CN117705953B - 一种基于声发射和层析成像技术的损伤检测方法及系统 - Google Patents
一种基于声发射和层析成像技术的损伤检测方法及系统 Download PDFInfo
- Publication number
- CN117705953B CN117705953B CN202410166471.3A CN202410166471A CN117705953B CN 117705953 B CN117705953 B CN 117705953B CN 202410166471 A CN202410166471 A CN 202410166471A CN 117705953 B CN117705953 B CN 117705953B
- Authority
- CN
- China
- Prior art keywords
- acoustic emission
- damage
- frog
- clustering
- original acoustic
- 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
- 230000006378 damage Effects 0.000 title claims abstract description 198
- 238000001514 detection method Methods 0.000 title claims abstract description 63
- 238000003325 tomography Methods 0.000 title claims abstract description 49
- 238000005516 engineering process Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 85
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 48
- 230000003902 lesion Effects 0.000 claims description 34
- 239000000463 material Substances 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 22
- 230000035945 sensitivity Effects 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 12
- 238000010191 image analysis Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 230000002238 attenuated effect Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 241000269350 Anura Species 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 8
- 238000009659 non-destructive testing Methods 0.000 abstract description 5
- 239000000523 sample Substances 0.000 description 24
- 238000004458 analytical method Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 11
- 238000000605 extraction Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000003708 edge detection Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000011524 similarity measure Methods 0.000 description 3
- 230000035882 stress Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 239000007822 coupling agent Substances 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明涉及无损检测技术领域，公开了一种基于声发射和层析成像技术的损伤检测方法及系统，该方法包括以下步骤：安装声发射传感器并进行标定校准；采集原始声发射信号数据并进行预处理；利用潜在损伤区域识别算法输出潜在的损伤区域；进行自适应的细化网格划分，并进行局部层析成像重建得到损伤图像；评估待检测设备的损伤位置及损伤程度。本发明不仅可以推荐出最可能的损伤区域，实现对损伤的智能定位，相比传统的层析成像全域重建可以显著降低计算量，提高检测效率，而且还可以与自适应细化网格的局部层析成像技术相结合，实现对结构内部微小损伤的精确定位与评估。
Description
技术领域
本发明涉及无损检测技术领域，具体来说，涉及一种基于声发射和层析成像技术的损伤检测方法及系统。
背景技术
随着社会的发展，各类设备和结构的使用寿命不断延长，对其安全性和结构完整性的监测与评估变得越来越重要。传统的人工敲击检测和目视检查的方法存在盲区大、精度低等问题。非接触无损检测技术因此成为研究热点。
声发射技术作为一种敏感的无损监测手段，通过基于物体在受到外力作用时会释放出声波的原理，能够检测到材料内部微小的损伤。但其存在定位困难、无法直观反映内部损伤形态等缺点。
计算机层析成像技术可以获取物体内部的三维图像，通过对物体进行透射，并记录透射后的信号，可以重建出物体内部的结构，有效地展示材料内部的声速分布，但对小尺度损伤的识别能力较差。
为提高损伤检测的精度，一种思路是将声发射技术与层析成像技术进行有效结合。但二者集成存在理论模型构建困难、图像重建算法复杂等问题。此外，检测结果的解析与评估也面临艰巨挑战。
因此，亟需开发一种能够有效利用声发射信号，实现对材料内部微小损伤的精确定位与评估的新型检测技术。这种技术的出现将大大提升结构健康监测水平，保障重要设备和设施的安全可靠运行。
发明内容
针对相关技术中的问题，本发明提出一种基于声发射和层析成像技术的损伤检测方法及系统，以克服现有相关技术所存在的上述技术问题。
为此，本发明采用的具体技术方案如下：
根据本发明的一个方面，提供了一种基于声发射和层析成像技术的损伤检测方法，该方法包括以下步骤：
S1、根据检测需求在待检测设备表面安装预设数量的声发射传感器，并对声发射传感器的灵敏度及定位精度进行标定校准；
S2、通过安装的声发射传感器采集原始声发射信号数据，并对采集的原始声发射信号数据进行预处理；
S3、利用潜在损伤区域识别算法结合预处理后的原始声发射信号数据输出潜在的损伤区域；
S4、对潜在的损伤区域进行自适应的细化网格划分，并在自适应细化网格区域进行局部层析成像重建得到损伤图像；
S5、根据局部层析成像重建得到损伤图像评估待检测设备的损伤位置及损伤程度，实现对待检测设备的损伤检测。
作为优选地，所述根据检测需求在待检测设备表面安装预设数量的声发射传感器，并对声发射传感器的灵敏度及定位精度进行标定校准包括以下步骤：
S11、根据设计文件分析得到待检测设备的特征数据，并根据待检测设备的特征数据制定检测方案；
S12、根据制定的检测方案在待检测设备表面安装预设数量的声发射传感器，并在声发射传感器安装完成后进行背景噪音测试及信号衰减测量；
S13、利用断铅法对声发射传感器的灵敏度进行标定，并在灵敏度标定完成后对声发射传感器的定位精度进行校准。
作为优选地，所述利用潜在损伤区域识别算法结合预处理后的原始声发射信号数据输出潜在的损伤区域包括以下步骤：
S31、提取历史数据库中原始声发射信号的特征，构建原始声发射信号与信号特征的矩阵，并进行时间衰减处理得到信号特征的时间衰减权重矩阵；
S32、利用模糊聚类法基于衰减后的信号特征矩阵对历史数据库中的原始声发射信号进行模糊聚类得到聚类中心；
S33、计算历史数据库中每个原始声发射信号与聚类中心的相似度，并根据相似度值由高至低的排序结果选择靠前的预设数量的相似聚类作为候选聚类邻居；
S34、利用改进的混合蛙跳算法在候选聚类邻居中搜索出目标原始声发射信号的最近K个聚类邻居；
S35、将历史数据库中原始声发射信号聚类作为用户，损伤位置作为物品构建用户与物品的矩阵；
S36、根据目标原始声发射信号的最近邻居聚类和用户与物品的矩阵计算损伤位置的预测评分；
S37、将预测评分由高至低进行排序，并根据排序结果选择前N个位置作为潜在的损伤区域。
作为优选地，所述提取历史数据库中原始声发射信号的特征，构建原始声发射信号与信号特征的矩阵，并进行时间衰减处理得到信号特征的时间衰减权重矩阵包括以下步骤：
S311、提取预处理后的历史数据库中原始声发射信号的特征，包括频谱特征、时频特征及统计特征；
S312、构建原始声发射信号与信号特征的矩阵，并构造基于时间的指数遗忘函数；
S313、根据原始声发射信号的采集时间计算每个信号特征在当前时刻的时间权重，并将时间权重向量作用于原始声发射信号与信号特征的矩阵，得到信号特征的时间衰减权重矩阵。
作为优选地，所述利用模糊聚类法基于衰减后的信号特征矩阵对历史数据库中的原始声发射信号进行模糊聚类得到聚类中心包括以下步骤：
S321、初始化模糊聚类数目及聚类中心；
S322、计算历史数据库中每个原始声发射信号与各聚类中心的隶属度，并根据隶属度更新各聚类中心；
S323、迭代计算隶属度和更新聚类中心直到聚类中心收敛，得到最终的聚类中心；
S324、根据最后的隶属度将每个原始声发射信号样本分配到其隶属度最大的类别中，得到原始声发射信号数据集的聚类结果及相应的聚类中心，并将得到的聚类中心作为模糊聚类的聚类中心。
作为优选地，所述利用改进的混合蛙跳算法在候选聚类邻居中搜索出目标原始声发射信号的最近K个聚类邻居包括以下步骤：
S341、输入目标原始声发射信号及其候选聚类邻居集，并初始化混合蛙跳算法的群体，其中，每只青蛙表示为一个候选聚类邻居的索引；
S342、基于目标原始声发射信号与聚类中心的相似度计算每只青蛙的适应度值度，并按照适应度值降序的方式为整个蛙群排序，记录全局适应度最佳青蛙Pg；
S343、基于分组规则将整个青蛙群分为m组，并记录每组中最佳青蛙Pb和最差青蛙Pw；
S344、对每组进行局部搜索，若更新后的最差青蛙newPw优于最差青蛙Pw，则newPw=Pw，否则，采用全局适应度最佳青蛙Pg代替每组中最佳青蛙Pb重新更新最差青蛙Pw，若更新后的最差青蛙newPw优于最差青蛙Pw，则newPw=Pw，否则，在可解的空间内随机生成一只新的青蛙代替最差青蛙Pw；
S345、重复执行S344的更新进化过程直到达到局部的预设的迭代次数；
S346、当每组都完成一遍局部搜索后，将所有组合在一起组成新的青蛙群，按照新青蛙群的适应度值递减的顺序排列青蛙，并更新全局适应度最佳青蛙Pg，再次执行局部搜索进化，直到满足预设的收敛条件或达到全局的预设迭代次数；
S347、将最终获得的最佳青蛙表示的K个适应度最高的聚类作为最近邻居，并返回目标原始声发射信号的最近K个聚类邻居。
作为优选地，所述根据目标原始声发射信号的最近邻居聚类和用户与物品的矩阵计算损伤位置的预测评分包括以下步骤：
计算目标原始声发射信号与每个最近邻居聚类的相似度，并对每个损伤位置计算预测评分，得到每个损伤位置的预测评分；
其中，所述预测评分的计算公式为：
式中，PR a,e 表示目标原始声发射信号a对未评分损伤位置e的预测评分；
和/>分别表示目标原始声发射信号a、最近聚类邻居集中原始声发射信号b对已评分损伤位置的平均评分值；
Q表示最近聚类邻居集；
sim（a,b）表示目标原始声发射信号a与最近聚类邻居集中原始声发射信号b的相似度；
R b,e 表示最近聚类邻居集中原始声发射信号b对已评分损伤位置的评分。
作为优选地，所述对潜在的损伤区域进行自适应的细化网格划分，并在自适应细化网格区域进行局部层析成像重建得到损伤图像包括以下步骤：
S41、利用递归二分割法对潜在的损伤区域进行自适应细化网格划分；
S42、对于每个细化网格单元，使用高于初始射线密度的射线在该单元内进行局部层析成像重建得到损伤图像。
作为优选地，所述根据局部层析成像重建得到损伤图像评估待检测设备的损伤位置及损伤程度，实现对待检测设备的损伤检测包括以下步骤：
S51、获取局部层析成像重建得到的损伤图像，并进行平滑及增强对比度的处理；
S52、提取损伤图像的形状、边缘及质心特征，并通过与标准特征进行比较判断损伤位置；
S53、根据损伤区域的声速变化情况评估损伤的严重程度，并与材料损伤数据库进行比较得到损伤的定量指标；
S54、结合待检测设备的几何结构信息判断损伤部位和扩展趋势，实现对待检测设备的损伤检测；
S55、利用新的损伤检测结果对潜在损伤区域识别算法进行优化及更新。
根据本发明的一个方面，提供了一种基于声发射和层析成像技术的损伤检测系统，该系统包括标定校准模块、信号采集模块、潜在损伤区域输出模块、损伤图像重建模块及损伤图像分析模块；
其中，所述标定校准模块，用于根据检测需求在待检测设备表面安装预设数量的声发射传感器，并对声发射传感器的灵敏度及定位精度进行标定校准；
所述信号采集模块，用于通过安装的声发射传感器采集原始声发射信号数据，并对采集的原始声发射信号数据进行预处理；
所述潜在损伤区域输出模块，用于利用潜在损伤区域识别算法结合预处理后的原始声发射信号数据输出潜在的损伤区域；
所述损伤图像重建模块，用于对潜在的损伤区域进行自适应的细化网格划分，并在自适应细化网格区域进行局部层析成像重建得到损伤图像；
所述损伤图像分析模块，用于根据局部层析成像重建得到损伤图像评估待检测设备的损伤位置及损伤程度，实现对待检测设备的损伤检测。
与现有技术相比，本发明提供了基于声发射和层析成像技术的损伤检测方法及系统，具备以下有益效果：
（1）本发明不仅可以借助协同过滤的思想根据历史原始声发射信号知识推荐出最可能的损伤区域，实现对损伤的智能定位，相比传统的层析成像全域重建可以显著降低计算量，提高检测效率，而且还可以与自适应细化网格的局部层析成像技术相结合，实现对结构内部微小损伤的精确定位与评估。该技术的出现将大幅提升结构健康监测水平，保障重要设备的安全可靠运行。
（2）本发明不仅可以有效分析处理海量的声发射信号，实现对信号特征的智能提取和聚类，克服传统方法难以解析复杂信号的困难，而且还可以实现损伤定位的自动化和智能化，减少人工分析的工作量。
（3）本发明不仅可以通过模糊聚类考虑原始声发射信号之间的不确定性和模糊边界，使得其可以更符合原始声发射信号特征的分布情况，提高聚类效果，而且还可以利用改进的混合蛙跳算法使损伤定位更加的精确高效，从而可以更好地满足于无损检测技术的需求。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本发明实施例的一种基于声发射和层析成像技术的损伤检测方法的流程图。
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。
根据本发明的实施例，提供了一种基于声发射和层析成像技术的损伤检测方法及系统。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明的一个实施例，提供了一种基于声发射和层析成像技术的损伤检测方法，该方法包括以下步骤：
S1、根据检测需求在待检测设备表面安装预设数量的声发射传感器，并对声发射传感器的灵敏度及定位精度进行标定校准；
其中，所述根据检测需求在待检测设备表面安装预设数量的声发射传感器，并对声发射传感器的灵敏度及定位精度进行标定校准包括以下步骤：
S11、根据设计文件分析得到待检测设备的特征数据，并根据待检测设备的特征数据制定检测方案；
具体的，在安装检测仪器进行检测之前，检测人员应通过资料审查和现场实地考察获取信息：审核设计文件，重点审阅图纸，以详细了解设备几何尺寸、接管位置和材料厚度等。重点了解被检设备材料的特性、衬里或内部涂层的情况、设备安装制造过程中检验的情况。进行现场实地勘察，根据工艺运行状况，找出所有可能出现的噪声源，并设法排除。制定检测方案，包括液位升高及稳定程序，传感器布置阵列，检测条件等。
S12、根据制定的检测方案在待检测设备表面安装预设数量的声发射传感器，并在声发射传感器安装完成后进行背景噪音测试及信号衰减测量；
具体的，在声发射传感器表面与待检测设备的金属表面之间使用耦合剂，并确保耦合充分。
背景噪音测试：将所有声发射传感器的探头布置好后，将所有通道门槛值设为20db，点击采集，查看行列表，观察各个通道的最高幅值，即为系统背景噪音。
信号衰减的测量：根据已知声发射传感器的探头的最大间距，绘出声波在被检测构件上最大间距之内的衰减图。具体做法为：选择一个声发射传感器的探头，通过硬件设置关闭其他探头，点击打开行列表，在距此探头0、500、1000、1500、2000、3000、4000mm附近分别断三次铅（假设探头最大间距为4000mm），分别记录此探头的幅值响应。
S13、利用断铅法对声发射传感器的灵敏度进行标定，并在灵敏度标定完成后对声发射传感器的定位精度进行校准。
具体的，标定声发射传感器探头的灵敏度如下：
打开硬件设置，选择所有检测通道，点击采集，打开行列表，在每个探头附近断三次铅，依次记录各个声发射传感器探头的幅值响应值。
标定探头的灵敏度时用断铅法，灵敏度合格的要求是各个通道对断铅信号的响应幅值在90db以上，因此为避免接收到各种干扰信号，可将门槛设置为80db。
声发射传感器定位精度的校准如下：
声发射传感器探头灵敏度校准完成后，需对定位组（布置在同一设备的所有声发射传感器探头一般设置为一个组）的定位精度进行校准。这时再把门槛值调回正常，重新开始采集，在设备不同的位置处进行断铅实验，观察定位到的准确性。
S2、通过安装的声发射传感器采集原始声发射信号数据，并对采集的原始声发射信号数据进行预处理，包括去除直流量、滤波、信号分割、降噪等；
S3、利用潜在损伤区域识别算法结合预处理后的原始声发射信号数据输出潜在的损伤区域；
其中，所述利用潜在损伤区域识别算法结合预处理后的原始声发射信号数据输出潜在的损伤区域包括以下步骤：
S31、提取历史数据库中原始声发射信号的特征，构建原始声发射信号与信号特征的矩阵，并进行时间衰减处理得到信号特征的时间衰减权重矩阵；
具体的，所述提取历史数据库中原始声发射信号的特征，构建原始声发射信号与信号特征的矩阵，并进行时间衰减处理得到信号特征的时间衰减权重矩阵包括以下步骤：
S311、提取预处理后的历史数据库中原始声发射信号的特征，包括频谱特征、时频特征及统计特征等；
S312、构建原始声发射信号与信号特征的矩阵，矩阵的行为信号样本，列为特征维度，并构造基于时间的指数遗忘函数；
基于时间的指数遗忘函数的计算公式为：
式中，t表示实际的评分时间，t越大，时间权重f(t)就越大，评分对推荐结果的影响越大，Tstart表示第一次参与评分的时间，Tend表示最近一次评分的时间，eps=0.000001是设置的最小值。
基于时间的指数遗忘函数在声发射信号特征提取和权重矩阵构建步骤中扮演着重要角色。其主要作用是调整和加权信号特征，以反映信号采集时间的影响。具体来说，其作用包括：
时间相关性的体现：由于声发射信号的重要性可能会随时间而改变，指数遗忘函数能够使得距离当前时间点更近的信号特征具有更高的权重。这意味着最新的信号数据在分析中会被赋予更大的重要性。
数据衰减处理：随着时间的推移，旧的信号数据可能由于环境变化或设备老化等因素失去其原有的代表性。指数遗忘函数通过减少这些旧数据在分析中的权重，有助于提高模型对当前状态的敏感性和准确性。
动态数据更新：在实时或连续的监测系统中，指数遗忘函数允许算法在不断接收新数据的同时，自动调整历史数据的影响力。这样可以避免频繁的全数据重新计算，提高算法的效率和适应性。
基于时间的指数遗忘函数在处理声发射信号时，提供了一种有效的机制来平衡历史数据与最新数据的影响，从而提高了算法在动态环境下的性能和准确性。
S313、根据原始声发射信号的采集时间计算每个信号特征在当前时刻的时间权重，并将时间权重向量作用于原始声发射信号与信号特征的矩阵，得到信号特征的时间衰减权重矩阵。还包括对矩阵进行归一化处理，最终得到反映当前信号特征重要程度的时间衰减权重矩阵，该矩阵即可作为后续基于模糊聚类的协同过滤过程的输入。
具体的，对于每个信号特征，根据其采集时间和定义的时间衰减函数计算时间权重，这将形成一个时间权重向量；将原始声发射信号的各个特征构建成一个矩阵，这个矩阵的每一行代表一个信号特征，每一列代表这些特征在不同时间点的值；将时间权重向量应用于信号特征矩阵，这可以通过将时间权重向量与信号特征矩阵相乘来实现，如果时间权重向量是一个列向量，那么可以使用点乘的方式将其应用于信号特征矩阵的每一行；得到时间衰减权重矩阵，这一步骤的结果是一个新的矩阵，其中包含了考虑时间衰减后的信号特征，这个矩阵可以用于后续的分析和处理，例如用于声发射信号的分类或识别。
S32、利用模糊聚类法基于衰减后的信号特征矩阵对历史数据库中的原始声发射信号进行模糊聚类得到聚类中心；
具体的，所述利用模糊聚类法基于衰减后的信号特征矩阵对历史数据库中的原始声发射信号进行模糊聚类得到聚类中心包括以下步骤：
S321、初始化模糊聚类数目及聚类中心；
选择聚类的数量（C）：确定需要形成的聚类数量。这个数目通常是基于问题的具体需求和数据的特点来确定的。
初始化聚类中心：随机选择或采用某种启发式方法确定初始的聚类中心。这些中心是数据空间中的点，每个点代表一个聚类的中心。
S322、计算历史数据库中每个原始声发射信号与各聚类中心的隶属度，并根据隶属度更新各聚类中心；
所述隶属度的计算公式为：
所述聚类中心的更新公式为：
式中，表示原始声发射信号/>对聚类中心的隶属度，C表示模糊聚类的数目，且C∈[2，p]，M表示模糊聚类指数，且M的取值范围为[1.25，2.5]，/>表示原始声发射信号/>到聚类中心/>的欧式距离，/>表示原始声发射信号/>到聚类中心/>的欧式距离。
S323、迭代计算隶属度和更新聚类中心直到聚类中心收敛，得到最终的聚类中心；
具体的，重复步骤 S322，即不断迭代计算隶属度和更新聚类中心，直到聚类中心的变化小于某个预定阈值或达到预定的迭代次数，这时认为聚类中心已经收敛，得到最终的聚类中心。
S324、根据最后的隶属度将每个原始声发射信号样本分配到其隶属度最大的类别中，得到原始声发射信号数据集的聚类结果及相应的聚类中心，并将得到的聚类中心作为模糊聚类的聚类中心。
具体的，根据最后的隶属度将每个原始声发射信号样本分配到其隶属度最大的类别中，并以此得到原始声发射信号数据集的聚类结果及相应的聚类中心的过程，涉及以下具体步骤：
评估最终隶属度：在完成了模糊聚类的迭代计算过程后，得到每个声发射信号样本对于每个聚类中心的隶属度。这些隶属度值表明了每个样本属于各个聚类中心的程度。
确定样本的分类：对于每个声发射信号样本，检查它对所有聚类中心的隶属度。选择具有最大隶属度值的聚类中心作为该样本的所属类别。具体来说，如果样本对于聚类中心有最大的隶属度，那么该样本就被分配到对应的聚类中心所代表的类别。
形成聚类结果：重复上述步骤，为数据集中的每个样本分配类别。这样，整个数据集就被分成了若干个类别，每个类别对应一个聚类中心。
输出聚类中心：得到的最终聚类中心即为模糊聚类的结果。这些中心代表了数据在特征空间中的典型模式或趋势。
这个过程允许数据点以一种模糊的方式属于多个类别，与传统的硬划分聚类（如K-means）不同，它提供了一种更灵活和更适合处理复杂或不确定性数据的方法。在声发射信号分析中，这种方法可以帮助识别和分类各种不同类型的声音模式，从而在诸如材料分析、设备监测等领域中发挥重要作用。
S33、计算历史数据库中每个原始声发射信号与聚类中心的相似度，并根据相似度值由高至低的排序结果选择靠前的预设数量的相似聚类作为候选聚类邻居；
具体的，计算历史数据库中每个原始声发射信号与聚类中心的相似度，并根据相似度值由高至低的排序结果选择靠前的预设数量的相似聚类作为候选聚类邻居的过程，可以按照以下步骤进行：
确定相似度度量标准：首先定义相似度度量标准。这个标准用于衡量每个原始声发射信号与聚类中心之间的相似程度。常见的相似度度量方法包括欧氏距离、余弦相似度等。
计算相似度：对于历史数据库中的每个原始声发射信号，计算它与每个聚类中心之间的相似度。这一步骤会产生一个相似度矩阵，其中的每个元素代表一个信号与一个聚类中心之间的相似度。
排序相似度：对于每个信号，根据它与所有聚类中心的相似度进行排序。这可以通过将相似度从高到低排列来实现。
选择候选聚类邻居：设定一个预设的数量（比如前N个），然后根据排序结果，选择每个信号与其最相似的前N个聚类中心作为其候选聚类邻居。S34、利用改进的混合蛙跳算法在候选聚类邻居中搜索出目标原始声发射信号的最近K个聚类邻居；
具体的，所述利用改进的混合蛙跳算法在候选聚类邻居中搜索出目标原始声发射信号的最近K个聚类邻居包括以下步骤：
S341、输入目标原始声发射信号及其候选聚类邻居集，这些邻居是前面步骤中根据相似度排序后选出的，并初始化混合蛙跳算法的群体，其中，每只青蛙表示为一个候选聚类邻居的索引，初始群体通常通过随机选择或某种启发式方法生成；
S342、基于目标原始声发射信号与聚类中心的相似度计算每只青蛙的适应度值度，并按照适应度值降序的方式为整个蛙群排序，记录全局适应度最佳青蛙Pg；
具体的，基于目标原始声发射信号与聚类中心的相似度计算每只青蛙的适应度值，并按照适应度值降序排序整个蛙群，然后记录全局适应度最佳的青蛙Pg，具体步骤如下：
确定相似度度量：首先，根据之前定义的相似度度量标准（如欧氏距离、余弦相似度等），计算目标原始声发射信号与每个聚类中心之间的相似度。
计算适应度值：对于每只青蛙，其表示的是一个候选聚类邻居的索引。基于此索引，确定相应的聚类中心，然后计算目标信号与这个聚类中心的相似度。这个相似度值作为青蛙的适应度值。适应度值越高，表示青蛙所代表的聚类邻居与目标信号越相似。
排序蛙群：将所有青蛙根据其适应度值进行降序排序。这意味着适应度值最高的青蛙将被排在最前面。
记录全局最佳青蛙：在排序后的蛙群中，适应度值最高的青蛙被认为是全局最佳青蛙Pg。记录下这只青蛙的信息，包括它所代表的候选聚类邻居的索引及其适应度值。
这些步骤确保了在混合蛙跳算法的搜索过程中，能够有效地识别出与目标信号最相似的聚类邻居。通过这种方式，算法能够更加有目的性地进行搜索，提高找到最优解的可能性。
S343、基于分组规则将整个青蛙群分为m组，并记录每组中最佳青蛙Pb和最差青蛙Pw；
具体的，基于分组规则将整个青蛙群分为m组，并记录每组中最佳青蛙Pb和最差青蛙Pw的具体步骤如下：
确定分组数量m：首先，确定将青蛙群分成多少组。这个数量m可以基于算法的要求、群体的大小或特定的优化策略来确定。
分组：将青蛙群平均分成m组。有几种方法可以进行分组：1）随机分组：随机地将青蛙分配到不同的组中。2）基于适应度的分组：根据青蛙的适应度进行分组，如将适应度相似的青蛙分在一组。
记录每组的最佳和最差青蛙：
对于每个组：确定最佳青蛙Pb：在每个分组内，找到适应度值最高的青蛙，即该组的最佳青蛙Pb；
确定最差青蛙Pw：同样在每个分组内，找到适应度值最低的青蛙，即该组的最差青蛙Pw。
记录信息：
对于每个组，记录下以下信息：1）组内所有青蛙的索引和适应度值；2）组内最佳青蛙Pb的索引和适应度值；3）组内最差青蛙Pw的索引和适应度值。
通过这个过程，算法能够在不同的组内独立地进行局部优化，同时保留了全局搜索的能力。这种分组方法有助于平衡探索（Exploration）和开发（Exploitation）之间的关系，提高算法的整体性能。
S344、对每组进行局部搜索，若更新后的最差青蛙newPw优于最差青蛙Pw，则newPw=Pw，否则，采用全局适应度最佳青蛙Pg代替每组中最佳青蛙Pb重新更新最差青蛙Pw，若更新后的最差青蛙newPw优于最差青蛙Pw，则newPw=Pw，否则，在可解的空间内随机生成一只新的青蛙代替最差青蛙Pw；
S345、重复执行S344的更新进化过程直到达到局部的最大迭代次数；
S346、当每组都完成一遍局部搜索后，将所有组合在一起组成新的青蛙群，按照新青蛙群的适应度值递减的顺序排列青蛙，并更新全局适应度最佳青蛙Pg，再次执行局部搜索进化，直到满足预设的收敛条件或达到全局的最大迭代次数；
S347、将最终获得的最佳青蛙表示的K个适应度最高的聚类作为最近邻居，并返回目标原始声发射信号的最近K个聚类邻居。
S35、将历史数据库中原始声发射信号聚类作为用户，损伤位置作为物品构建用户与物品的矩阵；
S36、根据目标原始声发射信号的最近邻居聚类和用户与物品的矩阵计算损伤位置的预测评分；
具体的，所述根据目标原始声发射信号的最近邻居聚类和用户与物品的矩阵计算损伤位置的预测评分包括以下步骤：
计算目标原始声发射信号与每个最近邻居聚类的相似度，并对每个损伤位置计算预测评分，得到每个损伤位置的预测评分；
其中，所述预测评分的计算公式为：
式中，PR a,e 表示目标原始声发射信号a对未评分损伤位置e的预测评分；和/>分别表示目标原始声发射信号a、最近聚类邻居集中原始声发射信号b对已评分损伤位置的平均评分值；Q表示最近聚类邻居集；sim（a,b）表示目标原始声发射信号a与最近聚类邻居集中原始声发射信号b的相似度；R b,e 表示最近聚类邻居集中原始声发射信号b对已评分损伤位置的评分。
S37、将预测评分由高至低进行排序，并根据排序结果选择预测评分最高的前N个位置作为潜在的损伤区域。
S4、对潜在的损伤区域进行自适应的细化网格划分，并在自适应细化网格区域进行局部层析成像重建得到损伤图像；
层析成像（Tomographic Imaging）是一种用于产生物体内部结构二维或三维视图的成像技术。这种技术的主要优点是能够无创地检查物体的内部。它最初在医学领域应用广泛，如计算机断层扫描（CT），磁共振成像（MRI）和正电子发射层析扫描（PET）等。
在工程领域中，层析成像也被广泛应用于结构健康监测，尤其是在声发射检测中。信号被传感器收集，然后通过层析成像技术转化为二维或三维的图像，这些图像可以显示出物体内部的损伤。
层析成像的基本步骤包括：
数据收集：使用传感器从多个不同的角度收集信号。在声发射和层析成像的结合中，这些信号通常是由物体内部的损伤产生的声发射信号。
图像重建：使用一种称为反投影的算法将从不同角度收集的数据转化为一个二维或三维的图像。这个过程可以使用各种不同的算法，包括滤波反投影、代数重建技术、最大似然等。
图像处理：对重建的图像进行进一步处理，例如去噪、增强等，以提高图像的质量和可读性。
图像解析：从图像中提取有用的信息，例如损伤的位置、大小、形状等。
具体的，所述对潜在的损伤区域进行自适应的细化网格划分，并在自适应细化网格区域进行局部层析成像重建得到损伤图像包括以下步骤：
S41、利用递归二分割法对潜在的损伤区域进行自适应细化网格划分；
具体的，利用递归二分割法对潜在的损伤区域进行自适应细化网格划分的具体步骤如下：
1）选择初始区域
确定潜在损伤区域：首先，基于原始声发射信号数据和先前的分析（如聚类分析结果），识别出可能包含损伤的区域。
2）初始网格划分
划分初始网格：将潜在损伤区域划分为初步的网格单元。这个初始网格可以基于区域的大小或形状来确定，例如，将区域分成若干相等的矩形或正方形单元。
3）递归细化过程
评估网格单元：对每个网格单元进行评估，判断是否需要进一步细化。评估可以基于多种因素，如信号强度、变化率或其他统计指标。
二分割网格单元：如果某个网格单元被判定为需要细化，那么将该单元进行二分割，即将该单元分为两个更小的单元。
重复细化：对新生成的每个小网格单元重复评估和细化的步骤，直到满足某些停止条件。这些条件可能包括最小网格尺寸、特定的信号均匀性标准，或者达到预设的递归深度。
4）确定最终网格
生成最终网格：经过反复的细化后，最终生成一系列大小不一、但更精确地覆盖潜在损伤区域的网格单元。
5）记录网格数据
记录网格信息：记录每个网格单元的位置、大小以及相关的评估指标数据，为后续的层析成像重建做准备。
通过这一过程，递归二分割法能够根据数据特性自适应地细化网格，更准确地定位和分析潜在的损伤区域，为高精度的层析成像重建提供了基础。
S42、对于每个细化网格单元，使用高于更高的射线密度在该单元内进行局部层析成像重建得到损伤图像。
具体的，对于每个细化网格单元，使用更高的射线密度进行局部层析成像重建以获取损伤图像的具体步骤如下：
1）确定射线密度
设定射线密度：首先，为每个细化网格单元设定一个较高的射线密度。这意味着在这些小区域内，使用的射线数量会比标准层析成像中更多，以期提高成像的分辨率和准确性。
2）数据采集
进行射线扫描：在每个细化网格单元内，按照设定的高射线密度进行扫描。这涉及使用声发射传感器、X射线或其他适合的成像技术来收集数据。
记录数据：确保精确记录每个网格单元的射线数据，包括射线的传播路径、强度和其他相关参数。
3）局部重建
应用层析成像算法：对每个细化网格单元收集到的数据应用层析成像算法。这可以是反投影、迭代重建或其他高级重建技术。
生成局部图像：每个细化网格单元内的数据被处理后，会生成该单元内的局部损伤图像。
4）组合图像
拼接局部图像：将所有细化网格单元的局部图像拼接起来，形成完整的损伤区域图像。
调整和优化：在需要的情况下，进行图像调整和优化，以提高整体图像的清晰度和准确性。
5）分析和解释
图像分析：对重建的完整损伤图像进行详细分析，识别损伤的位置、大小和可能的性质。
结果解释：将成像结果与原始声发射信号数据、物理模型或其他诊断工具的结果进行对比，以获得更准确的损伤解释。
通过这个过程，利用更高的射线密度在细化网格单元内进行局部层析成像，可以在保持成像质量的同时，更精确地定位和描述损伤区域。这种方法在复杂或细节丰富的损伤检测中特别有用。
S5、根据局部层析成像重建得到损伤图像评估待检测设备的损伤位置及损伤程度，实现对待检测设备的损伤检测。
其中，所述根据局部层析成像重建得到损伤图像评估待检测设备的损伤位置及损伤程度，实现对待检测设备的损伤检测包括以下步骤：
S51、获取局部层析成像重建得到的损伤图像，并进行平滑及增强对比度的处理；
S52、提取损伤图像的形状、边缘及质心特征，并通过与标准特征进行比较判断损伤位置；
具体的，提取损伤图像的形状、边缘及质心特征，并通过与标准特征进行比较以判断损伤位置的具体步骤如下：
1）形状特征提取
边缘检测：使用边缘检测算法（如Canny边缘检测）提取图像的边缘。
形状描述：通过边缘或轮廓，提取形状描述符，如轮廓的长度、面积、周长等。
2）质心特征提取
计算质心：根据图像的灰度分布计算损伤区域的质心位置。质心是损伤区域重量中心的图像坐标，可通过灰度加权的坐标平均值计算得出。
3）边缘特征提取
边缘提取：通过边缘检测算法获取损伤区域的边缘。
边缘特征分析：分析边缘的形状、长度和分布特征。
4）特征比较
标准特征库：引入标准特征库，该库中包含了正常和各种损伤情况下的形状、边缘和质心特征。
特征匹配：将提取的特征与标准特征库中的特征进行比较，使用匹配算法（如最近邻、支持向量机等）进行特征匹配。
5）损伤位置判断
定位损伤：根据特征匹配的结果，确定损伤的具体位置。比如，通过质心位置可推断损伤的中心，通过形状特征可理解损伤的范围和类型。
通过这个过程，可以准确地从损伤图像中提取关键特征，并与标准特征进行比较，从而有效地判断出损伤的具体位置。
S53、根据损伤区域的声速变化情况评估损伤的严重程度，并与材料损伤数据库进行比较得到损伤的定量指标；
具体的，根据损伤区域的声速变化情况评估损伤的严重程度，并与材料损伤数据库进行比较以得到损伤的定量指标的具体步骤如下：
1）损伤区域声速测量
声速测量：在已确定的损伤区域内，利用适当的声学测量技术测量声速。这涉及到超声波测试，其中通过分析超声波在材料中传播的速度和衰减，来评估材料的完整性。
数据记录：记录测量得到的声速数据，包括在损伤区域内不同位置的声速变化情况。
2）声速变化分析
声速变化计算：计算损伤区域内的声速变化，涉及到与周围未损伤区域的声速对比，以确定声速的降低或变化程度。
损伤影响分析：分析声速的变化对材料性质的影响，因为声速的减小通常与材料密度的减小和结构损伤有关。
3）与材料损伤数据库比较
数据库查询：访问包含不同材料在不同损伤级别下的声速数据的材料损伤数据库。
数据匹配：将测量得到的声速变化数据与数据库中的数据进行比较，找到相似的损伤案例。
4）损伤定量指标确定
定量指标提取：根据与数据库中相似案例的匹配程度，提取相关的定量指标，如损伤深度、面积、类型等。
严重程度评估：利用这些定量指标评估损伤的严重程度，包括损伤范围、深度和对材料性能的影响。
通过这一系列步骤，可以有效地利用损伤区域内的声速变化情况来评估材料的损伤程度，并通过与材料损伤数据库的比较，获得损伤的定量指标，从而为损伤诊断和维修提供科学依据。
S54、结合待检测设备的几何结构信息判断损伤部位和扩展趋势，实现对待检测设备的损伤检测；
具体的，结合待检测设备的几何结构信息判断损伤部位和扩展趋势，实现对待检测设备的损伤检测的具体步骤如下：
1）取几何结构信息
详细了解设备结构：首先获取待检测设备的详细几何结构信息，包括设计图纸、结构模型或实际设备的详细测量。
识别关键结构部位：识别设备中的关键结构部位，如承重部件、关节连接、薄弱环节等。
2）分析损伤图像与结构信息
对比损伤位置：将损伤图像与设备的几何结构信息进行对比，以确定损伤在设备上的具体位置。
分析影响：评估损伤位置相对于整体结构的重要性，分析损伤对设备功能的潜在影响。
3）判断损伤部位
精确定位损伤：使用损伤图像和几何结构信息，精确判断损伤的具体部位，如焊缝、接头、支撑结构等。
考虑结构应力：考虑结构应力分布，以理解损伤区域承受的力量类型和大小。
4）评估损伤扩展趋势
分析损伤特性：基于损伤的类型、大小和形状，分析其可能的扩展趋势。
考虑材料性能：考虑设备所用材料的性能，如脆性、塑性、疲劳强度等，以判断损伤扩展的可能性和速度。
5）使用模拟和预测工具
结构模拟：使用计算机模拟工具模拟损伤区域的应力分布和潜在的扩展路径。
预测未来状况：基于模拟结果，预测损伤在未来使用过程中的发展情况。
6）制定检测和维修计划
制定检测计划：根据损伤位置和扩展趋势，制定定期检测计划以监控损伤发展。
设计维修策略：根据损伤的严重程度和位置，制定相应的维修策略，包括必要的加固、更换部件或其他修复措施。
7）文档记录和报告
详细记录：将损伤检测的过程、结果和分析记录下来，包括图像分析、结构评估和模拟预测的结果。
编制报告：准备详细的损伤检测报告，供维修决策和未来参考使用。
通过这些步骤，可以有效地结合损伤图像和设备的几何结构信息，准确判断损伤部位和其可能的扩展趋势，为制定合理的维护和维修策略提供重要依据。
S55、利用新的损伤检测结果对潜在损伤区域识别算法进行优化及更新。
根据本发明的另一个方面，提供了一种基于声发射和层析成像技术的损伤检测系统，该系统包括标定校准模块、信号采集模块、潜在损伤区域输出模块、损伤图像重建模块及损伤图像分析模块；
其中，所述标定校准模块，用于根据检测需求在待检测设备表面安装预设数量的声发射传感器，并对声发射传感器的灵敏度及定位精度进行标定校准；
所述信号采集模块，用于通过安装的声发射传感器采集原始声发射信号数据，并对采集的原始声发射信号数据进行预处理；
所述潜在损伤区域输出模块，用于利用潜在损伤区域识别算法结合预处理后的原始声发射信号数据输出潜在的损伤区域；
所述损伤图像重建模块，用于对潜在的损伤区域进行自适应的细化网格划分，并在自适应细化网格区域进行局部层析成像重建得到损伤图像；
所述损伤图像分析模块，用于根据局部层析成像重建得到损伤图像评估待检测设备的损伤位置及损伤程度，实现对待检测设备的损伤检测。
综上所述，借助于本发明的上述技术方案，不仅可以借助协同过滤的思想根据历史原始声发射信号知识推荐出最可能的损伤区域，实现对损伤的智能定位，相比传统的层析成像全域重建可以显著降低计算量，提高检测效率，而且还可以与自适应细化网格的局部层析成像技术相结合，实现对结构内部微小损伤的精确定位与评估。该技术的出现将大幅提升结构健康监测水平，保障重要设备的安全可靠运行。
此外，本发明不仅可以有效分析处理海量的声发射信号，实现对信号特征的智能提取和聚类，克服传统方法难以解析复杂信号的困难，而且还可以实现损伤定位的自动化和智能化，减少人工分析的工作量。
此外，本发明不仅可以通过模糊聚类考虑原始声发射信号之间的不确定性和模糊边界，使得其可以更符合原始声发射信号特征的分布情况，提高聚类效果，而且还可以利用改进的混合蛙跳算法使损伤定位更加的精确高效，从而可以更好地满足于无损检测技术的需求。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括以上方法所述的步骤，所述的存储介质，如：ROM/RAM、磁碟、光盘等。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (2)
1.一种基于声发射和层析成像技术的损伤检测方法，其特征在于，该方法包括以下步骤：
S1、根据检测需求在待检测设备表面安装预设数量的声发射传感器，并对声发射传感器的灵敏度及定位精度进行标定校准；
S2、通过安装的声发射传感器采集原始声发射信号数据，并对采集的原始声发射信号数据进行预处理；
S3、利用潜在损伤区域识别算法结合预处理后的原始声发射信号数据输出潜在的损伤区域；
S4、对潜在的损伤区域进行自适应的细化网格划分，并在自适应细化网格区域进行局部层析成像重建得到损伤图像；
S5、根据局部层析成像重建得到损伤图像评估待检测设备的损伤位置及损伤程度，实现对待检测设备的损伤检测；
所述根据检测需求在待检测设备表面安装预设数量的声发射传感器，并对声发射传感器的灵敏度及定位精度进行标定校准包括以下步骤：
S11、根据设计文件分析得到待检测设备的特征数据，并根据待检测设备的特征数据制定检测方案；
S12、根据制定的检测方案在待检测设备表面安装预设数量的声发射传感器，并在声发射传感器安装完成后进行背景噪音测试及信号衰减测量；
S13、利用断铅法对声发射传感器的灵敏度进行标定，并在灵敏度标定完成后对声发射传感器的定位精度进行校准；
所述利用潜在损伤区域识别算法结合预处理后的原始声发射信号数据输出潜在的损伤区域包括以下步骤：
S31、提取历史数据库中原始声发射信号的特征，构建原始声发射信号与信号特征的矩阵，并进行时间衰减处理得到信号特征的时间衰减权重矩阵；
S32、利用模糊聚类法基于衰减后的信号特征矩阵对历史数据库中的原始声发射信号进行模糊聚类得到聚类中心；
S33、计算历史数据库中每个原始声发射信号与聚类中心的相似度，并根据相似度值由高至低的排序结果选择靠前的预设数量的相似聚类作为候选聚类邻居；
S34、利用改进的混合蛙跳算法在候选聚类邻居中搜索出目标原始声发射信号的最近K个聚类邻居；
S35、将历史数据库中原始声发射信号聚类作为用户，损伤位置作为物品构建用户与物品的矩阵；
S36、根据目标原始声发射信号的最近邻居聚类和用户与物品的矩阵计算损伤位置的预测评分；
S37、将预测评分由高至低进行排序，并根据排序结果选择前N个位置作为潜在的损伤区域；
所述提取历史数据库中原始声发射信号的特征，构建原始声发射信号与信号特征的矩阵，并进行时间衰减处理得到信号特征的时间衰减权重矩阵包括以下步骤：
S311、提取预处理后的历史数据库中原始声发射信号的特征，包括频谱特征、时频特征及统计特征；
S312、构建原始声发射信号与信号特征的矩阵，并构造基于时间的指数遗忘函数；
S313、根据原始声发射信号的采集时间计算每个信号特征在当前时刻的时间权重，并将时间权重向量作用于原始声发射信号与信号特征的矩阵，得到信号特征的时间衰减权重矩阵；
所述利用模糊聚类法基于衰减后的信号特征矩阵对历史数据库中的原始声发射信号进行模糊聚类得到聚类中心包括以下步骤：
S321、初始化模糊聚类数目及聚类中心；
S322、计算历史数据库中每个原始声发射信号与各聚类中心的隶属度，并根据隶属度更新各聚类中心；
S323、迭代计算隶属度和更新聚类中心直到聚类中心收敛，得到最终的聚类中心；
S324、根据最后的隶属度将每个原始声发射信号样本分配到其隶属度最大的类别中，得到原始声发射信号数据集的聚类结果及相应的聚类中心，并将得到的聚类中心作为模糊聚类的聚类中心；
所述利用改进的混合蛙跳算法在候选聚类邻居中搜索出目标原始声发射信号的最近K个聚类邻居包括以下步骤：
S341、输入目标原始声发射信号及其候选聚类邻居集，并初始化混合蛙跳算法的群体，其中，每只青蛙表示为一个候选聚类邻居的索引；
S342、基于目标原始声发射信号与聚类中心的相似度计算每只青蛙的适应度值度，并按照适应度值降序的方式为整个蛙群排序，记录全局适应度最佳青蛙Pg；
S343、基于分组规则将整个青蛙群分为m组，并记录每组中最佳青蛙Pb和最差青蛙Pw；
S344、对每组进行局部搜索，若更新后的最差青蛙newPw优于最差青蛙Pw，则newPw=Pw，否则，采用全局适应度最佳青蛙Pg代替每组中最佳青蛙Pb重新更新最差青蛙Pw，若更新后的最差青蛙newPw优于最差青蛙Pw，则newPw=Pw，否则，在预设解的空间内随机生成一只新的青蛙代替最差青蛙Pw；
S345、重复执行S344的更新进化过程直到达到局部的预设的迭代次数；
S346、当每组都完成一遍局部搜索后，将所有组合在一起组成新的青蛙群，按照新青蛙群的适应度值递减的顺序排列青蛙，并更新全局适应度最佳青蛙Pg，再次执行局部搜索进化，直到满足预设的收敛条件或达到全局的预设迭代次数；
S347、将最终获得的最佳青蛙表示的K个适应度最高的聚类作为最近邻居，并返回目标原始声发射信号的最近K个聚类邻居；
所述根据目标原始声发射信号的最近邻居聚类和用户与物品的矩阵计算损伤位置的预测评分包括以下步骤：
计算目标原始声发射信号与每个最近邻居聚类的相似度，并对每个损伤位置计算预测评分，得到每个损伤位置的预测评分；
其中，所述预测评分的计算公式为：
；
式中，PR a,e 表示目标原始声发射信号a对未评分损伤位置e的预测评分；
和/>分别表示目标原始声发射信号a、最近聚类邻居集中原始声发射信号b对已评分损伤位置的平均评分值；
Q表示最近聚类邻居集；
sim（a,b）表示目标原始声发射信号a与最近聚类邻居集中原始声发射信号b的相似度；
R b,e 表示最近聚类邻居集中原始声发射信号b对已评分损伤位置的评分；
所述对潜在的损伤区域进行自适应的细化网格划分，并在自适应细化网格区域进行局部层析成像重建得到损伤图像包括以下步骤：
S41、利用递归二分割法对潜在的损伤区域进行自适应细化网格划分；
S42、对于每个细化网格单元，使用高于初始射线密度的射线在该细化网格单元内进行局部层析成像重建得到损伤图像；
所述根据局部层析成像重建得到损伤图像评估待检测设备的损伤位置及损伤程度，实现对待检测设备的损伤检测包括以下步骤：
S51、获取局部层析成像重建得到的损伤图像，并进行平滑及增强对比度的处理；
S52、提取损伤图像的形状、边缘及质心特征，并通过与标准特征进行比较判断损伤位置；
S53、根据损伤区域的声速变化情况评估损伤的严重程度，并与材料损伤数据库进行比较得到损伤的定量指标；
S54、结合待检测设备的几何结构信息判断损伤部位和扩展趋势，实现对待检测设备的损伤检测；
S55、利用新的损伤检测结果对潜在损伤区域识别算法进行优化及更新。
2.一种基于声发射和层析成像技术的损伤检测系统，用于实现权利要求1中所述的基于声发射和层析成像技术的损伤检测方法的步骤，其特征在于，该系统包括标定校准模块、信号采集模块、潜在损伤区域输出模块、损伤图像重建模块及损伤图像分析模块；
其中，所述标定校准模块，用于根据检测需求在待检测设备表面安装预设数量的声发射传感器，并对声发射传感器的灵敏度及定位精度进行标定校准；
所述信号采集模块，用于通过安装的声发射传感器采集原始声发射信号数据，并对采集的原始声发射信号数据进行预处理；
所述潜在损伤区域输出模块，用于利用潜在损伤区域识别算法结合预处理后的原始声发射信号数据输出潜在的损伤区域；
所述损伤图像重建模块，用于对潜在的损伤区域进行自适应的细化网格划分，并在自适应细化网格区域进行局部层析成像重建得到损伤图像；
所述损伤图像分析模块，用于根据局部层析成像重建得到损伤图像评估待检测设备的损伤位置及损伤程度，实现对待检测设备的损伤检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410166471.3A CN117705953B (zh) | 2024-02-06 | 2024-02-06 | 一种基于声发射和层析成像技术的损伤检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410166471.3A CN117705953B (zh) | 2024-02-06 | 2024-02-06 | 一种基于声发射和层析成像技术的损伤检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117705953A CN117705953A (zh) | 2024-03-15 |
| CN117705953B true CN117705953B (zh) | 2024-04-09 |
Family
ID=90157438
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410166471.3A Active CN117705953B (zh) | 2024-02-06 | 2024-02-06 | 一种基于声发射和层析成像技术的损伤检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117705953B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2008112652A (ru) * | 2008-04-01 | 2009-10-10 | Общество с ограниченной ответственностью "ШАЛЕНА" (RU) | Глубоководный низкочастотный излучатель для систем акустической томографии |
| CN105405118A (zh) * | 2015-10-16 | 2016-03-16 | 哈尔滨工程大学 | 基于量子衍生混合蛙跳的水下声纳图像目标检测方法 |
| WO2016111862A1 (en) * | 2015-01-08 | 2016-07-14 | Nec Laboratories America, Inc. | Method and apparatus for photoacoustic tomography using orbital angular momentum(oam) |
| CN106525976A (zh) * | 2016-11-18 | 2017-03-22 | 金陵科技学院 | 基于声发射层析成像定量分析混凝土结构损伤部位的方法 |
| CN111678993A (zh) * | 2020-05-26 | 2020-09-18 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 无损检测系统以及方法 |
| WO2022143281A1 (zh) * | 2020-12-28 | 2022-07-07 | 青岛理工大学 | 一种混凝土结构中钢筋状态检测方法 |
| CN115201235A (zh) * | 2022-09-14 | 2022-10-18 | 中国科学院地质与地球物理研究所 | 一种基于pet-ct和das的多物理场成像方法与系统 |
| CN115754007A (zh) * | 2022-09-27 | 2023-03-07 | 北京交通大学 | 一种基于声发射技术和层析成像技术的损伤检测方法 |
| CN116008404A (zh) * | 2022-12-15 | 2023-04-25 | 浙江英集动力科技有限公司 | 基于激光超声的供热管道损伤识别与风险评估方法及系统 |
-
2024
- 2024-02-06 CN CN202410166471.3A patent/CN117705953B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2008112652A (ru) * | 2008-04-01 | 2009-10-10 | Общество с ограниченной ответственностью "ШАЛЕНА" (RU) | Глубоководный низкочастотный излучатель для систем акустической томографии |
| WO2016111862A1 (en) * | 2015-01-08 | 2016-07-14 | Nec Laboratories America, Inc. | Method and apparatus for photoacoustic tomography using orbital angular momentum(oam) |
| CN105405118A (zh) * | 2015-10-16 | 2016-03-16 | 哈尔滨工程大学 | 基于量子衍生混合蛙跳的水下声纳图像目标检测方法 |
| CN106525976A (zh) * | 2016-11-18 | 2017-03-22 | 金陵科技学院 | 基于声发射层析成像定量分析混凝土结构损伤部位的方法 |
| CN111678993A (zh) * | 2020-05-26 | 2020-09-18 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 无损检测系统以及方法 |
| WO2022143281A1 (zh) * | 2020-12-28 | 2022-07-07 | 青岛理工大学 | 一种混凝土结构中钢筋状态检测方法 |
| CN115201235A (zh) * | 2022-09-14 | 2022-10-18 | 中国科学院地质与地球物理研究所 | 一种基于pet-ct和das的多物理场成像方法与系统 |
| CN115754007A (zh) * | 2022-09-27 | 2023-03-07 | 北京交通大学 | 一种基于声发射技术和层析成像技术的损伤检测方法 |
| CN116008404A (zh) * | 2022-12-15 | 2023-04-25 | 浙江英集动力科技有限公司 | 基于激光超声的供热管道损伤识别与风险评估方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117705953A (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103356241A (zh) | 二维超声设备成像质量评估系统及评估方法 | |
| Turner et al. | Likelihood-free Bayesian analysis of memory models. | |
| CN111768366A (zh) | 超声成像系统、bi-rads分级方法及模型训练方法 | |
| Posilović et al. | Flaw detection from ultrasonic images using YOLO and SSD | |
| CN109801687B (zh) | 一种面向健康领域的因果关系知识库的构建方法和系统 | |
| US20210216745A1 (en) | Cell Detection Studio: a system for the development of Deep Learning Neural Networks Algorithms for cell detection and quantification from Whole Slide Images | |
| CN109599181B (zh) | 一种在治疗前针对t3-larc患者的生存预测系统及预测方法 | |
| Pyle et al. | Uncertainty quantification for deep learning in ultrasonic crack characterization | |
| EP2793164A1 (en) | Method and system for determining a phenotype of a neoplasm in a human or animal body | |
| Fuentes et al. | Autonomous ultrasonic inspection using Bayesian optimisation and robust outlier analysis | |
| CN109374631A (zh) | 一种隧道状态评测方法 | |
| KR102325346B1 (ko) | 의료 영상 진단 장치 및 방법 | |
| CN111678992A (zh) | 一种用于识别混凝土结构损伤类型的无损检测方法 | |
| Bandara et al. | Structural health assessment of timber utility poles using stress wave propagation and artificial neural network techniques | |
| CN117705953B (zh) | 一种基于声发射和层析成像技术的损伤检测方法及系统 | |
| CN111678991B (zh) | 一种用于混凝土结构无损检测损伤识别的方法 | |
| Zhang et al. | THz Wave Detection of Gap Defects Based on a Convolutional Neural Network Improved by a Residual Shrinkage Network | |
| CN113570594A (zh) | 超声图像中目标组织的监测方法、装置及存储介质 | |
| Zhang et al. | Ultrasonic diagnosis method for stainless steel weld defects based on multi-domain feature fusion | |
| CN114881938A (zh) | 基于小波分析和神经网络的晶粒度检测方法及系统 | |
| Sutcliffe et al. | Automatic defect recognition of single-v welds using full matrix capture data, computer vision and multi-layer perceptron artificial neural networks | |
| CN114755302A (zh) | 一种基于超声相控阵的裂纹表征方法及装置 | |
| CN110389176B (zh) | 一种碳纤维增强基复合材料结构的疲劳损伤诊断方法 | |
| Zhao et al. | Automated quantification of small defects in ultrasonic phased array imaging using AWGA-gcForest algorithm | |
| CN113361209A (zh) | 一种高温合金表面缺陷磁异常定量分析方法 |
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 |