Page 62 - 《应用声学》2023年第1期
P. 62

58                                                                                   2023 年 1 月


                 recognition performance of coin-tap acoustic signal feature of ceramic products. The F 1 value of recognition
                 reached 98.46%, and compared with the above two methods, 3.22% and 1.86% are increased respectively.
                 Keywords: Coin-tap; MODWPT; Time-frequency framing energy entropy; Pattern recognition

                                                               vector machine, SVM)进行识别。然而，利用 VMD
             0 引言
                                                               进行特征提取时，存在对分解层数、惩罚因子两
                 陶瓷制品缺陷的无损检测方法有机器视觉                     [1] 、  个参数比较敏感的问题            [14−15] 。并且 Walden 提出
                                  [3]
             红外热成像      [2] 、工业 CT 、超声    [4−6] 、敲击 [7]  等方    了DWPT的局限性         [16] 。故以 STFT、WT、DWPT、
             法，其中机器视觉方法难以对内部缺陷进行检测，而                           VMD 为代表的信号分析技术仍存在不足。并且小
             红外热成像、工业 CT、超声 3 种方法存在检测成本                        波包能量特征、VMD 能量特征在用于敲击声波信
             高、不利于现场应用的问题，实际生产中最为常用                            号特征识别的性能一般，需要进一步探索更适用于
             的是人工敲击法，但其存在客观一致性差的问题，因                           陶瓷制品敲击声波信号特征识别的特征提取方法。
             此研究陶瓷制品敲击检测的数字化方法具有较好                                 基于信息熵的能量熵特征非常适用于刻画非
             的应用意义。                                            平稳信号的无序性，目前已和小波包、VMD 结合
                 敲击声波信号属于非平稳信号，对其特征的提                          用于提取特征。文献 [17] 提出了结合小波包能量
             取是实现数字化检测的重要环节，有赖于对信号                             熵与鲸鱼算法优化的最小二乘支持向量机 (Least
             处理技术、特征提取方法的深入探索。在现代信号                            squares support vector machine, LSSVM) 的方法，
             处理技术中，短时傅里叶变换 (Short-time Fourier                 将其用于风力机轴承故障检测。文献 [18] 提出了结
             transform, STFT)、小波变换 (Wavelet transform,         合小波包能量熵与随机森林的方法，将其用于级联
             WT)、离散小波包变换 (Discrete wavelet packet              H 桥多电平逆变器故障诊断。然而，能量熵存在对
             transform, DWPT)、 变分模态分解 (Variational             信号局部描述不清的问题             [19] ，故文献 [19] 提出了时
             mode decomposition, VMD) 等技术都是对非平稳
                                                               频分段能量熵，将其用于过电压信号识别，然而其分
             信号进行处理的常用技术。文献 [7] 采用 STFT 提
                                                               段方式是将每个信号分为相同的分段数，在本文实
             取持续时间、功率谱峰值 -能量比两种特征，然而，
                                                               验中，由于对敲击声波信号进行端点检测后，信号长
             STFT 存在窗口大小无法随着频率变化的缺点，对
                                                               度不一，时频分段能量熵在识别长度不一的信号样
             信号的局部化能力不足            [8] 。文献 [9] 将压缩感知和
                                                               本时，该特征对较长信号的局部描述能力相比较短
             WT结合，用于冲击声学无损检测，用小波误差域进
                                                               信号的局部描述能力弱，导致该特征对长度不一的
             行分类。文献 [10] 用WT 提取敲击禽蛋的声波信号
                                                               信号样本的局部描述能力不一致，提取的特征的代
             的第一共振尺度、S坐标质心与校正T坐标质心、加
                                                               表性会下降。
             权标准差 4 个特征。但是上述基于 WT 的特征提取
                                                                   针对上述问题，本文在时频分段能量熵特征提
             方法存在无法对高频进行分解的问题。文献 [11] 提
                                                               取过程中，将信号分帧引入分段过程，并结合最大
             取了声音信号的频率 (重心、均方频率、频率方差)
                                                               重叠离散小波包变换 (Maximum overlap discrete
             特征、小波包 (节点 0、1 的相对能量比、小波包能量
             熵) 特征以及振动信号 (应力时间) 特征共 7 个特征，                     wavelet packet transfrom, MODWPT)提出 MOD-
             将这些特征输入 BP 神经网络检测风电叶片脱层。                          WPT 时频分帧能量熵特征提取方法。首先将信号
             文献 [12] 融合了小波包特征以及频域特征，并改进                        采用 MODWPT 分解为 4 层，再根据能量分布特征
             评价函数对特征进行选择后输入神经网络，对玻                             选取前 6 个子信号，然后引入信号分帧将时频分段
             璃瓶是否有缺陷进行检测。文献 [13] 采用小波包分                        能量熵中的分段方式改为以一定采样长度分段，后
             解与 VMD 提取信号能量特征用于检测刹车片内部                          计算能量熵，得到时频分帧能量熵特征向量集，最后
             缺陷，计算类内、类间以及总的散布矩阵选择特征，                           将该特征向量集输入随机森林进行识别。实验结果
             将两种特征融合输入 K 最邻近 (K-nearest neigh-                 表明，与 MODWPT 时频分段能量熵、MODWPT
             bor, KNN) 和BP 神经网络进行识别。文献 [8] 在文                  归一化能量相比，本文方法具有更高的 F 1 值，从而
             献 [13] 的基础上对 VMD 参数进行了讨论，采用互                      验证了该方法对提升陶瓷制品敲击声波信号特征
             信息量选择特征输入 KNN 和支持向量机 (Support                     识别性能的有效性。
   57   58   59   60   61   62   63   64   65   66   67