一种基于改进变分模态分解的磁瓦内部缺陷检测方法

摘要

本发明公开了一种基于改进变分模态分解的磁瓦内部缺陷检测方法，涉及磁瓦检测领域，本发明根据磁瓦声振信号特性构造能够反映VMD参数对其信号分解效果影响的适应度函数，该函数以VMD参数作为变量，以函数的最小值对应最佳分解效果，利用SSA找出参数空间中的函数最小值，从而获得对应最优参数设置，然后根据最优参数进行磁瓦声振信号的VMD最优分解，从分解结果中提取相应两个主模态的最大峰值频点作为代表内部缺陷存在与否的信号特征，随后利用KNN完成特征识别，由此形成一套有效的检测算法，实现通过磁瓦声振信号判别磁瓦内部缺陷是否存在。

说明书

技术领域

本发明涉及磁瓦检测领域，具体涉及一种基于改进变分模态分解的磁瓦内部缺陷检测方法。

背景技术

永磁直流电机中恒定磁场的产生主要依靠的部件为磁瓦，磁瓦是一种瓦状铁氧体。在磁瓦制造过程中，由于生产工艺复杂，容易出现结构缺陷，从而造成残次品的产生。与合格磁瓦相比，这些带结构缺陷的残次品会严重影响电机的运行效率和使用寿命。因此如何有效剔除这些残次品是保证磁瓦成品质量的关键。磁瓦的内部缺陷是最为突出和主要的结构缺陷问题，其由于分布位置随机、程度不定以及不可见等特点，为相关检测方法的发展带来了巨大难度和挑战。现阶段磁瓦生产厂家检测磁瓦内部缺陷仍主要采用人工听音方式，即通过磁瓦与金属块的碰撞声音辨别内部缺陷的存在与否，这种检测方式存在多方面的弊端，比如检测效率低、人为影响因素大、辨识标准模糊等。

为了解决人工检测磁瓦内部缺陷所存在的问题，选用无损检测技术领域中的声振检测方式作为检测手段，声振检测具有速度快、操作简单、成本低廉等优点，较为匹配磁瓦生产线对产品质量检测的快速和低成本需求。但声振检测的难点集中在信号处理和分析方面，所以寻找一种高效的信号处理算法能够有效缓解检测难度。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于改进变分模态分解的磁瓦内部缺陷检测方法解决了磁瓦内部缺陷检测难度大的问题。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种基于改进变分模态分解的磁瓦内部缺陷检测方法，其包括以下步骤：

S1、获取磁瓦在碰撞金属块时产生的声振信号；

S2、采用SSA方法对VMD分解参数进行寻优，获取声振信号的最优VMD分解参数；

S3、根据声振信号的最优VMD分解参数将声振信号分解为若干个模态分量；

S4、将与原始信号相关性最大的两个模态分量作为主模态分量，并将两个主模态分量的最大峰值频点作为检测磁瓦内部缺陷的特征向量；

S5、采用KNN对特征向量进行分类识别，完成磁瓦内部缺陷检测。

进一步地，步骤S2的具体方法包括以下子步骤：

S2-1、将VMD分解的分解层数

S2-2、根据公式：

建立获取声振信号的能量差占比

S2-3、根据公式：

建立获取最大频谱重叠系数

S2-4、根据公式：

建立获取适应度值

S2-5、根据每个搜索代理的初始位置设置VMD分解参数，并在该分解参数设置下进行声振信号的VMD分解，获取与每个搜索代理相对应的适应度值；

S2-6、将当前轮次迭代寻优的最小适应度值保存并记录该适应度值所对应搜索代理的位置，并将当前迭代寻优轮次加1；

S2-7、判断当前迭代寻优轮次是否大于T，若是则进入步骤S2-8，否则通过SSA方法更新搜索代理位置，并返回步骤S2-2；

S2-8、将保存的适应度值中最小的那个所对应的搜索代理位置对应的

进一步地，步骤S2-1中最大迭代寻优次数T的值为20。

进一步地，步骤S3的具体方法包括以下子步骤：

S3-1、初始化第一个迭代形成的模态分量

S3-2、根据公式：

迭代更新模态分量、中心频率和Lagrange乘法算子；其中

S3-3、判断公式：

是否成立，若是则输出当前

进一步地，步骤S4中将与原始信号相关性最大的两个模态分量作为主模态分量的具体方法为：

根据公式：

获取第

进一步地，步骤S5的具体方法为：

将特征向量分成训练样本和测试样本，将训练样本输入给KNN进行训练，构建识别合格与缺陷磁瓦的分类器，并用测试样本对训练好的分类器进行测试，当对缺陷磁瓦的识别率达到100%且对合格磁瓦的识别率高于95%时，输出当前分类器，并采用当前分类器对目标磁瓦对应的特征向量进行分类识别。

本发明的有益效果为：本发明根据磁瓦声振信号特性构造能够反映VMD参数对其信号分解效果影响的适应度函数，该函数以VMD参数作为变量，以函数的最小值对应最佳分解效果，利用SSA找出参数空间中的函数最小值，从而获得对应最优参数设置，然后根据最优参数进行磁瓦声振信号的VMD最优分解，从分解结果中提取相应两个主模态的最大峰值频点作为代表内部缺陷存在与否的信号特征，随后利用KNN完成特征识别，由此形成一套有效的检测算法，实现通过磁瓦声振信号判别磁瓦内部缺陷是否存在。

附图说明

图1为本发明的流程示意图；

图2（a）为合格磁瓦声振信号时域图；

图2（b）为合格磁瓦声振信号频域图；

图2（c）为缺陷磁瓦声振信号时域图；

图2（d）为缺陷磁瓦声振信号频域图；

图3为VMD参数优化的SSA寻优收敛曲线；

图4为最优VMD分解参数对Sample Ⅰ中一个随机样本的分解效果；

图5为Sample Ⅰ模态分量与原信号相关性；

图6为Sample Ⅱ模态分量与原信号相关性；

图7为Sample Ⅲ模态分量与原信号相关性；

图8为Sample Ⅰ的特征聚类图；

图9为Sample Ⅱ的特征聚类图；

图10为Sample Ⅲ的特征聚类图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，该基于改进变分模态分解的磁瓦内部缺陷检测方法包括以下步骤：

S1、获取磁瓦在碰撞金属块时产生的声振信号；

S2、采用SSA方法对VMD分解参数进行寻优，获取声振信号的最优VMD分解参数；

S3、根据声振信号的最优VMD分解参数将声振信号分解为若干个模态分量；

S4、将与原始信号相关性最大的两个模态分量作为主模态分量，并将两个主模态分量的最大峰值频点作为检测磁瓦内部缺陷的特征向量；

S5、采用KNN对特征向量进行分类识别，完成磁瓦内部缺陷检测。

步骤S2的具体方法包括以下子步骤：

S2-1、将VMD分解的分解层数

S2-2、根据公式：

建立获取声振信号的能量差占比

S2-3、根据公式：

建立获取最大频谱重叠系数

S2-4、根据公式：

建立获取适应度值

S2-5、根据每个搜索代理的初始位置设置VMD分解参数，并在该分解参数设置下进行声振信号的VMD分解，获取与每个搜索代理相对应的适应度值；

S2-6、将当前轮次迭代寻优的最小适应度值保存并记录该适应度值所对应搜索代理的位置，并将当前迭代寻优轮次加1；

S2-7、判断当前迭代寻优轮次是否大于20，若是则进入步骤S2-8，否则通过SSA方法更新搜索代理位置，并返回步骤S2-2；

S2-8、将保存的适应度值中最小的那个所对应的搜索代理位置对应的

步骤S3的具体方法包括以下子步骤：

S3-1、初始化第一个迭代形成的模态分量

S3-2、根据公式：

迭代更新模态分量、中心频率和Lagrange乘法算子；其中

S3-3、判断公式：

是否成立，若是则输出当前

步骤S4中将与原始信号相关性最大的两个模态分量作为主模态分量的具体方法为：根据公式：

获取第

步骤S5的具体方法为：将特征向量分成训练样本和测试样本，将训练样本输入给KNN进行训练，构建识别合格与缺陷磁瓦的分类器，并用测试样本对训练好的分类器进行测试，当对缺陷磁瓦的识别率达到100%且对合格磁瓦的识别率高于95%时，输出当前分类器，并采用当前分类器对目标磁瓦对应的特征向量进行分类识别。

在具体实施过程中，为了保证传声器采集到优质的磁瓦声振信号，将磁瓦从20毫米固定高度垂直跌落到金属激振块上，由跌落碰撞激发声振信号，值得注意的是该固定跌落高度不会致使磁瓦在碰撞后产生新的缺陷。

SSA是模仿樽海鞘在海中觅食的一种群体智能优化算法。在整个觅食过程中，所有樽海鞘成员相互连接构成一个捕食链，捕食链首端第一个成员为整个群体的领导者，其余成员为追随者，整个捕食队伍跟着领导者寻找猎物。假设樽海鞘位置为一个1×

樽海鞘捕食链其他成员的位置更新计算公式如下：

由于磁瓦声振信号具有非线性、非高斯、非平稳的特点，因此，本发明为了抑制VMD对信号的过分解和欠分解现象专门设计了适应度函数。当VMD对信号欠分解时，生成的模态分量较少而不能完全包含整个原始信号成分，所以模态能量与原始信号的能量差值也越大；当能量差值越小时信号欠分解的可能性越低，但能量差值低于一定阈值时，信号可能会出现过分解的可能。当信号过分解时，两个相邻模态分量的频域成分会发生严重混叠，即频率成分高度相似，因此利用相邻模态分量的频谱重叠系数来衡量信号过分解的程度，这个系数越大则表示过分解越严重。

在本发明的一个实施例中，将磁瓦从20毫米固定高度垂直跌落到金属激振块上，由跌落碰撞激发声振信号，随后采用传声器采集所产生地信号。本发明共分析三种类型的磁瓦声振信号，其中采样频率为40kHz，采样周期0.5s。合格与缺陷样本数量相同，且三种磁瓦样本的尺寸信息如表1所示。

表1：三种磁瓦样本的基本信息

图2（a）、图2（b）、图2（c）和图2（d）展示了Sample Ⅰ中一个随机合格、缺陷样本的声振信号时域、频域图，可以看出合格和缺陷样本时域和频域波形存在一定的相似性，没有明显的标准衡量两者之间的区别，所以需要高效的信号分解方法将信号的细节信息显现。

设置VMD分解参数的取值范围和SSA的各项参数。利用VMD分解参数的取值范围随机初始化20个代理的初始位置，即每个代理的位置代表VMD的分解参数的取值。图3展示了VMD参数优化的SSA寻优收敛曲线，当迭代次数为8时，适应度值达到最小且在后续的迭代寻优中适应度值保持不变，即SSA找到了该信号的VMD最优分解参数。为了提高算法的效率和准确性，在三种样本中随机筛选40个合格样本进行VMD参数寻优，记录每个VMD参数寻优样本的寻优结果，以平均值作为该样本的最终的VMD分解参数取值。因此，三种样本的VMD分解参数寻优结果如表2所示。

表2：三种磁瓦样本的VMD分解参数寻优结果

图4展示了最优VMD分解参数对Sample Ⅰ中一个随机样本的分解效果，如图所示，优化后的VMD能够将信号由频率高低依次分解到相应的模态中，且相邻模态之间没有模态混叠的情况，因此SSA以及适应度函数对VMD分解参数寻优是非常可靠且有效的步骤。

根据VMD分解参数寻优结果设置相应的分解参数值，三种磁瓦样本的声振信号经优化后的VMD分解后，分别形成了与分解层数相同的模态数量，即Sample Ⅰ和Sample Ⅱ有5个模态分量，Sample Ⅲ有6个模态分量。随后计算每个模态分量与原始信号的相关性，将与原始信号相关性最大的两个模态分量作为主模态。如图5、图6和图7所示，展示了每个模态分量与原始信号的相关性大小，可以得出Sample Ⅰ和Sample Ⅱ的主模态分量都为第3和第4模态分量，Sample Ⅲ的主模态为第5和第6模态。

对得到的两个主模态分量提取最大峰值频点。为了检验特征提取的效果，将合格与缺陷磁瓦的特征数据放入一个二维数据空间，如图8、图9和图10所示，合格磁瓦用“△”表示，缺陷磁瓦用“+”表示。从图中可以看出三类磁瓦样本合格与缺陷分界明显，且无重叠部分，因此，利用两个主模态分量的最大峰值频点能够作为有效特征，能较好表征合格与缺陷磁瓦内部结构的区别。

利用KNN对提取的特征进行分类识别。在每种类型的磁瓦中随机选取40个合格样本和40个缺陷样本组成训练样本，剩下的样本作为测试样本，利用训练样本建立能够识别合格与缺陷磁瓦的检测模型，测试样本用来检验检测模型的有效性与可靠性。经过实验，整个检测算法对三类磁瓦样本的识别率如表3所示。从表3可以得出检测算法对三类磁瓦都达到100%的识别，能够有效检测磁瓦内部是否具有缺陷。

表3：检测算法对三类磁瓦的识别率

综上所述，本发明根据磁瓦声振信号特性构造能够反映VMD参数对其信号分解效果影响的适应度函数，该函数以VMD参数作为变量，以函数的最小值对应最佳分解效果，利用SSA找出参数空间中的函数最小值，从而获得对应最优参数设置，然后根据最优参数进行磁瓦声振信号的VMD最优分解，从分解结果中提取相应两个主模态的最大峰值频点作为代表内部缺陷存在与否的信号特征，随后利用KNN完成特征识别，由此形成一套有效的检测算法，实现通过磁瓦声振信号判别磁瓦内部缺陷是否存在。