周 俊， 王 強， 伊 鳴, 王 帥

(1.后勤工程學(xué)院, 重慶 401331; 2.中國人民解放軍65133部隊,遼寧沈陽 110043 )

?

基于小波變換與RBF網(wǎng)絡(luò)的聲發(fā)射信號識別

周 俊1， 王 強1， 伊 鳴2, 王 帥1

(1.后勤工程學(xué)院, 重慶 401331; 2.中國人民解放軍65133部隊,遼寧沈陽 110043 )

聲發(fā)射檢測技術(shù)不需開罐就能對儲油罐安全性在線評估，聲發(fā)射信號識別是儲油罐腐蝕狀況分析的基礎(chǔ)，針對現(xiàn)有參數(shù)分析法的不足，提出一種基于小波變換特征提取與RBF神經(jīng)網(wǎng)絡(luò)識別的聲發(fā)射信號識別方法。利用db2小波對聲發(fā)射信號6層分解，將6層細節(jié)特征空間的能量作為聲發(fā)射信號特征向量；結(jié)合聲發(fā)射信號特點設(shè)計RBF神經(jīng)網(wǎng)絡(luò)，利用已知模式聲發(fā)射信號訓(xùn)練RBF網(wǎng)絡(luò)；用RBF神經(jīng)網(wǎng)絡(luò)對腐蝕、裂紋和冷凝聲發(fā)射信號進行分類測試。實驗結(jié)果表明，RBF網(wǎng)絡(luò)的識別率達到93.3%，顯示了RBF網(wǎng)絡(luò)識別聲發(fā)射信號的優(yōu)越性。對儲油罐安全狀況的定量分析具有一定意義。

聲發(fā)射； 小波； 細節(jié)特征； RBF神經(jīng)網(wǎng)絡(luò)； 識別

儲罐底板腐蝕產(chǎn)生的聲發(fā)射信號比較微弱，且采集過程中受環(huán)境和距離的影響，包含一定的噪聲，如何從包含噪聲的聲發(fā)射信號中提取表征腐蝕類型的特征[1]，且對提取特征進行有效分類，是聲發(fā)射信號分析處理的關(guān)鍵問題，對儲油罐安全狀況的定量分析具有重要意義。早期的聲發(fā)射信號分析主要采用參數(shù)分析方法，典型的聲發(fā)射信號參數(shù)包括幅度、振鈴計數(shù)、持續(xù)時間、能量、門檻電壓值、到達時間、撞擊數(shù)率等[2]，隨著聲發(fā)射技術(shù)應(yīng)用研究的深入, 發(fā)展了一些新型的參數(shù)分析方法。J.Lim等[3]提出用信號峰值和某一時間段信號平均值的比值，即Crest參數(shù)來分析管道泄漏聲發(fā)射信號特征,國內(nèi)學(xué)者馬永輝等[4]采用能量、持續(xù)時間、幅度、計數(shù)等常規(guī)參數(shù)，進行神經(jīng)網(wǎng)絡(luò)和灰色關(guān)聯(lián)分析，成功區(qū)分了金屬壓力容器內(nèi)產(chǎn)生的幾類聲發(fā)射信號。雖然參數(shù)分析方法具有簡單直觀、易于理解和測量的優(yōu)點，但是也存在一些問題，對參數(shù)的取舍存在較大的隨意性，而且聲發(fā)射參數(shù)只是對聲發(fā)射信號波形的某個或某些特征的統(tǒng)計性描述，據(jù)此表征整個聲發(fā)射源的特征有其局限性。而小波分析具有良好的信噪分離和時頻局部化特性，尤其適合聲發(fā)射信號特征提取，H. Suzuki等[5]分別采用快速傅立葉變換、短時傅立葉變換和小波變換三種分析方法，對比分析的結(jié)果表明，小波分析可以提取更多的聲發(fā)射源特征信息。Q. Gang等[6]將碳纖維復(fù)合材料聲發(fā)射信號進行離散小波分解研究其特性。崔巖等[7]將小波分析用于非連續(xù)增強金屬復(fù)合材料界面聲發(fā)射特征研究；對聲發(fā)射信號特征進行分類方面，人工神經(jīng)網(wǎng)絡(luò)由于其模仿大腦神經(jīng)網(wǎng)絡(luò)，能有效的處理問題的非線性、模糊性和不確定性關(guān)系，具有很強的自適應(yīng)、自組織能力而得到廣泛應(yīng)用[8]。1 9 8 9年 Wsachse等開始研究人工神經(jīng)網(wǎng)絡(luò)聲發(fā)射信號處理[9], Baily 和Mathew 利用神經(jīng)網(wǎng)絡(luò)開發(fā)了一個用于診斷滾珠缺陷的模型[10]。同樣基于神經(jīng)網(wǎng)絡(luò), Tadej和Kosel 發(fā)明了聲發(fā)射的智能探測源[11]。趙元喜等[12]利用小波包對不同故障滾動軸承的聲發(fā)射信號分解,通過神經(jīng)網(wǎng)絡(luò)判別滾動軸承的故障類型。

由于聲發(fā)射信號易受噪聲干擾，且不同聲發(fā)射信號的區(qū)別主要體現(xiàn)在細節(jié)特征上[13]，小波分析在去噪及提取細節(jié)特征上具有獨特的優(yōu)勢，RBF神經(jīng)網(wǎng)絡(luò)與其它神經(jīng)網(wǎng)絡(luò)如BP網(wǎng)絡(luò)相比能夠逼近任意非線性函數(shù)[14]，可以處理系統(tǒng)內(nèi)在的難以解析規(guī)律性，由于是局部逼近網(wǎng)絡(luò)，具有學(xué)習(xí)速度收斂快等優(yōu)點，滿足聲發(fā)射信號特征的特點。利用小波分析提取6層聲發(fā)射信號細節(jié)特征，將每層細節(jié)特征空間的能量作為聲發(fā)射信號特征；根據(jù)聲發(fā)射信號特點設(shè)計RBF神經(jīng)網(wǎng)絡(luò)，對聲發(fā)射信號特征進行分類性能測試。實驗結(jié)果表明，所提取的特征能較好的區(qū)分腐蝕、裂紋和冷凝聲發(fā)射信號，設(shè)計的RBF網(wǎng)絡(luò)具有較小的誤差，正確識別率達到93.3%，顯示了RBF神經(jīng)網(wǎng)絡(luò)識別聲發(fā)射信號的優(yōu)越性。

1 基于小波變換的聲發(fā)射信號特征提取

1.1 小波變換理論

離散小波變換的突破性成果是S.Mallat于1989年在多分辨分析基礎(chǔ)上提出的快速算法—Mallat算法[15]。Mallat分解算法又稱塔式算法。主要由時域中的高通濾波器Hi_D和低通濾波器Lo_D對信號進行分解。以第一層分解為例,假設(shè)所分解的信號為S，信號在第一層的近似部分, 即低頻部分的小波系數(shù)cA1是通過信號S與低通濾波器Lo_D卷積，然后將卷積結(jié)果隔點采樣得到的；而細節(jié)部分，即高頻部分的小波系數(shù)cD1是通過信號S與高通濾波器Hi_D卷積，然后將卷積結(jié)果隔點采樣得到的。第二層分解將S替換為cA1，采用同樣的方法進行分解，這樣在第j層上，信號f(t)被分解為近似部分的小波系數(shù)cAj和細節(jié)部分的小波系數(shù)cDj。一維離散小波分解變換如圖1所示。

圖1 一維離散小波分解變換

Fig.1 One-dimensional discrete wavelet decomposition transform

1.2 聲發(fā)射信號特征提取

采用質(zhì)量分數(shù)為5%稀鹽酸、2.5%NaCl溶液對金屬板進行電化學(xué)腐蝕模擬腐蝕聲發(fā)射信號，如圖2所示；采用Nielsen-Hsu[16]斷鉛法模擬金屬板的裂紋聲發(fā)射信號，如圖3所示。利用滴水實驗?zāi)M冷凝聲發(fā)射信號作為干擾信號，滴水速度大約1 Hit/s，如圖4所示。采樣幀長8 192，采樣頻率2 MHz。在小波分解前先采用文獻[17]中的方法對聲發(fā)射信號進行消噪處理，選取db2為分解小波基,如圖5所示，對一維聲發(fā)射信號進行6層分解，得到一個近似特征系數(shù)cA6和6個細節(jié)特征系數(shù)cDj，(j=1,2,…,6)，如圖6所示，以冷凝聲發(fā)射信號的分解為例。

圖2 腐蝕聲發(fā)射信號

Fig.2 Pitting acoustic emission signal

圖3 裂紋聲發(fā)射信號

Fig.3 Crack acoustic emission signal

圖4 冷凝聲發(fā)射信號

Fig.4 Condensation acoustic emission signal

圖5 db2小波分解濾波器

Fig.5 Db2 wavelet filter

圖6 冷凝聲發(fā)射信號小波分解細節(jié)特征系數(shù)

Fig.6 Detail characteristic coefficient of condensationemission signal by wavelet decomposition

由于細節(jié)特征是區(qū)分不同類型信號的重要指標(biāo)，這里將所有細節(jié)特征系數(shù)供聲發(fā)射信號特征提取留用。細節(jié)特征系數(shù)數(shù)量龐大，為了便于后續(xù)神經(jīng)網(wǎng)絡(luò)識別，計算6個細節(jié)特征空間的能量并做歸一化處理作為聲發(fā)射信號特征向量X。

(1)

圖7為3類聲發(fā)射信號經(jīng)過db2小波6層分解后各細節(jié)特征空間的能量分布，其中橫坐標(biāo)的i(i=1,2,3,4,5,6)代表第i層的細節(jié)特征空間。

圖7 細節(jié)特征空間能量分布

Fig.7 Energy distribution of details feature space

由圖7可知，腐蝕聲發(fā)射信號的細節(jié)特征空間能量主要集中在第5、6層，冷凝聲發(fā)射信號的細節(jié)特征空間能量主要集中在第3、6層，裂紋聲發(fā)射信號的細節(jié)特征空間能量主要集中在第4、5層。由此可以看出，所提取的特征區(qū)分較明顯，基于小波分解各細節(jié)系數(shù)的聲發(fā)射信號特征能夠較好地區(qū)分各類型聲發(fā)射信號。

2 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

RBF神經(jīng)網(wǎng)絡(luò)是單隱層的三層前饋神經(jīng)網(wǎng)絡(luò)，其最大特點是隱層的傳遞函數(shù)為局部響應(yīng)函數(shù)，與其他多層前饋網(wǎng)絡(luò)相比，所需隱層神經(jīng)元數(shù)要多，但是所需訓(xùn)練時間要少，且能夠以任意精度逼近任意連續(xù)函數(shù)[14]。圖8所示為RBF神經(jīng)網(wǎng)絡(luò)一般結(jié)構(gòu)。網(wǎng)絡(luò)具有N個輸入節(jié)點，P個隱節(jié)點，l個輸出節(jié)點，隱節(jié)點數(shù)目一般選為輸入樣本集數(shù)量，徑向基函數(shù)中心為輸入樣本，各徑向基函數(shù)取統(tǒng)一的擴展常數(shù)。對各層數(shù)學(xué)描述如下：X=(x1,x2,…,xN)T為網(wǎng)絡(luò)輸入向量；隱節(jié)點激活函數(shù)G為格林函數(shù)，一般選用高斯函數(shù)，如式(2)所示。Y=(y1,y2,…,yl)T為網(wǎng)絡(luò)輸出；輸出層∑為線性激活函數(shù)。δ為RBF網(wǎng)絡(luò)的擴展常數(shù)，決定了隱含層對輸入的響應(yīng)范圍。輸出層考慮用2個神經(jīng)元表征3類信號，(1,1)為腐蝕信號，(0,1)為冷凝信號，(1,0)為裂紋信號。

圖8 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

Fig.8 RBF neural network structure

3 實驗結(jié)果與分析

從10組腐蝕聲發(fā)射信號提取特征向量作為訓(xùn)練輸入向量X，腐蝕聲發(fā)射信號的目標(biāo)向量O為[1,1]，對RBF網(wǎng)絡(luò)進行訓(xùn)練，然后運用已訓(xùn)練好的RBF網(wǎng)絡(luò)對聲發(fā)射信號進行仿真模擬。RBF神經(jīng)網(wǎng)絡(luò)初始隱節(jié)點數(shù)設(shè)為訓(xùn)練樣本數(shù)，基函數(shù)選擇高斯函數(shù)，數(shù)據(jù)中心為訓(xùn)練樣本本身，訓(xùn)練均方誤差設(shè)為0.001,由于訓(xùn)練樣本數(shù)目不大，擴展常數(shù)設(shè)為1.2[18]。

X=0.01140.01060.01760.02270.00260.01270.01690.01790.00800.00760.01860.01970.03020.03820.00680.02310.02910.03270.01490.01380.04290.04350.06020.07270.03080.04770.05190.05670.03620.03740.18730.16420.17990.18520.26630.15050.14970.16190.20590.18430.60120.64010.51280.48610.54780.55530.44990.51560.59550.58800.13860.12190.19930.19520.14560.21070.30250.21520.13940.1690

隱節(jié)點數(shù)實驗范圍設(shè)為7～13，表1所示為不同隱層神經(jīng)元數(shù)仿真模擬結(jié)果與目標(biāo)向量O的誤差，以及相應(yīng)的訓(xùn)練步數(shù)。表1顯示隱含層神經(jīng)元數(shù)目為10時，網(wǎng)絡(luò)實際輸出與期望輸出誤差最小，隱含層神經(jīng)元數(shù)目為10時，RBF網(wǎng)絡(luò)經(jīng)過108步訓(xùn)練就實現(xiàn)了目標(biāo)誤差，步數(shù)最少，收斂速度最快，綜合以上實驗結(jié)果，這里RBF網(wǎng)絡(luò)隱層神經(jīng)元數(shù)目設(shè)為10。綜合以上分析，也可以看出網(wǎng)絡(luò)性能并非隨著隱層神經(jīng)元數(shù)目的增加而改善。

每類聲發(fā)射信號隨機提取10組對已訓(xùn)練RBF網(wǎng)絡(luò)測試，1～10組為腐蝕聲發(fā)射信號，11～20組為冷凝信號，21～30組為裂紋聲發(fā)射信號。經(jīng)過測試，RBF網(wǎng)絡(luò)正確識別率為93.3%。

4 結(jié)論

提出一種基于小波變換特征提取與RBF神經(jīng)網(wǎng)絡(luò)識別的聲發(fā)射信號識別方法。利用小波分析提取聲發(fā)射信號細節(jié)特征的能量作為聲發(fā)射信號特征，通過實驗設(shè)計RBF神經(jīng)網(wǎng)絡(luò)并且對腐蝕、裂紋和冷凝聲發(fā)射信號進行分類測試實驗，驗證了RBF網(wǎng)絡(luò)識別的優(yōu)越性。能夠快速準(zhǔn)確識別腐蝕信號與干擾信號，對于儲油罐腐蝕狀況的定量分析具有參考價值。

表1 網(wǎng)絡(luò)輸出誤差與訓(xùn)練步數(shù)

[1] 李孟源，尚振東，蔡海潮等.聲發(fā)射檢測及信號處理[M].北京：科學(xué)出版社，2011.

[2] 張 濤，李一博，王偉魁,等.聲發(fā)射技術(shù)在罐底腐蝕檢測中的應(yīng)用與研究[J].傳感技術(shù)學(xué)報，2011，23(7)：1050-1052.

Zhang Tao, Li Yibo, Wang Weikui,et al. The application and research of acoustic emission technology in tank bottom corrosion detection[J]. Sensing Technology Journal, 2011, 23 (7)：1050-1052.

[3] Lim J,Micro K T.Cracking in stainless steel pipe detection by using acoustic emission and crest factor technique[C]//Instrumentation and Measurement Technology Conference,May 1-3,2007. IEEE Xplore:1-3. Institute of Electrical and Electronics Engineers Inc, Warsaw,Poland.

[4] 馬永輝，劉康，楊大志,等.基于典型BP網(wǎng)絡(luò)的金屬試件拉伸聲發(fā)射信號特征識別[J]．四川大學(xué)學(xué)報：工程科學(xué)版，2011，43(2)：252-255.

Ma Yonghui, Liu Kang, Yang Dazhi, et al. Metal specimen with the characteristics of acoustic emission signals recognition based on typical BP network[J]. Journal of Sichuan University (Engineering Science Edition), 2011, 43(2): 252-255.

[5] Suzuki H,Kinjo T,Takemoto M,et al.Fracture-mode determination of glass-fiber composites by various AE processing[J].Progress in Acoustic Emission VIII.The Japanese Society for NDI，1996,11(2)：47-52.

[6] Gang Q,Alan B,Javad H,et al. The wavelet transform in the acoustic emission signal feature extraction of the rubbing fault[C].1st International Workshop on Database Technology and Applications, DBTA 2009,Wuhan, China,2009：283-286.

[7] 崔巖,李小俚,彭華新,等.基于聲發(fā)射小波分析的非連續(xù)增強金屬基復(fù)合材料界面表征[J].科學(xué)通報.2010,43(6):656-657.

Cui Yan, Li Xiaoli, Peng Huaxin, et al. Discontinuous reinforced interface characterization based on AE wavelet analysis[J]. Metal Matrix Composites Based on Science，2010,43 (6): 656-657.

[8] 常向東,趙麗新.應(yīng)用神經(jīng)網(wǎng)絡(luò)研究地面儲罐罐底聲發(fā)射檢測中滲漏信號與腐蝕信號的差異[J]. 國外油田工程, 2010 ,26(7):48-50.

Chang Xiangdong, Zhao Lixin. Application of neural network on the leakage and corrosion signals difference of ground storage tank bottom AE detection[J]. Foreign Oilfield Engineering, 2010, 26(7): 48-50.

[9] Grabec I, Sachse W. Application of an intelligent signal processing system to AE analysis[J].Journal of the Acoustical Society of America,1989, 85(3):1226-1235.

[10] 張平,施克仁,耿榮生,等.小波變換在聲發(fā)射檢測中的應(yīng)用[J].無損檢測,2002,24(10):436-439.

Zhang Ping, Shi Keren, Geng Rongsheng, et al. Application of wavelet transform to acoustic emission testing[J]. Nondestructive Testing, 2002,24 (10): 436-439.

[11] Tadej, Kosel. Artificial neural network a tool for predicting failure strength of composite tensile coupons using acoustic emission technique[J]. International Journal of Advanced Manufacturing Technology，2009，44(3):30-34.

[12] 趙元喜,胥永剛,高立新,等.基于諧波小波包和BP神經(jīng)網(wǎng)絡(luò)的滾動軸承聲發(fā)射故障模式識別技術(shù)[J].振動與沖擊，2010，29(10)：163-166.

Zhao Yuanxi,Xu Yonggang, Gao Lixin, et al. For fault pattern recognition of rolling bearing acoustic emission technique based on Harmonic wavelet packet and BP neural network [J]. Journal of Vibration and Shock, 2010, 29(10): 163-166.

[13] 張運強,牛衛(wèi)飛,譚蔚.基于小波變換的聲發(fā)射模擬信號特性分析[J]. 無損檢測, 2008, 33(1): 9-12.

Zhang Yunqiang, Niu Weifei, Tan Wei. Analysis of simulated AE signal characters based on wavelet transform[J]. Nondestructive Testing, 2008, 33(1): 9-12.

[14] 韓力群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京：北京郵電大學(xué)出版社，2010.

[15] 楊建國.小波分析及其工程應(yīng)用[M].北京：機械工業(yè)出版社,2007.

[16] 崔之健，史秀敏，李又綠.油氣儲運設(shè)施腐蝕與防護[M].北京：石油工業(yè)出版社，2012.

[17] 周俊，劉麗川，楊繼平. 基于K-均值聚類與小波分析的聲發(fā)射信號去噪[J].石油化工高等學(xué)校學(xué)報，2013, 26(3): 16-19.

Zhou Jun, Liu Lichuan, Yang Jiping. Acoustic emission signal denoising based on K-mean clustering and wavelet analysis[J]. Journal of Petrochemical University, 2013, 26 (3): 16-19.

[18] 趙靜榮.聲發(fā)射信號處理系統(tǒng)與源識別方法的研究[D].長春：吉林大學(xué)，2010:2-9．

(編輯 王亞新)

Acoustic Emission Signal Recognition Based on Wavelet Transform and RBF Neural Network

Zhou Jun1, Wang Qiang1, Yi Ming2, Wang Shuai1

(1.LogisticsEngineeringUniversity,Chongqing401331,China; 2. 65133TroopUnit,PLA,ShenyangLiaoning110043,China)

The security condition of oil storage tank can be assessed without opening pot by acoustic emission technology, and acoustic emission signal recognition is the basis of analysis of the corrosion status for oil storage tanks. Against deficiencies of the analysis method by parameters, a new acoustic emission signal recognition method was proposed based on wavelet transform and RBF neural networks. Acoustic emission signal was decomposed to 6 layer by db2 wavelet, and feature vector from acoustic emission signal was composed of the space energy based on 6 layer detail feature. RBF neural network was designed combining the characteristics of acoustic emission signal. The RBF network was trained by using of the acoustic emission signal which pattern has been known.Corrosion, crack and condensation acoustic emission signal were studied by RBF neural network, respectively.The results showed that the recognition rate of RBF neural network reached 93.3%, and the RBF network displayed superiority in identification of the acoustic emission signal, which had a certain significance for quantitative analysis on oil storage tank safety situation.

Acoustic emission； Wavelet； Feature； RBF neural network； Recognition

1006-396X(2015)03-0080-06

2014-04-01

2014-09-26

軍隊后勤科研項目(油20080208);重慶市博士后科研項目(XM2012049)。

周俊(1981-)，男，博士，高級工程師，從事信號特征提取、信號模式識別方面研究；E-mail:hgzhou2008@163.com。

TE88; TP391

A

10.3969/j.issn.1006-396X.2015.03.017