Page 10 - 应用声学2019年第2期

156 2019 年 3 月

PC఻ሏጳѬౢ ᇨฉ٨ 2.1 AE信号特征提取

采集到的AE信号首先被db5软阈值小波降噪，
ᆋᣃ ࢺ͈
其通带频率为100 kHz∼300 kHz。然后进行分帧处
理，帧长设置为2 s，帧移设为1 s，故794 s的原始AE
஝૶᧔ᬷ᝺ܬ AE͜ਖ٨ 信号被划分为 794帧。设置 Threshold 为50 mV，提
取每一帧中所有 AE hit 的 8 个特征并求其平均值，
ࠄ௑଍҄ጇፒ
得到794个8维AE 数据集。这些AE数据集将作为
图 7 磨削砂轮钝化状态检测装置
训练数据集去学习 HDP-HSMM。图 8 即是 8 维 AE
Fig. 7 The monitoring device of grinding wheel
blunt state 特征数据集，隐含着砂轮钝化状态变化的信息。

ࣨϙ/dB 60 ᑟ᧚ᝠ஝/T10 6 1.0
0.5
50
40 0
0 200 400 600 0 200 400 600
ࣝ஝ ࣝ஝

300 ૝ᨣᝠ஝ 40
ે፞௑ᫎ/ms 200 20
100
0 200 400 600 0 200 400 600
ࣝ஝ ࣝ஝
ʽӤ௑ᫎ/ms 100 ద஍ϙႃԍ/T10 3 1.0
75
0.5
50
0 200 400 600 0 0 200 400 600
ࣝ஝ 0 ࣝ஝

࢏࢏ϙ/V 5.0 Ϡए/T10 -1 ms -2
2.5
0 -4
0 200 400 600 0 200 400 600
ࣝ஝ ࣝ஝

图 8 8 维 AE 特征数据集
Fig. 8 The 8 time-domain AE features data set

2.2 HDP-HSMM训练和砂轮钝化状态识别 矩阵、观测概率分布的均值和协方差、状态驻留概

使 用 2.1 节 得 到 的 AE 数 据 集， 通 过 HDP- 率分布的参数以及隐状态序列。对数似然随着采样
HSMM弱极限近似采样器去训练HDP-HSMM。同 循环的增加而增加，当采样循环达到70次时趋于收
时设置如下的超参数：最大类别数目为 10；观测概 敛，如图 9 所示。这表明，HDP-HSMM 具有快速学
率分布函数为10组分高斯混合分布，即每一个隐状 习的能力，可用于实时在线数据处理。
态的观测分布都是一个十组分混合高斯分布，其参 进行 200 次采样循环后得到的隐状态序列如
数采样于一个 Dirichlet 先验；状态驻留概率分布为 图 10 所示。图中横轴帧数代表磨削加工进行的时
泊松分布。基于以上设置，运行采样循环。对于每 间，图10(a) 中的不同颜色的竖条以及图 10(b) 中不
次循环，HDP-HSMM 所有的潜在变量将通过吉布 同的数字表示砂轮的不同钝化状态，颜色越深，数
斯采样算法 [17] 采样。这些变量包括状态转移概率 字越大，砂轮钝化的程度就越严重。图 10 中有 4 种