基于EMD广义相位排列熵算法的金属分类方法与流程
本发明属于金属无损鉴别分类技术领域，特别涉及一种基于emd广义相位排列熵算法的金属分类方法。
背景技术：
工业技术的发展与金属材料密不可分，现有矿产资源已经无法满足经济发展的需求，一些性质相似金属材料可以作为生产生活的替代品，但某些方面如军用、航天等领域对金属材料的特殊需求，需要严格检测金属材料是否符合要求，故金属材料聚类识别越来越重要。
传统的金属材料辨识方法有物理辨识和化学辨识。其中,物理辨识是通过金属的宏观物理特征或者其在物理过程中表现出的微观特征进行的。常用的方法有感官辨识、断口辨识和火花辨识等。由于物理辨识方法简单、方便、易操作、现场性好并且分析精准度可从定性到半定量,对于一般的常用金属材料,这些方法已能满足要求,但还有-定的局限性,例如,有些辨识方法是有损的,且这些方法误差都比较大,有时不很准确。化学辨识是通过化学反应分析金属的组成成分来辨识是何种金属的方法。常用的化学成分分析方法有滴定分析方法、重量分析法和容量分析法等。化学辨识方法不能在线分析、较复杂且有损。对于实际中的贵重金属材料或珍贵金属藏品的防伪辨识,这些方法显然很不合适。
超声检测系统得到的回波信号中不仅携带材料内部及表面结构的丰富信息，也可表征金属材料的微观组织结构。故使用超声无损检测，基于emd广义相位排列熵算法提取金属材料的特征作为标签，用于快速辨识。
技术实现要素：
为了克服现有技术所存在的不足，本发明提供了一种基于emd广义相位排列熵算法的金属分类方法，使用knn分类器训练参考材料聚点，导入待检材料进行聚类分析，能够快速地对不同的金属材料进行鉴别并完成批量分类，效果稳定。
本发明所采用的技术方案是：
一种基于emd广义相位排列熵算法的金属分类方法，其是由以下步骤组成：
(1)采集时域信号
将收发探头与脉冲接收/发射仪连接，加入耦合剂置于参考金属材料的表面，超声探头发射脉冲信号，通过与脉冲接收/发射仪连接的示波器对该收发探头接收的回波信号进行采样，经多次采样并取平均值，得到参考金属材料的时域波形；
(2)提取特征分量
利用经验模态分解法对步骤(1)所采集的参考金属材料的时域波形x(t)依次分解，再用广义相位排列熵算法计算得到参考金属材料的回波信号的特征分量熵值gq,δ；所述广义相位排列熵算法公式为：
其中，v代表参考金属材料提取的特征信号中数据序列的位置，pv代表参考金属材料提取的特征信号数据序列中出现相同位置序列的概率；q代表放大金属材料特征信号中出现相同位置概率的值，δ代表指数倍的放大金属材料特征信号中出现相同位置概率的值，r代表放大提取的特征信号数据序列的相同位置概率可选取的实数值,r∈(0，1]；
(3)提取待检测材料的特征分量
用步骤(1)和步骤(2)相同的方法提取出待检测材料的回波信号的特征分量熵值；
(4)参考金属材料聚点训练
重复步骤(1)和(2)，得到多种参考金属材料的多个回波信号的特征分量熵值gq,δ，取平均值分别作为多种参考金属材料的聚点
(5)待检金属材料分类
将步骤(3)待检测金属材料的特征分量熵值gk和步骤(4)所得的多种参考金属材料的聚点，利用knn算法确定出待测金属材料与多种参考金属材料的欧几里德距离，根据聚类算法准则对多种待测金属材料分类，如此重复，直至完成所有待测金属材料的分类。
进一步限定，所述步骤(2)具体为：
2.1)识别步骤(1)所采集参考金属材料的时域波形信号x(t)的局部极值，连接极大值得到上包络线，连接极小值得到下包络线，根据上下包络线得到均值序列m1；
2.2)利用下述公式对原始信号进行经验模态分解，确定出imf分量；x(t)-mi(t)＝hi(t)，i∈n
mi(t)代表第i个待分解信号上下包络线计算的均值序列；hi(t)代表分解的第i个特征分量；
当hi(t)满足以下两个条件：关于零均值线是局部对称的且零点和极值点数目相等；信号局部极大值和极小值定义的上下包络线均值为0时，则hi(t)为imf分量；
2.3)利用广义相位排列熵算法确定步骤(2.2)分解的imf分量的特征分量熵值，其中广义相位排列熵算法公式为：
进一步限定，所述步骤(2.3)具体为：
(2.3.1)利用希尔伯特变换法求取参考金属材料的各个imf信号的瞬时相位序列θ(i)，序列长度为n；
(2.3.2)对步骤(2.3.1)求得的瞬时相位序列θ(i)进行相空间重构，得到重构序列zj，重构序列个数为n-(m-1)*t；
zj＝[θ(j),θ(j+t),…,θ(j+(m-1)t)],1≤j≤n-(m-1)t
其中m为相空间重构维数，t为重构的时间延迟；
(2.3.3)将重构序列zj按数值升序排列为k1,k2,…km，得到位置序列sj，并确定位置序列相同的序列个数，记为numv
sj＝(k1,k2,…km)，1≤j≤n-(m-1)τ
(2.3.4)将步骤(2.3.3)所的各种排列出现的频率作为其概率，则得到各种排列的概率为
(2.3.5)利用两参数熵sq,δ的定义确当出参考金属材料的回波信号的特征分量熵值gq,δ，
进一步限定，步骤(5)具体为：
(5.1)将步骤(3)待检测金属材料的特征分量熵值和步骤(4)所得的多种参考金属材料的聚点分别导入knn模型算法中，确定出待测金属材料gk分别与多种参考金属材料聚点
(5.2)将步骤(5.1)的欧几里得距离分别与多种参考金属材料的聚点的阈值△进行比较，当|gk-g|≤△，则该待测金属材料与该参考金属材料同类别，将其分配给参考金属材料所对应的类别，完成多种待测金属材料的分类。
进一步限定，所述脉冲接收/发射仪的脉冲电压为100～300v、脉冲重复频率为100～300hz；示波器采样速率为100mhz～5ghz，采样次数为1000～5000次；收发探头的中心频率为1～10mhz。
进一步限定，所述耦合剂为水或甘油，与金属表面耦合效果好，保证检测结果准确、可靠。
进一步限定，所述参考金属材料为纯金属或合金、金属间化合物和特种金属材料。
进一步限定，所述纯金属材料为铍、镁、铝、铟、锗、锡、铅、锑、钛、钒、铬、锰、铁、钴、镍、锌、钇、鋯、铌、钼、钌、铑、钯、银、镉、铪、钽、钨、铱、铂或金。
与现有技术相比，本发明的基于emd广义相位排列熵算法的金属分类方法具有以下优点：
(1)本发明利用金属材料预处理、采集超声原始信号、经验模态分解提取高频信号、计算高频信号广义相位排列熵提取金属材料特征量，使用knn分类器训练参考材料聚点，导入待检材料进行聚类分析，能够实现批量金属材料的分类且效果稳定。
(2)本发明提供了一种超声无损技术辨识金属材料的方法，鉴别方法相比传统物理及化学鉴别方法来说，不会对材料本身产生损坏或污染，而且通过训练参考材料特征聚点，达到快速分类效果，成本低廉，操作简便，灵敏度高等特点。
(3)本发明首次引入了两参数熵sq,δ，调节参数q和δ，能够放大时间序列中的细微差异，还引入了时间序列的相位信息，然而相位同步和幅度关联是功能独立现象，且相位信息包含更多关键信息，使提取金属材料特征量辨识效果显著，确保分类结果可靠，快捷省时。
附图说明
图1为时域信号采集系统的结构示意图。
图2为参考金属材料的时域波形。
图3为参考金属材料的时域波形的分解图。
具体实施方式
现结合实施例对本发明的技术方案进行进一步说明。
本发明的基于emd广义相位排列熵算法的金属分类方法，由以下步骤组成：
(1)采集时域信号
参见图1，可利用图1的时域信号采集系统进行信号采集，将中心频率为1～10mhz的收发探头与脉冲电压为100～300v、重复频率为100～300hz的脉冲接收/发射仪连接，将耦合剂水或甘油涂抹于参考金属材料的表面，超声探头发射脉冲信号，通过与脉冲接收/发射仪连接的示波器对该收发探头接收的回波信号进行采样，采样速率为100mhz～5ghz，采样1000～5000次取平均值，得到参考金属材料的时域波形，如图2所示；
(2)提取特征分量
利用经验模态分解法对步骤(1)所采集的参考金属材料的时域波形x(t)依次分解，参见图3，再用广义相位排列熵算法计算得到参考金属材料的回波信号的特征分量熵值gq,δ；具体为：
2.1)识别步骤(1)所采集的时域波形信号x(t)的局部极值，连接极大值得到上包络线，连接极小值得到下包络线，根据上下包络线得到均值序列m1；
2.2)利用下述公式对时域波形信号进行经验模态分解，确定出imf分量；
x(t)-mi(t)＝hi(t)，i∈n
mi(t)代表待分解信号上下包络线计算的均值序列；hi(t)代表分解的特征分量；
转换为：
h1(t)＝x(t)-m1(t)
h2(t)＝h1(t)-m2(t)
hi(t)＝hi-1(t)-mi(t)
重复i次操作，将imf1从时域波形信号分离出来，剩余量r1(t)作为一个新的原始信号，循环执行分解步骤；第n次迭代计算后，得到如下式所示rn(t)，当rn(t)趋于单调函数时，分解终止。
r2(t)＝r1(t)-imf2(t)
r3(t)＝r2(t)-imf3(t)
…………
rn(t)＝rn-1(t)-imfn(t)
其中rn(t)表示分解余项和信号的平均趋势；
即时域波形信号的分解如下式所示，得到n个imf分量和一个剩余量rn，
当hi(t)满足以下两个条件：关于零均值线是局部对称的且零点和极值点数目相等；信号局部极大值和极小值定义的上下包络线均值为0，则hi(t)即为imf分量；
2.3)利用广义相位排列熵算法计算步骤(2.2)分解的imf分量的特征分量熵值，即
(2.3.1)利用希尔伯特变换法求取参考金属材料imf信号的瞬时相位序列θ(i)，序列长度为n；
(2.3.2)对步骤(2.3.1)求得的瞬时相位序列θ(i)进行相空间重构，得到重构序列zj，重构序列个数为n-(m-1)*t；
zj＝[θ(j),θ(j+t),…,θ(j+(m-1)t)],1≤j≤n-(m-1)t
其中m为相空间重构维数，t为重构的时间延迟；
(2.3.3)将重构序列zj按数值升序排列为k1,k2,…km，得到位置序列sj，并确定位置序列相同的序列个数，记为numv；
sj＝(k1,k2,…km)，1≤j≤n-(m-1)τ
(2.3.4)将步骤(2.3.3)所的各种排列出现的频率作为其概率，则得到各种排列的概率为
(2.3.5)利用两参数熵sq,δ的定义计算出参考金属材料的回波信号的特征分量熵值gq,δ；
其中，v代表参考金属材料提取的特征信号中数据序列的位置，pv代表参考金属材料提取的特征信号数据序列中出现相同位置序列的概率；q代表放大金属材料特征信号中出现相同位置概率的值，δ代表指数倍的放大金属材料特征信号中出现相同位置概率的值，r代表放大提取的特征信号数据序列的相同位置概率可选取的实数值，r∈(0，1]；
(3)提取待检测材料的特征分量
用步骤(1)和步骤(2)相同的方法提取出待检测材料的回波信号的特征分量熵值；
(4)参考金属材料聚点训练
重复步骤(1)和(2)，得到多种参考金属材料的多个回波信号的特征分量熵值gq,δ，取平均值分别作为多种参考金属材料的聚点
(5)待检金属材料分类
将步骤(3)待检测金属材料的特征分量熵值gk和步骤(4)所得的多种参考金属材料的聚点，利用knn算法确定出待测金属材料与多种参考金属材料的欧几里得距离，根据聚类算法准则对多种待测金属材料分类，如此重复，直至完成所有待测金属材料的分类；具体为：
(5.1)将步骤(3)待检测金属材料的特征分量熵值和步骤(4)所得的多种参考金属材料的聚点分别导入knn模型算法中，确定出待测金属材料gk分别与多种参考金属材料聚点
(5.2)将步骤(5.1)的欧几里得距离分别与多种参考金属材料的聚点的阈值△进行比较，当|gk-g|≤△，则该待测金属材料与该参考金属材料同类别，将其分配给参考金属材料所对应的类别，完成多种待测金属材料的分类。
本发明的待检测金属材料可以是铍、镁、铝、铟、锗、锡、铅、锑、钛、钒、铬、锰、铁、钴、镍、锌、钇、鋯、铌、钼、钌、铑、钯、银、镉、铪、钽、钨、铱、铂或金等纯金属或其合金或者金属间化合物和特种金属材料。
实施例1
(1)三种材料各采集10次时域波形信号
表1三种待测材料
(2)提取特征分量
2.1)识别步骤(1)不锈钢材料1#所采集的10次时域波形信号x(t)的局部极值，连接极大值得到上包络线，连接极小值得到下包络线，根据上下包络线得到均值序列m1；
2.2)利用下述公式对时域波形信号进行经验模态分解，确定出imf分量；
x(t)-mi(t)＝hi(t)，i∈n
mi(t)代表第i个待分解信号上下包络线计算的均值序列；hi(t)代表分解的第i个特征分量；
当hi(t)满足以下两个条件：关于零均值线是局部对称的且零点和极值点数目相等；信号局部极大值和极小值定义的上下包络线均值为0时，则hi(t)为imf分量；
2.3)利用广义相位排列熵算法确定步骤(2.2)分解的imf分量的特征分量熵值，其中广义相位排列熵算法公式为：
表2已知材料1#的各分量广义相位排列熵值
(3)提取待检测材料的特征分量
依照步骤(1)三种材料各采集10次时域波形信号，通过步骤(2)经验模态分解得到三种材料时域波形信号的imf1分量作为待检测材料的特征分量。不锈钢1#作为参考金属材料，将参考金属材料imf1熵值中的最大值记为gmax＝17.39，最小值记为gmin＝16.63，并将均值
表3三种不锈钢材料imf1特征分量
(4)参考金属材料聚点训练
重复步骤(1)和(2)，表3得到多种参考金属材料的多个回波信号的特征分量熵值gq,δ，取平均值分别作为多种参考金属材料的聚点
(5)待检金属材料分类
将步骤(3)待检测金属材料的特征分量熵值gk和步骤(4)所得的多种参考金属材料的聚点
(5.1)将步骤(3)待检测金属材料的特征分量熵值和步骤(4)所得的多种参考金属材料的聚点分别导入knn模型算法中，确定出待测金属材料gk分别与多种参考金属材料聚点
(5.2)将步骤(5.1)的欧几里得距离分别与多种参考金属材料的聚点的阈值△进行比较，当|gk-g|≤△，则该待测金属材料与该参考金属材料同类别，将其分配给参考金属材料所对应的类别，完成多种待测金属材料的分类。
表4不锈钢材料1#的辨识结果
并计算待测材料特征分量gk与参考材料特征分量
实施例2
将已知标记的304不锈钢2#作为参考金属材料，三种材料外形均为圆柱体，其厚度15mm，直径为47.1mm，如表1所示待测材料分别标注编号1#、2#、3#，辨识过程具体由以下步骤实现：
(1)三种材料各采集10次时域波形信号
表1三种待测材料
(2)提取特征分量
2.1)识别步骤(1)所采集10次不锈钢材料2#的时域波形信号x(t)的局部极值，连接极大值得到上包络线，连接极小值得到下包络线，根据上下包络线得到均值序列m1；
2.2)利用下述公式对时域波形信号进行经验模态分解，确定出imf分量；
x(t)-mi(t)＝hi(t)，i∈n
mi(t)代表第i个待分解信号上下包络线计算的均值序列；hi(t)代表分解的第i个特征分量；
当hi(t)满足以下两个条件：关于零均值线是局部对称的且零点和极值点数目相等；信号局部极大值和极小值定义的上下包络线均值为0时，则hi(t)为imf分量；
2.3)利用广义相位排列熵算法确定步骤(2.2)分解的imf分量的特征分量熵值，其中广义相位排列熵算法公式为：
表2不锈钢材料2#的各分量排列熵值
(3)提取待检测材料的特征分量
依照步骤(1)三种材料各采集10次时域波形信号，通过步骤(2)经验模态分解得到三种材料时域波形信号的imf1分量作为待检测材料的特征分量。不锈钢材料2#作为参考金属材料，将参考金属材料imf1熵值中的最大值记为gmax＝12.37，最小值记为gmin＝11.18，并将均值
表3三种不锈钢材料imf1特征分量
(4)参考金属材料聚点训练
重复步骤(1)和(2)，表3得到多种参考金属材料的多个回波信号的特征分量熵值gq,δ，取平均值分别作为多种参考金属材料的聚点
(5)待检金属材料分类
将步骤(3)待检测金属材料的特征分量熵值gk和步骤(4)所得的多种参考金属材料的聚点
(5.1)将步骤(3)待检测金属材料的特征分量熵值和步骤(4)所得的多种参考金属材料的聚点分别导入knn模型算法中，确定出待测金属材料gk分别与多种参考金属材料聚点
(5.2)将步骤(5.1)的欧几里得距离分别与多种参考金属材料的聚点的阈值△进行比较，当|gk-g|≤△，则该待测金属材料与该参考金属材料同类别，将其分配给参考金属材料所对应的类别，完成多种待测金属材料的分类。
表4不锈钢材料2#的辨识结果
并计算待测材料特征分量gk与参考材料特征分量
实施例3
将已知标记的304不锈钢3#作为参考金属材料，三种材料外形均为圆柱体，其厚度15mm，直径为47.1mm，如表1所示待测材料分别标注编号1#、2#、3#，辨识过程具体由以下步骤实现：
(1)三种材料各采集10次时域波形信号
表1三种待测材料
(2)提取特征分量
2.1)识别步骤(1)所采集10次金属材料3#的时域波形信号x(t)的局部极值，连接极大值得到上包络线，连接极小值得到下包络线，根据上下包络线得到均值序列m1；
2.2)利用下述公式对时域波形信号进行经验模态分解，确定出imf分量；
x(t)-mi(t)＝hi(t)，i∈n
mi(t)代表第i个待分解信号上下包络线计算的均值序列；hi(t)代表分解的第i个特征分量；
当hi(t)满足以下两个条件：关于零均值线是局部对称的且零点和极值点数目相等；信号局部极大值和极小值定义的上下包络线均值为0时，则hi(t)为imf分量；
2.3)利用广义相位排列熵算法确定步骤(2.2)分解的imf分量的特征分量熵值，其中广义相位排列熵算法公式为：
表2参考材料3#的各分量广义相位排列熵值
(3)提取待检测材料的特征分量
依照步骤(1)三种材料各采集10次时域波形信号，通过步骤(2)经验模态分解得到三种材料时域波形信号的imf分量作为待检测材料分量。不锈钢3#作为参考金属材料，将参考金属材料imf1熵值中的最大值记为gmax＝14.43，最小值记为gmin＝14.11，并将均值
表3三种不锈钢材料imf1特征分量
(4)参考金属材料聚点训练
重复步骤(1)和(2)，表3得到多种参考金属材料的多个回波信号的特征分量熵值gq,δ，取平均值分别作为多种参考金属材料的聚点
(5)待检金属材料分类
将步骤(3)待检测金属材料的特征分量熵值gk和步骤(4)所得的多种参考金属材料的聚点，利用knn算法确定出待测金属材料与多种参考金属材料的欧几里得距离，根据聚类算法准则对多种待测金属材料分类，如此重复，直至完成所有待测金属材料的分类。
(5.1)将步骤(3)待检测金属材料的特征分量熵值和步骤(4)所得的多种参考金属材料的聚点分别导入knn模型算法中，确定出待测金属材料gk分别与多种参考金属材料聚点
(5.2)将步骤(5.1)的欧几里得距离分别与多种参考金属材料的聚点的阈值△进行比较，当|gk-g|≤△，则该待测金属材料与该参考金属材料同类别，将其分配给参考金属材料所对应的类别，完成多种待测金属材料的分类。
表4不锈钢材料3#的辨识结果
并计算待测材料特征分量gk与参考材料特征分量
测试结果：通过测试对比表明，基于emd广义相位排列熵对相近金属提取特征，采用knn算法分析相近金属材料具有辨识稳定的效果，保证分类结果准确。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！