CN116106430B - 基于声发射技术的熔铸用耐火材料开裂诊断方法 - Google Patents

基于声发射技术的熔铸用耐火材料开裂诊断方法 Download PDF

Info

Publication number
CN116106430B
CN116106430B CN202310386803.4A CN202310386803A CN116106430B CN 116106430 B CN116106430 B CN 116106430B CN 202310386803 A CN202310386803 A CN 202310386803A CN 116106430 B CN116106430 B CN 116106430B
Authority
CN
China
Prior art keywords
matrix
value
cracking
nodes
refractory material
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
CN202310386803.4A
Other languages
English (en)
Other versions
CN116106430A (zh
Inventor
彭贤军
石琛
周汨瑞
陈颖龙
贺江南
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN202310386803.4A priority Critical patent/CN116106430B/zh
Publication of CN116106430A publication Critical patent/CN116106430A/zh
Application granted granted Critical
Publication of CN116106430B publication Critical patent/CN116106430B/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
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
    • G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
    • 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
    • G01N29/4472—Mathematical theories or simulation
    • 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
    • G01N29/4481—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Acoustics & Sound (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于声发射技术的熔铸用耐火材料开裂诊断方法，包括获取已有的耐火材料的声发射信号数据并处理得到数据集；构建耐火材料开裂诊断初步模型并训练得到耐火材料开裂诊断模型；采用耐火材料开裂诊断模型实时进行耐火材料的开裂诊断。本发明解决了声发射传感器采集到的衰减后信号所导致的诊断模型可靠性较差的问题，能够识别多类型损伤，避免了诊断模型产生局部最优解的缺陷；因此本发明的可靠性高、准确率好且检测精度高。

Description

基于声发射技术的熔铸用耐火材料开裂诊断方法
技术领域
本发明属于材料检测技术领域，具体涉及一种基于声发射技术的熔铸用耐火材料开裂诊断方法。
背景技术
耐火材料是高温工业技术中不可或缺的辅助材料；随着经济技术的发展，耐火材料已经被广泛应用于炼铁、冶金、水泥、玻璃、有色金属等产业。熔铸耐火材料是原料配料后经三相电弧炉熔融后浇铸、由高温熔体冷却析晶而制成的；熔铸耐火材料具有内部反应完全、晶体发育完整、结构致密、气孔率低和强度高的特点，但其耐热冲击性差，且铝水的腐蚀作用使得熔炉容易开裂甚至漏铝水的严重后果。因此，对耐火材料进行实时在线监测，就显得尤为重要。
声发射(Acoustic Emission，简称AE)技术是一种无损检测的新方法，其具有灵敏度高、实时监测性好、检测范围大、数据完整和方法简单等优点。因此，AE技术能够作为有效的监测手段对耐火材料进行实时监测。
目前，对各材料损伤采取的检测方案主要有：借助超声波技术进行离线检测，结合声发射技术与深度学习算法进行损伤类型和程度的分析。但是，这些方案不能实现实时监测，而且对耐火材料的损伤识别的准确率也不高；而且，由于声信号在传播过程中存在衰减，这将导致这类检测方案的检测精度和可靠性均较差。
发明内容
本发明的目的在于提供一种可靠性高、准确率好且检测精度高的基于声发射技术的熔铸用耐火材料开裂诊断方法。
本发明提供的这种基于声发射技术的熔铸用耐火材料开裂诊断方法，包括如下步骤：
S1. 获取已有的耐火材料的声发射信号数据；
S2. 对步骤S1获取的信号数据进行数据处理，从而得到数据集；
S3. 基于宽度学习模型，构建耐火材料开裂诊断初步模型；
S4. 采用步骤S2得到的数据集，基于遗传算法，对步骤S3构建的耐火材料开裂诊断初步模型进行训练，得到耐火材料开裂诊断模型；
S5. 采用步骤S4得到的耐火材料开裂诊断模型，实时进行耐火材料的开裂诊断。
步骤S1所述的耐火材料的声发射信号数据，具体包括基质相开裂的声发射信号数据，界面相开裂的声发射信号数据，基质界面混合开裂的声发射信号数据和宏观开裂的声发射信号数据。
所述的步骤S2，具体包括如下步骤：
对获取的信号数据进行去噪和数据清洗；
结合计算公式
Figure SMS_1
和/>
Figure SMS_2
，对信号数据进行衰减复原；其中，/>
Figure SMS_3
为幅值衰减系数，/>
Figure SMS_4
为距参考点探头为X处传感器在时间t内测得的相应声发射波形幅值，/>
Figure SMS_5
为参考点探头在时间t内测得的声发射波形幅值；
对衰减复原后的数据，进行线性归一化处理，将数值转换为设定区间内；
将归一化后的数据，采用交叉验证法将数据分为k个互斥的子集，其中k-1个子集作为训练集，用于后续模型的训练；剩余的1个子集作为测试集，用于后续训练后的模型的性能测试；k为设定的参数。
所述的线性归一化处理，具体包括如下步骤：
采用算式
Figure SMS_6
进行线性归一化处理，其中/>
Figure SMS_7
为归一化后的第i1个数据，/>
Figure SMS_8
为归一化前的第i1数据，/>
Figure SMS_9
为归一化前所有数据x的均值，/>
Figure SMS_10
为归一化前所有数据x的最大值，/>
Figure SMS_11
为归一化前所有数据x的最小值。
所述的步骤S3，具体包括如下步骤：
基于随机向量函数链接神经网络，构建宽度学习系统模型；
根据构建的宽度学习系统模型，生成特征节点；
根据构建的宽度学习系统模型，生成增强节点。
所述的基于随机向量函数链接神经网络，构建宽度学习系统模型，具体包括如下步骤：
输入数据矩阵表示为X；
采用如下算式对数据矩阵进行运算，得到第i个映射特征
Figure SMS_12
：
Figure SMS_13
式中/>
Figure SMS_14
为第一激活函数；/>
Figure SMS_15
为随机权重；/>
Figure SMS_16
为第一随机偏置矩阵；
得到第i个映射特征群
Figure SMS_17
为/>
Figure SMS_18
；
采用如下算式对映射特征群
Figure SMS_19
进行处理，得到第j个增强节点/>
Figure SMS_20
：
Figure SMS_21
式中/>
Figure SMS_22
为第二激活函数；/>
Figure SMS_23
为正交规范化权重；/>
Figure SMS_24
为第二随机偏置矩阵；
将所有的第j个增强节点表示为
Figure SMS_25
为/>
Figure SMS_26
；
输入数据矩阵X中包括N个样本，每个样本包括M维特征；Y为输出矩阵；因此，宽度系统的输入A表示为
Figure SMS_27
，从而将宽度系统表示为/>
Figure SMS_28
，/>
Figure SMS_29
为宽度结构的链接权重；其中，|为矩阵并排符号；
得到
Figure SMS_30
的表达式为/>
Figure SMS_31
，其中+为伪逆；采用岭回归计算得到/>
Figure SMS_32
为
Figure SMS_33
，C为增量学习的中间变量。
所述的根据构建的宽度学习系统模型，生成特征节点，具体包括如下步骤：
建立输入数据到特征节点的映射：对输入节点转置矩阵进行Z分数标准化，将输入数据归一化到0~1之间；
然后对归一化后的输入节点转置矩阵
Figure SMS_34
进行增广，保证在生成特征节点时可以直接通过矩阵运算增加偏置项；所述的增广为在矩阵的最后一列增加一列元素，元素值为1；
采用以下步骤为每个窗口生成特征节点：
A. 生成随机权重矩阵we：we为
Figure SMS_35
维的随机权重矩阵，且元素的值服从高斯分布；f为权重矩阵的行数，/>
Figure SMS_36
为特征节点数；
B. 将步骤A生成的矩阵we放入矩阵
Figure SMS_37
中，ii为迭代量，迭代次数为/>
Figure SMS_38
；
C. 采用算式
Figure SMS_39
进行处理，对每个样本的特征进行一次权值的随机卷积和偏置，得到新的特征；对于每个样本，新的特征表示为：
Figure SMS_40
式中/>
Figure SMS_41
为权重；/>
Figure SMS_42
为每个样本特征；/>
Figure SMS_43
为增强节点矩阵；
D. 对矩阵
Figure SMS_44
进行归一化；
E. 对归一化后的矩阵再次进行稀疏表示：采用Lasso方法解决稀疏过程中的优化问题；新生成的随机特征向量的维数为
Figure SMS_45
，s为增强节点的缩放尺度；增广后的训练集维数为/>
Figure SMS_46
；目的是找到一个稀疏矩阵W，满足/>
Figure SMS_47
；采用以下算式求解稀疏矩阵W：
Figure SMS_48
式中/>
Figure SMS_49
为正则化函数；/>
Figure SMS_50
为矩阵2范数；/>
Figure SMS_51
为矩阵1范数；/>
Figure SMS_52
为岭回归系数；
F. 生成一个窗口的特征节点
Figure SMS_53
：/>
Figure SMS_54
，其中/>
Figure SMS_55
为标准化处理的处理函数；
对于
Figure SMS_56
个特征窗口，均生成/>
Figure SMS_57
个特征节点，每个节点均为s维特征向量；对于整个网络，特征节点矩阵y的维数为/>
Figure SMS_58
。
所述的根据构建的宽度学习系统模型，生成增强节点，具体包括如下步骤：
a. 对特征节点矩阵y进行标准化与增广操作，得到矩阵
Figure SMS_59
；设定/>
Figure SMS_60
，则增加节点的系数矩阵wh表示为/>
Figure SMS_61
维的、经过正交规范化后的随机矩阵；
b. 对增强节点进行激活：
Figure SMS_62
；其中/>
Figure SMS_63
为激活后的特征，/>
Figure SMS_64
为第三激活函数，/>
Figure SMS_65
为增强节点矩阵，s为增强节点的缩放尺度；
c. 生成网络的输入
Figure SMS_66
为/>
Figure SMS_67
，每个样本的特征维度为/>
Figure SMS_68
；
d. 采用如下算式求取伪逆：
Figure SMS_69
Figure SMS_70
式中W为链接权重，/>
Figure SMS_71
为岭回归系数，A为输入矩阵，Y为特征节点组成的矩阵，/>
Figure SMS_72
为矩阵A的伪逆。
所述的步骤S4，具体包括如下步骤：
采用遗传算法对构建的耐火材料开裂诊断初步模型中的待优化参数进行优化；优化过程中，当遗传算法的最优适应度值不变时，对算法过程进行优化，从而使得遗传算法能够获取更优的精度；
所述的待优化参数包括特征节点数、增强节点数和特征窗口数。
所述的步骤S4，具体包括如下步骤：
（1）. 采用实数对特征节点数
Figure SMS_74
、增强节点数/>
Figure SMS_76
和特征窗口数/>
Figure SMS_78
进行编码：特征节点数/>
Figure SMS_79
的取值范围为/>
Figure SMS_80
，增强节点数/>
Figure SMS_81
的取值范围为/>
Figure SMS_82
，特征窗口数/>
Figure SMS_73
的取值范围为/>
Figure SMS_75
；设定染色体的长度N为3；其中一条染色体的基因组成为/>
Figure SMS_77
；
（2）. 选择：计算编码后的可行解所对应的目标函数值；然后按照轮盘赌选择方式进行选择操作，将当前群体中适应度最高的个体结构完整地复制到下一代群体中；
（3）. 交叉：将经过选择的个体作为父代，进行如下交叉操作：
父代表示为：
Figure SMS_84
和/>
Figure SMS_85
；其中/>
Figure SMS_87
为第一父代，/>
Figure SMS_89
为第二父代，/>
Figure SMS_90
为第一父代中特征节点数的取值，/>
Figure SMS_91
为第一父代中增强节点数的取值，/>
Figure SMS_92
为第一父代中特征窗口数的取值，/>
Figure SMS_83
为第二父代中特征节点数的取值，/>
Figure SMS_86
为第二父代中增强节点数的取值，/>
Figure SMS_88
为第二父代中特征窗口数的取值；
父代交叉产生子代的过程为：
Figure SMS_94
其中/>
Figure SMS_96
为第一个子代，
Figure SMS_97
、/>
Figure SMS_98
和/>
Figure SMS_99
均为[0,1]的随机数且/>
Figure SMS_100
，/>
Figure SMS_101
为第一父代，/>
Figure SMS_93
为第二父代，/>
Figure SMS_95
为第二个子代；i=1,2,3,…,np-1，np为种群数；
产生的两个子代为：
Figure SMS_102
和/>
Figure SMS_104
；其中/>
Figure SMS_105
为产生的第一子代，/>
Figure SMS_107
为产生的第二子代，/>
Figure SMS_109
为第一子代的特征节点数的取值，/>
Figure SMS_110
为第一子代的增强节点数的取值，/>
Figure SMS_111
为第一子代的特征窗口数的取值，/>
Figure SMS_103
为第一子代的特征节点数的取值，/>
Figure SMS_106
为第一子代的增强节点数的取值，/>
Figure SMS_108
为第一子代的特征窗口数的取值；
若
Figure SMS_112
或/>
Figure SMS_113
越界，则子代用以下算式交叉产生：/>
Figure SMS_114
；
（4）变异：设定变异概率，并采用如下算式进行变异操作：
Figure SMS_115
Figure SMS_116
式中/>
Figure SMS_117
为变异后的第一子代；/>
Figure SMS_118
为变异前的第一子代；/>
Figure SMS_119
为变异后的第二子代；/>
Figure SMS_120
为变异前的第二子代；
（5）计算当前一代种群的最优适应度值fit：
若当前一代种群的最优适应度值fit大于适应度值最大值，则将当前一代种群的最优适应度值fit作为适应度值最大值，并重复步骤（2）~步骤（5）；
若当前一代种群的最优适应度值fit连续k轮均等于适应度最大值，则进行后续步骤（6），k为设定值；
（6）采用如下算式进行计算：
Figure SMS_126
Figure SMS_128
Figure SMS_130
Figure SMS_132
Figure SMS_134
式中/>
Figure SMS_136
为第一中间变量；T为遗传算法总的迭代数；gen为传算法的当前迭代数；
Figure SMS_137
为优化后的种群；/>
Figure SMS_121
为优化前的种群；/>
Figure SMS_123
为寻优参数的最小取值所组成的矩阵，且该矩阵的维度与当前迭代数相同；/>
Figure SMS_125
为寻优参数的最大取值所组成的矩阵，且该矩阵的维度与当前迭代数相同；r为取值范围为/>
Figure SMS_127
的随机数；/>
Figure SMS_129
为/>
Figure SMS_131
的随机矩阵；F为设定的阈值参数；
Figure SMS_133
为本次迭代中使适应度函数最优时对应的可行解；/>
Figure SMS_135
为本次迭代中使适应度函数最差时对应的可行解；NP为种群个数；/>
Figure SMS_122
为/>
Figure SMS_124
的随机数。
所述的步骤S5，具体包括如下步骤：
实时监测目标耐火材料；
采用声发射法采集目标耐火材料的数据信息，并进行数据处理；
将处理后的数据输入到得到的耐火材料开裂诊断模型，根据模型输出的数据，完成对应的目标耐火材料的开裂诊断。
本发明提供的这种基于声发射技术的熔铸用耐火材料开裂诊断方法，对获取的声发射数据进行信号复原和处理，解决了声发射传感器采集到的衰减后信号所导致的诊断模型可靠性较差的问题；本发明将损伤类型进行细分，同时将损伤类型组合成一个混合损伤类型并进行模型训练和识别，使得本发明方法能够识别多类型损伤；本发明对遗传算法进行了优化，提高了遗传算法在寻优过程中的收敛速度同时避免了产生局部最优解的缺陷；因此本发明的可靠性高、准确率好且检测精度高。
附图说明
图1为本发明的方法流程示意图。
图2为本发明的遗传算法的流程示意图。
图3为本发明的遗传算法的迭代对比示意图。
图4为本发明的实施例的信号衰减示意图。
图5为本发明的实施例的信号复原示意图。
具体实施方式
如图1所示为本发明的方法流程示意图：本发明提供的这种基于声发射技术的熔铸用耐火材料开裂诊断方法，包括如下步骤：
S1. 获取已有的耐火材料的声发射信号数据；具体包括基质相开裂的声发射信号数据，界面相开裂的声发射信号数据，基质界面混合开裂的声发射信号数据和宏观开裂的声发射信号数据等；
S2. 对步骤S1获取的信号数据进行数据处理，从而得到数据集；具体包括如下步骤：
对获取的信号数据进行去噪和数据清洗；
结合计算公式
Figure SMS_138
和/>
Figure SMS_139
，对信号数据进行衰减复原；其中，/>
Figure SMS_140
为幅值衰减系数，/>
Figure SMS_141
为距参考点探头为X处传感器在时间t内测得的相应声发射波形幅值，/>
Figure SMS_142
为参考点探头在时间t内测得的声发射波形幅值；
为了避免数据之间量纲造成的影响，对衰减复原后的数据进行线性归一化处理，将数值转换为设定区间内；具体包括如下步骤：
采用算式
Figure SMS_143
进行线性归一化处理，其中/>
Figure SMS_144
为归一化后的第i1个数据，/>
Figure SMS_145
为归一化前的第i1个数据，/>
Figure SMS_146
为归一化前所有数据x的均值，/>
Figure SMS_147
为归一化前所有数据x的最大值，/>
Figure SMS_148
为归一化前所有数据x的最小值；
将归一化后的数据，采用交叉验证法将数据分为k个互斥的子集，其中k-1个子集作为训练集，用于后续模型的训练；剩余的1个子集作为测试集，用于后续训练后的模型的性能测试；k为设定的参数；
S3. 基于宽度学习模型，构建耐火材料开裂诊断初步模型；具体包括如下步骤：
基于随机向量函数链接神经网络，构建宽度学习系统模型；具体包括如下步骤：
宽度学习系统的是一种新发展起来的深度学习结构的替代方案，该网络可以有效避免多层网络中的超参数冗余问题，是基于随机向量函数链接神经网络的系统；
输入数据矩阵表示为X；
采用如下算式对数据矩阵进行运算，得到第i个映射特征
Figure SMS_149
：
Figure SMS_150
式中/>
Figure SMS_151
为第一激活函数；/>
Figure SMS_152
为随机权重；/>
Figure SMS_153
为第一随机偏置矩阵；
得到第i个映射特征群
Figure SMS_154
为/>
Figure SMS_155
；
采用如下算式对映射特征群
Figure SMS_156
进行处理，得到第j个增强节点/>
Figure SMS_157
：
Figure SMS_158
式中/>
Figure SMS_159
为第二激活函数；/>
Figure SMS_160
为正交规范化权重；/>
Figure SMS_161
为第二随机偏置矩阵；
在实际应用中，i和j的大小自行设定即可；同时对于
Figure SMS_162
，/>
Figure SMS_163
和/>
Figure SMS_164
两个函数可以不同；对于/>
Figure SMS_165
，/>
Figure SMS_166
和/>
Figure SMS_167
两个函数可以不同；
将所有的第j个增强节点表示为
Figure SMS_168
为/>
Figure SMS_169
；
输入数据矩阵X中包括N个样本，每个样本包括M维特征；Y为输出矩阵；因此，宽度系统的输入A表示为
Figure SMS_170
，从而将宽度系统表示为/>
Figure SMS_171
，/>
Figure SMS_172
为宽度结构的链接权重；其中，|为矩阵并排符号；
得到
Figure SMS_173
的表达式为/>
Figure SMS_174
，其中+为伪逆；采用岭回归计算得到/>
Figure SMS_175
为
Figure SMS_176
，C为增量学习的中间变量；
根据构建的宽度学习系统模型，生成特征节点；具体包括如下步骤：
宽度学习系统的核心就是求特征节点和增强节点到目标值的伪逆；在宽度学习系统，特征节点和增强节点相对应的是神经网络的输入，求得的逆矩阵相当于神经网络的权值；
建立输入数据到特征节点的映射：对输入节点转置矩阵进行Z分数标准化，将输入数据归一化到0~1之间；
然后对归一化后的输入节点转置矩阵
Figure SMS_177
进行增广，保证在生成特征节点时可以直接通过矩阵运算增加偏置项；所述的增广为在矩阵的最后一列增加一列元素，元素值为1；
采用以下步骤为每个窗口生成特征节点：
A. 生成随机权重矩阵we：we为
Figure SMS_178
维的随机权重矩阵，且元素的值服从高斯分布；f为权重矩阵的行数，/>
Figure SMS_179
为特征节点数；
B. 将步骤A生成的矩阵we放入矩阵
Figure SMS_180
中，ii为迭代量，迭代次数为/>
Figure SMS_181
；
C. 采用算式
Figure SMS_182
进行处理，对每个样本的特征进行一次权值的随机卷积和偏置，得到新的特征；对于每个样本，新的特征表示为：
Figure SMS_183
式中/>
Figure SMS_184
为权重；/>
Figure SMS_185
为每个样本特征；/>
Figure SMS_186
为增强节点矩阵；
D. 对矩阵
Figure SMS_187
进行归一化；
E. 对归一化后的矩阵再次进行稀疏表示：采用Lasso方法解决稀疏过程中的优化问题；新生成的随机特征向量的维数为
Figure SMS_188
，s为增强节点的缩放尺度；增广后的训练集维数为/>
Figure SMS_189
；目的是找到一个稀疏矩阵W，满足/>
Figure SMS_190
；采用以下算式求解稀疏矩阵W：
Figure SMS_191
式中/>
Figure SMS_192
为正则化函数；/>
Figure SMS_193
为矩阵2范数；/>
Figure SMS_194
为矩阵1范数；/>
Figure SMS_195
为岭回归系数；
F. 生成一个窗口的特征节点
Figure SMS_196
：/>
Figure SMS_197
，其中/>
Figure SMS_198
为标准化处理的处理函数；
对于
Figure SMS_199
个特征窗口，均生成/>
Figure SMS_200
个特征节点，每个节点均为s维特征向量；对于整个网络，特征节点矩阵y的维数为/>
Figure SMS_201
；
根据构建的宽度学习系统模型，生成增强节点；具体包括如下步骤：
特征节点是线性的；所以为了增加系统的非线性引入增强节点；
a. 对特征节点矩阵y进行标准化与增广操作，得到矩阵
Figure SMS_202
；与特征节点不同，增强节点的系数矩阵不是随机矩阵，而是经过正交规范化后的随机矩阵；设定/>
Figure SMS_203
，则增加节点的系数矩阵wh表示为/>
Figure SMS_204
维的、经过正交规范化后的随机矩阵；目的是将特征节点通过非线性映射到一个高维的子空间，使得宽度学习系统的表达能力更强；
b. 对增强节点进行激活：
Figure SMS_205
；其中/>
Figure SMS_206
为激活后的特征，/>
Figure SMS_207
为第三激活函数，/>
Figure SMS_208
为增强节点矩阵，s为增强节点的缩放尺度；
c. 生成网络的输入
Figure SMS_209
为/>
Figure SMS_210
，每个样本的特征维度为/>
Figure SMS_211
；
d. 采用如下算式求取伪逆：
Figure SMS_212
Figure SMS_213
式中W为链接权重，/>
Figure SMS_214
为岭回归系数，A为输入矩阵，Y为特征节点组成的矩阵，/>
Figure SMS_215
为矩阵A的伪逆；
S4. 采用步骤S2得到的数据集，基于遗传算法，对步骤S3构建的耐火材料开裂诊断初步模型进行训练，得到耐火材料开裂诊断模型；具体包括如下步骤：
在以上构建的模型中，其中合理设置特征节点，增强节点，特征窗口参数的值直接关系到整个网络的性能，因此，采用遗传算法对构建的耐火材料开裂诊断初步模型中的待优化参数进行优化；优化过程中，当遗传算法的最优适应度值不变时，对算法过程进行优化，从而使得遗传算法能够获取更优的精度；其中，待优化参数包括特征节点数、增强节点数和特征窗口数；
遗传算法是一种通过模拟自然进化过程搜索最优解的方法，其主要优点是直接对结构对象进行操作，以目标函数值最优作为搜索信息，避免了求导等复杂操作；采用概率化的寻优方法，不需要确定的规则就能自动获取和指导优化的搜索空间，自适应地调整搜索方向；具有可扩展性，方便同其他技术混合使用；但是，它的缺点是算法的搜索速度比较慢，要得到较精确的解需要较多的训练时间，很容易陷入“早熟”，即造成局部最优解；因此本发明对遗传算法进行了改进，使得改进后的遗传算法能够跳出局部最优解，从而提高算法的性能；
具体实施时，包括如下步骤（流程如图2所示）：
（1）. 由于对宽度学习系统的三个参数进行寻优，且采用二进制编码时需要进行解码，这会导致算法的效率降低，因此采用实数对特征节点数
Figure SMS_217
、增强节点数/>
Figure SMS_218
和特征窗口数/>
Figure SMS_220
进行编码：特征节点数/>
Figure SMS_222
的取值范围为/>
Figure SMS_223
，增强节点数/>
Figure SMS_224
的取值范围为/>
Figure SMS_225
，特征窗口数/>
Figure SMS_216
的取值范围为/>
Figure SMS_219
；设定染色体的长度N为3；其中一条染色体的基因组成为/>
Figure SMS_221
；
（2）. 选择：计算编码后的可行解所对应的目标函数值；然后按照轮盘赌选择方式进行选择操作，将当前群体中适应度最高的个体结构完整地复制到下一代群体中；
（3）. 交叉：将经过选择的个体作为父代，进行如下交叉操作：
父代表示为：
Figure SMS_226
和/>
Figure SMS_228
；其中/>
Figure SMS_230
为第一父代，/>
Figure SMS_232
为第二父代，/>
Figure SMS_233
为第一父代中特征节点数的取值，/>
Figure SMS_234
为第一父代中增强节点数的取值，/>
Figure SMS_235
为第一父代中特征窗口数的取值，/>
Figure SMS_227
为第二父代中特征节点数的取值，/>
Figure SMS_229
为第二父代中增强节点数的取值，/>
Figure SMS_231
为第二父代中特征窗口数的取值；
父代交叉产生子代的过程为：
Figure SMS_237
其中/>
Figure SMS_239
为第一个子代，
Figure SMS_240
、/>
Figure SMS_241
和/>
Figure SMS_242
均为[0,1]的随机数且/>
Figure SMS_243
，/>
Figure SMS_244
为第一父代，/>
Figure SMS_236
为第二父代，/>
Figure SMS_238
为第二个子代；i=1,2,3,…,np-1，np为种群数；
产生的两个子代为：
Figure SMS_246
和/>
Figure SMS_247
；其中/>
Figure SMS_248
为产生的第一子代，/>
Figure SMS_250
为产生的第二子代，/>
Figure SMS_252
为第一子代的特征节点数的取值，/>
Figure SMS_253
为第一子代的增强节点数的取值，/>
Figure SMS_254
为第一子代的特征窗口数的取值，/>
Figure SMS_245
为第一子代的特征节点数的取值，/>
Figure SMS_249
为第一子代的增强节点数的取值，/>
Figure SMS_251
为第一子代的特征窗口数的取值；
若
Figure SMS_255
或/>
Figure SMS_256
越界，则子代用以下算式交叉产生：/>
Figure SMS_257
；
（4）变异：种群基因的多样性是保证遗传算法寻找到全局最优解的前提条件；在进化过程中由于选择淘汰的个体会导致基因多样性减少，而变异操作会弥补基因不足的缺点，所以遗传算法的变异操作是必不可少的；本发明采用变异方式为：设定变异概率，并采用如下算式进行变异操作：
Figure SMS_258
Figure SMS_259
式中/>
Figure SMS_260
为变异后的第一子代；/>
Figure SMS_261
为变异前的第一子代；
Figure SMS_262
为变异后的第二子代；/>
Figure SMS_263
为变异前的第二子代；
（5）计算当前一代种群的适应度值fit：
若当前一代种群的适应度值fit大于适应度值最大值，则将当前一代种群的适应度值fit作为适应度值最大值，并重复步骤（2）~步骤（5）；
若当前一代种群的最优适应度值fit连续k轮均等于适应度最大值，则进行后续步骤（6），k为设定值；
（6）采用如下算式进行计算：
Figure SMS_269
Figure SMS_271
Figure SMS_273
Figure SMS_275
Figure SMS_276
式中/>
Figure SMS_278
为第一中间变量；T为遗传算法总的迭代数；gen为传算法的当前迭代数；
Figure SMS_280
为优化后的种群；/>
Figure SMS_265
为优化前的种群；/>
Figure SMS_266
为寻优参数的最小取值所组成的矩阵，且该矩阵的维度与当前迭代数相同；/>
Figure SMS_267
为寻优参数的最大取值所组成的矩阵，且该矩阵的维度与当前迭代数相同；r为取值范围为/>
Figure SMS_270
的随机数；/>
Figure SMS_272
为/>
Figure SMS_274
的随机矩阵；F为设定的阈值参数；
Figure SMS_277
为本次迭代中使适应度函数最优时对应的可行解；/>
Figure SMS_279
为本次迭代中使适应度函数最差时对应的可行解；NP为种群个数；/>
Figure SMS_264
为/>
Figure SMS_268
的随机数；
S5. 采用步骤S4得到的耐火材料开裂诊断模型，进行实际的耐火材料的开裂诊断；具体包括如下步骤：
实时监测目标耐火材料；
采用声发射法采集目标耐火材料的数据信息，并进行数据处理（数据处理过程与步骤S2中所述的过程相同）；
将处理后的数据输入到得到的耐火材料开裂诊断模型，根据模型输出的数据，完成对应的目标耐火材料的开裂诊断。
以下结合一个实施例，对本发明方法进行进一步说明：
实验设备：声发射传感器型号为：PXR15长沙鹏翔声发射传感器，谐振频率150KHz；数据采集卡为：SNET03A，采样率1M,MATLAB编程语言，压力试验机（HSD-LX306）；
本实施例利用声发射法采集耐火材料基质相损伤，界面相损伤。基质界面混合损伤，宏观断裂损伤类型的历史数据。并将其标签分别为1，2，3，4。各损伤类型各位100组数据，长度为1024。
然后将各历史数据进行归一化处理；
使用交叉验证法将数据集划分为训练集，测试集；
通过参考大量文献以及交叉实验验证，正则化参数
Figure SMS_281
；增强节点缩放因子 s=0.8；确定宽度学习系统特征节点m，增强节点n，特征窗口数v的取值范围分别为[2 20]、[220]和[500 2000]；
本实施例结合遗传算法的一些优、缺点，并结合宽度学习参数寻优实际问题，对遗传算法进行改进，以实现本发明的目的
然后，进行编码：对宽度学习系统特征节点m，增强节点n，特征窗口数v三个参数进行实数化编码；
选择：根据编码种群个体基因，对个体进行适应度（宽度学习输出的准确率）进行计算，从大到小排列，使用最佳保存选择进行选择操作；
交叉：针对经过选择操作留下的染色体产生一个随机数；若该随机数大于等于交叉概率则进行相应的交叉操作，否则在余下的染色体中重新选择一对染色体继续产生一个随机数，并判断是否可进行交叉操作；本可实施例中交叉概率设定为0.8；在染色体交叉过程中，交叉开始点位和交叉长度均随机产生，以提高种群的随机性，避免算法陷入局部收敛；
变异：变异概率设定为0.08，迭代次数为500；
计算新一代种群的适应度值，看是否满足终止条件（是否连续k轮当前最优Fit＝max（fit））：若不满足，则重复以上步骤；当最优适应度值不变时，可能陷入局部最优解，此时进行后续步骤；
采用改进的方法进行计算，使得遗传算法能够跳出局部最优解；
输出经优化后的目标函数值最大时对应三个参数的值；本例中输出结果为m=12，n=16，v=1200。
将本实施例在matlab中进行仿真，其中传统的遗传算法与本发明提出的改进的遗传算法的效果对比图如图3所示，具体数值如表1所示：
表1 对比数值示意表
Figure SMS_282
通过图3和表1可以知道，本发明提出的改进遗传算法对宽度学习参数寻优之后的诊断准确率到达100%，优于目前存在的智能算法的准确率。而传统的遗传算法存在收敛速度慢，效率低下，出现局部收敛的缺点导致宽度学习并未到达最优状态，而本发明提出的改进遗传算法避免了该问题，能达到理想的结果。
实时监测：
在此前操作中已经借助历史数据，改进的遗传算法把宽度学习诊断模型优化到最佳模式。本实施例中借助压力试验机对快要发生宏观开裂损伤类型的耐火材料进行加载实验，通过加载过程使其发生开裂，声发射传感器采集到这实时损伤信号，用于验证训练好的宽度学习系统模型。
各传感器采集到的声发射信号如图4所示，其中图4（a）为参考点信号，图4（b）为离参考点50mm的信号，图4（c）为离参考点100mm的信号；
复原后的信号如图5所示，其中图5（a）为参考点信号，图5（b）为离参考点50mm的信号，图5（c）为离参考点100mm的信号。
信号衰减复原利用相应的公式进行求解，复原之后信号和参考点信号有误差但很小，可忽略；这也说明本发明提出的信号复原的过程非常有效，能够有效提高模型的诊断精度。最后，将复原之后的信号再进行归一化处理，然后输入到最终的宽度学习系统诊断模型中，输出标签为4，诊断正确。

Claims (8)

1.一种基于声发射技术的熔铸用耐火材料开裂诊断方法，包括如下步骤：
S1. 获取已有的耐火材料的声发射信号数据；
S2. 对步骤S1获取的信号数据进行数据处理，从而得到数据集；
S3. 基于宽度学习模型，构建耐火材料开裂诊断初步模型；
S4. 采用步骤S2得到的数据集，基于遗传算法，对步骤S3构建的耐火材料开裂诊断初步模型进行训练，得到耐火材料开裂诊断模型；具体包括如下步骤：
采用遗传算法对构建的耐火材料开裂诊断初步模型中的待优化参数进行优化；优化过程中，当遗传算法的最优适应度值不变时，对算法过程进行优化，从而使得遗传算法能够获取更优的精度；
所述的待优化参数包括特征节点数、增强节点数和特征窗口数；
具体实施时，包括如下步骤：
（1）. 采用实数对特征节点数
Figure QLYQS_2
、增强节点数/>
Figure QLYQS_3
和特征窗口数/>
Figure QLYQS_5
进行编码：特征节点数/>
Figure QLYQS_6
的取值范围为/>
Figure QLYQS_7
，增强节点数/>
Figure QLYQS_9
的取值范围为/>
Figure QLYQS_10
，特征窗口数/>
Figure QLYQS_1
的取值范围为/>
Figure QLYQS_4
；设定染色体的长度N为3；其中一条染色体的基因组成为/>
Figure QLYQS_8
；
（2）. 选择：计算编码后的可行解所对应的目标函数值；然后按照轮盘赌选择方式进行选择操作，将当前群体中适应度最高的个体结构完整地复制到下一代群体中；
（3）. 交叉：将经过选择的个体作为父代，进行如下交叉操作：
父代表示为：
Figure QLYQS_11
和/>
Figure QLYQS_13
；其中/>
Figure QLYQS_14
为第一父代，/>
Figure QLYQS_16
为第二父代，
Figure QLYQS_18
为第一父代中特征节点数的取值，/>
Figure QLYQS_19
为第一父代中增强节点数的取值，/>
Figure QLYQS_20
为第一父代中特征窗口数的取值，/>
Figure QLYQS_12
为第二父代中特征节点数的取值，/>
Figure QLYQS_15
为第二父代中增强节点数的取值，/>
Figure QLYQS_17
为第二父代中特征窗口数的取值；
父代交叉产生子代的过程为：
Figure QLYQS_21
；其中/>
Figure QLYQS_23
为第一个子代，/>
Figure QLYQS_25
、/>
Figure QLYQS_26
和/>
Figure QLYQS_27
均为[0,1]的随机数且/>
Figure QLYQS_28
，/>
Figure QLYQS_29
为第一父代，/>
Figure QLYQS_22
为第二父代，/>
Figure QLYQS_24
为第二个子代；i=1,2,3,…,np-1，np为种群数；
产生的两个子代为：
Figure QLYQS_31
和/>
Figure QLYQS_33
；其中/>
Figure QLYQS_35
为产生的第一子代，/>
Figure QLYQS_36
为产生的第二子代，/>
Figure QLYQS_37
为第一子代的特征节点数的取值，/>
Figure QLYQS_38
为第一子代的增强节点数的取值，/>
Figure QLYQS_39
为第一子代的特征窗口数的取值，/>
Figure QLYQS_30
为第一子代的特征节点数的取值，/>
Figure QLYQS_32
为第一子代的增强节点数的取值，/>
Figure QLYQS_34
为第一子代的特征窗口数的取值；
若
Figure QLYQS_40
或/>
Figure QLYQS_41
越界，则子代用以下算式交叉产生：/>
Figure QLYQS_42
；
（4）变异：设定变异概率，并采用如下算式进行变异操作：
Figure QLYQS_43
Figure QLYQS_44
式中/>
Figure QLYQS_45
为变异后的第一子代；/>
Figure QLYQS_46
为变异前的第一子代；/>
Figure QLYQS_47
为变异后的第二子代；/>
Figure QLYQS_48
为变异前的第二子代；
（5）计算当前一代种群的最优适应度值fit：
若当前一代种群的最优适应度值fit大于适应度值最大值，则将当前一代种群的最优适应度值fit作为适应度值最大值，并重复步骤（2）~步骤（5）；
若当前一代种群的最优适应度值fit连续k轮均等于适应度最大值，则进行后续步骤（6），k为设定值；
（6）采用如下算式进行计算：
Figure QLYQS_53
Figure QLYQS_55
Figure QLYQS_57
Figure QLYQS_59
Figure QLYQS_61
式中/>
Figure QLYQS_63
为第一中间变量；T为遗传算法总的迭代数；gen为传算法的当前迭代数；/>
Figure QLYQS_65
为优化后的种群；/>
Figure QLYQS_49
为优化前的种群；/>
Figure QLYQS_52
为寻优参数的最小取值所组成的矩阵，且该矩阵的维度与当前迭代数相同；/>
Figure QLYQS_54
为寻优参数的最大取值所组成的矩阵，且该矩阵的维度与当前迭代数相同；r为取值范围为/>
Figure QLYQS_56
的随机数；/>
Figure QLYQS_58
为/>
Figure QLYQS_60
的随机矩阵；F为设定的阈值参数；/>
Figure QLYQS_62
为本次迭代中使适应度函数最优时对应的可行解；/>
Figure QLYQS_64
为本次迭代中使适应度函数最差时对应的可行解；NP为种群个数；/>
Figure QLYQS_50
为/>
Figure QLYQS_51
的随机数；
S5. 采用步骤S4得到的耐火材料开裂诊断模型，实时进行耐火材料的开裂诊断。
2.根据权利要求1所述的基于声发射技术的熔铸用耐火材料开裂诊断方法，其特征在于步骤S1所述的耐火材料的声发射信号数据，具体包括基质相开裂的声发射信号数据，界面相开裂的声发射信号数据，基质界面混合开裂的声发射信号数据和宏观开裂的声发射信号数据。
3.根据权利要求1所述的基于声发射技术的熔铸用耐火材料开裂诊断方法，其特征在于所述的步骤S2，具体包括如下步骤：
对获取的信号数据进行去噪和数据清洗；
结合计算公式
Figure QLYQS_66
和/>
Figure QLYQS_67
，对信号数据进行衰减复原；其中，/>
Figure QLYQS_68
为幅值衰减系数，/>
Figure QLYQS_69
为距参考点探头为X处传感器在时间t内测得的相应声发射波形幅值，/>
Figure QLYQS_70
为参考点探头在时间t内测得的声发射波形幅值；
对衰减复原后的数据，进行线性归一化处理，将数值转换为设定区间内；
将归一化后的数据，采用交叉验证法将数据分为k个互斥的子集，其中k-1个子集作为训练集，用于后续模型的训练；剩余的1个子集作为测试集，用于后续训练后的模型的性能测试；k为设定的参数。
4.根据权利要求1~3之一所述的基于声发射技术的熔铸用耐火材料开裂诊断方法，其特征在于所述的步骤S3，具体包括如下步骤：
基于随机向量函数链接神经网络，构建宽度学习系统模型；
根据构建的宽度学习系统模型，生成特征节点；
根据构建的宽度学习系统模型，生成增强节点。
5.根据权利要求4所述的基于声发射技术的熔铸用耐火材料开裂诊断方法，其特征在于所述的基于随机向量函数链接神经网络，构建宽度学习系统模型，具体包括如下步骤：
输入数据矩阵表示为X；
采用如下算式对数据矩阵进行运算，得到第i个映射特征
Figure QLYQS_71
：/>
Figure QLYQS_72
式中/>
Figure QLYQS_73
为第一激活函数；/>
Figure QLYQS_74
为随机权重；/>
Figure QLYQS_75
为第一随机偏置矩阵；
得到第i个映射特征群
Figure QLYQS_76
为/>
Figure QLYQS_77
；
采用如下算式对映射特征群
Figure QLYQS_78
进行处理，得到第j个增强节点/>
Figure QLYQS_79
：/>
Figure QLYQS_80
式中
Figure QLYQS_81
为第二激活函数；/>
Figure QLYQS_82
为正交规范化权重；/>
Figure QLYQS_83
为第二随机偏置矩阵；
将所有的第j个增强节点表示为
Figure QLYQS_84
为/>
Figure QLYQS_85
；
输入数据矩阵X中包括N个样本，每个样本包括M维特征；Y为输出矩阵；因此，宽度系统的输入A表示为
Figure QLYQS_86
，从而将宽度系统表示为/>
Figure QLYQS_87
，/>
Figure QLYQS_88
为宽度结构的链接权重；其中，|为矩阵并排符号；
得到
Figure QLYQS_89
的表达式为/>
Figure QLYQS_90
，其中+为伪逆；采用岭回归计算得到/>
Figure QLYQS_91
为
Figure QLYQS_92
，C为增量学习的中间变量。
6.根据权利要求5所述的基于声发射技术的熔铸用耐火材料开裂诊断方法，其特征在于所述的根据构建的宽度学习系统模型，生成特征节点，具体包括如下步骤：
建立输入数据到特征节点的映射：对输入节点转置矩阵进行Z分数标准化，将输入数据归一化到0~1之间；
然后对归一化后的输入节点转置矩阵
Figure QLYQS_93
进行增广，保证在生成特征节点时可以直接通过矩阵运算增加偏置项；所述的增广为在矩阵的最后一列增加一列元素，元素值为1；
采用以下步骤为每个窗口生成特征节点：
A. 生成随机权重矩阵we：we为
Figure QLYQS_94
维的随机权重矩阵，且元素的值服从高斯分布；f为权重矩阵的行数，/>
Figure QLYQS_95
为特征节点数；
B. 将步骤A生成的矩阵we放入矩阵
Figure QLYQS_96
中，ii为迭代量，迭代次数为/>
Figure QLYQS_97
；
C. 采用算式
Figure QLYQS_98
进行处理，对每个样本的特征进行一次权值的随机卷积和偏置，得到新的特征；对于每个样本，新的特征表示为：
Figure QLYQS_99
式中/>
Figure QLYQS_100
为权重；/>
Figure QLYQS_101
为每个样本特征；/>
Figure QLYQS_102
为增强节点矩阵；
D. 对矩阵
Figure QLYQS_103
进行归一化；
E. 对归一化后的矩阵再次进行稀疏表示：采用Lasso方法解决稀疏过程中的优化问题；新生成的随机特征向量的维数为
Figure QLYQS_104
，s为增强节点的缩放尺度；增广后的训练集维数为/>
Figure QLYQS_106
；目的是找到一个稀疏矩阵W，满足/>
Figure QLYQS_107
；采用以下算式求解稀疏矩阵W：
Figure QLYQS_108
式中/>
Figure QLYQS_109
为正则化函数；/>
Figure QLYQS_110
为矩阵2范数；/>
Figure QLYQS_111
为矩阵1范数；/>
Figure QLYQS_105
为岭回归系数；
F. 生成一个窗口的特征节点
Figure QLYQS_112
：/>
Figure QLYQS_113
，其中/>
Figure QLYQS_114
为标准化处理的处理函数；
对于
Figure QLYQS_115
个特征窗口，均生成/>
Figure QLYQS_116
个特征节点，每个节点均为s维特征向量；对于整个网络，特征节点矩阵y的维数为/>
Figure QLYQS_117
。
7.根据权利要求6所述的基于声发射技术的熔铸用耐火材料开裂诊断方法，其特征在于所述的根据构建的宽度学习系统模型，生成增强节点，具体包括如下步骤：
a. 对特征节点矩阵y进行标准化与增广操作，得到矩阵
Figure QLYQS_118
；设定/>
Figure QLYQS_119
，则增加节点的系数矩阵wh表示为/>
Figure QLYQS_120
维的、经过正交规范化后的随机矩阵；
b. 对增强节点进行激活：
Figure QLYQS_121
；其中/>
Figure QLYQS_122
为激活后的特征，/>
Figure QLYQS_123
为第三激活函数，/>
Figure QLYQS_124
为增强节点矩阵，s为增强节点的缩放尺度；
c. 生成网络的输入
Figure QLYQS_125
为/>
Figure QLYQS_126
，每个样本的特征维度为/>
Figure QLYQS_127
；
d. 采用如下算式求取伪逆：
Figure QLYQS_128
Figure QLYQS_129
式中W为链接权重，/>
Figure QLYQS_130
为岭回归系数，A为输入矩阵，Y为特征节点组成的矩阵，/>
Figure QLYQS_131
为矩阵A的伪逆。
8.根据权利要求1所述的基于声发射技术的熔铸用耐火材料开裂诊断方法，其特征在于所述的步骤S5，具体包括如下步骤：
实时监测目标耐火材料；
采用声发射法采集目标耐火材料的数据信息，并进行数据处理；
将处理后的数据输入到得到的耐火材料开裂诊断模型，根据模型输出的数据，完成对应的目标耐火材料的开裂诊断。
CN202310386803.4A 2023-04-12 2023-04-12 基于声发射技术的熔铸用耐火材料开裂诊断方法 Active CN116106430B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310386803.4A CN116106430B (zh) 2023-04-12 2023-04-12 基于声发射技术的熔铸用耐火材料开裂诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310386803.4A CN116106430B (zh) 2023-04-12 2023-04-12 基于声发射技术的熔铸用耐火材料开裂诊断方法

Publications (2)

Publication Number Publication Date
CN116106430A CN116106430A (zh) 2023-05-12
CN116106430B true CN116106430B (zh) 2023-06-27

Family

ID=86265883

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310386803.4A Active CN116106430B (zh) 2023-04-12 2023-04-12 基于声发射技术的熔铸用耐火材料开裂诊断方法

Country Status (1)

Country Link
CN (1) CN116106430B (zh)

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008209107A (ja) * 2007-01-29 2008-09-11 Mitsubishi Heavy Ind Ltd 溶融炉の炉底耐火物監視方法
TW201111774A (en) * 2009-09-18 2011-04-01 Dragon Steel Corp Non-destructive strength testing method for refractory materials
CN108388860B (zh) * 2018-02-12 2020-04-28 大连理工大学 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法
CN110389169A (zh) * 2018-04-17 2019-10-29 江苏必得科技股份有限公司 列车部件裂纹损伤监测方法和系统
CN112185419A (zh) * 2020-09-30 2021-01-05 天津大学 一种基于机器学习的玻璃瓶裂纹检测方法
CN112613105B (zh) * 2020-12-25 2024-03-08 扬州大学 一种基于声发射参数与遗传算法优化bp神经网络的钢筋混凝土梁损伤状态识别方法
CA3150478A1 (en) * 2021-03-01 2022-09-01 Ecole De Technologie Superieure Ultrasonic testing for defect detection
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
CN215263289U (zh) * 2021-06-21 2021-12-21 金丰利刃具(广东)有限公司 一种金刚石锯片检测装置
US20230055880A1 (en) * 2021-08-18 2023-02-23 Robert Bosch Gmbh Systems and methods for detecting windshield cracks
CN113806884B (zh) * 2021-09-02 2023-04-07 广东泰坦智能动力有限公司 基于遗传算法的谐振变换器设计参数选定方法
CN114596262A (zh) * 2022-01-27 2022-06-07 福建华电福瑞能源发展有限公司古田溪水力发电厂 一种基于图像识别技术的大坝监测分析方法及系统
CN114861778A (zh) * 2022-04-22 2022-08-05 哈尔滨理工大学 一种改进宽度迁移学习的不同负载下滚动轴承状态快速分类方法

Also Published As

Publication number Publication date
CN116106430A (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
Ma et al. Discriminative deep belief networks with ant colony optimization for health status assessment of machine
CN109978079A (zh) 一种改进的堆栈降噪自编码器的数据清洗方法
CN112858917B (zh) 基于遗传算法优化神经网络的电池系统多故障诊断方法
CN109919356B (zh) 一种基于bp神经网络区间需水预测方法
CN111259953B (zh) 一种基于电容型设备缺陷数据的设备缺陷时间预测方法
CN112147432A (zh) 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统
CN116448419A (zh) 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法
CN115841004B (zh) 基于多维数据的带钢热轧过程力学性能软测量方法及装置
CN115618732B (zh) 核反应堆数字孪生关键参数自主优化数据反演方法
CN113239022B (zh) 医疗诊断缺失数据补全方法及补全装置、电子设备、介质
Xu et al. Data-driven adaptive virtual metrology for yield prediction in multibatch wafers
CN115456044A (zh) 一种基于知识图谱多集池化的装备健康状态评估方法
CN100470427C (zh) 基于仿生智能的工业软测量仪表及软测量方法
CN116106430B (zh) 基于声发射技术的熔铸用耐火材料开裂诊断方法
CN116933419B (zh) 基于工艺分析的精密铜管性能评估方法及系统
CN117252114A (zh) 一种基于遗传算法的电缆耐扭转实验方法
CN117312939A (zh) 基于深度学习的sofc系统工况辨识方法
CN114021469B (zh) 一种基于混合序列网络进行一段炉过程监测的方法
CN116842323A (zh) 一种供水管线运行数据异常检测方法
CN116539459A (zh) 一种基于声发射监测和机器学习的疲劳裂纹扩展速率预测方法和系统
CN108760813B (zh) 一种基于温度信号的燃气轮机涡轮叶片健康监测系统及方法
CN114897047B (zh) 基于深度字典的多传感器数据漂移检测方法
CN115935814A (zh) 一种基于arima-svm模型的变压器故障预测方法
CN112686366A (zh) 一种基于随机搜索和卷积神经网络的轴承故障诊断方法
CN117454212B (zh) 一种基于数据聚类的遥测数据互检测方法

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