CN101996316A - 一种用于辨别拉深件裂纹的模糊识别方法 - Google Patents

一种用于辨别拉深件裂纹的模糊识别方法 Download PDF

Info

Publication number
CN101996316A
CN101996316A CN 201010519589 CN201010519589A CN101996316A CN 101996316 A CN101996316 A CN 101996316A CN 201010519589 CN201010519589 CN 201010519589 CN 201010519589 A CN201010519589 A CN 201010519589A CN 101996316 A CN101996316 A CN 101996316A
Authority
CN
China
Prior art keywords
characteristic parameter
state
probability
possibility
probability variable
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN 201010519589
Other languages
English (en)
Inventor
骆志高
陈强
胥爱成
何鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN 201010519589 priority Critical patent/CN101996316A/zh
Publication of CN101996316A publication Critical patent/CN101996316A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明公开一种用于辨别拉深件裂纹的模糊识别方法，先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基于局域波时频域局部能量特征提取法进行特征参数的提取，然后经遗传算法进行自动重组生成得到最佳特征参数作为识别拉深件裂纹的特征参数；如果最佳特征参数不服从正态分布，将其转变成服从正态分布的概率变量；然后根据概率一致性原理和可能性理论求取可能性分布函数及其可能性，并求出概率变量的隶属度函数，最后进行模糊诊断；消除了传统方法在进行状态识别时假定特征参数服从正态分布所带来的不足，可准确辨别出正常状态和裂纹状态，有效提高了裂纹特征的识别率，显著缩短诊断时间，实现精密诊断。

Description

一种用于辨别拉深件裂纹的模糊识别方法
 
技术领域
本发明涉及一种用于识别拉伸件裂纹的方法，应用于冷冲模具的质量检测与故障诊断系统，或金属挤压成形过程中的状态识别及质量监测。
背景技术
拉深件的拉深加工的工作环境极其恶劣，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，而且还要承受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，但在生产过程中会产生成批的废品，因此，识别拉深件的裂纹状态具有很重要的工程意义。
裂纹的识别最为关键的两个问题是：一，要准确提取到裂纹的特征参数；二、要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，对于拉深件裂纹特征参数的提取，现有技术提供了以下三种方法：
（1）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；
（2）将裂纹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；
（3）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。
以上三种方法都可以有效提取到拉深件裂纹声发射信号的特征参数，在提取到特征参数之后，就是使用这些特征参数识别出拉深件的裂纹状态。在进行特征识别时，事先并不知道用于特征识别的特征参数是服从哪一种概率密度分布，通常是假定其特征参数是服从正态分布来进行特征识别，这样带来的缺陷是：无法保证判断结果的精确度。
发明内容
本发明的目的是在有效提取到裂纹特征参数以后进一步实现对裂纹特征的识别而提出的一种模糊识别方法，识别率高、效率高、计算速度快，能很好地区分出正常信号和裂纹信号。
本发明采用的技术方案是：先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基于局域波时频域局部能量特征提取法进行特征参数的提取，然后经遗传算法进行自动重组生成得到最佳特征参数，作为识别拉深件裂纹的特征参数；如果最佳特征参数不服从正态分布，将其转变成服从正态分布的概率变量；然后根据概率一致性原理和可能性理论求取可能性分布函数及其可能性，并求出概率变量的隶属度函数，最后进行模糊诊断，实现对拉深件正常及裂纹两种状态的识别。
本发明的有益效果是：
1、本发明对提取的特征参数先进行判断是否服从正态分布，如果不服从正态分布先将其转变成正态分布变量，消除了传统方法在进行状态识别时假定特征参数服从正态分布所带来的不足；
2、本发明基于可能性理论对拉深件裂纹进行模糊识别，可以准确辨别出正常状态和裂纹状态，有效提高了裂纹特征的识别率，能显著缩短诊断时间，提高诊断效率，实现了精密诊断。
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是本发明的流程图。
具体实施方式
如附图1所示，本发明先将采集到的拉深件裂纹的原始声发射信号进行信号预处理，再基于局域波时频域局部能量特征提取法和遗传算法得到拉深件裂纹声发射信号的特征参数，然后将该特征参数变换成服从正态分布的变量，最后通过基于可能性理论的模糊识别方法实现对拉深件裂纹的识别，具体步骤如下：
一. 原始声发射信号的预处理
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。
二. 提取裂纹声发射信号的特征参数
  本发明的该步骤采用的是现有技术，基于局域波时频域局部能量特征提取法，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生成，从而快速地找到可以准确识别出拉深件裂纹特征的最佳特征参数                                               
Figure DEST_PATH_IMAGE002
。 
三．将最佳特征参数
Figure 269161DEST_PATH_IMAGE002
变换成服从正态分布的概率变量
Figure 2010105195898100002DEST_PATH_IMAGE004
用最佳特征参数来识别拉深件的裂纹状态时，要事先知道最佳特征参数
Figure 841405DEST_PATH_IMAGE002
服从怎样的概率分布，但多数情况下并不知道其服从怎样的分布。设已知概率分布函数为∑，用以下公式将最佳特征参数
Figure 174298DEST_PATH_IMAGE002
变换成服从概率分布函数∑的概率变量
Figure 427818DEST_PATH_IMAGE004
：
 
Figure DEST_PATH_IMAGE006
                                           （1）
上式中，
Figure DEST_PATH_IMAGE008
表示∑的反函数，
Figure DEST_PATH_IMAGE010
表示
Figure 63330DEST_PATH_IMAGE002
的累积概率分布函数。
将最佳特征参数
Figure 330363DEST_PATH_IMAGE002
转变为服从正态分布的概率变量
Figure 965481DEST_PATH_IMAGE004
进行状态识别，设均值
Figure DEST_PATH_IMAGE012
=0、标准偏差
Figure DEST_PATH_IMAGE014
=1的标准正态分布的概率分布函数为
Figure DEST_PATH_IMAGE016
。当概率分布函数∑为正态分布时，将最佳特征参数变换成服从正态分布的概率变量
Figure 874062DEST_PATH_IMAGE004
按下式进行：
                                       （2）
四. 基于可能性理论进行模糊识别
为了状态识别，需要确定特征参数的关系函数，也即隶属度函数；本发明中隶属度函数是根据概率一致性原理和可能性理论由特征参数的概率密度函数得到。
1．概率一致性原理
可能性分布同概率之间虽没有直接的联系，但在实际中可能性的知识可以传递概率方面的信息。一个事件的概率如果很大，则它的可能性一定也大，或者等价地，如果一个事件是小可能性的，则它一定是小概率的，这就是所谓的可能性。
设
Figure DEST_PATH_IMAGE020
是取值于论域
Figure DEST_PATH_IMAGE022
的变量，数值
Figure DEST_PATH_IMAGE024
，
Figure DEST_PATH_IMAGE026
，且
Figure DEST_PATH_IMAGE028
， ，则概率
Figure DEST_PATH_IMAGE032
与可能性
Figure DEST_PATH_IMAGE034
之间的一致程度
Figure DEST_PATH_IMAGE036
可定义为：
Figure DEST_PATH_IMAGE038
                 （3）
将上述定义式一般化，设：
Figure DEST_PATH_IMAGE042
，使
Figure DEST_PATH_IMAGE044
，而
Figure DEST_PATH_IMAGE046
是定义在论域
Figure DEST_PATH_IMAGE048
上的可能性分布函数，则
Figure 942905DEST_PATH_IMAGE040
与
Figure DEST_PATH_IMAGE050
之间的一致性程度定义为 
Figure DEST_PATH_IMAGE052
Figure 53818DEST_PATH_IMAGE052
                                         （4）
2．求取可能性分布函数
根据可能性理论，不管特征参数服从什么样的概率分布，都能求得其可能性分布函数。服从正态分布的概率变量
Figure 514887DEST_PATH_IMAGE004
的概率密度分布函数服从正态分布，其可能性分布函数为
Figure DEST_PATH_IMAGE056
可用下式变换得到：                
Figure DEST_PATH_IMAGE058
                                      （5）
此处：
Figure DEST_PATH_IMAGE060
          
Figure DEST_PATH_IMAGE062
其中
Figure 191069DEST_PATH_IMAGE004
为概率变量，
Figure DEST_PATH_IMAGE064
为标准偏差，为概率变量
Figure 806596DEST_PATH_IMAGE004
的平均值；,,…，
Figure DEST_PATH_IMAGE072
，N是指将概率变量
Figure 894769DEST_PATH_IMAGE004
的定义区间N等分。
3．求取可能性
在状态
Figure DEST_PATH_IMAGE074
和状态
Figure DEST_PATH_IMAGE076
下求得的正态分布的概率变量
Figure 915071DEST_PATH_IMAGE004
的可能性分布函数分别为
Figure DEST_PATH_IMAGE078
和
Figure DEST_PATH_IMAGE080
，在状态
Figure 125603DEST_PATH_IMAGE076
中由波形数据求得的正态特征参数的值为
Figure DEST_PATH_IMAGE082
，那么状态与状态相同的可能性
Figure DEST_PATH_IMAGE084
可根据下式进行求取：
Figure DEST_PATH_IMAGE086
                                    （6）                    
Figure DEST_PATH_IMAGE088
                                               （7）
式中
Figure DEST_PATH_IMAGE090
是的平均值。式（6）表示的是两个分布的交点下可能性的最大值，式（7）表示的是
Figure 363141DEST_PATH_IMAGE080
的平均值和
Figure 134787DEST_PATH_IMAGE078
的交点下的可能性。式（6）和式（7）中的最大值可能是
Figure 23109DEST_PATH_IMAGE078
也可能是
Figure 843297DEST_PATH_IMAGE080
。
在状态不明的情况下，测定拉深加工设备的振动信号时，对这个信号的各种异常状态的可能性可以分别求出，从而可以综合判定异常状态。
4．模糊诊断
为了识别状态
Figure 195781DEST_PATH_IMAGE074
及
Figure 76013DEST_PATH_IMAGE076
，就需要依照上述方法，得出及
Figure DEST_PATH_IMAGE096
两个隶属度函数，该隶属度函数及
Figure DEST_PATH_IMAGE100
由下式设定：
Figure DEST_PATH_IMAGE102
          （8） 
          （9） 
式中
Figure DEST_PATH_IMAGE106
是用于识别异常状态
Figure DEST_PATH_IMAGE108
的特征参数。
在进行状态识别时，特征参数
Figure 140046DEST_PATH_IMAGE106
的数值可以由在未知状态中所测得的信号计算出来。异常状态
Figure DEST_PATH_IMAGE110
的可能性
Figure DEST_PATH_IMAGE112
由下式算出：
Figure DEST_PATH_IMAGE114
  
如果
Figure DEST_PATH_IMAGE116
                      
则该状态
Figure 892755DEST_PATH_IMAGE108
是
Figure DEST_PATH_IMAGE118
（正常状态）；
如果
Figure DEST_PATH_IMAGE120
                     
则该状态
Figure 240691DEST_PATH_IMAGE108
是
Figure 291824DEST_PATH_IMAGE074
（故障
Figure DEST_PATH_IMAGE122
状态）
本发明所要识别的是拉深制件的正常状态和裂纹状态，设正常状态是，裂纹状态是
Figure DEST_PATH_IMAGE124
，那么依照上述可得：
如果
Figure DEST_PATH_IMAGE126
 ，则该状态
Figure 690630DEST_PATH_IMAGE108
是
Figure 752127DEST_PATH_IMAGE118
，即正常状态；
如果
Figure DEST_PATH_IMAGE128
 ，则该状态
Figure 413309DEST_PATH_IMAGE108
是
Figure 825836DEST_PATH_IMAGE124
，即裂纹状态。

Claims (2)

1.一种用于辨别拉深件裂纹的模糊识别方法，其特征是包括如下步骤：先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基于局域波时频域局部能量特征提取法进行特征参数的提取，然后经遗传算法进行自动重组生成得到最佳特征参数，作为识别拉深件裂纹的特征参数；如果最佳特征参数不服从正态分布，将其转变成服从正态分布的概率变量；然后根据概率一致性原理和可能性理论求取可能性分布函数及其可能性，并求出概率变量的隶属度函数，最后进行模糊诊断，实现对拉深件正常及裂纹两种状态的识别。
2.根据权利要求1所述一种用于辨别拉深件裂纹的模糊识别方法，其特征是：用公式                                                
Figure 2010105195898100001DEST_PATH_IMAGE001
将所述最佳特征参数
Figure 622769DEST_PATH_IMAGE002
变换成服从正态分布的所述概率变量
Figure 2010105195898100001DEST_PATH_IMAGE003
；均值=0，
Figure 2010105195898100001DEST_PATH_IMAGE005
是标准偏差
Figure 257329DEST_PATH_IMAGE006
=1的标准正态分布的概率分布函数，是最佳特征参数
Figure 590222DEST_PATH_IMAGE002
的累积概率分布函数；
概率变量
Figure 404594DEST_PATH_IMAGE003
的可能性分布函数
Figure 663275DEST_PATH_IMAGE008
，                ， ，
Figure 2010105195898100001DEST_PATH_IMAGE011
是概率变量
Figure 66891DEST_PATH_IMAGE003
的平均值；,
Figure 2010105195898100001DEST_PATH_IMAGE013
,…，
Figure 666817DEST_PATH_IMAGE014
，N是概率变量
Figure 421146DEST_PATH_IMAGE003
的定义区间N等分；在状态和状态
Figure 95841DEST_PATH_IMAGE016
下求得的正态分布的概率变量
Figure 619226DEST_PATH_IMAGE003
的可能性分布函数分别为
Figure 2010105195898100001DEST_PATH_IMAGE017
和
Figure 485289DEST_PATH_IMAGE018
，在状态
Figure 726914DEST_PATH_IMAGE016
中由波形数据求得的正态特征参数的值为
Figure 2010105195898100001DEST_PATH_IMAGE019
，状态
Figure 939721DEST_PATH_IMAGE016
与状态
Figure 583192DEST_PATH_IMAGE015
相同的可能性分别为
Figure 2010105195898100001DEST_PATH_IMAGE021
、
Figure 584963DEST_PATH_IMAGE022
 ；最大值可能是
Figure 663778DEST_PATH_IMAGE017
也可能是
Figure 161755DEST_PATH_IMAGE018
；得出
Figure 2010105195898100001DEST_PATH_IMAGE023
及
Figure 871085DEST_PATH_IMAGE024
两个隶属度函数；
模糊诊断时，异常状态的可能性
Figure 257942DEST_PATH_IMAGE026
，
Figure 2010105195898100001DEST_PATH_IMAGE027
 用于识别异常状态
Figure 140447DEST_PATH_IMAGE028
的特征参数，若
Figure 2010105195898100001DEST_PATH_IMAGE029
，则是正常状态；若
Figure 2010105195898100001DEST_PATH_IMAGE031
 ，则是裂纹状态
Figure 373162DEST_PATH_IMAGE032
。
CN 201010519589 2010-10-26 2010-10-26 一种用于辨别拉深件裂纹的模糊识别方法 Pending CN101996316A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201010519589 CN101996316A (zh) 2010-10-26 2010-10-26 一种用于辨别拉深件裂纹的模糊识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201010519589 CN101996316A (zh) 2010-10-26 2010-10-26 一种用于辨别拉深件裂纹的模糊识别方法

Publications (1)

Publication Number Publication Date
CN101996316A true CN101996316A (zh) 2011-03-30

Family

ID=43786454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201010519589 Pending CN101996316A (zh) 2010-10-26 2010-10-26 一种用于辨别拉深件裂纹的模糊识别方法

Country Status (1)

Country Link
CN (1) CN101996316A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102692450A (zh) * 2012-05-02 2012-09-26 江苏大学 基于模糊综合评判的金属拉深件成形裂纹状态识别方法
CN104777054A (zh) * 2015-05-18 2015-07-15 浙江工业大学 一种基于软测量技术的谐振式疲劳裂纹扩展试验振动系统的参数识别方法
CN109708877A (zh) * 2018-12-27 2019-05-03 昆明理工大学 基于小波模糊识别和图像分析理论的机械故障分析方法
CN112144321A (zh) * 2020-09-18 2020-12-29 同济大学 一种用于无砟轨道板裂缝的无损监测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101532902A (zh) * 2009-04-14 2009-09-16 江苏大学 用于冷冲模具的质量监测和故障诊断方法
CN101949895A (zh) * 2010-08-20 2011-01-19 江苏大学 一种金属拉深件微小裂纹冲击性信号的识别方法
CN101995437A (zh) * 2010-09-27 2011-03-30 江苏大学 一种拉深件裂纹声发射信号的特征提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101532902A (zh) * 2009-04-14 2009-09-16 江苏大学 用于冷冲模具的质量监测和故障诊断方法
CN101949895A (zh) * 2010-08-20 2011-01-19 江苏大学 一种金属拉深件微小裂纹冲击性信号的识别方法
CN101995437A (zh) * 2010-09-27 2011-03-30 江苏大学 一种拉深件裂纹声发射信号的特征提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《中国机械工程》 20031210 王奉涛，马孝江，邹岩崑，张志新 基于局域波法的时频局部能量特征提取方法 2012-2015 1 第14卷, 第23期 *
《振动与冲击》 20090325 骆志高，王祥，李举，范彬彬，郭啸栋 利用声发射信号的特征分析对冲压模具的状态判别 186-189 1，2 第28卷, 第3期 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102692450A (zh) * 2012-05-02 2012-09-26 江苏大学 基于模糊综合评判的金属拉深件成形裂纹状态识别方法
CN102692450B (zh) * 2012-05-02 2014-05-28 江苏大学 基于模糊综合评判的金属拉深件成形裂纹状态识别方法
CN104777054A (zh) * 2015-05-18 2015-07-15 浙江工业大学 一种基于软测量技术的谐振式疲劳裂纹扩展试验振动系统的参数识别方法
CN109708877A (zh) * 2018-12-27 2019-05-03 昆明理工大学 基于小波模糊识别和图像分析理论的机械故障分析方法
CN109708877B (zh) * 2018-12-27 2020-11-24 昆明理工大学 基于小波模糊识别和图像分析理论的机械故障分析方法
CN112144321A (zh) * 2020-09-18 2020-12-29 同济大学 一种用于无砟轨道板裂缝的无损监测方法

Similar Documents

Publication Publication Date Title
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
JP2020519909A (ja) 水道管の漏水検知方法
CN101995437B (zh) 一种拉深件裂纹声发射信号的特征提取方法
CN103323755A (zh) Gis特高频局部放电信号识别方法及系统
CN103033567A (zh) 一种基于导波的管道缺陷信号识别方法
CN106441896A (zh) 滚动轴承故障模式识别及状态监测的特征向量提取方法
CN111191720B (zh) 一种业务场景的识别方法、装置及电子设备
CN113112188B (zh) 一种基于预筛选动态集成的电力调度监控数据异常检测方法
CN114325256A (zh) 一种电力设备局部放电识别方法、系统、设备及存储介质
CN107808658A (zh) 基于家居环境下实时的婴儿音频系列行为检测方法
CN113496440B (zh) 一种用户异常用电检测方法及系统
CN101996316A (zh) 一种用于辨别拉深件裂纹的模糊识别方法
CN117538710B (zh) 用于局部动态放电监测的智能预警方法及系统
CN115128345B (zh) 一种基于谐波监测的电网安全预警方法及系统
CN116625683A (zh) 一种风电机组轴承故障识别方法、系统、装置及电子设备
CN117437933A (zh) 基于特征聚类结合生成式学习的变压器声纹信号故障无监督检测方法
CN116776075A (zh) 风机叶片健康监测系统及其监测方法
CN112906672B (zh) 钢轨缺陷识别方法及系统
CN111539381B (zh) 风力发电机轴承故障分类诊断模型的构建方法
CN111929489B (zh) 故障电弧电流的检测方法及系统
CN115310499B (zh) 一种基于数据融合的工业设备故障诊断系统及方法
CN112666430A (zh) 变压器声纹智能故障检测方法及系统
CN117172601A (zh) 一种基于残差全卷积神经网络的非侵入式负荷监测方法
CN116614366A (zh) 一种基于边缘计算的工业互联网优化方法及系统
CN116502149A (zh) 基于电流特征传导的低压配电网户变关系识别方法及系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20110330