钕铁硼烧结的裂纹损伤在线监测方法与流程

本申请涉及裂纹损伤监测领域，且更为具体地，涉及一种钕铁硼烧结的裂纹损伤在线监测方法。

背景技术：

1、钕铁硼烧结体是一种高性能的永磁材料，广泛应用于电机、发电机、传感器等领域。然而，钕铁硼烧结体在制备和使用过程中容易产生裂纹损伤，影响其性能和寿命。因此，对钕铁硼烧结体的裂纹损伤进行在线监测是非常重要的。

2、然而，传统的裂纹损伤监测方法通常需要人工来进行，这种方法存在主观性和操作性的问题，人工监测的方式需要专业的技术人员，且对于大规模生产的钕铁硼烧结体来说，人工监测效率低下且成本较高。此外，传统的监测方法通常需要将钕铁硼烧结体取下或停机进行检测，这会导致生产过程中的停工和生产线的中断。同时，无法实时监测裂纹损伤可能延误了对问题的及时发现和处理。

3、因此，期望一种优化的钕铁硼烧结的裂纹损伤在线监测方案。

技术实现思路

1、有鉴于此，本申请提出了一种钕铁硼烧结的裂纹损伤在线监测方法，其可以通过采集钕铁硼烧结体的声发射信号后，在数据分析软件中引入基于人工智能和深度学习的信号处理和分析算法来进行该声发射信号的分析，以此来判断钦铁硼烧结体是否存在裂纹损伤。

2、根据本申请的一方面，提供了一种钕铁硼烧结的裂纹损伤在线监测方法，其包括：

3、获取来自被检测钕铁硼烧结体的声发射信号；

4、对所述声发射信号进行格拉姆角和场变换以得到格拉姆角和场图像；

5、通过基于深度神经网络模型的声发射信号特征提取器对所述格拉姆角和场图像进行特征提取以得到声发射信号变换域特征图；

6、使用基于重参数化层的特征图增强器对所述声发射信号变换域特征图进行特征图表达强化以得到强化声发射信号变换域特征图；

7、使用原型类别特征提取网络对所述强化声发射信号变换域特征图进行处理以得到声发射信号原型表征特征向量作为声发射信号原型表征特征；以及

8、基于所述声发射信号原型表征特征，确定被检测钕铁硼烧结体是否存在裂纹损伤。

9、在上述的钕铁硼烧结的裂纹损伤在线监测方法中，所述深度神经网络模型为卷积神经网络模型。

10、在上述的钕铁硼烧结的裂纹损伤在线监测方法中，使用基于重参数化层的特征图增强器对所述声发射信号变换域特征图进行特征图表达强化以得到强化声发射信号变换域特征图，包括：

11、使用所述基于重参数化层的特征图增强器以如下强化公式对所述声发射信号变换域特征图进行特征图表达强化以得到所述强化声发射信号变换域特征图；其中，所述强化公式为：

12、

13、其中，为所述声发射信号变换域特征图的全局均值，为所述声发射信号变换域特征图的方差，是对所述声发射信号变换域特征图的高斯分布进行随机采样得到的第个值，表示按位置点乘，是所述强化声发射信号变换域特征图中各个位置的特征值。

14、在上述的钕铁硼烧结的裂纹损伤在线监测方法中，使用原型类别特征提取网络对所述强化声发射信号变换域特征图进行处理以得到声发射信号原型表征特征向量作为声发射信号原型表征特征，包括：

15、使用所述原型类别特征提取网络以如下原型公式对所述强化声发射信号变换域特征图进行处理以得到所述声发射信号原型表征特征向量；其中，所述原型公式为：

16、

17、

18、其中，和为所述强化声发射信号变换域特征图中沿通道维度的各个特征矩阵向量化排列得到的强化声发射信号变换域特征向量的序列中第和第个强化声发射信号变换域特征向量，是所述强化声发射信号变换域特征向量的序列，为向量的一范数，为所述强化声发射信号变换域特征向量的序列中向量的个数－1，为声发射信号语义波动特征向量中各个位置的特征值，是所述声发射信号语义波动特征向量的长度，是所述声发射信号原型表征特征向量，为指数运算。

19、在上述的钕铁硼烧结的裂纹损伤在线监测方法中，基于所述声发射信号原型表征特征，确定被检测钕铁硼烧结体是否存在裂纹损伤，包括：

20、将所述声发射信号原型表征特征向量通过分类器以得到分类结果，所述分类结果用于表示被检测钕铁硼烧结体是否存在裂纹损伤。

21、在上述的钕铁硼烧结的裂纹损伤在线监测方法中，还包括训练步骤：用于对基于卷积神经网络模型的声发射信号特征提取器、所述基于重参数化层的特征图增强器、所述原型类别特征提取网络和所述分类器进行训练。

22、在上述的钕铁硼烧结的裂纹损伤在线监测方法中，所述训练步骤，包括：

23、训练数据获取，所述训练数据包括来自被检测钕铁硼烧结体的训练声发射信号，以及，被检测钕铁硼烧结体是否存在裂纹损伤的真实值；

24、对所述训练声发射信号进行格拉姆角和场变换以得到训练格拉姆角和场图像；

25、通过所述基于卷积神经网络模型的声发射信号特征提取器对所述训练格拉姆角和场图像进行特征提取以得到训练声发射信号变换域特征图；

26、使用所述基于重参数化层的特征图增强器对所述训练声发射信号变换域特征图进行特征图表达强化以得到训练强化声发射信号变换域特征图；

27、使用所述原型类别特征提取网络对所述训练强化声发射信号变换域特征图进行处理以得到训练声发射信号原型表征特征向量；

28、将所述训练声发射信号原型表征特征向量通过所述分类器以得到分类损失函数值；以及

29、以所述分类损失函数值对所述基于卷积神经网络模型的声发射信号特征提取器、所述基于重参数化层的特征图增强器、所述原型类别特征提取网络和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述训练声发射信号原型表征特征向量进行优化。

30、在本申请中，其首先对来自被检测钕铁硼烧结体的声发射信号进行格拉姆角和场变换以得到格拉姆角和场图像，然后，通过声发射信号特征提取器对所述格拉姆角和场图像进行特征提取以得到声发射信号变换域特征图，接着，使用基于重参数化层的特征图增强器对所述声发射信号变换域特征图进行特征图表达强化以得到强化声发射信号变换域特征图，然后，使用原型类别特征提取网络对所述强化声发射信号变换域特征图进行处理以得到声发射信号原型表征特征，最后，基于所述声发射信号原型表征特征，确定被检测钕铁硼烧结体是否存在裂纹损伤。这样，可以实时、无损地检测钕铁硼烧结体是否存在裂纹损伤。

31、根据下面参考附图对本申请的详细说明，本申请的其它特征及方面将变得清楚。

技术特征：

1.一种钕铁硼烧结的裂纹损伤在线监测方法，其特征在于，包括：

2.根据权利要求1所述的钕铁硼烧结的裂纹损伤在线监测方法，其特征在于，所述深度神经网络模型为卷积神经网络模型。

3.根据权利要求2所述的钕铁硼烧结的裂纹损伤在线监测方法，其特征在于，使用基于重参数化层的特征图增强器对所述声发射信号变换域特征图进行特征图表达强化以得到强化声发射信号变换域特征图，包括：

4.根据权利要求3所述的钕铁硼烧结的裂纹损伤在线监测方法，其特征在于，使用原型类别特征提取网络对所述强化声发射信号变换域特征图进行处理以得到声发射信号原型表征特征向量作为声发射信号原型表征特征，包括：

5.根据权利要求4所述的钕铁硼烧结的裂纹损伤在线监测方法，其特征在于，基于所述声发射信号原型表征特征，确定被检测钕铁硼烧结体是否存在裂纹损伤，包括：

6.根据权利要求5所述的钕铁硼烧结的裂纹损伤在线监测方法，其特征在于，还包括训练步骤：用于对基于卷积神经网络模型的声发射信号特征提取器、所述基于重参数化层的特征图增强器、所述原型类别特征提取网络和所述分类器进行训练。

7.根据权利要求6所述的钕铁硼烧结的裂纹损伤在线监测方法，其特征在于，所述训练步骤，包括：

技术总结
公开了一种钕铁硼烧结的裂纹损伤在线监测方法。其首先对来自被检测钕铁硼烧结体的声发射信号进行格拉姆角和场变换以得到格拉姆角和场图像，然后，通过声发射信号特征提取器对所述格拉姆角和场图像进行特征提取以得到声发射信号变换域特征图，接着，使用基于重参数化层的特征图增强器对所述声发射信号变换域特征图进行特征图表达强化以得到强化声发射信号变换域特征图，然后，使用原型类别特征提取网络对所述强化声发射信号变换域特征图进行处理以得到声发射信号原型表征特征，最后，基于所述声发射信号原型表征特征，确定被检测钕铁硼烧结体是否存在裂纹损伤。这样，可以实时、无损地检测钕铁硼烧结体是否存在裂纹损伤。

技术研发人员：陆柄森,王寰宇,朱明
受保护的技术使用者：江西荧光磁业有限公司
技术研发日：
技术公布日：2024/4/17