Page 41 - 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

件界面处过度散射和衰减。处理系统选用 AEwin软 2.2 试验数据

件, 前置放大增益为40dB 、 信号门槛值为30dB 、 系统 整个试验过程中 共 记 录 了 3860 个 声 发 射 信

采样频率为 1 MHz 。用直径为 0.5mm 的铅芯在玻 号, 其中包含断铅信号 200 个( 2 个传感器均会接收

璃纤维复合材料板上摩擦和突然断裂生成 2 类声发 到断铅信号)、 摩擦信号 3660 个; 但具体声发射信
射信号, 用于模拟不同损伤模式下的声发射现象。为 号类别未知。部分声发射信号波形如图 3 所示( 信
方便结果验证, 在整个试验过程中, 始终保持铅芯与 号类别均由后期的人工分析得到), 每个声发射信号

试件的摩擦, 并随机、 间断地进行100次断铅试验。 波形均包括 1024 个采样点。

图 3 典型声发射信号波形
2.3 网络训练
3 计算结果与分析
深度卷积自编码器模型的网络结构参数如表 1
所示( 表中各参数均无量纲)。该模型编码器部分共 3.1 无监督学习聚类结果分析
有 6 层卷积层与池化层, 解码器部分与其对等。在 将所有声发射信号输入一维卷积深度自编码
编码器部分, 各层卷积核大小均设为 3 。模型的输 器训练后, 再 利 用 自 编 码 器 自 动 提 取 的 信 号 特 征

入和输出均直接采用原始声发射信号( 3860 个波 进行聚类的 结 果 如 图 4 所 示 ( 图 中 特 征 1 , 特 征 2
形数 据 ), 损 失 函 数 采 用 均 方 误 差, 激 活 函 数 为 数值均为自编码器输出值, 无量纲)。文章提出的
ReLU ( 修正线性单元), 初始学习率设置为 0.001 , 声发射信号聚类分析算法将所有声发射信号划分

共进行 5000 批次的迭代训练, 训练时保存最优模 为 2 类, 其中类别 1 包含 3660 个声发射信 号, 类
型作为最终的深度自编码器。 别 2 包含 200 个 声 发 射 信 号。进 一 步 观 察 类 别 2
表 1 卷积自编码器网络结构 中信号的波形特征以及 2 个传感器中信号出现的
编号 网络层 卷积核 步长 输出尺寸 零补 时间( 断铅信号 会 被 2 个 传 感 器 接 收 到), 可 以 获

1 卷积 1 3×16 1 1024×16 是 知类别 2 即为断铅信号集。聚类结果的轮廓系数
2 池化 1 2×1 1 512×16 否 在 0.85 以上, 可视化图像也显示出了 2 类 信 号 被
3 卷积 2 3×32 1 512×32 是 清晰地分 割, 表 明 文 章 提 出 的 方 法 能 在 无 先 验 知
4 池化 2 2×1 1 256×32 否
5 卷积 3 3×64 1 256×64 是
6 池化 3 2×1 1 128×64 否
7 上采样 1 2×1 1 256×64 否
8 卷积 4 3×32 1 256×32 是
9 上采样 2 2×1 1 512×32 否
10 卷积 5 3×16 1 512×16 是
否
11 上采样 3 2×1 1 1024×16
12 卷积 6 3×1 1 1024×1 是
图 4 卷积自编码器可视化聚类结果在时间上的分布

7

2021 年 第 43 卷 第 2 期
无损检测