射信号的识别方法的技术领域。

背景技术

动静碰摩是大型旋转机械的一个重大研究课题，用常规的振动检测方法判断碰摩效果不理想，尤其碰摩早期特征较弱时，振动检测法存在很大困难。声发射(AcousticEmission，AE)以其独特的优点为碰摩检测与识别提供了一条新的途径。与振动信号相比，AE信号的频响范围宽、信息量大、信噪比高，特别是在故障早期特征较弱时，可以弥补振动信号对微弱碰摩不敏感而容易造成漏判的缺陷，因此在碰摩早期的故障诊断更具优越性。但由于AE面临的噪声干扰问题突出，尤其是旋转机械相对恶劣的工作环境以及运行时设备自身产生的多源性强噪声，加之AE信号在结构传播过程中存在的衰减与失真，使得对感兴趣的碰摩AE信号的识别就变得更加困难，而目前对转子碰摩AE识别方法的研究还不够深入，因此基于AE技术的碰摩故障诊断还没能发挥应有的作用。提高和改进AE信号分析能力，研究更加有效的AE源特征识别方法，是推动AE技术应用的关键。

模态声发射(Modal Acoustic Emission，MAE)是一种基于导波理论的AE信号处理技术，它认为材料中的AE源在负载作用下，产生的弹性波是频率和模式多样的导波信号，不同模式波在传播介质中的传播速度和频率都各不相同，一些模态波还存在频散效应。通过研究AE波中的组成模式，可以将这些模态波与AE源机制联系起来，为判断AE源机制(即故障类型)提供先验知识，此外非AE源或噪声没有这些模态波特征，因此MAE理论为我们识别AE和剔除噪声提供了理论依据。

发明内容

本发明目的是针对现有技术存在的缺陷提供一种基于模态波和高斯混合模型的转子碰摩声发射识别方法。

本发明为实现上述目的，采用如下技术方案：

本发明基于模态波和高斯混合模型的转子碰摩声发射识别方法，其特征在于包括以下步骤：

(1)采用碰摩声发射试验装置获得声发射信号；

(2)对步骤1所述的声发射信号进行短时分帧，对每个短时帧分别提取倒谱系数，并将每个短时帧依次经过基于波形长度的分形维算法、中值滤波得到分形维，将每个短时帧对应的倒谱系数和分形维共同组成识别碰摩声发射信号的混合特征参数；

(3)确定碰摩声发射信号中的模态波种类：

当D_i-D_i+1＞0.4，且D_i+1至D_i+n的平均值小于1.4，则为模态类型1；当D_i-D_i+1＞0.4，且D_i+1至D_i+n的平均值大于1.4，则为模态类型3；

当D_i-D_i+1＜-0.4，则为模态类型2，其中D_i为步骤2所述的发生跳变的第i个短时帧的Katz-MF分形维，n为分形维数量，i和n都为自然数，下同；

(4)对于每一种类型的模态波分别建立一个相对应的高斯混合模型：采用所有模态波密度的均值矢量

协方差矩阵∑_i和混合权值a_i参数化得到高斯混合模型 ${\mathrm{\λ}}_i=\{a_i,{\stackrel{\→}{\mathrm{\μ}}}_i,{\mathrm{\Σ}}_i\},$ 并将步骤2所述的碰摩声发射信号中的每个模态波分别经过高斯混合模型训练得到N个声发射信号模态波模板，N为模态波数量，N为自然数，下同；

(5)将待识别信号重复步骤2后经过步骤4所述的声发射信号模态波模板匹配输出各模态波模型的似然概率，按设定的权值比例合并各模态波模型的似然概率得到总似然概率；

(6)当步骤5所述的总似然概率大于门限值，则待识别信号中存在声发射信号。

本发明的优点和效果在于：

1.采用倒谱系数和分形维相结合的混合参数作为训练和识别碰摩AE信号的特征参数，其类内-类间距离要优于一般的特征参数，从而便于更好的训练和识别。

2.从AE信号多模态特性出发，对每种类型的模态波分别建立对应的高斯模型，并根据AE传播机理，采用最大比合并的方法对高斯模型似然概率进行了加权，从而有效地提高了系统的识别率。

本发明的其他优点和效果将在下面继续描述。

附图说明

图1——碰摩AE信号识别方法的总体流程图，(a)训练阶段，(b)识别阶段。

图2——转子碰摩试验台结构图，1-电机；2-增速箱；3-联轴器；4-轴承；5-轴承座1；6-碰摩装置；7-底座；8-转盘；9-轴；10-轴承座2。

图3——碰摩AE信号远端波形模态特征图，(a)碰摩声发射远端信号波形及二模态分类，(b)碰摩声发射远端波形分形维曲线及二模态分类。

图4——碰摩AE信号近端波形模态特征，(a)碰摩声发射近端信号波形，(b)碰摩声发射近端波形分形维曲线。

图5——不同噪声环境下的碰摩AE信号识别率，(a)不同信噪比高斯白噪声下碰摩识别率(500r/min)，(b)不同信噪比高斯白噪声下碰摩识别率(1800r/min)。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明：

图1为AE信号识别方法的总体流程图。下面将按照图1所示的流程，详细说明各个框图的具体实现过程和方式。

一.碰摩信号的获得和分帧

转子碰摩试验台如图2所示。通过一安装在转子台底座上可移动的碰摩支架来模拟实现动静间碰摩。碰摩支架安装在轴承座1、2之间，支架上安装着可伸缩的螺栓，沿转轴径向对着转轴中心，通过调节螺栓来产生碰摩。试验系统选用SR150传感器，频率范围20～300kHz；前置放大器带宽20kHz～2000kHz，增益40dB；主放大器增益1倍、10倍、100倍可调；AE采集卡为12位A/D分辨率。传感器安装在轴承座1上，碰摩源在转轴上，采样率设为2MHz，一次触发采样数据点数为32768。一段碰摩AE采样后对信号进行短时分帧，每个短时帧的帧长为2^c个，c为自然数，本发明采用512个采样点。

二.特征参数提取

对每个短时帧，分别提取12维对数倒谱参数(去除第0维倒谱参数)和分形维，共同组成13维的AE信号特征参数，两类参数提取的具体处理过程如下：

1.对数倒谱特征参数的提取

在语音识别中，倒谱系数在噪声环境下表现出了较强的稳健性，并且能够消除由于说话人不同带来的影响，因此倒谱特征已成为用于语音个性特征表征和语音识别的最有效的特征之一。而在AE源产生机制中，不同材质和不同故障机制产生的AE源，其AE波的模式和频率都不尽相同，这一特征和语音识别中的情况类似，所以将倒谱系数引入到AE识别研究中，作为AE识别系统中的一个特征量。

由于AE信号为非平稳信号，在实时分析和识别中可采用基于短时平稳信号的方法来处理。从AE的模态特性出发，传感器接收到的AE信号ξ(t)可为：

$\mathrm{\ξ}\left(t\right)=\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\ξ}}_i(t-{\mathrm{\τ}}_i)$ (式1)

其中AE信号ξ(t)最多可有N个模态波(ξ₀(t-τ₀)，ξ₁(t-τ₁)，....，ξ_N-1(t-τ_N-₁))叠加而成，τ_i为模态波ξ_i到达传感器的时延，a_i取0或1，取0表示传感器没有收到该模态波ξ_i(t)，ξ_i(t)为窄带随机过程，即：

ξ_i(t)＝ξ_ci(t)cosω_it-ξ_si(t)sinω_it    (式2)

ξ_ci(t)，ξ_si(t)为窄带随机过程ξ_i(t)的同相分量和正交分量，ω_i为其中心角频率。由(式1)、(式2)可知，AE信号在频域上可看作是多个可分离的窄带随机过程之和，在时域上随着传感器离声源距离愈来愈远，由于各模态波传播速度不同，各模态波波形渐渐分开，到了一定程度，有的模态波甚至消失。根据AE信号的这个规律，可以构建一组以模态波的中心频率为中心，以不大于窄带随机过程带宽为带宽长度的滤波器。由于各模态波在频域上变化比较缓慢，因而各滤波器的能量输出变化也比较缓慢，而噪声和干扰是随机变化的。因此，可将AE源通过一个滤波器组输出的能量用来区分AE信号和噪声。

倒谱系数的提取过程如下：

(1)将AE信号ξ(t)进行短时傅里叶变换得到其频谱X(k，ω_k)；

$X(k,{\mathrm{\ω}}_k)=\underset{m=-\∞}{\overset{+\∞}{\mathrm{\Σ}}}\mathrm{\ξ}\left[m\right]w[k-m]e^{-j{\mathrm{\ω}}_{k}m}$ (式3)

(2)用一组三角形滤波器(M为滤波器数目，在实际过程中，M一般为24)在频域对能量谱进行带通滤波，可以看作是用一组滤波器的频率响应对幅度谱进行加权，得到加权后的能量谱E_mel(k)，如(式4)所示。这组带通滤波器的中心频率按对数刻度排列，每个滤波器的三角形的两个底点的频率分别等于相临两个滤波器的中心频率。

$E_{\mathrm{mel}}\left(k\right)=\frac{1}{A_l}\underset{k=L_l}{\overset{U_l}{\mathrm{\Σ}}}{\left|V_l\left({\mathrm{\ω}}_k\right)X(k,{\mathrm{\ω}}_k)\right|}^2$ k＝1，2，....，M    (式4)

$A_l=\underset{k=L_l}{\overset{U_l}{\mathrm{\Σ}}}{\left|V_l\left({\mathrm{\ω}}_k\right)\right|}^2$ (式5)

其中V_l(ω)为第1个对数刻度滤波器的频率响应，L_l，U_l为各个滤波器在非零取值区间的最低频率和最高频率，引入A_l主要是根据带宽对滤波器作规一化处理。

转子碰摩AE信号的主要频段约为5k-500kHz，各频点对AE判决的贡献也不同，随着接收点距离的变长，高频率的信号衰减大，因此应加重高频成分的比重。一种方法是引入对数函数，即滤波器中心频率可为：

$\frac{\ln [1+\mathrm{\α}(f_i-f_{\min })/(f_{\max }-f_{\min })]}{\ln (1+\mathrm{\α})}=\frac{i}{24}$ i＝1，2，....，M    (式6)

(式6)中，α为系数(α＞0)，f_i(i＝1，2，...，M)为M个滤波器的中心频率，f_min为下限频率，这里为5kHz，f_max为上限频率，这里为500kHz。通过(式6)可求得各滤波器的中心频率。

则各个滤波器的带宽为：

$B_i=\left\{\begin{array}{cc}{f}_2-f_{\min }& i=1\\ f_{i+1}-f_{i-1}& 1<i<M\\ 2(f_{\max }-f_{M-1})& i=M\end{array}\right.$ (式7)

根据(式6)和(式7)可构建一组三角形滤波器，每个滤波器的三角形的两个底点的频率分别等于相临两个滤波器的中心频率。

(3)将滤波器组的输出取对数，然后对其作2M点逆离散余弦变换得到修正的倒谱参数，如下式所示：

$C_n=\underset{k=1}{\overset{M}{\mathrm{\&Sigma;}}}\mathrm{Log}{E}_{\mathrm{mel}}\left(k\right)\cos [\mathrm{\&pi;}(k-0.5)n/M]$ n＝1，2，....，L    (式8)

上式中L为对数倒谱系数的个数，在这里，L＝12。由于0阶倒谱系数反映频谱能量，所以在谱失真测度定义中通常不采用0阶倒谱系数。

2.分形维特征参数的提取

研究表明碰摩转子系统具有丰富的混沌运动，分形理论是描述混沌信号的一种手段，并可以用分形维数作为定量描述的特征参数。式(9)是一种基于波形长度的分形维算法，其特点是计算较简单，对参数依赖性不强，有较好的抗噪声能力。波长分形维定义为：设AE波形总长度为L(δ)，用尺度为δ的盒子覆盖整个AE波形曲线，令N_δ(F)为边长为δ的盒覆盖曲线的最小个数，l_i(δ)为第i盒内曲线长度，每个盒子内曲线长度l_i(δ)等效为：l_i(δ)＝k₁δ，k₁为系数，实际计算时可在1-1.5之间取值；令δ₀为最小采样间隔(即尺度为δ的盒子)的k倍，即δ₀＝kδ，k为整数，则分形维算法为：

$D=a-\frac{\ln L\left(\mathrm{\&delta;}\right)}{\ln {\mathrm{\&delta;}}_0}-\frac{{\mathrm{b\&delta;}}_0}{L\left(\mathrm{\&delta;}\right)\ln L\left(\mathrm{\&delta;}\right)}$ (式9)

式中a＝1+lnk₁/lnδ₀，b＝r(δ/δ₀-1)，a，b，k参数采用分形布朗曲线来确定。

在实际应用中，为了提高分形维的精度，必须对每个短时帧的分维值进行滤波，滤除高频分量，从而进一步降低分维的方差。这里采用中值滤波的方法，对于每一帧的含噪数据，将得到的分形维数据等分成长为m(m为奇数)的数据段，然后将每个数据段中的数据(D_i-v，...，D_i-1，D_i，D_i+1，...，D_i+v)按数值大小排列，取序号为中间的数据作为中值滤波的输出：

Y_i＝Med{D_i-v，...，D_i-1，D_i，D_i+1，...，D_i+v} $v=\frac{m-1}{2}$ (式10)

三.训练和识别过程

在语音识别领域，GMM主要用于与文本无关的说话人识别，它直接对语音中的说话人的个人特征的统计分布进行描述，GMM只有一个状态，在GMM参数中只包含语音的声学特征信息，而不包含语音随时间变化的状态信息。由于GMM的这个特点，使其同可以应用于AE信号的识别。

根据上面分析，碰摩AE源信号由多个模态波组成。而在传播过程中，由于材料和路径等原因，到达接收点的AE信号存在着混叠、衰减、时延和变异，如果对AE信号只采用一个模型来训练和识别的话，不仅模型很难收敛，而且效果不理想。基于这点考虑，把每个模态波单独用一个模型进行训练，由于每个模态波相对于整个AE信号而言，起伏较缓慢，因此训练容易收敛，并且识别模型输出似然比也比较稳定。与其他模式识别不同的是，AE识别只需要知道AE信号是否存在，而并不需要明确知道接收端模态波的具体情况。因此，在判决之前将各模态波模型的输出似然比合并得到总似然比，最后针对总似然比进行判决，如图1所示。

训练和识别前先对碰摩AE信号进行模态类型分类。碰摩是转子动静部件之间碰撞和摩擦的合力，碰撞和摩擦所激励的AE模态波不同，理论上前者主要激励起弯曲波，后者主要激励起扩展波。但由于传播过程中的变异，实际采集的碰摩AE波形中很难区分是那种模式波。本发明通过碰摩AE源信号近端和远端波形的分形维曲线特征并结合时域波形特征，来进行碰摩AE信号模态类型的确认和分类。

分形能用一种简单的方法来描述复杂的对象，分形维越大，对象越复杂；反之，对象越简单，即越具有规律性。根据实验分析，从碰摩声发射波形特征上来看，无碰摩状态下采集到的是随机噪声，波形无规律，所以分形维最大；一旦发生轻微碰摩，时域上就会产生若干个具有周期性的突发型特征的声发射波形，整体来看波形相对光滑而简单，分形维较随机噪声时会大为减小；碰摩加重后，声发射波形表现为连续型特征，波形密集而复杂，分形维又开始增大。因此从声发射波形的分形维的数值变化规律就可以判断碰摩状态。当分形维数值发生突变，表明波形性质的突变，进而可判断有碰摩事件，进而从分形维的变化趋势还能推断碰摩的发展趋势。

旋转机械的碰摩发展阶段一般都是由单点碰摩到多点碰摩或局部碰摩，直至全周碰摩；从接触点受力来看，是从单纯的摩擦到摩擦与碰撞的合力(即碰摩力)过程。碰撞和摩擦所激励的声发射模态波不同，碰撞主要激励起弯曲波，摩擦主要激励起扩展波，当有碰摩合力时，波包中既包含弯曲波，也包含扩展波。每种模态波都包含多种频率成分，弯曲波幅度大而扩展波幅度较小。从模态波的传播特征来看，扩展波的传播速度最快，随时间衰减比较慢，低频分量无频散效应；弯曲波的传播速度较慢，存在频散效应，随时间衰减比较快，经过一段距离传播后由于不同频率分量的分离，波形会发生很大变化。

综合以上分析，通过碰摩声发射源信号近端和远端波形的分形维曲线特征并结合时域波形特征，来确认碰摩声发射信号并进行模态类型的分类。

在声源近端，各模态成分基本集中在一起，一个声发射事件所组成的合成波包含丰富的频率成分，振幅较大，波形尖锐，一个声发射事件的波形持续时间较短，其对应的分形维曲线脉动数值跳跃大而陡峭，可以将此作为一种模态类型作为识别模型的源输入。在声源远端(即声发射信号传播一段距离后)，由于存在频散效应，一些频率分量发生分离，原合成波包出现较大拉伸，虽有波峰但形状较平坦，波形持续时间较长，在一个声发射事件波形中，端点处出现波峰并开始衰减，在分形曲线上对应的脉动数值是从大到小跳变；而在末端，又将出现一个波峰并过渡到无碰摩状态，在分形曲线上对应的脉动数值是从小到大跳变。因此可以将声源远端波形在端点和末端处分成两个模态类型作为识别模型的源输入。

具体判别方法为：

①确定一次声发射事件的持续时间为T，采样速率为F，一次声发射事件的采样总点数为N＝T×F。将采样的时间序列分成长为512点的短时帧，计算每帧的分形维D_i。一次声发射事件内计算的分形维数量n＝N/512(取整)。

根据碰摩声发射特点，持续时间可取0.1～0.2秒，一般采样速率F取1～4Hz。

②判断分形维的跳变。根据经验，碰摩声发射信号的分形维分布范围一般为1.0～2.0。当D_i-D_i+1＞0.4，且D_i+1～D_i+n的平均值小于1.4，则为模态类型1；若D_i+1～D_i+n的平均值大于1.4，则为模态类型3。

③当D_i-D_i+1＜-0.4，则为模态类型2。

这种主要由波形的分形维曲线特征来进行模态分类的方法比单纯由时域波形来分类更准确可靠。

图3、图4给出了碰摩AE源远端和近端的波形及分形维曲线，可看出分形维能够有效地区分AE信号与噪声。在声源远端(即声发射信号传播一段足够远的距离后，例如距离源40cm)，如图3所示，由于存在频散效应，一些频率分量发生分离，原合成波包出现较大拉伸，虽有波峰但形状较平坦，波形持续时间较长，在一个声发射事件波形中，端点处出现波峰并开始衰减，在分形曲线上对应的脉动数值是从大到小跳变；而在末端，又将出现一个波峰并过渡到无碰摩状态，在分形曲线上对应的脉动数值是从小到大跳变。因此可以将声源远端波形在端点和末端处分成两个模态类型作为识别模型的源输入。

当碰摩AE源在传感器近端(例如距离源3cm)，各模态成分基本集中在一起，一个声发射事件所组成的合成波包含丰富的频率成分，振幅较大，波形尖锐，一个声发射事件的波形持续时间较短，其对应的分形维曲线脉动数值跳跃大而陡峭，如图4所示，可以将此作为一种模态类型作为识别模型的源输入。因此将整个波包也作为一种模态类型作为GMM的一个模型源输入。根据上面分析，碰摩AE波形可划分成3个模型，再考虑没有发生碰摩情况下的AE波形情况，于是可设模型数量N＝4。

图1模型中对于每一模态类型的波都有一个高斯模型来对应，以供训练和识别。

GMM是N个成员密度(对应N种模态波)的加权和，可以用如下形式表示：

$p\left(\stackrel{\&RightArrow;}{x}\right|\mathrm{\&lambda;})\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{a}_i{b}_i\left(\stackrel{\&RightArrow;}{x}\right)$ (式11)

这里

是一D维随机向量；

i＝1，…，N是成员密度；a_i，i＝1，…，N，是混合权值。每个成员密度是关于均值矢量

和协方差矩阵∑_i的高斯函数，形式如下：

$b_i\left(\stackrel{\&RightArrow;}{x}\right)=\frac{1}{{\left(2\mathrm{\&pi;}\right)}^{D/2}{\left|{\mathrm{\&Sigma;}}_i\right|}^{1/2}}\exp \left\{\frac{1}{2}{(\stackrel{\&RightArrow;}{x}-{\stackrel{\&RightArrow;}{\mathrm{\&mu;}}}_i)}^{\&prime;}{\mathrm{\&Sigma;}}_i^{-1}(\stackrel{\&RightArrow;}{x}-{\stackrel{\&RightArrow;}{\mathrm{\&mu;}}}_i)\right\}$ (式12)

其中混合权值满足条件： $\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{a}_i=1.$

完整高斯混和密度的模型参数由所有成员密度的均值矢量、协方差矩阵和混合权值参数化得到。这些参数聚集一起表示为：

${\mathrm{\&lambda;}}_i=\{a_i,{\stackrel{\&RightArrow;}{\mathrm{\&mu;}}}_i,{\mathrm{\&Sigma;}}_i\}$ i＝1，…，N    (式13)

对于基于模态声发射理论的AE信号识别，每一个模态波可由一个GMM和它的模型参数λ_i表示。

对于某个测试矢量的序列 $X={\stackrel{\&RightArrow;}{x}}_1,{\stackrel{\&RightArrow;}{x}}_2,...,{\stackrel{\&RightArrow;}{x}}_T,$ 它的GMM概率可以写作：

$P\left(X\right|\mathrm{\&lambda;})=\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}p\left({\stackrel{\&RightArrow;}{x}}_t\right|\mathrm{\&lambda;})$ (式14)

AE信号在一段时间内可能经历模态的转换及多模态可能共存，采用上式就不可能达到最佳，因此作如下处理：

$p({\stackrel{\&RightArrow;}{x}}_t,\mathrm{\&lambda;})=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{a}_{i}p\left({\stackrel{\&RightArrow;}{x}}_t\right|{\text{\&lambda;}}_i)$ (式15)

(式15)引入了最大比合并，a_i为各支路的加权与对应支路的概率

有关，概率大的支路加权系数大，概率小的支路加权系数小，最大比合并要优于其它合并方法。简单分析起见，可令 $a_i=p\left({\stackrel{\&RightArrow;}{x}}_t\right|{\mathrm{\&lambda;}}_i),$ 则(式15)可为：

$p({\stackrel{\&RightArrow;}{x}}_t,\mathrm{\&lambda;})=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}p{\left({\stackrel{\&RightArrow;}{x}}_t\right|{\mathrm{\&lambda;}}_i)}^2$ (式16)

将(式15)得到的每帧似然概率

代入(式14)就得到了总似然概率P(X|λ)。如果该值大于门限则认为有AE信号存在。

四.性能评价

在转子碰摩试验台上采集10秒距碰摩源3cm的近端和40cm的远端AE数据作为训练(转速＝1450r/min)，然后分别在转速为500r/min和1800r/min时采集10秒AE测试数据，并对所有测试数据叠加不同信噪比的高斯白噪声后再利用上述模型进行识别，结果见图5。由图可看出，近端的识别率要高于远端，不同转速下识别率相差不多，总体而言，在强噪声环境下均能取得较好的识别率。

为了分析本发明提出的12阶倒谱系数和分形维相结合作为混合特征参数对AE信号识别性能的贡献，用类间-类内距离比来进行量度。从表1中可看出，混合特征参数的类间-类内距离比要大于单纯使用倒谱系数的距离比，其中以加权倒谱距离最为明显，有20.46％的提高。

表1

表2给出了只用12阶倒谱系数作为特征参数的识别系统和基于混合特征参数的识别系统的性能比较，从表中可看出，后者在不同信噪比条件下识别性能均有所提高，特别在信噪比较低的情况下提高的比较明显，说明混合特征参数不仅能够有效地提高识别性能，而且具有一定的抗高斯白噪声的能力。

表2

Claims (4)

1.一种基于模态波和高斯混合模型的转子碰摩声发射识别方法，其特征在于包括以下步骤：

(1)采用碰摩声发射试验装置获得声发射信号；

(2)对步骤1所述的声发射信号进行短时分帧，对每个短时帧分别提取倒谱系数，并将每个短时帧依次经过基于波形长度的分形维算法、中值滤波得到分形维，将每个短时帧对应的倒谱系数和分形维共同组成识别碰摩声发射信号的混合特征参数；

(3)确定碰摩声发射信号中的模态波种类：

当D_i-D_i+1＞0.4，且D_i+1至D_i+n的平均值小于1.4，则为模态类型1；当D_i-D_i+1＞0.4，且D_i+1至D_i+n的平均值大于1.4，则为模态类型3；

当D_i-D_i+1＜-0.4，则为模态类型2，其中D_i为步骤2所述的发生跳变的第i个短时帧的Katz-MF分形维，n为分形维数量，i和n都为自然数，下同；

(4)对于每一种类型的模态波分别建立一个相对应的高斯混合模型：采用所有模态波密度的均值矢量 、协方差矩阵∑_i和混合权值a_i参数化得到高斯混合模型 

并将步骤2所述的碰摩声发射信号中的每个模态波分别经过高斯混合模型训练得到N个声发射信号模态波模板，N为模态波数量，N为自然数，下同；

(5)将待识别信号重复步骤2后经过步骤4所述的声发射信号模态波模板匹配输出各模态波模型的似然概率，按设定的权值比例合并各模态波模型的似然概率得到总似然概率；

(6)当步骤5所述的总似然概率大于门限值，则待识别信号中存在声发射信号。

2.根据权利要求1所述的基于模态波和高斯混合模型的转子碰摩声发射识别方法，其特征在于步骤4所述的混合权值满足条件： 

N为模态波数量为自然数。

3.根据权利要求1或2所述的基于模态波和高斯混合模型的转子碰摩声发射识别方法，其特征在于，步骤5所述的得到总似然概率的方法如下：

a)对于待识别信号矢量的序列 分别计算每帧的高斯混合模型概率 

b)将步骤a所述的每帧的高斯混合模型概率 采用最大比合并方法计算每帧似然概率 

其中λ_i为高斯混合模型即每一个模态波的模型参数；

c)将步骤b所述的每帧似然概率 

对短时帧帧数求和得到总似然概率： 

其中 

分别为T个待识别信号矢量，T为短时帧帧数，λ为总似然概率的模型参数。

4.根据权利要求1或2所述的基于模态波和高斯混合模型的转子碰摩声发射识别方法，其特征在于，所述的混合权值a_i参数取为： 

其中λ_i为高斯混合模型即每一个模态波的模型参数， 

为每帧似然概率， 

为待识别信号序列中第t个矢量，t为自然数，1≤t≤T，T为短时帧帧数为自然数。 

Images