申请/专利权人：重庆大学

申请日：2022-01-26

公开（公告）日：2024-06-21

公开（公告）号：CN114417688B

主分类号：G06F30/25

分类号：G06F30/25;G06F18/2135;G06N3/006;G01M3/24;G06F119/14

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2022.09.20#实质审查的生效;2022.04.29#公开

摘要：本发明公开了一种基于声发射的阀门内漏速率检测方法，首先采集阀门在不同内漏速率下运行时的输出的声发射信号，提取时域和频域的特征信息，并联合EMD算法提取的特征组成筛选前的特征向量；采用PCA主成分分析算法来进行特征的筛选，将筛选后的特征组成的特征向量组作为模型训练的依据；第一步用重构误差算法确定合适的隐层层数，再用粒子群算法对隐含层节点数和学习率进行优化，最终确定DBN网路结构，然后再进行模型参数的训练；最终用训练好的深度置信网络来对未知的从阀门的声发射信号来进行内漏速率的预测。本发明对基于阀门声发射信号的内漏速率检测有十分重要的研究与应用价值，同时也为后续实施控制与维护奠定了基础。

主权项：1.一种基于声发射的阀门内漏速率检测方法，其特征在于，包括如下步骤：步骤1：对于不同的阀门内漏速率状态下的阀门阀体处的声发射信号进行采样，其中的数据包括阀门模拟内漏时不同程度的小角度开度的声发射信号数据和对应的先验内漏速率信息，生成采样数据集X：X＝{x1,x2,...,xr}1步骤2：将步骤1中采集到的时域信号X＝[x1,x2,...,xN]进行离散傅里叶变换到频域信号S＝[s1,s2,...,sNfft]；并将时域信号经过EMD分解得到5个IMF分量；同时提取阀前压力、时域和频域的关键特征集以及EMD各个IMF分量的幅度、能量和HHT频率相关特征组成数据集Dn：Dn＝{d1,d2,...,dn}2步骤3：将步骤2中的数据集Dn通过主成分分析PCA方法进行筛选和降维，对原始特征集进行预处理，去除冗余信息，增加剩余基向量的表征能力，构成新的特征组成数据集Dm：Dm＝{d1,d2,...,dm}m≤n3步骤4：考虑到输入和输出数据之间的数据量纲的差别，将步骤2中所得的数据集Dm进行归一化处理，构成新的数据集D'，对数据集D'运用“k折交叉验证”方法进行处理，生成k组训练集和测试集的组合；步骤5：取得步骤3中所得的所有样本数据用于训练深度置信网络DBN，首先根据经验值确定并固定隐藏层的神经元个数，当重构误差相对最小时，确定当前的DBN网络层数L；然后根据重构误差算法确定的L层DBN，通过粒子群算法来进行DBN隐含层节点数的优化，最终确定DBN的网络结构；步骤6：对待测的未知内漏速率状态下的阀门阀体处的声发射信号进行采样，所得到的样本使用步骤3的方法提取特征值，在使用步骤4中的方法进行归一化，构造标准特征向量，输入到步骤5生成的确定结构的DBN网络中，进行阀门内漏速率的预测，从而实现基于声发射的阀门内漏速率检测；所述步骤1的阀门的声发射信号的数据采样过程为：在模拟不同内漏速率的r种不同的阀门小开度的状态下，分别采集当前阀门阀体处的声发射信号和先验的内漏速率数据，生成采样数据集X，所述步骤2的时域特征有均值、标准差、方根均值、均方根值、峰峰值、峰值、偏斜度、峭度、熵特征；频域特征有平均频率、中心频率，频率标准差、频率均方根、最大幅值；EMD提取的特征包括每层IMF分量的振铃计数、幅度、能量和HHT频率特征参数；所述步骤5的每个隐含层的节点个数以及学习率通过粒子群优化算法来确定，其算法原理为：在粒子群算法中，搜索空间上的每一个点都看成待优化问题的潜在解，也称之为粒子，粒子会在搜索空间里面按照一定的移动方向和距离进行搜索，其中粒子的运动速度和方向更新公式如下所示：v[i+1]＝w×v[i]+c1×rand×pbest[i]-present[i]+c2×rand×gbest-present[i]7present[i+1]＝present[i]+v[i+1]8其中：v[i]代表第i个粒子的速度，w代表惯性权值，c1和c2表示学习参数，rand表示在0:1之间的随机数，pbest[i]代表第i个粒子搜索得到的最优值，gbest代表整个集群搜索到的最优值，present[i]代表第i个粒子的当前位置。

全文数据：

权利要求：

百度查询： 重庆大学 一种基于声发射的阀门内漏速率检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD