基于无监督跳过神经网络的声波发射信号噪声减弱的研究

科学领域:

• 材料科学 材料科学 材料科学
• 信号处理 信号处理
• 人工智能的人工智能

背景情况:

• 声波排放 (AE) 是一种重要的非破坏性测试方法,用于监测材料的结构完整性.
• 在AE信号中的噪音使实验结果的准确分析和评估变得复杂.
• 像波束包和希尔伯特变换这样的现有无效化技术存在局限性.

研究的目的:

• 开发和评估一种无监督的深度学习模型,用于消除声辐射信号的噪声.
• 为了比较拟议的模型的性能与已建立的denoising方法.
• 在现实世界材料测试场景中证明模型的有效性.

主要方法:

• 一个无监督的跳过自动编码器深度学习模型被设计用于AE信号消噪.
• 该模型的性能与波形数据包无声化,希尔伯特变换无声化和完整的集体实证模式分解与自适应噪声无声化进行了基准测试.
• 除技术应用于钢纤维增强混凝土 (SFRC) 和钢的拉力测试以及钢筋混凝土梁的柔性测试中的AE信号.

主要成果:

• 无监督跳过自动编码器模型显示了在AE信号中降低噪声的巨大潜力.
• 该模型有效地消除了在各种材料测试实验中获得的AE信号的噪声.
• 波形和光谱变化的分析证实了该模型成功的降噪能力.

结论:

• 无监督深度学习,特别是跳过自动编码器,为AE信号消噪提供了一个强大的方法.
• 开发的模型代表了AE信号处理在材料测试中的重大进步.
• 这种技术提高了使用声辐射数据进行结构完整性评估的可靠性.