Page 82 - 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

显提升，神经网络整体准确率达到了 86. 2%，表明 练和测试准确率。对于数据量大、时序长的声发射
HHT方法存在的模态混叠问题使模型难以有效区 信号，当使用相同特征作为训练样本时，加强神经网
分相似度较高的流动噪声与混合信号。当采用所提 络的复杂度与深度能够进一步提升识别准确率和网
VMD-HT方法对信号进行特征提取，将提取后的多 络稳定性。
维时序特征向量作为训练数据时，神经网络的准确
参考文献：
率得到有效提升，此时的测试集整体识别准确率达
到了96. 3%，表明经VMD-HT方法提取的特征向量 [1] 吴文强，伍剑波，张目超，等．基于云平台的管道腐蚀
能够更好地表征3类信号之间的区别。此外，通过 远程在线监测系统[J]．无损检测，2021，43（3）：49-52，
对比模型M3~M5 可知，当网络结构分别为GRU、 61．
BiGRU和深度BiGRU时，随着模型深度与复杂度的 [2] 沈书乾，李伟，龙飞飞，等．复合材料层合板损伤声发
射信号特征提取方法[J]．压力容器，2022，39（9）：72-
不断提升，神经网络的训练准确率逐渐提高，并且迭
76.
代曲线的波动范围更小，模型更加稳定，整体准确率
[3] 范舟，胡敏，张坤，等．声发射在线监测酸性环境下油
从 77. 2%上升至96. 3%。这均证明了所提出的流 气管材腐蚀研究综述[J]．表面技术，2019，48（4）：245-
噪环境腐蚀损伤声发射识别模型具有良好的特征学 252．
习能力，可以实现对腐蚀信号、流动噪声以及流噪腐 [4] 苗嘉旭，陈仙江，周洋洋，等．基于盲目反卷积算法的
蚀混合信号的有效识别。 X90管线钢腐蚀声发射信号分析[J]．化工进展，2022，
41（1）：60-71．
3 结论 [5] 张延兵，周琦，孙志涛．危化品罐区埋地穿越管道声发
射检测的可行性分析[J]．无损检测，2023，45（3）：68-
（1）采用声发射技术对管道腐蚀进行监测时，

71.
腐蚀信号的频率为15~35 kHz，流动噪声的频率由
[6] HUANG N E，SHEN Z，LONG S R，et al．The
15~45 kHz的主要频带和60~80 kHz的次要频带组
empirical mode decomposition and the Hilbert spectrum
成。由于流动噪声的频带更宽，且幅值大于腐蚀信 for nonlinear and non-stationary time series analysis[J].
号，使用传统的时频分析方法难以判断是否存在腐 Proceedings of the Royal Society of London Series A：
蚀信号，制约了声发射技术在管道监测中的应用。 Mathematical，Physical and Engineering Sciences，1998，
（2）根据腐蚀信号、流动噪声以及流噪腐蚀混 454（1971）：903-995．

合信号的非平稳特性，提出了VMD-HT特征提取方 [7] 莫宏毅，徐振洋，刘鑫，等．基于SSA-VMD的爆破振
法，其相较于HHT方法具有更高的频率分辨率，能 动信号趋势项去除方法[J]．振动与冲击，2023，42（11）：
304-312，330．
够更为精确地提取信号特征。在此基础上，从原始
[8] DRAGOMIRETSKIY K，ZOSSO D．Variational
信号分解出的各IMF分量中提取瞬时频率向量与谱
mode decomposition[J]．IEEE Transactions on Signal
熵向量构建多维时序特征矩阵，采用深度BiGRU神
Processing，2014，62（3）：531-544．
经网络对上述特征进行训练，数据测试结果表明，所 [9] CHE Z P，PURUSHOTHAM S，CHO K，et al．
提模型的识别准确率达96. 3%，实现了流动噪声环 Recurrent neural networks for multivariate time series with
境下腐蚀信号的有效区分。 missing values[J]．Scientific Reports，2018，8：6085．
（3）在不同模型的训练过程中发现，循环神经 [10] 宋高峰，张延兵，孙培培，等．大型储罐声发射技术下

网络无法直接区分3类声发射源的原始时序信号， 的安全评价方法[J]．中国安全科学学报，2020，30（3）：
60-66．
通过从数据中提取特征能够有效提高神经网络的训

48
2024 年 第 46 卷 第 6 期
无损检测