[发明专利]一种基于改进映射融合特征与阈值的车轮擦伤检测方法

权利要求书

1.一种基于改进映射融合特征与阈值的车轮擦伤检测方法，其特征在于所述方法包括如下步骤：

步骤一：加载获取的P组包含擦伤与噪声的车轮声发射信号从每组信号中提取七种特征：均方根值、熵、峭度频谱、偏度频谱、梅尔谱倒谱系数、伽玛谱倒谱系数和三阶小波能量熵，并确定各组特征的极值及计算P组特征极值的平均值；

步骤二：以步骤一获取的P组特征极值的平均值为检测阈值，对声发射信号进行初步检测，计算各特征的擦伤信号检出率与精准率，对得到的多维特征进行特征筛选，获得检出率和精准率更高的、包含更多擦伤信息的低维特征参数集代表筛选得到的低维特征参数集维数，依据多特征映射融合算法，将低维特征参数集映射融合获得一维映射融合特征

步骤三：将步骤二获得的一维映射融合特征划分为若干个时间窗，每个时间窗内含有长度为α的映射融合特征H_v(β)，依据擦伤信号检出率F₁、精准率F₂综合系数J选取最合适长度的α，计算H_v(β)的标准差、均值和最小值，结合相关系数计算每个时间窗内的改进自适应检测阈值ATH，依据改进自适应阈值判别算法，判别各个特征是否属于擦伤信号，完成车轮擦伤声发射信号检测。

2.根据权利要求1所述的基于改进映射融合特征与阈值的车轮擦伤检测方法，其特征在于所述步骤一的具体步骤如下：

1)加载获取的P组包含擦伤与噪声的车轮声发射信号其中N_i代表每组声发射信号的长度，即采样点个数，i＝1,2,...,P；

2)分别从每组声发射信号中提取均方根值、熵、峭度频谱、偏度频谱、梅尔谱倒谱系数、伽玛谱倒谱系数和小波能量熵，共计七种特征，分别记为每种特征参数集的长度为N_i′，N_i′＜N_i)，利用采样间隔Q对声发射信号进行分组，从分组后的信号中提取各项特征；

3)确定各组声发射信号的均方根值、熵、峭度频谱、偏度频谱、梅尔谱倒谱系数、伽玛谱倒谱系数和小波能量熵的极值，并计算P组特征极值的平均值，分别记为A_R,A_E,A_K,A_S,A_M,A_G和A_X。

3.根据权利要求1所述的基于改进映射融合特征与阈值的车轮擦伤检测方法，其特征在于所述步骤二的具体步骤如下：

1)设定步骤一获取的P组特征极值的平均值A_R,A_E,A_K,A_S,A_M,A_G和A_X为各特征的检测阈值，超过阈值的信号即为擦伤信号，与已知擦伤信号进行比对，不同信号即为干扰信号；

2)利用擦伤信号检出率F₁和精准率F₂对获得的多维特征进行筛选，其中：

式中，L_a代表声发射信号中实际存在的擦伤信号数目，L_d和L_i分别代表被特征检测出的擦伤信号数目和干扰信号数目；

3)设计加权综合系数融合擦伤信号检出率和精准率，具体表示为：

J＝ε₁F₁+ε₂F₂

式中，ε_i表示各性能评价指标重要性的权重，依据多特征映射融合算法，将特征集映射融合获得一维映射融合特征

4)依据擦伤信号检出率F₁、精准率F₂和综合系数J，对特征集E_i进行筛选，获得检出率和精准率更高的、包含更多擦伤信息的低维特征参数集设计构建映射融合算法关键变换矩阵其中：

式中，“T”和“-1”分别代表转置运算和求逆运算，为统一向量；

5)利用变换矩阵将低维特征参数集映射为一维映射融合特征其中：

4.根据权利要求1所述的基于改进映射融合特征与阈值的车轮擦伤检测方法，其特征在于所述步骤三的具体步骤如下：

1)映射一维映射融合特征划分为θ个时间窗，每个时间窗内含有长度为α的映射融合特征H_v(β)，获得更多车轮擦伤的时间信息，其中：

H_v(β)＝{H_v(m),m＝1+(β-1)δ,...,α+(β-1)δ}；

式中，δ为时间窗口的滑动间隔，通常取δ＝α/3，β＝1,2,...,θ，g(·)为取整函数；

θ＝g(N′_i/α)；

2)计算一个时间窗α内的映射融合特征H_v(β)的标准差S_v，其中：

式中，表示求一个时间窗α内的映射融合特征H_v(β)平均值的运算；

3)依据H_v(β)的标准差、均值和最小值，改进自适应检测阈值ATH计算被划分为两种情况：

式中，H代表整段映射融合特征min(·)代表取最小值运算，λ,ω₁和ω₂分别代表由工作条件决定的环境参数变量；

4)依据改进自适应检测阈值ATH计算公式，根据擦伤信号检出率F₁、精准率F₂和综合系数J选取最合适时间窗长度α，并得到最佳检测阈值ATH；

5)根据4)中获得的改进自适应检测阈值ATH，进行车轮擦伤信号判别，判别方法如下式：

如果计算结果R为1，则该特征属于擦伤信号；反之，则属于噪声信号；判别各个特征是否属于擦伤信号，完成车轮擦伤声发射信号检测。