阅读说明：本技术 一种基于声发射信号的缆索断丝的判别方法 (cable wire breakage distinguishing method based on acoustic emission signals ) 是由 王涛 周文茜 姚超 任贝宁 于 2019-09-02 设计创作，主要内容包括：本发明公开的一种基于声发射信号的缆索断丝的判别方法,属于无损检测技术领域。本发明将多个传感器分别固定于缆索之上,同时获取各个传感器接收的声发射信号的波形；对各组断丝声发射信号进行时频分析,得到各组断丝声发射信号的时频图；对声发射信号做连续小波变换,根据预设强度阈值选取尺度和时间范围,得到尺寸为k×p的声发射信号的时频图；使用局部均值法对时频图进行降采样,用所有均值构成尺寸为m×m的图像；将m×m的图像作为输入数据,输入到自动编码器模型中,得到对应输出数据；计算输入数据与自动编码器的输出数据之间的重构误差；通过将重构误差与判别阈值作比较,判断所获取的声发射信号是否为断丝声发射信号,实现对缆索断丝现象的判别。(The invention discloses a method for judging broken wires of a cable based on an acoustic emission signal, and belongs to the technical field of nondestructive testing. The invention respectively fixes a plurality of sensors on a cable, and simultaneously obtains the waveform of an acoustic emission signal received by each sensor; carrying out time-frequency analysis on each group of broken wire acoustic emission signals to obtain a time-frequency graph of each group of broken wire acoustic emission signals; performing continuous wavelet transformation on the acoustic emission signals, and selecting a scale and a time range according to a preset intensity threshold to obtain a time-frequency graph of the acoustic emission signals with the size of k multiplied by p; using a local mean value method to perform down-sampling on the time-frequency image, and forming an image with the size of m multiplied by m by using all mean values; inputting the mxm image as input data into an automatic encoder model to obtain corresponding output data; calculating a reconstruction error between the input data and the output data of the auto-encoder; and comparing the reconstruction error with a discrimination threshold value to judge whether the obtained acoustic emission signal is a broken wire acoustic emission signal or not, so as to realize discrimination of the cable wire breakage phenomenon.)

一种基于声发射信号的缆索断丝的判别方法

技术领域

本发明涉及一种基于声发射信号自动编码器构造分类的缆索断丝的判别方法，用于监测斜拉索桥缆索是否发生断丝现象，属于无损检测技术领域。

背景技术

缆索作为斜拉桥的核心承力部件，其质量直接关联到桥梁的安全，而缆索的质量主要受其内部钢丝断裂程度的影响。因此为了确保斜拉索桥的安全和可靠性，在桥梁运营过程中，缆索长期受到动态荷载，环境腐蚀，应力腐蚀和疲劳等因素的作用，这些因素均有可能会导致缆索中的钢丝在使用过程中断裂。采用声发射技术对缆索断丝现象进行有效判别。

当前的声发射损伤判别方法主要基于特征参数法或模态分析法。特征参数法由于所使用的信息量较少，对声发射信号的分析能力有限，外部条件的变化很容易影响判别结果。模态分析法虽然准确率较高，但是对于不同的材料和结构，必须要靠人工来建立不同的模型。因此需要提出一种在保证较高准确率的同时具有更强的适应能力的判别算法。

发明内容

为了解决现有缆索断丝判别方法中算法的识别率不高、适应性不强等问题，本发明公开的一种基于声发射信号的缆索断丝的判别方法主要解决的技术问题是：基于声发射信号时频图自动编码器实现对缆索断丝现象的判别，判别过程中无需进行人工特征提取即可识别出隐藏的声发射信号的特征，具有判别准确、适应能力强等优点。

本发明的目的是通过以下技术方案实现的。

本发明公开的一种基于声发射信号的缆索断丝的判别方法，将多个声发射传感器分别固定于缆索之上，同时获取各个传感器接收的声发射信号的波形。对各组断丝声发射信号进行时频分析，得到各组断丝声发射信号的时频图。对声发射信号做连续小波变换，根据预设强度阈值选取尺度和时间范围，得到尺寸为k×p的声发射信号的时频图；使用局部均值法对时频图进行降采样，用所有均值构成尺寸为m×m的图像。将m×m的图像作为输入数据，输入到自动编码器模型中，得到对应的输出数据。计算输入数据与自动编码器的输出数据之间的重构误差。通过将重构误差与判别阈值作比较，判断所获取的声发射信号是否为断丝声发射信号，实现对缆索断丝现象的判别。

本发明公开的一种基于声发射信号的缆索断丝的判别方法，包括如下步骤：

步骤一、将两个或两个以上的声发射传感器分别固定于缆索之上，当缆索内出现断丝声发射现象时，同时获取到各个传感器所接收到的声发射信号的波形，每两个相邻的传感器所接收到的断丝声发射信号作为一组断丝声发射信号。

步骤二、对步骤一所获取到的各组断丝声发射信号进行时频分析，分别得到各组断丝声发射信号的时频图，对于时频图中的每一个数据点，其横坐标对应该点的频率，纵坐标对应该点的时刻，该点的值对应该频率和时刻下的信号分量的能量密度的大小。对步骤一所获取的声发射信号做连续小波变换，根据预设声发射信号强度阈值选取尺度和时间范围，得到尺寸为k×p的声发射信号的时频图；使用局部均值法对得到的声发射信号的时频图进行降采样，降采样方法是将时频图平均分割成若干个子块，计算每个子块中所有的点的均值，用所有均值构成一幅尺寸为m×m的图像。计算步骤二所构造的输入数据与步骤三所获得的自动编码器的输出数据之间的重构误差。

步骤三、将步骤二所构造的尺寸为m×m时频图作为输入数据，输入到构建好的自动编码器模型中，得到对应的输出数据。

步骤三所述自动编码器为包含输入层、单层隐含层以及输出层的神经网络模型，且网络的输出层和输入层具有相同的维数，所述神经网络模型构建方法为：

步骤3.1：按照步骤一中的声发射信号的波形获取方法获取大量的缆索内非断丝情况下产生的声发射信号，并对信号采用步骤二中的时频分析方法进行处理，得到的数据作为训练数据，建立训练数据集；所述非断丝情况下产生的声发射信号包括缆索内钢丝之间摩擦、缆索受到撞击。

步骤3.2：确定自动编码器模型的结构，并为其构造相应的目标函数；

所述自动编码器的输入层的维数为m、隐含层的维数为n、输出层的维数为m。定义输入向量为x，隐含层输出为h，输出向量为y，即

x＝[x₁,x₂,…,x_m]

h＝[h₁,h₂,…,h_n]

y＝[y₁,y₂,…,y_m]

设W为输入层到隐含层的权重，W’为隐含层到输出层的权重，b为隐含层上的偏置，b’为输出层上的偏置，即

b＝[b₁,b₂,…,b_n]

b′＝[b′₁,b′₂,…,b′_m]

则有

式中的f(x)为激活函数，通常使用sigmoid函数，其表达式为

自动编码器的目标函数的公式为：

其中，

其中：

N为训练时每一批次的训练样本个数，

x^(k)为当前训练批次中的第k个样本对应的输入向量，

y^(k)为当前训练批次中的第k个样本对应的输出向量，

为第j个神经元在当前训练批次上的平均活跃度，

β_r和ρ均为常数；

步骤3.3：使用训练数据集对步骤3.2中构建好的自动编码器模型进行训练，对自动编码器模型中的权重及偏置参数进行更新，直至目标函数的值下降到允许范围内。

步骤四、计算步骤二所构造的输入数据与步骤三所获得的自动编码器的输出数据之间的重构误差。

步骤四所述的重构误差的计算公式为：

其中：

x为步骤二所构造的输入数据对应的输入向量，

y为步骤三所获得的自动编码器的输出数据对应的输出向量，

m为输入输出层的维数；

步骤五、通过将步骤四获得的重构误差与判别阈值作比较，判断所获取的声发射信号是否为断丝声发射信号，实现对缆索断丝现象的判别。

步骤五所述判别阈值的获取方法为：按照步骤四计算出训练集中所有训练样本的输入和输出之间的重构误差，定义所得到的重构误差的平均值为L_f，则取判别阈值为3L_f。定义当前输入对应的损失函数值为L，则判别规则为:

L<3L_f则当前信号为摩擦信号；L≥3L_f则当前信号为断丝信号。

有益效果：

1、本发明公开的一种基于声发射信号的缆索断丝的判别方法，是一种基于声发射信号自动编码器构造分类的缆索断丝的判别方法，采用信号的时频图像作为自动编码器的输入，和单独的时域或频域信号作为输入的情况相比，能够更全面地反映出声发射信号的特征。

2、由于自动编码器能够自动地学习输入样本的特征，能够将摩擦产生的声发射信号的时频图作为训练样本，对自动编码器进行训练，让自动编码器来发现摩擦信号的内在规律。对于训练好的自动编码器，以摩擦信号作为输入，得到的输出将会对输入进行较好的复现，其目标函数将会是一个比较小的值，表明其损失函数的值将会比较小。然而对于断丝信号或裂纹扩展信号作为输入的情况，由于其不具有与摩擦信号相似的内在规律，其损失函数的值将会比较大。本发明公开的一种基于声发射信号的缆索断丝的判别方法，基于声发射信号时频图自动编码器实现对缆索断丝现象的判别，判别过程中无需进行人工特征提取即能够识别出隐藏的声发射信号的特征，相较现有的特征参数法，识别准确率得到提高，相较现有的模态分析法，算法的适应性得到增强。

附图说明

图1为本发明公开的一种基于声发射信号自动编码器构造分类的缆索断丝的判别方法流程图；

图2为所述自动编码器的网络结构图。

具体实施方式

下面结合附图和实施例对本发明做进一步说明。

实施例1

如图1所示，本实施例公开的一种基于声发射信号自动编码器构造分类的缆索断丝的判别方法，具体实现步骤如下：

步骤一、选用测量范围为20kHz～400kHz，灵敏度为75dB～115dB的谐振型声发射传感器。用夹具将声发射传感器固定于待测缆索的端点，并在传感器和缆索的接触面上涂以耦合剂，对传感器进行供电，传感器输出信号经过带通滤波后以10MSPS的采样率被转换为数字量，传输至计算机为用户程序所读取。用户程序若读取到传感器输出电压超过0.1V，则认为缆索内产生了声发射现象，并将当前时刻往前0.026s的时间段内以及往后0.052s时间段内的信号予以存储。这样就获取到了缆索内的声发射信号的完整波形。

步骤二、对步骤一所获取到的声发射信号进行时频分析得到所采集声发射信号的时频图，对于时频图中的每一个点，其横坐标对应该点的频率，纵坐标对应该点的时刻，点的值对应该频率和时刻下的信号分量的能量密度的大小；并对时频图进行预处理。

步骤二具体实现方法如下：

步骤2.1：对步骤一所获取的声发射信号做连续小波变换，选取合适的尺度和时间范围，得到尺寸为1900×40000的声发射信号的时频图；

步骤2.2：使用局部均值法对步骤2.1所得到的声发射信号的时频图进行降采样，方法是将时频图平均分割成一个个子块，计算每个子块中所有的点的均值，用所有均值构成一幅尺寸为20×20的图像；

步骤2.3：对步骤2.2所得到的降采样后的时频图像的所有像素点取对数后，再进行归一化处理。

步骤三、将步骤二所构造的时频图作为输入数据，输入到构建好的自动编码器模型中，得到自动编码器的输出数据。

所述自动编码器为包含输入层、单层隐含层以及输出层的神经网络模型，且网络的输出层和输入层具有相同的维数，其构建过程为：

步骤3.1：按照步骤一中的信号获取方法，获取大量的缆索内非断丝情况下(如缆索内钢丝之间摩擦、缆索受到撞击等)所产生的声发射信号，并对信号采用步骤二中的预处理方法进行处理，得到自动编码器的输入数据作为训练数据和验证数据，建立起大小为7000的训练数据集及大小为3000的验证数据集；

步骤3.2：构建自动编码器模型，所述自动编码器的结构如图2所示，定义自动编码器的输入层的维数m为400、隐含层的维数n为500、输出层的维数m为400。定义输入向量为x，隐含层输出为h，输出向量为y，即

x＝[x₁,x₂,…,x_m]

h＝[h₁,h₂,…,h_n]

y＝[y₁,y₂,…,y_m]

设W为输入层到隐含层的权重，W’为隐含层到输出层的权重，b为隐含层上的偏置，b’为输出层上的偏置，即

b＝[b₁,b₂,…,b_n]

b′＝[b′₁,b′₂,…,b′_m]

则有

式中的f(x)为激活函数，通常使用sigmoid函数，其表达式为

自动编码器的目标函数的公式为：

其中，

其中：

N为训练时每一批次的训练样本个数，在本实施例中为50，

x^(k)为当前训练批次中的第k个样本对应的输入向量，

y^(k)为当前训练批次中的第k个样本对应的输出向量，

为第j个神经元在当前训练批次上的平均活跃度，

β_r和ρ均为常数，在本实施例中分别为10和0.01；

步骤3.3：用训练数据集对所述自动编码器模型进行训练，所述训练过程中采用基于Adam算法优化更新自编码器模型中的权重及偏置参数，直至目标函数的值下降到30以内；

步骤四、计算步骤二所构造的输入数据与步骤三所获得的自动编码器的输出数据之间的重构误差。

步骤四所述的重构误差的计算公式为：

公式中各符号含义如下：

x为步骤二所构造的输入数据对应的输入向量，

y为步骤三所获得的自动编码器的输出数据对应的输出向量，

m为输入输出层的维数，在本实施例中为400；

步骤五、通过将步骤四获得的重构误差与判别阈值作比较，判断所获取的声发射信号是否为断丝声发射信号。

所述判别阈值的获取方法为：按照步骤四中的计算公式计算出训练集中所有训练样本的输入和输出之间的重构误差，定义所得到的重构误差的平均值为L_f，则取判别阈值为3L_f。

运用步骤一到步骤五的基于声发射信号的缆索断丝的判别方法进行实际断丝声发射信号识别。

在本实施例中，传感器的安装间距分别为12m和35m。为了能够控制断丝点的位置，使用角磨机在钢丝指定位置打出刻痕。当传感器的安装间距为12m时，刻痕位置分别在与传感器1相距6m、8m、和10m处；当传感器的安装间距为35m时，刻痕位置分别在与传感器1相距30m和33m处。使用所设计制作的声发射检测系统对断丝信号进行采集，获得了大量的摩擦、裂纹扩展以及钢丝断裂信号。

分别对得到的信号做按照前述的识别步骤进行处理和统计计算，最终得到的不同信号的识别效果如表1所示。由表1可知断丝信号的识别率均在80％以上，其中断裂瞬间声发射信号的识别率达到了100％，可以满足识别要求。

表1断丝识别统计结果

以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。