一种面向声发射信号的智能识别系统的制作方法

本发明涉及信号识别，更具体地说，本发明涉及一种面向声发射信号的智能识别系统。

背景技术：

1、在工业结构健康监测与材料损伤演化分析领域，声发射信号作为反映材料内部微裂纹扩展、局部塑性变形及瞬态能量释放的重要信息载体，通过多通道传感网络进行连续采集，并由在线识别系统对事件进行实时解析与分类判断，在现有技术中，声发射信号识别过程通常依赖统一推理模型对多通道输入进行并行处理，但在实际工程环境中，多通道声发射事件往往呈现出明显的时序聚集性与局部突发性特征，使得单位时间窗口内的事件并发程度具有较强波动性。

2、现有技术存在以下不足：

3、目前，在高并发窗口场景下多通道声发射事件在短时间内呈现集中爆发式输入，并伴随推理任务队列持续累积且排队时延动态上升，难以实现对并发事件与计算资源负载之间的动态匹配与分级调度，导致推理任务拥塞加剧、关键事件特征在统一并行处理过程中被稀释，进而引发识别响应滞后与判别稳定性下降，因此，提出一种面向声发射信号的智能识别系统。

4、在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、为了克服现有技术的上述缺陷，本发明的实施例提供一种面向声发射信号的智能识别系统，通过运用基于推理压力分级的多通道事件动态调度机制、基于事件能量与持续时长的联合筛选机制、基于类别响应集中度的置信触发复核机制以及基于多模态特征补偿的识别修正机制的协同处理方式以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案，一种面向声发射信号的智能识别系统，包括压力评估模块、事件标记模块、衰减判定模块以及复核修正模块，模块间通过电信号连接，各模块功能如下：

3、压力评估模块用于在接收声发射信号时，统计多通道并发窗口内的多通道事件并发数量，读取推理任务队列的推理排队时延，结合多通道事件并发数量生成推理压力等级，将推理压力等级传入事件标记模块；

4、事件标记模块用于接收推理压力等级，根据推理压力等级识别多通道并发窗口内的声发射事件，提取声发射事件的事件累计能量和事件持续时长，综合事件累计能量和事件持续时长判断是否标记声发射事件，将标记声发射事件传入衰减判定模块；

5、衰减判定模块用于接收标记声发射事件，对标记声发射事件进行压缩识别处理并获取初始识别结果和类别响应分布，根据类别响应分布分析类别响应集中度，通过类别响应集中度判断是否进入复核识别路径，进入复核识别路径时将初始识别结果传入复核修正模块；

6、复核修正模块用于接收初始识别结果，在复核识别路径中调取标记声发射事件的多模态特征向量，对多模态特征向量进行特征补偿处理并生成复核特征向量，基于复核特征向量对初始识别结果进行修正并生成修正识别结果。

7、在一个优选的实施方式中，在压力评估模块中，在接收声发射信号时，预设分析周期对声发射信号接收时间轴进行连续划分，得到多个多通道并发窗口；

8、读取各声发射事件的事件起始时间和所属采集通道，将事件起始时间落入同一多通道并发窗口的声发射事件片段数量统计为多通道事件并发数量；

9、读取推理任务队列中各声发射事件的入队时间戳和开始推理时间戳，将二者的时间差作为推理排队时延。

10、在一个优选的实施方式中，在压力评估模块中，将多通道事件并发数量与并发数量基准值作比值处理，将推理排队时延与排队时延基准值作比值处理，得到并发数量因子和排队时延因子，根据并发数量因子和排队时延因子计算得到并发推理压力值；

11、当并发推理压力值大于或等于压力等级边界时，推理压力等级为并发推理压力等级。

12、在一个优选的实施方式中，在事件标记模块中，当事件标记模块接收到并发推理压力等级时，通过事件输出接口调取多通道并发窗口内的声发射事件片段；

13、声发射事件是指根据声发射信号的触发边界和终止边界截取得到的连续信号片段，其包含对应声发射事件的幅值序列和起止边界；

14、对幅值序列中各采样点的幅值平方进行累加，将累加结果作为事件片段累计能量；

15、根据声发射事件片段的起止边界得到事件持续时长。

16、在一个优选的实施方式中，在事件标记模块中，将事件能量值与能量基准值作比值处理，将事件持续时长与持续时间基准值作比值处理，综合其比值结果计算得到能时低响应值；

17、将能时低响应值与事件标记边界进行比较：

18、当能时低响应值大于或等于事件标记边界时，对声发射事件进行标记；

19、反之，不对声发射事件进行标记。

20、在一个优选的实施方式中，在衰减判定模块中，接收标记声发射事件后，将标记声发射事件输入边缘端压缩识别模型执行压缩识别处理，获得对应的初始识别结果以及类别响应分布；

21、边缘端压缩识别模型是指部署于边缘计算单元中的轻量化声发射事件识别模型；

22、初始识别结果是指压缩识别模型依据当前标记声发射事件输出的类别标签，用于表示当前声发射事件对应的初步识别类别；

23、类别响应分布是指压缩识别模型输出的全部候选类别对应的类别响应值集合；

24、候选类别是指边缘端压缩识别模型预先建立的声发射事件分类标签集合中的各个可识别类别。

25、在一个优选的实施方式中，在衰减判定模块中，对类别响应分布中的全部类别响应值按照数值大小进行降序排列，得到排序后的类别响应序列，记排序后的第一位类别响应值为最大类别响应值，排序后的第二位类别响应值为次大类别响应值；

26、将最大类别响应值与次大类别响应值进行联合分析，计算类别响应集中度；

27、当类别响应集中度小于类别响应集中度边界时，判定进入复核识别路径，并将初始识别结果及对应标记声发射事件传入复核修正模块；

28、当类别响应集中度大于或等于类别响应集中度边界时，判定将初始识别结果作为最终识别结果输出，不进入复核识别路径。

29、在一个优选的实施方式中，在复核修正模块中，根据初始识别结果对应的事件标识调取标记声发射事件的多模态特征向量；

30、多模态特征向量由标记声发射事件在初始识别过程中同步提取并缓存，包括时域特征向量、频域特征向量以及时频域特征向量；

31、提取最大类别响应值对应的第一候选类别，并读取对应的类别特征中心，计算多模态特征向量与第一候选类别对应的类别特征中心之间的特征偏移向量；

32、根据类别响应分布计算类别竞争系数，结合特征偏移向量构建补偿特征向量；

33、利用补偿特征向量对多模态特征向量进行残差补偿处理，生成复核特征向量。

34、在一个优选的实施方式中，在复核修正模块中，将复核特征向量重新输入边缘端压缩识别模型执行复核识别处理，获得全部候选类别对应的复核类别响应值；

35、对全部复核类别响应值进行比较，将复核类别响应值最大的候选类别确定为修正识别结果；

36、当修正识别结果对应的类别编号与初始识别结果对应的类别编号一致时，判定输出该类别作为最终识别结果；

37、当修正识别结果对应的类别编号与初始识别结果对应的类别编号不一致时，判定将修正识别结果替代初始识别结果，并输出修正识别结果作为最终识别结果。

38、本发明的技术效果和优点：

39、本发明通过在接收声发射信号时，统计多通道并发窗口内的多通道事件并发数量，读取推理任务队列的推理排队时延，结合多通道事件并发数量生成推理压力等级，根据推理压力等级识别多通道并发窗口内的声发射事件，结合事件累计能量和事件持续时长筛选标记声发射事件，依据类别响应集中度判断是否进入复核识别路径，复核修正模块利用多模态特征向量和类别特征中心生成复核特征向量并修正初始识别结果，实现声发射事件识别准确性和稳定性的提升，提高了复杂并发窗口条件下事件筛选与识别的自适应能力，降低了高并发推理场景下的任务排队拥塞程度以及关键事件特征在并行处理过程中的信息稀释程度。