聲發射源多傳感器數據融合識別技術

?? 在聲發射檢測中，為了達到較為精確的定位，通常采用時差定位方法，這就需要兩個或兩個以上的傳感器組合使用。如平面三角形定位，用三個傳感器為一個定位組。而在以前人們所做的聲發源特性識別方面的研究，都只是針對某一傳感器的信號進行分析識別。由于聲發射信號具有瞬態性和隨機性，屬于非平穩的隨機信號，并且是由一系列頻率和模式豐富的信號組成，而且在聲波的傳播過程中，又存在著衰減、反射、折射與模式轉換，所以對同一聲發射源的分析識別，定位組的各個傳感器的結果可能不相同。在這種情況下，要想獲得較高的識別可信度，就必須有一種方法對所獲得的矛盾信息進行處理，對檢測到的信號進行合理支配和使用，把多個傳感器關于同一聲發射源冗余或互補信息依照某種準則進行組合，減少識別過程中的不確定性，才能獲得對聲發射源的正確判斷。尤其是對同一檢測對象，我們采用不同類型的聲發射傳感器(如寬帶、諧振等)，到底更應該相信那個傳感器的結果？更復雜的情況，當同時存在超聲或者應力應變等傳感器的檢測結果時，如何利用所有類型和不同位置傳感器的信息，得到最為真實的結果，就顯得非常重要。
??? 2.1基于D-S理論的聲發射源識別方法[3]
??? 從聲發射源發出的信號經過傳輸介質到達傳感器，信號會發生變化或損失，各個傳感器檢測到的波形信號一般是不完整、不精確、模糊的，甚至可能是矛盾的，即包含著過程的不確定性。我們只能根據這些不確定性信息進行分析推理，最終得出聲發射源的定性判別。不確定性推理最常用的方法有：Bayes方法和D-S證據理論兩種。與Bayes方法相比，D-S證據理論有一個非常突出的優點，就是無需先驗概率和條件概率，這對聲發射檢測這類幾乎沒有先驗知識和專家庫的新型技術顯得非常有用，而且各個傳感器之間的證據是相互獨立的，每個定位組的探頭數一般為三、四個，推理鏈不長，使用D-S規則非常方便。
??? 對于聲發射源識別的數據融合模型結構按數據抽象的層次劃分主要有三類：數據級融合，特征級融合和決策級融合。根據聲發射信號的特點，一般選擇最高層次的融合方法，即決策級融合。由于球罐、橋梁等大型構件，通常采用數十個通道同時進行信號采集，而且一般聲發射檢測持續的時間較長，當進行全波形采集時數據量非常大，要對所有定位相關組的傳感器進行集中決策處理會大大降低系統的效率和實時性。所以，在各個傳感器局部目標識別的基礎上，進行全局決策的結構比較適合聲發射檢測的特點，操作起來非常靈活，也有利于減少系統的復雜程度，使整個決策系統清晰可靠。在一個或幾個傳感器判斷失效的情況下仍能繼續工作，即系統具有一定的容錯能力，總能得到一個唯一的識別結果。這對保證工程檢測結果能夠得到一個最終的安全性評價十分必要。此外，在工程上對于同一個聲發射源還可能進行其他檢測方法的復驗(如采用超聲、射線檢測等)，以保證最終結果可靠。采用這種決策級的融合結構可以方便地對不同類型傳感器或者檢測方法的局部識別結果進行擴充融合，而不必對已有的系統結構做過多的修改。
??? 應用D-S證據理論的關鍵是如何構造基本概率分布函數。D-S理論本身并沒有現成的表達式，使用者應根據經驗或具體的統計證據構造。對聲發射檢測的具體情況，構造如下概率分布函數[4]。
??? 設N為同一定位組中傳感器的數目(對于三角形定位N=3)，M為聲發射源的種類數(如裂紋、泄漏、外部噪聲等等)，則
?????????????? i=1,2,…,N?????????? （1）
????????????? j=1,2,…,M?????????? （2）
??? 上式中各符號如下定義：
??? Ci(j)：傳感器i與聲發射源類別j之間的屬性測度,是單個傳感器的識別結果。一般通過小波及神經網絡的處理獲得屬性測度值；
??? Ri：當使用不同類型的傳感器時，我們可以根據試驗的結果來進行賦值，如采用寬帶傳感器和諧振傳感器，可以賦予不同的置信度，通常在實際檢測中，都使用同一種類型的傳感器，那么將忽略此項；
??? ωi：由于實際聲發射檢測中各傳感器分布在構件的不同區域，如局部結構的不連續，都會給波的傳播模式帶來影響，因而造成對聲發射源的識別的正確性帶來影響，用此權值進行修正；
??? ?i：傳感器i與各目標的最大相關系數，?i=max{CiCj}；
??? ? i：傳感器i與各目標相關系數的分布函數， ；
??? mi(j)：傳感器i賦予目標類別j的基本概率分布值；
??? mi(?)：傳感器i賦予識別框架?的基本概率值，即傳感器i的不確定性概率值。
??? 式中的 項，其物理意義在傳感器與識別聲發射源之間的置信測度，與傳感器本身的可靠性無關，主要是聲發射源發出的信號在傳播過程所造成的影響，與具體的檢測對象以及所采用的定位陣列有關。
??? 2.2識別的過程
??? 在聲發射源識別過程中，以平面三角形定位為例，當定位組中有聲發射信號發生時，信號的波形分別被該定位組中的三個傳感器接收，經放大并進行一定的濾波調理后，由高速A/D轉換器將模擬信號數字化，然后存儲于計算機中，可供事后分析。在實時采集時，只提取一些主要參數供檢測時監控使用，對于有定位要求的還要顯示定位的事件。采集時一般不進行識別過程的處理，主要是保證不丟失聲發射信號，在信號量較少的情況下，可以選擇實時識別。對信號和通道數較多，而且需要進行實時識別時，可采用分布式系統，下位機實現信號的采集與傳輸，上位機進行實時的處理，并及時顯示結果。識別時，為了提高神經網絡局部識別的能力，需要對原始信號進行預處理以提取信號的特征。小波分析對瞬態信號有較好的局部時頻特性，所以采用小波分析的方法進行信號特征提取。提取特征的信號送入神經網絡進行單個傳感器的局部目標分類。輸出的值用于構造mi(A)和mi(?)函數，再按Dempster合并規則，得到最終的基本可信度的分配值。最后，依照各命題的可信度和似然度等指標，用全局決策規則，得到目標識別的結果。