[發明專利]基于聲發射信號的金剛石壓機頂錘裂紋在線檢測方法

有效

• 申請號: 201611110291.5
• 申請日: 2016-12-06
• 公開（公告）號: CN106770675B
• 公開（公告）日: 2019-05-21
• 發明（設計）人: 杜文遼;王宏超;孟凡念;趙峰;岳磊;王良文;李安生;李浩;劉成良
• 申請（專利權）人: 鄭州輕工業學院
• 主分類號: G01N29/14
• 分類號: G01N29/14;G06K9/62
• 代理公司: 鄭州市華翔專利代理事務所(普通合伙) 41122
• 代理人: 馬鵬鷂

1.一種基于聲發射信號的金剛石壓機頂錘裂紋在線檢測方法，其特征在于，綜合利用BSA-SVM智能檢測方法和K-SPWVD時頻信號分析方法進行頂錘裂紋檢測，具體步驟如下：

第一部分檢測依據的建立

步驟1：在已知是否有裂紋的頂錘上安裝聲發射傳感器，首先對已知是否有裂紋的頂錘進行聲發射信號采集，通過電路對傳感器采集的信號進行預處理，將預處理后的信號輸入計算機；在計算機中對頂錘正常狀態下的聲發射信號和裂紋狀態下的聲發射信號進行收集；

步驟2：計算機對上述頂錘正常狀態下的聲發射信號和裂紋狀態下的聲發射信號，利用回溯搜索優化算法(BSA)對支持向量機模型(SVM)進行參數的優化和訓練，得到金剛石壓機頂錘裂紋智能檢測模型，該模型名詞定為：基于回溯搜索優化算法的支持向量機模型(BSA-SVM)；

步驟3：

利用上述步驟1中采集到的已有的裂紋狀態下的聲發射信號，

(a)首先，取M個數據點的頂錘裂紋狀態聲發射信號作為模板信號；

(b)然后，利用平滑偽維格納-威利分布(SPWVD)處理分析該模板信號，根據得到的頻譜信息確定頂錘裂紋特征頻率；

第二部分實時檢測過程

步驟4：

將聲發射傳感器安裝到正在工作的頂錘上，針對采集到的正在工作中的頂錘聲發射實時信號，首先利用基于回溯搜索優化算法的支持向量機模型(BSA-SVM)進行識別，

如果檢測到是非裂紋信號，則執行步驟6；

如果檢測到是裂紋信號，暫定為一級疑似裂紋信號，同時執行步驟5；

步驟5：

將上述一級疑似裂紋信號利用柯爾莫諾夫-斯米爾諾夫檢驗(Kolmogorov-Smirnovtest，簡稱K-S檢驗)與平滑偽維格納-威利分布(K-SPWVD)結合處理方法進行處理，

該柯爾莫諾夫-斯米爾諾夫檢驗與平滑偽維格納-威利分布(K-SPWVD)結合處理方法的工作過程包括

(i)首先對采集的一級疑似裂紋信號利用進行連續平移L點長度的加窗截取，窗口長度為M，利用柯爾莫諾夫-斯米爾諾夫檢驗(Kolmogorov-Smirnov test，簡稱K-S檢驗)方法與所述的模板信號進行匹配；如果不匹配，說明是非裂紋信號，執行步驟6；如果匹配，暫定為二級疑似裂紋信號，并轉到下一步(ii)；

(ii)再將上述二級疑似裂紋信號利用平滑偽維格納-威利分布(SPWVD)處理分析所截信號，根據得到的頻譜信息確定其特征頻率，如果能觀察到有步驟3(b)中的頂錘裂紋特征頻率，則判定為頂錘發生了裂紋，執行步驟7，反之，則判定為非裂紋信號，執行步驟6；

步驟6：

輸出頂錘沒有裂紋的判斷結果；

步驟7：

輸出頂錘有裂紋的結果。

2.根據權利要求1所述的一種基于聲發射信號的金剛石壓機頂錘裂紋在線檢測方法，其特征在于：所述步驟2中的基于回溯搜索優化算法的支持向量機模型(BSA-SVM)的建立過程包括，

a.確定訓練樣本

從步驟1中采集的頂錘聲發射信號集中選取n₁組已知正常信號和n₂組已知疑似裂紋信號作為無裂紋狀態，n₃組已知裂紋信號對應裂紋狀態，此處已知疑似裂紋信號為頂錘沒有裂紋但信號波形與裂紋信號相似的信號；無裂紋狀態和裂紋狀態兩種類樣本共同組成訓練樣本，利用小波包對信號進行三層分解，提取各頻段的能量百分比作為樣本特征值，樣本特征值矩陣構成支持向量機模型的輸入向量，模型的輸出為1或-1，分別代表無裂紋和裂紋狀態；

b.確定支持向量機的待優化參數

支持向量機中有2個參數：核函數參數σ和懲罰函數參數C，標記為p(σ，C)；

c.基于BSA的參數初始化

BSA的初始化是指初始化種群P和歷史種群oldP；種群包括N個個體，個體的長度設置為d＝2，代表參數的個數；種群P初始化表達式為：

P_i,j～U(low_j,up_j)

其中i＝1，2，3，…，N；j＝1，2，3，…，D；N和D分別代表種群的規模和問題維度，U(,)表示均勻分布函數，up_j和low_j分別表示第j維變量的上、下界；

歷史種群oldP初始化是防止首次運行篩選Ⅰ時，oldP數值為空集；歷史種群oldP由以下公式決定：

oldP_i,j～U(low_j,up_j)

d.篩選Ⅰ

根據概率運算重新定義oldP，其表達式為：

if a＜b then oldP＝P|a,b～U(0,1)

式中等號表示更新代替；新一代的歷史種群oldP是上一代或者是m代前的歷史種群，m＝1,2,…M-1，M為目前迭代次數；

e.突變

BSA通過下式形成試驗種群的初始形式Mutant

Mutant＝P+F·(oldP-P)

式中F作為變異尺度系數用于控制變異的幅度，F＝3·randn，其中randn～N(0,1)，N(,)表示標準正態分布函數；

f.交叉

BSA通過交叉過程產生試驗種群的最終形式T；該交叉方式是一種基于兩種交叉方式等概率調用的聯合交叉方式；

在交叉時，首先是交叉長度n的選擇，然后在歷史種群P中每個個體隨機篩選n個特征并與Mutant中等位置等維度的特征進行交換，得到新的個體；n是(0,mixrate·D]中的整數，式中，mixrate是交叉概率，一般取為1，D是問題維度；

在每代的交叉中，n有兩種可能，由n的賦值方式決定，分為：

①交叉方式1：n＝1，即任意選取一維，互換歷史種群中個體與同位置試驗種群個體；

或者

②交叉方式2：給每個個體隨機生成一個randn～N(0,1)，把

n(i)＝[mixrate·randn·D]

定義成交叉長度；式中，mixrate是交叉概率，D是問題維度；

上述兩種交叉方式等概率隨機調用構成BSA的交叉方式；

g.篩選II

將試驗種群帶入支持向量機，產生試驗種群的適應度函數，其表達式為：

式中：F表示種群中每個個體的適應度，species表示樣本分類結果，groupnames表示樣本對應狀態；

比較當前種群與試驗種群間的適應度函數，用試驗種群中的優秀個體替換當前種群中相應的個體；如果本次最優個體Pbest具有比全局最優個體更好的適應度，則全局最優個體就用Pbest代替，同樣其對應的適應度值也用本次最優個體的適應度值代替；

h.如果本次最優個體滿足預先設定的分類精度或者迭代次數，不再進行種群更新，退出訓練；否則轉入步驟(d)，更新種群。