一种基于神经网络的电化学噪声腐蚀信号处理方法
【技术领域】
[0001] 本发明属于材料腐蚀检测技术领域，特别是设及一种基于神经网络的电化学噪声 腐蚀信号处理方法。
【背景技术】
[0002] 近些年新型的电化学噪声处理方法层出不穷，其主要思路还是将新型的数学方法 借鉴到电化学噪声数据的处理中，具体有如下一些方法：聚类分析，用聚类的方法划分腐蚀 阶段；混浊理论，用混浊的参数来区分腐蚀类型；神经网络，用训练的神经网络判别腐蚀类 型与预测等等；虽然该些新方法新参数很多，但与腐蚀过程原理的对应则稍显薄弱，需要更 久的时间与更充分的论据去证明该些方法的有效性与实用行；因此，如何发现新的电化学 噪声数据的处理方法并将其与其腐蚀过程原理结合起来，使该处理方法获得严谨的理论上 的依据，都是近些年也将是未来电化学噪声研究的重点。
[0003] 神经网络（Neural Networks)属于机器学习的范畴，其基本结构单元为神经网络 的节点。一个节点为计算的基本单元，实现计算中的加减乘除等的四则运算，无数的节点通 过特定结构的输入输出连接形成了整个计算的神经网络，就像由无数神经元组成的人类大 脑神经系统一样，故其本质为数学计算模型，形象地称之为神经网络。神经网络的用途非常 广泛，主要应用在模式识别、数据预测、数据拟合领域。神经网络分类有很多种方法，按网络 拓扑结构可分为前向神经网络与反馈神经网络，按学习过程可分为有监督学习神经网络与 无监督学习神经网络等。与无监督神经网络相比有监督型神经网络能有更好的分类性能， 大量的实验为本发明提供了非常丰富的训练样本，故在本文中采用一种有监督学习神经网 络----反向传播神经网络，即BP神经网络。
【发明内容】
[0004] 为了解决上述问题，本发明的目的在于提供一种基于神经网络的电化学噪声腐蚀 信号处理方法。
[0005] 为了达到上述目的，本发明提供的基于神经网络的电化学噪声腐蚀信号处理方法 包括；按顺序进行的下列步骤：
[0006] 步骤1)提炼不同腐蚀类型的典型电化学噪声信号：
[0007] 根据从电化学噪声实验中取得的电化学噪声信号的时域图将腐蚀区分为点蚀、均 匀腐蚀和纯化=种腐蚀类型；所述的电化学噪声实验是用标准304不诱钢试样制成工作电 极，并将两个工作电极与一个参比电极放入到实验溶液之中，通过零阻电流计同时测量两 工作电极之间的电化学电流噪声与工作电极和参比电极之间的电化学电压噪声；不同的腐 蚀类型其表现的电化学噪声在时域图上有很大区别；当发生点蚀时，电流噪声和电压噪声 会出现明显的暂态峰；当发生纯化或者均匀腐蚀时，电流噪声和电压噪声则表现为高频的 无规律振荡；
[000引步骤。数据分组：
[0009] 将上述采集得到的实验数据按1024个点为一单位进行数据切割，即每512秒存一 个单独小文件，文件名按时间叠加，则得到大量的各种腐蚀的数据；
[0010] 步骤3)得到每组数据各个特征参数：
[0011] 对该些所有小文件中每种腐蚀类型随机选取上百组数据，批处理该些数据，得到 每组数据各个特征参数的值；
[001引步骤4) BP神经网络的训练与处理：
[0013] 通过计算各组的电化学信号特征值，得到了上百组样本的值；将每组样本的10项 参数按噪声电阻、特征电荷、特征频率、小波归一化能量dl?d7层的能量比的顺序组成一 组特征向量，上百组样本值可得到上百组不同的特征向量；每组特征向量作为BP神经网络 的输入集合，每组样本对应的腐蚀类型作为BP神经网络的输出集合；取输入总值的60%输 入作为训练集，取20%的输入作为验证集和测试集；用训练集训练数据，用验证集作神经 网络训练最优值的选择，用测试集测试神经网络的泛化性能与分类精度。
[0014] 在步骤4)中，所述的BP神经网络的训练与处理前需要先进行BP神经网络的优 化：
[0015] BP神经网络的优化过程是选择最合适的S个参数的过程；隐藏层节点数、学习速 率与学习函数；
[0016] 选择最常用的函数= 其完全分类训练精度高且泛化能力强；
[0017] 隐藏层节点数的选择参考经验公式；1《n-1或/ ^ >/(w +W) + (/，其中a为0?10 之间的值。
[0018] 本发明提供的基于神经网络的电化学噪声腐蚀信号处理方法是用BP神经网络处 理电化学噪声腐蚀实验所得的电化学噪声腐蚀信号数据，计算出所有文件样本的特征值， 数据处理结果显示，神经网络可高达98. 3%的精度辨别出腐蚀类型，是一种有效的电 化学噪声数据处理方法。
【附图说明】
[0019] 图1为本发明提供的基于神经网络的电化学噪声腐蚀信号处理方法的流程图；
[0020] 图2为典型的S种腐蚀类型的噪声信号时域图；
[0021] 图3为样本特征罗列图；
[0022] 图4为BP神经网络训练性能图。
【具体实施方式】
[0023] 下面结合附图和具体实施例对本发明提供的基于神经网络的电化学噪声腐蚀信 号处理方法进行详细说明。
[0024] 如图1所示，本发明提供的基于神经网络的电化学噪声腐蚀信号处理方法包括按 顺序执行的下列步骤：
[0025] 步骤1)提炼不同腐蚀类型的典型电化学噪声信号：
[0026] 根据从电化学噪声实验中取得的电化学噪声信号的时域图将腐蚀区分为点蚀、均 匀腐蚀和纯化=种腐蚀类型；所述的电化学噪声实验是用标准304不诱钢试样制成工作电 极，并将两个工作电极与一个参比电极放入到实验溶液之中，通过零阻电流计狂RA)可W 同时测量两工作电极之间的电化学电流噪声与工作电极和参比电极之间的电化学电压噪 声，由此获得不同腐蚀类型的典型电化学噪声信号；不同的腐蚀类型其表现的电化学噪声 在时域图上有很大区别；当发生点蚀时，电流噪声和电压噪声会出现明显的暂态峰；当发 生纯化或者均匀腐蚀时，电流噪声和电压噪声则表现为高频的无规律振荡，图2为=种典 型噪声信号的时域图；从左至右、从上至下分别为图2a-图3f，其中图2a与图2d显示了标 准304不诱钢试样在0. 2mol/l的FeCls中浸泡了 2小时后的电位和电流噪声图，可W明显 地发现电位噪声有峰值3mV的暂态峰，而电流噪声有峰值为7 uA的暂态峰，两者暂态峰发 生在同一时间，但其方向正好相反；图化与图2e则是试样在0. 6m〇Vl的H2SO4中浸泡6小 时后的电位和电流噪声图，其电流噪声和电位噪声表现为高频无规律振荡，其电位幅值在 0. 4mV，电流幅值在200nA ;图2c与图2f为试样在0. lmol/1化OH和0. lmol/1 KOH的混合 溶液中浸泡2小时后的电位和电流噪声图，其表现出与均匀腐蚀类似的振荡信号，但其电 位幅值仅为0. 5mV，电流幅值仅为0. 5nA，明显小于均匀腐蚀；
[0027] 根据标准304不诱钢试样在不同溶液中浸泡72小时后的金相图，原始试样表面非 常光滑，点蚀后的试样显示出了试样表面出现典型的发育完全的点蚀孔；试样经过均匀腐 蚀后，在试样表面可W看见标准304不诱钢试样的奥氏体形状；试样纯化时，其表面出现纯 化膜，特征为试样表面由光滑变粗趟，颜色由光亮变灰暗；试样的金相图通过视觉表征法很 好地验证了实验设计的合理性与实验结果的有效性；
[00測步骤。数据分组：
[0029] 表1为电化学噪声实验的实验溶液、腐蚀类型、持续时间和标签的汇总表，将按照 表1的实验内容所采集得到的实验数据按1024个点为一单位进行数据切割，即每512秒存 一个单独小文件，文件名按时间叠加，则可W得到大量的各种腐蚀的数据；
[0030] 表1实验溶液总结
[0031]
【主权项】
1. 一种基于神经网络的电化学噪声腐蚀信号处理方法，其特征在于：所述的基于神经 网络的电化学噪声腐蚀信号处理方法包括按顺序进行的下列步骤： 步骤1)提炼不同腐蚀类型的典型电化学噪声信号： 根据从电化学噪声实验中取得的电化学噪声信号的时域图将腐蚀区分为点蚀、均匀腐 蚀和钝化三种腐蚀类型；所述的电化学噪声实验是用标准304不锈钢试样制成工作电极， 并将两个工作电极与一个参比电极放入到实验溶液之中，通过零阻电流计同时测量两工作 电极之间的电化学电流噪声与工作电极和参比电极之间的电化学电压噪声；不同的腐蚀类 型其表现的电化学噪声在时域图上有很大区别；当发生点蚀时，电流噪声和电压噪声会出 现明显的暂态峰；当发生钝化或者均匀腐蚀时，电流噪声和电压噪声则表现为高频的无规 律振荡； 步骤2)数据分组： 将上述采集得到的实验数据按1024个点为一单位进行数据切割，即每512秒存一个单 独小文件，文件名按时间叠加，则得到大量的各种腐蚀的数据； 步骤3)得到每组数据各个特征参数： 对这些所有小文件中每种腐蚀类型随机选取上百组数据，批处理这些数据，得到每组 数据各个特征参数的值； 步骤4)BP神经网络的训练与处理： 通过计算各组的电化学信号特征值，得到了上百组样本的值；将每组样本的10项参数 按噪声电阻、特征电荷、特征频率、小波归一化能量dl?d7层的能量比的顺序组成一组特 征向量，上百组样本值可得到上百组不同的特征向量；每组特征向量作为BP神经网络的输 入集合，每组样本对应的腐蚀类型作为BP神经网络的输出集合；取输入总值的60%输入作 为训练集，取20%的输入作为验证集和测试集；用训练集训练数据，用验证集作神经网络 训练最优值的选择，用测试集测试神经网络的泛化性能与分类精度。
2. 根据权利要求1所述的基于神经网络的电化学噪声腐蚀信号处理方法，其特征在 于：在步骤4)中，所述的BP神经网络的训练与处理前需要先进行BP神经网络的优化： BP神经网络的优化过程是选择最合适的三个参数的过程：隐藏层节点数、学习速率与 学习函数； 选择最常用的函数
其完全分类训练精度高且泛化能力强； 隐藏层节点数的选择参考经验公式<n-1或
其中a为0?10之间 的值。
【专利摘要】一种基于神经网络的电化学噪声腐蚀信号处理方法。其包括：步骤1)提炼不同腐蚀类型的典型电化学噪声信号；步骤2)数据分组；步骤3)得到每组数据各个特征参数；步骤4)BP神经网络的训练与处理。本发明提供的基于神经网络的电化学噪声腐蚀信号处理方法是用BP神经网络处理电化学噪声腐蚀实验所得的电化学噪声腐蚀信号数据，计算出所有文件样本的特征值，数据处理结果显示，神经网络可以以高达98.3％的精度辨别出腐蚀类型，是一种有效的电化学噪声数据处理方法。
【IPC分类】G06N3-02, G01N17-02
【公开号】CN104568730
【申请号】CN201410847805
【发明人】李健, 张宇, 孔伟康, 陈冠任, 郑焕军
【申请人】天津大学
【公开日】2015年4月29日
【申请日】2014年12月31日