CN112730628A - 一种基于不平等距离优化聚类算法的伤损裂纹声发射信号检测方法 - Google Patents

一种基于不平等距离优化聚类算法的伤损裂纹声发射信号检测方法 Download PDF

Info

Publication number
CN112730628A
CN112730628A CN202110155082.7A CN202110155082A CN112730628A CN 112730628 A CN112730628 A CN 112730628A CN 202110155082 A CN202110155082 A CN 202110155082A CN 112730628 A CN112730628 A CN 112730628A
Authority
CN
China
Prior art keywords
signal
acoustic emission
noise
distance
feature
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
Application number
CN202110155082.7A
Other languages
English (en)
Other versions
CN112730628B (zh
Inventor
章欣
常永祺
郝秋实
宋树帜
沈毅
王艳
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Publication of CN112730628A publication Critical patent/CN112730628A/zh
Application granted granted Critical
Publication of CN112730628B publication Critical patent/CN112730628B/zh
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
    • G01N29/14—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 using acoustic emission techniques
    • 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
    • G01N29/46—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by spectral analysis, e.g. Fourier analysis or wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/26—Scanned objects
    • G01N2291/262—Linear objects
    • G01N2291/2623—Rails; Railroads

Landscapes

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

Abstract

一种基于不平等距离优化聚类算法的伤损裂纹声发射信号检测方法，涉及伤损裂纹信号处理与检测领域的方法，解决了传统裂纹信号检测方法速度慢、效率低的问题。本发明的步骤为：一、加载原始声发射信号，获得噪声声发射信号；二、对噪声声发射信号提取γ倒谱系数特征，依据自适应鲁棒系数对其进行筛选；三、将噪声信号特征聚类，计算各特征到各聚类质心的距离，计算各聚类的不平等优化距离值；提取待测声发射信号的γ倒谱系数特征，依照步骤二选择待测信号特征，计算各特征到各聚类质心的距离，依据不平距离优化判别算法，判别待测信号。本发明运算速率快，检测精度高。在高铁钢轨与车轮伤损裂纹检测领域，具有很高的社会意义和经济价值。

Description

一种基于不平等距离优化聚类算法的伤损裂纹声发射信号检 测方法
技术领域
本发明涉及钢轨裂纹信号处理与检测领域的方法，具体涉及一种基于不平等距离优化聚类算法的伤损裂纹声发射信号检测方法。
背景技术
自2003年中国第一条高速铁路秦沈客运专线开通以来，中国高铁事业开始飞速跨越，17年间，高铁版图一再扩容，遍布祖国大好河山，沟通南北，横亘东西。近些年，高铁更是走出国门，成为中国制造一张靓丽的名片。面对高铁交错复杂的线路、里程数大等现状，保障高速铁路安全、稳定、可靠的运行将是后期铁路安全工作的重中之重，探索新的钢轨伤损检测方法并提高检测速度具有重要意义。
目前，主要的伤损裂纹检测方法有超声检测、漏磁检测、涡流检测和视觉检测等。上述检测方法原理和特点各不相同，被广泛应用于伤损裂纹检测领域，然而也存在许多不足之处。超声检测方法因为需要在检测探头与被测物之间添加耦合剂，导致检测速度变慢，检测效率因此受到严重影响。漏磁检测技术伤损裂纹检测速度快，但是往往受到物理机制的限制，仅仅能够对表面或者浅表层的裂纹进行检测，无法检测内部伤损裂，检测精度较低；涡流检测技术能可以检测内部伤损裂纹，并且检测效率高，检测过程简单，然而涡流检测方法应用局限性大，只适用于横截面存在较大裂纹的物体伤损检测；视觉检测应用广泛，但是检测精度远远低于其他几种方法。近年来，声发射检测方法越来越受到人们的重视，该方法是一种被动式监测方法，能够实时监测钢轨的伤损状态，但由于列车运行过程中存在巨大的噪声干扰，使该方法的检测精度较低，容易对噪声形成误判，为此提出一种能够克服噪声干扰具有较高检测精度的伤损检测方法具有重要意义。
本发明基于不平等距离优化聚类算法，结合γ倒谱系数(Gammatone CepstralCoefficients，GTCC)特征信息，对特征信息聚类分析，并计算各样本点与各聚类质心距离，设定各聚类质心判定优化距离值，依据不平距离优化判别算法，达到区分噪声干扰与裂纹伤损信号的目的，完成伤损声发射信号检测，从而提高了钢轨裂纹伤损的检测精度。
发明内容
本发明的目的在于提出一种基于不平等距离优化聚类算法的伤损裂纹声发射信号检测方法。提高了钢轨裂纹声发射信号的检测精度。
本发明的目的是通过以下技术方案实现的：首先，利用γ倒谱系数特征对声信号敏感的特点，从噪声声发射信号中提取γ倒谱系数特征，并根据自适应鲁棒系数对特征进行筛选处理，得到鲁棒性强的低维γ倒谱系数特征；而后，对筛选后特征进行聚类处理，聚类为K个簇，计算各特征到K簇中各聚类质心的距离，并计算每个簇聚类质心的不平等优化距离值；最后，提取待检测声发射信号的γ倒谱系数特征，并依据噪声声发射信号筛选特征序号，选择待测声发射信号的筛选特征，计算各特征到K簇中各聚类质心的距离，依据不平距离优化判别算法，判别各个特征是否属于伤损信号，完成伤损声发射信号检测。
本发明的流程图如图1所示，具体步骤如下：
步骤一：加载包含伤损裂纹与噪声的声发射信号
Figure BDA0002934404750000021
从中选取多段噪声声发射信号样本，并将它们在时间维度上，连接成一段较长的噪声声发射信号，记为
Figure BDA0002934404750000022
具体步骤如下：
1)加载包含伤损裂纹与噪声的声发射信号
Figure BDA0002934404750000023
其中N0代表信号长度，即采样点个数；
2)从
Figure BDA0002934404750000024
中选取多段噪声声发射信号样本，并将它们在时间维度上，连接成一段较长的噪声声发射信号，记为
Figure BDA0002934404750000025
其中N1代表该信号长度，即采样点个数。
步骤二：对噪声声发射信号
Figure BDA0002934404750000026
提取γ倒谱系数特征，获得多维特征
Figure BDA0002934404750000027
代表计算特征后的信号
Figure BDA0002934404750000028
的特征点数目，依据自适应鲁棒系数对其进行特征筛选，选择稳定性更高的特征
Figure BDA0002934404750000029
具体步骤如下：
1)对声发射信号
Figure BDA00029344047500000210
采用移动时间窗口在信号上移动，并对移动窗口中的每段信号计算γ倒谱系数特征，窗口长度设置为Nw，得到特征
Figure BDA00029344047500000211
H1代表特征维数。其中，γ倒谱系数特征包含GTCC系数、一阶差分GTCC系数、二阶差分GTCC系数各
Figure BDA00029344047500000212
维；
2)对获得的H1维γ倒谱系数特征进行筛选，本发明提出自适应鲁棒系数作为筛选条件。对于任意一维的γ倒谱系数特征序列
Figure BDA00029344047500000213
同时对应的时间序列为
Figure BDA00029344047500000214
代表时间
Figure BDA00029344047500000215
处的特征值；
首先采用移动平均法把特征参数序列分为平稳趋势项和随机余量项两个部分：
Figure BDA00029344047500000216
其中，
Figure BDA00029344047500000217
代表特征的平稳趋势部分，而
Figure BDA00029344047500000218
则表示特征的随机余量部分。然后计算特征的鲁棒系数：
Figure BDA00029344047500000219
其中
Figure BDA00029344047500000220
3)根据上式，分别计算得到H1维中每一维特征的鲁棒系数，记为
Figure BDA00029344047500000221
i0＝1，2，...，H1。提出自适应鲁棒系数阈值，并与H1维特征的鲁棒系数比较，选取鲁棒系数大于鲁棒系数阈值的特征，选取后的特征维数为H2维，记筛选后获得的特征为
Figure BDA00029344047500000222
判别公式如下：
Figure BDA00029344047500000223
i0＝1，2，...，H1；
其中，θRob为自适应鲁棒系数阈值，通常根据实验经验选取。
步骤三：将噪声信号特征
Figure BDA0002934404750000031
聚类划分为K个簇，计算各特征到K簇中各聚类质心的距离，并计算每个簇聚类质心的不平等优化距离值；提取一段待检测声发射信号
Figure BDA0002934404750000032
的γ倒谱系数特征，并依照步骤二中筛选获得的特征序号选择
Figure BDA0002934404750000033
的特征
Figure BDA0002934404750000034
代表计算特征后的信号
Figure BDA0002934404750000035
的特征点数目；计算各特征到K簇中各聚类质心的距离，依据不平等距离优化判别算法，判别各个特征是否属于伤损信号，完成伤损声发射信号检测，具体步骤如下：
1)从特征
Figure BDA0002934404750000036
中随机选取K个点作为初始聚类中心{c1，c2，...，cK}，即特征
Figure BDA0002934404750000037
被聚类成K个簇，记为B＝{B1，B2，...，BK}；
2)计算各特征点到指定质心的距离：
Figure BDA0002934404750000038
其中，
Figure BDA0002934404750000039
j1＝1，2，...，K；
3)利用下式进行每个簇的质心更新，并重复进行2)到3)步，直到质心位置不再发生变化：
Figure BDA00029344047500000310
其中，j2＝1，2，...，K，最终得到的质心记为
Figure BDA00029344047500000311
各个簇中所包含的特征分别记为
Figure BDA00029344047500000312
其中
Figure BDA00029344047500000313
4)计算每个簇的特征点到其簇质心的距离，确定其中距离的最大值：
Figure BDA00029344047500000314
Figure BDA00029344047500000315
其中i3＝1，2，...，K，
Figure BDA00029344047500000316
5)设定每个簇聚类质心的不平等优化距离值，对于K个聚类，待检测信号特征属于该簇聚类的判定优化距离值为：
Figure BDA00029344047500000317
Figure BDA00029344047500000318
其中，p＝1，2，...，K，
Figure BDA00029344047500000319
αp代表噪声抑制系数，根据噪声情况实时调节；
6)在移动时间窗口处理下提取待检测声发射信号
Figure BDA00029344047500000320
的γ倒谱系数特征，并依照步骤二中筛选获得的特征序号选择
Figure BDA00029344047500000321
的特征，记为
Figure BDA00029344047500000322
计算各个特征与K个簇中每个簇质心的距离，依据下式获取该待检测信号各特征的簇编号：
Figure BDA0002934404750000041
其中，i4＝1，2，...，K，
Figure BDA0002934404750000042
7)进一步在获取待检测信号各特征簇编号的情况下，根据5)中的不平等优化距离值进行不平距离优化判别，判别方法如下式：
Figure BDA0002934404750000043
如果计算结果R为1，则该特征属于伤损裂纹信号；反之，则属于噪声信号。判别各个特征是否属于伤损信号，完成伤损声发射信号检测。
本发明与现有技术相比具有如下优点：
本发明采用γ倒谱系数特征来表征包含伤损裂纹的声发射信号的辨识性信息，以此达到排除噪声干扰的目的。此外，基于γ倒谱系数特征具有多维信息的特点，提出自适应鲁棒系数方法，筛选获得具有高鲁棒性的低维特征，降低特征维度减少数据运算量，节约时间成本，增加信号检测速率。
同时，本发明提出基于不平等距离的优化聚类算法，将噪声声发射信号的特征参数以相似性为基础，划分为多个簇；依据各个簇特征参数到各簇质心距离，计算每个簇聚类质心的不平等优化距离值；根据噪声信号与伤损信号的差异性，并依据不平距离优化判别算法对待检测声发射信号进行伤损检测。
目前已有的伤损裂纹检测方法仅仅适用于实验室运行数据，这些数据往往只添加了几种已知的噪声信号。然而实际情况下的伤损裂纹信号含有大量的噪声干扰，有用信息湮没其中。同时已有的伤损裂纹检测方法运算效率低下，耗时巨大。本发明提出的基于不平等距离的聚类算法能够将各种已知噪声与伤损裂纹信号分离，从而提高伤损信号检测精度，满足实际工作生产中的检测高速率与精度的要求。
附图说明
图1为本发明方法的流程图。
图2为噪声发射信号时频图。
图3为待测声发射信号时频图。
图4为信号检测不平等优化距离图
图5为信号检测示例图
具体实施方式
下面结合钢轨裂纹实测与仿真信号数据说明本发明的具体实施方式：
执行步骤一：加载包含伤损裂纹的声发射信号
Figure BDA0002934404750000051
信号采样率5MHz此时N0＝2867200。获得多段噪声信号，并在时间维度上连接成较长的声发射信号
Figure BDA0002934404750000052
此时N1＝503937，信号如图2所示。
执行步骤二：在移动时间窗口处理下，对声发射信号
Figure BDA0002934404750000053
提取γ倒谱系数特征，记为M11855×39，即获得39维特征后，其中GTCC系数、一阶差分GTCC系数、二阶差分GTCC系数各13维。计算39维γ倒谱系数特征的鲁棒系数，结果如表1所示。
表1聚类γ倒谱系数各维鲁棒系数
维数 1 2 3 4 5 6 7 8
鲁棒系数 0.9861 0.9820 0.7854 0.7804 0.6498 0.6551 0.5348 0.6062
维数 9 10 11 12 13 14 15 16
鲁棒系数 0.5531 0.4962 0.4963 0.5034 0.5013 0.6261 0.6240 0.6310
维数 17 18 19 20 21 22 23 24
鲁棒系数 0.6245 0.6282 0.6208 0.6252 0.6301 0.6246 0.6083 0.6189
维数 25 26 27 28 29 30 31 32
鲁棒系数 0.6241 0.6169 0.7094 0.7102 0.7145 0.7110 0.7095 0.7116
维数 33 34 35 36 37 38 39
鲁棒系数 0.7094 0.7075 0.7118 0.7011 0.7051 0.7101 0.7027
此时设定自适应鲁棒系数为0.9，从表1中可以发现第1、2共2维特征的鲁棒系数超过0.9，所以选择这2维稳定性更好的γ倒谱系数特征M11855×2作进行后续实验。
执行步骤三：从γ倒谱系数特征M11855×2随机选取5个特征点，作为初始聚类质心。计算各特征点到各初始聚类质心的距离，重复计算质心位置直至质心不再发生变化。此时γ倒谱系数特征M11855×2被聚类划分为5类，分别为M1506×2、M2575×2、M2988×2、M1443×2和M3343×2。接下来分别计算各聚类特征点到各聚类质心的距离，基于
Figure BDA0002934404750000054
的计算公式，确定各聚类特征点到各聚类质心的距离最大值，并以此设定5簇聚类各质心的判定优化距离值τp，此时的噪声抑制系数αp均设定为0.35。
接下来，加载一段待检测声发射信号
Figure BDA0002934404750000055
N2＝2047745，信号如图3所示。在移动时间窗口处理下，提取
Figure BDA0002934404750000056
的γ倒谱系数特征M8000×39，依据步骤二中噪声信号特征筛选序号，选择第1、2共2维γ倒谱系数特征M8000×2。
计算M8000×2中各特征点到上述5个聚类中各聚类质心的距离，获取各特征点的类别编号，及其相应类别编号下的距离值，依据不平等优化距离值进行不平距离优化判别，不平等优化距离值如图4所示，这样就完成了对待测信号各个特征点的判别，如图5中给出了待测信号的判别结果，图中标出位置为判别结果为1的位置，即伤损裂纹信号。

Claims (4)

1.一种基于不平等距离优化聚类算法的伤损裂纹声发射信号检测方法，其特征在于它包括以下步骤：
步骤一：加载包含伤损裂纹与噪声的声发射信号
Figure FDA0002934404740000011
从中选取多段噪声声发射信号样本，并将它们在时间维度上，连接成一段较长的噪声声发射信号，记为
Figure FDA0002934404740000012
步骤二：对噪声声发射信号
Figure FDA0002934404740000013
提取γ倒谱系数特征，获得多维特征
Figure FDA0002934404740000014
Figure FDA0002934404740000015
代表计算特征后的信号
Figure FDA0002934404740000016
的特征点数目，依据自适应鲁棒系数对其进行特征筛选，选择稳定性更高的特征
Figure FDA0002934404740000017
步骤三：将噪声信号特征
Figure FDA0002934404740000018
聚类划分为K个簇，计算各特征到K簇中各聚类质心的距离，并计算每个簇聚类质心的不平等优化距离值；提取一段待检测声发射信号
Figure FDA0002934404740000019
的γ倒谱系数特征，并依照步骤二中筛选获得的特征序号选择
Figure FDA00029344047400000110
的特征
Figure FDA00029344047400000111
Figure FDA00029344047400000112
代表计算特征后的信号
Figure FDA00029344047400000113
的特征点数目；计算各特征到K簇中各聚类质心的距离，依据不平等距离优化判别算法，判别各个特征是否属于伤损信号，完成伤损声发射信号检测。
2.根据权利要求1所述的基于不平等距离优化聚类算法的伤损裂纹声发射信号检测方法，其特征在于所述的步骤一具体包括：
1)加载包含伤损裂纹与噪声的声发射信号
Figure FDA00029344047400000114
其中N0代表信号长度，即采样点个数；
2)从
Figure FDA00029344047400000115
中选取多段噪声声发射信号样本，并将它们在时间维度上，连接成一段较长的噪声声发射信号，记为
Figure FDA00029344047400000116
其中N1代表该信号长度，即采样点个数。
3.根据权利要求1所述的基于不平等距离优化聚类算法的伤损裂纹声发射信号检测方法，其特征在于所述的步骤二具体包括：
1)对声发射信号
Figure FDA00029344047400000117
采用移动时间窗口在信号上移动，并对移动窗口中的每段信号计算γ倒谱系数特征，窗口长度设置为Nw，得到特征
Figure FDA00029344047400000118
H1代表特征维数，其中，γ倒谱系数特征包含GTCC系数、一阶差分GTCC系数、二阶差分GTCC系数各
Figure FDA00029344047400000119
维；
2)对获得的H1维γ倒谱系数特征进行筛选，本发明提出自适应鲁棒系数作为筛选条件，对于任意一维的γ倒谱系数特征序列
Figure FDA00029344047400000120
同时对应的时间序列为
Figure FDA00029344047400000121
Figure FDA00029344047400000122
代表时间
Figure FDA00029344047400000123
处的特征值；
首先采用移动平均法把特征参数序列分为平稳趋势项和随机余量项两个部分：
Figure FDA00029344047400000124
其中，
Figure FDA00029344047400000125
代表特征的平稳趋势部分，而
Figure FDA00029344047400000126
则表示特征的随机余量部分，然后计算特征的鲁棒系数：
Figure FDA0002934404740000021
其中
Figure FDA0002934404740000022
3)根据上式，分别计算得到H1维中每一维特征的鲁棒系数，记为
Figure FDA0002934404740000023
提出自适应鲁棒系数阈值，并与H1维特征的鲁棒系数比较，选取鲁棒系数大于鲁棒系数阈值的特征，选取后的特征维数为H2维，记筛选后获得的特征为
Figure FDA0002934404740000024
判别公式如下：
Figure FDA0002934404740000025
其中，θRob为自适应鲁棒系数阈值，通常根据实验经验选取。
4.根据权利要求1所述的基于不平等距离优化聚类算法的伤损裂纹声发射信号检测方法，其特征在于所述的步骤三具体包括：
1)从特征
Figure FDA0002934404740000026
中随机选取K个点作为初始聚类中心{c1，c2，...，cK}，即特征
Figure FDA0002934404740000027
被聚类成K个簇，记为B＝{B1，B2，...，BK}；
2)计算各特征点到指定质心的距离：
Figure FDA0002934404740000028
其中，
Figure FDA0002934404740000029
3)利用下式进行每个簇的质心更新，并重复进行2)到3)步，直到质心位置不再发生变化：
Figure FDA00029344047400000210
其中，j2＝1，2，...，K，最终得到的质心记为
Figure FDA00029344047400000211
各个簇中所包含的特征分别记为
Figure FDA00029344047400000212
其中
Figure FDA00029344047400000213
4)计算每个簇的特征点到其簇质心的距离，确定其中距离的最大值：
Figure FDA00029344047400000214
Figure FDA00029344047400000215
其中i3＝1，2，...，K，
Figure FDA00029344047400000216
5)设定每个簇聚类质心的不平等优化距离值，对于K个聚类，待检测信号特征属于该簇聚类的判定优化距离值为：
Figure FDA00029344047400000217
Figure FDA0002934404740000031
其中，p＝1，2，...，K，
Figure FDA0002934404740000032
αp代表噪声抑制系数，根据噪声情况实时调节；
6)在移动时间窗口处理下提取待检测声发射信号
Figure FDA0002934404740000033
的γ倒谱系数特征，并依照步骤二中筛选获得的特征序号选择
Figure FDA0002934404740000034
的特征，记为
Figure FDA0002934404740000035
计算各个特征与K个簇中每个簇质心的距离，依据下式获取该待检测信号各特征的簇编号：
Figure FDA0002934404740000036
其中，i4＝1，2，...，K，
Figure FDA0002934404740000037
7)进一步在获取待检测信号各特征簇编号的情况下，根据5)中的不平等优化距离值进行不平距离优化判别，判别方法如下式：
Figure FDA0002934404740000038
如果计算结果R为1，则该特征属于伤损裂纹信号；反之，则属于噪声信号；判别各个特征是否属于伤损信号，完成伤损声发射信号检测。
CN202110155082.7A 2020-11-09 2021-02-04 一种基于不平等距离优化聚类算法的伤损裂纹声发射信号检测方法 Active CN112730628B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202011242659X 2020-11-09
CN202011242659.XA CN112362753A (zh) 2020-11-09 2020-11-09 一种基于不平等距离优化聚类算法的伤损裂纹声发射信号检测方法

Publications (2)

Publication Number Publication Date
CN112730628A true CN112730628A (zh) 2021-04-30
CN112730628B CN112730628B (zh) 2022-06-03

Family

ID=74509235

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202011242659.XA Withdrawn CN112362753A (zh) 2020-11-09 2020-11-09 一种基于不平等距离优化聚类算法的伤损裂纹声发射信号检测方法
CN202110155082.7A Active CN112730628B (zh) 2020-11-09 2021-02-04 一种基于不平等距离优化聚类算法的伤损裂纹声发射信号检测方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202011242659.XA Withdrawn CN112362753A (zh) 2020-11-09 2020-11-09 一种基于不平等距离优化聚类算法的伤损裂纹声发射信号检测方法

Country Status (1)

Country Link
CN (2) CN112362753A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117647590A (zh) * 2023-12-07 2024-03-05 哈尔滨工业大学 基于改进局部均值分解和倒谱系数的钢轨裂纹检测方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113159139B (zh) * 2021-04-01 2022-08-09 哈尔滨工业大学 一种基于改进声发射密度聚类的伤损状态诊断方法
CN117007688B (zh) * 2023-08-07 2024-05-28 郑州大学 一种桥梁预应力钢束损伤声发射监测噪声实时滤除方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09325183A (ja) * 1996-06-04 1997-12-16 Tech Res & Dev Inst Of Japan Def Agency モード固有値計測方法
CN101017155A (zh) * 2006-02-07 2007-08-15 哈尔滨工业大学 管节点焊缝超声相控阵检测成像系统
CN101883424A (zh) * 2010-04-23 2010-11-10 哈尔滨工业大学 基于近邻点数优化的wlan室内knn定位方法
CN103808810A (zh) * 2014-03-14 2014-05-21 哈尔滨工业大学 一种基于小波时频图和群速度曲线的钢轨裂纹声发射特征提取方法
CN104777230A (zh) * 2015-04-16 2015-07-15 哈尔滨工业大学 一种基于声发射技术的车载移动式高速铁路钢轨伤损检测系统与检测方法
CN104897403A (zh) * 2015-06-24 2015-09-09 北京航空航天大学 一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法
CN104977357A (zh) * 2015-08-04 2015-10-14 哈尔滨工业大学 一种基于卡尔曼滤波的钢轨裂纹声发射信号与提取去噪方法
CN105134619A (zh) * 2015-09-28 2015-12-09 北京航空航天大学 一种基于小波能量、流形降维和动态时间规整的故障诊断与健康评估方法
CN106645424A (zh) * 2016-12-09 2017-05-10 四川西南交大铁路发展股份有限公司 一种钢轨裂纹在线监测噪声滤除和裂纹判定方法及其系统
CN110852138A (zh) * 2018-08-21 2020-02-28 北京图森未来科技有限公司 一种图像数据中物体的标注方法和装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09325183A (ja) * 1996-06-04 1997-12-16 Tech Res & Dev Inst Of Japan Def Agency モード固有値計測方法
CN101017155A (zh) * 2006-02-07 2007-08-15 哈尔滨工业大学 管节点焊缝超声相控阵检测成像系统
CN101883424A (zh) * 2010-04-23 2010-11-10 哈尔滨工业大学 基于近邻点数优化的wlan室内knn定位方法
CN103808810A (zh) * 2014-03-14 2014-05-21 哈尔滨工业大学 一种基于小波时频图和群速度曲线的钢轨裂纹声发射特征提取方法
CN104777230A (zh) * 2015-04-16 2015-07-15 哈尔滨工业大学 一种基于声发射技术的车载移动式高速铁路钢轨伤损检测系统与检测方法
CN104897403A (zh) * 2015-06-24 2015-09-09 北京航空航天大学 一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法
CN104977357A (zh) * 2015-08-04 2015-10-14 哈尔滨工业大学 一种基于卡尔曼滤波的钢轨裂纹声发射信号与提取去噪方法
CN105134619A (zh) * 2015-09-28 2015-12-09 北京航空航天大学 一种基于小波能量、流形降维和动态时间规整的故障诊断与健康评估方法
CN106645424A (zh) * 2016-12-09 2017-05-10 四川西南交大铁路发展股份有限公司 一种钢轨裂纹在线监测噪声滤除和裂纹判定方法及其系统
CN110852138A (zh) * 2018-08-21 2020-02-28 北京图森未来科技有限公司 一种图像数据中物体的标注方法和装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
XIN ZHANG ET AL.,: "Antenna array design by a contraction adaptive particle swarm optimization algorithm", 《JOURNAL ON WIRELESS COMMUNICATIONS AND NETWORKING》 *
XIN ZHANG ET AL.,: "Antenna array design by a contraction adaptive particle swarm optimization algorithm", 《JOURNAL ON WIRELESS COMMUNICATIONS AND NETWORKING》, no. 57, 31 December 2019 (2019-12-31), pages 1 - 7 *
章欣: "基于声发射技术的钢轨伤损检测与判别研究", 《中国博士虚伪论文全文数据库 工程科技II辑》 *
章欣: "基于声发射技术的钢轨伤损检测与判别研究", 《中国博士虚伪论文全文数据库 工程科技II辑》, no. 3, 15 March 2016 (2016-03-15), pages 033 - 2 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117647590A (zh) * 2023-12-07 2024-03-05 哈尔滨工业大学 基于改进局部均值分解和倒谱系数的钢轨裂纹检测方法

Also Published As

Publication number Publication date
CN112362753A (zh) 2021-02-12
CN112730628B (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
CN112730628B (zh) 一种基于不平等距离优化聚类算法的伤损裂纹声发射信号检测方法
CN107316046B (zh) 一种基于增量补偿动态自适应增强的故障诊断方法
CN110070060B (zh) 一种轴承设备的故障诊断方法
CN111504644B (zh) 基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN110120218A (zh) 基于gmm-hmm的高速公路大型车辆识别方法
CN112215803B (zh) 一种基于改进生成对抗网络的铝板电涡流检测图像缺陷分割方法
CN113838054A (zh) 基于人工智能的机械零件表面损伤检测方法
CN107199506B (zh) 一种基于栈式自编码器和支持向量机的磨削颤振检测方法
CN112364706A (zh) 一种基于类不平衡的小样本轴承故障诊断方法
CN105575406A (zh) 一种基于似然比测试的噪声鲁棒性的检测方法
CN111707472B (zh) 基于fft和全连接层-svm的滚动轴承故障诊断方法
CN109406147A (zh) 一种变速工况下的列车轴承轨边声学诊断方法
CN111062093B (zh) 一种基于图像处理和机器学习的汽车轮胎寿命预测方法
CN106404893B (zh) 一种轴向漏磁缺陷信号自动检测方法
CN116304549A (zh) 一种隧道健康监测数据小波阈值去噪方法
CN113314142B (zh) 发动机故障检测方法、系统、存储介质及设备
CN108090635B (zh) 一种基于聚类分类的路用性能预测方法
CN107422373B (zh) 一种基于特征漂移的煤矿冲击地压灾害在线预警方法
CN113345443A (zh) 基于梅尔频率倒谱系数的海洋哺乳动物发声检测识别方法
CN113466947A (zh) 一种应用于超导瞬变电磁的坏点自动去除方法
CN107590824B (zh) 基于三维图像处理技术的岩石颗粒识别及位移跟踪方法
CN114970600A (zh) 基于粒化散布熵和优化kelm的滚动轴承故障诊断方法、装置
CN111076933B (zh) 一种机床主轴轴承敏感特征集构建与健康状态识别方法
Deuschle et al. Robust sensor spike detection method based on dynamic time warping

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
CB03 Change of inventor or designer information

Inventor after: Zhang Xin

Inventor after: Chang Yongqi

Inventor after: Hao Qiushi

Inventor after: Song Shuzhi

Inventor after: Shen Yi

Inventor after: Wang Yan

Inventor after: Li Xiaofeng

Inventor before: Zhang Xin

Inventor before: Chang Yongqi

Inventor before: Hao Qiushi

Inventor before: Song Shuzhi

Inventor before: Shen Yi

Inventor before: Wang Yan

CB03 Change of inventor or designer information