基于ar-hmm的声发射信号识别方法
【专利摘要】本发明是基于自回归模型-隐马尔可夫模型（AR-HMM）对声发射信号进行识别，利用自回归模型（AR）良好的时频分辨率提取声发射信号特征值，利用隐马尔可夫模型（HMM）算法的统计学习和概率推理能力进行声发射信号识别，创新地将AR-HMM方法应用于声发射信号识别领域。同时改进了AR模型参数值提取方法，采用信号分段提取AR特征值的方法，克服了采样点多的时候AR模型与信号的不相关性，有效地提高了识别能力，填补了声发射信号识别领域的空白。
【专利说明】基于AR-HMM的声发射信号识别方法
[0001]
【技术领域】:本专利涉及无损检测领域声发射检测技术及现代信号处理技术，设计了基于AR-HMM的声发射信号识别方法，用于罐底腐蚀声发射检测信号的识别。
[0002]【背景技术】:声发射在线检测技术具有连续在线检测、对检测环境及构件的形状要求不高、可实现大范围检测的特点，近年来受到业内的普遍关注，成为国际上主要的罐底无损检测方法之一。罐底腐蚀的有效声发射源主要三类:(I)当储罐处于严重腐蚀损伤时,在受力条件的改变下储罐局部范围会产生一定的形变；(2)罐底存在着的裂纹、未融合、未焊透等缺陷在液位的变化下发生开裂；(3)储罐发生腐蚀时产生氧化物的开裂或剥离。提取声发射信号的特征值，识别出声发射信号的类型，是声发射信号识别的关键。
[0003]声发射信号具有瞬态性和多态性，是典型的非稳态信号。模糊识别、人工神经网络、统计识别等传统的识别方法，由于隶属函数很难建立，样本需求量大，不能从整体角度考虑识别等缺点，不能很好地反应声发射信号的特性。隐马尔科夫模型(Hidden MarkovModel, HMM)是马尔科夫链的一种，由于其本身就可以完成统计学习和概率推理，因此不需要知道待求解问题的精确条件，对分析特征量重复再现性不佳、信息量大的非稳态信号具有独特的优势。自20世纪80年代以来，HMM多被应用于语音识别领域，近年来，HMM也被引入到处理机械振动信号方面，但在声发射检测领域的应用还是空白。
[0004]
【发明内容】
:
发明目的:本发明涉及一种基于AR-HMM的声发射信号识别方法，其目的是解决以往的方法效果不理想的问题。
[0005]技术方案:本发明是通过以下技术方案实现的:
一种基于AR-HMM的声发射信号识别方法，其特征在于:该方法的具体步骤如下:
获取不同声发射源的多组声发射信号；
(一)、对提取到的声发射信号进行去噪，求零均值等预处理；
(二)、把经过预处理的不同声发射源、多组声发射信号等长度的分为η段，对每段提取相同阶次的AR模型参数；
(三)、取每段1/3~1/2靠前范围的、与信号相关性强的AR模型参数组成整个信号的特征值，将多组特征值作为多观测序列HMM的观测值；
(四)、对获得到的AR特征值进行矢量量化；
(五)、选取HMM的初始参数，输入一系列预处理后的特征值，建立每种声发射源所对应缺陷的HMM模型；
(六)、把待识别声发射类型的观测序列输入到建立好的HMM库中，选取最大输出概率值所对应的声源类型作为识别结果。
[0006]“(I)步骤”中的声发射信号分为三种，即钢板裂纹的开裂、腐蚀形成的钢板薄弱区的受载变形、腐蚀产生的氧化物的剥离，对声发射信号预处理的方法为:选用dbl6小波基对腐蚀、氧化物剥离、钢板裂纹声发射信号做5层分解去噪，把去噪后的信号零均值化，提取出声发射信号变化的动态部分。[0007]AR 模型的 Yule-Walker 方程为:
【权利要求】
1.一种基于AR-HMM的声发射信号识别方法，其特征在于:该方法的具体步骤如下: 获取不同声发射源的多组声发射信号； (一)、对提取到的声发射信号进行去噪，求零均值等预处理； (二)、把经过预处理的不同声发射源、多组声发射信号等长度的分为η段，对每段提取相同阶次的AR模型参数； (三)、取每段1/3~1/2靠前范围的、与信号相关性强的AR模型参数组成整个信号的特征值，将多组特征值作为多观测序列HMM的观测值； (四)、对获得到的AR特征值进行矢量量化； (五)、选取HMM的初始参数，输入一系列预处理后的特征值，建立每种声发射源所对应缺陷的HMM模型； (六)、把待识别声发射类型的观测序列输入到建立好的HMM库中，选取最大输出概率值所对应的声源类型作为识别结果。
2.根据权利要求1所述的基于AR-HMM的声发射信号识别方法，其特征在于:“(1)步骤”中的声发射信号分为三种，即钢板裂纹的开裂、腐蚀形成的钢板薄弱区的受载变形、腐蚀产生的氧化物的剥离，对声发射信号预处理的方法为:选用dbl6小波基对腐蚀、氧化物剥离、钢板裂纹声发射信号做5层分解去噪，把去噪后的信号零均值化，提取出声发射信号变化的动态部分。
3.根据权利要求1所述的基于AR-HMM的声发射信号识别方法,其特征在于:AR模型的Yule-Walker 方程为:
4.根据权利要求3所述的基于AR-HMM的声发射信号识别方法,其特征在于:声发射信号的采样点数为1024，把经过预处理后的声发射信号，每128个点为一组，共等分为8段，用Burg算法对这8段分别提取55阶AR模型参数。
5.根据权利要求1所述的基于AR-HMM的声发射信号识别方法,其特征在于:(5广(6)步骤中使用Baum-Welch算法实现HMM识别，初始概率π =[1，0，0，0，0，0，O, O]，由于声发射具有记忆性，所以状态转移矩阵为上三角矩阵，观察矩阵B满足下列约束条件:
【文档编号】G01N29/44GK103852525SQ201210498452
【公开日】2014年6月11日 申请日期:2012年11月29日 优先权日:2012年11月29日
【发明者】于洋, 张明宇, 杨平 申请人:沈阳工业大学