一种基于不平等距离优化聚类算法的伤损裂纹声发射信号检测方法
阅读说明：本技术 一种基于不平等距离优化聚类算法的伤损裂纹声发射信号检测方法 (Damage crack acoustic emission signal detection method based on unequal distance optimization clustering algorithm ) 是由 章欣 常永祺 郝秋实 宋树帜 沈毅 王艳 于 2021-02-04 设计创作，主要内容包括：一种基于不平等距离优化聚类算法的伤损裂纹声发射信号检测方法,涉及伤损裂纹信号处理与检测领域的方法,解决了传统裂纹信号检测方法速度慢、效率低的问题。本发明的步骤为：一、加载原始声发射信号,获得噪声声发射信号；二、对噪声声发射信号提取γ倒谱系数特征,依据自适应鲁棒系数对其进行筛选；三、将噪声信号特征聚类,计算各特征到各聚类质心的距离,计算各聚类的不平等优化距离值；提取待测声发射信号的γ倒谱系数特征,依照步骤二选择待测信号特征,计算各特征到各聚类质心的距离,依据不平距离优化判别算法,判别待测信号。本发明运算速率快,检测精度高。在高铁钢轨与车轮伤损裂纹检测领域,具有很高的社会意义和经济价值。(A damage crack acoustic emission signal detection method based on an unequal distance optimization clustering algorithm relates to a method in the field of damage crack signal processing and detection, and solves the problems of low speed and low efficiency of the traditional crack signal detection method. The method comprises the following steps: loading an original acoustic emission signal to obtain a noise acoustic emission signal; secondly, extracting gamma cepstrum coefficient characteristics of the noise acoustic emission signals, and screening the gamma cepstrum coefficient characteristics according to the adaptive robust coefficient; clustering the noise signal features, calculating the distance from each feature to each clustering centroid, and calculating unequal optimization distance values of each cluster; and (4) extracting the gamma cepstrum coefficient characteristics of the acoustic emission signals to be detected, selecting the characteristics of the signals to be detected according to the second step, calculating the distance from each characteristic to each clustering centroid, and judging the signals to be detected according to an uneven distance optimization judgment algorithm. The invention has fast operation speed and high detection precision. The method has high social significance and economic value in the field of high-speed rail and wheel damage crack detection.)
技术领域
本发明涉及钢轨裂纹信号处理与检测领域的方法，具体涉及一种基于不平等距离优化聚类算法的伤损裂纹声发射信号检测方法。
背景技术
自2003年中国第一条高速铁路秦沈客运专线开通以来，中国高铁事业开始飞速跨越，17年间，高铁版图一再扩容，遍布祖国大好河山，沟通南北，横亘东西。近些年，高铁更是走出国门，成为中国制造一张靓丽的名片。面对高铁交错复杂的线路、里程数大等现状，保障高速铁路安全、稳定、可靠的运行将是后期铁路安全工作的重中之重，探索新的钢轨伤损检测方法并提高检测速度具有重要意义。
目前，主要的伤损裂纹检测方法有超声检测、漏磁检测、涡流检测和视觉检测等。上述检测方法原理和特点各不相同，被广泛应用于伤损裂纹检测领域，然而也存在许多不足之处。超声检测方法因为需要在检测探头与被测物之间添加耦合剂，导致检测速度变慢，检测效率因此受到严重影响。漏磁检测技术伤损裂纹检测速度快，但是往往受到物理机制的限制，仅仅能够对表面或者浅表层的裂纹进行检测，无法检测内部伤损裂，检测精度较低；涡流检测技术能可以检测内部伤损裂纹，并且检测效率高，检测过程简单，然而涡流检测方法应用局限性大，只适用于横截面存在较大裂纹的物体伤损检测；视觉检测应用广泛，但是检测精度远远低于其他几种方法。近年来，声发射检测方法越来越受到人们的重视，该方法是一种被动式监测方法，能够实时监测钢轨的伤损状态，但由于列车运行过程中存在巨大的噪声干扰，使该方法的检测精度较低，容易对噪声形成误判，为此提出一种能够克服噪声干扰具有较高检测精度的伤损检测方法具有重要意义。
本发明基于不平等距离优化聚类算法，结合γ倒谱系数(Gammatone CepstralCoefficients，GTCC)特征信息，对特征信息聚类分析，并计算各样本点与各聚类质心距离，设定各聚类质心判定优化距离值，依据不平距离优化判别算法，达到区分噪声干扰与裂纹伤损信号的目的，完成伤损声发射信号检测，从而提高了钢轨裂纹伤损的检测精度。
发明内容
本发明的目的在于提出一种基于不平等距离优化聚类算法的伤损裂纹声发射信号检测方法。提高了钢轨裂纹声发射信号的检测精度。
本发明的目的是通过以下技术方案实现的：首先，利用γ倒谱系数特征对声信号敏感的特点，从噪声声发射信号中提取γ倒谱系数特征，并根据自适应鲁棒系数对特征进行筛选处理，得到鲁棒性强的低维γ倒谱系数特征；而后，对筛选后特征进行聚类处理，聚类为K个簇，计算各特征到K簇中各聚类质心的距离，并计算每个簇聚类质心的不平等优化距离值；最后，提取待检测声发射信号的γ倒谱系数特征，并依据噪声声发射信号筛选特征序号，选择待测声发射信号的筛选特征，计算各特征到K簇中各聚类质心的距离，依据不平距离优化判别算法，判别各个特征是否属于伤损信号，完成伤损声发射信号检测。
本发明的流程图如图1所示，具体步骤如下：
步骤一：加载包含伤损裂纹与噪声的声发射信号从中选取多段噪声声发射信号样本，并将它们在时间维度上，连接成一段较长的噪声声发射信号，记为具体步骤如下：
1)加载包含伤损裂纹与噪声的声发射信号其中N0代表信号长度，即采样点个数；
2)从中选取多段噪声声发射信号样本，并将它们在时间维度上，连接成一段较长的噪声声发射信号，记为其中N1代表该信号长度，即采样点个数。
步骤二：对噪声声发射信号提取γ倒谱系数特征，获得多维特征代表计算特征后的信号的特征点数目，依据自适应鲁棒系数对其进行特征筛选，选择稳定性更高的特征具体步骤如下：
1)对声发射信号采用移动时间窗口在信号上移动，并对移动窗口中的每段信号计算γ倒谱系数特征，窗口长度设置为Nw，得到特征H1代表特征维数。其中，γ倒谱系数特征包含GTCC系数、一阶差分GTCC系数、二阶差分GTCC系数各维；
2)对获得的H1维γ倒谱系数特征进行筛选，本发明提出自适应鲁棒系数作为筛选条件。对于任意一维的γ倒谱系数特征序列同时对应的时间序列为代表时间处的特征值；
首先采用移动平均法把特征参数序列分为平稳趋势项和随机余量项两个部分：
其中，代表特征的平稳趋势部分，而则表示特征的随机余量部分。然后计算特征的鲁棒系数：
其中
3)根据上式，分别计算得到H1维中每一维特征的鲁棒系数，记为i0＝1，2，...，H1。提出自适应鲁棒系数阈值，并与H1维特征的鲁棒系数比较，选取鲁棒系数大于鲁棒系数阈值的特征，选取后的特征维数为H2维，记筛选后获得的特征为判别公式如下：
i0＝1，2，...，H1；
其中，θRob为自适应鲁棒系数阈值，通常根据实验经验选取。
步骤三：将噪声信号特征聚类划分为K个簇，计算各特征到K簇中各聚类质心的距离，并计算每个簇聚类质心的不平等优化距离值；提取一段待检测声发射信号的γ倒谱系数特征，并依照步骤二中筛选获得的特征序号选择的特征代表计算特征后的信号的特征点数目；计算各特征到K簇中各聚类质心的距离，依据不平等距离优化判别算法，判别各个特征是否属于伤损信号，完成伤损声发射信号检测，具体步骤如下：
1)从特征中随机选取K个点作为初始聚类中心{c1，c2，...，cK}，即特征被聚类成K个簇，记为B＝{B1，B2，...，BK}；
2)计算各特征点到指定质心的距离：
其中，j1＝1，2，...，K；
3)利用下式进行每个簇的质心更新，并重复进行2)到3)步，直到质心位置不再发生变化：
其中，j2＝1，2，...，K，最终得到的质心记为各个簇中所包含的特征分别记为其中
4)计算每个簇的特征点到其簇质心的距离，确定其中距离的最大值：
其中i3＝1，2，...，K，
5)设定每个簇聚类质心的不平等优化距离值，对于K个聚类，待检测信号特征属于该簇聚类的判定优化距离值为：
其中，p＝1，2，...，K，αp代表噪声抑制系数，根据噪声情况实时调节；
6)在移动时间窗口处理下提取待检测声发射信号的γ倒谱系数特征，并依照步骤二中筛选获得的特征序号选择的特征，记为计算各个特征与K个簇中每个簇质心的距离，依据下式获取该待检测信号各特征的簇编号：
其中，i4＝1，2，...，K，
7)进一步在获取待检测信号各特征簇编号的情况下，根据5)中的不平等优化距离值进行不平距离优化判别，判别方法如下式：
如果计算结果R为1，则该特征属于伤损裂纹信号；反之，则属于噪声信号。判别各个特征是否属于伤损信号，完成伤损声发射信号检测。
本发明与现有技术相比具有如下优点：
本发明采用γ倒谱系数特征来表征包含伤损裂纹的声发射信号的辨识性信息，以此达到排除噪声干扰的目的。此外，基于γ倒谱系数特征具有多维信息的特点，提出自适应鲁棒系数方法，筛选获得具有高鲁棒性的低维特征，降低特征维度减少数据运算量，节约时间成本，增加信号检测速率。
同时，本发明提出基于不平等距离的优化聚类算法，将噪声声发射信号的特征参数以相似性为基础，划分为多个簇；依据各个簇特征参数到各簇质心距离，计算每个簇聚类质心的不平等优化距离值；根据噪声信号与伤损信号的差异性，并依据不平距离优化判别算法对待检测声发射信号进行伤损检测。
目前已有的伤损裂纹检测方法仅仅适用于实验室运行数据，这些数据往往只添加了几种已知的噪声信号。然而实际情况下的伤损裂纹信号含有大量的噪声干扰，有用信息湮没其中。同时已有的伤损裂纹检测方法运算效率低下，耗时巨大。本发明提出的基于不平等距离的聚类算法能够将各种已知噪声与伤损裂纹信号分离，从而提高伤损信号检测精度，满足实际工作生产中的检测高速率与精度的要求。
附图说明
图1为本发明方法的流程图。
图2为噪声发射信号时频图。
图3为待测声发射信号时频图。
图4为信号检测不平等优化距离图
图5为信号检测示例图
具体实施方式
下面结合钢轨裂纹实测与仿真信号数据说明本发明的具体实施方式：
执行步骤一：加载包含伤损裂纹的声发射信号信号采样率5MHz此时N0＝2867200。获得多段噪声信号，并在时间维度上连接成较长的声发射信号此时N1＝503937，信号如图2所示。
执行步骤二：在移动时间窗口处理下，对声发射信号提取γ倒谱系数特征，记为M11855×39，即获得39维特征后，其中GTCC系数、一阶差分GTCC系数、二阶差分GTCC系数各13维。计算39维γ倒谱系数特征的鲁棒系数，结果如表1所示。
表1聚类γ倒谱系数各维鲁棒系数
维数
1
2
3
4
5
6
7
8
鲁棒系数
0.9861
0.9820
0.7854
0.7804
0.6498
0.6551
0.5348
0.6062
维数
9
10
11
12
13
14
15
16
鲁棒系数
0.5531
0.4962
0.4963
0.5034
0.5013
0.6261
0.6240
0.6310
维数
17
18
19
20
21
22
23
24
鲁棒系数
0.6245
0.6282
0.6208
0.6252
0.6301
0.6246
0.6083
0.6189
维数
25
26
27
28
29
30
31
32
鲁棒系数
0.6241
0.6169
0.7094
0.7102
0.7145
0.7110
0.7095
0.7116
维数
33
34
35
36
37
38
39
鲁棒系数
0.7094
0.7075
0.7118
0.7011
0.7051
0.7101
0.7027
此时设定自适应鲁棒系数为0.9，从表1中可以发现第1、2共2维特征的鲁棒系数超过0.9，所以选择这2维稳定性更好的γ倒谱系数特征M11855×2作进行后续实验。
执行步骤三：从γ倒谱系数特征M11855×2随机选取5个特征点，作为初始聚类质心。计算各特征点到各初始聚类质心的距离，重复计算质心位置直至质心不再发生变化。此时γ倒谱系数特征M11855×2被聚类划分为5类，分别为M1506×2、M2575×2、M2988×2、M1443×2和M3343×2。接下来分别计算各聚类特征点到各聚类质心的距离，基于的计算公式，确定各聚类特征点到各聚类质心的距离最大值，并以此设定5簇聚类各质心的判定优化距离值τp，此时的噪声抑制系数αp均设定为0.35。
接下来，加载一段待检测声发射信号N2＝2047745，信号如图3所示。在移动时间窗口处理下，提取的γ倒谱系数特征M8000×39，依据步骤二中噪声信号特征筛选序号，选择第1、2共2维γ倒谱系数特征M8000×2。
计算M8000×2中各特征点到上述5个聚类中各聚类质心的距离，获取各特征点的类别编号，及其相应类别编号下的距离值，依据不平等优化距离值进行不平距离优化判别，不平等优化距离值如图4所示，这样就完成了对待测信号各个特征点的判别，如图5中给出了待测信号的判别结果，图中标出位置为判别结果为1的位置，即伤损裂纹信号。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种用于声发射信号检测管道裂纹的装置