[发明专利]基于深度神经网络的声发射初至信号分类与识别方法

说明书

本发明公开了基于深度神经网络的声发射初至信号分类与识别方法，该方法包括以下步骤：S1、对采集得到的声发射原始数据进行清洗处理；S2、对声发射原始数据进行预处理，并将预处理后的数据分为主动源数据、被动源数据及噪声数据三类，定义数据类型作为标签信息；S3、进行多层神经网络模型构建与训练；S4、向训练完毕的神经网络模型中输入全新声发射数据，及对应的标签，实现发射信号的识别与分类。有益效果：通过神经网络模型对不同类型数据的波形特征进行学习；输出不同类型数据的标签，从而实现连续声发射数据有效声发射信号与噪声的区分，主动源信号与被动源信号波形的识别与分类，进而大大提高声发射信号识别与分类的效率与精确度。

技术领域

本发明涉及声发射初至信号分类与识别领域，具体来说，涉及基于深度神经网络的声发射初至信号分类与识别方法。

背景技术

声发射监测技术作为一种动态无损检测技术，被广泛应用于材料内部缺陷的检测。在待检测材料或者物体表面布设一定数量的声发射探测器组成阵列，利用监测过程中采集所得的声发射信号可以分析材料内部缺陷的分布位置、产生过程和材料内部其他物理特性的变化。声发射监测技术已经广泛应用于岩石水力压裂实验或渗流驱替等岩石物理实验中，用以分析实验过程中岩石内部结构的变化和岩石力学参数的变化。

声发射监测主要分为两大类，分别是主动源监测方法与被动源监测方法。主动源监测方法是利用监测阵列中某个探测器作为震源，该探测器激发脉冲信号，阵列中的其他探测器作为接收器接收信号。通过分析阵列中其他探测器接收到的信号波形从而得到待测物体内部速度结构或者其他物理特性。被动源监测是将阵列中所有探测器都作为信号接收器，当待测物体内部结构发生变化时所释放的能量会转化成弹性波被探测器接收到，通过分析接收器所接收到的声发射信号进行声发射事件定位，可以得到待测物体内部发生结构变化的损伤部位。

主动源监测与被动源监测方式不同，所得信号类型不同，信号波形也不相同。通常，在进行声发射监测的时候，采取主动源监测与被动源监测相结合的方法。所以，在进行数据处理的时候也需要将两类信号进行单独分析。由于实验室岩石物理实验时间较长，声发射监测也是一个不间断的连续过程，故监测数据量巨大，通过人工将两类数据进行分类并拾取的效率较为低下。

近年来，随着计算能力与计算技术的不断发展，基于机器学习的图像识别与分类方法已经在图像或者语音处理等诸多领域发展成熟。深度神经网络在地震信号识别、震相分类等问题上已得到了较好的应用。深度神经网络是一种基本的机器学习方法，旨在模拟人类大脑学习过程。在构建样本数据集后，利用彼此互联的非线性“神经元”按照一定的组合方式形成复杂网状结构，可以对输入特征集合（即地震波形）与预测输出值（震相类型或初至到时等）之间复杂的非线性关系进行学习和训练，并能对全新的输入数据进行分析处理。

在声发射监测过程中，监测时间长，采样频率很高，所以数据量非常大。并且由于声发射监测技术中采用主动源监测与被动源监测相结合这一特点，所以采集所得的声发射数据类型丰富，人工进行主动源声发射信号与被动源声发射信号的区分的工作量很大。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的问题，本发明提出基于深度神经网络的声发射初至信号分类与识别方法，以克服现有相关技术所存在的上述技术问题。

为此，本发明采用的具体技术方案如下：

基于深度神经网络的声发射初至信号分类与识别方法，该方法包括以下步骤：

S1、对采集得到的声发射原始数据进行清洗处理；

S2、对声发射原始数据进行预处理，并将预处理后的数据分为主动源数据、被动源数据及噪声数据三类，定义数据类型作为标签信息；

S3、进行多层神经网络模型构建与训练；