1、舰 船 电 子 工 程2023 年第 3 期1引言目前，金属薄板由于具有质量轻、强度高、易加工的特性，广泛应用于舰船结构、钢箱梁桥、微反应器等各种复杂的工程领域1。但金属薄板在加工和成型过程中易产生内部缺陷问题（如：分层、夹杂物、裂纹等），会降低结构的强度和刚度等力学特性2。因此，对金属薄板进行高效、可靠的板材缺收稿日期：2022年9月8日，修回日期：2022年10月19日基金项目：装发快速扶持项目第二阶段（编号：61409220157）资助。作者简介：严宏鑫，男，硕士研究生，研究方向：无损检测、可靠性分析和信号处理。朱平，女，副教授，研究方向：功能器件的设计与制造、微纳测试技术。孙旺，男，硕
2、士研究生，研究方向：软件开发、静电纺丝。基于 WPT 和 SVM 的金属薄板损伤信号识别方法严宏鑫朱平孙旺（中北大学仪器与电子学院太原030051）摘要针对金属薄板在工艺加工和成型的过程中会产生分层、孔洞、裂缝等内部缺陷的问题，采用兰姆波对钢材薄板进行损伤检测，提出一种基于小波包变换和支持向量机的金属薄板微弱损伤信号特征提取与识别方法。采用小波包变换对接收到的回波信号进行特征提取和筛选，回波信号经过小波包阈值降噪预处理，从时域、频域和时频域三个角度构造出25个特征值，并通过主成分分析进行降维处理提取出损伤特征向量，将样本数据集输入至粒子群优化后的支持向量机识别模型中进行损伤识别。结果表明：模型
3、分类出无损伤、孔洞、槽型、焊点信号损伤类型，识别准确率达到91.67%，与BP神经网络方法进行分类对比，SVM识别模型具有较好的分类性能，从而验证了小波包变换和支持向量机相结合来识别金属薄板微弱损伤信号识别分类的准确性和有效性。关键词小波包分解；支持向量机；粒子群优化；特征向量；金属薄板；损伤识别中图分类号TG115.28；TN911.7DOI：10.3969/j.issn.1672-9730.2023.03.035Metal Sheet Damage Signal Identification Method Based onWPT and SVMYAN HongxinZHU PingSUN
4、Wang（School of Instrument and Electronics，North University of China，Taiyuan030051）AbstractIn response to the problem of internal defects such as delamination，holes and cracks in thin metal plates duringprocess of processing and forming，lamb waves are used to detect damage in thin metal plates of ste
5、el，and a weak damage signalidentification method based on wavelet packet transform and support vector machine is proposed for thin metal plates.The waveletpacket transform is used to extract and filter the features of the received echo signal.The echo signal is pre-processed by waveletpacket thresho
6、ld noise reduction，which constructs 25 feature values from three perspectives of time domain，frequency domain andtime-frequency domain.Then，the damage feature vector is extracted by principal component analysis and the sample data set is input to the particle swarm optimized support vector machine r
7、ecognition model for damage identification.The results show that themodel classifies no damage，hole，slot type，and welds joint signal damage types，and the recognition accuracy reaches 91.67%.The SVM recognition model has better classification performance compared with the BP neural network method for
8、 classification，thus verifying the accuracy and effectiveness of combining wavelet packet transform and support vector machine to identify weakdamage signal recognition classification of thin metal plates.Key Wordswavelet packet decomposition，particle swarm optimization，support vector machine，eigenv
9、ectors，sheet metal，damage identificationClass NumberTG115.28，TN911.7总第 345 期2023 年第 3 期舰 船 电 子 工 程Ship Electronic EngineeringVol.43 No.3167总第345期陷检测研究已经成为越来越受关注的研究领域。在超声兰姆波损伤信号识别研究中，微弱信号的特征向量提取常采用经验模态分解、短时傅里叶变换以及小波分解、小波包变换等信号处理方法3。其中，小波包变换特征提取方法具有多尺度及多分辨率特性，可以抑制兰姆波回波信号在不同尺度上的噪声，对非平稳信号具有较好的特征表征能力，有效解
10、决多模态中出现的模态混叠问题4，适用于复杂工况下金属薄板损伤信号的特征提取。微弱信号常用的损伤识别分类算法有决策树模型、朴素贝叶斯、神经网络和支持向量机等5。其中支持向量机具有高维空间有效的小样本识别优势，需要调节的参数较少，比其他模型方法更适合解决非线性、小样本、高维数据的特征分类问题67。而模型训练效率受样本数量影响较大，容易陷入局部最优，采用粒子群优化算法对支持向量机的惩罚因子和核函数参数进行寻优，可以有效提升模型的全局收敛能力和局部搜索能力，有助于提高金属薄板损伤识别的分类准确率和鲁棒性8。基于此，本文提出基于WPT和SVM的金属薄板损伤信号识别方法，搭建基于超声兰姆波的钢材薄板损伤检
11、测实验平台，采集多种损伤类型的回波信号，经小波包阈值去噪处理后，从时域、频域和时频域多层次构造损伤信号的特征值，在保留原始损伤特征信息的基础上，采用主成分分析方法对特征值作降维处理，有效提高损伤识别效率，然后建立基于SVM的损伤识别模型进行训练，测试分类出4种损伤类别，验证上述金属薄板损伤特征提取与分类识别方法的有效性。2损伤信号特征构建与识别2.1基于WPT的特征提取算法小波包变换（WPT）是在时频域展开的分析方法，不仅可以对包含有大量细节信息的复杂信号低频部分进行逐层分解，而且还能对高频部分做更深入分解，具有良好的时频局部化分析能力9。具有典型分解层数的三层小波包分解树结构，如图1所示。图
12、1中(i,j)表示小波包分解得到的第 i 层的第 j个节点，i=0,1,2,3，j=0,1,2,7。小波包分解树的各个节点都有对应的小波包系数Sij，包含不同频带对应的频率信息。其中，不同分解层数得到的分解信号可由式（1）和式（2）逐层计算得到，小波包分解算法可表示为Si+1,2j=kh(k-2n)Sij（1）Si+1,2j+1=kg(k-2n)Sij（2）小波包重构算法公式为Sij=kh(n-2k)Si+1,2j+kg(n-2k)Si+1,2j+1（3）式中，h(k)、g(k)分别表示为高通和低通滤波系数，h(k)、g(k)分别表示为高通和低通重构滤波系数，n为采样点数。图1三层小波包分解树
13、结构图本文提出的微弱损伤信号的特征提取算法流程如图2所示。图2基于WPT的特征提取流程严宏鑫等：基于WPT和SVM的金属薄板损伤信号识别方法168舰 船 电 子 工 程2023 年第 3 期2.2SVM基本原理支持向量机在解决小样本、非线性及高维模式识别中表现出结构简便、泛化能力强等许多特有优势10，其结构如图3所示。非线性支持向量机通过引入惩罚因子和核函数，将训练样本以非线性映射的方式从原始空间映射到高维特征空间，在高维空间寻找最优分类超平面来逼近目标函数，实现 SVM 的分类和回归11。其中高维空间的超平面决策函数为f(x)=sgn(i=1nyiiK(xi,x)+b)（4）式中，n为训练样
14、本数，训练样本xi所属类别yi，i为拉格朗日乘数且i0，K()表示核函数，b为偏置因子。常用的核函数12有多项式核函数、Sigmoid核函数和RBF核函数等。其中，RBF核函数对特征维度和样本数量具有较强的适应能力，因此本文采用RBF核函数，即：K(xi,x)=exp(-xi-x2)（5）式中，xi、x为数据样本，为核函数唯一超参数，|表示向量的范数或模。图3支持向量机结构图2.3基于WPT-SVM损伤识别流程基于WPT和SVM的损伤识别过程主要包括：数据预处理阶段、损伤特征提取阶段、模型参数优化及损伤识别阶段。图4为金属薄板损伤信号分析流程图，具体步骤如下：1）为了消除数据异常点对模型训练的
15、影响，对回波信号作幅值归一化处理，采用小波包阈值降噪作滤波预处理，并对回波信号进行小波包分解。2）在时域中，选取峰值、峭度因子、峰值因子作为第一至三类特征值（U1U3），从信号图形角度选取方差值、均方根、方根幅值作为第四至六类特征值（U4U6），构建出第一部分特征向量；在频域中，对回波信号作FFT变换进行频谱分析，选取峰值、峰 值 因 子 和 均 方 根 作 为 第 七 至 九 类 特 征 值（U7U9），构建出第二部分特征向量；在时频域中，对回波信号进行小波包分解，选取各频带节点能量和小波特征尺度熵13作为第十至二十五类特征值（U10U25），构建出第三部分特征向量；对上述25维特征值组成的
16、损伤特征向量 U 作主成分分析（PCA）特征降维处理，并建立样本数据集。其中，特征向量U如式（6）所示。U=()U1,U2,U25T（6）3）将样本数据集划分为训练样本集和测试样本集，并构建 SVM 模型，采用 PSO 算法对惩罚因子、核函数进行参数寻优。经过多次训练得到SVM损伤识别模型，对多种损伤类型进行识别分类，并输出识别结果。图4金属薄板损伤信号分析流程3实验平台搭建3.1钢材薄板损伤检测实验实验平台仪器包括：任意函数发生器、功率放大器、数字示波器等。实验采用 500mm500mm1.5mm的钢材薄板，主要参数详见表2所示。在不同钢材薄板的中心处分别人为加工两种模拟损伤的尺寸如下：孔洞损伤尺寸：2mm1mm；槽形损伤尺寸：4mm1mm1mm。169总第345期表1钢材薄板主要参数密度/（g/cm3）7.93杨氏模量E/GPa195泊松比v/GPa0.247试样尺寸/（mmmmmm）5005001.5将激励信号通过功率放大器放大后，加载至压电陶瓷片振动待测钢材薄板。接收端压电陶瓷片采集到带有损伤特征的兰姆波信号，通过导线连接到数据采集卡，并由示波器输出信号波形。3.2兰姆波激励信
