一种基于金属裂纹监测的多路传感器的数据融合方法技术

本发明专利技术提供了一种基于金属裂纹监测的多路传感器的数据融合方法，该方法采用滑动时间窗方法提取脉冲，利用支持向量数据描述方法对脉冲进行初始状态识别，判断其是否为故障脉冲，继而利用证据理论方法，分别对有效时间内不同测点的所有故障脉冲的识别结果进行证据合成，最终获得识别结果，有效避免了单测点和单时间点信息不完备所引发的虚警问题，从而有效降低了虚警率，提高了裂纹故障识别的准确率，满足实际工程应用中在线诊断需求。

【技术实现步骤摘要】

本专利技术涉及金属裂纹检测
，具体涉及一种基于金属裂纹监测的多路传感器的数据融合方法。
技术介绍
金属裂纹是由外部交变载荷长期作用，导致材料疲劳，使得其内部深层次分子断崩形成裂纹核，并逐步扩展形成的。当裂纹扩展接近或达到临界裂纹长度时，就进入失稳扩展并快速形成足够破坏设备结构的断裂现象。特别是对于金刚石压机顶锤等设备，由于其在生产过程中承受交变压力较强，容易疲劳产生裂纹，并最终造成瘫锤，从而造成经济损失，甚至酿成安全事故。因此，及早发现设备上的裂纹故障对安全生产具有重要意义。在专利名称为“一种疲劳裂纹在线检测系统”(专利号：201320619153.5)所公开的内容中，通过提取声发射信号强度、有效值、计数三种特征参数，并根据这些参数的突变判断裂纹；在文献名称为“声纹识别技术在金刚石压机顶锤防护中的应用”(来源：金刚石与磨料磨具工程，Vol.33，No.3，2013)所公开的内容中，记载了使用传声器采集声信号，并通过计算线性预测倒谱系数的欧氏距离来判断裂纹声音。但上述检测方法分类样本种类和数量都有限，尤其对实际环境中的干扰噪声考虑不足，准确性和实用性有待验证和提高。为了改善金属裂纹检测方法的鲁棒性和实用性，人们引入数据融合技术，通过将多路传感器采集的信息进行融合，提高金属裂纹检测准确率，降低虚警率。在文献名称为“基于模糊神经网络和数据融合的结构裂纹故障诊断”(来源：船舶力学，Vol.8，No.2，2004)所公开的内容中，通过有机结合神经网络和证据理论方法，能够对铝板的裂纹进行识别，但其所研究的都是同一信号的特征级数据融合，包含的信息量有限；在文献名称为“基于基座多传感器信息融合的转子裂纹故障诊断”(来源：湖南科技大学，硕士论文，2010)所公开的内容中，利用多路传感器数据级融合，实现对转子裂纹的检测，但是其融合的优化准则并没有考虑裂纹信号特点和故障特征；在文献名称为“基于声发射信号的金属裂纹检测系统研究”(来源：热处理技术与装备，Vol.29，No.3，2008)，通过采用独立分量分析(ICA)的方法来融合各个传
感器所采集到的数据，并分别对其进行特征提取和模式分类，并进一步融合其识别结果，以提高对疲劳裂纹识别的准确度。在文献名称为“基于多探头源数据融合的焊缝缺陷识别”(来源：哈尔滨工业大学先进焊接与连接国家重点实验室，哈尔滨150001)所公开的内容中，通过D-S证据理论融合多探头源的互补信息，有效的提高了缺陷的识别率，有助于焊缝质量的评定。但是，上述多路传感器信息数据融合方法仅是考虑单个时间窗信息，由于实际环境下某些背景噪声难以全部去除，单次识别可能存在误判问题，从而导致虚警率过高。
技术实现思路
本专利技术的目的在于，为解决在现有的金属裂纹声学监测技术中，对多路传感器采集的数据融合时存在着上述技术缺陷，从而导致识别结果不准确，本专利技术提供一种基于金属裂纹监测的多路传感器的数据融合方法，该方法采用滑动时间窗方法提取脉冲，利用支持向量数据描述方法对脉冲进行初始状态识别，判断其是否为故障脉冲，继而利用证据理论方法，分别对有效时间内不同测点的所有故障脉冲的识别结果进行证据合成，最终获得识别结果，从而有效降低了虚警率，提高了裂纹故障识别的准确率，满足实际工程应用中在线诊断需求。为了实现上述目的，本专利技术提出一种基于金属裂纹监测的多路传感器的数据融合方法，具体包括以下步骤：步骤1)通过多路传感器分别采集被测设备金属表面的声发射信号，并提取所述声发射信号的特征参数；步骤2)结合实测的实验数据，优化选取故障分类器模型的核函数、核宽度参数及惩罚因子；步骤3)将步骤1)中提取的特征参数输入至经步骤2)优化处理后的故障分类器模型内进行模式识别，判断各声发射信号表示为故障信号或正常信号；步骤4)根据时间历程逐一检测各声发射信号，如果当前的声发射信号表示为正常信号，则继续检测下一个声发射信号；如果当前的声发射信号表示为故障信号，则将时间窗的右边界移至当前时间点，并统计时间窗内的所有传感器采集到的故障信号输送入数据融合模块；步骤5)利用数据融合模块在统一识别框架下构造证据的基本概率指派函数及证据组合规则，对当前时间窗内的各传感器采集到的全部故障信号合成证据集，依据组合结果做出最终决策。作为上述技术方案的进一步改进，所述步骤2)中的故障分类器模型采用基于支
持向量数据描述的故障分类器模型，该故障分类器模型表示为：fSVDD(z,a,R)＝I(||z-a||2≤R2)＝I((z·z)-2Σiai(z·xi)+Σi,jaiaj(xi·xi)≤R2)其中，a表示超球面的球面中心坐标，R表示超球面的半径，z表示采集的声发射信号的特征向量，ai、aj、xi分别表示第i个朗格朗日系数、第j个朗格朗日系数和第i个支持向量，I为指示函数，此处的A指命题，若A为真时，则判定为正常信号，若A为假时，则判定为故障信号。作为上述技术方案的进一步改进，所述的步骤5)包括：步骤501)依据单值故障分类器的输出信息，客观构造证据关于各命题的基本概率指派函数为： m i ( Θ ) = 1 - ω i m i ( A 1 ) = ω i ( 1 - D i ) m i ( A 2 ) = ω i D i ]]>其中，金属裂纹故障的统一识别框架定义为本文档来自技高网...

【技术保护点】
一种基于金属裂纹监测的多路传感器的数据融合方法，其特征在于，包括：步骤1)通过多路传感器分别采集被测设备金属表面的声发射信号，并提取所述声发射信号的特征参数；步骤2)结合实测的实验数据，优化选取故障分类器模型的核函数、核宽度参数及惩罚因子；步骤3)将步骤1)中提取的特征参数输入至经步骤2)优化处理后的故障分类器模型内进行模式识别，判断各声发射信号表示为故障信号或正常信号；步骤4)根据时间历程逐一检测各声发射信号，如果当前的声发射信号表示为正常信号，则继续检测下一个声发射信号；如果当前的声发射信号表示为故障信号，则将时间窗的右边界移至当前时间点，并统计时间窗内的所有传感器采集到的故障信号后输送至数据融合模块；步骤5)利用数据融合模块在统一识别框架下构造证据的基本概率指派函数及证据组合规则，对当前时间窗内的各传感器采集到的全部故障信号合成证据集，依据组合结果做出最终决策。

【技术特征摘要】
1.一种基于金属裂纹监测的多路传感器的数据融合方法，其特征在于，包括：步骤1)通过多路传感器分别采集被测设备金属表面的声发射信号，并提取所述声发射信号的特征参数；步骤2)结合实测的实验数据，优化选取故障分类器模型的核函数、核宽度参数及惩罚因子；步骤3)将步骤1)中提取的特征参数输入至经步骤2)优化处理后的故障分类器模型内进行模式识别，判断各声发射信号表示为故障信号或正常信号；步骤4)根据时间历程逐一检测各声发射信号，如果当前的声发射信号表示为正常信号，则继续检测下一个声发射信号；如果当前的声发射信号表示为故障信号，则将时间窗的右边界移至当前时间点，并统计时间窗内的所有传感器采集到的故障信号后输送至数据融合模块；步骤5)利用数据融合模块在统一识别框架下构造证据的基本概率指派函数及证据组合规则，对当前时间窗内的各传感器采集到的全部故障信号合成证据集，依据组合结果做出最终决策。2.根据权利要求1所述的基于金属裂纹监测的多路传感器的数据融合方法，其特征在于，所述步骤2)中的故障分类器模型采用基于支持向量数据描述的故障分类器模型，该故障分类器模型表示为：fSVDD(z,a,R)＝I(||z-a||2≤R2)＝I((z·z)-2Πiai(z·xi)+Σi,jaiaj(xi·xi)≤R2)其中，a表示超球面的球面中心坐标，R表示超球面的半径，z表示采集的声发射信号的特征向量，ai、aj、xi分别表示第i个朗格朗日系数、第j个朗格朗日系数和第i个支持向量，I为指示函数，此处的A指命题，若A为真时，则判定为正常信号，若A为假时，则判定为故障信号。3.根据权利要求1所述的基于金属裂纹监测的多路传感器的数据融合方法，其特征在于，所述的步骤5)包括：步骤501)依据单值故障分类器的输出信息，客观构造证据关于各命题的基本概率指派函数为： m i ...

【专利技术属性】
技术研发人员：陈斌，阎兆立，程晓斌，杨军，
申请(专利权)人：中国科学院声学研究所，
类型：发明
国别省市：北京;11