【技术实现步骤摘要】
本专利技术属于材料服役行为检测，涉及旨在解决传统单光谱、单声波对材料表征的缺陷，并通过快速挖掘光声数据中有效的特征参数，为材料服役行为提供更为全面的信息维度和更准确的检测能力的材料服役行为多维度检测方法。
技术介绍
1、材料在服役过程中，由于受光照、热能、机械能、辐照、潮湿等因素的影响，会逐步发生老化，进而导致材料性能下降甚至失效。材料失效不仅带来巨大的经济损失，造成环境污染和资源浪费，甚至可能酿成安全事故，引发各种社会问题。因此，材料服役性能研究和服役寿命预测一直是材料服役行为检测领域的研究热点之一。
2、随着材料服役时间的增长，服役行为的检测显得越来越重要。目前材料服役行为检测领域主要分为四个方向：加速模拟实验、力学性能研究、数学模型和数据挖掘。其中加速模拟实验是最简便可行的方案，但加速过程会掩盖材料服役的关键细节，很难区分不同条件对材料性能影响的细微差别。力学性能研究通过经典力学、断裂力学、疲劳力学、损伤力学等方法建立材料力学方程，然后进行力学分析和服役性能预测。但对于受力复杂的情况，建立的力学方程非常复杂，并且很难反映材料的真实受力情况。数学模型通过短期试验推测长期服役条件下材料的性能变化情况，但该方法预测误差较大、计算复杂、普适性有待进一步研究。随着机器学习的发展和基于大数据的驱动下，机器学习在材料学科领域发挥着重大作用，通过机器学习可以探索数据的特性、预测性能，分析已有的实验数据，筛选出对实验结果影响最大的特征，从而有助于缩短整个实验周期。数据挖掘通过机器学习对大量材料服役数据进行学习和规律总结，然后对材
3、现有的材料服役行为研究只是以单输入数据作为评判结果，如只使用材料的光谱数据或只使用材料的辐照等单参数数据，这些使用材料单维数据进行性能或服役寿命预测的方法是不能对材料进行完全地表征的，存在预测误差偏大和普适性等问题，因此，开发材料服役行为预测的多维多尺度检测方法是必要的。激光诱导击穿光谱技术作为光谱领域中的一种全新的物质元素分析技术，是一种基于原子发射光谱和激光等离子体发射光谱的元素分析技术，已得到越来越多的研究和应用，尤其是在材料领域，因其具备的多种技术优势而受到广泛关注。例如有研究通过激光诱导击穿光谱(libs)与概率神经网络(pnn)相结合的方法，建立基于萤火虫优化算法(fa)-pnn的老化时间预测模型，对工程结构材料样品进行了分类。实验结果表明，与研究中使用的其他机器学习方法相比，使用libs结合fa-pnn的分类模型具有更好的分类精度。但该研究仍面临因未考虑多因素耦合下的单参数对材料性能预测的偏差和预测精度低的问题。
技术实现思路
1、本专利技术的目的在于从光声信息多维度融合数据准确和可靠地实现材料服役行为检测的角度出发，提供基于激光光声信息融合的材料服役行为多维度检测方法。
2、为达到上述目的，本专利技术采用了以下技术方案：
3、1)通过搭建好的激光诱导击穿光谱系统中的光谱仪和激光诱导超声表面波检测系统中的信号采集模块对不同材料(如马氏体不锈钢、316ln不锈钢或308l不锈钢)服役行为条件下的被试样品在激光激发下产生的等离子光谱和超声表面波进行采集，得到多组被试样品的激光诱导光谱和声波数据，转至步骤2进行光谱与声波数据(光声数据)预处理；
4、2)将采集的激光诱导光谱和声波数据单独存放并进行各自数据的预处理，转至步骤3；
5、3)对经过预处理的激光诱导光谱和声波数据进行特征提取，其中光谱数据的特征提取从两个方面进行：元素特征谱线提取作为第一特征量分析、基于短时傅里叶变换的光谱多频段能量提取作为第二特征量分析，从而得到光谱数据的特征量(对光谱数据的特征提取采用上述两种方法，这两种方法提取到的特征量经过归一化，例如使用最大最小值归一化后都可以作为机器学习模型的输入的原始数据，共同用来预测材料老化时间，使用两种方法提取特征的原因是为了能够更加全面的利用光谱信息，若只使用其中一种方法，特征量数据集会减少，可能导致提取到的信息不完全，从而在模型训练和输出时造成误判)；声波数据的特征量分析使用经典的信号处理方法，例如小波变换和节点系数提取，从而得到声波数据的特征量，转至步骤4进行光声数据的深度挖掘和定量表征；
6、4)将对光谱数据的特征量、声波数据的特征量进行数据挖掘所得到的特征参数信息进行融合重构，得到多维度光声特征表征矩阵x，转至步骤5：
7、x＝[x1,x2,…,xi,xi+1,xi+2…,xj]t
8、其中，x1,x2,…,xi代表对材料其它服役行为维度(如受到的应力)相同情况下提取的不同老化时间被试样品(作为被测样品)对应的光谱数据的特征量与未发生老化被试样品(作为标准样品)对应的光谱数据的特征量进行相似性度量后所得的特征参数(1:i为光谱数据融合挖掘信息特征量表示序号)，xi+1,xi+2,…,xj代表对材料其它服役行为维度(如老化时间)相同情况下提取的受到不同应力被试样品(作为被测样品)对应的声波数据的特征量与未受到应力被试样品(作为标准样品)对应的声波数据的特征量进行相似性度量后所得的特征参数(i+1:j为声波数据融合挖掘信息特征量表示序号)；
9、5)对构建的多维度光声特征表征矩阵x进行打乱(随机打乱)后划分为训练集、校验集和测试集三部分，转至步骤6，其中训练集数据用于深度学习模型的构建和训练迭代，校验集用于对训练后的深度学习模型进行参数优化、校正和评估，测试集用于已迭代和优化好的深度学习模型的预测输出测试(打乱得到的数据集顺序不确定，这样可以防止模型在训练过程中过度依赖特定的数据顺序)；
10、6)使用训练集数据进行多任务和多分类深度学习模型训练，在模型训练过程中设置最大迭代误差，当迭代误差满足设计要求后，使用校验集数据对模型进行评估，并输出评估结果，当评估结果在允许的迭代误差范围之内时，将测试集数据输入至模型中进行预测，对同步输出的材料服役行为的多维度检测结果进行误差分析。至此，完成基于激光光声信息融合的材料服役行为多维度检测的模型训练，转至步骤7进行材料服役行为在各情况下的检测与区分；
11、7)将材料服役行为未知的被试样品对应的多维度光声特征表征矩阵(参照步骤1至步骤4，包括所述材料服役行为未知的被试样品对应的光谱数据的特征量与未服役材料样品对应的光谱数据的特征量经过相似性度量所得的特征参数，以及所述材料服役行为未知的被试样品对应的声波数据的特征量与未服役材料样品对应的声波数据的特征量经过相似性度量所得的特征参数)输入至训练好的多任务和多分类深度学习模型中进行预测，并由该模型同步输出材料(具体为所述材料服役行为未知的被试样品)服役行为的多维度(包括老化时间、受到的应力等)检测结果。
12、优选的，所述步骤1中，材料服役行为为老化时间和受到的应力(对于材料而言，所受的应力可以包括拉伸、压缩、剪切等各种形式，这些应力会影响材料的形变、强度和耐久性，进而影响材料的服役寿命和性能)，或者材料服役行为除了包括老化本文档来自技高网...
【技术保护点】
1.基于激光光声信息融合的材料服役行为多维度检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述基于激光光声信息融合的材料服役行为多维度检测方法，其特征在于：所述预处理具体包括以下步骤：对采集的激光诱导光谱数据进行多通道数据拼接后依次进行平滑去噪、基线校准及归一化处理；对采集的激光诱导声波数据依次进行去噪、筛选及预加重处理。
3.根据权利要求2所述基于激光光声信息融合的材料服役行为多维度检测方法，其特征在于：所述声波数据的去噪使用Savitzky-Golay滤波；所述光谱数据的平滑去噪使用小波阈值降噪，并使用软阈值函数，软阈值函数表示为：
4.根据权利要求1所述基于激光光声信息融合的材料服役行为多维度检测方法，其特征在于：所述数据挖掘中具体使用如下所示的基于归一化数据的相似性度量方法分析光谱数据的特征量、声波数据的特征量：
5.根据权利要求4所述基于激光光声信息融合的材料服役行为多维度检测方法，其特征在于：所述元素特征谱线提取具体包括以下步骤：对经过预处理的激光诱导光谱数据依据原子光谱数据库确定该光谱数据中谱线峰值对应元素和
6.根据权利要求4所述基于激光光声信息融合的材料服役行为多维度检测方法，其特征在于：所述短时傅里叶变换的参数选择包括：窗长为256～2048，窗函数为汉宁窗、汉明窗或矩形窗。
7.根据权利要求4所述基于激光光声信息融合的材料服役行为多维度检测方法，其特征在于：所述多分类深度学习模型具体是利用不同材料服役行为条件下被试样品呈现单一性变化的特征量相似性度量结果进行训练后而得到的，其中训练集取自以下多维度光声特征表征矩阵X：
8.根据权利要求7所述基于激光光声信息融合的材料服役行为多维度检测方法，其特征在于：所述多分类深度学习模型采用概率神经网络构建，通过控制输出神经网络节点分组同步实现多维度服役行为的状态分类。
9.根据权利要求8所述基于激光光声信息融合的材料服役行为多维度检测方法，其特征在于：在训练过程中，最大迭代误差为10次，迭代精度为10-7～5×10-7。
10.根据权利要求7所述基于激光光声信息融合的材料服役行为多维度检测方法，其特征在于：所述材料为不锈钢；所述服役行为还包括腐蚀、磨损、辐照能、疲劳中的一种以上。
...【技术特征摘要】
1.基于激光光声信息融合的材料服役行为多维度检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述基于激光光声信息融合的材料服役行为多维度检测方法，其特征在于：所述预处理具体包括以下步骤：对采集的激光诱导光谱数据进行多通道数据拼接后依次进行平滑去噪、基线校准及归一化处理；对采集的激光诱导声波数据依次进行去噪、筛选及预加重处理。
3.根据权利要求2所述基于激光光声信息融合的材料服役行为多维度检测方法，其特征在于：所述声波数据的去噪使用savitzky-golay滤波；所述光谱数据的平滑去噪使用小波阈值降噪，并使用软阈值函数，软阈值函数表示为：
4.根据权利要求1所述基于激光光声信息融合的材料服役行为多维度检测方法，其特征在于：所述数据挖掘中具体使用如下所示的基于归一化数据的相似性度量方法分析光谱数据的特征量、声波数据的特征量：
5.根据权利要求4所述基于激光光声信息融合的材料服役行为多维度检测方法，其特征在于：所述元素特征谱线提取具体包括以下步骤：对经过预处理的激光诱导光谱数据依据原子光谱数据库确定该光谱数据中谱线峰值对应元素和波长，然后提取所述元素谱线，然后依据相似性度量后在不...
【专利技术属性】
技术研发人员：汪倩，李国文，陈思磊，王源丰，翡翠祥，杭玉桦，邱岩，
申请(专利权)人：西安理工大学，
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。