CN117647587A - 一种声发射信号分类方法、计算机设备及介质 - Google Patents
一种声发射信号分类方法、计算机设备及介质 Download PDFInfo
- Publication number
- CN117647587A CN117647587A CN202410121543.2A CN202410121543A CN117647587A CN 117647587 A CN117647587 A CN 117647587A CN 202410121543 A CN202410121543 A CN 202410121543A CN 117647587 A CN117647587 A CN 117647587A
- Authority
- CN
- China
- Prior art keywords
- feature
- acoustic emission
- lpc
- gtcc
- fusion
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000013598 vector Substances 0.000 claims description 99
- 230000004927 fusion Effects 0.000 claims description 87
- 238000013145 classification model Methods 0.000 claims description 55
- 238000012549 training Methods 0.000 claims description 31
- 238000003860 storage Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000002474 experimental method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 102220469877 Protein argonaute-3_F50A_mutation Human genes 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000009432 framing Methods 0.000 claims description 6
- 238000009659 non-destructive testing Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 239000000463 material Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 230000009466 transformation Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 239000000835 fiber Substances 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005336 cracking Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 229920000049 Carbon (fiber) Polymers 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000004917 carbon fiber Substances 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 101001029064 Rattus norvegicus ATP-binding cassette sub-family C member 6 Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000005018 casein Substances 0.000 description 1
- BECPQYXYKAMYBN-UHFFFAOYSA-N casein, tech. Chemical class NCCCCC(C(O)=O)N=C(O)C(CC(O)=O)N=C(O)C(CCC(O)=N)N=C(O)C(CC(C)C)N=C(O)C(CCC(O)=O)N=C(O)C(CC(O)=O)N=C(O)C(CCC(O)=O)N=C(O)C(C(C)O)N=C(O)C(CCC(O)=N)N=C(O)C(CCC(O)=N)N=C(O)C(CCC(O)=N)N=C(O)C(CCC(O)=O)N=C(O)C(CCC(O)=O)N=C(O)C(COP(O)(O)=O)N=C(O)C(CCC(O)=N)N=C(O)C(N)CC1=CC=CC=C1 BECPQYXYKAMYBN-UHFFFAOYSA-N 0.000 description 1
- 235000021240 caseins Nutrition 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000011208 reinforced composite material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开一种声发射信号分类方法、计算机设备及介质，涉及无损检测和声发射信号处理领域，该方法通过多个传感器获取的同一振动实验装置的目标声发射信号，对各目标声发射信号的MFCC特征、LPC特征、GTCC特征进行拼接融合，得到MFCC融合特征、LPC融合特征、GTCC融合特征和M‑GTCC‑LPC特征，通过融合拼接后的上述特征进行声发射信号分类，提高了声发射信号分类的精度。
Description
技术领域
本发明涉及无损检测和声发射信号处理领域，特别是涉及一种声发射信号分类方法、计算机设备及介质。
背景技术
声发射（acoustic emission，AE）指的是材料在受到应力或损伤时，释放出能量并产生瞬态弹性波的一种物理现象。这些弹性波可以通过声发射传感器转换为电信号，并通过声发射仪器进行检测、记录、分析和评定。声发射技术是一种被动无损检测技术，可以用来监测材料的变形、裂纹、腐蚀等状态，以及评估材料的性能和寿命，在交通运输、机械制造、航空航天等领域都有着广发的运用。声发射信号技术的主要应用有：1）声发射源的定位；2）声发射源的分类与识别；3）声发射源的能级评定或材料损伤程度、剩余寿命的评估。
声发射信号的分类是一种利用声发射信号的特征参数或其他特征来区分不同类型和来源的声发射源的方法，可用于材料损伤机理的分析和损伤模式识别。声发射信号的分类可以增强声发射信号的可解释性，并根据分类结果推断声发射源的物理机制，如裂纹扩展、塑性变形、腐蚀、摩擦等等，实现对材料或结构损伤过程的在线监测。传统方法的声发射分类识别采用的方法包括：1）声发射信号参数关联分析技术；2）模态声发射分析技术；3）频谱分析技术；4）模式识别技术等等。但是上述声发射信号分类的精度低。
发明内容
本发明的目的是提供一种声发射信号分类方法、计算机设备及介质，可提高声发射信号的分类精度。
为实现上述目的，本发明提供了如下方案。
一种声发射信号分类方法，所述方法包括：
获取目标声发射信号组；所述目标声发射信号组包括第一目标声发射信号、第二目标声发射信号和第三目标声发射信号；所述第一目标声发射信号、所述第二目标声发射信号和所述第三目标声发射信号分别由第一传感器、第二传感器和第三传感器在同一时刻对同一振动实验装置采集得到；
对于所述目标声发射信号组中的每一目标声发射信号分别进行第一预处理、第二预处理和第三预处理，得到所述第一目标声发射信号的第一MFCC特征、第一LPC特征和第一GTCC特征，所述第二目标声发射信号的第二MFCC特征、第二LPC特征和第二GTCC特征，所述第三目标声发射信号的第三MFCC特征、第三LPC特征和第三GTCC特征；
对所述第一MFCC特征、所述第二MFCC特征和所述第三MFCC特征进行融合，得到MFCC融合特征；
对所述第一LPC特征、所述第二LPC特征和所述第三LPC特征进行融合，得到LPC融合特征；
对所述第一GTCC特征、所述第二GTCC特征和所述第三GTCC特征进行融合，得到GTCC融合特征；
对所述MFCC融合特征、所述LPC融合特征和所述GTCC融合特征进行融合，得到M-GTCC-LPC特征；
将所述MFCC融合特征、所述LPC融合特征、所述GTCC融合特征和所述M-GTCC-LPC特征输入至训练好的信号分类模型中，得到所述振动实验装置中螺栓的拧紧力；所述训练好的信号分类模型是以样本声发射信号组的MFCC样本融合特征、LPC样本融合特征、GTCC样本融合特征和M-GTCC-LPC样本特征为输入，以振动实验装置中螺栓的样本拧紧力为标签训练得到的模型。
可选的，所述训练好的信号分类模型包括第一信号分类模型、第二信号分类模型、第三信号分类模型和第四信号分类模型；将所述MFCC融合特征、所述LPC融合特征、所述GTCC融合特征和所述M-GTCC-LPC特征输入至训练好的信号分类模型中，得到所述振动实验装置中螺栓的拧紧力，具体包括：
将所述MFCC融合特征输入至所述第一信号分类模型中，得到第一特征向量；
将所述LPC融合特征输入至所述第二信号分类模型中，得到第二特征向量；
将所述GTCC融合特征输入至所述第三信号分类模型中，得到第三特征向量；
将所述M-GTCC-LPC特征输入至所述第四信号分类模型中，得到第四特征向量；
将所述第一特征向量、所述第二特征向量、所述第三特征向量和所述第四特征向量进行融合，得到最终特征向量；所述最终特征向量每行中最大值的索引为所述振动实验装置中螺栓的拧紧力。
可选的，将所述第一特征向量、所述第二特征向量、所述第三特征向量和所述第四特征向量进行融合，得到最终特征向量，具体包括：
将所述第一特征向量、所述第二特征向量和所述第三特征向量进行加权相加，得到加权特征向量；
将所述加权特征向量和所述第四特征向量进行点乘，得到最终特征向量。
可选的，所述第一预处理包括小波去噪、归一化、预加重、分帧加窗、傅里叶变换、Mel滤波、对数运算和离散余弦变换。
可选的，所述第二预处理包括小波去噪、归一化、预加重、分帧加窗、傅里叶变换、Gammatone滤波、对数运算和离散余弦变换。
可选的，所述第一传感器为Micro200HF传感器，所述第二传感器为F50A传感器，所述第三传感器为Micro800HF传感器。
可选的，所述第一信号分类模型、所述第二信号分类模型、所述第三信号分类模型和所述第四信号分类模型为多层感知机。
本发明还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述声发射信号分类方法的步骤。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序适用于由处理器加载并执行上述声发射信号分类方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供一种声发射信号分类方法、计算机设备及介质，该方法包括：获取目标声发射信号组；目标声发射信号组包括第一目标声发射信号、第二目标声发射信号和第三目标声发射信号；第一目标声发射信号、第二目标声发射信号和第三目标声发射信号分别由第一传感器、第二传感器和第三传感器在同一时刻对同一振动实验装置采集得到；对于目标声发射信号组中的每一目标声发射信号分别进行第一预处理、第二预处理和第三预处理，得到第一目标声发射信号的第一MFCC特征、第一LPC特征和第一GTCC特征，第二目标声发射信号的第二MFCC特征、第二LPC特征和第二GTCC特征，第三目标声发射信号的第三MFCC特征、第三LPC特征和第三GTCC特征；对第一MFCC特征、第二MFCC特征和第三MFCC特征进行融合，得到MFCC融合特征；对第一LPC特征、第二LPC特征和第三LPC特征进行融合，得到LPC融合特征；对第一GTCC特征、第二GTCC特征和第三GTCC特征进行融合，得到GTCC融合特征；对MFCC融合特征、LPC融合特征和GTCC融合特征进行融合，得到M-GTCC-LPC特征；将MFCC融合特征、LPC融合特征、GTCC融合特征和M-GTCC-LPC特征输入至训练好的信号分类模型中，得到振动实验装置中螺栓的拧紧力。本发明采用声发射信号的MFCC特征、LPC特征、GTCC特征进行声发射信号分类，提高了声发射信号分类的精度，进一步通过多个传感器获取的同一振动实验装置的目标声发射信号，对各目标声发射信号的MFCC特征、LPC特征、GTCC特征进行拼接融合，得到MFCC融合特征、LPC融合特征、GTCC融合特征和M-GTCC-LPC特征，通过融合拼接后的特征进行声发射信号分类，进一步提高了声发射信号分类的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的声发射信号分类方法流程示意图；
图2为本发明实施例提供的声发射信号高精度分类流程示意图；
图3为本发明实施例提供的声发射信号预处理流程示意图；
图4为本发明实施例提供的声发射信号MFCC特征的求取示意图；
图5为本发明实施例提供的声发射信号在60cNm拧紧力条件下的MFCC、LPC和GTCC示意图；
图6为本发明实施例提供的多特征融合与网络训练示意图；
图7为本发明实施例提供的每轮训练各特征向量的分类准确率示意图；
图8为本发明实施例提供的融合后特征向量分类结果的混淆矩阵示意图；
图9为本发明实施例提供的网络每轮训练花费的时间示意图；
图10是本发明提供的一种计算机设备的结构示意图。
符号说明：
1000-计算机设备；1001-处理器；1002-通信总线；1003-用户接口；1004-网络接口；1005-存储器。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如今神经网络技术也在不断发展，它可以自动从数据中学习特征表示，可以适应不同的声发射信号场景，具有较高的泛化能力和鲁棒性，其主要包括多层感知网络（MLP）、卷积神经网络（CNN），循环神经网络（RNN）等。
本发明的目的是提供一种声发射信号分类方法、计算机设备及介质，本发明基于多层感知网络，融合声发射信号的不同特征（梅尔倒谱系数MFCC特征、线性预测系数LPC特征、伽玛音调倒频谱系数GTCC特征（gammatone cepstral coefficients），融合后：MFCC融合特征、LPC融合特征、GTCC融合特征和M-GTCC-LPC特征）来完成声发射信号的分类，从而解决基于单特征分类和传统特征分类准确率不足，稳定性较低的问题，同时由于输入的MFCC、LPC和GTCC的维度较低，从而大幅降低所需的计算量，从而提高训练速度与效率，不同系数特征间的互补也能较好的提高网络识别的准确率与训练结果的稳定性。提高网络的抗噪能力。首先对声发射信号进行小波去噪，之后计算声发射信号的MFCC、LPC和GTCC特征，降维声发射信号，去除冗余信息，在多层感知机前向传播的基础上，采用前后端相结合的特征融合方式得到特征向量（MFCC融合特征、LPC融合特征、GTCC融合特征和M-GTCC-LPC特征），最终得到声发射信号的分类结果。对于在较大噪声环境中采集的声发射信号也有较好的分类效果，对于高噪声环境下的声发射信号实时在线监测分类有较大的意义。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供一种声发射信号分类方法，所述方法包括：
S1：获取目标声发射信号组；所述目标声发射信号组包括第一目标声发射信号、第二目标声发射信号和第三目标声发射信号；所述第一目标声发射信号、所述第二目标声发射信号和所述第三目标声发射信号分别由第一传感器、第二传感器和第三传感器在同一时刻对同一振动实验装置采集得到。
S2：对于所述目标声发射信号组中的每一目标声发射信号分别进行第一预处理、第二预处理和第三预处理，得到所述第一目标声发射信号的第一MFCC特征、第一LPC特征和第一GTCC特征，所述第二目标声发射信号的第二MFCC特征、第二LPC特征和第二GTCC特征，所述第三目标声发射信号的第三MFCC特征、第三LPC特征和第三GTCC特征。
S3：对所述第一MFCC特征、第二MFCC特征和第三MFCC特征进行融合，得到MFCC融合特征。
S4：对所述第一LPC特征、第二LPC特征和第三LPC特征进行融合，得到LPC融合特征。
S5：对所述第一GTCC特征、第二GTCC特征和第三GTCC特征进行融合，得到GTCC融合特征。
S6：对所述MFCC融合特征、所述LPC融合特征和所述GTCC融合特征进行融合，得到M-GTCC-LPC特征。
S7：将所述MFCC融合特征、所述LPC融合特征、所述GTCC融合特征和所述M-GTCC-LPC特征输入至训练好的信号分类模型中，得到所述振动实验装置中螺栓的拧紧力；所述训练好的信号分类模型是以样本声发射信号组的MFCC样本融合特征、LPC样本融合特征、GTCC样本融合特征和M-GTCC-LPC样本特征为输入，以振动实验装置中螺栓的样本拧紧力为标签训练得到的模型。
在将所述MFCC融合特征、所述LPC融合特征、所述GTCC融合特征和所述M-GTCC-LPC特征输入至训练好的信号分类模型中之前，还包括：对信号分类模型进行训练，如图2所示，训练过程如下。
声发射技术就是通过传感器探测到被动声源或者主动声源情况下材料中损伤部位的异常声信号数据，根据对应的异常声信号数据，利用传感器阵列及信号的旅行时可以实现对损伤位置的定位，利用振幅和相位等各项特征提取的属性信息，对损伤的类型进行分类。本发明聚焦于声发射信号的分类领域，本文所提的方法就是利用机器学习的方法进行声信号相关属性特征的提取和融合实现损伤类型的分类。
对于碳纤维增强复合材料（Carbon Fibre Reinforced Plastics），常见的损伤包括基体开裂、纤维脱粘、分层等。通过声发射源的分类技术与定位技术确定材料的损伤形式以及位置，并根据建立的材料损伤模型评价材料的剩余使用寿命。
在大多数的声发射信号有监督分类网络中，首先需要采集用于神经网络训练的声发射信号。之后通过快速傅里叶变换或小波变换等方法，人工制作这些声发射信号的标签，如基体开裂，纤维脱粘、分层（在本实施例中有三种损伤类别）等。之后根据这些打上上述三种标签的声发射信号训练神经网络，再用训练后的神经网络来完成实际工况条件下声发射信号三分类任务。
对于碳纤维增强复合材料，通过信号分类模型探究声发射信号频率带宽与材料的损伤类别间的关系，与基体开裂相关的峰值频率约为125kHz，纤维脱粘约为200 kHz，纤维断裂为250 kHz以上。对于多数复合材料，与基体开裂相关的峰值频率为100-200kHz，纤维脱粘为210-320 kHz，纤维断裂为390-469kHz。因此，通过傅里叶变换、小波变换、小波包变换等方法计算信号在各频带内的能量占比即可判断材料对应的声发射信号的损伤类别。
而本发明中下面提到的基准数据集由实验装置在螺栓不同拧紧条件下产生的声发射信号组成。声发射信号的标签（05cNm至60cNm，7种类别）由实验装置确定，排除了人工制作信号标签产生的误差，同时也能更好让其他学者复现结果。因此，使用基准数据集更能准确的判断该神经网络的性能。在实际的应用中也需要采集声发射信号并制作对应的标签，之后再应用本发明提出的网络结构以及方法对声发射信号进行分类。
由于不同机制下产生的声发射信号在时域、频域和小波域内具有不同的表现形式，从而为声发射信号的分类提供了依据。在之后的实验中，通过使用具有准确标签的声发射信号基准数据集中实验装置在不同工况条件下产生的声发射信号来代替材料在不同损伤模式下产生的声发射信号，从而避免人工制作声发射信号标签带来的误差，以提高系统的可解释性以及可重复性。
本实施例根据一个公开的声发射信号基准数据集验证本发明的有效性，ORIAN-AE数据集采用的振动实验装置为ORIAN实验台。实验装置中有三个螺栓，中心螺栓保持拧紧，外部两个螺栓分别用60、50、40、30、20、10、05cNm的拧紧力拧紧，之后再用振动器以200N分别振动不同拧紧力下的实验装置大约10秒，同时由3个不同带宽，峰值频率的传感器（第一传感器、第二传感器和第三传感器）和一个激光测振仪以5Mhz的频率获取振动产生的声发射信号[1]。实验总共进行了五次，最终生成了8.58G，包含7种不同标签的数据。本发明将对该基准数据集中的七种标签进行分类，以测试本发明的各项性能，即本发明中信号分类模型的标签是外部两个螺栓的拧紧力。
需要说明的是，在本实施例中，所述第一传感器为Micro200HF传感器，所述第二传感器为F50A传感器，所述第三传感器为Micro800HF传感器。
声发射信号的预处理流程图如图3所示。首先对声发射信号进行小波去噪处理，去除部分实验时产生的环境噪声，之后根据激光测振仪记录的周期信息分割声发射信号，以4个周期为一组将声发射信号按周期进行分割，即一份持续时间约为1s的原始声发射信号数据被分割成了29份，每份持续时间约0.034s。最后再进行归一化处理。分割后不同标签的声发射信号数据个数如表所示，三个不同的传感器各9798份，之后再将总数据集划分为训练集和预测集，其中训练集包含6800份数据，预测集包含2998份，声发射信号各标签的数据量如表1所示。
表1 声发射信号各标签的数据量
| 标签 | 05cNm | 10cNm | 20cNm | 30cNm | 40cNm | 50cNm | 60cNm | 合计 |
| 总数据量 | 1446 | 1444 | 1157 | 1415 | 1446 | 1446 | 1444 | 9798 |
| 训练集 | 1000 | 1000 | 800 | 1000 | 1000 | 1000 | 1000 | 6800 |
| 预测集 | 446 | 444 | 357 | 415 | 446 | 446 | 444 | 2998 |
所述第一预处理包括小波去噪、归一化、预加重、分帧加窗、傅里叶变换、Mel滤波、对数运算和离散余弦变换。
所述第二预处理包括小波去噪、归一化、预加重、分帧加窗、傅里叶变换、Gammatone滤波、对数运算和离散余弦变换。
MFCC能体现人耳的听觉特性，具有很好的识别效果，被广泛应用于语音识别领域，其求取方式如图4所示。其流程主要包括信号预处理，求取能量谱，将功率谱通过Mel三角滤波器组后进行离散余弦变换，即可求得MFCC特征。
GTCC的计算流程与MFCC类似，但是使用了Gammatone滤波器组代替了Mel滤波器组。
LPC是根据声信号样点之间的相关性进行求解的，一个声信号的采样值可以用过去若干声信号的线性组合来逼近，该线性组合的系数就是线性预测系数。实际声信号抽样值和线性预测抽样值之间的误差可表示为:
（1）；
其中，；
；
其中，为p阶线性预测系数LPC，/>为线性预测抽样值，是/>和过去的声信号线性组合，N为信号总数量。使误差e(n)在均方准则下E达到最小值即可求解该线性预测系数。
最终求出的MFCC、LPC、GTCC特征如图5所示，图5为外部螺栓的拧紧力在60cNm，测得的样本声发射信号的MFCC、LPC、GTCC特征（从左到右），第一列为Micro200HF传感器获取的样本声发射信号的MFCC特征，第二列为F50A传感器获取的样本声发射信号的LPC特征，第三列为Micro800HF传感器获取的样本声发射信号的GTCC特征。需要说明的是三个传感器获取的样本声发射信号为同一时刻对同一样本振动实验装置采集得到。
通过求取声发射信号的MFCC、LPC与GTCC特征，将分割后每份包含约17万个数据采样点的N份声发射信号降维至N*14*3的MFCC、LPC与GTCC特征，这些系数代表了声发射信号不同层面的特征，其中N代表数据集包含的声发射信号个数，训练集N为6800，预测集为2998，3代表不同传感器各自对应的系数。由于小波去噪有可能会去除声发射中的部分有效信号，本发明用去噪并归一化后的声发射信号求取MFCC，LPC的求取使用的是只进行归一化，未进行小波去噪的声发射信号，以此来保留声发射信号中较为完整特征。
需要说明的是，在本实施例中，经过上述过程得到的MFCC、LPC与GTCC特征均为一个14个数值的数组。
下面进行多特征融合与多层感知机的训练。
多特征融合主要包括系数的拼接和特征向量的融合，MFCC、GTCC和LPC分别是基于上述方法提取出来的特征，表征声发射信号的不同信息，将三者融合，则可以从不同方面更全面地描述声发射信号特点。首先采用几层特征融合法将样本不同传感器的MFCC、GTCC和LPC特征按式（2）进行融合。
；
；（2）
；
其中，，/>，/>分别对应由Micro800HF传感器、F50A传感器、Micro200HF传感器采集的样本声发射信号所求得的MFCC特征，即括号中的第三位1/2/3分别指的是Micro800HF传感器、F50A传感器、Micro200HF传感器，/>，/>等同理。
之后将（MFCC融合特征），/>（LPC融合特征），/>（GTCC融合特征）按式（3）进行融合，形成M-GTCC-LPC特征。
（3）。
在本实施例中，所述训练好的信号分类模型包括第一信号分类模型、第二信号分类模型、第三信号分类模型和第四信号分类模型；将所述MFCC融合特征、所述LPC融合特征、所述GTCC融合特征和所述M-GTCC-LPC特征输入至训练好的信号分类模型中，得到所述振动实验装置中螺栓的拧紧力，具体包括：
将所述MFCC融合特征输入至所述第一信号分类模型中，得到第一特征向量。
将所述LPC融合特征输入至所述第二信号分类模型中，得到第二特征向量。
将所述GTCC融合特征输入至所述第三信号分类模型中，得到第三特征向量。
将所述M-GTCC-LPC特征输入至所述第四信号分类模型中，得到第四特征向量。
将所述第一特征向量、所述第二特征向量、所述第三特征向量和所述第四特征向量进行融合，得到最终特征向量；所述最终特征向量每行中最大值的索引为所述振动实验装置中螺栓的拧紧力。
其中，将所述第一特征向量、所述第二特征向量、所述第三特征向量和所述第四特征向量进行融合，得到最终特征向量，具体包括：将所述第一特征向量、所述第二特征向量和所述第三特征向量进行加权相加，得到加权特征向量；将所述加权特征向量和所述第四特征向量进行点乘，得到最终特征向量。
在声发射信号的分类中，采用前端融合特征参数结合并行后端融合特征向量的方式融合特征增强特征参数中包含的语义信息。将、/>、/>和M-GTCC-LPC特征输入至不同的信号分类模型（在本实施例中，所述第一信号分类模型、所述第二信号分类模型、所述第三信号分类模型和所述第四信号分类模型为多层感知机）中进行正向传播，得到第一特征向量α1、第二特征向量α2、第三特征向量α3和第四特征向量α4，按式（4）逐点相加的多特征融合方法融合特征向量α1、α2和α3得到加权特征向量β1，再将β1与α4逐点相乘得到最终特征向量β2，并根据最终特征向量β2得到声发射信号所属的类别（类别指的是振动实验装置中螺栓的拧紧力）。
（4）。
（5）。
其中，k1，k2，k3分别代表不同特征向量的权重系数，此处将三个权重系数皆设为1。最终的网络结构如图6所示，MLP-1至MLP-4代表不同参数的多层感知机，四个多层感知机的隐藏层参数都设置成(100，100，100，100)，每层都采用relu函数激活，并使用adam优化网络权重。
将网络训练50轮次，每个轮次都将网络在训练集上进行测试，并将生成的特征向量α1、α2、α3、α4和β2转换成声发射信号所对应的标签，并分别与真实标签进行对照，得到每轮训练各特征的准确率如图6所示，其中α1、α2、α3、α4分别对应、/>、/>、M-GTCC-LPC经过多层感知机正向传播后所生成的特征向量，β2则是融合后的特征向量，代表最终的预测结果，取特征向量每行中最大值的索引即是所预测的标签。
由图7可见，本发明具有较高的训练效率，网络经过一轮训练之后，融合后特征向量β2即可达到96.1%的准确率，而α1至α4这四个特征的准确率分别为60.7%、83.6%、85.1%，91.4%，均低于融合后特征向量的β2的准确率。同时，本发明具有较好的稳定性，在所有训练轮次中准确率均高于95%，经过10轮训练后准确率首次超过98%，达到98.2%，并在之后的训练轮次中保持着高于97%的准确率。在第35轮训练之后，准确率则一直高于98%，并在最后一轮训练时达到了99.1%。而α1至α4的准确率则一直保持较大幅度的波动，各自最高的准确率分别为84.6%、96.1%、94.5%和97.3%，均低于98%。
取最后一轮训练的信号分类模型进行预测，融合后特征向量β2准确率为99.13%，与α1至α4的准确率相比，分别高出了，17.21%、3.17%、7.74%、1.8%。特征向量β2分类结果的混淆矩阵如图8所示，在此次分类中，有10个标签为20cNm的声发射信号样本被网络误判为50cNm，其余被误判的信号样本均不超过3份。
为更好的判别网络的分类识别效果，使用有效率（Precision）、召回率（Recall）、误报率（FPR）来评价结果，其中有效率和召回率越高、误报率越低，代表网络对声发射信号的识别效果越好。有效率指被网络识别为正的信号样本中，真实类别为正的比例。召回率指真实类别为正的信号样本中，被网络判断为正的比例。误报率指真实类别为负的信号样本中，被网络判断为正的比例。三种指标计算方法如下：
（6）。
（7）。
（8）。
其中，TP表示真正例，即真实类别为正且被网络判断为正的样本数；TN表示真负例，即真实类别为负且被网络判断为负的样本数；FP表示假正例，即真实类别为负但是被网络判断为正的样本数；FN表示假负例，即真实类别为正但被网络判断为负的样本数。
各特征有效率、召回率、误报率的计算结果如表2-6所示。经过对比可知融合后特征向量β2各个标签的三种指标均优于其余特征，各个标签的有效率均高于97%，误报率均低于0.6%，20cNm的召回率最低为95.23%，其余标签的召回率均高于99%，表明网络容易将20cNm标签的信号误判为其他标签。而α1至α4特征向量的识别结果中，20cNm标签的召回率也基本低于其余标签的召回率，导致融合特征后对该标签召回率的提升并不明显。
表2 特征向量β2分类结果的各项指标
| 特征向量β2 | 05cNm | 10cNm | 20cNm | 30cNm | 40cNm | 50cNm | 60cNm |
| 有效率 | 99.33% | 100% | 99.7% | 99.27% | 98.66% | 97.14% | 100% |
| 召回率 | 99.77% | 100% | 95.23% | 99.52% | 99.32% | 99.32% | 100% |
| 误报率 | 0.118% | 0% | 0.038% | 0.116% | 0.235% | 0.509% | 0% |
表3 特征向量α1分类结果的各项指标
| 特征向量α1 | 05cNm | 10cNm | 20cNm | 30cNm | 40cNm | 50cNm | 60cNm |
| 有效率 | 93.44% | 86% | 83% | 71.01% | 80.05% | 91.61% | 88.28% |
| 召回率 | 95.74% | 85.81% | 69.75% | 93.25% | 71.97% | 85.65% | 86.49% |
| 误报率 | 1.18% | 2.43% | 1.93% | 6.12% | 3.13% | 1.37% | 2% |
表4 特征向量α2分类结果的各项指标
| 特征向量α2 | 05cNm | 10cNm | 20cNm | 30cNm | 40cNm | 50cNm | 60cNm |
| 有效率 | 95.39% | 96.10% | 97.14% | 87.99% | 91.24% | 94.37% | 98.62% |
| 召回率 | 97.53% | 100% | 85.71% | 91.81% | 88.79% | 97.76% | 96.85% |
| 误报率 | 0.823% | 0.705% | 0.341% | 2.013% | 1.489% | 1.019% | 0.235% |
表5 特征向量α3分类结果的各项指标
| 特征向量α3 | 05cNm | 10cNm | 20cNm | 30cNm | 40cNm | 50cNm | 60cNm |
| 有效率 | 93.15% | 98.23% | 90.82% | 91.99% | 94.34% | 83.78% | 94.05% |
| 召回率 | 91.48% | 99.77% | 80.39% | 80.27% | 97.09% | 97.31% | 96.17% |
| 误报率 | 1.176% | 0.313% | 1.098% | 1.123% | 1.019% | 3.291% | 1.057% |
表6 特征向量α4分类结果的各项指标
| 特征向量α4 | 05cNm | 10cNm | 20cNm | 30cNm | 40cNm | 50cNm | 60cNm |
| 有效率 | 99.10% | 99.55% | 96.28% | 98.56% | 97.53% | 96.70% | 99.78% |
| 召回率 | 98.43% | 100% | 94.12% | 98.80% | 97.31% | 98.43% | 100% |
| 误报率 | 0.157% | 0.078% | 0.492% | 0.232% | 0.431% | 0.588% | 0.039% |
在本实施例中，网络训练所处环境为Windows10操作系统，CPU为AMD Ryzen 54600H，主频3.00GHz，内存为16GB，Python版本为3.9.12，并使用CPU完成网络的训练。在该环境中，如图9所示，网络每一轮次的训练时间均保持在3.2至3.5s之间，每一轮次所需的时间较短，能够满足声发射信号在线监测的需求。
本发明通过融合声发射信号的MFCC、LPC和GTCC特征，完成了声发射信号的高精度分类，训练的效率高，训练时间较短，准确率的波动范围小，能在前几轮训练就达到较高的分类精度，同时根据准确率、有效率、召回率、误报率这些指标得出，本发明具有较好的性能，性能均高于融合前的几个特征，各标签误报率均低于0.6%，能够满足声发射信号实时监测的需求，具有较高的应用价值。
本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述声发射信号分类方法的步骤。
请参见图10，图10是本申请提供的一种计算机设备的结构示意图。如图10所示，计算机设备1000可以包括：处理器1001，网络接口1004和存储器1005，此外，计算机设备1000还可以包括：用户接口1003，和至少一个通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。其中，用户接口1003可以包括显示屏（Display）、键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。存储器1005可以是高速RAM存储器，也可以是非不稳定的存储器（non-volatilememory），例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图10所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及设备控制应用程序。
在图10所示的计算机设备1000中，网络接口1004可提供网络通讯功能；而用户接口1003主要用于为用户提供输入的接口；而处理器1001可以用于调用存储器1005中存储的设备控制应用程序，以实现上述实施例所述的声发射信号分类方法，这里将不再进行赘述。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序适用于由处理器加载并执行上述实施例所述的声发射信号分类方法，这里将不再进行赘述。
上述程序可被部署在一个计算机设备上执行，或者被部署位于一个地点的多个计算机设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算机设备上执行，分布在多个地点且通过通信网络互连的多个计算机设备可以组成区块链网络。
上述计算机可读存储介质可以是上述计算机设备的内部存储单元，例如计算机设备的硬盘或内存。该计算机可读存储介质也可以是该计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡（smartmediacard，SMC），安全数字（securedigital，SD）卡，闪存卡（flashcard）等。进一步地，该计算机可读存储介质还可以既包括该计算机设备的内部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该计算机设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种声发射信号分类方法，其特征在于，所述方法包括：
获取目标声发射信号组；所述目标声发射信号组包括第一目标声发射信号、第二目标声发射信号和第三目标声发射信号；所述第一目标声发射信号、所述第二目标声发射信号和所述第三目标声发射信号分别由第一传感器、第二传感器和第三传感器在同一时刻对同一振动实验装置采集得到；
对于所述目标声发射信号组中的每一目标声发射信号分别进行第一预处理、第二预处理和第三预处理，得到所述第一目标声发射信号的第一MFCC特征、第一LPC特征和第一GTCC特征，所述第二目标声发射信号的第二MFCC特征、第二LPC特征和第二GTCC特征，所述第三目标声发射信号的第三MFCC特征、第三LPC特征和第三GTCC特征；
对所述第一MFCC特征、所述第二MFCC特征和所述第三MFCC特征进行融合，得到MFCC融合特征；
对所述第一LPC特征、所述第二LPC特征和所述第三LPC特征进行融合，得到LPC融合特征；
对所述第一GTCC特征、所述第二GTCC特征和所述第三GTCC特征进行融合，得到GTCC融合特征；
对所述MFCC融合特征、所述LPC融合特征和所述GTCC融合特征进行融合，得到M-GTCC-LPC特征；
将所述MFCC融合特征、所述LPC融合特征、所述GTCC融合特征和所述M-GTCC-LPC特征输入至训练好的信号分类模型中，得到所述振动实验装置中螺栓的拧紧力；所述训练好的信号分类模型是以样本声发射信号组的MFCC样本融合特征、LPC样本融合特征、GTCC样本融合特征和M-GTCC-LPC样本特征为输入，以振动实验装置中螺栓的样本拧紧力为标签训练得到的模型。
2.根据权利要求1所述的一种声发射信号分类方法，其特征在于，所述训练好的信号分类模型包括第一信号分类模型、第二信号分类模型、第三信号分类模型和第四信号分类模型；将所述MFCC融合特征、所述LPC融合特征、所述GTCC融合特征和所述M-GTCC-LPC特征输入至训练好的信号分类模型中，得到所述振动实验装置中螺栓的拧紧力，具体包括：
将所述MFCC融合特征输入至所述第一信号分类模型中，得到第一特征向量；
将所述LPC融合特征输入至所述第二信号分类模型中，得到第二特征向量；
将所述GTCC融合特征输入至所述第三信号分类模型中，得到第三特征向量；
将所述M-GTCC-LPC特征输入至所述第四信号分类模型中，得到第四特征向量；
将所述第一特征向量、所述第二特征向量、所述第三特征向量和所述第四特征向量进行融合，得到最终特征向量；所述最终特征向量每行中最大值的索引为所述振动实验装置中螺栓的拧紧力。
3.根据权利要求2所述的一种声发射信号分类方法，其特征在于，将所述第一特征向量、所述第二特征向量、所述第三特征向量和所述第四特征向量进行融合，得到最终特征向量，具体包括：
将所述第一特征向量、所述第二特征向量和所述第三特征向量进行加权相加，得到加权特征向量；
将所述加权特征向量和所述第四特征向量进行点乘，得到最终特征向量。
4.根据权利要求1所述的一种声发射信号分类方法，其特征在于，所述第一预处理包括小波去噪、归一化、预加重、分帧加窗、傅里叶变换、Mel滤波、对数运算和离散余弦变换。
5.根据权利要求1所述的一种声发射信号分类方法，其特征在于，所述第二预处理包括小波去噪、归一化、预加重、分帧加窗、傅里叶变换、Gammatone滤波、对数运算和离散余弦变换。
6.根据权利要求1所述的一种声发射信号分类方法，其特征在于，所述第一传感器为Micro200HF传感器，所述第二传感器为F50A传感器，所述第三传感器为Micro800HF传感器。
7.根据权利要求2所述的一种声发射信号分类方法，其特征在于，所述第一信号分类模型、所述第二信号分类模型、所述第三信号分类模型和所述第四信号分类模型为多层感知机。
8.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1-7中任一项所述方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序适用于由处理器加载并执行权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410121543.2A CN117647587B (zh) | 2024-01-30 | 2024-01-30 | 一种声发射信号分类方法、计算机设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410121543.2A CN117647587B (zh) | 2024-01-30 | 2024-01-30 | 一种声发射信号分类方法、计算机设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117647587A true CN117647587A (zh) | 2024-03-05 |
| CN117647587B CN117647587B (zh) | 2024-04-09 |
Family
ID=90045445
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410121543.2A Active CN117647587B (zh) | 2024-01-30 | 2024-01-30 | 一种声发射信号分类方法、计算机设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117647587B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107462635A (zh) * | 2017-09-13 | 2017-12-12 | 上海海事大学 | 一种基于多声发射传感器信息融合的振动时效效果在线评价系统及方法 |
| CN111855816A (zh) * | 2020-06-15 | 2020-10-30 | 内蒙古工业大学 | 一种综合概率模型和cnn网络的风叶故障识别方法 |
| CN111931868A (zh) * | 2020-09-24 | 2020-11-13 | 常州微亿智造科技有限公司 | 时间序列数据异常检测方法和装置 |
| RU2760546C1 (ru) * | 2020-12-09 | 2021-11-29 | Федеральное государственное казенное военное образовательное учреждение высшего образования "Военная академия Ракетных войск стратегического назначения имени Петра Великого" МО РФ | Способ выполнения монтажных соединений на высокопрочных болтах с контролируемым натяжением |
| CN115457966A (zh) * | 2022-09-16 | 2022-12-09 | 东北农业大学 | 基于改进ds证据理论多分类器融合的猪咳嗽声识别方法 |
| CN116776075A (zh) * | 2023-06-15 | 2023-09-19 | 浙江大学湖州研究院 | 风机叶片健康监测系统及其监测方法 |
| CN116910690A (zh) * | 2023-07-14 | 2023-10-20 | 中国兵器装备集团自动化研究所有限公司 | 一种基于数据融合的目标分类系统 |
| CN117009814A (zh) * | 2023-07-17 | 2023-11-07 | 河北工业大学 | 一种基于多源信息融合的发动机故障诊断方法及系统 |
| CN117053124A (zh) * | 2023-09-26 | 2023-11-14 | 辽宁石油化工大学 | 油气分支管道泄漏的检测方法及装置 |
| CN117191956A (zh) * | 2023-08-16 | 2023-12-08 | 北京科技大学 | 一种基于声发射的钛合金应力腐蚀损伤分类方法及装置 |
-
2024
- 2024-01-30 CN CN202410121543.2A patent/CN117647587B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107462635A (zh) * | 2017-09-13 | 2017-12-12 | 上海海事大学 | 一种基于多声发射传感器信息融合的振动时效效果在线评价系统及方法 |
| CN111855816A (zh) * | 2020-06-15 | 2020-10-30 | 内蒙古工业大学 | 一种综合概率模型和cnn网络的风叶故障识别方法 |
| CN111931868A (zh) * | 2020-09-24 | 2020-11-13 | 常州微亿智造科技有限公司 | 时间序列数据异常检测方法和装置 |
| RU2760546C1 (ru) * | 2020-12-09 | 2021-11-29 | Федеральное государственное казенное военное образовательное учреждение высшего образования "Военная академия Ракетных войск стратегического назначения имени Петра Великого" МО РФ | Способ выполнения монтажных соединений на высокопрочных болтах с контролируемым натяжением |
| CN115457966A (zh) * | 2022-09-16 | 2022-12-09 | 东北农业大学 | 基于改进ds证据理论多分类器融合的猪咳嗽声识别方法 |
| CN116776075A (zh) * | 2023-06-15 | 2023-09-19 | 浙江大学湖州研究院 | 风机叶片健康监测系统及其监测方法 |
| CN116910690A (zh) * | 2023-07-14 | 2023-10-20 | 中国兵器装备集团自动化研究所有限公司 | 一种基于数据融合的目标分类系统 |
| CN117009814A (zh) * | 2023-07-17 | 2023-11-07 | 河北工业大学 | 一种基于多源信息融合的发动机故障诊断方法及系统 |
| CN117191956A (zh) * | 2023-08-16 | 2023-12-08 | 北京科技大学 | 一种基于声发射的钛合金应力腐蚀损伤分类方法及装置 |
| CN117053124A (zh) * | 2023-09-26 | 2023-11-14 | 辽宁石油化工大学 | 油气分支管道泄漏的检测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 龙林 等: "振动环境中螺栓连接结构状态声发射试验研究", 噪声与振动控制, no. 04, 31 August 2010 (2010-08-31), pages 166 - 170 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117647587B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110852215B (zh) | 一种多模态情感识别方法、系统及存储介质 | |
| O'brien et al. | A pattern recognition system based on acoustic signals for fault detection on composite materials | |
| CN113807249B (zh) | 基于多模态特征融合的情感识别方法、系统、装置及介质 | |
| Khan et al. | Autonomous assessment of delamination in laminated composites using deep learning and data augmentation | |
| CN116741148A (zh) | 一种基于数字孪生的语音识别系统 | |
| Satour et al. | Wavelet based clustering of acoustic emission hits to characterize damage mechanisms in composites | |
| Esposito et al. | Covid-19 detection using audio spectral features and machine learning | |
| CN117647587B (zh) | 一种声发射信号分类方法、计算机设备及介质 | |
| Ma et al. | A percussion method with attention mechanism and feature aggregation for detecting internal cavities in timber | |
| CN117191956A (zh) | 一种基于声发射的钛合金应力腐蚀损伤分类方法及装置 | |
| Yang et al. | A deep learning-based framework for damage detection with time series | |
| Fu et al. | A Mobile Application for Sound Event Detection. | |
| Fan et al. | Multi-Label Sound Event Retrieval Using A Deep Learning-Based Siamese Structure with A Pairwise Presence Matrix | |
| CN114839960A (zh) | 一种基于人工智能算法进行车辆故障检测方法及系统 | |
| CN114550711A (zh) | 基于时频注意力网络模型的电缆周边环境声音识别方法 | |
| Hom et al. | Application of Speaker Recognition x-Vectors to Structural Health Monitoring | |
| CN112259126B (zh) | 一种自闭症语音特征辅助识别机器人及方法 | |
| Qian et al. | Damage localization method using ultrasonic lamb waves and Wav2Vec2. 0 neural network | |
| Lu et al. | Fatigue crack monitoring of aerospace structure based on lamb waves and binary tree support vector machines | |
| Sohn et al. | Can damage be detected without any baseline data? | |
| Lee et al. | Context Awareness by Noise-Pattern Analysis of a Smart Factory. | |
| Tangarife et al. | Performance Evaluation of CNN Models in Urban Acoustic Event Recognition Through MFCC Hyperparameter Search | |
| Raja | Multi-Class Classification of Lamb-Wave Based Sensor De-bond Identification Using Artificial Neural Network For Structural Health Monitoring | |
| Tavares et al. | Machine Learning approaches to damage detection in composite structures combining experimental and simulation domains | |
| Mou et al. | Performance Analysis of Deep Learning Model Compression Techniques for Audio Classification on Edge Devices |
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 |