CN101995437A - 一种拉深件裂纹声发射信号的特征提取方法 - Google Patents

Abstract

本发明公开一种拉深件裂纹声发射信号的特征提取方法，先在计算机中将采集到的原始声发射信号进行预处理，再对经过预处理的声发射信号进行基于经验模式分解，得到n个内蕴模式函数分量及一个剩余分量；对每个内蕴模式函数分量进行希尔伯特变换，将信号的幅度在希尔伯特空间中表示局域波时频谱；然后将局域波时频谱平面等分为m个区域，分别计算每一区域的时频域局部能量，归一化处理后作为初始特征参数；最后对初始特征参数进行遗传算法操作，在多次迭代之后实现对初始特征参数的自动重组优化得到最佳特征参数。本发明消除了其它成分的干扰，提高了信噪比；能快速找到最佳特征参数，显著缩短诊断时间并提高诊断效率。

Description

一种拉深件裂纹声发射信号的特征提取方法

技术领域

本发明涉及一种拉深件裂纹声发射信号的特征提取方法，，应用于金属拉深过程当中对拉深件的质量监测，也可应用于冷冲模具的质量检测与故障诊断系统，对金属挤压成形过程进行状态识别及质量监测。

背景技术

拉深件在成形过程中不仅要承受高接触压力和剧烈的摩擦，还有循环加载引起的应力、应变和温度的周期性变化，使制件产生裂纹，有些微小裂纹肉眼难以察觉，在生产过程中可能会产生成批的废品，给企业带来了巨大经济损失。目前，拉深件质量的好坏全靠现场人工经验来判断，属于事后检测，具有一定的时滞性。实际上，当发现制件产生裂纹时，前面可能已有相当数量的制件已经产生了裂纹。

对裂纹的识别最关键的问题是要准确提取裂纹的特征参数，从而在各种不同的声发射信号中识别出裂纹产生的特殊信号。目前，对于拉深件裂纹声发射信号的特征提取有以下两个方法：一是，根据金属裂纹及环境噪声的频率特性，剔除噪声及摩擦磨损信号，即对信号进行小波包分解，再对小波包分解后的不同频段的数据进行重构，然后采用时间序列的方法对去噪后的声发射信号进行时序分析，建立时序模型，选取能量参数组成识别裂纹声发射信号所需的特征向量。该方法的不足之处是：小波包变换需要选取小波基和分解层数，不具有自适应性，而且由于裂纹声发射信号是短时冲击信号，不能满足时序建模的平稳性要求，样本采集困难，提取裂纹声发射信号特征其实难以实现。二是，将声发射信号的上升时间、声发射事件计数，能量、持续时间、幅度、平均频率、有效值电压、平均信号电平、回响频率、初始化频率、强度、频率质心、峰值频率等13个特征参数作为BP神经网络的训练样本，计算各样本各个参数对裂纹特征的的灵敏度，最终得出几个能表征裂纹程度最为显著的特征参数。该方法的不足之处是：神经网络的训练需要采集大量的数据以进一步优化BP网络的结构，否则就影响网络识别的速度和准确度，在生产现场应用耗时耗力，难以实现快速准确诊断的目的。

发明内容

本发明的目的是为克服上述现有技术的不足，提供了一种基于局域波时频域局部能量法和遗传算法的特征参数自动重组再生的拉深件裂纹声发射信号的特征提取方法，准确有效地提取出识别拉深件裂纹的特征参数。

本发明采用的技术方案是：先在计算机中将采集到的原始声发射信号进行预处理，包括前置放大、滤波、A/D转换处理；再对经过预处理的声发射信号进行基于经验模式分解，得到n个内蕴模式函数分量及一个剩余分量；对每个内蕴模式函数分量进行希尔伯特变换，表示成解析信号形式，将信号的幅度在希尔伯特空间中表示为瞬时功率与时间的函数，即局域波时频谱；然后将局域波时频谱平面等分为m个区域，分别计算每一区域的时频域局部能量，再将这m个局域波局部能量进行归一化处理后作为初始特征参数；最后对初始特征参数进行遗传算法操作，包括生成初始遗传因子、计算适应度、经淘汰、交叉和变异运算；在多次迭代之后实现对初始特征参数的自动重组优化，将自动重组优化得到的最佳特征参数作为拉深件裂纹声发射信号的特征识别参数。

本发明的有益效果是：

1、由于拉深件裂纹产生时发出的声发射信号属于瞬态冲击性信号，难以捕捉，特征参数难以提取，而局域波时频域局部能量特征提取法是基于信号的局部特征时间尺度，对信号进行局域波分解之后能突出信号的局部特征，所以对其分析可以更准确有效地把握其中的裂纹特征信息。当声发射信号发生时，声发射信号各频带的能量会发生变化，在各频带信号的能量中包含了丰富的信息，因而可提取局域波时频域局部能量来分析裂纹特征。局域波法消除了其它成分的干扰，实现了系统状态特征的分离，同时有效去除了信号的噪声，提高了信噪比。

2、本发明采用遗传算法的特征参数自动重组生成法，相比传统的特征参数提取方法更加省时，在用局域波时频域局部能量特征提取法得到各个局部能量之后，将这些局部能量作为初始特征参数基于遗传算法进行自动重组，从而快速地找到可以准确识别出反映拉深件裂纹特征的最佳特征参数。遗传算法优化组合初始特征参数生成的最佳特征参数可以有效提高裂纹特征的识别率，显著缩短诊断时间，提高诊断效率，具有识别率高、效率高、计算速度快的特点。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细说明。

图1是本发明流程图；

图2是特征参数方程的树形图。

具体实施方式

如图1所示，本发明在计算机中将采集到的拉深件裂纹声发射原始信号先经过信号预处理，再进行局域波局部能量特征提取，最后通过遗传算法的特征参数自动重组生成得到有效识别拉深件裂纹声发射信号的最佳特征参数，具体说明如下：

在计算机中将采集到的拉深件裂纹声发射原始信号先经过信号预处理，信号预处理依次包括前置放大、滤波、A/D转换等预处理。针对拉深件裂纹的声发射特点，选择带宽为100KHz-300KHz的谐振式传感器，以在裂纹产生时捕捉相应的声发射信号。考虑到对裂纹位置的定位，选择四通道的信号采集卡。采集系统的相关参数及其设置如下：

(1)采样频率2.5MHz，采样点数2048。

(2)通道数：4通道，传感器带宽：100kHz-300kHz

(3)前置放大器增益为40dB，主放大器增益为0dB，设定门槛值为60dB。

(4)前置放大器增益：40dB

(5)传感器带宽：100kHz-300kHz

(6)预触发时间：256μs

(7)滤波范围：20K-200K

(8)峰值鉴别时间PDT：300μs

(9)撞击鉴别时间HDT：600μs

(10)撞击闭锁时间HLT：1000。

对经过信号预处理的声发射信号进行基于经验模式(EMD)分解，再对得到的内蕴模式函数分量(IMF)分别进行希尔伯特(Hilbert)变换，然后把信号的幅度在Hilbert空间中表示为局域波时频谱，之后将瞬时功率与时间局域波时频谱平面等分为m个区域，分别计算每一区域的时频域局部能量，最后对各个局部能量进行归一化处理后，将其作为初始特征参数组成初始特征向量。具体方法如下：

(1)将原始声发射信号进行局域波分解

局域波分解的目的是根据信号的局部时间特征尺度，按频率由高到低地把复杂的非线性、非平稳信号分解为有限个内蕴模式函数分量(IMF)之和，使得各IMF是窄带信号，以满足下一步作Hilbert变换的要求。

每个IMF需满足两个条件：在整个数据段内，极值点的数量与过零点的数量必须相等，或最多相差1个；在任一时间点上，局部最大值和局部最小值定义的包络均值为0。

对采集到的声发射信号进行经验模态分解(EMD)，得到n个内蕴模式函数分量C_i(i＝1，2，……n)及一个剩余分量r_n，如下式所示：

$X\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{C}_i+r_n$

上式经由以下步骤得到：

①求取声发射信号X(t)中的所有极值点.

②使用三次样条插值法求取X(t)的上下包络，其中极大值点、极小值点分别生成上、下包络。

③设上下包络的平均值为m₁，X(t)与m₁的差值为分量h₁，于是得到：

h₁＝X(t)-m₁

④将第一次提取的h₁看作待处理数据，进行以下递推，直至满足一定的终止条件后得到第一个分量：C₁＝h_1k。

h₁₁＝h₁-m₁₁

h₁₂＝h₁₁-m₁₂

…

h_1k＝h_1(k-1)-m_1k

⑤从X(t)中分离出C₁：r₁＝X(t)-C₁，并将r₁看作待处理数据进行如下递推：

r₂＝r₁-C₂

r₃＝r₂-C₃

…

r_n＝r_n-1-C_n

当极值点的个数小于等于2时，停止递推即得到 $X\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{C}_i+r_n.$

(2)对每一个内蕴模式函数(IMF)分量进行希尔伯特(Hilbert)变换表示成解析信号形式，并忽略剩余分量，可以把声发射解析信号数据表示成下面的形式：

$X\left(t\right)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{a}_j\left(t\right)e^{{\mathrm{iw}}_j\left(t\right)t}$

这里q_j(t)是幅值，w_j(t)是瞬时功率。

(3)把原始声发射信号的幅度在希尔伯特空间中表示为瞬时功率与时间的函数H(t，w)，则函数H(t，w)称为局域波时频函数，也称为局域波时频谱，其表达式如下式所示：

$H(t,w)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{b}_j{a}_j\left(t\right)e^{{\mathrm{iw}}_j\left(t\right)t}$

在上式中，b_j为开关因子，当w_j＝w时，b_j＝1；当w_j≠w时，b_j＝0.

(4)根据信号希尔伯特时频谱分布的特点，将瞬时功率与时间平面等分为m个区域，分别计算每一区域的时频域局部能量。

E_k＝∫∫H(t，w)d_wd_t，(k＝1，2，……，m)

(5)由于每个局部能量的范围不同，而且通常E_k是一个较大的数值，在分析时会带来不便，于是对E_k进行归一化处理后，将其作为初始特征参数组成初始特征向量T。

T＝{E₁/E，E₂/E，...，E_k/E}

其中： $E={\left(\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left|E_k\right|}^2\right)}^{\frac{1}{2}}$

将由局域波局部能量特征提取法得到的m个初始特征参数作为遗传个体进行编码，并用分辨指数DI来设计适应度函数对个体进行评价，再进行选择、交叉、变异等遗传操作，然后对生成的特征参数进行灵敏度评价，如此循环操作，在满足设定的终止条件之后停止操作，即得到用于识别拉深件裂纹的最佳特征参数。

本发明对初始特征参数进行遗传编码，采用二进制，采用树状结构的编码形式，用基于树形图法的基因型来表达特征参数方程。如图2所示，图2a表示的是

图2b表示的是

用分辨指数DI来设计适应度函数，对自动重组生成的特征参数的识别状态的灵敏度进行评价。设x₁和x₂分别是由所测拉深件裂纹两个状态的波形数据计算所得到的同一个特征参数的值，并且x₁和x₂分别服从正态分布N(μ₁，σ₁ ²)和N(μ₂，σ₂ ²)，μ₁、μ₂分别表示x₁和x₂的均值，σ₁、σ₂分别表示x₁和x₂的方差，对于该特征参数识别两个状态的灵敏度用分辨指数DI来评价，DI由下式计算：

$\mathrm{DI}=\frac{|{\mathrm{\μ}}_2-{\mathrm{\μ}}_1|}{\sqrt{{\mathrm{\σ}}_1^2+{\mathrm{\σ}}_2^2}}$

识别率DR(distinction rate)定义为：

$\mathrm{DR}=1-\frac{1}{\sqrt{2\mathrm{\π}}}{\∫}_{-\∞}^{-\mathrm{DI}}\exp (-\frac{{\mathrm{\μ}}^2}{2})\mathrm{d\μ}$

很明显DI值越大DR的值也越大，即特征参数也越好。因此，DI可以被用来评估特征参数分辨的灵敏度。DI的值在1.65以上时，可以得到95％以上的识别率。

本发明中用分辨指数DI来定义适应度函数：

其中：k为时间系数，t为进化到指定精度所需的学习时间。

遗传算法的特征参数自动重组生成操作满足以下条件之一就会终止：

①最大的分辨指数(DI)经过一定的代数没有发生变化(如，60代)。

②DI如果大于一个给定的值(如3)，因为如果DI＞3，那么识别率接近100％。

Claims (5)

1.一种拉深件裂纹声发射信号的特征提取方法，其特征是依次采用如下步骤：

1)在计算机中将采集到的原始声发射信号进行预处理，包括前置放大、滤波、A/D转换处理；

2)对经过预处理的声发射信号进行基于经验模式分解，得到n个内蕴模式函数分量及一个剩余分量；

3)对每个内蕴模式函数分量进行希尔伯特变换，表示成解析信号形式，将信号的幅度在希尔伯特空间中表示为瞬时功率与时间的函数，即局域波时频谱；

4)将局域波时频谱平面等分为m个区域，分别计算每一区域的时频域局部能量，再将这m个局域波局部能量进行归一化处理后作为初始特征参数；

5)对初始特征参数进行遗传算法操作，包括生成初始遗传因子、计算适应度、经淘汰、交叉和变异运算；在多次迭代之后实现对初始特征参数的自动重组优化，将自动重组优化得到的最佳特征参数作为拉深件裂纹声发射信号的特征识别参数。

2.根据权利要求1所述的一种拉深件裂纹声发射信号的特征提取方法，其特征是：步骤2)的具体方法是：

①提取声发射信号X(t)中的所有极值点；

②用三次样条插值法求取X(t)上下包络，极大值点、极小值点分别生成上、下包络；

③将上下包络的均值定义为m₁，X(t)与m₁的差值定义为分量h₁，h₁＝X(t)-m₁

④将第一次提取的h₁作为待处理数据，进行以下递推：

h₁₁＝h₁-m₁₁

h₁₂＝h₁₁-m₁₂

…

h_1k＝h_1(k-1)-m_1k

直至满足终止条件后得到第一个分量：C₁＝h_1k；

⑤从X(t)中分离出C₁：r₁＝X(t)-C₁，将r₁作为待处理数据进行如下递推：

r₂＝r₁-C₂

r₃＝r₂-C₃

…

r_n＝r_n-1-C_n

当极值点的个数小于等于2时，停止递推即得到 $X\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{C}_i+r_n.$

3.根据权利要求1所述的一种拉深件裂纹声发射信号的特征提取方法，其特征是：步骤3)中，所述声发射解析信号形式为：

a_j(t)是幅值，w_j(t)是瞬时功率；所述瞬时功率与时间的函数为：b_j为开关因子，当w_j＝w时，b_j＝1；当w_j≠w时，b_j＝0。

4.根据权利要求1所述的一种拉深件裂纹声发射信号的特征提取方法，其特征是：步骤4)中，所述每一区域的时频域局部能量为：E_k＝∫∫H(t，w)d_wd_t，(k＝1，2，……，m)：所述初始特征参数的向量为：T＝{E₁/E，E₂/E，...，E_k/E}，

5.根据权利要求1所述的一种拉深件裂纹声发射信号的特征提取方法，其特征是：步骤5)包括对初始特征参数进行遗传编码，用基于树形图法的基因型表达特征参数方程：用分辨指数DI来定义适应度函数，DI为：

μ₁、μ₂分别为所测拉深件裂纹两个状态的波形数据计算所得到的同一个特征参数的均值，σ₁、σ₂为所测拉深件裂纹两个状态的波形数据计算所得到的同一个特征参数的方差；适应度函数为：

k为时间系数，t为进化到指定精度所需的学习时间。

Images