Page 40 - 无损检测2021年第二期

李 睿, 等:

基于无监督深度学习的声发射信号聚类分析

而会导致声发射信号的聚类分析效果不佳。
对于不同的声发射信号, 信号特征的自适应提
取以及聚类分析对解释 AE ( 声发射) 信号, 进行模
式识别意义重大。目前, 以卷积神经网络( CNN ) 等
为代表的深度学习技术是发展最为迅速的信号特征
自动提取方法, 其通过对图像、 信号等数据的直接学
习, 能实现从具体到抽象等多个层次数据特征的自
动提取 [ 8 ] 。在声发 射 信 号 的 相 关 研 究 中, BARAT
图 1 卷积自编码器结构示意
等 [ 9 ] 、 ISLAM 等 [ 10 ] 都利用 CNN 自动提取了声发射
信号时频图的特征, 来识别不同缺陷对应的声发射 上具有全局的感受野; 再按照通道顺序将这些实数
信号。 NASIRI等 [ 11 ] 同样采用 CNN 提取原始声发 进行组合即可得到信号的通道维度特征。
复合材 料管损 1.2 深度卷积自编码器结合 K 均值聚类的声发射
射信号的特征, 用于监测 SiC f -SiC m
伤过程的 3 个阶段。这些基于深度神经网络的声发 信号分类识别算法
射模式识别工作均属于有监督学习, 即需要人为去 在解决声发射信号模式识别的问题时, 选取信
设定用于训练的声发射信号标签( 信号对应何种损 号特征参数进行聚类分析是一种常见的做法 [ 13-14 ] 。
伤类别或阶段)。人工逐一分析声发射数据并设定 由于声发射信号特征参数类型和个数的选择将直接
信号标签的工作量极大, 在实际工程中是难以做到 影响聚类结果的好坏, 所以为避免人为特征选择的
的。引入无监督学习方法, 提出了使用深度自动编 困难, 文章基于深度卷积自编码器自动提取的信号
码器提取声发射信号特征, 并结合 K 均值聚类进行 通道维度特征, 结合 K 均值聚类算法对声发射信号
声发射信号准确分类的方法。在无先验知识的情况 进行聚类分析。
下, 2 种不同类型声发射信号的分类识别试验验证 K 均值聚类算法使用欧式距离衡量数据点的
相似度, 通过反复迭代, 每个数据点和距离其最近的
了所提方法的有效性与可靠性。
类簇之间的距离平方最小 [ 15 ] 。利用 K 均值聚类算
1 基本原理与方法
法处理自编码器自动提取的特征, 并完成声发射信
1.1 基于一维卷积的深度自动编码器 号聚类分析的流程如图 2 所示。
深度自动编码器是一种无监督学习的非线性特
征提取模型, 可实现对无标签复杂高维输入数据不
同层次分布特征的自动提取。其神经网络结构具有
对称性, 包括编码 器 和 解 码 器 2 个 部 分 ( 见 图 1 )。
编码器利用卷积、 池化和激活等操作, 对原始输入数
据进行压缩降维; 解码器则利用反卷积、 反池化等操
作, 对降维后的特征进行原始数据重建, 并利用反向
传播算法来训练网络, 使得网络输出尽量逼近网络
输入。因此, 深度自动编码器在学习过程中无需人
为设定样本标签。学习完成后, 最少神经元层的编
码结果即可代表原数据最佳的低维特征值, 可进一 图 2 声发射信号识别流程图
步用于信号聚类分析。
2 声发射试验验证
对于声 发 射 波 形 信 号, 文 章 采 用 了 一 维 卷 积
层 [ 12 ] 对原始信号进行直接处理, 而未利用时频变换 2.1 试验装置和过程
将原始信号转变为二维图像处理, 减少了信号处理 试验采用的声发射检测仪器为 PCI-2 型声发射
的工作量。输入的声发射信号在经过多个一维卷积 仪, 选用了2个中心频率为150kHz的 R15型谐振式

和池化处理后, 会得到多个通道的中间层( 最少神经 传感器。将2个传感器分别用黑色胶带固定在玻璃
元层) 数据; 将中间层每一个通道的数据通过平均池 纤维复合材料板试件两端, 并在探头与试件的接触部
化( 取均值) 压缩为一个实数, 这个实数在某种程度 位涂凡士林耦合剂, 以防止声发射信号在传感器和试
6
2021 年 第 43 卷 第 2 期

无损检测