李 睿,張 純,萬(wàn) 樂,閆小青

(南昌大學(xué) 建筑工程學(xué)院, 南昌 330031)

聲發(fā)射是指材料局部因能量的快速釋放而發(fā) 出瞬態(tài)彈性波的現(xiàn)象。聲發(fā)射信號(hào)的檢測(cè)、分類與分析有助于揭示結(jié)構(gòu)內(nèi)部損傷演化規(guī)律及破壞類型，在復(fù)合材料損傷檢測(cè)、機(jī)械故障診斷等領(lǐng)域得到了廣泛應(yīng)用[1-2]。

特征參數(shù)分析和全波形分析是聲發(fā)射信號(hào)處理的兩種主要手段[3]。特征參數(shù)法是從各聲發(fā)射信號(hào)的波形出發(fā)，人為設(shè)定并提取反映波形主要特征的參數(shù)用于信號(hào)診斷分析[4-5]。常見的特征參數(shù)有持續(xù)時(shí)間、上升時(shí)間、能量、幅值等。波形分析方法則是對(duì)聲發(fā)射信號(hào)原始波形進(jìn)行時(shí)頻分析[6]，直接利用時(shí)頻特征或結(jié)合主成分分析、支持向量機(jī)[7]等技術(shù)，研究聲發(fā)射信號(hào)與損傷類型之間的關(guān)系。信號(hào)處理時(shí)，兩種方法提取的信號(hào)特征都是人為預(yù)先設(shè)定的,但對(duì)于實(shí)際的結(jié)構(gòu)或材料，其聲發(fā)射信號(hào)復(fù)雜多樣，受材料性能、結(jié)構(gòu)形式、加載方式等多種因素影響；因此，人為預(yù)先設(shè)定的信號(hào)特征參數(shù)并不一定對(duì)材料損傷類型或模式敏感，不適當(dāng)?shù)剡x用特征反而會(huì)導(dǎo)致聲發(fā)射信號(hào)的聚類分析效果不佳。

對(duì)于不同的聲發(fā)射信號(hào)，信號(hào)特征的自適應(yīng)提取以及聚類分析對(duì)解釋AE(聲發(fā)射)信號(hào)，進(jìn)行模式識(shí)別意義重大。目前，以卷積神經(jīng)網(wǎng)絡(luò)(CNN)等為代表的深度學(xué)習(xí)技術(shù)是發(fā)展最為迅速的信號(hào)特征自動(dòng)提取方法，其通過對(duì)圖像、信號(hào)等數(shù)據(jù)的直接學(xué)習(xí)，能實(shí)現(xiàn)從具體到抽象等多個(gè)層次數(shù)據(jù)特征的自動(dòng)提取[8]。在聲發(fā)射信號(hào)的相關(guān)研究中，BARAT等[9]、ISLAM等[10]都利用CNN自動(dòng)提取了聲發(fā)射信號(hào)時(shí)頻圖的特征，來識(shí)別不同缺陷對(duì)應(yīng)的聲發(fā)射信號(hào)。NASIRI等[11]同樣采用CNN提取原始聲發(fā)射信號(hào)的特征，用于監(jiān)測(cè)SiCf-SiCm復(fù)合材料管損傷過程的3個(gè)階段。這些基于深度神經(jīng)網(wǎng)絡(luò)的聲發(fā)射模式識(shí)別工作均屬于有監(jiān)督學(xué)習(xí)，即需要人為去設(shè)定用于訓(xùn)練的聲發(fā)射信號(hào)標(biāo)簽(信號(hào)對(duì)應(yīng)何種損傷類別或階段)。人工逐一分析聲發(fā)射數(shù)據(jù)并設(shè)定信號(hào)標(biāo)簽的工作量極大，在實(shí)際工程中是難以做到的。引入無監(jiān)督學(xué)習(xí)方法，提出了使用深度自動(dòng)編碼器提取聲發(fā)射信號(hào)特征，并結(jié)合K均值聚類進(jìn)行聲發(fā)射信號(hào)準(zhǔn)確分類的方法。在無先驗(yàn)知識(shí)的情況下，2種不同類型聲發(fā)射信號(hào)的分類識(shí)別試驗(yàn)驗(yàn)證了所提方法的有效性與可靠性。

1 基本原理與方法

1.1 基于一維卷積的深度自動(dòng)編碼器

深度自動(dòng)編碼器是一種無監(jiān)督學(xué)習(xí)的非線性特征提取模型，可實(shí)現(xiàn)對(duì)無標(biāo)簽復(fù)雜高維輸入數(shù)據(jù)不同層次分布特征的自動(dòng)提取。其神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)具有對(duì)稱性，包括編碼器和解碼器2個(gè)部分(見圖1)。編碼器利用卷積、池化和激活等操作，對(duì)原始輸入數(shù)據(jù)進(jìn)行壓縮降維；解碼器則利用反卷積、反池化等操作，對(duì)降維后的特征進(jìn)行原始數(shù)據(jù)重建，并利用反向傳播算法來訓(xùn)練網(wǎng)絡(luò),使得網(wǎng)絡(luò)輸出盡量逼近網(wǎng)絡(luò)輸入。因此，深度自動(dòng)編碼器在學(xué)習(xí)過程中無需人為設(shè)定樣本標(biāo)簽。學(xué)習(xí)完成后，最少神經(jīng)元層的編碼結(jié)果即可代表原數(shù)據(jù)最佳的低維特征值，可進(jìn)一步用于信號(hào)聚類分析。

圖1 卷積自編碼器結(jié)構(gòu)示意

對(duì)于聲發(fā)射波形信號(hào)，文章采用了一維卷積層[12]對(duì)原始信號(hào)進(jìn)行直接處理，而未利用時(shí)頻變換將原始信號(hào)轉(zhuǎn)變?yōu)槎S圖像處理，減少了信號(hào)處理的工作量。輸入的聲發(fā)射信號(hào)在經(jīng)過多個(gè)一維卷積和池化處理后,會(huì)得到多個(gè)通道的中間層(最少神經(jīng)元層)數(shù)據(jù)；將中間層每一個(gè)通道的數(shù)據(jù)通過平均池化(取均值)壓縮為一個(gè)實(shí)數(shù)，這個(gè)實(shí)數(shù)在某種程度上具有全局的感受野；再按照通道順序?qū)⑦@些實(shí)數(shù)進(jìn)行組合即可得到信號(hào)的通道維度特征。

1.2 深度卷積自編碼器結(jié)合K均值聚類的聲發(fā)射信號(hào)分類識(shí)別算法

在解決聲發(fā)射信號(hào)模式識(shí)別的問題時(shí)，選取信號(hào)特征參數(shù)進(jìn)行聚類分析是一種常見的做法[13-14]。由于聲發(fā)射信號(hào)特征參數(shù)類型和個(gè)數(shù)的選擇將直接影響聚類結(jié)果的好壞，所以為避免人為特征選擇的困難，文章基于深度卷積自編碼器自動(dòng)提取的信號(hào)通道維度特征，結(jié)合K均值聚類算法對(duì)聲發(fā)射信號(hào)進(jìn)行聚類分析。

K均值聚類算法使用歐式距離衡量數(shù)據(jù)點(diǎn)的相似度，通過反復(fù)迭代，每個(gè)數(shù)據(jù)點(diǎn)和距離其最近的類簇之間的距離平方最小[15]。利用K均值聚類算法處理自編碼器自動(dòng)提取的特征，并完成聲發(fā)射信號(hào)聚類分析的流程如圖2所示。

圖2 聲發(fā)射信號(hào)識(shí)別流程圖

2 聲發(fā)射試驗(yàn)驗(yàn)證

2.1 試驗(yàn)裝置和過程

試驗(yàn)采用的聲發(fā)射檢測(cè)儀器為PCI-2型聲發(fā)射儀，選用了2個(gè)中心頻率為150 kHz的R15型諧振式傳感器。將2個(gè)傳感器分別用黑色膠帶固定在玻璃纖維復(fù)合材料板試件兩端，并在探頭與試件的接觸部位涂凡士林耦合劑，以防止聲發(fā)射信號(hào)在傳感器和試件界面處過度散射和衰減。處理系統(tǒng)選用AEwin軟件，前置放大增益為40 dB、信號(hào)門檻值為30 dB、系統(tǒng)采樣頻率為1 MHz。用直徑為0.5 mm的鉛芯在玻璃纖維復(fù)合材料板上摩擦和突然斷裂生成2類聲發(fā)射信號(hào)，用于模擬不同損傷模式下的聲發(fā)射現(xiàn)象。為方便結(jié)果驗(yàn)證，在整個(gè)試驗(yàn)過程中，始終保持鉛芯與試件的摩擦，并隨機(jī)、間斷地進(jìn)行100次斷鉛試驗(yàn)。

2.2 試驗(yàn)數(shù)據(jù)

整個(gè)試驗(yàn)過程中共記錄了3 860個(gè)聲發(fā)射信號(hào)，其中包含斷鉛信號(hào)200個(gè)(2個(gè)傳感器均會(huì)接收到斷鉛信號(hào))、摩擦信號(hào)3 660個(gè)；但具體聲發(fā)射信號(hào)類別未知。部分聲發(fā)射信號(hào)波形如圖3所示(信號(hào)類別均由后期的人工分析得到)，每個(gè)聲發(fā)射信號(hào)波形均包括1 024個(gè)采樣點(diǎn)。

2.3 網(wǎng)絡(luò)訓(xùn)練

深度卷積自編碼器模型的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如表1所示(表中各參數(shù)均無量綱)。該模型編碼器部分共有6層卷積層與池化層，解碼器部分與其對(duì)等。在編碼器部分，各層卷積核大小均設(shè)為3。模型的輸入和輸出均直接采用原始聲發(fā)射信號(hào)(3 860個(gè)波形數(shù)據(jù))，損失函數(shù)采用均方誤差，激活函數(shù)為ReLU(修正線性單元)，初始學(xué)習(xí)率設(shè)置為0.001，共進(jìn)行5 000批次的迭代訓(xùn)練，訓(xùn)練時(shí)保存最優(yōu)模型作為最終的深度自編碼器。

3 計(jì)算結(jié)果與分析

3.1 無監(jiān)督學(xué)習(xí)聚類結(jié)果分析

圖4 卷積自編碼器可視化聚類結(jié)果在時(shí)間上的分布

將所有聲發(fā)射信號(hào)輸入一維卷積深度自編碼器訓(xùn)練后，再利用自編碼器自動(dòng)提取的信號(hào)特征進(jìn)行聚類的結(jié)果如圖4所示(圖中特征1，特征2數(shù)值均為自編碼器輸出值，無量綱)。文章提出的聲發(fā)射信號(hào)聚類分析算法將所有聲發(fā)射信號(hào)劃分為2類，其中類別1包含3 660個(gè)聲發(fā)射信號(hào)，類別2包含200個(gè)聲發(fā)射信號(hào)。進(jìn)一步觀察類別2中信號(hào)的波形特征以及2個(gè)傳感器中信號(hào)出現(xiàn)的時(shí)間(斷鉛信號(hào)會(huì)被2個(gè)傳感器接收到)，可以獲知類別2即為斷鉛信號(hào)集。聚類結(jié)果的輪廓系數(shù)在0.85以上，可視化圖像也顯示出了2類信號(hào)被清晰地分割，表明文章提出的方法能在無先驗(yàn)知識(shí)的情況下，通過無監(jiān)督學(xué)習(xí)，準(zhǔn)確實(shí)現(xiàn)了聲發(fā)射信號(hào)的類型識(shí)別。

分類后的聲發(fā)射信號(hào)傳統(tǒng)特征參數(shù)值在試驗(yàn)時(shí)間上的分布如圖5所示。在常見的特征參數(shù)中，類別2的聲發(fā)射信號(hào)(斷鉛信號(hào))具有較低的上升時(shí)間、持續(xù)時(shí)間和計(jì)數(shù)，但和類別1(摩擦信號(hào))的信號(hào)有重疊；區(qū)分度最大的特征參數(shù)是能量與幅值，而峰頻則無法用于區(qū)分不同信號(hào)的類別。

圖5 聚類結(jié)果的傳統(tǒng)聲發(fā)射特征參數(shù)在時(shí)間上的分布

3.2 不同聚類識(shí)別方法對(duì)比

進(jìn)一步比較基于傳統(tǒng)特征參數(shù)的聚類方法和提出的方法在信號(hào)分類上的性能。試驗(yàn)測(cè)得的聲發(fā)射信號(hào)部分特征參數(shù)如表2所示。由于可以采用不同的特征參數(shù)組合作為聚類變量，所以根據(jù)已有研究[16-18]分別選取表3中(PA為幅值，D為持續(xù)時(shí)間，RT為上升時(shí)間，E為能量，C為振鈴計(jì)數(shù)，PF為峰值頻率)的3種特征參數(shù)組合，同時(shí)考慮3.1節(jié)的計(jì)算結(jié)果，補(bǔ)充選取區(qū)分度最高的兩個(gè)特征參數(shù)(能量和幅值)作為聚類特征組合。傳統(tǒng)聲發(fā)射信號(hào)特征參數(shù)在量綱上存在很大的差異，因此在聚類分析前利用平均數(shù)方差標(biāo)準(zhǔn)化消除量綱對(duì)分類結(jié)果的影響，相應(yīng)的計(jì)算公式為

(1)

表2 聲發(fā)射信號(hào)特征參數(shù)

表3 聲發(fā)射信號(hào)特征參數(shù)聚類結(jié)果

將聚類特征參數(shù)標(biāo)準(zhǔn)化處理后，再統(tǒng)一使用K均值算法對(duì)試驗(yàn)信號(hào)進(jìn)行類別判斷，識(shí)別結(jié)果如表4所示。為方便比較，圖6給出了不同特征參數(shù)組合的聚類結(jié)果在能量與幅值上的分布關(guān)系。

圖6 不同特征參數(shù)組合的聚類結(jié)果在能量與幅值上的分布關(guān)系

表4 不同自編碼器聚類結(jié)果

聚類結(jié)果表明，不同特征參數(shù)的組合會(huì)不同的聚類效果。組合4中，特征參數(shù)幅值和能量是經(jīng)過人工分析選擇出的最具區(qū)分度的聚類指標(biāo)；因此，僅用兩個(gè)指標(biāo)聚類就能達(dá)到很高的分類準(zhǔn)確率(只出現(xiàn)1例斷鉛信號(hào)誤判)。組合1在組合4的基礎(chǔ)上增加了振鈴計(jì)數(shù)和持續(xù)時(shí)間2個(gè)特征參數(shù)，但分類效果反而降低了，斷鉛信號(hào)出現(xiàn)了26例誤判。組合2選擇的5個(gè)特征參數(shù)能完全正確地進(jìn)行聲發(fā)射信號(hào)分類；組合3在組合2的基礎(chǔ)上僅增加了振鈴計(jì)數(shù)，但分類準(zhǔn)確率顯著降低。從由圖6(c)可知，基于組合3特征參數(shù)的聚類算法將斷鉛信號(hào)中的一個(gè)子集識(shí)別為一類，而將其他斷鉛信號(hào)與摩擦信號(hào)混為另一類。由此可見，不是所有的特征參數(shù)都利于信號(hào)聚類，不合適的特征參數(shù)類型與個(gè)數(shù)選擇反而會(huì)降低聲發(fā)射信號(hào)的聚類分析效果；所以，基于特征參數(shù)的信號(hào)聚類與識(shí)別方法仍然需要大量的人為分析和計(jì)算驗(yàn)證。

與基于人工選擇特征參數(shù)的聚類算法相比，表3和圖6(e)所示結(jié)果都表明，文章所提算法無需考慮特征參數(shù)類型和數(shù)目的選擇，依賴于深度自編碼器的自動(dòng)特征提取功能，可實(shí)現(xiàn)聲發(fā)射信號(hào)自動(dòng)化的準(zhǔn)確聚類。

3.3 不同卷積核尺寸對(duì)聲發(fā)射信號(hào)識(shí)別的影響

在處理聲發(fā)射信號(hào)的一維卷積神經(jīng)網(wǎng)絡(luò)中，卷積核的大小是一個(gè)很重要的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)。自編碼器特征提取層的每一個(gè)元素所對(duì)應(yīng)的輸入數(shù)據(jù)時(shí)間段(即感受野)大小是由卷積核的尺寸和網(wǎng)絡(luò)層數(shù)決定的。卷積核大小會(huì)直接影響深度自編碼器對(duì)聲發(fā)射信號(hào)特征的提取。卷積核尺寸越大，提取特征對(duì)應(yīng)的原始聲發(fā)射信號(hào)時(shí)間段也就越長(zhǎng)，其效果相當(dāng)于忽略更多的細(xì)節(jié)、提取更抽象的信號(hào)特征。

為了進(jìn)一步研究深度卷積自編碼器結(jié)構(gòu)對(duì)聲發(fā)射信號(hào)識(shí)別的影響，保持表1所示的深度自編碼器網(wǎng)絡(luò)基本結(jié)構(gòu)不變，設(shè)置了5種自編碼器，其第一層卷積核的大小分別為64，32，16，8，3，解碼器的最后一個(gè)反卷積層也相應(yīng)改變。聲發(fā)射信號(hào)聚類分析的結(jié)果如表4所示。當(dāng)深度自編碼器第一層卷積核尺寸逐步減小時(shí)，信號(hào)類別診斷的準(zhǔn)確率以及類別的可分性(輪廓系數(shù))整體上呈現(xiàn)不斷提高的趨勢(shì)；而且當(dāng)?shù)谝粚泳矸e核小于16后，信號(hào)類別檢測(cè)的準(zhǔn)確性就能達(dá)到接近完全正確的程度。第一層卷積核的大小會(huì)直接改變中間層數(shù)據(jù)的感受野大小。第一層卷積核為64時(shí)，中間層每個(gè)數(shù)據(jù)對(duì)應(yīng)的感受野大小為524，即相當(dāng)于原波形信號(hào)中524個(gè)時(shí)間點(diǎn)的數(shù)據(jù)被壓縮到一個(gè)值。顯然，使用小的第一層卷積核可以保留更多的信號(hào)細(xì)節(jié)特征。計(jì)算表明，使用較小的第一層卷積核對(duì)聲發(fā)射信號(hào)的分類是有利的。

4 結(jié)論

(1) 在眾多人為設(shè)定的聲發(fā)射信號(hào)特征參數(shù)中，不是所有特征參數(shù)都有利于信號(hào)的模式識(shí)別與類別檢測(cè)。在該試驗(yàn)中，僅能量和幅值對(duì)斷鉛、摩擦聲源具有較高的檢測(cè)靈敏度。因此，需要人工對(duì)聲發(fā)射信號(hào)特征進(jìn)行分析，選取合適的特征類型與個(gè)數(shù)。

(2) 利用無監(jiān)督的深度學(xué)習(xí)方法能夠很好地克服參數(shù)分析、波形分析中存在的特征有效性不足以及需要人工干預(yù)的問題。利用自編碼器進(jìn)行聲發(fā)射信號(hào)特征自動(dòng)提取，再結(jié)合K均值算法能夠有效地區(qū)別不同聲源的聲發(fā)射信號(hào)，特別是在聲發(fā)射信號(hào)事件較多且無法獲得標(biāo)簽的時(shí)候具有明顯的優(yōu)勢(shì)。

(3) 深度自編碼器具備很強(qiáng)的特征學(xué)習(xí)能力，可從原始聲發(fā)射波形信號(hào)中自適應(yīng)提取有效特征用于聚類分析；而且使用較小的第一層卷積核尺寸，可以保留更多信號(hào)的細(xì)節(jié)特征，有利于聲發(fā)射信號(hào)的識(shí)別與分類。