多孔金属变形机制声发射在线识别方法、装置及电子设备

技术领域

本发明涉及声发射数据处理方法，具体涉及一种多孔金属变形机制声发射在线识别方法、装置及电子设备。

背景技术

声发射测量技术作为一种新型的无损在线检测手段，正在被越来越多地应用于监控部件服役的场景中。该技术通过被动接收声波的方式，捕获材料内部由于结构变化或缺陷演化释放出的高频弹性波，实现在连续时间段内感知材料的变形与损伤。相较于扫描及透射电镜等破坏材料完整性的事后/离位分析、超声探伤及涡流探伤等无法识别微小缺陷的无损检测分析，声发射测量技术具有无损、在线、灵敏的特点，可以实时检测材料局部从纳米到微米级范围内、频率在10k-1MHz间的声学信号。因此，如能实时分析识别这些声发射信号，就有望实现对多孔金属材料变形行为的无损在线识别。

由于多孔金属材料内部存在大量孔隙，使得其在变形过程中产生的声发射信号，可能出现位错和裂纹两种变形机制交织在一起同时发生的情况。如何从复杂的声发射信号中识别出其背后的变形机制，就成为人们亟待解决的技术难题。对于通过传统方法制备的、含有多种变形机制的体材料，一些基于监督学习和非监督学习的方法已经被开发来识别材料内部共存的多种变形机制：通过判断声发射信号特征参数是否位于预期的区间来直接识别的方法快速、直观且解释度高，但是丢弃了大量的原始信息，导致其分类的置信度较低；以神经网络为代表的监督学习分类方法虽然保证了算法有效性，但该方法最大的困难是如何获取海量的具有明确变形机制的声发射信号；以K-means与高斯混合模型为代表的非监督学习方法虽然无需数据标签，但存在受初始值影响大、易陷入局部极值、需提前知道变形机制的数量等缺点，使得该方法的分类有效性仍然存在一定局限性。因此，现有的技术或面临缺乏标签数据无法训练识别模型而难以实现声发射信号在线识别；或面临识别精准性、有效性较低的缺点。

发明内容

为解决现有技术中存在的上述缺陷，本发明提供了一种多孔金属变形机制声发射在线识别方法、装置及电子设备，能够结合基于不同变形机制声发射信号的分布特点确定的损失函数，构建机器学习分类器模型，兼具不需要标签数据和识别精准性和有效性高的特点。

本发明是通过下述技术方案来实现的：

根据本发明的一个方面，提供了一种多孔金属变形机制声发射在线识别方法，包括：

采集多孔金属材料变形声发射信号和特征参数数据；

根据特征参数数据对所述声发射信号进行预处理，获取每个声发射信号特征向量；

根据所述特征参数数据，通过符号编码的方法确定多孔金属材料变形的损失函数；

根据所述损失函数构建声发射的机器学习分类器候选模型；

使用所述信号特征向量训练多个不同参数的所述机器学习分类器候选模型；

针对所述机器学习分类器候选模型，采用统计学方法和奥卡姆剃刀原理进行评估和优选，选择出优选的机器学习分类器模型；

应用优选的机器学习分类器模型在线识别多孔金属材料声发射信号的变形机制。

优选的，采集多孔金属材料变形声发射信号和特征参数数据，包括多孔金属材料声发射信号的发生时间、最大振幅、振铃计数、持续时间、能量参数和上升时间。

优选的，根据特征参数数据对所述声发射信号进行预处理，包括基于每个声发射信号对应的参数，对声发射信号进行筛选，根据每个声发射信号的振铃计数和能量参数，剔除振铃计数少，能量低的声发射信号；

获取每个声发射信号的特征向量，采用傅里叶变换或Welch方法计算每个声发射信号的频谱响应或功率谱密度作为信号的频谱特征向量；

对每个信号的频谱特征向量进行归一化；

基于归一化后的频谱特征向量，采用主成分分析方法进行数据降维；

基于数据降维后的频谱特征向量，在全部声发射信号上采用z-score方法进行标准化，获得表示声发射信号的特征向量。

优选的，使用所述信号特征向量训练多个不同参数的所述机器学习分类器候选模型，根据所构建的机器学习分类器候选模型，重复预训练和训练过程，获得多个不同类型、不同参数的分类器候选模型；

预训练过程包括：

将一组声发射信号特征向量作为机器学习分类器模型的输入，将预训练损失函数连接到机器学习分类器的输出端计算损失值；

根据损失值，采用批梯度下降算法计算机器学习分类器候选模型中可训练参数的梯度值；

根据梯度值确定可训练参数值；

重复上述预训练过程实现对分类器候选模型的预训练。

训练过程包括：

将一组声发射信号特征向量作为机器学习分类器候选模型的输入，将损失函数连接到机器学习分类器的输出端计算损失值；

根据损失值，采用批梯度下降算法计算机器学习分类器候选模型中可训练参数的梯度值；

根据梯度值对可训练参数进行微调；

重复上述训练过程实现对分类器候选模型的训练。

优选的，采用统计学方法和奥卡姆剃刀原理进行评估和优选，从分类器候选模型中，选择出优选的模型：

利用多个所述机器学习分类器候选模型对用于训练的声发射信号进行识别，获取分类器候选模型的识别结果；

根据分类器候选模型的识别结果和所述损失函数分别计算损失值；

根据分类器候选模型的识别结果，利用最大似然估计法计算识别出的每个变形机制信号的能量幂律分布指数；

根据所述能量幂律分布指数绘制指数最大似然估计曲线；

根据所述指数最大似然估计曲线，确定每个变形机制对应的最大似然估计曲线平台长度；

根据每个所述变形机制对应的最大似然估计曲线平台长度和奥卡姆剃刀原理，计算当前模型的综合性能；

根据所述当前模型的综合性能，对不同类型、不同参数的分类器候选模型评估；

根据所述当前模型的综合性能，选择综合性能值最高的模型作为优选的模型。

优选的，应用优选的机器学习分类器模型在线识别多孔金属材料声发射信号的变形机制，

根据实时采集多孔金属材料变形声发射信号和特征参数数据和获取每个信号的特征向量，对新实验和应用的数据采集和处理；

利用所述声发射信号特征向量作为优选的机器学习分类器模型的输入；

收集优选的机器学习分类器模型的输出，输出结果中输出概率最大的变形机制类别即为实时识别出的结果。

根据本发明的另一方面，提供了一种多孔金属变形机制声发射在线识别装置，包括：

采集模块，用于实时采集多孔金属材料变形声发射信号和特征参数数据；

预处理模块，用于根据特征参数数据对所述声发射信号进行预处理，获取表示每个信号的特征向量；

编码模块，用于根据特征参数数据数字化确定多孔金属材料变形的损失函数；

分类器模块，用于根据所述损失函数构建和存储声发射机器学习分类器候选模型；

训练模块，用于利用信号的特征向量训练所述声发射机器学习分类器候选模型；

模型优选模块，用于评估所述声发射机器学习分类器候选模型，得到最优的分类器模型；

识别模块，用于存放所述最优分类器模型，根据新声发射信号的特征向量在线识别多孔金属材料声发射信号的变形机制。

根据本发明的再一方面，提供了一种电子设备，包括处理器以及存储器；

所述存储器用于存储计算机程序，所述计算机程序包括程序指令；处理器用于调用存储于所述存储器中的程序，所述处理器执行所述计算机程序时实现所述的一种多孔金属变形机制声发射在线识别方法的步骤。

还包括一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序和机器学习模型数据，所述计算机程序被处理器执行时实现所述的一种多孔金属变形机制声发射在线识别方法的步骤。

本发明由于采取以上技术方案，其具有以下有益效果：

本发明提供了一种多孔金属变形机制声发射在线识别的方法，兼具不需要标签数据和识别精准性和有效性高的特点，解决了现有技术因缺乏标签数据难以训练模型，识别精准性差的问题。本发明一方面引入符号编码方法利用不同机制声发射信号的规律确定损失函数，所述损失函数再用于指导分类器模型的训练，从而避免了训练过程对标签数据的需求，克服了缺少标签数据导致的无法训练分类器模型的问题。另一方面，采用统计学方法和奥卡姆剃刀原理对候选分类器模型进行评估和优选，选择最优的分类器模型，预测结果更接近理论预期，从损失函数和模型选择两方面解决在线识别精确度低的问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的不当限定，在附图中：

图1是本发明多孔金属变形机制声发射在线识别方法流程图；

图2是本发明确定损失函数的示意图；

图3为本发明实施例的多孔316L不锈钢拉伸过程的位错与裂纹声发射信号的识别结果图；

图4为本发明实施例的多孔316L不锈钢拉伸过程的位错和裂纹识别信号的能量指数最大似然估计曲线图；

图5是本发明实施例示出的一种多孔金属变形机制声发射在线识别装置示意图；

图6是本发明实施例示出的声发射检测电子设备结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图以及具体实施例来详细说明本发明，在此本发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。

作为本发明的某一具体实施方式，结合图1，本发明提供的一种多孔金属变形机制声发射在线识别方法，具体包括如下步骤：

S1，实时采集多孔金属材料变形声发射信号和特征参数数据。

本实施例中，通过声发射检测设备实时采集多孔金属材料变形过程的声发射信号，采集多孔金属材料声发射信号和特征参数数据，包括多孔金属材料声发射信号的发生时间、最大振幅、振铃计数、持续时间、能量参数和上升时间。

声发射技术捕获材料内部由于结构变化或缺陷演化释放出的高频弹性波，实现在连续时间段内感知材料的变形与损伤，具有很高的采样率，因此检测效果灵敏度高、时间分辨率高。采集多孔金属材料声发射数据时，将声发射传感器贴于待测材料表面并施加外力。材料释放的高频弹性波经压电式传感器转化为电信号，再经过前置放大器对信号放大后进入数据采集卡进行处理。数据采集卡负责实现声发射电信号到数字信号的转换，有效声发射信号的筛选和采集，并完成能量、持续时间等特征参数数据的计算和确定工作。根据设置的振幅门槛值、撞击鉴别时间等参数，采集到一组有效的声发射信号和与信号对应的特征参数。

S2，根据特征参数数据对声发射信号进行预处理，获取每个声发射信号的特征向量。

基于每个声发射信号对应的参数对声发射信号进行筛选，根据每个声发射信号的振铃计数和能量参数，剔除振铃计数少，能量低的声发射信号，本实施例中，剔除振铃计数低于3的声发射信号。

获取表示每个声发射信号的特征向量，具体为：

21)采用傅里叶变换或Welch方法计算每个声发射信号的频谱响应或功率谱密度(PSD)作为信号的频谱特征向量，由于传感器的灵敏频段处于95-850kHz，大于1000kHz的频率分量接近0，因此将大于1000kHz的频谱特征数据去除；

22)对上述每个信号的频谱特征向量进行归一化，公式为：

式中：G(f)为原始的频谱特征向量；f

23)基于归一化后的频谱特征向量，采用主成分分析(Principal ComponentAnalysis,PCA)方法进行数据降维，提取累计贡献前95％的数据；

24)基于数据降维后的频谱特征向量，在全部声发射信号上采用z-score方法进行标准化，获得表示声发射信号的特征向量。

S3，根据特征参数数据，通过符号编码的方法确定多孔金属材料变形的损失函数。

如图2所示，基于多孔金属材料在变形的不同阶段，内部缺陷行为具有差异的特点，声发射信号变形过程各变形机制诱发的声发射信号的数量占比发生改变。根据声发射信号的数量占比差异，确定损失函数，使得当机器学习模型输出的各变形机制的声发射信号数量占比符合预期时，函数计算获得低的损失值，反之得到高的损失，以确保对信号的识别符合材料实际的变形行为。

损失函数在计算损失值时，需要一组声发射信号的发生时间参数数据和对应的前端模型的输出结果。

计算损失函数过程可以表示为：

式中，

在损失函数的基础上，增加声发射信号数量占比的额外的损失项作为机器学习模型预训练损失函数。

本实施方式中，额外的损失项为表示在变形过程的某两个阶段，分别有两种不同的变形机制A、B占据主导地位，期间绝大多数的声发射信号属于对应的不同变形机制。因此，额外的损失项在两个阶段中声发射信号分别被识别为A、B变形机制时，损失值较低，额外损失项的加入约束了原本的损失函数。

S4，根据损失函数构建声发射的机器学习分类器候选模型。

选择具有可训练超参数的机器学习分类器候选模型，本实施例中，采用神经网络模型，网络的输入层节点数量与特征向量长度相同，输出节点数量与要识别的变形机制数量相同，机器学习分类器候选模型可以表示为：

CO＝C(Z,θ)

式中，CO为机器学习分类器的输出，表示每个可能的变形机制对应的概率，C为神经网络的计算函数，Z是作为分类器输入的声发射信号特征向量，θ为分类器候选模型中可训练参数的集合。

预训练损失函数和损失函数连接到机器学习分类器的输出端实现计算输出结果的损失值。

S5，使用信号特征向量训练多个不同参数的机器学习分类器候选模型。

使用信号特征向量训练机器学习分类器候选模型的预训练过程，包括预训练和训练过程。

预训练包括：

将一组声发射信号特征向量作为机器学习分类器模型的输入，将预训练损失函数连接到机器学习分类器的输出端计算损失值；

根据损失值，采用批梯度下降算法，计算机器学习分类器候选模型中可训练参数的梯度值。

本实施方式中，采用Adam优化器，以0.001学习率，优化可训练参数值，并施加L2正则化。

Adam优化算法的表达式为：

式中，α为学习率，β

重复上述预训练过程实现对分类器候选模型的预训练。

使用信号特征向量训练所述机器学习分类器模型的训练过程，包括：

将一组声发射信号特征向量作为机器学习分类器候选模型的输入，将损失函数连接到机器学习分类器的输出端计算损失值；

根据损失值，采用批梯度下降算法，计算机器学习分类器候选模型中可训练参数的梯度值。

本实施方式中，采用Adam优化器，以0.0001学习率，微调可训练参数值，并施加L2正则化。

重复上述训练过程实现对分类器候选模型的训练。

根据所构建的机器学习分类器候选模型，重复预训练和训练过程，获得多个不同层数、不同节点数的神经网络分类器候选模型。

S6，采用统计学方法和奥卡姆剃刀原理进行评估和优选，从分类器候选模型中，选择出最优的模型。

具体包括：

61)利用多个机器学习分类器候选模型对用于训练的声发射数据进行识别，获取分类器候选模型的识别结果；

62)根据分类器候选模型的识别结果和损失函数分别计算损失值；

63)根据分类器候选模型的识别结果利用最大似然估计法计算识别出的每个变形机制信号的能量幂律分布指数，计算公式为：

式中，E

64)根据能量幂律分布指数绘制指数最大似然估计曲线；

65)根据指数最大似然估计曲线确定每个变形机制对应的最大似然估计曲线平台长度；

66)根据每个变形机制对应的最大似然估计曲线平台长度和奥卡姆剃刀原理(以所述候选模型参数规模表示)计算当前模型的综合性能，奥卡姆剃刀原理表示当前模型应该在满足目标要求的情况下尽可能简单，当前模型的简单程度通常与当前模型参数规模有关。因此，综合性能的计算公式为：

Perf＝(1-k)H

式中，Perf为当前模型综合性能，H

67)根据当前模型的综合性能实现对不同层数和不同节点数的神经网络分类器候选模型评估；

68)根据当前模型的综合性能，选择综合性能值最高的模型作为最优的模型。

S7，应用优选机器学习分类器模型在线识别多孔金属材料声发射信号的变形机制。

具体包括：

71)根据实时采集多孔金属材料变形的声发射信号和特征参数数据和获取表示每个信号的特征向量，实现对新实验和应用的数据采集和处理；

72)利用信号的特征向量作为优选的神经网络分类器模型的输入；

73)收集优选的机器学习分类器模型的输出，输出结果中输出概率最大的变形机制类别即为实时识别出的结果。

下面提供一具体实施例，以便更加清楚的解释说明本发明一种多孔金属变形机制声发射在线识别方法，具体如下：

多孔316L不锈钢拉伸过程的位错与裂纹声发射信号的在线识别。

本实施例中所设置的参数为：为使采集到的声发射信号保留尽可能多的细节，声发射采样频率设置为20MHz，前置放大器增益为40dB。采集的声发射参数数据包括：发生时间、最大振幅、持续时间、能量、上升时间和振铃计数。

根据所述参数剔除振铃计数小于10的声发射信号。使用“Welch”方法获取每个信号的功率谱密度(PSD)，每个声发射信号以一个描述0-1000kHz频段内、间隔20kHz的51维功率谱密度向量表示。为消除不同信号的能量差异影响，对功率谱密度向量进行归一化处理，并使用主成分分析方法将功率谱密度进行降维，提取累计贡献前95％的数据，获得16维特征。

根据多孔316L不锈钢的变形过程的微观变形机制分析，裂纹信号数量占总信号数量的比例随着拉伸过程逐渐增加。确定如下损失函数

其中，s

由于上述损失函数

其中，

使用损失函数指导模型训练，模型采用一个两层前馈神经网络。将提取的特征向量作为模型的输入，损失函数连接到模型的输出，神经网络经过前向过程计算损失函数的损失值，利用反向传播算法优化神经网络中的参数。首先使用预训练损失函数

训练结束后以最大似然估计法计算各机制信号能量的幂律分布的指数评估模型识别的结果好坏。描述模型的综合性能Perf的公式中的系数k被设置为0.05。

训练及评估后的神经网络模型对新的多孔316L不锈钢的拉伸过程进行在线识别，实时获得对声发射信号由裂纹或位错诱发的预测。完整拉伸过程的多孔316L不锈钢声发射信号的识别结果见图3所示。图3的上、中、下图分别为全部信号，识别出的位错、裂纹诱发的声发射信号的谱图，其中每一条竖线都是一个声发射信号，灰色曲线是拉伸过程的应力-时间曲线。为了评估识别结果的有效性，三个阶段中全部的信号和识别出的两类信号的能量指数随能量截断值的改变见图4。在位错机制占主导的拉伸过程第一阶段，全部信号，即统计学方法给出的位错信号与模型识别的位错信号的最大似然估计曲线几乎重合；在裂纹机制占主导的第三阶段，统计学方法与模型识别的裂纹信号的最大似然估计曲线均出现了指数为1.3左右的平台。由于本方法识别出了第三阶段存在的指数约为2.1的低能量位错信号，裂纹信号的最大似然估计曲线更加平稳，而统计学方法无法识别交织在其中的位错信号，其估计出的曲线出现突起；在拉伸过程的第二阶段，位错与裂纹同时发生，在最大似然估计曲线上统计学方法没有表现出平台，而对模型识别的位错和裂纹信号的估计依然呈现出指数分别为2.1和1.5的平台。上述结果表明，参照本发明产生的分类器模型不仅可以实现统计学方法的识别效果，对于统计学方法无法进行区分的两种不同机制信号同时发生的情形，训练的分类器模型依然可以实现高准确度的识别。

根据本发明的示例性实施方式，如图5所示，本发明提供了一种多孔金属变形机制声发射在线识别的非监督机器学习装置100，用于实现所述方法，包括：

采集模块110，用于实时采集多孔金属材料变形的声发射信号和特征参数数据；

预处理模块120，用于根据特征参数数据对所述的声发射信号进行预处理，获取表示每个信号的特征向量；

编码模块130，用于根据特征参数数据数字化确定多孔金属材料变形的损失函数；

分类器模块140，用于根据所述损失函数构建和存储声发射机器学习分类器候选模型；

训练模块150，用于利用信号的特征向量训练所述声发射机器学习分类器候选模型；

模型优选模块160，用于评估所述声发射机器学习分类器候选模型，得到最优的分类器模型；

识别模块170，用于存放所述最优分类器模型，根据新声发射信号的特征向量在线识别多孔金属材料声发射信号的变形机制。

根据本发明的示例性实施方式，如图6所示，本发明提供一种声发射检测电子设备200，用于实现所述的一种多孔金属变形机制声发射在线识别的方法，包括：采集卡210、存储器220、通讯总线230和处理器240。

该计算机设备包括处理器240以及存储器220，所述存储器220用于存储计算机程序，所述计算机程序包括程序指令，所述处理器240用于执行所述计算机存储介质存储的程序指令。处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于实现一种多孔金属变形机制声发射在线识别的方法的操作。

本发明在一个实施例中，一种多孔金属变形机制声发射在线识别的方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。

所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。

本发明并不局限于上述实施例，在本发明公开的技术方案的基础上，本领域的技术人员根据所公开的技术内容，不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形，这些替换和变形均在本发明的保护范围内。