一种钣金拉伸过程声发射信号识别方法技术

本发明专利技术公开了一种钣金拉伸过程声发射信号识别方法，利用声发射检测系统采集钣金拉伸过程中的声发射信号，对声发射信号的傅里叶变换或短时傅里叶变换进行非负矩阵分解，提取其在低维子空间映射的特征系数，用于构造训练字典和测试样本，并利用稀疏表示方法实现对拉伸过程不同阶段的表征与识别。该方法通过对声发射信号的非负矩阵分解和稀疏表示分析，可以实现声发射对应拉伸过程的自动识别，且识别率高。高。高。

【技术实现步骤摘要】
一种钣金拉伸过程声发射信号识别方法


[0001]本专利技术涉及一种基于非负矩阵分解和稀疏表示的板材拉伸过程声发射信号 识别方法，该方法适用于金属板材拉伸过程的声发射信号识别，属于无损检测领 域。

技术介绍

[0002]钣金由于具有重量轻、强度高、成本低、大规模量产性能好等特点，在电子 电器、通信、汽车工业、医疗器械等领域广泛应用。钣金成形涉及冲压、弯曲、 拉伸等多种加工手段。同时，在钣金成形过程中，材料经历复杂的应力
‑
应变状 态。为此，这些加工手段的工艺参数对钣金成形质量及稳定性有很大的影响。因 此，研究钣金成形过程中材料的应力
‑
应变状态对于提高钣金成形质量及稳定性 具有重要意义。
[0003]声发射是指材料因局部能量的快速释放而发出瞬态弹性波的现象。作为一种 动态监测技术，声发射技术已经被应用于多种材料加工过程的监测[1
‑
3]。例如， 张颖[4]对四种不同晶粒度的钢试件单轴拉伸过程进行了声发射检测，利用声发 射信号的幅值、能量和撞击数等特征参数描述了晶粒度对材料拉伸过程中声发射 特征的影响。丁利伟[5]利用声发射技术对复合材料拉伸过程进行了监测，通过 分析拉伸过程中声发射信号的能量、振铃技术、幅值等特征参数，将拉伸过程分 为了三个阶段。诸如以上文献所述，利用声发射技术进行拉伸过程监测的研究工 作很多，但目前已有文献仅停留在研究不同拉伸过程中声发射信号特征参数的变 化规律，鲜见有利用声发射技术进行拉伸过程状态表征的研究。
[0004]本专利技术涉及一种钣金拉伸过程声发射信号识别方法。通过对钣金拉伸过程声 发射信号进行非负矩阵分解，提取其在低维子空间映射的特征系数，用于构造训 练字典和测试样本，并利用稀疏表示方法实现对拉伸过程不同阶段的表征与识 别。

技术实现思路

[0005]本专利技术的目的在于提供一种基于非负矩阵分解和稀疏表示的拉伸过程声发 射信号识别方法，通过该方法可以自动实现声发射信号对应的拉伸过程的识别。 本方法通过对钣金拉伸过程声发射信号进行非负矩阵分解，提取其在低维子空间 映射的特征系数，用于构造训练字典和测试样本，并利用稀疏表示方法实现对拉 伸过程不同阶段的表征与识别。
[0006]本专利技术提出的一种基于非负矩阵分解和稀疏表示的钣金拉伸过程识别方法， 其基本原理如下：
[0007]在拉伸试件两端放置声发射传感器，并置于拉伸试验机上，用于接收拉伸过 程的声发射信号。根据拉伸试验机获取的应力应变曲线，判定拉伸过程不同力学 阶段的时间范围，进而提取不同阶段的声发射时域信号。对得到的声发射信号进 行傅里叶变换(Fast Fourier Transform,FFT)或短时傅里叶变换(Short TimeFourier Transformation,STFT)，在此基础上对其进行非负矩阵分解(NonnegativeMatrix Factorization,NMF)，构造出非负训练字典V。本专利技术以声发射信号的短 时傅里叶变换后的数据为例，用以说明基于非负矩阵分解和稀疏表示的钣金拉伸 过程声发射信号识别方法。
[0008]训练字典V∈R
m
×
n
，其中m是数据长度，n是样本数目。V可以被两个低秩 非负矩阵W∈R
m
×
r
和H∈R
r
×
n
近似表示，V＝WH，其中W称作基矩阵，H称作系 数矩阵，其中秩r的取值满足(m+n)*r<n<m*n。
[0009]根据Lee和Seung的乘法更新规则，同时以欧氏距离为目标函数求解非负矩 阵，得到低秩矩阵W和H。
[0010][0011]基于欧式距离的目标函数的求解问题可以通过最优化算法进行求解，而梯度 下降法是用来求解极小值问题的有效方法，沿着负梯度方向，反复迭代求解，最 后就能解出局部最小值。应用梯度下降法迭代求解式(1)：
[0012][0013]在计算过程中，随机选取非负正态分布的初始化矩阵W与H，在定义适当 的迭代次数之后，迭代计算即可得到最优的W和H。迭代求解出的基矩阵W是V的基空间，根据穆尔
‑
彭罗斯广义逆矩阵，求解其子空间矩阵W
+
[9]。因此，可 以得到矩阵V在子空间W
+
上的投影Y，Y＝W
+
V，Y即是新的训练字典。
[0014]稀疏表示的核心思想是把同类训练样本视为一组基，将测试样本在不同类 基上线性表示，然后通过求解一个l1‑
范数最优化问题，计算出测试样本在不同 类别训练子字典上的最稀疏表示系数，最后根据测试样本稀疏表示后的重构误差 大小判定测试样本所属类别。信号稀疏表示的两个主要内容是字典的构造和稀疏 系数的求解，字典的构造是由声发射信号在非负矩阵子空间映射完成的，稀疏系 数的求解由l1范数求解。
[0015]假设有c类样本信号，其中每类有n个训练样本，则第i类训练子字典Y
i
：
[0016]Y
i
＝[y
i1
,y
i2
,
···
,y
in
]∈R
m
×
n
ꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0017]其中，m是样本信号的数据长度。
[0018]假设y为第i类测试样本，y∈R
m
，测试样本y可表示为所有训练样本的线 性组合：
[0019]y＝Ya，a＝(0,
…0,
a
i,n1
,
…
a
i,ni
,0,
…
0)
ꢀꢀꢀꢀꢀ
(4)
[0020]其中，Y＝[Y1,
…
Y
i
,
…
Y
c
]∈R
m
×
nc
，Y是由n*c个训练样本构造的训练字典。a∈R
n
， 称为稀疏系数。
[0021]在对测试样本y进行稀疏表示分类时，需要对稀疏系数a进行求解，该求解 过程应该满足：
[0022]满足||y
‑
Ya||2≤ε
ꢀꢀꢀ
(5)
[0023]其中，ε是测试样本重构误差的容忍极限，a'是稀疏系数a的最稀疏解。
[0024]而当稀疏系数a足够稀疏时，l0范数等效为l1范数求解，并用拉格朗日定理 做正则化处理，故式(5)可以写为：
[0025][0026]其中λ是正则化参数，其取值范围为(0,1)。
[0027]则测试样本y在不同类别子字典下的重构信号y
′
i
：
[0028]y
′
i
＝Y
i
a
′
i
ꢀꢀꢀꢀꢀ
(7)
[002本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种钣金拉伸过程声发射信号识别方法，其特征在于：该方法通过以下步骤实现：步骤一：搭建拉伸声发射检测系统，根据拉伸试验机获得的应力应变曲线，判定拉伸过程各个力学阶段的时间范围，随后在拉伸过程各阶段分别截取n组信号，共5n组；基于MATLAB软件对所有声发射信号进行截断，获得数据长度为m的信号；最后，对所有声发射信号进行短时傅里叶变换，得到5n个时频图，其中每个时频图尺寸为w*l；步骤二：分别随机抽取拉伸过程各阶段n组信号中的n1组声发射信号的时频图，共5n1组，并转换为列向量，每一列代表一个信号，组成各阶段训练子字典v，剩余各阶段n2组信号组成测试样本集v0，共5n2组，步骤三：设定非负矩阵分解维度为N，迭代次数M，并使用随机非负正态分布函数初始化W和H，对所有的训练子字典v
i
进行非负矩阵分解，得到基空间矩阵W，W∈R
wl
×
N
，i＝1,2,3,4,5；步骤四：基于穆尔
‑
彭罗斯广义逆矩阵，求解基矩阵W的子空间W
+
，W
+
∈R
N
×
wl
；将所有训练子字典v
i
分别向子空间W
+
进行投影，得到每个训练子字典的特征系数矩阵y
i
，所有训练子字典的特征系数矩阵共同形成降维后的训练字典V
trai...

【专利技术属性】
技术研发人员：焦敬品，孙延东，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：