本发明专利技术公开了一种基于神经网络的随机共振FSW微小特征提取方法，包括以下步骤：S1：建立声发射采集系统；S2：提取声发射信号特征；S3：建立神经网络模型，并迭代优化随机共振系统结构参数；S4：构建一种基于随机共振的神经网络损失函数；S5：更新迭代神经网络参数，判定是否达到最优随机共振效果；S6：提取并分析声发射信号微小特征；本发明专利技术以FSW焊接缺陷作为分析的目标，结合声发射信号及提取的特征分析，设计了一种基于随机共振的神经网络损失函数，并使用神经网络模型更有效的找到了随机共振系统的结构参数，使得随机共振系统与声发射信号达到最大共振，有效对焊接缺陷位置的微小特征进行了特征提取。特征进行了特征提取。特征进行了特征提取。
【技术实现步骤摘要】
一种基于神经网络的随机共振FSW微小缺陷特征提取方法
[0001]本专利技术涉及搅拌摩擦焊
，具体涉及一种基于神经网络的随机共振FSW微小缺陷特征提取方法。
技术介绍
[0002]搅拌摩擦焊中声发射检测是一种根据工件内部结构反馈进行动态无损检测的新型方法，可直接检测和判断工件内部缺陷，实时反映搅拌摩擦焊目前对于声发射信号的分析；目前对于声发射信号的分析，主要是通过传统信号分析方法(时域、频域、时频域)、模态分解，小波包变换等，得到声发射信号的时域、频域、时频域的定性评价。
[0003]随机共振近年来在机械故障诊断领域受到了极大的关注，但应用在声发射信号上研究较少，随机共振方法由于受其结构参数影响较大，在实际信号处理过程中难以取得理想的检测结果。现有的大多数自适应随机共振方法分别对各个参数进行取值，很少考虑参数间的相互作用，难以实现多参数的同步自适应选取，导致其早期微弱故障诊断精度不高。
[0004]现有的信号故障特征提取方法，如频谱分析、小波包分解、局部均匀值分解、经验模式分解等，对于信号微小特征提取能力较差，同时不可避免会造成信号在一定程度上被削弱，影响诊断效果。
技术实现思路
[0005]为了解决现有的信号微小特征提取方法中微小特征提取能力差的问题，本专利技术提供了一种基于神经网络的随机共振FSW微小缺陷特征提取方法。
[0006]本专利技术的一种基于神经网络的随机共振FSW微小缺陷特征提取方法，包括以下步骤：
[0007]S1：建立声发射采集系统；
[0008]S2：提取声发射信号特征；
[0009]S3：建立神经网络模型，并迭代优化随机共振系统结构参数；
[0010]S4：构建基于随机共振的神经网络损失函数；
[0011]S5：更新迭代神经网络参数，判定是否达到最优随机共振效果，若为否，返回S3，若为是，保存最优随机共振结构参数；
[0012]S6：提取并分析声发射信号微小特征。
[0013]优选的，所述S1中，使用型号为R15A的声发射传感器、型号为PCIE
‑
1816H的采集卡、采样率为100kHz组成声发射采集系统，对声发射信号进行数据采集。
[0014]优选的，所述S2中，分别应用梅尔频谱和短时傅里叶变换对声发射信号进行提取，步骤如下：
[0015]S2
‑
1：使用梅尔频谱对滤波后的数据data进行分析，表达式如下：
[0016]mel＝f
mel
(data)
[0017]式中：mel为梅尔频谱变换后的特征向量，其中梅尔频率曲线表达式如下：
[0018][0019]式中：f为原频率、f
mel
为梅尔频率；
[0020]S2
‑
2：使用短时傅里叶变换对滤波后的数据data进行分析，表达式如下：
[0021]spec＝F(data)
[0022]式中：spec为短时傅里叶变换后的特征向量，其中短时傅里叶变换定义表达式如下：
[0023][0024]式中：t为时域、ω为频域。
[0025]优选的，所述S3中，神经网络模型包括输入层、隐含层和输出层，所述神经网络模型基本实现原理表达式如下：
[0026]f(x)＝G[b
i
+W
i
S(b
i
‑1+W
i
‑1x)][0027]式中：x为输入向量，即S2中提取到的特征值；W为神经元连接权重；b为偏置；i为网络层数；函数G、函数S为ReLU激活函数，所述ReLU激活函数表达式如下：
[0028]ReLU(x)＝max(0，x)
[0029]优选的，所述S3中，所述随机共振系统求解表达式如下：
[0030][0031]式中：k1、k2、k3、k4为随机共振的过程变量；a，b为优化后的系统结构参数，由神经网络模型输出；h＝1/f
s
为采样步长；f
s
为采样频率；p
n
是系统输入信号，x
n
是系统输出信号x(t)的第n个采样点，x
n+1
为信号输入到随机共振系统中的输出值，为随机共振后提取的信号特征。
[0032]优选的，所述S4中，基于随机共振的神经网络损失函数表达式如下：
[0033]SI＝α*SNR+β*ZCR+γ*SCC+log(α)+log(β)+log(γ)
[0034]式中：α、β、γ为平衡因子，初始化值为0；SNR为信噪比；ZCR为信号过零率；SCC为信号相关系数。
[0035]优选的，其中随机共振输出的信噪比表达式如下：
[0036][0037]式中：F0为信号频率；S(F0)为信号功率；P为系统总功率，包括信号功率和噪声功率；P
‑
S(F0)为噪声功率；
[0038]信号过零率表达式如下:
[0039][0040][0041]式中:sgn(*)为符号函数；N为信号长度；x为信号值，为随机共振系统中的输出值；x
i
为某一时刻的时域信号，x
i+1
为下一时刻的时域信号；|x
i
‑
x
i+1
|≥0真时为1，假时为0；
[0042]信号相关系数表达式如下:
[0043][0044]式中:X为随机共振后的波形信号；Y为原波形信号；为X、Y的期望值。
[0045]优选的，所述S5中，使用反向传播法更新迭代神经网络参数，神经网络模型达到最大迭代次数1000次或者基于随机共振的神经网络损失函数值的增量小于给定阈值0.01时停止，达到最优随机共振效果。
[0046]优选的，所述S6中，优化后的随机共振系统已经在S3中将焊接缺陷处的声发射信号放大并提取出来，需结合声发射信号内部特征提取方法进行特征提取，并进行特征分析；
[0047]使用声发射内部特征提取对滤波后的数据分析，表达式如下：
[0048]internal＝AE_Event(data)
[0049]式中：internal表示为声发射信号内部特征向量，声发射信号的事件数AE_Event(*)为一次材料局部变化而产生的声发射信号，称之为一个声发射事件。
[0050]本专利技术的一种基于神经网络的随机共振FSW微小特征缺陷特征提取方法，以FSW焊接缺陷作为分析的目标，结合声发射信号及提取的特征分析，考虑故障缺陷的多种情况，结合信噪比、过零率、信号相关系数设计了一种基于随机共振的神经网络损失函数，并使用神经网络模型更有效的找到了随机共振系统的结构参数，使得随机共振系统与声发射信号达到最大共振，更有效的对焊接缺陷位置的微小特征进行了特征提取。
附图说明
[0051]图1是本专利技术一种基于神经网络的随机共振FSW微小特征缺陷特征提取方法流程图；
[0052]图2是本专利技术神经网络本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于神经网络的随机共振FSW微小特征提取方法，其特征在于，包括以下步骤：S1：建立声发射采集系统；S2：提取声发射信号特征；S3：建立神经网络模型，并迭代优化随机共振系统结构参数；S4：构建基于随机共振的神经网络损失函数；S5：更新迭代神经网络参数，判定是否达到最优随机共振效果，若为否，返回S3，若为是，保存最优随机共振结构参数；S6：提取并分析声发射信号微小特征。2.根据权利要求1所述的一种基于神经网络的随机共振FSW微小特征提取方法，其特征在于，所述S1中，使用型号为R15A的声发射传感器、型号为PCIE
‑
1816H的采集卡、采样率为100kHz组成声发射采集系统，对声发射信号进行数据采集。3.根据权利要求1所述的一种基于神经网络的随机共振FSW微小特征提取方法，其特征在于，所述S2中，分别应用梅尔频谱和短时傅里叶变换对声发射信号进行提取，步骤如下：S2
‑
1：使用梅尔频谱对滤波后的数据data进行分析，表达式如下：mel＝f
mel
(data)式中：mel为梅尔频谱变换后的特征向量，其中梅尔频率曲线表达式如下：式中：f为原频率、f
mel
为梅尔频率；S2
‑
2：使用短时傅里叶变换对滤波后的数据data进行分析，表达式如下：spec＝F(data)式中：spec为短时傅里叶变换后的特征向量，其中短时傅里叶变换定义表达式如下：式中：t为时域、ω为频域。4.根据权利要求1所述的一种基于神经网络的随机共振FSW微小特征提取方法，其特征在于，所述S3中，神经网络模型包括输入层、隐含层和输出层，所述神经网络模型基本实现原理表达式如下：f(x)＝G[b
i
+WiS(b
i
‑1+W
i
‑1x)]式中：x为输入向量，即S2中提取到的特征值；W为神经元连接权重；b为偏置；i为网络层数；函数G、函数S为ReLU激活函数，所述ReLU激活函数表达式如下：ReLU(x)＝max(0，x) 。5.根据权利要求1所述的一种基于神经网络的随机共振FSW微小特征提取方法，其特征在于，所述S3中，所述随机共振系统求解表达式如下：
式中：k1、k2、k3、k4为随机共振的过程变量；a，b为优化后的系统结构参数，由神经网络模型输出；h＝1/f
...
【专利技术属性】
技术研发人员：孙屹博，龙海威，朱建宁，邹丽，杨鑫华，李浩男，
申请(专利权)人：大连交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。