Page 44 - 无损检测2021年第二期
P. 44

李   睿, 等:

            基于无监督深度学习的声发射信号聚类分析


            可分性( 轮廓系数) 整体上呈现不断提高的趋势; 而                              的声发射信号模式识别分析[ J ] . 南昌大学( 工科版),
            且当第一层卷积核小于 16 后, 信号类别检测的准确                              2020 , 42 ( 1 ): 23-27.
            性就能达到接近完全正确的程度。第一层卷积核的                              [ 6 ]   陈玉华, 刘时风, 耿荣生, 等 . 声发射信号的谱 分 析 和
            大小会直接改变中间层数据的感受野大小。第一层                                  相关分析[ J ] . 无损检测, 2002 , 24 ( 9 ): 395-399.
                                                                [ 7 ]   李伟, 姜智通, 张璐莹, 等 . 碳纤维复合材料损伤声发
            卷积核为 64 时, 中间层每个数据对应的感受野大小
                                                                    射信号 模 式 识 别 方 法 [ J ] . 中 国 测 试, 2020 , 46 ( 6 ):
            为 524 , 即相当于原波形信号中 524 个时间点的数
                                                                    121-128.
            据被压缩到一个值。显然, 使用小的第一层卷积核
                                                                [ 8 ]   卢宏涛, 张秦川 . 深度卷积神经网络在计算机视觉中
            可以保留更多的信号细节特征。计算表明, 使用较
                                                                    的应用研究综述[ J ] . 数据采集与处理, 2016 , 31 ( 1 ):
            小的第一层卷积核对声发射信号的分类是有利的。                                  1-17.

                                                                [ 9 ]  BARAT V , KOSTENKO P , BARDAKOV V , etal.
            4  结论
                                                                    Acousticsi g nalsreco g nitionb yconvolutionalneural


               ( 1 )在众多人为设定的声发射信号特征 参数                              network [ J ] .International Journal of A pp lied

            中, 不是所有特征参数都有利于信号的模式识别与                                 En g ineerin gResearch , 2017 , 12 ( 12 ): 3461-3469.

            类别检测。在该试验中, 仅能量和幅值对断铅、 摩擦                          [ 10 ]  ISLAM M M M , KIM J M.Automatedbearin gfault

                                                                    dia g nosisschemeusin g2Dre p resentationofwavelet
            声源具有较高的检测灵敏度。因此, 需要人工对声
                                                                    p acket transform and dee p convolutional neural
            发射信号 特 征 进 行 分 析, 选 取 合 适 的 特 征 类 型 与
                                                                    network [ J ] .Com p utersinIndustr y , 2019 , 106 : 142-
            个数。
                                                                    153.

                 ( 2 )利用无监督 的 深 度 学 习 方 法 能 够 很 好 地
                                                               [ 11 ]  NASIRIA , BAO J , MCCLEEARY D , etal.Online
            克服参数 分 析、 波 形 分 析 中 存 在 的 特 征 有 效 性 不                   dama g emonitorin gofSiCf-SiCmcom p ositematerials







            足以及需要人工干预的问题。利用自编码器进行                                   usin gacousticemissionanddee plearnin g [ J ] .IEEE



            声发射信号特征自动提取, 再结合 K 均值算法 能                               Access , 2019 ( 99 ): 1.

            够有效地 区 别 不 同 声 源 的 声 发 射 信 号, 特 别 是 在              [ 12 ]  ABDELJABER O , AVCIO , KIRANYAZS , etal.

            声发射信号事件较多且无法获得标签的时候具有                                   Real-time  vibration-based  structural  dama g e

                                                                    dectectionusin gone-dimentionalconvolutionalneural
            明显的优势。

                                                                    networks [ J ] .JournalofSound & Vibration , 2017 ,

                 ( 3 )深度自编码器具备很强的特征学习能力,
                                                                    388 : 154-170.
            可从原始声发射波形信号中自适应提取有效特征用
                                                               [ 13 ]   王伟魁, 李一博, 杜刚, 等 . 基于聚类分析的罐 底 声 发
            于聚类分析; 而且使用较小的第一层卷积核尺寸, 可
                                                                    射检测信号融合方法[ J ] . 振动与冲击, 2012 , 31 ( 17 ):
            以保留更多信号的细节特征, 有利于声发射信号的
                                                                    181-185.
            识别与分类。                                             [ 14 ]   赵文政 . 复合材料变形损伤监测及声发射特征信号的
            参考文献:                                                   聚类分析[ D ] . 保定: 河北大学, 2018.
                                                               [ 15 ]   杨俊闯, 赵超 .K-Means聚 类 算 法 研 究 综 述[ J ] . 计 算

             [ 1 ]   刘怀喜, 张恒, 马润 香 .复 合 材 料 无 损 检 测 方 法 [ J ] .     机工程与应用, 2019 , 55 ( 23 ): 7-14 , 63.
                                                               [ 16 ]   金志浩, 叶陈, 陆景阳, 等 . 聚类分析在声发射 信 号 处
                  无损检测, 2003 , 25 ( 12 ): 631-634 , 656.
             [ 2 ]   倪迎鸽, 杨宇, 吕毅, 等 . 声发射在复合材料损 伤 机 理               理中的 应 用 [ J ] . 沈 阳 化 工 大 学 学 报, 2014 , 28 ( 4 ):
                  研究的应用现状及发展趋势[ J ] . 玻璃钢 / 复 合 材 料,                360-364.
                                                               [ 17 ]   康海松 . 基于声发射信号分析的热障涂层损伤模式识
                 2019 ( 8 ): 115-126.

                                                                    别研究[ D ] . 湘潭: 湘潭大学, 2014.
             [ 3 ]  ZHAOL , KANGL , YAOS.Researchanda pp lication


                                                               [ 18 ]  OSKOUEIA R , HEIDARY H , AHMADI M , etal.
                 ofacousticemissionsi g nal p rocessin g technolo gy [ J ] .


                                                                    Unsu p ervisedacousticemissiondataclusterin g forthe
                 IEEEAccess , 2018 ( 7 ): 984-993.

             [ 4 ]   沈功田, 耿荣生, 刘时风 . 声发射信号的参数分析方法                   anal y sisof dama g e mechanismsin g lass / p ol y ester

                  [ J ] . 无损检测, 2002 , 24 ( 2 ): 72-77.             com p osites [ J ] .Materials & Desi g n , 2012 , 37 : 416-
             [ 5 ]   万乐, 闫小青, 张纯, 等 . 玻璃纤维复合材料拉伸损伤                  422.
               0
              1


                   2021 年 第 43 卷 第 2 期
                   无损检测
   39   40   41   42   43   44   45   46   47   48   49