[发明专利]分类模型融合的密封继电器多余物检测与材质识别方法

权利要求书

1.一种分类模型融合的密封继电器多余物检测与材质识别方法，其特征在于所述方法包括如下步骤：

步骤一、制作密封继电器样本：

步骤一一、根据目前应用场景下从密封继电器中检测出的多余物的质量和材质，制作多个密封继电器样本，所述密封继电器样本包括不含多余物但包含松动组件的密封继电器样本和不含松动组件但包含不同材质的多余物的密封继电器样本；

步骤一二、对步骤一一制作的密封继电器样本进行编号，其中：不含多余物但包含松动组件的密封继电器样本的编号为0，不含松动组件但包含第一种材质的多余物的密封继电器样本的编号为1，不含松动组件但包含第二种材质的多余物的密封继电器样本的编号为2，……，不含松动组件但包含第N种材质的多余物的密封继电器样本的编号为N，N为不含松动组件但包含不同材质的多余物的密封继电器样本的数量；

步骤二、借助PIND检测设备获取和保存组件信号、不同材质的多余物信号：

步骤二一、按照编号顺序依次将密封继电器样本放置到PIND检测设备的声发射传感器平台上，PIND检测设备开始一次PIND试验，在最后一个密封继电器样本进行PIND试验结束后，共得到N+1段声发射信号，其中，编号为0的密封继电器样本对应的是组件信号，其余编号的密封继电器样本对应的均是多余物信号；

步骤二二、重新按照编号顺序将所有的密封继电器样本依次进行新一轮的PIND试验，再次得到新一轮的N+1段声发射信号；

步骤二三、重复步骤二二、得到多段组件信号与多余物信号；

步骤三、构建组件识别特征库与材质识别特征库：

从多域提取多个适用的声音特征，使用随机森林计算各声音特征的重要性，筛选重要的声音特征，分别构建组件识别特征库与材质识别特征库；

步骤四、构建组件识别数据集与材质识别数据集：

步骤四一、在步骤三的基础上，通过对声发射信号进行脉冲提取，从组件信号对应的多个帧信号中分别计算组件识别特征库中各声音特征的数值，得到多条数据，将这些数据的标签设置为“0”，并与步骤二中组件信号对应的密封继电器样本的编号一致；同时，从多余物信号对应的多个帧信号中分别计算组件识别特征库中各声音特征的数值，得到多条数据，将这些数据的标签设置为“1”，并与步骤二中组件信号对应的密封继电器样本的编号一致；将标签为“0”和“1”的数据集合到一起，构建组件识别数据集；其中，脉冲提取方法使用基于短时能量和短时过零率的两级双门限脉冲提取算法，具体实施步骤如下：

步骤(1)对声发射信号进行分帧处理，计算每个帧信号的短时能量E_n和短时过零率ZCR_n；

步骤(2)从第一个帧信号开始，分别将每个帧信号的E_n与主体阈值E_p进行比较，如果某个帧信号的E_n大于E_p，则可以根据这个帧信号来寻找脉冲信号主体；

步骤(3)以步骤(2)中确定的帧信号为起始位置，向前逐个比较每个帧信号的E_n与起始阈值E_b的大小和每个帧信号的ZCR_n与过零率阈值ZCR₀的大小，当某个帧信号的E_n与ZCR_n全部小于E_b与ZCR₀时，则这个帧信号被认定为有用脉冲信号的起始帧；

步骤(4)从第一个帧信号开始，分别将每个帧信号的E_n与结束阈值E_e进行比较和将每个帧信号的ZCR_n与ZCR₀进行比较，当某个帧信号的E_n与ZCR_n全部小于E_e与ZCR₀时，则这个帧信号被认定为有用脉冲信号的结束帧，至此，第一级双门限脉冲提取算法处理结束；

步骤(5)通过第一级双门限脉冲提取算法的处理，可以初步确定声发射信号中有用脉冲信号的起始帧与终止帧，以当前提取的脉冲信号为分析对象，重复一次第一级双门限脉冲提取算法的处理过程，在新一轮的处理过程中，结束阈值被重新设置为E_2e，至此，第二级双门限脉冲提取算法处理结束；

所述E_p、E_b、E_e、E_2e的计算公式如下：

式中，E_mean是每个帧信号的短时能量，E_p是主体阈值，E_b是起始阈值，E_e是第一级双门限脉冲提取算法的结束阈值，E_2e是第二级双门限脉冲提取算法的结束阈值；

所述ZCR₀的计算公式如下：

ZCR₀＝2×ZCR_mean

式中，ZCR_n是每个帧信号的短时过零率，ZCR₀是过零率阈值；

步骤四二、在步骤三的基础上，对声发射信号进行脉冲提取，从多余物信号对应的多个帧信号中分别计算材质识别特征库中各声音特征的数值，得到多条数据，其中，对应编号为1的密封继电器样本的多条数据的标签设置为“1”，对应编号为2的密封继电器样本的多条数据的标签设置为“2”，……，对应编号为N的密封继电器样本的多条数据的标签设置为“N”；将标签为“1”、“2”、……，“N”的数据集合到一起，构建材质识别数据集；

步骤五、通过参数优化得到最优的组件识别模型与最优的材质识别模型：

步骤五一、分别在组件识别数据集和材质识别数据集上训练多个线性分类模型与多个非线性分类模型，比较得出在组件识别数据集上取得的分类性能最好的分类模型和在材质识别数据集上取得的分类性能最好的分类模型；

步骤五二、借助网格搜索法，对两个分类模型的内部参数进行优化，得到分类性能最佳的两个分类模型，分别称为最优组件识别模型和最优材质识别模型；

步骤六、将待测密封继电器放置到PIND检测设备的声发射传感器平台上，PIND检测设备开始一次PIND试验，获取并保存一段声发射信号；

步骤七：对声发射信号进行脉冲提取，从对应的多个帧信号中分别计算组件识别特征库中各声音特征的数值，得到多条数据；使用最优组件识别模型预测这些数据的标签，并对预测结果进行多数表决处理，得到共同标签；若共同标签为“0”，则最终给出的识别结果是组件信号，若共同标签为“1”，则说明声发射信号具体为多余物信号，需要进一步识别对应多余物的材质；

步骤八：再次从对应的多个帧信号中分别计算材质识别特征库中各声音特征的数值，得到多条数据；使用最优材质识别模型预测这些数据的标签，并对预测结果进行多数表决处理，得到共同标签；共同标签对应编号的密封继电器样本内部多余物的具体材质就是当前待测密封继电器内部多余物的具体材质。