CN115754006B - 一种基于时间序列排列模式分布的声发射事件检测方法 - Google Patents
一种基于时间序列排列模式分布的声发射事件检测方法 Download PDFInfo
- Publication number
- CN115754006B CN115754006B CN202211092323.9A CN202211092323A CN115754006B CN 115754006 B CN115754006 B CN 115754006B CN 202211092323 A CN202211092323 A CN 202211092323A CN 115754006 B CN115754006 B CN 115754006B
- Authority
- CN
- China
- Prior art keywords
- acoustic emission
- time
- difference
- window
- sequence
- 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
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 137
- 238000001514 detection method Methods 0.000 title claims abstract description 72
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 59
- 230000008569 process Effects 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 4
- 241001334134 Rugopharynx epsilon Species 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 13
- 230000003044 adaptive effect Effects 0.000 description 9
- 238000003860 storage Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009863 impact test Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- RVRCFVVLDHTFFA-UHFFFAOYSA-N heptasodium;tungsten;nonatriacontahydrate Chemical compound O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W] RVRCFVVLDHTFFA-UHFFFAOYSA-N 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一种基于时间序列排列模式分布的声发射事件检测方法,包括以下步骤:步骤一:信号采集与信号预处理;步骤二:时间序列相空间重构并构造排列模式与符号相空间;步骤三:获取排列模式分布;步骤四:构造差异性度量指标,计算相对差异度与瞬时差异度;步骤五:声发射事件定性检测;步骤六:声发射事件到达时间与结束时间估计;步骤七:声发射事件数量的估计。
Description
技术领域
本发明涉及基于声发射的无损检测领域,特别是涉及一种声发射信号中事件检测方法,更具体地涉及利用时间序列的排列模式分布差异检测声发射信号中的有效信息,包括识别声发射事件数量、事件开始时间和结束时间的方法。
背景技术
声发射是一种在物理介质中由于塑性变形、摩擦和裂纹尖端扩展等机制产生的,材料局部因能量的快速释放而发出瞬态弹性波的现象,当声发射事件发生时,会导致材料内部的一个或多个局部源的能量释放,它可以提供受压组件中裂纹形成和扩展等信息。声发射监测是一种有效的结构健康监测技术,目前已经广泛应用于众多领域。然而,声发射事件的发生通常是随机的、小概率的,另外,声发射信号的采集频率非常高,如何在采集到的海量数据中对单个声发射事件准确地检测分离,是事件分析的首要任务,通过对声发射事件的分离存储还可以降低检测系统的维护成本。
对声发射事件的检测包含三个任务:事件数量的估计、事件到达时间以及事件结束时间的确定。其中,到达时间点可以被描述为特定相位的第一个有效能量被传感器记录的时刻或者是最先观察到与噪声具有显著区别的时间点,结束时间表示从事件到达开始直至传感器记录的最后一个特定相位的有效能量或者最后一个与噪声具有显著区别的时间点。由于事件到达时间的准确估计与声发射事件的定位精度密切相关,现阶段对于结束时间确定的研究相当欠缺,当同时含有多个声发射事件时,对结束时间的确定是重要且关键的。此外,这些方法大多数是基于波形的时域特征,在噪声环境下,时域信息会淹没在噪声中。近年来,声发射监测技术已经不局限于桥梁结构等静态监测场景,在加工状态监测、增材制造等过程监控场景中也被应用。在这些场景中采集到的信号不仅包含其他设备的噪声,同时它们表现出非线性和非平稳性的特点。因此,构建一种对噪声具有鲁棒性,适用于非线性非平稳性信号的声发射事件检测方法是非常有必要的。
发明内容
为了解决本领域的上述问题,本发明的实施方式提供了一种基于时间序列排列模式分布的声发射事件检测方法,其中该方法基于时间序列排列模式分布差异性度量,同时考虑相对信息和绝对信息的声发射事件。排列模式可以直接作用于原始时间序列,不需要进行数据变换,概念简单且计算时间快,适用于高频高速采集的声发射信号,排列模式适用于非线性非平稳信号,可以克服传统基于时域波形方法在处理过程监测信号中的不足。差异性度量是一种基于排列模式相对频率的特征评价指标,能够检测排列模式分布的差异性,从而识别时间序列所处状态,以检测声发射事件是否发生。基于此,本发明实施方式提供了一种基于排列模式分布差异性度量的声发射事件检测方法,将采集到的高频声发射信号,通过滑动窗口进行相空间重构得到时间序列的排列模式及其分布。在此基础上构造差异性度量指标,考虑相对信息和绝对信息,计算相对差异度和瞬时差异度,融合两种信息对序列中声发射事件数量进行估计,提出了基于瞬时差异度的一阶导数序列的后向搜索方法对事件到达时间进行估计,提出基于自适应阈值的相对差异度方法确定事件的结束时间。根据本发明的实施方式提供的该方法可以对含有多个声发射事件的序列进行连续检测。通过在海量信号中提取有效信号,可以为后续对材料结构的损伤监测等提供依据。
根据本发明的实施方式提供了一种基于时间序列排列模式分布的声发射事件检测方法,其特征在于包括以下步骤:
步骤一:信号采集与信号预处理:使用数据采集系统获取原始声发射序列,向原始序列中添加微弱噪声,根据设定的窗口参数使用滑动窗口对时间序列进行划分;
步骤二:时间序列相空间重构并构造排列模式与符号相空间:对滑动窗口内的一维声发射序列,通过特征参数构造原始相空间形式,获得原始相空间排列模式,并将原始相空间映射到符号相空间;
步骤三:获取排列模式分布:统计符号相空间中各种排列模式出现的次数,对应的相对频率分布即为排列模式分布;
步骤四:构造差异性度量指标,计算相对差异度与瞬时差异度:建立差异性度量函数,计算不同窗口之间排列模式分布的差异性,计算不同窗口时间序列的排列模式差异性,构造相对差异度与瞬时差异度;
步骤五:声发射事件定性检测:根据经验预先设置相对差异度阈值,计算时间序列各个窗口的相对差异度,并将其与相对差异度阈值进行比较,记录从起始时间点开始,第一个相对差异度大于相对差异度阈值的时间,如果没有检测到相对差异度大于相对差异度阈值的时间,表示无声发射事件发生,结束事件检测流程,如果检测到相对差异度大于相对差异度阈值的时间,则判断从该时间往后连续的时间内相对差异度是否大于相对差异度阈值,若检测到从该往后的连续时间内存在相对差异度不大于(即小于或等于)相对差异度阈值的情况,表示所检测到的可能为异常值,并以在该往后的连续时间内检测到的相对差异度小于或等于相对差异度阈值的时间点作为新的起始时间点且重复步骤五的前述流程,若检测到该往后的连续的时间内的相对差异度均大于相对差异度阈值,则继续检测并记录最后一个大于相对差异度阈值的时间作为该单个事件的结束时间点,在该结束时间与到达时间之间的相对差异度均大于相对差异度阈值,将检测到的到达时间点和结束时间点作为单个事件的到达时间和结束时间的初步估计,并令声发射事件数量加一;
步骤六:声发射事件的到达时间与结束时间估计:针对单个声发射事件,找到瞬时差异度最大的窗口并进行后向搜索,构造瞬时差异度的一阶导数序列,在一阶导数序列进行后向搜索,找到最后一个值大于0对应的窗口作为到达时间窗口估计,基于声发射事件到达前的噪声序列构建自适应相对差异度阈值,从瞬时差异度最大的窗口前向搜索,在搜索到的窗口的相对差异度值小于所述自适应相对差异度阈值时,该窗口作为估计的声发射事件的结束时间;
步骤七:声发射事件数量的估计:重复以上步骤五、步骤六,其中步骤五中的起始窗口为步骤六中估计的声发射事件的结束时间,当遍历完时间序列时,声发射事件的检测流程结束,输出该序列的声发射事件数量。
在可选的实施方式中,所述的基于时间序列排列模式分布的声发射事件检测方法还可包括:所述步骤一中所述的窗口参数包括窗口大小N和窗口不重叠系数T,其中,窗口大小N表示短时间序列包含的数据点的个数,选择N的值小于声发射事件的持续时间的1/10,同时满足N>5m!,m指嵌入维度,且其中,窗口不重叠系数T表示相邻窗口没有重叠的点的数量,其值可预先设定,该T的值越大表示相邻窗口内不重叠的数据点越多,最大值可取为滑动窗口的大小,此时表示相邻窗口没有重叠的点,
对于长度为L的时间序列
X{xi},i∈1,…,L,
其中,xi表示每一个数据点,X表示时间序列也即数据点的集合,长度L表示时间序列的长度,
其中一个滑动窗口表示为
式中,其中窗口不重叠系数T≤N≤L,/>为声发射时间序列,窗口之间重叠的数据点个数为窗口大小减去窗口不重叠系数即N–T,当T=N时,相邻窗口之间没有重叠。
在可选的实施方式中,所述的基于时间序列排列模式分布的声发射事件检测方法还可包括:步骤二中所述的特征参数,指对滑动窗口内的一维时间序列进行相空间重构所使用的参数,包含嵌入维度m和延迟时间τ,
其中,嵌入维度m表示相空间重构的维度,决定了重构相空间的结构,嵌入维度m与步骤一中的窗口大小N满足N>5m!,
通过不同的延迟时间τ,可以得到同一序列在不同尺度下的动力学信息。
在可选的实施方式中,所述的基于时间序列排列模式分布的声发射事件检测方法,还可包括所述步骤二中所述的通过特征参数构造原始相空间形式指时间序列的重构方法,其进一步包括如下步骤:
对于所述滑动窗口的长度为N的声发射时间序列根据嵌入维度m和延迟时间τ划分为N–(m–1)τ个子序列/>每个子序列的长度为m,这些子序列构造成如下所示的原始相空间/>
式中,且
步骤二中所述的排列模式指根据参数嵌入维度m确定的数据波动模式,
其中,使用数字r∈[0,1,…,m-1]且每个数字仅出现一次的m维元组(r0,r1,…,rm-1)表示排列模式,并将所有排列模式的集合表示为Πm,Πm中一共含有m!种排列模式。
在可选的实施方式中,所述的基于时间序列排列模式分布的声发射事件检测方法,还可包括在所述步骤二中所述的符号相空间,指将原始相空间的每一个子序列映射到排列模式形成的相空间,其进一步包括以下步骤:
定义π:Rm→Πm将原始相空间的每一个子序列
映射到唯一的排列模式
该映射关系满足以下两个条件
1)
2)如果则ri<ri+1
式中,Rm表示m维的实数向量,在这里表示长度为m的子序列,Πm表示排列模式的集合,j为原始相空间子序列的索引,j∈[1,N-(m-1)τ],j∈N+,i在这里表示原始相空间每一个子序列的第一个元素的索引,且
在可选的实施方式中能够,所述的基于时间序列排列模式分布的声发射事件检测方法还可包括步骤三中所述的排列模式分布为时间序列映射到集合Πm各个排列模式的概率分布,其中对于排列模式πj,该排列模式πj的概率p(πj)为:
式中,n表示原始相空间中子序列的数量,即n=N-(m-1),N为窗口大小,m为嵌入维度,即原始相空间子序列的长度,u表示原始相空间的每一个子序列,type(u)表示该子序列的排列模式,定义集合A的指示函数IA(u),用于计算时间序列中指定排列模式的数目,其获得步骤为:
式(3)分别定义了两个指示函数 A(u)是对u:type(u)=πj和u:type(u)∈Πm的统称,/>表示在原始相空间/>中第i个子序列,如果其排列模式为πj,则值为1,否则为0,/>表示在原始相空间/>中第i个子序列,如果其排列模式为属于Πm则值为1,否则为0,
通过计算时间序列在排列模式的集合Πm中所有排列模式的概率即可得到排列模式分布P(m,τ),即含有排列模式概率的向量:
P(m,τ)=[p(π1),p(π2),…,p(πm!)] (5)
在可选的实施方式中,所述的基于时间序列排列模式分布的声发射事件检测方法,还可包括在步骤四中所述的差异性度量函数为一种区分两段处于不同状态的声发射序列可区分性的度量方法,其可以表示为:
式中,Xi和Xj分别表示两个声发射序列,pi,pj分别表示两个声发射序列的排列模式,当r=1时,该差异度函数为曼哈顿距离,该差异度函数为曼哈顿距离,当r=2时,该差异度函数为欧式距离,当r趋近于无穷时,其表示为切比雪夫距离,d(·)值越大表示两个序列的排列模式分布差异越大,越容易区分事件与噪声;
在步骤四中所述的瞬时差异度,是相邻窗口间排列模式分布的差异,对于任意窗口Xj,其瞬时差异度可以根据下式得到:
其中,d(·)表示距离计算,即差异性度量,Pj-1和Pj分别表示窗口Xj-1和窗口Xj的排列模式分布,M表示从原始声发射序列中获得的窗口数量,所述瞬时差异度表示每个相邻窗口之间不断变化的排列模式分布之间的差异性,当声发射事件发生时,对应窗口的排列模式分布相比于前一个窗口会发生明显的变化,即产生较大的瞬时差异度,在无声发射事件时,瞬时差异度只在小范围内波动。
在可选的实施方式中,所述的基于时间序列排列模式分布的声发射事件检测方法,还可包括在所述步骤五中所述的相对差异度,是基于具有一定参考排列模式分布窗口的相似度计算,通过在无声发射事件的时间片段中随机挑选计算得到的排列模式分布定义为参考分布,对于随后的每个窗口,构造排列模式分布,并计算它们与参考分布之间的差异度,其获得步骤为:
其中,Pref表示参考排列模式分布,Pj表示窗口Xj的排列模式分布,M表示从原始声发射序列中获得的窗口数量,相对差异度表示为每个窗口之间不断变化的排列模式分布与参考分布的差异性,含有声发射事件的窗口的排列模式分布与参考分布表现出更大的差异性,而无声发射事件的窗口排列模式分布与参考分布表现出更小的差异性;
步骤五中所述的相对差异度阈值是基于相对差异度能够区分有无声发射事件的固定值,在声发射事件检测之前,可以通过一段不含有声发射事件的时间序列,重复步骤一至步骤五计算得到各个窗口的相对差异度,并以它们的最大值作为相对差异度阈值。
在可选的实施方式中,所述的基于时间序列排列模式分布的声发射事件检测方法,还可包括在步骤六所描述的瞬时差异度的一阶导数序列,表示为相邻两个瞬时差异度的差值,对于瞬时差异度序列:
其一阶导数序列可以表示为:
在声发射事件发生之前,该一阶导数序列各项可能为正的也可能为负值,当声发射事件发生的瞬间,瞬时差异度增大,并在瞬时差异度达到最大值前维持在大于0的状态;
在步骤六所描述的后向搜索是从声发射最大值对应的窗口Xi往Xi-1方向搜索,旨在找到瞬时差异度的一阶导数序列最后一个大于0所在的窗口,并认为其是到达时间所在窗口的估计;
步骤六中所述的自适应相对差异度阈值这是根据实际工作条件,对步骤六获得的相对差异度阈值自适应调整的结果,在声发射事件发生以外的信号认为是噪声序列,根据噪声序列的相对差异度,通过下式对相对差异度阈值进行自适应更新,
RTUadjust=mean(Drelative(noise))+α×std(Drelative(noise)) (9)
其中,mean(Drelative(noise))表示噪声序列相对差异度的平均值,std(Drelative(noise))表示噪声序列相对差异度的标准差,α为标准差的系数。
通过本发明以上实施方式所提供的方法,可以有效检测信噪比低、具有非线性非平稳性声发射信号中的事件,并对到达时间和结束时间进行估计。所提的排列模式概念简单,计算速度快,对噪声具有鲁棒性,能够反映由于声发射事件引起的动力学变化,从而实现对事件的检测。工作人员可以高效的从海量信号中提取有效的内容做进一步的研究,包括复合材料损伤检测、桥梁结构监测等,从而避免损伤、失效引起的安全事故。该方法还可以作为采集系统和储存系统的媒介,通过对采集到的信号进行识别,从而展开间歇性存储,可以降低存储压力和设备的维护成本。
本发明的实施方法至少包括以下的优点。本发明采用基于排列模式分布差异度量的声发射事件检测方法,能够在信噪比低的环境下,从非线性非平稳的声发射信号中,识别事件的数量,并确定事件的到达时间和结束时间。排列模式是一种仅仅考虑相邻值的顺序而不考虑值本身的方法,相比于传统基于时域波形的声发射事件检测方法,对噪声更具有鲁棒性,排列模式概念简单,计算速度快,非常适用于高频高速采集的声发射信号中,另一方面,排列模式分布能够反映时间序列底层波动信息,尤其是非线性非平稳性信号,能够有效克服传统方法在处理过程监控产生的非线性非平稳性信号的不足。本发明同时考虑了相对信息和绝对信息,并将其融合起来,能够提高检测的准确率,还考虑了绝对信息的一阶导数序列,可以进一步提高检测的精度。方法在实际应用中具有一定的开放性,对于桥梁结构监测、复合材料冲击检测、无损检测、增材制造等使用声发射技术的领域均适用。
附图说明
结合附图及下面的详细描述,可更容易理解本发明的前述特征。
图1示出了根据本发明的一个实施方式提供的一种基于时间序列排列模式分布的声发射事件检测方法的流程图。
图2示出了应用本发明的实施方式提供的基于时间序列排列模式分布的声发射事件检测方法的一个示例中获得的含有26个声发射事件的原始时间序列。
图3(a)示出了应用本发明的实施方式提供的基于时间序列排列模式分布的声发射事件检测方法的一个示例中原始信号及排列模式分布。
图3(b)示出了应用本发明的实施方式提供的基于时间序列排列模式分布的声发射事件检测方法的一个示例中添加微弱噪声后的信号及对应的排列模式分布。
图4示出了应用本发明的一个实施方式提供的基于时间序列排列模式分布的声发射事件检测方法的一个示例中特征参数嵌入维度m=4时的24种排列模式。
图5(a)-图5(d)示出了应用本发明的一个实施方式提供基于时间序列排列模式分布的声发射事件检测方法的一个示例中通过滑动窗口对信号进行划分并计算窗口内排列模式分布的结果。
图6(a)-图6(d)示出了应用本发明的实施方式提供的基于时间序列排列模式分布的声发射事件检测方法的一个示例中一段声发射信号的事件数量,事件到达时间和结束时间检测过程。
图中序号、符号、代号说明如下:
Order mode:排列模式;
Relative Threshold Upper:相对差异度阈值上限;
Relative dissimilarity:相对差异度;
Instant dissimilarity(d(instant)):瞬时差异度;
d'(instant):瞬时差异度的一阶导数;
RTU(adjust):自适应相对差异度阈值。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。需要注意的是,除非另有说明,本发明使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
以下参考附图对根据本发明的实施方式提供的一种基于时间序列排列模式分布的声发射事件检测方法进行详细说明。图1示出了根据本发明的一个实施方式提供的一种基于时间序列排列模式分布的声发射事件检测方法的流程图。
参考图1,根据本发明的实施方式提出了一种基于排列模式分布差异性度量的声发射事件检测方法,包括以下步骤。
步骤一:信号采集与信号预处理:使用数据采集系统获取原始声发射序列,向原始序列中添加微弱噪声,根据设定的窗口参数,使用滑动窗口对时间序列进行划分。
步骤二:时间序列相空间重构并构造排列模式与符号相空间:对滑动窗口内的一维声发射序列,通过特征参数构造原始相空间形式,获得原始相空间排列模式,并将原始相空间映射到符号相空间。
步骤三:获取排列模式分布:统计符号相空间中各种排列模式出现的次数,对应的相对频率分布即为排列模式分布。
步骤四:构造差异性度量指标,计算相对差异度与瞬时差异度:建立差异性度量函数,计算不同窗口之间排列模式分布的差异性,计算不同窗口时间序列的排列模式差异性,构造相对差异度与瞬时差异度。
步骤五:声发射事件定性检测:根据经验预先设置相对差异度阈值,计算时间序列各个窗口的相对差异度。记录从起始时间点开始,第一个相对差异度大于相对差异度阈值的时间,并将其与相对差异度阈值进行比较。如果没有检测到相对差异度大于相对差异度阈值的时间,表示无声发射事件发生,结束事件检测流程。如果检测到相对差异度大于相对差异度阈值的时间,判断从该时间往后一连续的时间(即,指定数量的连续窗口)内相对差异度是否大于相对差异度阈值,若检测到从该时间往后该连续的时间内存在相对差异度不大于(可理解为小于或等于)相对差异度阈值的情况,表示之前检测到的(即,所述相对差异度大于相对差异度阈值的时间)可能为异常值,并以该连续时间内检测到的相对差异度小于或等于(即不大于)相对差异度阈值的第一个窗口所对应的时间点作为新的起始时间点,重复步骤五的前述流程。若检测到往后的该连续的时间内的相对差异度均大于相对差异度阈值,则持续检测并记录最后一个大于相对差异度阈值的时间(也即窗口)作为该单个事件的结束时间点,在该单个事件的结束时间与到达时间之间的相对差异度均大于相对差异度阈值。将检测到的到达时间点和结束时间点作为单个事件的到达时间和结束时间的初步估计,并令声发射事件数量加一。例如作为示例,在该步骤中,可以设定从该时间往后连续的时间为10个窗口(在其他情况下,可根据需要设定时间的窗口数量),并检测从该时间往后连续的时间内,即往后10个窗口,来计算相对差异度,若检测到从该时间往后连续的10个窗口内出现相对差异度不大于相对差异度阈值的窗口,表示检测到的可能为异常值,并以该相对差异度小于或等于(即不大于)相对差异度阈值的第一个窗口所对应的时间点作为作为新的起始时间点,重复步骤五的前述流程;若检测到从该时间往后连续10个窗口的相对差异度均大于相对差异度阈值时,则继该10个窗口以后继续检测相对差异度持续大于相对差异度阈值的窗口数量,记录相对差异度大于相对差异度阈值的最后一个窗口的时间作为该单个事件的结束时间点。以上所述的起始时间表示开始检索的时间,起始时间可能是噪声阶段的时刻,也可能是到达时间处,而到达时间为由噪声进入声发射事件的时刻。
步骤六:声发射事件的到达时间与结束时间估计:针对单个声发射事件,找到瞬时差异度最大的窗口并进行后向搜索,构造瞬时差异度的一阶导数序列,在一阶导数序列进行后向搜索,找到最后一个值大于0对应的窗口作为到达时间窗口估计,基于声发射事件到达前的噪声序列构建自适应相对差异度阈值,从瞬时差异度最大的窗口前向搜索,在搜索到的窗口的相对差异度值小于所述自适应相对差异度阈值时,该窗口作为估计的声发射事件的结束时间。
步骤七:声发射事件数量的估计:重复以上步骤五、步骤六,其中步骤五中的起始窗口为步骤六中估计的声发射事件的结束时间,当遍历完时间序列时,声发射事件的检测流程结束,输出该序列的声发射事件数量。
可选地,在步骤一中所述的微弱噪声,指的是信号幅值小的噪声信号,其作用是为了消除原始时间序列中的等值依赖关系,为了避免对原始信号的影响,该微弱噪声的信号幅值应低于原始信号一阶导数绝对值的最小值,通常选取但不仅限于均值为0,方差在10-6~10-10之间的高斯白噪声。
可选地,在步骤一中所述的窗口参数,包括窗口大小N和窗口不重叠系数T。其中,窗口大小N,表示短时间序列(也即,滑动窗口内的时间序列)包含的数据点的个数,当该N的数值过大时会影响模型的计算速度,降低时间分辨率;当该N的数值过小时,无法保证后续的步骤四中获得可靠的排列模式分布。对N的选择与声发射事件的持续时间有关,建议小于持续时间的1/10,同时还需满足N>5m!,m表示嵌入维度,在下面步骤二中进行更具体的描述。且其中,所述窗口不重叠系数T表示相邻窗口没有重叠的点的数量,其值可预先设定,该T的值越大表示相邻窗口内不重叠的数据点越多,最大值可取为滑动窗口的大小,此时表示相邻窗口没有重叠的点。窗口不重叠系数T,表示相邻窗口之间的重叠情况,对于长度为L的时间序列
X={xi},i∈1,…,L,
其中,xi表示每一个数据点,X表示数据点的集合也就是时间序列,长度L表示时间序列的长度,上述长度L表示时间尺度上的长度,可表示含有L个数据点的时间序列。
其中一个滑动窗口表示为:
式中, 为声发射时间序列,N为窗口大小。其中窗口不重叠系数T≤N≤L,窗口之间重叠的数据点个数为窗口大小减去窗口不重叠系数,即N–T,当T=N时,相邻窗口之间没有重叠。该值较小时可以增加时间分辨率,但是会增加计算时间。对于窗口大小为N的滑动窗口,可以理解为含有N个连续数据点的时间序列。当一个时间序列的长度L等于窗口大小N时,可以认为其为同一个窗口。
可选地,在步骤二中所述的特征参数,指对滑动窗口内的一维时间序列进行相空间重构所使用的参数,包含嵌入维度m和延迟时间τ。其中,嵌入维度m,表示相空间重构的维度,决定了重构相空间的结构,其数值过大时影响模型的计算速度;数值过小,构造的低维相空间无法有效反映信号的潜在动力学信息。另外,嵌入维度m与步骤一中的窗口大小N应满足N>5m!,以在后面的步骤四中获得可靠的排列模式分布。且其中,延迟时间τ,本质上是一种降采样方法,不同的τ可以得到同一序列在不同尺度下的动力学信息。
可选地,以上步骤一通过滑动窗口获得了多个长度为N(窗口大小)的子序列(窗口),步骤二是分别对每个窗口进行计算。在步骤二中所述的构造原始相空间形式,主要是指时间序列的重构方法,进一步包括以下步骤:
对步骤一滑动窗口获得的长度为N的声发射时间序列根据嵌入维度m和延迟时间τ将其划分为N–(m–1)τ个子序列/>每个子序列的长度为m。这些子序列构造成如下所示的原始相空间/>
式中,
可选地,在步骤二中所述的“排列模式”,主要是指根据参数嵌入维度m确定的数据波动模式。使用数字r∈[0,1,…,m-1]且每个数字仅出现一次的m维元组(r0,r1,…,rm-1)表示排列模式,并将所有排列模式的集合表示为Πm,Πm中一共含有m!种排列模式。举例说明,当m=3时,共产生m!=6种排列模式,分别为[0 1 2],[0 2 1],[1 0 2],[1 2 0],[2 0 1],[2 1 0]。
可选地,在步骤二中所述的“符号相空间”,指将原始相空间每一个子序列映射到排列模式形成的相空间。定义π:Rm→Πm用于将原始相空间每一个子序列
映射到唯一的排列模式
该映射关系需要满足以下两个条件:
1)
2)如果则ri<ri+1
式中,Rm表示m维的实数向量,在这里表示长度为m的子序列,Πm表示排列模式的集合,j为原始相空间子序列的索引,j∈[1,N-(m-1)τ],j∈N+,i在这里表示原始相空间每一个子序列的第一个元素的索引,且根据前述对符号的定义,例如,由于如上文所述,ri是从0开始计算的,因此/>表示原始相空间第j个子序列中第ri+1个元素,也就是索引为ri的元素。上述条件1)表示将子序列中的元素从小到大排列,并用0到m-1的正整数表示;条件2)表示当两个元素数值相等时,根据元素的序号排列,确保了具有相等值序列排列模式的唯一性。举例说明,对序列/> 序列中的元素关系满足x2≤x3≤x1,因此其排列模式如下:
关于该转换的具体说明如下。如前文所述将r定义为从0开始的数字;另外,由于x2是最小的数字,其作为第2个元素对应的索引r应该是1,相应的第3个元素对应索引为2,第一个元素对应索引为0,从而转换得到上述结果。
可选地,在步骤三中所述的排列模式分布,定义为时间序列映射到集合Πm各个排列模式的概率分布,对于排列模式πj,该排列模式πj的概率为:
式中,n表示原始相空间中子序列的数量,即n=N-(m-1),N为窗口大小,m为嵌入维度,即原始相空间子序列的长度,u表示原始相空间的每一个子序列,type(u)表示该子序列的排列模式,定义集合A的指示函数IA(u),用于计算时间序列中指定排列模式的数目,其获得步骤为:
式(3)分别定义了两个指示函数 A(u)是对u:type(u)=πj和u:type(u)∈Πm的统称。/>表示在原始相空间/>中第i个子序列,如果其排列模式为πj,则值为1,否则为0,/>表示在原始相空间/>中第i个子序列,如果其排列模式为属于Πm则值为1,否则为0。
通过计算时间序列在排列模式的集合Πm中所有排列模式的概率即可得到排列模式分布P(m,τ),即含有排列模式概率的向量:
P(m,τ)=[p(π1),p(π2),…,p(πm!)] (5)
可选地,在步骤四中所述的差异性度量函数,主要是指一种区分两段处于不同状态的声发射序列可区分性的度量方法,其可以表示为:
式中,Xi和Xj分别表示两个声发射序列(可表示所有窗口中任意两个窗口),pi,pj分别表示两个序列中排列模式,当r=1时,该差异度函数为曼哈顿距离,当r=2时,该差异度函数为欧式距离,当r趋近于无穷时,其表示为切比雪夫距离。在后文的示例性实施例中,使用曼哈顿距离作为示例。d(·)值越大表示两个序列的排列模式分布差异越大,越容易区分事件与噪声。在此,d(·)表示对d(Xi,Xj)的泛指。
可选地,在步骤四中所述的瞬时差异度,指的是相邻窗口间排列模式分布的差异,对于任意窗口Xj,其瞬时差异度可以根据下式计算得到:
其中,d(·)表示距离计算即差异性度量,Pj-1和Pj分别表示窗口Xj-1和窗口Xj的排列模式分布,M表示从原始声发射序列中获得的窗口数量。瞬时差异度可以表示每个相邻窗口之间不断变化的排列模式分布之间的差异性。当声发射事件发生时,对应窗口的排列模式分布相比于前一个窗口会发生明显的变化,即产生更大的瞬时差异度,差异性更大,而在无声发射事件时,瞬时差异度只在小范围内波动。
可选地,在步骤五中所述的相对差异度,是基于具有一定参考排列模式分布窗口的相似度计算。通过在无声发射事件的时间片段中随机挑选计算得到的排列模式分布定义为参考分布。对于随后的每个窗口,构造排列模式分布,并计算它们与参考分布之间的差异度,其可以表示为:
其中,Pref表示参考排列模式分布,Pj表示窗口Xj的排列模式分布,M表示从原始声发射序列中获得的窗口数量。相对差异度可以表示为每个窗口之间不断变化的排列模式分布与参考分布(即,参考排列模式分布)的差异性。含有声发射事件的窗口的排列模式分布与参考分布表现出更大的差异性,而无声发射事件的窗口排列模式分布与参考分布表现出更小的差异性。
可选地,在步骤五中所述的相对差异度阈值RTU(Relative Threshold Upper),指的是基于相对差异度能够区分有无声发射事件的固定值,在声发射事件检测之前,可以通过一段不含有声发射事件的时间序列,重复步骤一至步骤五计算得到各个窗口的相对差异度,并以它们的最大值作为相对差异度阈值。
可选地,在步骤六所描述的瞬时差异度的一阶导数序列,可以表示为相邻两个瞬时差异度的差值。举例说明,对于瞬时差异度序列:
其一阶导数序列可以表示为:
在声发射事件发生之前,该一阶导数序列各项可能为正的也可能为负值,当声发射事件发生的瞬间,瞬时差异度增大,并在瞬时差异度达到最大值前维持在大于0的状态。
可选地,在步骤六所描述的后向搜索,指的是从声发射最大值对应的窗口Xi往Xi-1方向搜索,旨在找到瞬时差异度的一阶导数序列最后一个大于0所在的窗口,并认为其是到达时间所在窗口的估计。
可选地,在步骤六中所述的“自适应相对差异度阈值”,这是根据实际工作条件,对步骤六获得的相对差异度阈值自适应调整的结果。在声发射事件发生以外的信号认为是噪声序列,根据噪声序列的相对差异度,通过下式对相对差异度阈值进行自适应更新
RTUadjust=mean(Drelative(noise))+α×std(Drelative(noise)) (9)
其中,mean(Drelative(noise))表示噪声序列相对差异度的平均值,std(Drelative(noise))表示噪声序列相对差异度的标准差,α为标准差的系数,是一个常量,用于衡量标准差的重要程度。
以下参考附图对应用根据本发明的实施方式提供的基于时间序列排列模式分布的声发射事件检测方法的示例性实例进行详细说明。图2示出了应用本发明的实施方式提供的基于时间序列排列模式分布的声发射事件检测方法的一个示例中获得的含有26个声发射事件的原始时间序列。图3(a)示出了应用本发明的实施方式提供的基于时间序列排列模式分布的声发射事件检测方法的一个示例中原始信号及排列模式分布。图3(b)示出了应用本发明的实施方式提供的基于时间序列排列模式分布的声发射事件检测方法的一个示例中添加微弱噪声后的信号及对应的排列模式分布。图4示出了应用本发明的一个实施方式提供的基于时间序列排列模式分布的声发射事件检测方法的一个示例中特征参数嵌入维度m=4时的24种排列模式。图5(a)至图5(d)示出了应用本发明的一个实施方式提供基于时间序列排列模式分布的声发射事件检测方法的一个示例中通过滑动窗口对信号进行划分并计算窗口内排列模式分布的结果。图6(a)至图6(d)示出了应用本发明的实施方式提供的基于时间序列排列模式分布的声发射事件检测方法的一个示例中一段声发射信号的事件数量,事件到达时间和结束时间检测过程。
参考图2-6(d),在应用根据本发明的实施方式的一个示例性实例中,采用夹层板低速冲击实验产生的声发射信号作为试验依据进行分析。试件的相关信息见表1,在试件上绘制网格,每个网格大小为50mm×50mm,选择其中10个网格交点进行冲击试验。低速冲击是由直径为3cm,重量为30g的钢球从10cm的高度落下产生。采用压电传感器采集声发射信号,采样频率为3MHz。采集了含有26个声发射事件(冲击)的信号,如图2所示。
表1试件参数
为了在后续验证本发明的性能,通过人工方法确定了26个声发射事件的到达时间、结束时间以及持续时间。
图1示出了根据本发明的一个实施方式提供的基于排列分布差异性度量的声发射事件检测方法流程图,以下参考图1对本发明的一个实施方式提供的一种基于排列模式分布差异性度量的声发射事件检测方法进行说明。根据本发明的一个实施方式提供的基于排列模式分布差异性度量的声发射事件检测方法可包括以下步骤:
步骤一:信号采集与信号预处理:根据示例采集含有26个冲击事件的声发射信号。图2展示了该原始数据的时域波形图。在原始数据中添加微弱噪声信号,本实例中添加的高斯白噪声均值为0,方差为10-6,图3(a)为一个没有加入噪声信号的子片段,添加噪声后的片段如图3(b)所示。使用滑动窗口对时间序列进行划分,本案例中窗口大小设置为10000,不重叠系数为500。
步骤二:时间序列相空间重构并构造排列模式与符号相空间:将步骤一滑动窗口内的数据根据式(2)进行时间序列相空间重构,然后计算相空间的排列模式,以嵌入维度m=4为例,最多可能包含m!=24种排列模式,图4展示了这24种排列模式,最后将其映射为符号相空间。在本发明中,选择m=4,τ=10将原始相空间映射到符号相空间。
步骤三:获取排列模式分布:根据式(3)统计符号相空间中各种排列模式出现的次数及相对频率,构造排列模式分布。图3(a)和图3(b)中的柱形图为对应时间序列的排列模式分布,图5(b)给出了一段预处理声发射信号(如图5(a)所示)的排列模式累积分布,图5(d)中分别示出与时间片段(图5(c)对应的排列模式分布。
步骤四:构造差异性度量指标,计算相对差异度与瞬时差异度:在本实例中差异度函数选用的是欧式距离,即在式(6)中r取值为2;分别使用式(7)和式(8)计算瞬时差异度和相对差异度。图6(b)和图6(d)给出了一段含有两个冲击事件声发射序列的相对差异度曲线,参考排列模式分布从噪声信号中计算得到(如图3(b)所示),图6(c)给出了该段信号的瞬时差异度和瞬时差异度的一阶导数序列。
步骤五:声发射事件定性检测:根据步骤四中计算得到的相对差异度,结合相对差异度阈值上限,从起始时间点(初始值为0)检测声发射事件,在本案例中相对差异度阈值设置为0.5,图6(b)中展示了使用阈值初步确定了图6(a)序列中第一个声发射事件的持续范围(到达时间和结束时间的初步估计)。
步骤六:声发射事件到达时间与结束时间确定:在步骤五中估计的声发射事件范围内,首先搜索该声发射事件范围内最大的瞬时差异度值,并以此作为搜索起点进行后向搜索,搜索终点为瞬时差异度的一阶导数序列最后一个大于0的位置,如图6(a)展示的33.7ms处,此时认为从33.7ms前的序列都为噪声序列,使用式(9)根据噪声序列的相对差异度值构造自适应相对阈值,在示例中,标准差的系数α为3,自适应相对差异度阈值计算结果为0.0598,并从前述的搜索起点(33.7ms)展开前向搜索,找到第一个小于该自适应阈值的点记为该事件的终点,即59.3ms,如图6(d)所示。
步骤七:声发射事件数量估计:根据步骤六检测的第一个事件的结束时间59.3ms,以此作为步骤五中新的起始时间点,并重复步骤五,此时使用步骤六得到的自适应相对阈值0.0598识别第二个声发射事件并对其到达时间范围进行粗估计,如图6(b)所示。重复步骤六即图6(a)中第二个事件的到达时间计算方法和步骤六一致,搜索到的起始时间为107ms,将第一个事件的终点至第二个事件的起点(59.3ms~107ms)之间的片段认为是噪声序列,使用式(9)根据该噪声序列构建新的自适应阈值为0.0701,从起始点(107ms)前向搜索,第一个小于该阈值的点即为该事件的终点,为132.3ms。继续重复步骤五,此时自适应阈值为0.0701,由于从132.3ms往后的序列中没有大于该阈值的内容,因此声发射事件检测流程结束,输出声发射事件数量为2。
图6(a)至图6(d)仅展示了两个声发射事件的检测流程,在本示例中对含有26个声发射事件的序列进行检测,结果表明,26个事件均被检测到,且没有发生虚警(错误地检测到不是冲击导致的声发射事件),26个事件的检测结果如表2所示。
表2. 26个声发射事件到达时间、结束时间和持续时间检测结果
从表2中可以发现,对于到达时间的估计滞后于真实值,而结束时间的估计相比于真实值提前,估计的声发射持续时间略小于真实值,但总体看来,这些误差是微小的,提出的方法可以用于声发射事件的检测。根据表2的结果可以计算得到26个声发射事件到达时间、结束时间以及持续时间估计的绝对误差和标准差,结果如表3所示。也就是表3给出了表2的总体误差。
表3. 26个声发射事件到达时间、结束时间和持续时间的绝对误差和标准差
根据上述检测结果,相关工作人员可以通过该方法准确识别序列中声发射事件数量以及事件发生的时间,为进一步的声发射事件源头定位、材料裂纹扩展、无损检测、结构损伤机理等研究提供依据;另一方面,可以将该方法作为采集系统和存储系统的媒介,存储系统仅对识别为声发射事件的有效信号进行间歇性存储,降低存储压力和设备的维护成本。
本发明提出的一种基于排列模式分布差异性度量的声发射事件检测方法,通过识别声发射事件导致的时间序列排列模式分布的差异性,结合相对信息和绝对信息,能够准确识别序列中的声发射事件的数量,确定声发射事件的到达时间和结束时间。排列模式对数据潜在动力学的改变具有较高的敏感性,且计算简单,可以满足高速采集过程中对事件监测的实时性要求,另外其对噪声具有鲁棒性,并适用于非线性非平稳性序列,为声发射技术在过程监控领域的应用提供支持。本发明所提模型不仅适用于案例中的低速冲击产生的声发射事件,在其他由于塑性变形、摩擦和裂纹尖端扩展等导致的声发射事件同样适用。本发明具有良好的拓展能力,为本技术领域的其他技术人员提供一定的借鉴作用。
需要说明的是,附图中的流程图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
此外,前述仅说明了一些实施方式,可进行改变、修改、增加和/或变化而不偏离所公开的实施方式的范围和实质,该实施方式是示意性的而不是限制性的。此外,所说明的实施方式涉及当前考虑为最实用和最优选的实施方式,其应理解为实施方式不应限于所公开的实施方式,相反地,旨在覆盖包括在该实施方式的实质和范围内的不同的修改和等同设置。此外,上述说明的多种实施方式可与其它实施方式共同应用,如,一个实施方式的方面可与另一个实施方式的方面结合而实现再另一个实施方式。另外,任何给定组件的各独立特征或构件可构成另外的实施方式。
以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (9)
1.一种基于时间序列排列模式分布的声发射事件检测方法,其特征在于包括以下步骤:
步骤一:信号采集与信号预处理:使用数据采集系统获取原始声发射序列,向原始序列中添加微弱噪声,根据设定的窗口参数使用滑动窗口对时间序列进行划分;
步骤二:时间序列相空间重构并构造排列模式与符号相空间:对滑动窗口内的一维声发射序列,通过特征参数构造原始相空间形式,获得原始相空间排列模式,并将原始相空间映射到符号相空间;
步骤三:获取排列模式分布:统计符号相空间中各种排列模式出现的次数,对应的相对频率分布即为排列模式分布;
步骤四:构造差异性度量指标,计算相对差异度与瞬时差异度:建立差异性度量函数,计算不同窗口之间排列模式分布的差异性,计算不同窗口时间序列的排列模式差异性,构造相对差异度与瞬时差异度;
步骤五:声发射事件定性检测:根据经验预先设置相对差异度阈值,计算时间序列各个窗口的相对差异度,并将其与相对差异度阈值进行比较,记录从起始时间点开始,第一个相对差异度大于相对差异度阈值的时间,如果没有检测到相对差异度大于相对差异度阈值的时间,表示无声发射事件发生,结束事件检测流程,如果检测到相对差异度大于相对差异度阈值的时间,判断从该时间往后一连续时间内相对差异度是否大于相对差异度阈值,若检测到从该时间往后的连续时间内存在相对差异度不大于相对差异度阈值的情况,表示检测到的可能为异常值,并以在该往后的连续时间内检测到的相对差异度小于或等于相对差异度阈值的时间点作为新的起始时间点且重复步骤五的前述流程,若检测到该往后的连续的时间内的相对差异度均大于相对差异度阈值,则持续检测并记录最后一个大于相对差异度阈值的时间作为该单个事件的结束时间点,在该单个事件的结束时间与到达时间之间的相对差异度均大于相对差异度阈值,将检测到的到达时间点和结束时间点作为单个事件的到达时间和结束时间的初步估计,并令声发射事件数量加一;
步骤六:声发射事件的到达时间与结束时间估计:针对单个声发射事件,找到瞬时差异度最大的窗口并进行后向搜索,构造瞬时差异度的一阶导数序列,在一阶导数序列进行后向搜索,找到最后一个值大于0对应的窗口作为到达时间窗口估计,基于声发射事件到达前的噪声序列构建自适应相对差异度阈值,从瞬时差异度最大的窗口前向搜索,在搜索到的窗口的相对差异度值小于所述自适应相对差异度阈值时,该窗口作为估计的声发射事件的结束时间;
步骤七:声发射事件数量的估计:重复以上步骤五、步骤六,其中步骤五中的起始窗口为步骤六中估计的声发射事件的结束时间,当遍历完时间序列时,声发射事件的检测流程结束,输出该序列的声发射事件数量。
2.如权利要求1所述的基于时间序列排列模式分布的声发射事件检测方法,其特征在于:
所述步骤一中所述的窗口参数包括窗口大小N和窗口不重叠系数T,其中,窗口大小N表示短时间序列包含的数据点的个数,选择N的值小于声发射事件的持续时间的1/10,同时满足N>5m!,m指嵌入维度,且其中,窗口不重叠系数T表示相邻窗口没有重叠的点的数量,其值可预先设定,该T的值越大表示相邻窗口内不重叠的数据点越多,最大值可取为滑动窗口的大小,此时表示相邻窗口没有重叠的点,
对于长度为L的时间序列
X={xi},i∈1,…,L,
其中,xi表示每一个数据点,X表示时间序列也即数据点的集合,长度L表示时间序列的长度,
其中一个滑动窗口表示为
式中,其中窗口不重叠系数T≤N≤L,/>为声发射时间序列,窗口之间重叠的数据点个数为窗口大小减去窗口不重叠系数即N–T,当T=N时,相邻窗口之间没有重叠。
3.如权利要求2所述的基于时间序列排列模式分布的声发射事件检测方法,其特征在于:
步骤二中所述的特征参数,指对滑动窗口内的一维时间序列进行相空间重构所使用的参数,包含嵌入维度m和延迟时间τ,
其中,嵌入维度m表示相空间重构的维度,决定了重构相空间的结构,嵌入维度m与步骤一中的窗口大小N满足N>5m!,
通过不同的延迟时间τ,可以得到同一序列在不同尺度下的动力学信息。
4.如权利要求3所述的基于时间序列排列模式分布的声发射事件检测方法,其特征在于步骤二中所述的通过特征参数构造原始相空间形式指时间序列的重构方法,其进一步包括如下步骤:
对于所述滑动窗口的长度为N的声发射时间序列根据嵌入维度m和延迟时间τ划分为N–(m–1)τ个子序列/>每个子序列的长度为m,这些子序列构造成如下所示的原始相空间/>
式中,且
步骤二中所述的排列模式指根据参数嵌入维度m确定的数据波动模式,
其中,使用数字r∈[0,1,…,m-1]且每个数字仅出现一次的m维元组(r0,r1,…,rm-1)表示排列模式,并将所有排列模式的集合表示为Πm,Πm中一共含有m!种排列模式。
5.如权利要求4所述的基于时间序列排列模式分布的声发射事件检测方法,其特征在于在步骤二中所述的符号相空间,指将原始相空间的每一个子序列映射到排列模式形成的相空间,其进一步包括以下步骤:
定义π:Rm→Πm将原始相空间的每一个子序列
映射到唯一的排列模式
该映射关系满足以下两个条件
1)
2)如果则ri<ri+1
式中,Rm表示m维的实数向量,在这里表示长度为m的子序列,Πm表示排列模式的集合,j为原始相空间子序列的索引,j∈[1,N-(m-1)τ],j∈N+,i在这里表示原始相空间每一个子序列的第一个元素的索引,且
6.如权利要求5所述的基于时间序列排列模式分布的声发射事件检测方法,其特征在于步骤三中所述的排列模式分布为时间序列映射到集合Πm各个排列模式的概率分布,其中对于排列模式πj,该排列模式πj的概率p(πj)为:
式中,n表示原始相空间中子序列的数量,即n=N-(m-1),N为窗口大小,m为嵌入维度,即原始相空间子序列的长度,u表示原始相空间的每一个子序列,type(u)表示该子序列的排列模式,定义集合A的指示函数IA(u),用于计算时间序列中指定排列模式的数目,其获得步骤为:
式(3)分别定义了两个指示函数 A(u)是对u:type(u)=πj和u:type(u)∈Πm的统称,/>表示在原始相空间/>中第i个子序列,如果其排列模式为πj,则值为1,否则为0,/>表示在原始相空间/>中第i个子序列,如果其排列模式为属于Πm则值为1,否则为0,
通过计算时间序列在排列模式的集合Πm中所有排列模式的概率即可得到排列模式分布P(m,τ),即含有排列模式概率的向量:
P(m,τ)=[p(π1),p(π2),…,p(πm!)] (5)。
7.如权利要求6所述的基于时间序列排列模式分布的声发射事件检测方法,其特征在于在步骤四中所述的差异性度量函数为一种区分两段处于不同状态的声发射序列可区分性的度量方法,其可以表示为:
式中,Xi和Xj分别表示两个声发射序列,pi,pj分别表示两个声发射序列的排列模式,当r=1时,该差异度函数为曼哈顿距离,该差异度函数为曼哈顿距离,当r=2时,该差异度函数为欧式距离,当r趋近于无穷时,其表示为切比雪夫距离,d(·)值越大表示两个序列的排列模式分布差异越大,越容易区分事件与噪声;
在步骤四中所述的瞬时差异度,是相邻窗口间排列模式分布的差异,对于任意窗口Xj,其瞬时差异度可以根据下式得到:
其中,d(·)表示距离计算,即差异性度量,Pj-1和Pj分别表示窗口Xj-1和窗口Xj的排列模式分布,M表示从原始声发射序列中获得的窗口数量,所述瞬时差异度表示每个相邻窗口之间不断变化的排列模式分布之间的差异性,当声发射事件发生时,对应窗口的排列模式分布相比于前一个窗口会发生明显的变化,即产生较大的瞬时差异度,在无声发射事件时,瞬时差异度只在小范围内波动。
8.如权利要求7所述的基于时间序列排列模式分布的声发射事件检测方法,其特征在于:
步骤五中所述的相对差异度,是基于具有一定参考排列模式分布窗口的相似度计算,通过在无声发射事件的时间片段中随机挑选计算得到的排列模式分布定义为参考分布,对于随后的每个窗口,构造排列模式分布,并计算它们与参考分布之间的差异度,其获得步骤为:
其中,Pref表示参考排列模式分布,Pj表示窗口Xj的排列模式分布,M表示从原始声发射序列中获得的窗口数量,相对差异度表示为每个窗口之间不断变化的排列模式分布与参考分布的差异性,含有声发射事件的窗口的排列模式分布与参考分布表现出更大的差异性,而无声发射事件的窗口排列模式分布与参考分布表现出更小的差异性;
步骤五中所述的相对差异度阈值是基于相对差异度能够区分有无声发射事件的固定值,在声发射事件检测之前,可以通过一段不含有声发射事件的时间序列,重复步骤一至步骤五计算得到各个窗口的相对差异度,并以它们的最大值作为相对差异度阈值。
9.如权利要求8所述的基于时间序列排列模式分布的声发射事件检测方法,其特征在于在步骤六所描述的瞬时差异度的一阶导数序列,表示为相邻两个瞬时差异度的差值,对于瞬时差异度序列:
其一阶导数序列可以表示为:
在声发射事件发生之前,该一阶导数序列各项可能为正的也可能为负值,当声发射事件发生的瞬间,瞬时差异度增大,并在瞬时差异度达到最大值前维持在大于0的状态;
在步骤六所描述的后向搜索是从声发射最大值对应的窗口Xi往Xi-1方向搜索,旨在找到瞬时差异度的一阶导数序列最后一个大于0所在的窗口,并认为其是到达时间所在窗口的估计;
步骤六中所述的自适应相对差异度阈值这是根据实际工作条件,对步骤六获得的相对差异度阈值自适应调整的结果,在声发射事件发生以外的信号认为是噪声序列,根据噪声序列的相对差异度,通过下式对相对差异度阈值进行自适应更新,
RTUadjust=mean(Drelative(noise))+α×std(Drelative(noise)) (9)
其中,mean(Drelative(noise))表示噪声序列相对差异度的平均值,std(Drelative(noise))表示噪声序列相对差异度的标准差,α为标准差的系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211092323.9A CN115754006B (zh) | 2022-09-08 | 2022-09-08 | 一种基于时间序列排列模式分布的声发射事件检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211092323.9A CN115754006B (zh) | 2022-09-08 | 2022-09-08 | 一种基于时间序列排列模式分布的声发射事件检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115754006A CN115754006A (zh) | 2023-03-07 |
CN115754006B true CN115754006B (zh) | 2024-04-09 |
Family
ID=85349635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211092323.9A Active CN115754006B (zh) | 2022-09-08 | 2022-09-08 | 一种基于时间序列排列模式分布的声发射事件检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115754006B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2709414C1 (ru) * | 2019-06-04 | 2019-12-17 | Алексей Николаевич Кузьмин | Способ регистрации и анализа сигналов акустической эмиссии в системе диагностического мониторинга производственных объектов |
CN110703313A (zh) * | 2019-10-11 | 2020-01-17 | 重庆大学 | 考虑传感器感度的声发射事件震级获取方法、系统及可读存储介质 |
CN113762471A (zh) * | 2021-08-24 | 2021-12-07 | 浙江中辰城市应急服务管理有限公司 | 一种基于注意力机制与贝叶斯优化的相空间重构参数估计方法 |
-
2022
- 2022-09-08 CN CN202211092323.9A patent/CN115754006B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2709414C1 (ru) * | 2019-06-04 | 2019-12-17 | Алексей Николаевич Кузьмин | Способ регистрации и анализа сигналов акустической эмиссии в системе диагностического мониторинга производственных объектов |
CN110703313A (zh) * | 2019-10-11 | 2020-01-17 | 重庆大学 | 考虑传感器感度的声发射事件震级获取方法、系统及可读存储介质 |
CN113762471A (zh) * | 2021-08-24 | 2021-12-07 | 浙江中辰城市应急服务管理有限公司 | 一种基于注意力机制与贝叶斯优化的相空间重构参数估计方法 |
Non-Patent Citations (2)
Title |
---|
Dong Junjun等.One-dimensional Residual Neural Network-based for Tool Wear Condition Monitoring. 2020 Global Reliability and Prognostics and Health Management (PHM-Shanghai).2021,全文. * |
姚旭龙 ; 张艳博 ; 刘祥鑫 ; 梁鹏 ; 孙林 ; .岩石破裂声发射关键特征信号优选方法.岩土力学.2018,(第01期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115754006A (zh) | 2023-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shi et al. | Rolling bearing initial fault detection using long short-term memory recurrent network | |
US20180357542A1 (en) | 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method | |
Wen et al. | Graph modeling of singular values for early fault detection and diagnosis of rolling element bearings | |
CN111122162B (zh) | 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法 | |
CN104380063B (zh) | 异常音检测系统 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN111881594B (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
Li et al. | An improved AIC onset-time picking method based on regression convolutional neural network | |
CN111898644A (zh) | 一种无故障样本下航天液体发动机健康状态智能识别方法 | |
Yan et al. | An effective method for remaining useful life estimation of bearings with elbow point detection and adaptive regression models | |
CN115754006B (zh) | 一种基于时间序列排列模式分布的声发射事件检测方法 | |
McCormick et al. | Application of periodic time-varying autoregressive models to the detection of bearing faults | |
Guo et al. | Research on remaining useful life of rolling bearings using EWT-DI-ALSTM | |
CN111060949B (zh) | 一种由海洋环境参数估计海水放射性核素检测数据本底的方法 | |
CN112711052A (zh) | 基于连续t检验的GNSS坐标序列阶跃探测改进方法及系统 | |
CN116861789A (zh) | 微震参数多输入序列预测模型的岩爆预测方法 | |
CN109163894B (zh) | 一种基于摩擦温度信号的磨合状态识别方法 | |
CN114638039B (zh) | 一种基于低秩矩阵恢复的结构健康监测特征数据解释方法 | |
CN110632563A (zh) | 一种基于短时傅里叶变换的脉内频率编码信号参数测量方法 | |
CN110702786A (zh) | 基于多尺度奇异吸引子预测误差的梁结构损伤识别方法 | |
CN116910526A (zh) | 模型训练方法、装置、通信设备及可读存储介质 | |
Deuschle et al. | Robust sensor spike detection method based on dynamic time warping | |
Akhouayri et al. | Signal stationarity testing and detecting of its abrupt change | |
JP2015161506A (ja) | 信号解析装置、信号解析方法、劣化診断装置及び劣化診断方法 | |
CN114662977A (zh) | 海上钻井平台运动状态的异常检测方法、系统和电子设备 |
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 |