一种基于python实现SHPB实验应力波提取的方法

本发明属于shpb实验应力波数据的提取与处理，具体涉及一种基于python实现shpb实验应力波提取的方法。

背景技术：

1、在分离式霍普金森杆(shpb)实验中，通过调整高压控制箱的氮气压力和子弹在发射腔中的位置，控制子弹冲击速度。子弹以一定速度与入射杆对心碰撞，经过贴在入射杆头部的波形整形片后，在入射杆中产生入射应力波，传播到入射杆与试件的交界面后，由于压杆与试件的波阻抗不同，将发生透反射，即一部分应力脉冲反射回入射杆形成反射应力波，另一部分应力脉冲进入试件内部传播，当到达试件与透射杆交界面时，同样会发生透反射，即一部分应力脉冲在透射杆中形成透射应力波，其余部分反射回试件内部。

2、在实验中，钎杆冲击产生的应力波形是非常重要的实验数据。应力波形数据的提取效果直接影响了后续分析的质量，因此提取出准确的应力波形至关重要。然而，现有的应力波形提取方法大多采用人工的形式，对于波形的位置确定也大多采用经验自行定义，该方法受分析者主观影响较大，准确度不高，导致提取出的应力波形数据标准不一且很难提取到真正的应力波形部分。因此基于python实现shpb实验应力波自动提取与处理具有重要意义。

技术实现思路

1、针对现有提取应力波形准确度不足的问题，本发明提出一种基于python实现shpb实验应力波提取的方法。

2、本发明解决其技术问题所采用的技术方案是：一种基于python实现shpb实验应力波提取的方法，包括以下步骤：

3、s1、通过python库方法以及框架方法对原始数据进行平滑化处理；

4、原始数据为shpb装置中各应变片的应变值；

5、s2、确定波形的边界条件；

6、s2-1、通过统计学方法对噪音点进行特征提取确定，确定整个原始波形的噪音点加权平均值；

7、s2-2、根据原始波形的噪音点加权平均值与噪音点的统计特征值，确定波形的边界条件；

8、s3、利用整个波形的点分布特征值，确定应力波形扩展的初始点位；

9、s4、根据扩散算法，由已经确定的应力波形初始点位开始扩散，确定应力波形的基础形状；

10、s5、根据步骤s4中确定的基础形状，在基础波形的边界处根据原始数据的波形梯度数据对基础波形进行扩张或者裁减；

11、其中，步骤s1、s2、s3为同步进行。

12、作为本发明的进一步优选，步骤s1的具体步骤如下：

13、s1-1、初步平滑化处理：

14、利用python中的scipy库的signal类方法，使用低通滤波器对原始数据中的高频噪音进行消除；

15、s1-2、图像形态学算法处理：

16、对已经初步平滑化处理的数据中仍存在的突刺部分，通过使用opencv库中的腐蚀操作对突刺部分进行处理。

17、作为本发明的进一步优选，步骤s2-1中所使用统计学方法对噪音点进行特征提取，其过程为：

18、统计原始数据中出现频次最高的前6～8位数据，筛选出出现频次最高的前6～8位数据中的噪音点，记噪音点具有m个，m≤8，噪音点分别为n1、n2、……、nm，对应出现的频次为n1、n2、……、nm，则原始数据的加权平均值为

19、作为本发明的进一步优选，步骤s2-1中筛选的噪音点需满足两个条件，其一为噪音点的绝对值小于整体原始数据最大值的10％；其二为噪音点在原始数据中出现的频次大于100。

20、作为本发明的进一步优选，步骤s2-2中波形的边界条件的确定方法如下：

21、s2-2-1、先确定波类型，波类型包括透射波、入射波、反射波；

22、s2-2-2、根据确定的波类型结合步骤s2-1中确定的原始数据的加权平均值来确定具体的边界条件；

23、确定透射波时，边界值为加权平均值与0之间的较小值，边界条件为当平滑化曲线中的点大于等于边界值时，确定波形扩展停止；

24、确定入射波时，边界值为原始数据的加权平均值，边界条件为平滑化曲线中的点大于等于边界值时，确定波形扩展停止；

25、确定反射波时，边界值为原始数据的加权平均值，边界条件为平滑化曲线中的点小于等于边界值时，确定波形扩展停止。

26、作为本发明的进一步优选，步骤s3中应力波形扩展的初始点位的确定方式为，入射波、透射波扩展的初始点位为平滑化曲线的最小值，反射波扩展的初始点位为平滑化曲线的最大值。

27、作为本发明的进一步优选，步骤s4中扩散算法的思路为，根据步骤s3中所得出的确定波形初始点位向平滑化曲线的两端扩展，直至达到确定波形的边界条件。

28、作为本发明的进一步优选，步骤s5中对步骤s4确定的基础波形的优化算法是基于贪心算法实现，具体方式为，通过计算出平滑化曲线的一维差分，根据一维差分计算出基础波形的终止点周围的累加差分，以累加差分的值决定是否添加或删除周围的波段。

29、通过以上技术方案，相对于现有技术，本发明具有以下有益效果：

30、1、本发明采用python代码命令流，利用数据算法与统计学方法，对具有高频噪音的高频原始数据进行预处理，可以得到准、可靠的、客观的应力波形；使进行应力波形相关定量分析的效率有所提高，提高分析数据的准确性，减少因人工参与带来的误差。

31、2、本发明较传统的冲击荷载作用应力波形提取方法，更加智能化，节约人力物力的同时。也节省了时间和分析成本。

技术特征：

1.一种基于python实现shpb实验应力波提取的方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于python实现shpb实验应力波提取的方法，其特征在于，步骤s1的具体步骤如下：

3.根据权利要求1所述的一种基于python实现shpb实验应力波提取的方法，其特征在于，步骤s2-1中所使用统计学方法对噪音点进行特征提取，其过程为：

4.根据权利要求3所述的一种基于python实现shpb实验应力波提取的方法，其特征在于：步骤s2-1中筛选的噪音点需满足两个条件，其一为噪音点的绝对值小于整体原始数据最大值的10％；其二为噪音点在原始数据中出现的频次大于100。

5.根据权利要求1所述的一种基于python实现shpb实验应力波提取的方法，其特征在于，步骤s2-2中波形的边界条件的确定方法如下：

6.根据权利要求1所述的一种基于python实现shpb实验应力波提取的方法，其特征在于：步骤s3中应力波形扩展的初始点位的确定方式为，入射波、透射波扩展的初始点位为平滑化曲线的最小值，反射波扩展的初始点位为平滑化曲线的最大值。

7.根据权利要求1所述的一种基于python实现shpb实验应力波提取的方法，其特征在于：步骤s4中扩散算法的思路为，根据步骤s3中所得出的确定波形初始点位向平滑化曲线的两端扩展，直至达到确定波形的边界条件。

8.根据权利要求1所述的一种基于python实现shpb实验应力波提取的方法，其特征在于：步骤s5中对步骤s4确定的基础波形的优化算法是基于贪心算法实现，具体方式为，通过计算出平滑化曲线的一维差分，根据一维差分计算出基础波形的终止点周围的累加差分，以累加差分的值决定是否添加或删除周围的波段。

技术总结
本发明属于SHPB实验应力波数据的提取与处理技术领域，具体涉及一种基于python实现SHPB实验应力波提取的方法，本发明使用试验应变仪采集的高频原始数据，运用python中的scipy库和opencv框架对带有高频噪音的高频离散原始数据进行平滑化处理，同时通过对原始数据中的高频噪音点进行统计学处理，计算出高频噪音点的统计学特征，根据目标提取波类型确定相应的边界条件。根据统计学方法找到平滑化曲线的初始特征点，基于扩散算法以相应的边界条件为约束条件扩展出基础波形。最后基于贪心算法，以基础波形扩展的终止点为起点，利用终止点周围的梯度增加值为目标，对基础波形进行扩展或裁剪处理，最后得到准确的应力波形。

技术研发人员：郑彦龙,马彪,李建春
受保护的技术使用者：东南大学
技术研发日：
技术公布日：2024/3/17