基于机器学习的陶瓷基复合材料声发射在线损伤模式识别方法技术

本发明专利技术提供了一种基于机器学习的陶瓷基复合材料声发射在线损伤模式识别方法，解决了现有声发射信号处理缺乏针对性，无法分离同一时刻到达的多种损伤模式信号，以及现有声发射无法对数据分析结果进行预判，不能实现损伤模式的在线识别和评价的问题。该识别方法包括：1)采用已知损伤模式次序的工况对陶瓷基复合材料进行多次重复试验，训练分类器；2)采用分类器对复杂工况下待识别的陶瓷基复合材料进行在线识别。行在线识别。行在线识别。

【技术实现步骤摘要】
基于机器学习的陶瓷基复合材料声发射在线损伤模式识别方法


[0001]本专利技术属于材料工程
，具体涉及一种基于机器学习的陶瓷基复合材料声发射在线损伤模式识别方法。

技术介绍

[0002]陶瓷基复合材料以其优越的高温力学性能有望广泛用于燃烧室，涡轮叶片和火箭尾喷管等热端构件中；在其失效过程中，可能发生基体开裂、界面脱粘、纤维断裂等损伤模式，由此，其复杂载荷条件下的在线损伤模式识别十分重要。
[0003]声发射技术作为一种动态的无损检测技术，主要于材料工程领域的研究。研究者可借助声发射技术，实现对陶瓷基复合材料损伤模式的在线监测和评价。
[0004]目前常用的声发射信号处理方法将每一个声发射事件作为一个整体进行分析,这样并不适合存在多种损伤模式的复合材料，缺乏针对性，且结果和参数的设置关系很大。就陶瓷基复合材料来说，声发射信号的处理方式未考虑其自身结构因素对声发射基本性能的影响，故其难以分离同一时刻到达的基体开裂、纤维断裂等损伤模式的信号。
[0005]在声发射监测过程中存在大量数据的采集，非常适合采用大数据算法对其进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的陶瓷基复合材料声发射在线损伤模式识别方法，其特征在于，包括以下步骤：1)训练分类器采用已知损伤模式次序的工况对陶瓷基复合材料进行多次重复试验，采集声发射信号；对采集的声发射信号进行处理，提取每一帧信号频谱图中的包络曲线，获得声发射信号的频谱特征参数；对频谱特征参数进行分类并根据信号出现的时间次序，确定每种信号对应的损伤模式，标记数据，并建立频谱特征库；采用机器学习算法对频谱特征库进行学习，训练分类器；2)在线识别对复杂工况下待识别的陶瓷基复合材料进行加载试验，采集声发射信号；实时读取采集的声发射信号，采用与步骤1)相同的处理方式将声发射信号处理成频谱特征参数；并采用步骤1)训练好的分类器实时识别所述频谱特征参数对应的损伤模式。2.根据权利要求1所述基于机器学习的陶瓷基复合材料声发射在线损伤模式识别方法，其特征在于，还包括：3)确定损伤程度采用谐波小波包分解与重构算法提取各个损伤模式对应频带的能量，显示各类损伤模式的能量累积，以确定损伤程度。3.根据权利要求1或2所述基于机器学习的陶瓷基复合材料声发射在线损伤模式识别方法，其特征在于：所述频谱特征库采用自学习方法进行扩大，将既往已经完成识别的频谱特征参数，添加至所述频谱特征库中，扩大频谱特征库中样本容量。4.根据权利要求3所述基于机器学习的陶瓷基复合材料声发射在线损伤模式识别方法，其特征在于，步骤1)的具体步骤为：1.1)在常温下，采用已知损伤模式次序的工况对陶瓷基复合材料进行多次重复试验，并采集多组声发射信号；1.2)采用小波分解重构法，对步骤1.1)采集的每一组声发射信号进行滤波；1.3)将经滤波后的声发射信号分帧、加窗，并采用短时距傅里叶变换进行处理，得到每一帧信号频谱图，短时距傅里叶变换公式如下：其中，z(t
′
)为时域信号，η
*
为截断窗函数，t为时间变量，STFT
z
(t,f)为变换所获得的频域信号，t
′
为求取卷积过程中的积分变量；1.4)采用希尔伯特变换提取每一帧信号频谱图中的包络曲线，公式如下：其中，H标示为希尔伯特变换，x(t)为输入信号，为所获得的变换信号，t为时间变
量，τ为求取卷积过程中的积分变量；1.5)将所有帧信号包络曲线组成的向量作为该组声发射信号的频谱特征参数；1.6)提取所述陶...

【专利技术属性】
技术研发人员：曾翔龙，王波，杨扬，邓琼，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：