CN108846173A - 一种基于慢特征分析的巴克豪森信号应力估计方法 - Google Patents
一种基于慢特征分析的巴克豪森信号应力估计方法 Download PDFInfo
- Publication number
- CN108846173A CN108846173A CN201810529465.4A CN201810529465A CN108846173A CN 108846173 A CN108846173 A CN 108846173A CN 201810529465 A CN201810529465 A CN 201810529465A CN 108846173 A CN108846173 A CN 108846173A
- Authority
- CN
- China
- Prior art keywords
- signal
- barkhausen
- slow
- stress
- mbn
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明公开了一种基于慢特征分析的巴克豪森信号应力估计方法,拟采用不同应力下的巴克豪森信号,通过慢特征分析算法提取出巴克豪森慢信号,再对巴克豪森慢信号进行特征值提取,最后用得到的特征值来拟合应力数据。由于残余应力是材料本身固有的性质,本慢特征分析方法具有更高的准确度。包括如下步骤:步骤1:将不同应力下的巴克豪森信号组合成一个向量;步骤2:将组合好的巴克豪森信号进行慢特征分析得到巴克豪森慢信号;步骤3:提取巴克豪森慢信号的上包络,得到巴克豪森信号缓变的特征。步骤4:将巴克豪森慢信号的慢特征取平均后,组成特征向量。步骤5:将不同应力和特征向量线性回归,得到巴克豪森慢信号的特征和应力的表达式模型。
Description
技术领域
本发明涉及一种基于慢特征分析的巴克豪森信号应力估计方法,适用于对铁磁性材料的应力进行定量无损评价。
背景技术
铁磁性材料作为工程基础材料,在制造和服役的时候会受到不同方向的应力,从而产生残余应力,导致铁磁性材料性能的下降;铁磁性材料在长期处于超负荷运行状态下,甚至会导致其断裂,影响生产工作安全。为了保证工业生产安全、长期、稳定地运行,需要对在役的铁磁性材料的应力情况进行定量无损评价。
针对残余应力的检测,传统的检测技术主要有X射线衍射法、金相分析和硬度测量方法等。这些传统的技术在使用过程中会对结构造成一定的破坏,或者由于操作复杂、精度低等原因限制了在其在工程中的应用。
1919年德国物理学家发现了巴克豪森效应。磁巴克豪森噪声信号反映了材料内部磁畴的不可逆变化和运动情况。磁畴结构的变化和运动与材料的微观组织和应力状态密切相关。从二十世纪80年代开始,磁巴克豪森噪声作为一种无损评价方法逐渐发展起来,主要用于针对材料内部的残余应力和微观组织状态的评价。
目前,针对巴克豪森噪声法的应力研究,主要是通过获取巴克豪森信号(MBN)后,从中提取出具有一定规律性的特征量来描述检测对象的变化情况。传统的特征值有:巴克豪森信号的平均值、均方根值、包络峰值、脉冲数等,但这些特征值在用于拟合应力时,都存在线性度差,离散度高等问题。
发明内容
发明目的:本发明的目的是提供一种基于慢特征分析的巴克豪森信号应力估计方法,相比传统的巴克豪森信号特征值拟合方法,具有线性度好、离散度低的优点。本发明实现了铁磁性材料应力的定量估计。慢特征分析是一种从输入信号中提取缓变信号的无监督学习方法,缓变性表征信号的固有性质,在动态时序信号的分析和分类中都非常有用。由于铁磁性材料的残余应力是材料本身固有的性质,所以针对不同应力情况下的巴克豪森信号进行慢特征分析,从巴克豪森的慢信号中再提取特征值,相比传统的方法,能够精确地估计铁磁性材料的应力。
技术方案:一种基于慢特征分析的巴克豪森信号应力估计方法,拟采用不同应力下的巴克豪森信号,通过慢特征分析算法提取出巴克豪森慢信号,再对巴克豪森慢信号进行特征值提取,最后用得到的特征值来拟合应力数据。由于残余应力是材料本身固有的性质,本慢特征分析方法具有更高的准确度。具体包括如下步骤:
步骤1:将不同应力下的巴克豪森信号组合成一个向量;
步骤2:将组合好的巴克豪森信号进行慢特征分析得到巴克豪森慢信号;
步骤3:提取巴克豪森慢信号的上包络,得到巴克豪森信号缓变的特征。
步骤4:将巴克豪森慢信号的慢特征取平均后,组成特征向量。
步骤5:将不同应力和特征向量线性回归,得到巴克豪森慢信号的特征和应力的表达式模型。
有益效果:与现有技术相比,本发明采用上述技术方案具有如下有益效果:
1.相比于传统直接对巴克豪森信号进行特征提取,基于慢特征分析算法提取出巴克豪森慢信号,更能够体现与应力的关系。
2.对巴克豪森慢信号提取上包络,提取出来的慢信号特征值与应力具有更好的线性度、更低的离散度。
3.本发明建立的慢特征值与应力的模型,相比传统方法建立的模型更加精确。
附图说明
图1是基于慢特征分析的巴克豪森信号应力估计方法流程图;
图2是不同应力下的巴克豪森信号组成的向量;
图3是不同应力下的巴克豪森慢特征信号;
图4是拟合应力曲线的结果图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示,基于慢特征分析的巴克豪森信号应力估计方法,包括如下步骤:
步骤1:将不同应力下的巴克豪森信号MBNi,i=1,2,…,n组成一个列向量。结果如图2所示。
MBN=[MBN1,MBN2,...,MBNn]T (1)
步骤2:将组合好的巴克豪森信号进行慢特征分析得到巴克豪森慢信号。结果如图3所示。
慢特征分析的步骤如下:
(1)输入信号为不同应力下的巴克豪森信号组成的列向量。
(2)对输入信号标准化,使其为零均值、单位方差。
其中MBN为不同应力下巴克豪森信号组成的列向量,为巴克豪森信号的均值。经过标准化后
(3)对信号进行非线性扩展。通过将输入信号投影到非线性函数空间,可以将非线性问题转化为线性问题。将标准化后的信号MBN'应用于非线性变换函数h(x),得到扩展信号MBN”。本发明中,使用的非线性扩展函数h(x)=[x1,x2,...,xn,x1x1,x1x2,...,xnxn]T,其中x1到xn分别为MBN1'到MBNn'。
MBN”=h(MBN') (3)
其中MBN”为步骤(2)中的扩展信号。
(4)白化处理。白化处理就是使扩展信号的均值为零、协方差矩阵为单位矩阵。通过仿射变换S(t)对扩展信号MBN”进行标准化。
(5)主成分分析。对矩阵MBN”'MBN”'T进行主成分分析,最小特征值对应的特征向量即得到的巴克豪森慢信号。
步骤3:对巴克豪森慢信号提取上包络。由于应力参数是缓变的信号,所以要提取其基本不变的直流成分。提取包络的方法是利用希尔伯特变换。
步骤4:将巴克豪森慢信号的慢特征取平均后,组成特征向量。
步骤5:拟合应力曲线。如图4所示,结合包络信号和应力,拟合出最终的巴克豪森慢信号和应力的曲线,建立精确的数学模型。
Claims (5)
1.一种基于慢特征分析的巴克豪森信号应力估计方法,其特征在于,具体包括如下步骤:
步骤1:将不同应力下的巴克豪森信号组合成一个向量;
步骤2:将组合好的巴克豪森信号进行慢特征分析得到巴克豪森慢信号;
步骤3:提取巴克豪森慢信号的上包络,得到巴克豪森信号缓变的特征;
步骤4:将巴克豪森慢信号的慢特征取平均后,组成特征向量;
步骤5:将不同应力和特征向量线性回归,得到巴克豪森慢信号的特征和应力的表达式模型。
2.如权利要求1所述的基于慢特征分析的巴克豪森信号应力估计方法,其特征在于,步骤1中将不同应力下的巴克豪森信号MBNi,i=1,2,…,n组成一个列向量;
MBN=[MBN1,MBN2,...,MBNn]T (1)。
3.如权利要求1所述的基于慢特征分析的巴克豪森信号应力估计方法,其特征在于,步骤2中将组合好的巴克豪森信号进行慢特征分析得到巴克豪森慢信号;慢特征分析的步骤如下:
(1)输入信号为不同应力下的巴克豪森信号组成的列向量;
(2)对输入信号标准化,使其为零均值、单位方差;
其中MBN为不同应力下巴克豪森信号组成的列向量,为巴克豪森信号的均值;经过标准化后
(3)对信号进行非线性扩展:通过将输入信号投影到非线性函数空间,可以将非线性问题转化为线性问题;将标准化后的信号MBN'应用于非线性变换函数h(x),得到扩展信号MBN”;
MBN”=h(MBN') (3)
其中MBN”为步骤(2)中的扩展信号;
(4)白化处理:白化处理就是使扩展信号的均值为零、协方差矩阵为单位矩阵。通过仿射变换S(t)对扩展信号MBN”进行标准化;
(5)主成分分析:对矩阵MBN”'MBN”'T进行主成分分析,最小特征值对应的特征向量即得到的巴克豪森慢信号。
4.如权利要求1所述的基于慢特征分析的巴克豪森信号应力估计方法,其特征在于,步骤3中对巴克豪森慢信号提取上包络;由于应力参数是缓变的信号,所以要提取其基本不变的直流成分;提取包络的方法是利用希尔伯特变换。
5.如权利要求1所述的基于慢特征分析的巴克豪森信号应力估计方法,其特征在于,步骤5中拟合应力曲线,结合包络信号和应力,拟合出最终的巴克豪森慢信号和应力的曲线,建立精确的数学模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810529465.4A CN108846173B (zh) | 2018-05-29 | 2018-05-29 | 一种基于慢特征分析的巴克豪森信号应力估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810529465.4A CN108846173B (zh) | 2018-05-29 | 2018-05-29 | 一种基于慢特征分析的巴克豪森信号应力估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108846173A true CN108846173A (zh) | 2018-11-20 |
CN108846173B CN108846173B (zh) | 2021-12-07 |
Family
ID=64209946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810529465.4A Active CN108846173B (zh) | 2018-05-29 | 2018-05-29 | 一种基于慢特征分析的巴克豪森信号应力估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108846173B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110927243A (zh) * | 2019-12-09 | 2020-03-27 | 金陵科技学院 | 一种基于PCA-Kmeans算法的冷轧带钢故障诊断优化方法 |
CN111579634A (zh) * | 2020-05-21 | 2020-08-25 | 钢研纳克检测技术股份有限公司 | 一种铁磁性材料表面残余应力的抽样评估方法 |
CN112070030A (zh) * | 2020-09-09 | 2020-12-11 | 电子科技大学 | 一种巴克豪森信号随机性度量及转换方法 |
CN112382354A (zh) * | 2020-11-27 | 2021-02-19 | 北京京航计算通讯研究所 | 一种Cr12MoV材料硬度预测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101454683A (zh) * | 2006-05-30 | 2009-06-10 | 皇家飞利浦电子股份有限公司 | 具有自适应场补偿的传感器设备 |
CN101593603A (zh) * | 2009-03-31 | 2009-12-02 | 洛阳逖悉开钢丝绳检测技术有限公司 | 细长铁磁性构件的弱磁规划方法 |
-
2018
- 2018-05-29 CN CN201810529465.4A patent/CN108846173B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101454683A (zh) * | 2006-05-30 | 2009-06-10 | 皇家飞利浦电子股份有限公司 | 具有自适应场补偿的传感器设备 |
CN101593603A (zh) * | 2009-03-31 | 2009-12-02 | 洛阳逖悉开钢丝绳检测技术有限公司 | 细长铁磁性构件的弱磁规划方法 |
Non-Patent Citations (3)
Title |
---|
SILVERIO FERREIRA DA SILVA JUNIOR ET AL.: "THE USE OF MAGNETIC BARKHAUSEN NOISE ANALYSIS FOR NONDESTRUCTIVE DETERMINATION OF STRESSES IN STRUCTURAL ELEMENTS", 《2007 INTERNATIONAL NUCLEAR ATLANTIC CONFERENCE》 * |
SONG DING ET AL.: "New feature extraction for applied stress detection on ferromagnetic material using magnetic Barkhausen noise", 《MEASUREMENT》 * |
丁松 等: "基于主成分分析的18CrNiMo7-6材料理化参数无损评估方法", 《无损检测 》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110927243A (zh) * | 2019-12-09 | 2020-03-27 | 金陵科技学院 | 一种基于PCA-Kmeans算法的冷轧带钢故障诊断优化方法 |
CN111579634A (zh) * | 2020-05-21 | 2020-08-25 | 钢研纳克检测技术股份有限公司 | 一种铁磁性材料表面残余应力的抽样评估方法 |
CN111579634B (zh) * | 2020-05-21 | 2023-06-30 | 钢研纳克检测技术股份有限公司 | 一种铁磁性材料表面残余应力的抽样评估方法 |
CN112070030A (zh) * | 2020-09-09 | 2020-12-11 | 电子科技大学 | 一种巴克豪森信号随机性度量及转换方法 |
CN112070030B (zh) * | 2020-09-09 | 2022-06-10 | 电子科技大学 | 一种巴克豪森信号随机性度量及转换方法 |
CN112382354A (zh) * | 2020-11-27 | 2021-02-19 | 北京京航计算通讯研究所 | 一种Cr12MoV材料硬度预测方法及装置 |
CN112382354B (zh) * | 2020-11-27 | 2021-08-10 | 北京京航计算通讯研究所 | 一种Cr12MoV材料硬度预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108846173B (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846173A (zh) | 一种基于慢特征分析的巴克豪森信号应力估计方法 | |
CN109682561B (zh) | 一种自动检测高速铁路桥梁自由振动响应以识别模态的方法 | |
CN109740687B (zh) | 一种基于dlae的发酵过程故障监测方法 | |
Bendory | Robust recovery of positive stream of pulses | |
CN110097014B (zh) | 一种基于测量轨迹的量子比特读取信号处理方法 | |
Digiuni et al. | Single cell wall nonlinear mechanics revealed by a multiscale analysis of AFM force-indentation curves | |
CN107194329B (zh) | 一种基于自适应局部稀疏保持投影的一维距离像识别方法 | |
CN106257488B (zh) | 一种基于邻域特征空间鉴别分析的雷达目标识别方法 | |
Pena Crecente et al. | Pattern recognition analysis applied to classification of honeys from two geographic origins | |
CN109087012A (zh) | 一种考虑极值分布的机构时变可靠性分析方法 | |
CN103217676A (zh) | 基于双谱去噪的噪声背景下雷达目标识别方法 | |
CN106295708B (zh) | 一种基于Fisher分类器组的连续型数据预处理方法 | |
Yang et al. | Classification of wolfberry from different geographical origins by using electronic tongue and deep learning algorithm | |
Leung et al. | Reconstruction of FRI signals using deep neural network approaches | |
CN112817291B (zh) | 基于混合特性评价和子空间分解的层次故障监测方法 | |
CN106908774B (zh) | 基于多尺度核稀疏保持投影的一维距离像识别方法 | |
CN109472216B (zh) | 基于信号非高斯特性的辐射源特征提取和个体识别方法 | |
CN111738366A (zh) | 一种基于虚拟样本的铈镨和钕组分含量的预测方法及系统 | |
Zeng et al. | Temporal-spatial cross-correlation analysis of non-stationary near-surface wind speed time series | |
Andrews et al. | Weak identification in maximum likelihood: A question of information | |
CN106225914B (zh) | 一种粘性阻尼振动信号中的模态参数提取方法 | |
CN106125073B (zh) | 基于自适应高斯表达的散射机理识别与提取方法 | |
송인욱 et al. | Can virtual mock crime replace actual mock crime? An event-related potential study | |
CN116678840B (zh) | 一种水性低温耐腐蚀性涂料成分分析方法 | |
CN116091818B (zh) | 基于多神经网络级联模型的指针式仪表读数识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |