Page 79 - 无损检测2024年第六期

顾建平，等：

基于 VMD-HT 和深度学习的流噪环境腐蚀损伤声发射识别模型

（2）令n=n+1，运行整个循环。 要，但为了挖掘流动噪声背景下微弱腐蚀信号的高

（3）令k=1∶ K，根据变分模态分解相关公式更 层次特征，需要以GRU神经元为基础，搭建更为复

新 u 和 ω 。 杂的深度学习模型。考虑到声发射源在能量快速释
k
k
（4）根据式（1）更新λ，即 放期间，声发射信号在幅值上升和下降两个阶段之
（1） 间存在表征差异，笔者构建了具有双向信息传播路
径的深度门控循环神经网络（BiGRU），该神经网络
式中： γ为噪声容限参数； 分别为 可以同时利用时间序列中的未来信息和历史信息，
ft
t
t
λ n (), (),u n+ 1 () 傅里叶变换后的函数； 为目 其结构如图2所示。
标信号； ()ft 为原始信号。
（5）重复步骤（2）~（4），直到满足迭代停止条 输入层 X 1 X 2 … X n
件，则结束整个循环，输出结果得到K个窄带IMF
分量。 GRU GRU … GRU
（6）对各IMF进行希尔伯特变换，可得IMF的 隐含层 GRU GRU … GRU
解析信号。 GRU GRU … GRU
正向传播路径 GRU GRU GRU
（7）根据解析信号的定义，代入公式计算得到 …
信号的希尔伯特谱。 反向传播路径 反向传递特征 正向传递特征
（8）计算各分量的瞬时频率以及各分量的谱熵， 
也就得到各IMF分量瞬时频率与谱熵随时间变化的
输出层
特征向量，将各向量组合构建多维时序特征矩阵，作
腐蚀信号 流动噪声 混合信号
为后续深度BiGRU神经网络的输入样本。
图 2 深度 BiGRU 神经网络结构示意
1.3 深度BiGRU神经网络
循环神经网络（RNN）是一种广泛应用于时序
2 声发射监测试验与分析
数据处理的深度学习算法，传统的RNN模型在处理
长时间序列时，会出现梯度“爆炸”和梯度“消失” 2.1 试验过程
的问题，造成RNN无法获取长时间依赖信息，从而 在役管道腐蚀声发射监测系统构成如图 3 所

丧失利用远距离历史信息的能力。为了解决RNN 示，其主要包括管道模拟试验台和声发射信号采集
[9]
模型的长期依赖问题，CHE等 提出了GRU，虽然 系统。该系统使用物理声学公司的Micro-II型数字
GRU神经元能够满足长时序声发射信号的处理需 声发射系统，与计算机端声发射采集软件相连，采

凹槽 AE传感器
流量计
水箱

AE信号处理软件
管道
AE仪器

水泵

图 3 在役管道腐蚀声发射监测系统构成
45
2024 年 第 46 卷 第 6 期
无损检测