Page 43 - 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

-
的特征参数; x 与σ 分别为原始信号参数的均值与 均值算法 对 试 验 信 号 进 行 类 别 判 断, 识 别 结 果 如
标准差。 表 4 所示。为方便比较, 图 6 给出了不同特征参数
将聚类特征参数标准化处理后, 再统一使用 K 组合的聚类结果在能量与幅值上的分布关系。

图 6 不同特征参数组合的聚类结果在能量与幅值上的分布关系
表 4 不同自编码器聚类结果 参数的信号聚类与识别方法仍然需要大量的人为分

自编码器第一层 析和计算验证。
类别 1 类别 2 轮廓系数
卷积核尺寸 与基于人工选择特征参数的聚类算法相比, 表
3 和图 6 ( e ) 所示结果都表明, 文章所提算法无需考
64 3450 410 0.695409

32 3651 209 0.795340 虑特征参数类型和数目的选择, 依赖于深度自编码

16 3653 207 0.776552 器的自动特征提取功能, 可实现声发射信号自动化

8 3660 200 0.800116
的准确聚类。

3 3660 200 0.856338
3.3 不同卷积核尺寸对声发射信号识别的影响
聚类结果表明, 不同特征参数的组合会不同的 在处理声发射信号的一维卷积神经网络中, 卷
聚类效果。组合 4 中, 特征参数幅值和能量是经过 积核的大小是一个很重要的网络结构参数。自编码
人工分析选择出的最具区分度的聚类指标; 因此, 仅 器特征提取层的每一个元素所对应的输入数据时间
用两个指标聚类就能达到很高的分类准确率( 只出 段( 即感受野) 大小是由卷积核的尺寸和网络层数决
现1 例断铅信号误判)。组合 1 在组合 4 的基础上 定的。卷积核大小会直接影响深度自编码器对声发
增加了振铃计数和持续时间 2 个特征参数, 但分类 射信号特征的提取。卷积核尺寸越大, 提取特征对
效果反而降低了, 断铅信号出现了 26 例误判。组合 应的原始声发射信号时间段也就越长, 其效果相当
2 选择的 5 个特征参数能完全正确地进行声发射信 于忽略更多的细节、 提取更抽象的信号特征。
号分类; 组合 3 在组合 2 的基础上仅增加了振铃计 为了进一步研究深度卷积自编码器结构对声发
数, 但分类准确率显著降低。从由图 6 ( c ) 可知, 基 射信号识别的影响, 保持表 1 所示的深度自编码器
于组合 3 特征参数的聚类算法将断铅信号中的一个 网络基本结构不变, 设置了 5 种自编码器, 其第一层
子集识别为一类, 而将其他断铅信号与摩擦信号混 卷积核的大小分别为 64 , 32 , 16 , 8 , 3 , 解码器的最后
为另一类。由此可见, 不是所有的特征参数都利于 一个反卷积层也相应改变。声发射信号聚类分析的
信号聚类, 不合适的特征参数类型与个数选择反而 结果如表 4 所示。当深度自编码器第一层卷积核尺
会降低声发射信号的聚类分析效果; 所以, 基于特征 寸逐步减小时, 信号类别诊断的准确率以及类别的

9

2021 年 第 43 卷 第 2 期
无损检测