[发明专利]基于声发射信号的金刚石压机顶锤裂纹在线检测方法

权利要求书

1.一种基于声发射信号的金刚石压机顶锤裂纹在线检测方法，其特征在于，综合利用BSA-SVM智能检测方法和K-SPWVD时频信号分析方法进行顶锤裂纹检测，具体步骤如下：

第一部分检测依据的建立

步骤1：在已知是否有裂纹的顶锤上安装声发射传感器，首先对已知是否有裂纹的顶锤进行声发射信号采集，通过电路对传感器采集的信号进行预处理，将预处理后的信号输入计算机；在计算机中对顶锤正常状态下的声发射信号和裂纹状态下的声发射信号进行收集；

步骤2：计算机对上述顶锤正常状态下的声发射信号和裂纹状态下的声发射信号，利用回溯搜索优化算法(BSA)对支持向量机模型(SVM)进行参数的优化和训练，得到金刚石压机顶锤裂纹智能检测模型，该模型名词定为：基于回溯搜索优化算法的支持向量机模型(BSA-SVM)；

步骤3：

利用上述步骤1中采集到的已有的裂纹状态下的声发射信号，

(a)首先，取M个数据点的顶锤裂纹状态声发射信号作为模板信号；

(b)然后，利用平滑伪维格纳-威利分布(SPWVD)处理分析该模板信号，根据得到的频谱信息确定顶锤裂纹特征频率；

第二部分实时检测过程

步骤4：

将声发射传感器安装到正在工作的顶锤上，针对采集到的正在工作中的顶锤声发射实时信号，首先利用基于回溯搜索优化算法的支持向量机模型(BSA-SVM)进行识别，

如果检测到是非裂纹信号，则执行步骤6；

如果检测到是裂纹信号，暂定为一级疑似裂纹信号，同时执行步骤5；

步骤5：

将上述一级疑似裂纹信号利用柯尔莫诺夫-斯米尔诺夫检验(Kolmogorov-Smirnovtest，简称K-S检验)与平滑伪维格纳-威利分布(K-SPWVD)结合处理方法进行处理，

该柯尔莫诺夫-斯米尔诺夫检验与平滑伪维格纳-威利分布(K-SPWVD)结合处理方法的工作过程包括

(i)首先对采集的一级疑似裂纹信号利用进行连续平移L点长度的加窗截取，窗口长度为M，利用柯尔莫诺夫-斯米尔诺夫检验(Kolmogorov-Smirnov test，简称K-S检验)方法与所述的模板信号进行匹配；如果不匹配，说明是非裂纹信号，执行步骤6；如果匹配，暂定为二级疑似裂纹信号，并转到下一步(ii)；

(ii)再将上述二级疑似裂纹信号利用平滑伪维格纳-威利分布(SPWVD)处理分析所截信号，根据得到的频谱信息确定其特征频率，如果能观察到有步骤3(b)中的顶锤裂纹特征频率，则判定为顶锤发生了裂纹，执行步骤7，反之，则判定为非裂纹信号，执行步骤6；

步骤6：

输出顶锤没有裂纹的判断结果；

步骤7：

输出顶锤有裂纹的结果。

2.根据权利要求1所述的一种基于声发射信号的金刚石压机顶锤裂纹在线检测方法，其特征在于：所述步骤2中的基于回溯搜索优化算法的支持向量机模型(BSA-SVM)的建立过程包括，

a.确定训练样本

从步骤1中采集的顶锤声发射信号集中选取n₁组已知正常信号和n₂组已知疑似裂纹信号作为无裂纹状态，n₃组已知裂纹信号对应裂纹状态，此处已知疑似裂纹信号为顶锤没有裂纹但信号波形与裂纹信号相似的信号；无裂纹状态和裂纹状态两种类样本共同组成训练样本，利用小波包对信号进行三层分解，提取各频段的能量百分比作为样本特征值，样本特征值矩阵构成支持向量机模型的输入向量，模型的输出为1或-1，分别代表无裂纹和裂纹状态；

b.确定支持向量机的待优化参数

支持向量机中有2个参数：核函数参数σ和惩罚函数参数C，标记为p(σ，C)；

c.基于BSA的参数初始化

BSA的初始化是指初始化种群P和历史种群oldP；种群包括N个个体，个体的长度设置为d＝2，代表参数的个数；种群P初始化表达式为：

P_i,j～U(low_j,up_j)

其中i＝1，2，3，…，N；j＝1，2，3，…，D；N和D分别代表种群的规模和问题维度，U(,)表示均匀分布函数，up_j和low_j分别表示第j维变量的上、下界；

历史种群oldP初始化是防止首次运行筛选Ⅰ时，oldP数值为空集；历史种群oldP由以下公式决定：

oldP_i,j～U(low_j,up_j)

d.筛选Ⅰ

根据概率运算重新定义oldP，其表达式为：

if a＜b then oldP＝P|a,b～U(0,1)

式中等号表示更新代替；新一代的历史种群oldP是上一代或者是m代前的历史种群，m＝1,2,…M-1，M为目前迭代次数；

e.突变

BSA通过下式形成试验种群的初始形式Mutant

Mutant＝P+F·(oldP-P)

式中F作为变异尺度系数用于控制变异的幅度，F＝3·randn，其中randn～N(0,1)，N(,)表示标准正态分布函数；

f.交叉

BSA通过交叉过程产生试验种群的最终形式T；该交叉方式是一种基于两种交叉方式等概率调用的联合交叉方式；

在交叉时，首先是交叉长度n的选择，然后在历史种群P中每个个体随机筛选n个特征并与Mutant中等位置等维度的特征进行交换，得到新的个体；n是(0,mixrate·D]中的整数，式中，mixrate是交叉概率，一般取为1，D是问题维度；

在每代的交叉中，n有两种可能，由n的赋值方式决定，分为：

①交叉方式1：n＝1，即任意选取一维，互换历史种群中个体与同位置试验种群个体；

或者

②交叉方式2：给每个个体随机生成一个randn～N(0,1)，把

n(i)＝[mixrate·randn·D]

定义成交叉长度；式中，mixrate是交叉概率，D是问题维度；

上述两种交叉方式等概率随机调用构成BSA的交叉方式；

g.筛选II

将试验种群带入支持向量机，产生试验种群的适应度函数，其表达式为：

式中：F表示种群中每个个体的适应度，species表示样本分类结果，groupnames表示样本对应状态；

比较当前种群与试验种群间的适应度函数，用试验种群中的优秀个体替换当前种群中相应的个体；如果本次最优个体Pbest具有比全局最优个体更好的适应度，则全局最优个体就用Pbest代替，同样其对应的适应度值也用本次最优个体的适应度值代替；

h.如果本次最优个体满足预先设定的分类精度或者迭代次数，不再进行种群更新，退出训练；否则转入步骤(d)，更新种群。