基于优化变分模态分解的磁瓦内部缺陷检测
Internal defect detection of arc magnets based on optimized variational mode decomposition
通讯作者:
收稿日期: 2019-11-26
Received: 2019-11-26
作者简介 About authors
冉茂霞(1995—),女,硕士生,从事智能信息处理研究.orcid.org/0000-0002-0382-8853.E-mail:
针对磁瓦内部缺陷声振检测存在的信号处理和特征识别问题,提出结合变分模态分解(VMD)、粒子群优化(PSO)和随机森林(RF)的信号分析方法. 该方法以模态能量和相邻模态中心频率差值构建代表VMD处理性能的适应度函数,其中以VMD的分解层数和惩罚因子2个参数作为该适应度函数的变量;通过PSO在VMD参数选择空间中搜索该函数的最小值以执行VMD的参数优化,最小值所对应的参数设置即为VMD的最优参数;利用得到的参数实现信号的最优VMD分解并通过计算模态分量的能量来筛选特征模态,从中提取过零率、谱质心和最大峰值频点以联合反映磁瓦内部缺陷的特征信息;经RF分类器对这些特征进行识别进而对内部缺陷的存在情况做出判断. 实验证明所提出的方法能够准确、高效地实现不同类型磁瓦的内部缺陷检测.
关键词:
A novel signal analysis method combining variational mode decomposition (VMD), particle swarm optimization (PSO), and random forest (RF) was proposed aiming at the signal processing and feature recognition problems in the vibro-acoustic detection for arc magnet internal defects. A fitness function representing the processing performance of VMD is constructed by both the mode energies and the center frequency difference of adjacent modes, in which two parameters of VMD, including the decomposition number and the penalty factor, are used as the function variables. The parameter optimization of VMD is performed by PSO, which is responsible for searching for the minimum value of the function in the VMD parameter space, and the parameters corresponding to the found minimum value can be regarded as the optimal parameter setting of VMD. The obtained parameters are used to achieve the optimal VMD decomposition of the signal, and the characteristic mode is determined by calculating the energy of modes. The zero-crossing rate, the spectral centroid, and the maximum peak frequency are extracted from the selected mode to jointly reflect the characteristic information of the internal defects of arc magnets. RF classifier is utilized to identify the extracted features to judge the existence of internal defects. Experimental results show that the proposed method can realize accurate and efficient internal defect detection for different types of arc magnets.
Keywords:
本文引用格式
冉茂霞, 黄沁元, 刘鑫, 宋弘, 吴浩.
RAN Mao-xia, HUANG Qin-yuan, LIU Xin, SONG Hong, WU Hao.
在现代信号处理技术中,能够将信号分解成独立模态分量的方法具有较大的发展潜力. 极具代表性的算法有经验模态分解[5]、局域均值分解[6],不过Ma等[7]指出它们都容易造成模态混叠的问题. Dragomiretskiy等[8]提出变分模态分解(variational mode decomposition,VMD)是新的自适应时频分析方法,具有可靠性高、模态混叠小的优点. 张云强等[9-12]利用VMD使非平稳的振动信号与噪声脱离. 尽管VMD有出色的信号处理潜力,但其在分解信号时须预设分解层数
VMD作为优异的自适应时频分析方法能够有效处理非平稳信号,但其处理性能严重受制于参数的设置;PSO在优化VMD参数问题中具有显著的应用价值,但依赖于对适应度函数的正确设计. 目前两者并没有在磁瓦声振信号分析中得到合理解决和正确应用,因此本研究首先针对磁瓦信号处理特点,设计反映VMD参数与处理性能关联的适应度函数作为PSO的目标函数,以适应度函数最小对应的参数作为最优执行参数,从而确定最佳的分解层数
1. 基础理论
1.1. 粒子群优化算法
PSO[19]是全局随机搜索算法,利于实现收敛速度快、可靠性高的优化过程. 它主要模仿鸟类觅食行为. 将鸟类觅食过程简化为粒子根据自适应函数找到最优解的过程. 通过不断的迭代,持续地更新粒子的局部和全局最优解最后找到目标值. PSO算法的数学模型简化如下.
假设由
式中:
1.2. 变分模态分解
VMD可以将信号表示为若干调幅调频信号的叠加,即将原信号分解为若干模态函数,其中每个模态[20]可以表示为
式中:
VMD的处理过程如下.
1)对每个模态函数
2)模态分量通过自身估计的中心频率,用指数修正进行频率混合,将中心频率逐步调整到对应带宽上.
3)引入高斯平滑解调信号,估计模态分量频带带宽,通过范数梯度的平方根得到变分模型的约束表达,表达式为
式中:
4)引入惩罚因子
式中:
对增广Lagrange函数进行时频域转换后可以求取对应的极值解,从而得到模态分量和中心频率的表达式:
式中:
最后利用交替方向乘法,通过不断迭代更新
1.3. 随机森林
随机森林(random forest,RF)[21]是集成式的机器学习算法. 它由一系列的分类决策树组成,在训练数据集时,它可以将训练数据随机分配到不同的决策树上,通过决策树投票进行分类决策,投票最多的决策将作为最终的判别结果,决策表示如下:
式中:
2. 检测方法与实验流程
2.1. 实验样本
实验使用4种不同尺寸的铁氧体磁瓦作为实验样本,4种磁瓦在尺寸和材料上涵盖了产量和销量都较高的磁瓦产品,因而较具有代表性. 磁瓦样本的结构示意图如图1所示. 图中,
图 1
将4种类型的磁瓦样本简称为A、B、C、D. 每类磁瓦有240片,合格与缺陷磁瓦各占一半. 每类样本分为2个部分,一部分为训练样本,用于算法设计和信号分析,目的是建立检测算法,训练样本个数记作
表 1 磁瓦样本信息
Tab.1
样本类型 | 磁瓦尺寸/mm | 类型 | | | ||||
R | H | T | L | W | ||||
A | 50 | 23 | 8 | 36 | 64 | 合格 | 40 | 80 |
缺陷 | 40 | 80 | ||||||
B | 45 | 21 | 7 | 30 | 62 | 合格 | 40 | 80 |
缺陷 | 40 | 80 | ||||||
C | 30 | 10 | 5 | 50 | 21 | 合格 | 40 | 80 |
缺陷 | 40 | 80 | ||||||
D | 20 | 9 | 3 | 35 | 25 | 合格 | 40 | 80 |
缺陷 | 40 | 80 |
2.2. 实验数据的收集
自动收集磁瓦声振信号的检测装置沿用Huang等[22]设计的检测系统. 磁瓦声振信号的采集如图2所示. 如图2(a)所示为磁瓦声振信号采集示意图. 图中,传送带尾端与激振块的垂直高度为4 cm,在该高度下能确保磁瓦不会产生新的缺陷. 激振块中的导音孔便于将产生的信号传输给传声器,同时传声器用隔音箱隔离保证收集到的信号受外界干扰较小. 如图2(b)所示为磁瓦声振信号采集系统的实物图,挡板主要用来固定磁瓦在跌落时的姿态,使磁瓦与激振块碰撞位置保持一致. 采集过程如下:步进电机按固定方向匀速输送待检磁瓦,当磁瓦传输到传送带尾端时,开始跌落且与激振块发生碰撞. 磁瓦在跌落过程中阻断光电传感器,光路触发信号调整仪,信号经放大滤波后再由数据采集卡进行数据采集存入计算机,进行后续信号处理. 在信号采集完毕后由计算机运行基于Matlab开发的检测算法来处理信号得出检测结果. 计算机硬件配置为CPU 2.20 GHz,内存为8 GB.
图 2
图 2 磁瓦声振信号采集系统
Fig.2 Acquisition system of vibro-acoustic signal of arc magnets
2.3. 实验与检测算法流程
本研究提出的磁瓦内部缺陷声振检测算法如下,算法检测流程如图3所示.1)根据声振信号特点构建反映VMD分解参数和处理性能关联程度的适应度函数,并由此函数配合PSO执行参数空间中的函数极值搜索,将获得的函数极值对应的参数组合作为VMD最佳的
图 3
图 3 磁瓦内部缺陷检测算法流程图
Fig.3 Algorithm flow chart of internal defects detection of arc magnet
3. 实验结果及分析
3.1. 合格与缺陷磁瓦声振信号在时频域的比较
随机选取A类训练样本中一个合格与缺陷磁瓦作时域和频域分析,采样周期为0.5 s,采样频率为40 kHz,时域、频域图如图4所示. 图中,
图 4
图 4 合格与缺陷磁瓦时域、频域图
Fig.4 Time and frequency domain of qualified and defective arc magnets
图 5
3.2. PSO适应度函数设计
在VMD算法中,
图 6
图 6 不同分解参数对VMD分解效果的影响
Fig.6 Influence of different decomposition parameters on VMD decomposition effect
在利用PSO优化VMD分解参数时,优化效果取决于适应度函数,而适应度函数又主要依赖于被分解信号的特点. 轴承振动信号具有周期性和脉冲性的特点,依据自身信号特性构造的适应度函数一般为熵. 磁瓦声振信号不具有周期性且脉冲现象较弱,因此这些适应度函数不适合作为反映VMD对磁瓦声振信号分解效果的评判标准. 须根据磁瓦声振信号的分解特点构造相应的适应度函数. 许子非等[24]指出,当经VMD分解后的模态分量完全正交时,模态能量之和与原始信号能量应该相等. 在现实的VMD分解中,各模态分量不完全正交,模态分量的能量之和与原始信号的能量存在一定误差,误差越小说明VMD对信号分解的效果越好. 实验证明,当VMD对信号欠分解时,模态分量与原信号的能量差值较大,但当误差小于某一阈值时,VMD存在对信号过分解的风险. 许子非等[24]通过实验确定了这一阈值,但是本研究的研究对象为种类繁多、数量巨大的磁瓦产品,因此确定这一阈值较为困难. 为了避免信号过分解,由贾亚飞等[25]的研究结果可知,当相邻模态分量的中心频率差值不大于1 kHz时,可以认为信号存在过分解现象.
本研究设计的适应度函数从两方面入手,即防止VMD对信号过分解和欠分解,从而达到找到最佳VMD分解参数的目的. 欠分解利用VMD分解后模态分量能量与原信号能量的差值比来避免;过分解利用相邻模态分量中心频率差值不大于1 kHz的次数来预防,适应度函数为两者之和,最佳适应度值为两者和的最小值. 适应度函数表达式如下:
式中:
3.3. PSO寻优结果
PSO中粒子位置代表VMD中
图 7
图 7 A类磁瓦中随机训练样本的声振信号VMD参数PSO寻优结果
Fig.7 Results of VMD parameter optimization with PSO for an acoustic signal of one random sample in Type A
不同信号之间存在一定差异,会导致每个信号在参数寻优后可能有不同的寻优结果. 如果每个信号都执行参数寻优,势必会在检测过程中增加计算时间,降低检测效率. 因此,为了检测效率最大化,利用训练样本来确定VMD的最终分解参数.
将训练样本的声振信号逐个PSO寻优并得到各自最优
表 2 4种磁瓦样本的VMD参数寻优结果修正
Tab.2
磁瓦类型 | | | 磁瓦类型 | | | |
A | 5 | 2 041 | C | 6 | 2 060 | |
B | 5 | 2 031 | D | 3 | 2 014 |
3.4. 特征模态的筛选
信号经VMD处理后会产生代表信号子成分的模态分量,但并非每一个模态都包含着有关内部缺陷的特征信息,因而须对这些模态进行筛选. 研究发现,模态分量能量越大说明含有的有效信息越多,更有利于提取到区别合格和缺陷磁瓦的特征;模态分量能量较少说明含有的噪声信号较多,会干扰特征的正确提取,所以利用模态能量大小筛选特征模态能精简数据处理量并促进特征提取的有效性.
具体实施如下:计算每类样本中所有训练样本的模态能量,取同类训练样本的相同模态的能量平均值并做归一化处理,每类样本的特征模态即为归一化平均能量最大的模态. VMD模态平均能量归一化表达式[26]如下:
式中:
如表3所示为4类样本的各模态归一化平均能量计算结果,A、B、C、D这4种样本的特征模态依次确定为第3、3、6、3模态.
表 3 4种样本的VMD模态平均能量归一化
Tab.3
样本 | ENM | |||||
模态1 | 模态2 | 模态3 | 模态4 | 模态5 | 模态6 | |
A | 0.007 | 0.036 | 1.000 | 0.198 | 0.032 | − |
B | 0.009 | 0.032 | 1.000 | 0.516 | 0.046 | − |
C | 0.018 | 0.014 | 0.043 | 0.035 | 0.902 | 1.000 |
D | 0.063 | 0.328 | 1.000 | − | − | − |
3.5. 特征提取的依据和过程
提取有效的特征对识别磁瓦内部缺陷有重要作用. 合格与缺陷磁瓦因内部结构不同,受外部力量撞击而产生的声音信号也有所不同,声音的不同主要在于音色方面的区别. 因此,本研究从特征模态中提取音色方面的3个时频域信息联合作为表征磁瓦内部缺陷的特征. 具体特征信息如下:
1)过零率[27]. 当周期成分较多时,过零率较小;当噪声成分较多时,过零率较大. 过零率表达式如下:
式中:
2)谱质心[28]. 谱质心为信号频率与其能量分布概率值乘积的总和,代表信号能量的重心,也是重要的音色描述特征,具有较强的抗干扰能力和鲁棒性. 表达式如下:
式中:
3)最大峰值频点. 特征模态在快速傅里叶变换下会得到其频谱,谱中最大峰值频点代表磁瓦声振信号的振动频率,频率和磁瓦物理结构有直接关联,所以能够作为区别合格磁瓦与缺陷磁瓦的特征之一.
每个磁瓦声振信号都提取了3个特征,将特征数据的3个特征放入3维数据空间,如图8所示. 图中,
图 8
图 8 4种类型的磁瓦样本的特征聚类
Fig.8 Feature clustering for four types of arc magnet samples
3.6. 分类器的训练和识别
在提取有效特征后须进行特征识别,以判别内部缺陷是否存在. 利用RF作为分类器,使用支持向量机(SVM)和反向传播神经网络(back propagation neural network,BPNN)作为对比,验证识别方法的有效性.
分类器的识别能力得益于训练样本的训练效果,由于训练样本仅提供有无缺陷信息,故样本之间在信息贡献上可视为是一致的,因而对于识别能力的影响主要体现在训练样本的数量上. 理论上,训练数量越多,训练越充分,但过多训练数量易造成重复训练降低训练效果. 本研究逐步增加训练数量,通过识别率来探究训练数量的合理值;训练样本由等量的合格与缺陷样本构成,数量相同是为了确保样本在表征合格与缺陷情况时的概率平衡. 如图9所示为不同训练样本数量对识别精度的影响.图中,
表 4 3种分类器对4种测试样本的识别率和识别时间
Tab.4
样本类型 | RF | SVM | BPNN | |||||||||||
| | | ST/s | | | | ST/s | | | | ST /s | |||
A | 100 | 100 | 100 | 6.64 | 100 | 100 | 100 | 6.76 | 100 | 100 | 100 | 7.20 | ||
B | 100 | 100 | 100 | 4.64 | 100 | 100 | 100 | 4.88 | 100 | 100 | 100 | 4.92 | ||
C | 100 | 100 | 100 | 7.24 | 100 | 100 | 100 | 7.56 | 100 | 98.75 | 99.38 | 7.51 | ||
D | 100 | 100 | 100 | 1.88 | 100 | 95.00 | 97.50 | 2.14 | 92.50 | 100 | 96.25 | 2.44 |
图 9
图 9 训练样本数量对识别精度的影响
Fig.9 Impact of number of training samples on recognition rate
3.7. 优化VMD对磁瓦内部缺陷识别的影响
图 10
图 10 不同VMD分解参数下对D类测试样本的识别效果
Fig.10 Identification effect of class D test samples with different VMD decomposition parameters
如图10(a)所示为不同VMD分解参数对D类测试样本总体识别率的变化,可以看出优化后的VMD对D类训练样本的总体识别率高于未经优化后的VMD. 在识别速度上,即单片测试样本所需时间,只有当分解层数为2时,识别时间才低于优化VMD的识别时间. 综合识别率和识别时间,优化后的VMD能够更加准确地识别合格与缺陷磁瓦. 须注意的是,虽然在分解层数为2时,对D类测试样本的识别速度更加快速,但是这是以牺牲识别率为代价,不符合磁瓦内部缺陷识别的通用要求和准则.
4. 结 论
为了实现磁瓦内部缺陷的有效识别,提出结合PSO、VMD和RF的信号分析方法. 整个方法在4类磁瓦样本检测实验中取得了满足实际检测需求的效果,为磁瓦内部缺陷的快速精准检测提供了可行方案.
(1)以反映VMD参数与其处理性能关联的适应度函数作为PSO的目标函数进行寻优,能够在参数空间中准确找到VMD最佳的
(2)利用每个模态分量的能量来筛选特征模态,有效精简特征提取量并突出特征信息,从而提高算法的运算速度、检测效率和识别精度.
(3)联合特征模态中的过零率、谱质心和最大峰值频率3种信息可以充分表述内部缺陷的存在情况,组成的特征数据量小、聚类清晰,有助于识别和判断.
(4)采用RF作为特征识别分类器,其结构简易、对参数设置依赖性弱,极大简化了分类器训练和设计的难度. 在保证4种磁瓦样本的缺陷识别率到达100%的条件下,有较高的合格磁瓦识别率,同时在检测速度上获得了有别于SVM和BPNN的明显优势.
(5)在利用VMD处理磁瓦声振信号之前,须利用PSO对VMD分解参数进行寻优,这不可避免地会花费一定的额外时间,且寻优过程存在一定复杂性,在实施快速化在线检测方面还有进一步改进的空间. 因此在后续研究中有望通过对VMD分解性能的深入研究,构建更为简单和直观的适应度函数来降低优化的难度,同时提高优化的时效性.
参考文献
应用双树复小波包和NCA-LSSVM检测磁瓦内部缺陷
[J].
Application of DTCWPT and NCA-LSSVM to inspect internal defects of magnetic tile
[J].
Internal defect inspection in magnetic tile by using acoustic resonance technology
[J].DOI:10.1016/j.jsv.2016.07.020 [本文引用: 1]
钢箱梁疲劳裂纹特征超声波检测方法试验研究
[J].
Fatigue crack features in steel box girder by ultrasonic testing
[J].
红外热成像信号处理技术的研究进展
[J].
Research advances in infrared thermography signal processing technology
[J].
The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis
[J].DOI:10.1098/rspa.1998.0193 [本文引用: 1]
The local mean decomposition and its application to EEG perception date
[J].DOI:10.1098/rsif.2005.0058 [本文引用: 1]
Incipient fault feature extraction of rolling bearings based on the MVMD and Teager energy operator
[J].DOI:10.1016/j.isatra.2018.05.017 [本文引用: 1]
Variational mode decomposition
[J].DOI:10.1109/TSP.2013.2288675 [本文引用: 1]
基于变分模式分解的滑动轴承摩擦故障特征提取与状态识别
[J].
Feature extraction and state recognition for sliding bearing friction faults based on variational mode decomposition
[J].
Health condition identification of planetary gearboxes based on variational mode decomposition and generalized composite multi scale symbolic dynamic entropy
[J].DOI:10.1016/j.isatra.2018.06.001
Chatter detection in milling process based on VMD and energy entropy
[J].DOI:10.1016/j.ymssp.2017.11.046
VMD多尺度熵用于高速列车横向减振器故障诊断
[J].
Fault diagnosis method for high-speed train lateral damper based on variational mode decomposition and multiscale entropy
[J].
A parameter-adaptive VMD method based on grasshopper optimization algorithm to analyze vibration signals from rotating machinery
[J].DOI:10.1016/j.ymssp.2017.11.029 [本文引用: 1]
Initial center frequency-guided VMD for fault diagnosis of rotating machines
[J].DOI:10.1016/j.jsv.2018.07.039 [本文引用: 1]
VMD样本熵特征提取方法及其在行星变速箱故障诊断中的应用
[J].
A VMD sample entropy feature extraction method and its application in planetary gearbox fault diagnosis
[J].
A coarse-to-fine decomposing strategy of VMD for extraction of weak repetitive transients in fault diagnosis of rotating machines
[J].DOI:10.1016/j.ymssp.2018.07.014 [本文引用: 1]
参数优化变分模态分解方法在滚动轴承早期故障诊断中的应用
[J].
Parameter optimized variational mode decomposition method with application to incipient fault diagnosis of rolling bearing
[J].
基于PSO-VMD的齿轮特征参数提取方法研究
[J].
Feature parameters extraction method of gear based on PSO-VMD
[J].
变分模态分解和改进的自适应共振技术在轴承故障特征提取中的应用
[J].
Application of variational mode decomposition and improved adaptive resonance technology in bearing fault feature extraction
[J].
基于随机森林的特征选择算法
[J].
Feature selection algorithm based on random forest
[J].
Automatic classification of magnetic tiles internal defects based on acoustic resonance analysis
[J].DOI:10.1016/j.ymssp.2015.02.018 [本文引用: 1]
Application of parameter optimized variational mode decomposition method in fault diagnosis of gearbox
[J].DOI:10.1109/ACCESS.2019.2909300 [本文引用: 1]
优化递归变分模态分解及其在非线性信号处理中的应用
[J].
Application of the proposed optimized recursive variational mode decomposition in nonlinear decomposition
[J].
基于VMD和多尺度熵的变压器内绝缘局部放电信号特征提取及分类
[J].
Feature extraction and classification on partial discharge signals of power transformers based on VMD and multiscale entropy
[J].
基于WPT-ANN的磁瓦内部缺陷音频检测
[J].
Acoustic impact testing of magnetic tile internal defects based on wavelet packet transform and artificial neural network
[J].
基于过零率及频谱的语音音乐分类算法
[J].
Speech music classification algorithm based on zero-crossing rate and spectrum
[J].
/
〈 |
|
〉 |
