Page 42 - 无损检测2021年第二期
P. 42
李 睿, 等:
基于无监督深度学习的声发射信号聚类分析
识的情况下, 通过无监督学习, 准确实现了声发射 别 2 的声发射信号( 断铅信号) 具有较低的上升时
信号的类型识别。 间、 持续时间和计数, 但和类别 1 ( 摩擦信号) 的信号
分类后的声发射信号传统特征参数值在试验时 有重叠; 区分度最大的特征参数是能量与幅值, 而峰
间上的分布如图 5 所示。在常见的特征参数中, 类 频则无法用于区分不同信号的类别。
图 5 聚类结果的传统声发射特征参数在时间上的分布
3.2 不同聚类识别方法对比 表 2 声发射信号特征参数
进一步比较基于传统特征参数的聚类方法和提 上升时间 / 计数 / 能量 / 持续时间 / 幅值 / 峰频 /
编号
出的方法在信号分类上的性能。试验测得的声发射 μ s 个 ( mV · s ) μ s dB kHz
μ
信号部分特征参数如表 2 所示。由于可以采用不同 1 30 315 493 2692 96 145
的特征参 数 组 合 作 为 聚 类 变 量, 所 以 根 据 已 有 研 2 28 176 356 1728 87 149
究 [ 16-18 ] 分别选 取 表 3 中 ( PA 为 幅 值, D 为 持 续 时 3 87 335 719 2827 94 134
间, RT 为上升时间, E 为能量, C 为振铃计数, PF 为 … … … … … …
峰值频率) 的 3 种特征参数组合, 同时考虑 3.1 节的 3859 28 197 213 1616 90 159
计算结果, 补充选取区分度最高的两个特征参数( 能 3860 68 161 755 1253 97 135
量和幅值) 作为聚类特征组合。传统声发射信号特 表 3 声发射信号特征参数聚类结果
征参数在量纲上存在很大的差异, 因此在聚类分析 组合 特征参数 类别 1 类别 2
前利用平均数方差标准化消除量纲对分类结果的影 组合 1 PA 、 E 、 C 、 D 3634 226
响, 相应的计算公式为 组合 2 PA 、 E 、 PF 、 D 、 RT 3660 200
- 组合 3 PA 、 E 、 C 、 PF 、 D 、 RT 3834 26
x i -x
i=
x' ( 1 )
σ 组合 4 PA 、 E 3659 201
与x' 分别为原始信号特征参数与标准化后 文章所提方法 自动提取特征 3660 200
式中: x i i
8
2021 年 第 43 卷 第 2 期
无损检测
