表征飞溅现象的特征提取方法、设备和存储介质

1.本发明涉及激光选区熔化技术领域，特别涉及一种表征飞溅现象的特征提取方法、设备和存储介质。


背景技术：

2.slm(selective laser melting，激光选区熔化)技术作为最常用的金属增材制造技术之一，可以直接制造具有良好表面质量、高密度和几何精度高的金属部件。其制造的产品以用于汽车、生物医疗和航空航天等诸多领域。然而，由于制造过程存在不稳定性，容易产生飞溅、变形、成球和气孔等缺陷。
3.在slm过程中，高能激光束照射的作用下金属粉末快速熔融、凝固过程中产生的飞溅，往往伴随声发射信号、声信号、光信号和热辐射等的产生，飞溅现象与最终零件的成形质量存在必然联系。为了更好的抑制slm过程中的飞溅现象，需要从飞溅伴随的某种信号或多种信号中，提取得到表征飞溅现象的特征，以供研究抑制飞溅现象提供参考。然而，由于slm过程中采集的声发射信号具有连续性、非线性与非平稳等特点，再加上声发射信号实验中存在的背景噪声的干扰，声发射信号同时呈现出多声发射源共存和声发射信号微弱等特点。因此，如何从声发射信号中提取表征飞溅现象的特征成为一个待解决的技术问题。


技术实现要素：

4.本发明提供一种表征飞溅现象的特征提取方法，旨在实现从slm过程中的声发射信号提取表征飞溅现象的特征。
5.为实现上述目的，本发明提出的表征飞溅现象的特征提取方法，包括：
6.获取分别在多种不同工艺条件下进行的slm过程中的声发射信号；
7.将获取的各个声发射信号进行初步处理，确定与飞溅现象相关的特征频带；
8.分别利用改进遗传算法优化后的vmd算法对获取的各个声发射信号进行分解，以分别得到各个声发射信号的各个特征频段的本征模态函数；
9.根据所述确定的特征频带分别提取各个声发射信号中表征飞溅现象的预设特征参量。
10.在一些实施例中，所述不同工艺条件包括不同激光功率和/或不同激光扫描速度。
11.在一些实施例中，所述预设特征参量包括时域特征参量、频域特征参量和熵特征参量。
12.在一些实施例中，所述时域特征参量包括均值、标准差、峰峰值、均方根值、峭度、偏度、波形因子、峰值因子中的一个或多个，所述频域特征参量包括平均频率、中心频率、最大幅值中的一个或多个，所述熵特征参量包括样本熵、排列熵、包络熵中的一个或多个。
13.在一些实施例中，所述将获取的各个声发射信号进行初步处理的步骤包括：
14.将采集的各个声发射信号进行时域分析和比较，以及频域分析和比较，以得出表征背景噪声的特征频带和表征飞溅现象的特征频带。
15.在一些实施例中，所述根据所述确定的特征频带分别提取各个声发射信号中表征飞溅现象的预设特征参量的步骤包括：
16.计算出每个声发射信号的各个本征模态函数的预设特征参量，并根据所述确定的特征频带确定各个声发射信号中表征飞溅现象的预设特征参量；或，
17.根据所述确定的特征频带分别确定每个声发射信号中表征飞溅现象的本征模态函数，并计算确定的本征模态函数的预设特征参量，得到每个声发射信号中表征飞溅现象的预设特征参量。
18.在一些实施例中，所述改进遗传算法对vmd算法优化的方式为：以包络熵为适应度函数，并以全局最小包络熵为优化目标，筛选出vmd算法的最佳分解层数和惩罚因子的参数组合；
19.所述改进遗传算法为一种自适应变异算子的遗传算法，所述自适应变异算子的计算公式为：
[0020][0021]
其中，gm表示最大进化代数，g表示当前进化代数，pc表示当前变异算子，pc0表示初始变异算子。
[0022]
在一些实施例中，利用所述改进遗传算法对vmd算法优化包括：
[0023]
设置所述改进遗传算法的各项参数并对vmd算法参数组合初始化；
[0024]
计算vmd算法分解后的各模态的本征模态函数的最小包络熵值；
[0025]
依次进行选择操作、交叉操作、自适应变异算子的变异操作后，将vmd算法的全局最小包络熵值与预设值比较；
[0026]
在确定vmd算法的全局最小包络熵值小于预设值时，输出vmd算法的最佳参数组合；
[0027]
在确定vmd算法的最小包络熵值大于或等于预设值时，返回计算vmd算法分解后的各模态的本征模态函数的最小包络熵值的步骤。
[0028]
本发明还提出一种表征飞溅现象的特征提取设备，所述表征飞溅现象的特征提取设备包括至少一个处理器；以及，
[0029]
与所述至少一个处理器通信连接的存储器；其中，
[0030]
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的表征飞溅现象的特征提取方法。
[0031]
本发明还提出一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现上述的表征飞溅现象的特征提取方法。
[0032]
本发明技术方案，通过先获取多种不同工艺条件对应的slm过程中的声发射信号，再通过分析获取的多个声发射信号确定出与飞溅现象相关的特征频带，接着利用改进遗传算法优化后的vmd算法分解获取的各个声发射信号，得到每个声发射信号对应的各个本征模态函数，最后根据确定的特征频带分别提取各个声发射信号中表征飞溅现象的预设特征参量。本发明的方法实现了从slm过程中的声发射信号提取表征飞溅现象的特征，给对飞溅现象的抑制研究提供有效的数据特征参考，有利于促进产品零件成形质量的提升。并且采
用的改进遗传算法优化后的vmd算法，具有自适应性，且能避免模态混叠现象，保证提取的特征的准确性。
附图说明
[0033]
图1为本发明一实施例中的表征飞溅现象的特征提取方法的流程示意图；
[0034]
图2为本发明一实施例中的改进遗传算法对vmd算法优化的流程示意图；
[0035]
图3为本发明实施例方案涉及的硬件运行环境中表征飞溅现象的特征提取设备的结构示意图。
具体实施方式
[0036]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制，基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0037]
本发明提出一种表征飞溅现象的特征提取方法，主要用于在slm(selective laser melting，激光选区熔化)过程中，从飞溅现象产生的声发射信号中提取表征飞溅现象的特征。
[0038]
参阅图1，图1是本发明的一实施例中的表征飞溅现象的特征提取方法的流程示意图。
[0039]
在本实施例中，该表征飞溅现象的特征提取方法包括：
[0040]
步骤s10，获取分别在多种不同工艺条件下进行的slm过程中的声发射信号；
[0041]
本实施例中，表征飞溅现象的特征提取方法的执行终端可为表征飞溅现象的特征提取设备或计算机设备，在下面描述中，以特征提取设备作为执行终端为例进行详述。由于工艺条件不同，slm过程中的飞溅现象也会有差异，因此，为确保最终结果的准确性，需要对多种工艺条件下的slm过程中的声发射信号分析，故需要准备多种不同工艺条件下的slm过程中的声发射信号数据。可以预先采集好声发射信号数据，即通过多次改变工艺条件，在每次改变工艺条件后进行slm并采集slm过程中的声发射信号，得到对应多种不同工艺条件的多个声发射信号，特征提取设备直接从采集好的声发射信号数据中获取多种不同工艺条件对应的声发射信号；也可以特征提取设备直接采集多种不同工艺条件下的slm过程中的声发射信号。其中，不同工艺条件包括不同的工艺参数，工艺参数可包括在slm过程中飞溅现象较为敏感的参数(即对飞溅现象影响较为明显的工艺参数，例如，激光功率和/或激光扫描速度)；当然，在其他实施例中，工艺条件还可包括其它条件或工艺参数。
[0042]
步骤s20，将获取的各个声发射信号进行初步处理，确定与飞溅现象相关的特征频带；
[0043]
在声发射信号数据准备完成后，对采集的各个声发射信号进行初步处理，通过初步处理确定出能够表征飞溅现象的特征频带。其中，初步处理可包括：将采集的各个声发射信号进行时域分析和比较，以及频域分析和比较，通过时域、频域分析，以得出表征背景噪声的特征频带和表征飞溅现象的特征频带，将表征飞溅现象的特征频带确定为与飞溅现象
相关的特征频带。
[0044]
步骤s30，分别利用改进遗传算法优化后的vmd算法对获取的各个声发射信号进行分解，以分别得到各个声发射信号的各个特征频段的本征模态函数；
[0045]
特征提取设备中存有经预先经改进遗传算法优化的vmd(variational modal decomposition，变vmd)算法程序，通过调用优化后的vmd算法分别对获取的各个声发射信号进行分解，即将每一个声发射信号都进行信噪分离，每一个声发射信号分解后的都得到多个不同特征频段的本征模态函数(intrinsic mode function，imf)，例如，imf1、imf2、
……
imfn，其中，包含各种背景噪声的本征模态函数和表征飞溅现象的本征模态函数。
[0046]
步骤s40，根据确定的特征频带分别提取各个声发射信号中表征飞溅现象的预设特征参量。
[0047]
其中，预设特征参量为特征提取设备中预先设置的特征参量，预设特征参量可包括时域特征参量、频域特征参量和熵特征参量；例如，时域特征参量可包括均值、标准差、峰峰值、均方根值、峭度、偏度、波形因子、峰值因子等特征中的一个或多个，频域特征参量可包括平均频率、中心频率、最大幅值等特征中的一个或多个，熵特征参量可包括样本熵、排列熵、包络熵等特征中的一个或多个。
[0048]
特征提取设备在得到各个声发射信号的各个不同特征频段的本征模态函数后，则可根据步骤s20确定的特征频带分别提取各个声发射信号中表征飞溅现象的预设特征参量。其中，根据确定的特征频带分别提取各个声发射信号中表征飞溅现象的预设特征参量，可为：1、计算出每个声发射信号的各个本征模态函数的预设特征参量，并根据确定的特征频带确定各个声发射信号中表征飞溅现象的预设特征参量；即，分别计算出每个声发射信号的各个不同特征频段的本征模态函数的预设特征参量，再根据步骤s20中确定的与飞溅现象相关的特征频带，确定与飞溅现象相关的本征模态函数，进而确定各个声发射信号对应的表征飞溅现象的特征参量。也可为：2、根据确定的特征频带分别确定每个声发射信号中表征飞溅现象的本征模态函数，并计算确定的本征模态函数的预设特征参量，得到每个声发射信号中表征飞溅现象的预设特征参量。
[0049]
本实施例的表征飞溅现象的特征提取方法，通过先获取多种不同工艺条件对应的slm过程中的声发射信号，再通过分析获取的多个声发射信号确定出与飞溅现象相关的特征频带，接着利用改进遗传算法优化后的vmd算法分解获取的各个声发射信号，得到每个声发射信号对应的各个本征模态函数，最后根据确定的特征频带分别提取各个声发射信号中表征飞溅现象的预设特征参量。本实施例的方法实现了从slm过程中的声发射信号提取表征飞溅现象的特征，给对飞溅现象的抑制研究提供有效的数据特征参考，有利于促进产品零件成形质量的提升。并且采用的改进遗传算法优化后的vmd算法，具有自适应性，且能避免模态混叠现象，保证提取的特征的准确性。
[0050]
在一些实施例中，在根据确定的特征频带分别提取各个声发射信号中表征飞溅现象的预设特征参量的步骤之后，表征飞溅现象的特征提取方法还包括：
[0051]
将各个声发射信号的表征飞溅现象的预设特征参量，及各个声发射信号对应的飞溅现象关联特征作为机器学习模型输入数据，通过机器学习模型得出飞溅现象关联特征与预设特征参量的映射关系。本实施例中，飞溅现象关联特征可包括slm的激光功率、激光扫
描速度等工艺参数，或其它表征飞溅现象强度的参数(例如飞溅数量、飞溅方向、飞溅大小)。通过机器学习模型得出飞溅现象关联特征与slm过程中声发射信号的预设特征参量的映射关系，从而可将该映射关系应用在飞溅现象实时监测中。该机器学习模型可通过输入数据不断的迭代更新飞溅现象关联特征与预设特征参量的映射关系。
[0052]
在一些实施例中，改进遗传算法对vmd算法优化的方式为：以包络熵为适应度函数，并以全局最小包络熵为优化目标，筛选出vmd算法的最佳分解层数k和惩罚因子α的参数组合，即[k，α]；
[0053]
改进遗传算法为一种自适应变异算子的遗传算法，改进遗传算法中的自适应变异算子的计算公式为：
[0054][0055]
其中，gm表示最大进化代数，g表示当前进化代数，pc表示当前变异算子，pc0表示初始变异算子，最大进化代数和初始变异算子均在改进遗传算法设置参数时设置。
[0056]
标准遗传算法的主要特征在于种群搜索策略和简单的遗传算子，使得遗传算法具有强大的全局搜索能力，但是却存在局部搜索能力差和早熟的缺陷，而变异算子决定了遗传算法的局部搜索能力。根据遗传算法的变异算子较难确定，本实施例的提出一种自适应变异算子的遗传算法(即改进遗传算法)，不仅在初期保持染色体的多样性，避免早熟现象，同时在后期避免最优解遭到破坏，增加了搜索到全局最优解的概率；如此，经该改进遗传算法优化后的vmd算法为最佳的分解层数k和最佳的惩罚因子α的参数组合，优化后vmd算法达到最佳的分解效果，从而使最终提取得到的表征飞溅现象的预设特征参量更准确。
[0057]
进一步地，参阅图2，图2是本发明一实施例中的改进遗传算法对vmd算法优化的流程示意图；在本实施例中，利用改进遗传算法对vmd算法优化包括：
[0058]
步骤s01，设置改进遗传算法的各项参数并对vmd算法参数组合初始化；
[0059]
步骤s02，计算vmd算法分解后的各模态的本征模态函数的最小包络熵值；
[0060]
步骤s03，依次进行选择操作、交叉操作、自适应变异算子的变异操作后，将vmd算法的全局最小包络熵值与预设值(预先设置的值)比较，即确定是否满足停止条件；
[0061]
步骤s04，在确定vmd算法的全局最小包络熵值小于预设值时，输出vmd算法的最佳参数组合；
[0062]
步骤s05，在确定vmd算法的最小包络熵值大于或等于预设值时，返回步骤s02。
[0063]
基于前述实施例所提出的表征飞溅现象的特征提取方法，本发明还提出一种表征飞溅现象的特征提取设备，该表征飞溅现象的特征提取设备包括：
[0064]
至少一个处理器；以及，
[0065]
与至少一个处理器通信连接的存储器；其中，
[0066]
存储器存储有可被至少一个处理器执行的计算机程序指令，计算机程序指令被至少一个处理器执行，以使至少一个处理器能够执行上述任一实施例中的表征飞溅现象的特征提取方法。
[0067]
参阅图3，图3是本发明实施例方案涉及的硬件运行环境中表征飞溅现象的特征提取设备的结构示意图。
[0068]
本发明实施例表征飞溅现象的特征提取设备可以是桌上型计算机、笔记本、掌上
电脑及服务器等计算设备。如图3所示，该表征飞溅现象的特征提取设备可以包括：处理器1001，例如cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元，比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
[0069]
本领域技术人员可以理解，图3中示出的表征飞溅现象的特征提取设备结构并不构成对表征飞溅现象的特征提取设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0070]
如图3所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及表征飞溅现象的特征提取程序。
[0071]
在图3所示的表征飞溅现象的特征提取设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的表征飞溅现象的特征提取程序。
[0072]
基于前述实施例所提出的表征飞溅现象的特征提取方法，本发明还提出一种存储介质，该存储介质存储有计算机程序，计算机程序被处理器执行时，实现前述实施例所记载的表征飞溅现象的特征提取方法，该表征飞溅现象的特征提取方法至少包括以下步骤：
[0073]
步骤1，获取分别在多种不同工艺条件下进行的slm过程中的声发射信号；
[0074]
步骤2，将获取的各个声发射信号进行初步处理，确定与飞溅现象相关的特征频带；
[0075]
步骤3，分别利用改进遗传算法优化后的vmd算法对获取的各个声发射信号进行分解，以分别得到各个声发射信号的各个特征频段的本征模态函数；
[0076]
步骤4，根据确定的特征频带分别提取各个声发射信号中表征飞溅现象的预设特征参量。
[0077]
在本技术所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0078]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0079]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
[0080]
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0081]
以上所述的仅为本发明的部分或优选实施例，无论是文字还是附图都不能因此限制本发明保护的范围，凡是在与本发明一个整体的构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明保护的范围内。