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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000005336 cracking Methods 0.000 title claims abstract description 58
- 239000011819 refractory material Substances 0.000 title claims abstract description 50
- 238000003745 diagnosis Methods 0.000 title claims abstract description 35
- 238000005266 casting Methods 0.000 title claims abstract description 17
- 238000005516 engineering process Methods 0.000 title claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 120
- 238000004422 calculation algorithm Methods 0.000 claims description 47
- 230000002068 genetic effect Effects 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 31
- 238000010606 normalization Methods 0.000 claims description 25
- 239000000523 sample Substances 0.000 claims description 22
- 230000035772 mutation Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 13
- 230000003416 augmentation Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 8
- 210000000349 chromosome Anatomy 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 4
- 102000002274 Matrix Metalloproteinases Human genes 0.000 claims description 3
- 108010000684 Matrix Metalloproteinases Proteins 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000011056 performance test Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 2
- 230000003014 reinforcing effect Effects 0.000 claims 1
- 230000006378 damage Effects 0.000 abstract description 15
- 238000001514 detection method Methods 0.000 abstract description 9
- 230000007547 defect Effects 0.000 abstract description 5
- 230000002238 attenuated effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000005070 ripening Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
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;
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:
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;
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;
采用以下步骤为每个窗口生成特征节点:
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,s为增强节点的缩放尺度;增广后的训练集维数为/>;目的是找到一个稀疏矩阵W,满足/>;采用以下算式求解稀疏矩阵W:
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:
d. 采用如下算式求取伪逆:
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、增强节点数/>和特征窗口数/>进行编码:特征节点数/>的取值范围为/>,增强节点数/>的取值范围为/>,特征窗口数/>的取值范围为/>;设定染色体的长度N为3;其中一条染色体的基因组成为/>;
(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:和/>;其中/>为第一父代,/>为第二父代,/>为第一父代中特征节点数的取值,/>为第一父代中增强节点数的取值,/>为第一父代中特征窗口数的取值,/>为第二父代中特征节点数的取值,/>为第二父代中增强节点数的取值,/>为第二父代中特征窗口数的取值;
产生的两个子代为:和/>;其中/>为产生的第一子代,/>为产生的第二子代,/>为第一子代的特征节点数的取值,/>为第一子代的增强节点数的取值,/>为第一子代的特征窗口数的取值,/>为第一子代的特征节点数的取值,/>为第一子代的增强节点数的取值,/>为第一子代的特征窗口数的取值;
(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:
式中/>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;为优化后的种群;/>为优化前的种群;/>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;/>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/>的随机数;/>为/>的随机矩阵;F为设定的阈值参数;为本次迭代中使适应度函数最优时对应的可行解;/>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;/>为/>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;
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:
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;
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;
采用以下步骤为每个窗口生成特征节点:
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,s为增强节点的缩放尺度;增广后的训练集维数为/>;目的是找到一个稀疏矩阵W,满足/>;采用以下算式求解稀疏矩阵W:
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;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/>,则增加节点的系数矩阵wh表示为/>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;
d. 采用如下算式求取伪逆:
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、增强节点数/>和特征窗口数/>进行编码:特征节点数/>的取值范围为/>,增强节点数/>的取值范围为/>,特征窗口数/>的取值范围为/>;设定染色体的长度N为3;其中一条染色体的基因组成为/>;
(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:和/>;其中/>为第一父代,/>为第二父代,/>为第一父代中特征节点数的取值,/>为第一父代中增强节点数的取值,/>为第一父代中特征窗口数的取值,/>为第二父代中特征节点数的取值,/>为第二父代中增强节点数的取值,/>为第二父代中特征窗口数的取值;
产生的两个子代为:和/>;其中/>为产生的第一子代,/>为产生的第二子代,/>为第一子代的特征节点数的取值,/>为第一子代的增强节点数的取值,/>为第一子代的特征窗口数的取值,/>为第一子代的特征节点数的取值,/>为第一子代的增强节点数的取值,/>为第一子代的特征窗口数的取值;
(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:
(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:
式中/>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;为优化后的种群;/>为优化前的种群;/>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;/>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/>的随机数;/>为/>的随机矩阵;F为设定的阈值参数;为本次迭代中使适应度函数最优时对应的可行解;/>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;/>为/>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;
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
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、增强节点数/>和特征窗口数/>进行编码:特征节点数/>的取值范围为/>,增强节点数/>的取值范围为/>,特征窗口数/>的取值范围为/>;设定染色体的长度N为3;其中一条染色体的基因组成为/>;
(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:和/>;其中/>为第一父代,/>为第二父代,为第一父代中特征节点数的取值,/>为第一父代中增强节点数的取值,/>为第一父代中特征窗口数的取值,/>为第二父代中特征节点数的取值,/>为第二父代中增强节点数的取值,/>为第二父代中特征窗口数的取值;
产生的两个子代为:和/>;其中/>为产生的第一子代,/>为产生的第二子代,/>为第一子代的特征节点数的取值,/>为第一子代的增强节点数的取值,/>为第一子代的特征窗口数的取值,/>为第一子代的特征节点数的取值,/>为第一子代的增强节点数的取值,/>为第一子代的特征窗口数的取值;
(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: 式中/>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;/>为优化后的种群;/>为优化前的种群;/>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;/>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/>的随机数;/>为/>的随机矩阵;F为设定的阈值参数;/>为本次迭代中使适应度函数最优时对应的可行解;/>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;/>为/>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。
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;
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;
采用以下步骤为每个窗口生成特征节点:
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,s为增强节点的缩放尺度;增广后的训练集维数为/>;目的是找到一个稀疏矩阵W,满足/>;采用以下算式求解稀疏矩阵W:式中/>为正则化函数;/>为矩阵2范数;/>为矩阵1范数;/>为岭回归系数;
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。
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)
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 |
-
2023
- 2023-04-12 CN CN202310386803.4A patent/CN116106430B/zh active Active
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 |