基于小波变换与RBF网络的声发射信号识别

周 俊， 王 强， 伊 鸣, 王 帅

(1.后勤工程学院, 重庆 401331; 2.中国人民解放军65133部队,辽宁沈阳 110043 )



基于小波变换与RBF网络的声发射信号识别

周 俊1， 王 强1， 伊 鸣2, 王 帅1

(1.后勤工程学院, 重庆 401331; 2.中国人民解放军65133部队,辽宁沈阳 110043 )

声发射检测技术不需开罐就能对储油罐安全性在线评估，声发射信号识别是储油罐腐蚀状况分析的基础，针对现有参数分析法的不足，提出一种基于小波变换特征提取与RBF神经网络识别的声发射信号识别方法。利用db2小波对声发射信号6层分解，将6层细节特征空间的能量作为声发射信号特征向量；结合声发射信号特点设计RBF神经网络，利用已知模式声发射信号训练RBF网络；用RBF神经网络对腐蚀、裂纹和冷凝声发射信号进行分类测试。实验结果表明，RBF网络的识别率达到93.3%，显示了RBF网络识别声发射信号的优越性。对储油罐安全状况的定量分析具有一定意义。

声发射； 小波； 细节特征； RBF神经网络； 识别

储罐底板腐蚀产生的声发射信号比较微弱，且采集过程中受环境和距离的影响，包含一定的噪声，如何从包含噪声的声发射信号中提取表征腐蚀类型的特征[1]，且对提取特征进行有效分类，是声发射信号分析处理的关键问题，对储油罐安全状况的定量分析具有重要意义。早期的声发射信号分析主要采用参数分析方法，典型的声发射信号参数包括幅度、振铃计数、持续时间、能量、门槛电压值、到达时间、撞击数率等[2]，随着声发射技术应用研究的深入, 发展了一些新型的参数分析方法。J.Lim等[3]提出用信号峰值和某一时间段信号平均值的比值，即Crest参数来分析管道泄漏声发射信号特征,国内学者马永辉等[4]采用能量、持续时间、幅度、计数等常规参数，进行神经网络和灰色关联分析，成功区分了金属压力容器内产生的几类声发射信号。虽然参数分析方法具有简单直观、易于理解和测量的优点，但是也存在一些问题，对参数的取舍存在较大的随意性，而且声发射参数只是对声发射信号波形的某个或某些特征的统计性描述，据此表征整个声发射源的特征有其局限性。而小波分析具有良好的信噪分离和时频局部化特性，尤其适合声发射信号特征提取，H. Suzuki等[5]分别采用快速傅立叶变换、短时傅立叶变换和小波变换三种分析方法，对比分析的结果表明，小波分析可以提取更多的声发射源特征信息。Q. Gang等[6]将碳纤维复合材料声发射信号进行离散小波分解研究其特性。崔岩等[7]将小波分析用于非连续增强金属复合材料界面声发射特征研究；对声发射信号特征进行分类方面，人工神经网络由于其模仿大脑神经网络，能有效的处理问题的非线性、模糊性和不确定性关系，具有很强的自适应、自组织能力而得到广泛应用[8]。1 9 8 9年 Wsachse等开始研究人工神经网络声发射信号处理[9], Baily 和Mathew 利用神经网络开发了一个用于诊断滚珠缺陷的模型[10]。同样基于神经网络, Tadej和Kosel 发明了声发射的智能探测源[11]。赵元喜等[12]利用小波包对不同故障滚动轴承的声发射信号分解,通过神经网络判别滚动轴承的故障类型。

由于声发射信号易受噪声干扰，且不同声发射信号的区别主要体现在细节特征上[13]，小波分析在去噪及提取细节特征上具有独特的优势，RBF神经网络与其它神经网络如BP网络相比能够逼近任意非线性函数[14]，可以处理系统内在的难以解析规律性，由于是局部逼近网络，具有学习速度收敛快等优点，满足声发射信号特征的特点。利用小波分析提取6层声发射信号细节特征，将每层细节特征空间的能量作为声发射信号特征；根据声发射信号特点设计RBF神经网络，对声发射信号特征进行分类性能测试。实验结果表明，所提取的特征能较好的区分腐蚀、裂纹和冷凝声发射信号，设计的RBF网络具有较小的误差，正确识别率达到93.3%，显示了RBF神经网络识别声发射信号的优越性。

1 基于小波变换的声发射信号特征提取

1.1 小波变换理论

离散小波变换的突破性成果是S.Mallat于1989年在多分辨分析基础上提出的快速算法—Mallat算法[15]。Mallat分解算法又称塔式算法。主要由时域中的高通滤波器Hi_D和低通滤波器Lo_D对信号进行分解。以第一层分解为例,假设所分解的信号为S，信号在第一层的近似部分, 即低频部分的小波系数cA1是通过信号S与低通滤波器Lo_D卷积，然后将卷积结果隔点采样得到的；而细节部分，即高频部分的小波系数cD1是通过信号S与高通滤波器Hi_D卷积，然后将卷积结果隔点采样得到的。第二层分解将S替换为cA1，采用同样的方法进行分解，这样在第j层上，信号f(t)被分解为近似部分的小波系数cAj和细节部分的小波系数cDj。一维离散小波分解变换如图1所示。

图1 一维离散小波分解变换

Fig.1 One-dimensional discrete wavelet decomposition transform

1.2 声发射信号特征提取

采用质量分数为5%稀盐酸、2.5%NaCl溶液对金属板进行电化学腐蚀模拟腐蚀声发射信号，如图2所示；采用Nielsen-Hsu[16]断铅法模拟金属板的裂纹声发射信号，如图3所示。利用滴水实验模拟冷凝声发射信号作为干扰信号，滴水速度大约1 Hit/s，如图4所示。采样帧长8 192，采样频率2 MHz。在小波分解前先采用文献[17]中的方法对声发射信号进行消噪处理，选取db2为分解小波基,如图5所示，对一维声发射信号进行6层分解，得到一个近似特征系数cA6和6个细节特征系数cDj，(j=1,2,…,6)，如图6所示，以冷凝声发射信号的分解为例。

图2 腐蚀声发射信号

Fig.2 Pitting acoustic emission signal

图3 裂纹声发射信号

Fig.3 Crack acoustic emission signal

图4 冷凝声发射信号

Fig.4 Condensation acoustic emission signal

图5 db2小波分解滤波器

Fig.5 Db2 wavelet filter

图6 冷凝声发射信号小波分解细节特征系数

Fig.6 Detail characteristic coefficient of condensationemission signal by wavelet decomposition

由于细节特征是区分不同类型信号的重要指标，这里将所有细节特征系数供声发射信号特征提取留用。细节特征系数数量庞大，为了便于后续神经网络识别，计算6个细节特征空间的能量并做归一化处理作为声发射信号特征向量X。

(1)

图7为3类声发射信号经过db2小波6层分解后各细节特征空间的能量分布，其中横坐标的i(i=1,2,3,4,5,6)代表第i层的细节特征空间。

图7 细节特征空间能量分布

Fig.7 Energy distribution of details feature space

由图7可知，腐蚀声发射信号的细节特征空间能量主要集中在第5、6层，冷凝声发射信号的细节特征空间能量主要集中在第3、6层，裂纹声发射信号的细节特征空间能量主要集中在第4、5层。由此可以看出，所提取的特征区分较明显，基于小波分解各细节系数的声发射信号特征能够较好地区分各类型声发射信号。

2 RBF神经网络结构

RBF神经网络是单隐层的三层前馈神经网络，其最大特点是隐层的传递函数为局部响应函数，与其他多层前馈网络相比，所需隐层神经元数要多，但是所需训练时间要少，且能够以任意精度逼近任意连续函数[14]。图8所示为RBF神经网络一般结构。网络具有N个输入节点，P个隐节点，l个输出节点，隐节点数目一般选为输入样本集数量，径向基函数中心为输入样本，各径向基函数取统一的扩展常数。对各层数学描述如下：X=(x1,x2,…,xN)T为网络输入向量；隐节点激活函数G为格林函数，一般选用高斯函数，如式(2)所示。Y=(y1,y2,…,yl)T为网络输出；输出层∑为线性激活函数。δ为RBF网络的扩展常数，决定了隐含层对输入的响应范围。输出层考虑用2个神经元表征3类信号，(1,1)为腐蚀信号，(0,1)为冷凝信号，(1,0)为裂纹信号。

图8 RBF神经网络结构

Fig.8 RBF neural network structure

3 实验结果与分析

从10组腐蚀声发射信号提取特征向量作为训练输入向量X，腐蚀声发射信号的目标向量O为[1,1]，对RBF网络进行训练，然后运用已训练好的RBF网络对声发射信号进行仿真模拟。RBF神经网络初始隐节点数设为训练样本数，基函数选择高斯函数，数据中心为训练样本本身，训练均方误差设为0.001,由于训练样本数目不大，扩展常数设为1.2[18]。

X=0.01140.01060.01760.02270.00260.01270.01690.01790.00800.00760.01860.01970.03020.03820.00680.02310.02910.03270.01490.01380.04290.04350.06020.07270.03080.04770.05190.05670.03620.03740.18730.16420.17990.18520.26630.15050.14970.16190.20590.18430.60120.64010.51280.48610.54780.55530.44990.51560.59550.58800.13860.12190.19930.19520.14560.21070.30250.21520.13940.1690

隐节点数实验范围设为7～13，表1所示为不同隐层神经元数仿真模拟结果与目标向量O的误差，以及相应的训练步数。表1显示隐含层神经元数目为10时，网络实际输出与期望输出误差最小，隐含层神经元数目为10时，RBF网络经过108步训练就实现了目标误差，步数最少，收敛速度最快，综合以上实验结果，这里RBF网络隐层神经元数目设为10。综合以上分析，也可以看出网络性能并非随着隐层神经元数目的增加而改善。

每类声发射信号随机提取10组对已训练RBF网络测试，1～10组为腐蚀声发射信号，11～20组为冷凝信号，21～30组为裂纹声发射信号。经过测试，RBF网络正确识别率为93.3%。

4 结论

提出一种基于小波变换特征提取与RBF神经网络识别的声发射信号识别方法。利用小波分析提取声发射信号细节特征的能量作为声发射信号特征，通过实验设计RBF神经网络并且对腐蚀、裂纹和冷凝声发射信号进行分类测试实验，验证了RBF网络识别的优越性。能够快速准确识别腐蚀信号与干扰信号，对于储油罐腐蚀状况的定量分析具有参考价值。

表1 网络输出误差与训练步数

[1] 李孟源，尚振东，蔡海潮等.声发射检测及信号处理[M].北京：科学出版社，2011.

[2] 张 涛，李一博，王伟魁,等.声发射技术在罐底腐蚀检测中的应用与研究[J].传感技术学报，2011，23(7)：1050-1052.

Zhang Tao, Li Yibo, Wang Weikui,et al. The application and research of acoustic emission technology in tank bottom corrosion detection[J]. Sensing Technology Journal, 2011, 23 (7)：1050-1052.

[3] Lim J,Micro K T.Cracking in stainless steel pipe detection by using acoustic emission and crest factor technique[C]//Instrumentation and Measurement Technology Conference,May 1-3,2007. IEEE Xplore:1-3. Institute of Electrical and Electronics Engineers Inc, Warsaw,Poland.

[4] 马永辉，刘康，杨大志,等.基于典型BP网络的金属试件拉伸声发射信号特征识别[J]．四川大学学报：工程科学版，2011，43(2)：252-255.

Ma Yonghui, Liu Kang, Yang Dazhi, et al. Metal specimen with the characteristics of acoustic emission signals recognition based on typical BP network[J]. Journal of Sichuan University (Engineering Science Edition), 2011, 43(2): 252-255.

[5] Suzuki H,Kinjo T,Takemoto M,et al.Fracture-mode determination of glass-fiber composites by various AE processing[J].Progress in Acoustic Emission VIII.The Japanese Society for NDI，1996,11(2)：47-52.

[6] Gang Q,Alan B,Javad H,et al. The wavelet transform in the acoustic emission signal feature extraction of the rubbing fault[C].1st International Workshop on Database Technology and Applications, DBTA 2009,Wuhan, China,2009：283-286.

[7] 崔岩,李小俚,彭华新,等.基于声发射小波分析的非连续增强金属基复合材料界面表征[J].科学通报.2010,43(6):656-657.

Cui Yan, Li Xiaoli, Peng Huaxin, et al. Discontinuous reinforced interface characterization based on AE wavelet analysis[J]. Metal Matrix Composites Based on Science，2010,43 (6): 656-657.

[8] 常向东,赵丽新.应用神经网络研究地面储罐罐底声发射检测中渗漏信号与腐蚀信号的差异[J]. 国外油田工程, 2010 ,26(7):48-50.

Chang Xiangdong, Zhao Lixin. Application of neural network on the leakage and corrosion signals difference of ground storage tank bottom AE detection[J]. Foreign Oilfield Engineering, 2010, 26(7): 48-50.

[9] Grabec I, Sachse W. Application of an intelligent signal processing system to AE analysis[J].Journal of the Acoustical Society of America,1989, 85(3):1226-1235.

[10] 张平,施克仁,耿荣生,等.小波变换在声发射检测中的应用[J].无损检测,2002,24(10):436-439.

Zhang Ping, Shi Keren, Geng Rongsheng, et al. Application of wavelet transform to acoustic emission testing[J]. Nondestructive Testing, 2002,24 (10): 436-439.

[11] Tadej, Kosel. Artificial neural network a tool for predicting failure strength of composite tensile coupons using acoustic emission technique[J]. International Journal of Advanced Manufacturing Technology，2009，44(3):30-34.

[12] 赵元喜,胥永刚,高立新,等.基于谐波小波包和BP神经网络的滚动轴承声发射故障模式识别技术[J].振动与冲击，2010，29(10)：163-166.

Zhao Yuanxi,Xu Yonggang, Gao Lixin, et al. For fault pattern recognition of rolling bearing acoustic emission technique based on Harmonic wavelet packet and BP neural network [J]. Journal of Vibration and Shock, 2010, 29(10): 163-166.

[13] 张运强,牛卫飞,谭蔚.基于小波变换的声发射模拟信号特性分析[J]. 无损检测, 2008, 33(1): 9-12.

Zhang Yunqiang, Niu Weifei, Tan Wei. Analysis of simulated AE signal characters based on wavelet transform[J]. Nondestructive Testing, 2008, 33(1): 9-12.

[14] 韩力群.人工神经网络教程[M].北京：北京邮电大学出版社，2010.

[15] 杨建国.小波分析及其工程应用[M].北京：机械工业出版社,2007.

[16] 崔之健，史秀敏，李又绿.油气储运设施腐蚀与防护[M].北京：石油工业出版社，2012.

[17] 周俊，刘丽川，杨继平. 基于K-均值聚类与小波分析的声发射信号去噪[J].石油化工高等学校学报，2013, 26(3): 16-19.

Zhou Jun, Liu Lichuan, Yang Jiping. Acoustic emission signal denoising based on K-mean clustering and wavelet analysis[J]. Journal of Petrochemical University, 2013, 26 (3): 16-19.

[18] 赵静荣.声发射信号处理系统与源识别方法的研究[D].长春：吉林大学，2010:2-9．

(编辑 王亚新)

Acoustic Emission Signal Recognition Based on Wavelet Transform and RBF Neural Network

Zhou Jun1, Wang Qiang1, Yi Ming2, Wang Shuai1

(1.LogisticsEngineeringUniversity,Chongqing401331,China; 2. 65133TroopUnit,PLA,ShenyangLiaoning110043,China)

The security condition of oil storage tank can be assessed without opening pot by acoustic emission technology, and acoustic emission signal recognition is the basis of analysis of the corrosion status for oil storage tanks. Against deficiencies of the analysis method by parameters, a new acoustic emission signal recognition method was proposed based on wavelet transform and RBF neural networks. Acoustic emission signal was decomposed to 6 layer by db2 wavelet, and feature vector from acoustic emission signal was composed of the space energy based on 6 layer detail feature. RBF neural network was designed combining the characteristics of acoustic emission signal. The RBF network was trained by using of the acoustic emission signal which pattern has been known.Corrosion, crack and condensation acoustic emission signal were studied by RBF neural network, respectively.The results showed that the recognition rate of RBF neural network reached 93.3%, and the RBF network displayed superiority in identification of the acoustic emission signal, which had a certain significance for quantitative analysis on oil storage tank safety situation.

Acoustic emission； Wavelet； Feature； RBF neural network； Recognition

1006-396X(2015)03-0080-06

2014-04-01

2014-09-26

军队后勤科研项目(油20080208);重庆市博士后科研项目(XM2012049)。

周俊(1981-)，男，博士，高级工程师，从事信号特征提取、信号模式识别方面研究；E-mail:hgzhou2008@163.com。

TE88; TP391

A

10.3969/j.issn.1006-396X.2015.03.017