CN106198749A - 一种基于金属裂纹监测的多路传感器的数据融合方法 - Google Patents

Abstract

本发明提供了一种基于金属裂纹监测的多路传感器的数据融合方法，该方法采用滑动时间窗方法提取脉冲，利用支持向量数据描述方法对脉冲进行初始状态识别，判断其是否为故障脉冲，继而利用证据理论方法，分别对有效时间内不同测点的所有故障脉冲的识别结果进行证据合成，最终获得识别结果，有效避免了单测点和单时间点信息不完备所引发的虚警问题，从而有效降低了虚警率，提高了裂纹故障识别的准确率，满足实际工程应用中在线诊断需求。

Description

一种基于金属裂纹监测的多路传感器的数据融合方法

技术领域

本发明涉及金属裂纹检测技术领域，具体涉及一种基于金属裂纹监测的多路传感器的数据融合方法。

背景技术

金属裂纹是由外部交变载荷长期作用，导致材料疲劳，使得其内部深层次分子断崩形成裂纹核，并逐步扩展形成的。当裂纹扩展接近或达到临界裂纹长度时，就进入失稳扩展并快速形成足够破坏设备结构的断裂现象。特别是对于金刚石压机顶锤等设备，由于其在生产过程中承受交变压力较强，容易疲劳产生裂纹，并最终造成瘫锤，从而造成经济损失，甚至酿成安全事故。因此，及早发现设备上的裂纹故障对安全生产具有重要意义。

在专利名称为“一种疲劳裂纹在线检测系统”(专利号：201320619153.5)所公开的内容中，通过提取声发射信号强度、有效值、计数三种特征参数，并根据这些参数的突变判断裂纹；在文献名称为“声纹识别技术在金刚石压机顶锤防护中的应用”(来源：金刚石与磨料磨具工程，Vol.33，No.3，2013)所公开的内容中，记载了使用传声器采集声信号，并通过计算线性预测倒谱系数的欧氏距离来判断裂纹声音。但上述检测方法分类样本种类和数量都有限，尤其对实际环境中的干扰噪声考虑不足，准确性和实用性有待验证和提高。

为了改善金属裂纹检测方法的鲁棒性和实用性，人们引入数据融合技术，通过将多路传感器采集的信息进行融合，提高金属裂纹检测准确率，降低虚警率。在文献名称为“基于模糊神经网络和数据融合的结构裂纹故障诊断”(来源：船舶力学，Vol.8，No.2，2004)所公开的内容中，通过有机结合神经网络和证据理论方法，能够对铝板的裂纹进行识别，但其所研究的都是同一信号的特征级数据融合，包含的信息量有限；在文献名称为“基于基座多传感器信息融合的转子裂纹故障诊断”(来源：湖南科技大学，硕士论文，2010)所公开的内容中，利用多路传感器数据级融合，实现对转子裂纹的检测，但是其融合的优化准则并没有考虑裂纹信号特点和故障特征；

在文献名称为“基于声发射信号的金属裂纹检测系统研究”(来源：热处理技术与装备，Vol.29，No.3，2008)，通过采用独立分量分析(ICA)的方法来融合各个传感器所采集到的数据，并分别对其进行特征提取和模式分类，并进一步融合其识别结果，以提高对疲劳裂纹识别的准确度。在文献名称为“基于多探头源数据融合的焊缝缺陷识别”(来源：哈尔滨工业大学先进焊接与连接国家重点实验室，哈尔滨150001)所公开的内容中，通过D-S证据理论融合多探头源的互补信息，有效的提高了缺陷的识别率，有助于焊缝质量的评定。但是，上述多路传感器信息数据融合方法仅是考虑单个时间窗信息，由于实际环境下某些背景噪声难以全部去除，单次识别可能存在误判问题，从而导致虚警率过高。

发明内容

本发明的目的在于，为解决在现有的金属裂纹声学监测技术中，对多路传感器采集的数据融合时存在着上述技术缺陷，从而导致识别结果不准确，本发明提供一种基于金属裂纹监测的多路传感器的数据融合方法，该方法采用滑动时间窗方法提取脉冲，利用支持向量数据描述方法对脉冲进行初始状态识别，判断其是否为故障脉冲，继而利用证据理论方法，分别对有效时间内不同测点的所有故障脉冲的识别结果进行证据合成，最终获得识别结果，从而有效降低了虚警率，提高了裂纹故障识别的准确率，满足实际工程应用中在线诊断需求。

为了实现上述目的，本发明提出一种基于金属裂纹监测的多路传感器的数据融合方法，具体包括以下步骤：

步骤1)通过多路传感器分别采集被测设备金属表面的声发射信号，并提取所述声发射信号的特征参数；

步骤2)结合实测的实验数据，优化选取故障分类器模型的核函数、核宽度参数及惩罚因子；

步骤3)将步骤1)中提取的特征参数输入至经步骤2)优化处理后的故障分类器模型内进行模式识别，判断各声发射信号表示为故障信号或正常信号；

步骤4)根据时间历程逐一检测各声发射信号，如果当前的声发射信号表示为正常信号，则继续检测下一个声发射信号；如果当前的声发射信号表示为故障信号，则将时间窗的右边界移至当前时间点，并统计时间窗内的所有传感器采集到的故障信号输送入数据融合模块；

步骤5)利用数据融合模块在统一识别框架下构造证据的基本概率指派函数及证据组合规则，对当前时间窗内的各传感器采集到的全部故障信号合成证据集，依据组合结果做出最终决策。

作为上述技术方案的进一步改进，所述步骤2)中的故障分类器模型采用基于支持向量数据描述的故障分类器模型，该故障分类器模型表示为：

f_SVDD(z,a,R)＝I(||z-a||²≤R²)＝I((z·z)-2Σ_ia_i(z·x_i)+Σ_i,ja_ia_j(x_i·x_i)≤R²)

其中，a表示超球面的球面中心坐标，R表示超球面的半径，z表示采集的声发射信号的特征向量，a_i、a_j、x_i分别表示第i个朗格朗日系数、第j个朗格朗日系数和第i个支持向量，I为指示函数，此处的A指命题，若A为真时，则判定为正常信号，若A为假时，则判定为故障信号。

作为上述技术方案的进一步改进，所述的步骤5)包括：

步骤501)依据单值故障分类器的输出信息，客观构造证据关于各命题的基本概率指派函数为：

$\left\{\begin{array}{c}{m}_i\left(\mathrm{\Θ}\right)=1-{\mathrm{\ω}}_i\\ m_i\left(A_1\right)={\mathrm{\ω}}_i(1-D_i)\\ m_i\left(A_2\right)={\mathrm{\ω}}_i{D}_i\end{array}\right.$

其中，金属裂纹故障的统一识别框架定义为Θ＝{A₁,A₂}，命题A₁表示正常，命题A₂表示故障，第i个故障脉冲的分类器输出的核空间相对距离值为D_i，该故障脉冲识别的可靠度为ω_i，假设单个传感器有效时间内共收集M个故障脉冲，得证据集{m_i(·)}(i＝1,2,...,M)；

步骤502)采用下述的Dempster-Shafer证据组合公式进行证据合成：

其中，K_i,j表示证据间的冲突大小，A表示证据i和证据j组合后的焦元，B、C分别表示证据i和证据j的焦元，m_i、m_j分别表示证据i和证据j的基本概率指派函数；

步骤503)根据步骤502)获得的证据组合结果做出最终决策，设B₁、B₂分别是金属裂纹故障的统一识别框架Θ的两个命题集合，Θ＝{B₁,B₂}，基本概率指派值分别为 $m\left(B_1\right)=\max \{m\left(B_k\right),B_k\⋐\mathrm{\Θ}\},$ $m\left(B_2\right)=\max \{m\left(B_k\right),,B_k\⋐\mathrm{\Θ},B_k\≠B_1\},$ 若满足：

$\left\{\begin{array}{c}m\left(B_1\right)-m\left(B_2\right)>{\mathrm{\&epsiv;}}_1\\ m\left(\mathrm{\&Theta;}\right)<{\mathrm{\&epsiv;}}_2\\ m\left(B_1\right)>m\left(\mathrm{\&Theta;}\right)\end{array}\right.$

则诊断的结果为命题B₁，否则不做决策；其中，上式中的ε₁,ε₂为事先给定的阈值，命题B₁表示正常或故障，它是指最终得到的基本概率指派函数中概率值最大的命题，不做决策指不满足决策条件，结果为正常或故障。

本发明的一种基于金属裂纹监测的多路传感器的数据融合方法优点在于：

利用本发明的数据融合方法对金属裂纹监测，特别是在人造金刚石压机顶锤裂纹监测中，引入数据融合技术，从时间、空间域上进行多级融合处理；在空间域上通过布放多个声学传感器采集声信号，同时在时间域上设置有效时间窗，可对时间窗内不同时刻的脉冲识别信息进行证据合成，有效避免了单测点和单时间点信息不完备所引发的虚警问题，极大的降低了虚警率，提高了监测结果的准确度，适用于工程实践需求。

附图说明

图1为本发明的一种基于金属裂纹监测的多路传感器的数据融合方法流程图。

图2为本发明中时间窗的滑动示意图。

具体实施方式

下面结合附图和实施例对本发明所述的一种基于金属裂纹监测的多路传感器的数据融合方法进行详细说明。

如图1所示，本发明的一种基于金属裂纹监测的多路传感器的数据融合方法，包括以下步骤：

步骤1)通过多路传感器分别采集被测设备金属表面的声发射信号，可依据声发射信号的能量阈值，采用滑动时间窗的方式，提取出声发射信号中完整的独立脉冲，通过时频域分析，提取出描述顶锤状态的谱重心、过零率等特征参数。

步骤2)结合实测的实验数据，优化选取所述故障分类器模型的核函数、核宽度参数及惩罚因子。其中，所述的故障分类器模型可采用基于支持向量数据描述的故障分类器模型，建立故障分类器模型的具体处理过程为：

通过学习训练获取的正常类样本集X_i(i＝1,2,...)，每个正常样本对应一段正常状态下采集的声发射信号，样本集则指多段声发射信号构成的集合，可得到一个封闭而紧凑的最小超球面来描述顶锤的正常状态，超球面由球面中心坐标a和半径R所决定，为了提高算法的鲁棒性，即允许在超球面内部包含非目标样本数据，引入松弛变量ξ_i和惩罚参数C，定义结构风险为：

$\left\{\begin{array}{cc}\min & F(R,a)=R^2+C\underset{i}{\mathrm{\&Sigma;}}{\mathrm{\&xi;}}_i\\ s.t& {\left|\right|x_i-a\left|\right|}^2\&le;R^2+{\mathrm{\&xi;}}_i\\ & {\mathrm{\&xi;}}_i\&GreaterEqual;0(i=\mathrm{1,2},...,l)\end{array}\right.$ (式1)

引入拉格朗日乘子α_i,β_i，化简以后得到最终的优化问题：

$L(R,a,{\mathrm{\&alpha;}}_i,{\mathrm{\&beta;}}_i)=R^2+C\underset{i}{\mathrm{\&Sigma;}}{\mathrm{\&xi;}}_i-\underset{i}{\mathrm{\&Sigma;}}{\mathrm{\&alpha;}}_i(R^2+{\mathrm{\&xi;}}_i-{\left|\right|x_i-a\left|\right|}^2)-\underset{i}{\mathrm{\&Sigma;}}{\mathrm{\&beta;}}_i{\mathrm{\&xi;}}_i$ (式2)

求L关于R,a,ξ_i的偏导数，并取为0，由于α_i≥0,β_i≥0，所以C≥α_i≥0，其对偶问题表示为：

$L(R,a,{\mathrm{\&alpha;}}_i,{\mathrm{\&beta;}}_i)=\underset{i}{\mathrm{\&Sigma;}}{\mathrm{\&alpha;}}_i(x_i\&CenterDot;x_i)-\underset{i,j}{\mathrm{\&Sigma;}}{\mathrm{\&alpha;}}_i{\mathrm{\&alpha;}}_j(x_i\&CenterDot;x_j),(0\&le;{\mathrm{\&alpha;}}_i\&le;C,\underset{i}{\mathrm{\&Sigma;}}{\mathrm{\&alpha;}}_i=1)$ (式3)

求出使L达到最小值的a_i，当某样本点x_i满足限制条件的不等式||x_i-a||²＜R²+ξ_i时，相应的拉格朗日乘子为0，即a_i＝0，则该样本点为目标样本点；当样本点x_i满足等式||x_i-a||²＝R²+ξ_i时，相应的拉格朗日乘子大于0，需要加强限制条件进行二次判断：若x_i对应的0＜a_i＜C时，则所述的样本点x_i在超球面边界上，该样本点x_i为支持向量SV(Support Vectors)，表示正常信号；当x_i对应的a_i＝C时，则所述的样本点x_i在超球体之外，表示故障信号；

对于某一给定的新数据点z，即指实时采集的某段声发射信号的特征向量，可根据如下函数判别所属类别：

f_SVDD(z,a,R)＝I(||z-a||²≤R²)＝I((z·z)-2Σ_ia_i(z·x_i)+Ε_i,ja_ia_j(x_i·x_i)≤R²) (式4)

其中，a_i、a_j、x_i分别表示第i个朗格朗日系数、第j个朗格朗日系数和第i个支持向量，I为指示函数，此处的A指命题,若A为真时，则判定为正常信号，若A为假时，则判定为故障信号。

结合实测的实验数据，即利用正常类样本集X_i(i＝1,2,...)优化选取金属裂纹识别的故障分类器的核函数、核宽度参数及惩罚因子,具体可包括如下步骤：

①基于选取的故障特征向量，该故障特征向量是特征参数提取和优化后所最终确定的多个特征参数构成的向量，可分别采用线性、多项式、指数和高斯径向基(Radial Basis Function，RBF)等常用核函数训练正常类样本数据集，实验结果表明，当惩罚因子一定时，采用RBF核函数以及指数核函数时所得的超球面，比线性和多项式核函数训练得到的超球面更为理想，它能够有效的描述设备正常类样本数据集；同时，当采用RBF核函数时，其结构形式较为简单，计算量较小，由于k(x,y)＝exp[-||x-y||²/2s²]，此时k(x,x)＝exp(0)＝1，其中x、y表示给定的向量，k表示核宽度参数。为此，选取高斯径向基函数作为故障分类器模型的核函数；

②基于同样的实验样本集，改变核宽度参数s，选取正常类样本集进行训练，实验结果表明：随着核宽度参数s值减小，所产生的支持向量数量逐渐增加，从而导致对超球体的约束增加，也就意味着超球体的形状过于严格，对超球体范围之外的数据过于敏感，即使对相差不多的样本点也会产生明显的反映；作为训练模型，我们希望超球面空间能够代表隶属于某一范围之内的数据样本，并不希望它对该范围做太严格的限制，因此，需要将核宽度参数s的取值能够满足超球体空间稳定的要求，并避免产生过多的支持向量约束状态空间，根据实际数据分析结果，结合分析的依据选取核宽度参数s＝1；

③基于同样的实验样本集，设置核宽度参数s＝1，改变惩罚因子C，实验结果表明：当惩罚因子C等于1时，训练得到的分类超球面外不包含非目标点(不允许出现分类误差，即超球体完整包含了训练用的所有正常类样本集)，此时超球体的体积最大；随着惩罚因子C数值的减小，超球体外面所包含的非目标样本点数量逐渐增加，超球体的体积逐渐减小，形状更为紧凑，因此，可根据实际需要来确定惩罚因子C的数值，在本实施例中设置惩罚因子C＝1。

步骤3)将步骤1)中提取的特征参数输入至经步骤2)进行基于核参数优化选取后建立的故障分类器模型内，计算新输入脉冲的特征向量至超球体中心的距离d，根据超球体的半径得到核空间的相对距离D：

$D=\left\{\begin{array}{cc}\frac{d}{2R},& 0\&le;d<2R\\ 1,& d\&GreaterEqual;2R\end{array}\right.$ (式5)

显然，D≤1，其中，当0≤D＜0.5时，表示该脉冲为正常脉冲，当0.5≤D≤1时，表示该脉冲为故障脉冲。

步骤4)根据时间历程逐一检测各声发射信号，从图2可以看出时间窗的移动方式，如果检测到当前的脉冲声表示为正常信号，则不处理时间窗，继续检测下一个脉冲声；如果检测到当前的脉冲声表示为故障信号，则将时间窗的右边界移至当前时间点，并统计时间窗内的所有传感器采集到的故障脉冲信号后，输入到数据融合模块。所述的时间窗可根据人造金刚石的工业生产流程，确定适当的长度。

步骤5)基于DS(Dempster-Shafer)证据理论，利用数据融合模块在统一识别框架下构造证据的基本概率指派函数，对当前时间窗内的各传感器采集到的全部故障脉冲识别结果进行证据合成，具体处理过程包括以下步骤：

步骤501)依据单值故障分类器(一类样本即可训练建立预测模型的分类器)的输出信息，客观构造证据的基本概率指派函数。金属裂纹故障的统一识别框架定义为Θ＝{A₁,A₂}，其中命题A₁表示正常，命题A₂表示故障，假设单个传感器有效时间内共收集M个故障脉冲，可得证据集{m_i(·)}(i＝1,2,...,M)，该证据集是由所有证据的概率指派函数构成的。第i个故障脉冲的分类器输出的核空间相对距离值为D_i，该故障脉冲识别的可靠度为ω_i，可靠度主要依据脉冲的能量来确定，能量值越高，其可靠度越大，否则可靠度越低，则证据关于各命题的基本概率指派值为：

$\left\{\begin{array}{c}{m}_i\left(\mathrm{\&Theta;}\right)=1-{\mathrm{\&omega;}}_i\\ m_i\left(A_i\right)={\mathrm{\&omega;}}_i(1-D_i)\\ m_i\left(A_2\right)={\mathrm{\&omega;}}_i{D}_i\end{array}\right.$ (式6)

其中，命题Θ表示不确定度，既可能是故障也可能是正常状态。

步骤502)采用下述的Dempster-Shafer证据组合公式进行证据合成：

(式7)

其中，K_i,j表示证据间的冲突大小，A表示证据i和证据j组合后的焦元，B、C分别表示证据i和证据j的焦元，m_i、m_j分别表示证据i和证据j的基本概率指派函数；

步骤503)根据步骤502)获得的证据组合结果做出最终决策。决策方法是：设B₁、B₂分别是故障识别框架Θ的两个命题集合，Θ＝{B₁,B₂}，基本概率指派值分别为 $m\left(B_1\right)=\max \{m\left(B_k\right),B_k\&Subset;\mathrm{\&Theta;}\},$ $m\left(B_2\right)=\max \{m\left(B_k\right),,B_k\&Subset;\mathrm{\&Theta;},B_k\&NotEqual;B_1\},$ 若满足：

$\left\{\begin{array}{c}m\left(B_1\right)-m\left(B_2\right)>{\mathrm{\&epsiv;}}_1\\ m\left(\mathrm{\&Theta;}\right)<{\mathrm{\&epsiv;}}_2\\ m\left(B_1\right)>m\left(\mathrm{\&Theta;}\right)\end{array}\right.$ (式8)

则诊断的结果为命题B₁，否则不做决策。命题B₁可能是正常也可能是故障，它是指最终得到的基本概率指派函数中概率值最大的命题，不做决策指不满足决策条件，结果可能为正常也可能为故障，其中上式中的ε₁,ε₂为事先给定的阈值。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.一种基于金属裂纹监测的多路传感器的数据融合方法，其特征在于，包括：

步骤1)通过多路传感器分别采集被测设备金属表面的声发射信号，并提取所述声发射信号的特征参数；

步骤2)结合实测的实验数据，优化选取故障分类器模型的核函数、核宽度参数及惩罚因子；

步骤3)将步骤1)中提取的特征参数输入至经步骤2)优化处理后的故障分类器模型内进行模式识别，判断各声发射信号表示为故障信号或正常信号；

步骤4)根据时间历程逐一检测各声发射信号，如果当前的声发射信号表示为正常信号，则继续检测下一个声发射信号；如果当前的声发射信号表示为故障信号，则将时间窗的右边界移至当前时间点，并统计时间窗内的所有传感器采集到的故障信号后输送至数据融合模块；

步骤5)利用数据融合模块在统一识别框架下构造证据的基本概率指派函数及证据组合规则，对当前时间窗内的各传感器采集到的全部故障信号合成证据集，依据组合结果做出最终决策。

2.根据权利要求1所述的基于金属裂纹监测的多路传感器的数据融合方法，其特征在于，所述步骤2)中的故障分类器模型采用基于支持向量数据描述的故障分类器模型，该故障分类器模型表示为：

f_SVDD(z,a,R)＝I(||z-a||²≤R²)＝I((z·z)-2Π_ia_i(z·x_i)+Σ_i,ja_ia_j(x_i·x_i)≤R²)

其中，a表示超球面的球面中心坐标，R表示超球面的半径，z表示采集的声发射信号的特征向量，a_i、a_j、x_i分别表示第i个朗格朗日系数、第j个朗格朗日系数和第i个支持向量，I为指示函数，此处的A指命题，若A为真时，则判定为正常信号，若A为假时，则判定为故障信号。

3.根据权利要求1所述的基于金属裂纹监测的多路传感器的数据融合方法，其特征在于，所述的步骤5)包括：

步骤501)依据单值故障分类器的输出信息，客观构造证据关于各命题的基本概率指派函数为：

$\left\{\begin{array}{c}{m}_i\left(\mathrm{\&Theta;}\right)=1-{\mathrm{\&omega;}}_i\\ m_i\left(A_1\right)={\mathrm{\&omega;}}_i(1-D_i)\\ m_i\left(A_2\right)={\mathrm{\&omega;}}_i{D}_i\end{array}\right.$

其中，金属裂纹故障的统一识别框架定义为Θ＝{A₁,A₂}，命题A₁表示正常，命题A₂表示故障，第i个故障脉冲的分类器输出的核空间相对距离值为D_i，该故障脉冲识别的可靠度为ω_i，假设单个传感器有效时间内共收集M个故障脉冲，得证据集{m_i(·)}(i＝1,2,...,M)；

步骤502)采用下述的Dempster-Shafer证据组合公式进行证据合成：

其中，K_i,j表示证据间的冲突大小，A表示证据i和证据j组合后的焦元，B、C分别表示证据i和证据j的焦元，m_i、m_j分别表示证据i和证据j的基本概率指派函数；

步骤503)根据步骤502)获得的证据组合结果做出最终决策，设B₁、B₂分别是金属裂纹故障的统一识别框架Θ的两个命题集合，Θ＝{B₁,B₂}基本概率指派值分别为 $m\left(B_1\right)=\max \{m\left(B_k\right),B_k\&Subset;\mathrm{\&Theta;}\},m\left(B_2\right)=\max \{m\left(B_k\right),,B_k\&Subset;\mathrm{\&Theta;},B_k\&NotEqual;B_1\},$ 若满足：

$\left\{\begin{array}{c}m\left(B_1\right)-m\left(B_2\right)>{\mathrm{\&epsiv;}}_1\\ m\left(\mathrm{\&Theta;}\right)<{\mathrm{\&epsiv;}}_2\\ m\left(B_1\right)>m\left(\mathrm{\&Theta;}\right)\end{array}\right.$

则诊断的结果为命题B₁，否则不做决策；其中，上式中的ε₁,ε₂为事先给定的阈值，命题B₁表示正常或故障，它是指最终得到的基本概率指派函数中概率值最大的命题，不做决策指不满足决策条件，结果为正常或故障。