Page 81 - 无损检测2024年第六期
P. 81
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
发射信号能量。所以，如图5 （c），（f）所示，在管内 5~100 kHz的各模态分量瞬时频率向量与谱熵 （无
介质流动时采集信号，仅通过时域波形与时频图谱 量纲）向量，3 类信号在 5~100 kHz之间各有两个
已难以分辨是否存在腐蚀信号。 IMF，从各IMF中提取的瞬时频率向量与谱熵向
2.3 特征提取及模型训练 量曲线如图 6 所示。由图 6 可见，每类信号有四维
将试验中采集的腐蚀信号记作A类，流动噪声 时序特征向量，将所有特征作为训练样本输入深度
信号记作B类，流噪腐蚀混合信号记作C类。首先 BiGRU网络中，进行3类信号的识别，比较识别结果
通过VMD-HT方法处理此 3 类信号，提取频段为 与真实标签，计算模型识别的准确率。
图 6 3 类信号的瞬时频率与谱熵特征向量曲线
为了获得更好的拟合效果并防止训练发散，对
训练数据进行了标准化，并在正向传播路径与反向
传播路径间添加丢弃层。采用了5种不同的识别模
型进行比对，验证所提VMD-HT特征提取方法以及
深度BiGRU神经网络的有效性与准确性，各识别模
型的结构对比如表1所示。
表1 5种识别模型的结构对比
序号 特征提取方法 网络结构 网络层数 传播路径
M1 — 深度BiGRU 4 双向
M2 HHT 深度BiGRU 4 双向
M3 VMD-HT 深度BiGRU 4 双向
M4 VMD-HT GRU 1 单向
M5 VMD-HT BiGRU 2 双向
通过方法M1~M3 能够比较所述VMD-HT特
征提取方法的优劣，通过方法M3~M5能够比较所
述深度BiGRU神经网络的优劣。从试验中选取了
3类信号各10 000个，对30 000个时序信号进行特征
提取之后构建数据集，数据集分为训练集、验证集和 图 7 5 种模型的训练迭代过程及识别精度
测试集，按6∶2∶2的比例划分， 训练集样本18 000个，
验证集样本6 000个，测试集样本6 000个。采用梯 从图7中可知，当直接使用原始信号作为深度
度下降法进行4 000次迭代优化，模型在训练末期的 BiGRU网络的训练数据时，神经网络的准确率始
准确率在固定值附近波动，表明模型已经训练完毕。 终在33%左右波动，网络没有收敛的迹象，表明神
5种模型的迭代过程及测试数据识别精度如图7所 经网络无法仅通过信号波形区分这 3 类信号。当
示，这5种模型采用相同的网络参数，以保证准确率 采用HHT对信号进行特征提取，将提取后的瞬时
只受特征提取方法及网络结构的影响。 频率与谱熵作为训练数据时，神经网络的准确率明
47
2024 年 第 46 卷 第 6 期
无损检测
