CN112464923B - 一种基于改进变分模态分解的磁瓦内部缺陷检测方法 - Google Patents

一种基于改进变分模态分解的磁瓦内部缺陷检测方法 Download PDF

Info

Publication number
CN112464923B
CN112464923B CN202110144047.5A CN202110144047A CN112464923B CN 112464923 B CN112464923 B CN 112464923B CN 202110144047 A CN202110144047 A CN 202110144047A CN 112464923 B CN112464923 B CN 112464923B
Authority
CN
China
Prior art keywords
modal
decomposition
magnetic shoe
value
signal
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.)
Active
Application number
CN202110144047.5A
Other languages
English (en)
Other versions
CN112464923A (zh
Inventor
黄沁元
冉茂霞
刘鑫
李强
周颖
杨天
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.)
Sichuan University of Science and Engineering
Original Assignee
Sichuan University of Science and Engineering
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 Sichuan University of Science and Engineering filed Critical Sichuan University of Science and Engineering
Priority to CN202110144047.5A priority Critical patent/CN112464923B/zh
Publication of CN112464923A publication Critical patent/CN112464923A/zh
Application granted granted Critical
Publication of CN112464923B publication Critical patent/CN112464923B/zh
Priority to NL2028323A priority patent/NL2028323B1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/045—Analysing solids by imparting shocks to the workpiece and detecting the vibrations or the acoustic waves caused by the shocks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/14—Classification; Matching by matching peak patterns
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/12—Analysing solids by measuring frequency or resonance of acoustic waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4472—Mathematical theories or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/028—Material parameters
    • G01N2291/0289—Internal structure, e.g. defects, grain size, texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Acoustics & Sound (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于改进变分模态分解的磁瓦内部缺陷检测方法，涉及磁瓦检测领域，本发明根据磁瓦声振信号特性构造能够反映VMD参数对其信号分解效果影响的适应度函数，该函数以VMD参数作为变量，以函数的最小值对应最佳分解效果，利用SSA找出参数空间中的函数最小值，从而获得对应最优参数设置，然后根据最优参数进行磁瓦声振信号的VMD最优分解，从分解结果中提取相应两个主模态的最大峰值频点作为代表内部缺陷存在与否的信号特征，随后利用KNN完成特征识别，由此形成一套有效的检测算法，实现通过磁瓦声振信号判别磁瓦内部缺陷是否存在。

Description

一种基于改进变分模态分解的磁瓦内部缺陷检测方法
技术领域
本发明涉及磁瓦检测领域，具体涉及一种基于改进变分模态分解的磁瓦内部缺陷检测方法。
背景技术
永磁直流电机中恒定磁场的产生主要依靠的部件为磁瓦，磁瓦是一种瓦状铁氧体。在磁瓦制造过程中，由于生产工艺复杂，容易出现结构缺陷，从而造成残次品的产生。与合格磁瓦相比，这些带结构缺陷的残次品会严重影响电机的运行效率和使用寿命。因此如何有效剔除这些残次品是保证磁瓦成品质量的关键。磁瓦的内部缺陷是最为突出和主要的结构缺陷问题，其由于分布位置随机、程度不定以及不可见等特点，为相关检测方法的发展带来了巨大难度和挑战。现阶段磁瓦生产厂家检测磁瓦内部缺陷仍主要采用人工听音方式，即通过磁瓦与金属块的碰撞声音辨别内部缺陷的存在与否，这种检测方式存在多方面的弊端，比如检测效率低、人为影响因素大、辨识标准模糊等。
为了解决人工检测磁瓦内部缺陷所存在的问题，选用无损检测技术领域中的声振检测方式作为检测手段，声振检测具有速度快、操作简单、成本低廉等优点，较为匹配磁瓦生产线对产品质量检测的快速和低成本需求。但声振检测的难点集中在信号处理和分析方面，所以寻找一种高效的信号处理算法能够有效缓解检测难度。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于改进变分模态分解的磁瓦内部缺陷检测方法解决了磁瓦内部缺陷检测难度大的问题。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种基于改进变分模态分解的磁瓦内部缺陷检测方法，其包括以下步骤：
S1、获取磁瓦在碰撞金属块时产生的声振信号；
S2、采用SSA方法对VMD分解参数进行寻优，获取声振信号的最优VMD分解参数；
S3、根据声振信号的最优VMD分解参数将声振信号分解为若干个模态分量；
S4、将与原始信号相关性最大的两个模态分量作为主模态分量，并将两个主模态分量的最大峰值频点作为检测磁瓦内部缺陷的特征向量；
S5、采用KNN对特征向量进行分类识别，完成磁瓦内部缺陷检测。
进一步地，步骤S2的具体方法包括以下子步骤：
S2-1、将VMD分解的分解层数K设置为
Figure 264899DEST_PATH_IMAGE001
，惩罚参数
Figure 913049DEST_PATH_IMAGE002
设置为
Figure 719331DEST_PATH_IMAGE003
；将SSA方法的搜索代理数量设置为20，最大迭代寻优次数设置为T，将当前迭代寻优轮次设置为1，优化参数个数设置为2，初始代理分数设置为100；根据VMD分解的设定值随机初始化搜索代理的初始位置；
S2-2、根据公式：
Figure 628381DEST_PATH_IMAGE004
建立获取声振信号的能量差占比
Figure 386384DEST_PATH_IMAGE005
的模型；其中
Figure 115305DEST_PATH_IMAGE006
表示声振信号；
Figure 866224DEST_PATH_IMAGE007
表示第k个模态分量；
Figure 895359DEST_PATH_IMAGE008
为范数；
S2-3、根据公式：
Figure 667006DEST_PATH_IMAGE009
建立获取最大频谱重叠系数
Figure 539016DEST_PATH_IMAGE010
的模型；其中
Figure 687101DEST_PATH_IMAGE011
表示j个频谱重叠系数更新后的频谱重叠系数值；
Figure 711689DEST_PATH_IMAGE012
和
Figure 654237DEST_PATH_IMAGE013
分别表示第k个和第k+1个模态分量的频域信号中的第i点数据，
Figure 249429DEST_PATH_IMAGE014
；
Figure 201204DEST_PATH_IMAGE015
表示第j个频谱重叠系数未完成更新时的频谱重叠系数值，
Figure 939353DEST_PATH_IMAGE016
的初始值为0；
Figure 193748DEST_PATH_IMAGE017
表示模态分量的长度；
S2-4、根据公式：
Figure 650137DEST_PATH_IMAGE018
建立获取适应度值
Figure 530237DEST_PATH_IMAGE019
的模型；
S2-5、根据每个搜索代理的初始位置设置VMD分解参数，并在该分解参数设置下进行声振信号的VMD分解，获取与每个搜索代理相对应的适应度值；
S2-6、将当前轮次迭代寻优的最小适应度值保存并记录该适应度值所对应搜索代理的位置，并将当前迭代寻优轮次加1；
S2-7、判断当前迭代寻优轮次是否大于T，若是则进入步骤S2-8，否则通过SSA方法更新搜索代理位置，并返回步骤S2-2；
S2-8、将保存的适应度值中最小的那个所对应的搜索代理位置对应的K和
Figure 122893DEST_PATH_IMAGE020
参数作为声振信号的最优VMD分解参数。
进一步地，步骤S2-1中最大迭代寻优次数T的值为20。
进一步地，步骤S3的具体方法包括以下子步骤：
S3-1、初始化第一个迭代形成的模态分量
Figure 938402DEST_PATH_IMAGE021
和中心频率
Figure 226295DEST_PATH_IMAGE022
；
S3-2、根据公式：
Figure 785452DEST_PATH_IMAGE023
Figure 136011DEST_PATH_IMAGE024
迭代更新模态分量、中心频率和Lagrange乘法算子；其中
Figure 856842DEST_PATH_IMAGE025
为第n+1次迭代的模态分量频域信号；
Figure 287823DEST_PATH_IMAGE026
为磁瓦声振信号的频域表示；
Figure 994879DEST_PATH_IMAGE027
为第n次迭代的第p个模态分量的频域信号；
Figure 562127DEST_PATH_IMAGE028
为Lagrange乘法算子的频域表示，
Figure 453859DEST_PATH_IMAGE029
为第n次迭代的Lagrange乘法算子，Lagrange乘法算子的初始值为0；
Figure 231191DEST_PATH_IMAGE030
频率序号；
Figure 132151DEST_PATH_IMAGE031
为模态分量的中心频率；
Figure 429272DEST_PATH_IMAGE032
为第n+1次迭代的中心频率；
Figure 757485DEST_PATH_IMAGE033
为第n+1次迭代的Lagrange乘法算子；
Figure 523578DEST_PATH_IMAGE034
为Lagrange乘法算子的更新参数；
S3-3、判断公式：
Figure 697070DEST_PATH_IMAGE035
是否成立，若是则输出当前K个模态分量以及对应的中心频率；否则返回步骤S3-2。
进一步地，步骤S4中将与原始信号相关性最大的两个模态分量作为主模态分量的具体方法为：
根据公式：
Figure 238910DEST_PATH_IMAGE036
获取第k个模态分量
Figure 347811DEST_PATH_IMAGE037
与原始信号的相关性
Figure 975102DEST_PATH_IMAGE038
，将与原始信号相关性最大的两个模态分量作为主模态分量；其中
Figure 342498DEST_PATH_IMAGE039
为第k个模态分量的第i点数值，
Figure 738844DEST_PATH_IMAGE040
为第k个模态分量的平均值；
Figure 408860DEST_PATH_IMAGE041
为声振信号的第i点数值，
Figure 867654DEST_PATH_IMAGE042
为声振信号的平均值；N为模态分量的长度。
进一步地，步骤S5的具体方法为：
将特征向量分成训练样本和测试样本，将训练样本输入给KNN进行训练，构建识别合格与缺陷磁瓦的分类器，并用测试样本对训练好的分类器进行测试，当对缺陷磁瓦的识别率达到100%且对合格磁瓦的识别率高于95%时，输出当前分类器，并采用当前分类器对目标磁瓦对应的特征向量进行分类识别。
本发明的有益效果为：本发明根据磁瓦声振信号特性构造能够反映VMD参数对其信号分解效果影响的适应度函数，该函数以VMD参数作为变量，以函数的最小值对应最佳分解效果，利用SSA找出参数空间中的函数最小值，从而获得对应最优参数设置，然后根据最优参数进行磁瓦声振信号的VMD最优分解，从分解结果中提取相应两个主模态的最大峰值频点作为代表内部缺陷存在与否的信号特征，随后利用KNN完成特征识别，由此形成一套有效的检测算法，实现通过磁瓦声振信号判别磁瓦内部缺陷是否存在。
附图说明
图1为本发明的流程示意图；
图2（a）为合格磁瓦声振信号时域图；
图2（b）为合格磁瓦声振信号频域图；
图2（c）为缺陷磁瓦声振信号时域图；
图2（d）为缺陷磁瓦声振信号频域图；
图3为VMD参数优化的SSA寻优收敛曲线；
图4为最优VMD分解参数对Sample Ⅰ中一个随机样本的分解效果；
图5为Sample Ⅰ模态分量与原信号相关性；
图6为Sample Ⅱ模态分量与原信号相关性；
图7为Sample Ⅲ模态分量与原信号相关性；
图8为Sample Ⅰ的特征聚类图；
图9为Sample Ⅱ的特征聚类图；
图10为Sample Ⅲ的特征聚类图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，该基于改进变分模态分解的磁瓦内部缺陷检测方法包括以下步骤：
S1、获取磁瓦在碰撞金属块时产生的声振信号；
S2、采用SSA方法对VMD分解参数进行寻优，获取声振信号的最优VMD分解参数；
S3、根据声振信号的最优VMD分解参数将声振信号分解为若干个模态分量；
S4、将与原始信号相关性最大的两个模态分量作为主模态分量，并将两个主模态分量的最大峰值频点作为检测磁瓦内部缺陷的特征向量；
S5、采用KNN对特征向量进行分类识别，完成磁瓦内部缺陷检测。
步骤S2的具体方法包括以下子步骤：
S2-1、将VMD分解的分解层数K设置为
Figure 914108DEST_PATH_IMAGE001
，惩罚参数
Figure 164961DEST_PATH_IMAGE002
设置为
Figure 631976DEST_PATH_IMAGE003
；将SSA方法的搜索代理数量设置为20，最大迭代寻优次数设置为T，将当前迭代寻优轮次设置为1，优化参数个数设置为2，初始代理分数设置为100；根据VMD分解的设定值随机初始化搜索代理的初始位置；
S2-2、根据公式：
Figure 968280DEST_PATH_IMAGE004
建立获取声振信号的能量差占比
Figure 162632DEST_PATH_IMAGE005
的模型；其中
Figure 533570DEST_PATH_IMAGE006
表示声振信号；
Figure 670022DEST_PATH_IMAGE007
表示第k个模态分量；
Figure 24780DEST_PATH_IMAGE008
为范数；
S2-3、根据公式：
Figure 757244DEST_PATH_IMAGE043
建立获取最大频谱重叠系数
Figure 248268DEST_PATH_IMAGE010
的模型；其中
Figure 57087DEST_PATH_IMAGE011
表示j个频谱重叠系数更新后的频谱重叠系数值；
Figure 102403DEST_PATH_IMAGE012
和
Figure 28771DEST_PATH_IMAGE013
分别表示第k个和第k+1个模态分量的频域信号中的第i点数据，
Figure 984088DEST_PATH_IMAGE014
；
Figure 337709DEST_PATH_IMAGE015
表示第j个频谱重叠系数未完成更新时的频谱重叠系数值，
Figure 260535DEST_PATH_IMAGE016
的初始值为0；
Figure 725014DEST_PATH_IMAGE044
表示模态分量的长度；
S2-4、根据公式：
Figure 925051DEST_PATH_IMAGE018
建立获取适应度值
Figure 59361DEST_PATH_IMAGE019
的模型；
S2-5、根据每个搜索代理的初始位置设置VMD分解参数，并在该分解参数设置下进行声振信号的VMD分解，获取与每个搜索代理相对应的适应度值；
S2-6、将当前轮次迭代寻优的最小适应度值保存并记录该适应度值所对应搜索代理的位置，并将当前迭代寻优轮次加1；
S2-7、判断当前迭代寻优轮次是否大于20，若是则进入步骤S2-8，否则通过SSA方法更新搜索代理位置，并返回步骤S2-2；
S2-8、将保存的适应度值中最小的那个所对应的搜索代理位置对应的K和
Figure 344848DEST_PATH_IMAGE020
参数作为声振信号的最优VMD分解参数。
步骤S3的具体方法包括以下子步骤：
S3-1、初始化第一个迭代形成的模态分量
Figure 613019DEST_PATH_IMAGE021
和中心频率
Figure 293661DEST_PATH_IMAGE022
；
S3-2、根据公式：
Figure 989085DEST_PATH_IMAGE023
Figure 637235DEST_PATH_IMAGE024
迭代更新模态分量、中心频率和Lagrange乘法算子；其中
Figure 443517DEST_PATH_IMAGE025
为第n+1次迭代的模态分量频域信号；
Figure 477201DEST_PATH_IMAGE026
为磁瓦声振信号的频域表示；
Figure 343526DEST_PATH_IMAGE027
为第n次迭代的第p个模态分量的频域信号；
Figure 338026DEST_PATH_IMAGE028
为Lagrange乘法算子的频域表示，
Figure 88945DEST_PATH_IMAGE029
为第n次迭代的Lagrange乘法算子，Lagrange乘法算子的初始值为0；
Figure 586922DEST_PATH_IMAGE030
频率序号；
Figure 515826DEST_PATH_IMAGE031
为模态分量的中心频率；
Figure 732044DEST_PATH_IMAGE032
为第n+1次迭代的中心频率；
Figure 145708DEST_PATH_IMAGE033
为第n+1次迭代的Lagrange乘法算子；
Figure 639137DEST_PATH_IMAGE034
为Lagrange乘法算子的更新参数；
S3-3、判断公式：
Figure 112844DEST_PATH_IMAGE035
是否成立，若是则输出当前K个模态分量以及对应的中心频率；否则返回步骤S3-2。
步骤S4中将与原始信号相关性最大的两个模态分量作为主模态分量的具体方法为：根据公式：
Figure 206570DEST_PATH_IMAGE036
获取第k个模态分量
Figure 158346DEST_PATH_IMAGE037
与原始信号的相关性
Figure 896495DEST_PATH_IMAGE038
，将与原始信号相关性最大的两个模态分量作为主模态分量；其中
Figure 150890DEST_PATH_IMAGE039
为第k个模态分量的第i点数值，
Figure 607279DEST_PATH_IMAGE040
为第k个模态分量的平均值；
Figure 97166DEST_PATH_IMAGE041
为声振信号的第i点数值，
Figure 581499DEST_PATH_IMAGE042
为声振信号的平均值；N为模态分量的长度。
步骤S5的具体方法为：将特征向量分成训练样本和测试样本，将训练样本输入给KNN进行训练，构建识别合格与缺陷磁瓦的分类器，并用测试样本对训练好的分类器进行测试，当对缺陷磁瓦的识别率达到100%且对合格磁瓦的识别率高于95%时，输出当前分类器，并采用当前分类器对目标磁瓦对应的特征向量进行分类识别。
在具体实施过程中，为了保证传声器采集到优质的磁瓦声振信号，将磁瓦从20毫米固定高度垂直跌落到金属激振块上，由跌落碰撞激发声振信号，值得注意的是该固定跌落高度不会致使磁瓦在碰撞后产生新的缺陷。
SSA是模仿樽海鞘在海中觅食的一种群体智能优化算法。在整个觅食过程中，所有樽海鞘成员相互连接构成一个捕食链，捕食链首端第一个成员为整个群体的领导者，其余成员为追随者，整个捕食队伍跟着领导者寻找猎物。假设樽海鞘位置为一个1×D的数据矩阵，D为寻优参数的个数。在搜索空间中一个食物源记作F，则领导者的位置更新如下：
Figure 131429DEST_PATH_IMAGE045
，
Figure 684902DEST_PATH_IMAGE046
为捕食链中领导者位置的第j维，
Figure 244059DEST_PATH_IMAGE047
和
Figure 691221DEST_PATH_IMAGE048
第j维的最小值和最大值，
Figure 802265DEST_PATH_IMAGE049
为食物源的第j维，
Figure 702088DEST_PATH_IMAGE050
和
Figure 674723DEST_PATH_IMAGE051
为0-1之间的随机数；
Figure 507550DEST_PATH_IMAGE052
为控制参数，
Figure 399283DEST_PATH_IMAGE053
，q为当前迭代次数，T为最大迭代次数，此处的e为自然常数。
樽海鞘捕食链其他成员的位置更新计算公式如下：
Figure 678079DEST_PATH_IMAGE054
，t为樽海鞘成员的序号，且t≥2，
Figure 579039DEST_PATH_IMAGE055
表示第t个樽海鞘成员位置的第
Figure 876160DEST_PATH_IMAGE056
次迭代更新后的第j维数值。
由于磁瓦声振信号具有非线性、非高斯、非平稳的特点，因此，本发明为了抑制VMD对信号的过分解和欠分解现象专门设计了适应度函数。当VMD对信号欠分解时，生成的模态分量较少而不能完全包含整个原始信号成分，所以模态能量与原始信号的能量差值也越大；当能量差值越小时信号欠分解的可能性越低，但能量差值低于一定阈值时，信号可能会出现过分解的可能。当信号过分解时，两个相邻模态分量的频域成分会发生严重混叠，即频率成分高度相似，因此利用相邻模态分量的频谱重叠系数来衡量信号过分解的程度，这个系数越大则表示过分解越严重。
在本发明的一个实施例中，将磁瓦从20毫米固定高度垂直跌落到金属激振块上，由跌落碰撞激发声振信号，随后采用传声器采集所产生地信号。本发明共分析三种类型的磁瓦声振信号，其中采样频率为40kHz，采样周期0.5s。合格与缺陷样本数量相同，且三种磁瓦样本的尺寸信息如表1所示。
表1：三种磁瓦样本的基本信息
Figure 204373DEST_PATH_IMAGE057
图2（a）、图2（b）、图2（c）和图2（d）展示了Sample Ⅰ中一个随机合格、缺陷样本的声振信号时域、频域图，可以看出合格和缺陷样本时域和频域波形存在一定的相似性，没有明显的标准衡量两者之间的区别，所以需要高效的信号分解方法将信号的细节信息显现。
设置VMD分解参数的取值范围和SSA的各项参数。利用VMD分解参数的取值范围随机初始化20个代理的初始位置，即每个代理的位置代表VMD的分解参数的取值。图3展示了VMD参数优化的SSA寻优收敛曲线，当迭代次数为8时，适应度值达到最小且在后续的迭代寻优中适应度值保持不变，即SSA找到了该信号的VMD最优分解参数。为了提高算法的效率和准确性，在三种样本中随机筛选40个合格样本进行VMD参数寻优，记录每个VMD参数寻优样本的寻优结果，以平均值作为该样本的最终的VMD分解参数取值。因此，三种样本的VMD分解参数寻优结果如表2所示。
表2：三种磁瓦样本的VMD分解参数寻优结果
Figure 78788DEST_PATH_IMAGE058
图4展示了最优VMD分解参数对Sample Ⅰ中一个随机样本的分解效果，如图所示，优化后的VMD能够将信号由频率高低依次分解到相应的模态中，且相邻模态之间没有模态混叠的情况，因此SSA以及适应度函数对VMD分解参数寻优是非常可靠且有效的步骤。
根据VMD分解参数寻优结果设置相应的分解参数值，三种磁瓦样本的声振信号经优化后的VMD分解后，分别形成了与分解层数相同的模态数量，即Sample Ⅰ和Sample Ⅱ有5个模态分量，Sample Ⅲ有6个模态分量。随后计算每个模态分量与原始信号的相关性，将与原始信号相关性最大的两个模态分量作为主模态。如图5、图6和图7所示，展示了每个模态分量与原始信号的相关性大小，可以得出Sample Ⅰ和Sample Ⅱ的主模态分量都为第3和第4模态分量，Sample Ⅲ的主模态为第5和第6模态。
对得到的两个主模态分量提取最大峰值频点。为了检验特征提取的效果，将合格与缺陷磁瓦的特征数据放入一个二维数据空间，如图8、图9和图10所示，合格磁瓦用“△”表示，缺陷磁瓦用“+”表示。从图中可以看出三类磁瓦样本合格与缺陷分界明显，且无重叠部分，因此，利用两个主模态分量的最大峰值频点能够作为有效特征，能较好表征合格与缺陷磁瓦内部结构的区别。
利用KNN对提取的特征进行分类识别。在每种类型的磁瓦中随机选取40个合格样本和40个缺陷样本组成训练样本，剩下的样本作为测试样本，利用训练样本建立能够识别合格与缺陷磁瓦的检测模型，测试样本用来检验检测模型的有效性与可靠性。经过实验，整个检测算法对三类磁瓦样本的识别率如表3所示。从表3可以得出检测算法对三类磁瓦都达到100%的识别，能够有效检测磁瓦内部是否具有缺陷。
表3：检测算法对三类磁瓦的识别率
Figure 642493DEST_PATH_IMAGE059
综上所述，本发明根据磁瓦声振信号特性构造能够反映VMD参数对其信号分解效果影响的适应度函数，该函数以VMD参数作为变量，以函数的最小值对应最佳分解效果，利用SSA找出参数空间中的函数最小值，从而获得对应最优参数设置，然后根据最优参数进行磁瓦声振信号的VMD最优分解，从分解结果中提取相应两个主模态的最大峰值频点作为代表内部缺陷存在与否的信号特征，随后利用KNN完成特征识别，由此形成一套有效的检测算法，实现通过磁瓦声振信号判别磁瓦内部缺陷是否存在。

Claims (5)

1.一种基于改进变分模态分解的磁瓦内部缺陷检测方法，其特征在于，包括以下步骤：
S1、获取磁瓦在碰撞金属块时产生的声振信号；
S2、采用SSA方法对VMD分解参数进行寻优，获取声振信号的最优VMD分解参数；
S3、根据声振信号的最优VMD分解参数将声振信号分解为若干个模态分量；
S4、将与原始信号相关性最大的两个模态分量作为主模态分量，并将两个主模态分量的最大峰值频点作为检测磁瓦内部缺陷的特征向量；
S5、采用KNN对特征向量进行分类识别，完成磁瓦内部缺陷检测；
步骤S2的具体方法包括以下子步骤：
S2-1、将VMD分解的分解层数K设置为
Figure 607612DEST_PATH_IMAGE001
，惩罚参数
Figure 89408DEST_PATH_IMAGE002
设置为
Figure 175176DEST_PATH_IMAGE003
；将SSA方法的搜索代理数量设置为20，最大迭代寻优次数设置为T，将当前迭代寻优轮次设置为1，优化参数个数设置为2，初始代理分数设置为100；根据VMD分解的设定值随机初始化搜索代理的初始位置；
S2-2、根据公式：
Figure 917873DEST_PATH_IMAGE004
建立获取声振信号的能量差占比
Figure 63684DEST_PATH_IMAGE005
的模型；其中
Figure 767197DEST_PATH_IMAGE006
表示声振信号；
Figure 156458DEST_PATH_IMAGE007
表示第k个模态分量；
Figure 769973DEST_PATH_IMAGE008
为范数；
S2-3、根据公式：
Figure 335952DEST_PATH_IMAGE009
建立获取最大频谱重叠系数
Figure 198866DEST_PATH_IMAGE010
的模型；其中
Figure 954332DEST_PATH_IMAGE011
表示j个频谱重叠系数更新后的频谱重叠系数值；
Figure 907507DEST_PATH_IMAGE012
和
Figure 395120DEST_PATH_IMAGE013
分别表示第k个和第k+1个模态分量的频域信号中的第i点数据，
Figure 73226DEST_PATH_IMAGE014
；
Figure 553755DEST_PATH_IMAGE015
表示第j个频谱重叠系数未完成更新时的频谱重叠系数值，
Figure 876283DEST_PATH_IMAGE016
的初始值为0；
Figure 751442DEST_PATH_IMAGE017
表示模态分量的长度；
S2-4、根据公式：
Figure 854527DEST_PATH_IMAGE018
建立获取适应度值
Figure 686217DEST_PATH_IMAGE019
的模型；
S2-5、根据每个搜索代理的初始位置设置VMD分解参数，并在该分解参数设置下进行声振信号的VMD分解，获取与每个搜索代理相对应的适应度值；
S2-6、将当前轮次迭代寻优的最小适应度值保存并记录该适应度值所对应搜索代理的位置，并将当前迭代寻优轮次加1；
S2-7、判断当前迭代寻优轮次是否大于T，若是则进入步骤S2-8，否则通过SSA方法更新搜索代理位置，并返回步骤S2-2；
S2-8、将保存的适应度值中最小的那个所对应的搜索代理位置对应的K和
Figure 440415DEST_PATH_IMAGE020
参数作为声振信号的最优VMD分解参数。
2.根据权利要求1所述的基于改进变分模态分解的磁瓦内部缺陷检测方法，其特征在于，步骤S2-1中最大迭代寻优次数T的值为20。
3.根据权利要求1所述的基于改进变分模态分解的磁瓦内部缺陷检测方法，其特征在于，步骤S3的具体方法包括以下子步骤：
S3-1、初始化第一个迭代形成的模态分量
Figure 941935DEST_PATH_IMAGE021
和中心频率
Figure 283048DEST_PATH_IMAGE022
；
S3-2、根据公式：
Figure 918429DEST_PATH_IMAGE023
Figure 12287DEST_PATH_IMAGE024
迭代更新模态分量、中心频率和Lagrange乘法算子；其中
Figure 199555DEST_PATH_IMAGE025
为第n+1次迭代的模态分量频域信号；
Figure 11653DEST_PATH_IMAGE026
为磁瓦声振信号的频域表示；
Figure 450725DEST_PATH_IMAGE027
为第n次迭代的第p个模态分量的频域信号；
Figure 418330DEST_PATH_IMAGE028
为Lagrange乘法算子的频域表示，
Figure 527232DEST_PATH_IMAGE029
为第n次迭代的Lagrange乘法算子，Lagrange乘法算子的初始值为0；
Figure 75894DEST_PATH_IMAGE030
频率序号；
Figure 53077DEST_PATH_IMAGE031
为模态分量的中心频率；
Figure 121527DEST_PATH_IMAGE032
为第n+1次迭代的中心频率；
Figure 152062DEST_PATH_IMAGE033
为第n+1次迭代的Lagrange乘法算子；
Figure 938753DEST_PATH_IMAGE034
为Lagrange乘法算子的更新参数；
S3-3、判断公式：
Figure 375419DEST_PATH_IMAGE035
是否成立，若是则输出当前K个模态分量以及对应的中心频率；否则返回步骤S3-2。
4.根据权利要求1所述的基于改进变分模态分解的磁瓦内部缺陷检测方法，其特征在于，步骤S4中将与原始信号相关性最大的两个模态分量作为主模态分量的具体方法为：
根据公式：
Figure 626272DEST_PATH_IMAGE036
获取第k个模态分量
Figure 139293DEST_PATH_IMAGE037
与原始信号的相关性
Figure 98765DEST_PATH_IMAGE038
，将与原始信号相关性最大的两个模态分量作为主模态分量；其中
Figure 355434DEST_PATH_IMAGE039
为第k个模态分量的第i点数值，
Figure 460793DEST_PATH_IMAGE040
为第k个模态分量的平均值；
Figure 393983DEST_PATH_IMAGE041
为声振信号的第i点数值，
Figure 827370DEST_PATH_IMAGE042
为声振信号的平均值；N为模态分量的长度。
5.根据权利要求1所述的基于改进变分模态分解的磁瓦内部缺陷检测方法，其特征在于，步骤S5的具体方法为：
将特征向量分成训练样本和测试样本，将训练样本输入给KNN进行训练，构建识别合格与缺陷磁瓦的分类器，并用测试样本对训练好的分类器进行测试，当对缺陷磁瓦的识别率达到100%且对合格磁瓦的识别率高于95%时，输出当前分类器，并采用当前分类器对目标磁瓦对应的特征向量进行分类识别。
CN202110144047.5A 2021-02-03 2021-02-03 一种基于改进变分模态分解的磁瓦内部缺陷检测方法 Active CN112464923B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110144047.5A CN112464923B (zh) 2021-02-03 2021-02-03 一种基于改进变分模态分解的磁瓦内部缺陷检测方法
NL2028323A NL2028323B1 (en) 2021-02-03 2021-05-28 Method for detecting internal defects of magnetic tile based on improved variational mode decomposition

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110144047.5A CN112464923B (zh) 2021-02-03 2021-02-03 一种基于改进变分模态分解的磁瓦内部缺陷检测方法

Publications (2)

Publication Number Publication Date
CN112464923A CN112464923A (zh) 2021-03-09
CN112464923B true CN112464923B (zh) 2021-04-13

Family

ID=74802469

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110144047.5A Active CN112464923B (zh) 2021-02-03 2021-02-03 一种基于改进变分模态分解的磁瓦内部缺陷检测方法

Country Status (2)

Country Link
CN (1) CN112464923B (zh)
NL (1) NL2028323B1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114964778A (zh) * 2022-05-13 2022-08-30 重庆理工大学 一种基于小波时频图与深度学习的轴承故障诊断方法
CN115077438A (zh) * 2022-07-29 2022-09-20 四川轻化工大学 一种cng储气井壁多路超声测厚方法
CN115901248B (zh) * 2022-10-18 2023-09-19 江苏新道格自控科技有限公司 一种齿轮箱故障特征提取方法
CN117850367B (zh) * 2023-12-29 2024-06-21 淮阴工学院 一种基于多生产线的vmd分解与生产线优化系统
CN117890486B (zh) * 2024-03-15 2024-05-14 四川吉利学院 基于稀疏切空间投影的磁瓦内部缺陷检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108414226A (zh) * 2017-12-25 2018-08-17 哈尔滨理工大学 基于特征迁移学习的变工况下滚动轴承故障诊断方法
CN109376897A (zh) * 2018-08-29 2019-02-22 广东工业大学 一种基于混合算法的短期风电功率预测方法
CN110083940A (zh) * 2019-04-28 2019-08-02 东华大学 一种基于ssa-hmd-cnnsvm模型的短期风速预测方法
CN110292374A (zh) * 2019-05-31 2019-10-01 辽宁师范大学 基于奇异谱分析和变分模态分解的心电信号去基线漂移方法
CN111079902A (zh) * 2019-12-19 2020-04-28 四川轻化工大学 基于神经网络的分解模糊系统优化方法及装置
CN111738400A (zh) * 2020-08-31 2020-10-02 四川轻化工大学 一种用于非平稳信号的变分模态分解参数优化的迭代方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11105096B2 (en) * 2015-04-16 2021-08-31 BuildTech Solutions LLC Integrated waterproofing and drainage system with intrinsic leak detection for building structures and methods of use
WO2019094687A1 (en) * 2017-11-09 2019-05-16 Rhodia Operations Aqueous compositions comprising dicamba and a built-in drift control agent
CN109489977B (zh) * 2018-12-28 2021-03-05 西安工程大学 基于KNN-AdaBoost的轴承故障诊断方法
CN109654384B (zh) * 2019-01-29 2024-04-02 南京工业大学 基于pso-vmd算法的管道泄漏检测装置及检测方法
CN109827776B (zh) * 2019-03-15 2024-02-13 合肥工业大学 轴承故障检测方法及系统
US11464776B2 (en) * 2019-05-16 2022-10-11 Aerovate Therapeutics, Inc. Inhalable imatinib formulations, manufacture, and uses thereof
CN110648017A (zh) * 2019-08-30 2020-01-03 广东工业大学 一种基于二层分解技术的短期冲击负荷预测方法
CN111238807B (zh) * 2020-01-17 2021-09-28 福州大学 一种行星齿轮箱故障诊断方法
CN111563631A (zh) * 2020-05-12 2020-08-21 山东科华电力技术有限公司 基于变分模态分解的风力发电功率预测方法及设备
CN111985383A (zh) * 2020-08-14 2020-11-24 太原理工大学 基于改进变分模态分解的瞬变电磁信号噪声分离识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108414226A (zh) * 2017-12-25 2018-08-17 哈尔滨理工大学 基于特征迁移学习的变工况下滚动轴承故障诊断方法
CN109376897A (zh) * 2018-08-29 2019-02-22 广东工业大学 一种基于混合算法的短期风电功率预测方法
CN110083940A (zh) * 2019-04-28 2019-08-02 东华大学 一种基于ssa-hmd-cnnsvm模型的短期风速预测方法
CN110292374A (zh) * 2019-05-31 2019-10-01 辽宁师范大学 基于奇异谱分析和变分模态分解的心电信号去基线漂移方法
CN111079902A (zh) * 2019-12-19 2020-04-28 四川轻化工大学 基于神经网络的分解模糊系统优化方法及装置
CN111738400A (zh) * 2020-08-31 2020-10-02 四川轻化工大学 一种用于非平稳信号的变分模态分解参数优化的迭代方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
A New Denoising Method for UHF PD Signals Using Adaptive VMD and SSA-Based Shrinkage Method;Jun Zhang等;《Sensors》;20190402;第1-23页 *
A quadratic penalty item optimal variational mode decomposition method based on single-objective salp swarm algorithm;XinlongZhao等;《Mechanical Systems and Signal Processing》;20191223;第138卷;第1-12页 *
基于优化变分模态分解的磁瓦内部缺陷检测;冉茂霞等;《浙江大学学报(工学版)》;20201013;第54卷(第11期);第2158-2168页、图3 *
基于振动信号分析的滚动轴承故障诊断方法研究;吴鹏飞;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20190615;正文第28-40页 *
应用循环变分模态分解的磁瓦内部缺陷声振检测;黄沁元等;《四川轻化工大学学报(自然科学版)》;20201218;第33卷(第06期);第53-64页 *
通过振动信号判断机械设备故障方法研究;杨帆等;《粘接》;20200415;第41卷(第04期);第171-175页 *

Also Published As

Publication number Publication date
CN112464923A (zh) 2021-03-09
NL2028323B1 (en) 2022-04-05

Similar Documents

Publication Publication Date Title
CN112464923B (zh) 一种基于改进变分模态分解的磁瓦内部缺陷检测方法
CN108564109B (zh) 一种基于深度学习的遥感图像目标检测方法
CN107527337B (zh) 一种基于深度学习的视频对象移除篡改检测方法
CN111222434A (zh) 基于局部二值模式和深度学习的合成人脸图像取证方法
CN110166484A (zh) 一种基于LSTM-Attention网络的工业控制系统入侵检测方法
CN103761742B (zh) 一种基于同质指数的高光谱遥感图像稀疏解混方法
RU2012152447A (ru) Выполняемый в окне статистический анализ для обнаружения аномалий в наборах геофизических данных
Zhang et al. Automatic velocity picking based on deep learning
JP6751937B2 (ja) 打音診断装置及び診断方法
CN110245651B (zh) 质量智能检测方法及相关装置
CN109100627A (zh) 一种基于端到端模式的电力设备局部放电故障诊断方法
CN104298992A (zh) 一种基于数据驱动的自适应尺度行人重识别方法
CN106157232A (zh) 一种数字图像特征感知的通用隐写分析方法
CN115685072B (zh) 基于多分类模型的密闭腔体内部不稳定声发射源定位方法
CN114049305B (zh) 基于改进ALI和Faster-RCNN的配电线路销钉缺陷检测方法
CN108919067A (zh) 一种用于gis局部放电模式的识别方法
CN113252790A (zh) 基于宽卷积与循环神经网络的磁瓦内部缺陷检测方法
CN111008570B (zh) 一种基于压缩-激励伪三维网络的视频理解方法
CN109598245B (zh) 基于1d-cnn的食用油横向弛豫衰减曲线信号特征提取方法
CN100465997C (zh) 基于元胞自动机的图像边缘检测算法
CN112415514B (zh) 一种目标sar图像生成方法及装置
CN107180419B (zh) 一种基于pca网络的中值滤波检测方法
CN116881643A (zh) 一种传感数据深度信号补全方法和装置
CN117054754A (zh) 一种基于目标检测模型的快速射电暴信号搜寻方法
CN109543571A (zh) 一种面向复杂产品异形加工特征的智能识别与检索方法

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