一种纤维增强复合材料损伤声发射信号的处理方法与流程

本发明涉及一种纤维增强复合材料损伤声发射信号的处理方法，具体涉及一种基于模式识别的纤维增强复合材料声发射损伤信号处理方法，属于复合材料技术领域。

背景技术：

声发射技术作为一种实时动态的无损检测方法，已经成为了研究复合材料损伤断裂机理的重要方法。纤维增强复合材料由于其结构特点，在损伤过程中会出现多种损伤模式：诸如基体开裂、纤维断裂、纤维基体界面脱粘等。采用声发射技术可以采集到材料损伤时产生的各类声发射信号。

目前，针对声发射信号处理的方法主要是对声发射信号直接进行波形特征参数的分析和处理，这其中包括了声发射信号单参数分析法、声发射信号参数经历分析法、声发射信号参数分布分析法、声发射信号参数关联分析法等。学者们大多是通过声发射采集得到的信号特征参数，如：幅值、能量、计数、持续时间、事件数等，来进行单个参数分析或者两个参数的关联分析。这往往只能反应出单个声发射源整体的活动情况、强度、发展趋势等。

由于纤维增强复合材料结构的复杂性，其损伤模式也变得多样化，普通的声发射信号处理方法不能满足对其损伤模式的区分。因此需要一种新型的针对纤维增强复合材料损伤声发射信号的处理方法。

技术实现要素：

解决上述技术问题，本发明提供了一种纤维增强复合材料损伤声发射信号的处理方法，基于模式识别技术来对材料损伤过程所产生的声发射信号进行分类。

本发明提供的技术方案是：

一种纤维增强复合材料损伤声发射信号的处理方法，包括以下步骤：

步骤1：通过搭建声发射采集系统，获取材料损伤过程的声发射原始数据；

步骤2：对获取的声发射原始数据进行预处理；

步骤3：利用k-means聚类算法对预处理后的数据进行聚类分析，分成k类；

步骤4：进行聚类有效性分析，检验步骤3聚类后聚类结果的好坏，确定合理的聚类数k；

步骤5：分析最终确定的k值下的聚类结果，研究每一类的声发射数据特征。

其中，所述的步骤2具体包括：

步骤2a：对获得的声发射原始数据进行除噪处理，根据离群值的判断，去除部分离群的数据点，减少噪音点对后续声发射数据分类的影响；

步骤2b：先对信号数据进行分层聚类，画出声发射各参数的谱系图，并从中选择合适的声发射参数，并对选取的声发射参数进行z标准化处理。

进一步的，所述的步骤2a包括：

步骤2a(1)：提取出声发射信号数据中幅值、振铃计数、持续时间这三个参数的值；

步骤2a(2)：根据欧式距离，计算所有数据点距离原点的距离，选取距离原点最大与最小距离的两个数据点作为中心点；

步骤2a(3)：分别计算各个数据点距离这两个中心点的距离，并将每个数据点分配到距离最近的中心点中；

步骤2a(4)：分配到最大距离中心点的数据点则是离群点即为噪声点。

其中，所述的步骤3具体包括：

步骤3a：给定一个聚类数目k，并从预处理后的数据中，引入maxmindisfun算法，选取k个数据点作为初始聚类中心；

步骤3b：计算每个数据点与k个初始聚类中心的距离，并将每个数据点分配到距离最近的聚类中，形成k个聚类；

步骤3c：计算每个聚类中所有数据点的平均值，并将此作为新的聚类中心，然后重新计算距离并重新分配各个数据点；

步骤3d：重复步骤3b和3c，直到每个聚类中的数据点不再发现变动，即为完成了此次聚类数为k的聚类。

进一步的，所述的步骤3a包括：

步骤3a(1)：选择第一个数据点作为第一个聚类中心z1，计算各个数据点距离z1的距离，将距离最远的那个数据点作为第二个聚类中心z2，并将z1、z2间的距离记为d；

步骤3a(2)：计算所有数据点距离z1、z2的距离，取最大距离d与m*d比较(m为用户自定的值,0<m<1)；

步骤3a(3)：若d>m*d，则记下这个点作为新的聚类中心z3；重复步骤3a(2)的操作，直到d≤m*d,则停止计算；

步骤3a(4)：通过改变m的值，获取k个初始聚类中心，z1、z2……zk。

其中，所述的步骤4具体包括：

步骤4a：重复步骤3，取不同的聚类数k(1、2、3、4…)值，计算得到不同聚类数k下的聚类；

步骤4b：根据误差平方准则，计算每个类中各个数据与此类的聚类中心的偏差的平方和，并累加。n个数据点，分为k类{c1，c2,…,ck}，第p类中有np个样本，因此误差平方和函数为式中为第p类中的第i个数据点，为第p类的聚类中心点可由计算得到；

步骤4c：计算得到每个k值对应下的误差平方和数j，绘制出j-k的折线图，找出图中拐点处的k值，确定此组材料损伤过程中声发射数据的合理的聚类数k。

本发明的基于模式识别下的纤维增强复合材料损伤声发射信号处理方法，可以将损伤信号根据各自的信号特征分类成合理的几类，以此对应材料不同的损伤模式。

与现有的技术相比，本发明在信号处理的过程中还具有如下有益效果：

(1)本发明在进行k-means算法过程前的数据预处理中，采用了特征参数滤波的方法，将模式识别的思想运用其中，由于纤维增强复合材料损伤过程中声发射信号参数的幅值、振铃计数、持续时间高度相关，因此采用无监督分类方法，分类去除了噪声数据点，实现了信噪分离，解决了声发射采集过程中噪声鉴别和排除的一大问题，并且也为之后数据的聚类分析准确性提供了可靠保证。

(2)本发明在进行k-means算法过程中，引入了maxmindisfun算法来进行初始聚类中心的选择代替了传统的随机选取初始聚类中心的模式，克服了k-means算法中由于初始聚类中心的不同而导致的计算结果较差的缺点，使得计算结果更加可靠。

(3)本发明在进行k-means算法计算之后，引入了误差平方和函数作为聚类准则函数，计算不同k值下聚类的误差平方和数j，并绘制出j-k折线图，获得最符合此组声发射信号的聚类数k值。

附图说明

图1为本发明的一种纤维增强复合材料损伤声发射信号的处理方法的流程图。

图2为纤维增强复合材料拉伸试验声发射采集系统的示意图。

图3为声发射数据预处理除噪的示意图。

图4为声发射各个特征参数之间的谱系图。

图5为聚类有效性分析误差平方和j对应聚类数k的折线图。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

如图1所示，是本发明的一种纤维增强复合材料损伤声发射信号的处理方法的流程图，该方法包括以下步骤：

步骤1：搭建纤维增强复合材料拉伸试验声发射采集系统(示意图如图2所示)并进行实验，获取材料损伤过程的声发射原始数据；

步骤2：对获取的声发射原始数据进行预处理；

该步骤具体包括：

步骤2a(1)：提取出声发射信号数据中幅值、振铃计数、持续时间这三个参数的值；

步骤2a(2)：根据欧式距离，选取两个距离原点最大与最小距离的数据点作为中心点；

步骤2a(3)：分别计算各个数据点距离这两个中心点的距离，并将每个数据点分配到距离最近的中心点中；

步骤2a(4)：分配到最大距离中心点的数据点则是离群点即为噪声点。如图3为所分类出的噪声点。

步骤2b：对信号数据进行分层聚类，计算声发射各个参数之间的相关性，画出声发射各参数之间的谱系图(如图4所示)，对于相关度较高的参数选择其一即可，保证最后选取的声发射参数之间相关性不大，并对选取的声发射参数进行z标准化处理。

步骤3：利用k-means聚类算法对预处理后的数据进行聚类分析，分成k类；

该步骤具体如下：

步骤3a：给定一个聚类数目k，并从预处理后的数据中，引入maxmindisfun算法，选取k个数据点作为初始聚类中心；

所述的步骤3a包括：

步骤3a(1)：选择第一个数据点作为第一个聚类中心z1，计算各个数据点距离z1的距离，将距离最远的那个数据点作为第二个聚类中心z2，并将z1、z2间的距离记为d；

步骤3a(2)：计算所有数据点距离z1、z2的距离，取最大距离d与m*d比较(m为用户自定的值,0<m<1)；

步骤3a(3)：若d>m*d，则记下这个点作为新的聚类中心z3；重复步骤3a(2)的操作，直到d≤m*d,则停止计算。

步骤3a(4)：通过改变m的值，获取k个聚类中心，z1、z2……zk。

步骤3b：计算每个数据点与k个初始聚类中心的距离，并将每个数据点分配到距离最近的聚类中，形成k个聚类；

步骤3c：计算每个聚类中所有数据点的平均值，并将此作为新的聚类中心，然后重新计算距离并重新分配各个数据点；

步骤3d：重复步骤3b和3c，直到每个聚类中的数据点不再发生变动，即为完成了此次聚类数为k的聚类。

步骤4：进行聚类有效性分析，检验步骤3聚类后聚类结果的好坏，确定合理的聚类数k；

该步骤具体如下

步骤4a：重复步骤3，取不同的聚类数k(1、2、3、4…)值，计算得到不同聚类数k下的聚类；

步骤4b：根据误差平方准则，计算每个类中各个数据与此类的聚类中心的偏差的平方和，并累加。n个数据点，分为k类{c1，c2,…,ck}，第p类中有np个样本，因此误差平方和函数为

式中为第p类中的第i个数据点，为第p类的聚类中心点可由计算得到。

步骤4c：计算得到每个k值对应下的误差平方和数j，绘制出j-k的折线图，找出图中拐点处的k值，确定此组材料损伤过程中声发射数据的合理的聚类数k。

步骤5：分析最终确定的k值下的聚类结果，分析每一类的声发射数据特征。

以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，依据本发明的技术实质，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。