基于無監督深度學習的聲發射信號聚類分析

李 睿,張 純,萬 樂,閆小青

(南昌大學 建筑工程學院, 南昌 330031)

聲發射是指材料局部因能量的快速釋放而發 出瞬態彈性波的現象。聲發射信號的檢測、分類與分析有助于揭示結構內部損傷演化規律及破壞類型，在復合材料損傷檢測、機械故障診斷等領域得到了廣泛應用[1-2]。

特征參數分析和全波形分析是聲發射信號處理的兩種主要手段[3]。特征參數法是從各聲發射信號的波形出發，人為設定并提取反映波形主要特征的參數用于信號診斷分析[4-5]。常見的特征參數有持續時間、上升時間、能量、幅值等。波形分析方法則是對聲發射信號原始波形進行時頻分析[6]，直接利用時頻特征或結合主成分分析、支持向量機[7]等技術，研究聲發射信號與損傷類型之間的關系。信號處理時，兩種方法提取的信號特征都是人為預先設定的,但對于實際的結構或材料，其聲發射信號復雜多樣，受材料性能、結構形式、加載方式等多種因素影響；因此，人為預先設定的信號特征參數并不一定對材料損傷類型或模式敏感，不適當地選用特征反而會導致聲發射信號的聚類分析效果不佳。

對于不同的聲發射信號，信號特征的自適應提取以及聚類分析對解釋AE(聲發射)信號，進行模式識別意義重大。目前，以卷積神經網絡(CNN)等為代表的深度學習技術是發展最為迅速的信號特征自動提取方法，其通過對圖像、信號等數據的直接學習，能實現從具體到抽象等多個層次數據特征的自動提取[8]。在聲發射信號的相關研究中，BARAT等[9]、ISLAM等[10]都利用CNN自動提取了聲發射信號時頻圖的特征，來識別不同缺陷對應的聲發射信號。NASIRI等[11]同樣采用CNN提取原始聲發射信號的特征，用于監測SiCf-SiCm復合材料管損傷過程的3個階段。這些基于深度神經網絡的聲發射模式識別工作均屬于有監督學習，即需要人為去設定用于訓練的聲發射信號標簽(信號對應何種損傷類別或階段)。人工逐一分析聲發射數據并設定信號標簽的工作量極大，在實際工程中是難以做到的。引入無監督學習方法，提出了使用深度自動編碼器提取聲發射信號特征，并結合K均值聚類進行聲發射信號準確分類的方法。在無先驗知識的情況下，2種不同類型聲發射信號的分類識別試驗驗證了所提方法的有效性與可靠性。

1 基本原理與方法

1.1 基于一維卷積的深度自動編碼器

深度自動編碼器是一種無監督學習的非線性特征提取模型，可實現對無標簽復雜高維輸入數據不同層次分布特征的自動提取。其神經網絡結構具有對稱性，包括編碼器和解碼器2個部分(見圖1)。編碼器利用卷積、池化和激活等操作，對原始輸入數據進行壓縮降維；解碼器則利用反卷積、反池化等操作，對降維后的特征進行原始數據重建，并利用反向傳播算法來訓練網絡,使得網絡輸出盡量逼近網絡輸入。因此，深度自動編碼器在學習過程中無需人為設定樣本標簽。學習完成后，最少神經元層的編碼結果即可代表原數據最佳的低維特征值，可進一步用于信號聚類分析。

圖1 卷積自編碼器結構示意

對于聲發射波形信號，文章采用了一維卷積層[12]對原始信號進行直接處理，而未利用時頻變換將原始信號轉變為二維圖像處理，減少了信號處理的工作量。輸入的聲發射信號在經過多個一維卷積和池化處理后,會得到多個通道的中間層(最少神經元層)數據；將中間層每一個通道的數據通過平均池化(取均值)壓縮為一個實數，這個實數在某種程度上具有全局的感受野；再按照通道順序將這些實數進行組合即可得到信號的通道維度特征。

1.2 深度卷積自編碼器結合K均值聚類的聲發射信號分類識別算法

在解決聲發射信號模式識別的問題時，選取信號特征參數進行聚類分析是一種常見的做法[13-14]。由于聲發射信號特征參數類型和個數的選擇將直接影響聚類結果的好壞，所以為避免人為特征選擇的困難，文章基于深度卷積自編碼器自動提取的信號通道維度特征，結合K均值聚類算法對聲發射信號進行聚類分析。

K均值聚類算法使用歐式距離衡量數據點的相似度，通過反復迭代，每個數據點和距離其最近的類簇之間的距離平方最小[15]。利用K均值聚類算法處理自編碼器自動提取的特征，并完成聲發射信號聚類分析的流程如圖2所示。

圖2 聲發射信號識別流程圖

2 聲發射試驗驗證

2.1 試驗裝置和過程

試驗采用的聲發射檢測儀器為PCI-2型聲發射儀，選用了2個中心頻率為150 kHz的R15型諧振式傳感器。將2個傳感器分別用黑色膠帶固定在玻璃纖維復合材料板試件兩端，并在探頭與試件的接觸部位涂凡士林耦合劑，以防止聲發射信號在傳感器和試件界面處過度散射和衰減。處理系統選用AEwin軟件，前置放大增益為40 dB、信號門檻值為30 dB、系統采樣頻率為1 MHz。用直徑為0.5 mm的鉛芯在玻璃纖維復合材料板上摩擦和突然斷裂生成2類聲發射信號，用于模擬不同損傷模式下的聲發射現象。為方便結果驗證，在整個試驗過程中，始終保持鉛芯與試件的摩擦，并隨機、間斷地進行100次斷鉛試驗。

2.2 試驗數據

整個試驗過程中共記錄了3 860個聲發射信號，其中包含斷鉛信號200個(2個傳感器均會接收到斷鉛信號)、摩擦信號3 660個；但具體聲發射信號類別未知。部分聲發射信號波形如圖3所示(信號類別均由后期的人工分析得到)，每個聲發射信號波形均包括1 024個采樣點。

2.3 網絡訓練

深度卷積自編碼器模型的網絡結構參數如表1所示(表中各參數均無量綱)。該模型編碼器部分共有6層卷積層與池化層，解碼器部分與其對等。在編碼器部分，各層卷積核大小均設為3。模型的輸入和輸出均直接采用原始聲發射信號(3 860個波形數據)，損失函數采用均方誤差，激活函數為ReLU(修正線性單元)，初始學習率設置為0.001，共進行5 000批次的迭代訓練，訓練時保存最優模型作為最終的深度自編碼器。

3 計算結果與分析

3.1 無監督學習聚類結果分析

圖4 卷積自編碼器可視化聚類結果在時間上的分布

將所有聲發射信號輸入一維卷積深度自編碼器訓練后，再利用自編碼器自動提取的信號特征進行聚類的結果如圖4所示(圖中特征1，特征2數值均為自編碼器輸出值，無量綱)。文章提出的聲發射信號聚類分析算法將所有聲發射信號劃分為2類，其中類別1包含3 660個聲發射信號，類別2包含200個聲發射信號。進一步觀察類別2中信號的波形特征以及2個傳感器中信號出現的時間(斷鉛信號會被2個傳感器接收到)，可以獲知類別2即為斷鉛信號集。聚類結果的輪廓系數在0.85以上，可視化圖像也顯示出了2類信號被清晰地分割，表明文章提出的方法能在無先驗知識的情況下，通過無監督學習，準確實現了聲發射信號的類型識別。

分類后的聲發射信號傳統特征參數值在試驗時間上的分布如圖5所示。在常見的特征參數中，類別2的聲發射信號(斷鉛信號)具有較低的上升時間、持續時間和計數，但和類別1(摩擦信號)的信號有重疊；區分度最大的特征參數是能量與幅值，而峰頻則無法用于區分不同信號的類別。

圖5 聚類結果的傳統聲發射特征參數在時間上的分布

3.2 不同聚類識別方法對比

進一步比較基于傳統特征參數的聚類方法和提出的方法在信號分類上的性能。試驗測得的聲發射信號部分特征參數如表2所示。由于可以采用不同的特征參數組合作為聚類變量，所以根據已有研究[16-18]分別選取表3中(PA為幅值，D為持續時間，RT為上升時間，E為能量，C為振鈴計數，PF為峰值頻率)的3種特征參數組合，同時考慮3.1節的計算結果，補充選取區分度最高的兩個特征參數(能量和幅值)作為聚類特征組合。傳統聲發射信號特征參數在量綱上存在很大的差異，因此在聚類分析前利用平均數方差標準化消除量綱對分類結果的影響，相應的計算公式為

(1)

表2 聲發射信號特征參數

表3 聲發射信號特征參數聚類結果

將聚類特征參數標準化處理后，再統一使用K均值算法對試驗信號進行類別判斷，識別結果如表4所示。為方便比較，圖6給出了不同特征參數組合的聚類結果在能量與幅值上的分布關系。

圖6 不同特征參數組合的聚類結果在能量與幅值上的分布關系

表4 不同自編碼器聚類結果

聚類結果表明，不同特征參數的組合會不同的聚類效果。組合4中，特征參數幅值和能量是經過人工分析選擇出的最具區分度的聚類指標；因此，僅用兩個指標聚類就能達到很高的分類準確率(只出現1例斷鉛信號誤判)。組合1在組合4的基礎上增加了振鈴計數和持續時間2個特征參數，但分類效果反而降低了，斷鉛信號出現了26例誤判。組合2選擇的5個特征參數能完全正確地進行聲發射信號分類；組合3在組合2的基礎上僅增加了振鈴計數，但分類準確率顯著降低。從由圖6(c)可知，基于組合3特征參數的聚類算法將斷鉛信號中的一個子集識別為一類，而將其他斷鉛信號與摩擦信號混為另一類。由此可見，不是所有的特征參數都利于信號聚類，不合適的特征參數類型與個數選擇反而會降低聲發射信號的聚類分析效果；所以，基于特征參數的信號聚類與識別方法仍然需要大量的人為分析和計算驗證。

與基于人工選擇特征參數的聚類算法相比，表3和圖6(e)所示結果都表明，文章所提算法無需考慮特征參數類型和數目的選擇，依賴于深度自編碼器的自動特征提取功能，可實現聲發射信號自動化的準確聚類。

3.3 不同卷積核尺寸對聲發射信號識別的影響

在處理聲發射信號的一維卷積神經網絡中，卷積核的大小是一個很重要的網絡結構參數。自編碼器特征提取層的每一個元素所對應的輸入數據時間段(即感受野)大小是由卷積核的尺寸和網絡層數決定的。卷積核大小會直接影響深度自編碼器對聲發射信號特征的提取。卷積核尺寸越大，提取特征對應的原始聲發射信號時間段也就越長，其效果相當于忽略更多的細節、提取更抽象的信號特征。

為了進一步研究深度卷積自編碼器結構對聲發射信號識別的影響，保持表1所示的深度自編碼器網絡基本結構不變，設置了5種自編碼器，其第一層卷積核的大小分別為64，32，16，8，3，解碼器的最后一個反卷積層也相應改變。聲發射信號聚類分析的結果如表4所示。當深度自編碼器第一層卷積核尺寸逐步減小時，信號類別診斷的準確率以及類別的可分性(輪廓系數)整體上呈現不斷提高的趨勢；而且當第一層卷積核小于16后，信號類別檢測的準確性就能達到接近完全正確的程度。第一層卷積核的大小會直接改變中間層數據的感受野大小。第一層卷積核為64時，中間層每個數據對應的感受野大小為524，即相當于原波形信號中524個時間點的數據被壓縮到一個值。顯然，使用小的第一層卷積核可以保留更多的信號細節特征。計算表明，使用較小的第一層卷積核對聲發射信號的分類是有利的。

4 結論

(1) 在眾多人為設定的聲發射信號特征參數中，不是所有特征參數都有利于信號的模式識別與類別檢測。在該試驗中，僅能量和幅值對斷鉛、摩擦聲源具有較高的檢測靈敏度。因此，需要人工對聲發射信號特征進行分析，選取合適的特征類型與個數。

(2) 利用無監督的深度學習方法能夠很好地克服參數分析、波形分析中存在的特征有效性不足以及需要人工干預的問題。利用自編碼器進行聲發射信號特征自動提取，再結合K均值算法能夠有效地區別不同聲源的聲發射信號，特別是在聲發射信號事件較多且無法獲得標簽的時候具有明顯的優勢。

(3) 深度自編碼器具備很強的特征學習能力，可從原始聲發射波形信號中自適應提取有效特征用于聚類分析；而且使用較小的第一層卷積核尺寸，可以保留更多信號的細節特征，有利于聲發射信號的識別與分類。