一種基于神經(jīng)網(wǎng)絡的電化學噪聲腐蝕信號處理方法
【技術領域】
[0001] 本發(fā)明屬于材料腐蝕檢測技術領域，特別是設及一種基于神經(jīng)網(wǎng)絡的電化學噪聲 腐蝕信號處理方法。
【背景技術】
[0002] 近些年新型的電化學噪聲處理方法層出不窮，其主要思路還是將新型的數(shù)學方法 借鑒到電化學噪聲數(shù)據(jù)的處理中，具體有如下一些方法：聚類分析，用聚類的方法劃分腐蝕 階段；混濁理論，用混濁的參數(shù)來區(qū)分腐蝕類型；神經(jīng)網(wǎng)絡，用訓練的神經(jīng)網(wǎng)絡判別腐蝕類 型與預測等等；雖然該些新方法新參數(shù)很多，但與腐蝕過程原理的對應則稍顯薄弱，需要更 久的時間與更充分的論據(jù)去證明該些方法的有效性與實用行；因此，如何發(fā)現(xiàn)新的電化學 噪聲數(shù)據(jù)的處理方法并將其與其腐蝕過程原理結合起來，使該處理方法獲得嚴謹?shù)睦碚撋?的依據(jù)，都是近些年也將是未來電化學噪聲研究的重點。
[0003] 神經(jīng)網(wǎng)絡（Neural Networks)屬于機器學習的范疇，其基本結構單元為神經(jīng)網(wǎng)絡 的節(jié)點。一個節(jié)點為計算的基本單元，實現(xiàn)計算中的加減乘除等的四則運算，無數(shù)的節(jié)點通 過特定結構的輸入輸出連接形成了整個計算的神經(jīng)網(wǎng)絡，就像由無數(shù)神經(jīng)元組成的人類大 腦神經(jīng)系統(tǒng)一樣，故其本質為數(shù)學計算模型，形象地稱之為神經(jīng)網(wǎng)絡。神經(jīng)網(wǎng)絡的用途非常 廣泛，主要應用在模式識別、數(shù)據(jù)預測、數(shù)據(jù)擬合領域。神經(jīng)網(wǎng)絡分類有很多種方法，按網(wǎng)絡 拓撲結構可分為前向神經(jīng)網(wǎng)絡與反饋神經(jīng)網(wǎng)絡，按學習過程可分為有監(jiān)督學習神經(jīng)網(wǎng)絡與 無監(jiān)督學習神經(jīng)網(wǎng)絡等。與無監(jiān)督神經(jīng)網(wǎng)絡相比有監(jiān)督型神經(jīng)網(wǎng)絡能有更好的分類性能， 大量的實驗為本發(fā)明提供了非常豐富的訓練樣本，故在本文中采用一種有監(jiān)督學習神經(jīng)網(wǎng) 絡----反向傳播神經(jīng)網(wǎng)絡，即BP神經(jīng)網(wǎng)絡。

【發(fā)明內容】

[0004] 為了解決上述問題，本發(fā)明的目的在于提供一種基于神經(jīng)網(wǎng)絡的電化學噪聲腐蝕 信號處理方法。
[0005] 為了達到上述目的，本發(fā)明提供的基于神經(jīng)網(wǎng)絡的電化學噪聲腐蝕信號處理方法 包括；按順序進行的下列步驟：
[0006] 步驟1)提煉不同腐蝕類型的典型電化學噪聲信號：
[0007] 根據(jù)從電化學噪聲實驗中取得的電化學噪聲信號的時域圖將腐蝕區(qū)分為點蝕、均 勻腐蝕和純化=種腐蝕類型；所述的電化學噪聲實驗是用標準304不誘鋼試樣制成工作電 極，并將兩個工作電極與一個參比電極放入到實驗溶液之中，通過零阻電流計同時測量兩 工作電極之間的電化學電流噪聲與工作電極和參比電極之間的電化學電壓噪聲；不同的腐 蝕類型其表現(xiàn)的電化學噪聲在時域圖上有很大區(qū)別；當發(fā)生點蝕時，電流噪聲和電壓噪聲 會出現(xiàn)明顯的暫態(tài)峰；當發(fā)生純化或者均勻腐蝕時，電流噪聲和電壓噪聲則表現(xiàn)為高頻的 無規(guī)律振蕩；
[000引步驟。數(shù)據(jù)分組：
[0009] 將上述采集得到的實驗數(shù)據(jù)按1024個點為一單位進行數(shù)據(jù)切割，即每512秒存一 個單獨小文件，文件名按時間疊加，則得到大量的各種腐蝕的數(shù)據(jù)；
[0010] 步驟3)得到每組數(shù)據(jù)各個特征參數(shù)：
[0011] 對該些所有小文件中每種腐蝕類型隨機選取上百組數(shù)據(jù)，批處理該些數(shù)據(jù)，得到 每組數(shù)據(jù)各個特征參數(shù)的值；
[001引步驟4) BP神經(jīng)網(wǎng)絡的訓練與處理：
[0013] 通過計算各組的電化學信號特征值，得到了上百組樣本的值；將每組樣本的10項 參數(shù)按噪聲電阻、特征電荷、特征頻率、小波歸一化能量dl?d7層的能量比的順序組成一 組特征向量，上百組樣本值可得到上百組不同的特征向量；每組特征向量作為BP神經(jīng)網(wǎng)絡 的輸入集合，每組樣本對應的腐蝕類型作為BP神經(jīng)網(wǎng)絡的輸出集合；取輸入總值的60%輸 入作為訓練集，取20%的輸入作為驗證集和測試集；用訓練集訓練數(shù)據(jù)，用驗證集作神經(jīng) 網(wǎng)絡訓練最優(yōu)值的選擇，用測試集測試神經(jīng)網(wǎng)絡的泛化性能與分類精度。
[0014] 在步驟4)中，所述的BP神經(jīng)網(wǎng)絡的訓練與處理前需要先進行BP神經(jīng)網(wǎng)絡的優(yōu) 化：
[0015] BP神經(jīng)網(wǎng)絡的優(yōu)化過程是選擇最合適的S個參數(shù)的過程；隱藏層節(jié)點數(shù)、學習速 率與學習函數(shù)；
[0016] 選擇最常用的函數(shù)= 其完全分類訓練精度高且泛化能力強；
[0017] 隱藏層節(jié)點數(shù)的選擇參考經(jīng)驗公式；1《n-1或/ ^ >/(w +W) + (/，其中a為0?10 之間的值。
[0018] 本發(fā)明提供的基于神經(jīng)網(wǎng)絡的電化學噪聲腐蝕信號處理方法是用BP神經(jīng)網(wǎng)絡處 理電化學噪聲腐蝕實驗所得的電化學噪聲腐蝕信號數(shù)據(jù)，計算出所有文件樣本的特征值， 數(shù)據(jù)處理結果顯示，神經(jīng)網(wǎng)絡可高達98. 3%的精度辨別出腐蝕類型，是一種有效的電 化學噪聲數(shù)據(jù)處理方法。
【附圖說明】
[0019] 圖1為本發(fā)明提供的基于神經(jīng)網(wǎng)絡的電化學噪聲腐蝕信號處理方法的流程圖；
[0020] 圖2為典型的S種腐蝕類型的噪聲信號時域圖；
[0021] 圖3為樣本特征羅列圖；
[0022] 圖4為BP神經(jīng)網(wǎng)絡訓練性能圖。
【具體實施方式】
[0023] 下面結合附圖和具體實施例對本發(fā)明提供的基于神經(jīng)網(wǎng)絡的電化學噪聲腐蝕信 號處理方法進行詳細說明。
[0024] 如圖1所示，本發(fā)明提供的基于神經(jīng)網(wǎng)絡的電化學噪聲腐蝕信號處理方法包括按 順序執(zhí)行的下列步驟：
[0025] 步驟1)提煉不同腐蝕類型的典型電化學噪聲信號：
[0026] 根據(jù)從電化學噪聲實驗中取得的電化學噪聲信號的時域圖將腐蝕區(qū)分為點蝕、均 勻腐蝕和純化=種腐蝕類型；所述的電化學噪聲實驗是用標準304不誘鋼試樣制成工作電 極，并將兩個工作電極與一個參比電極放入到實驗溶液之中，通過零阻電流計狂RA)可W 同時測量兩工作電極之間的電化學電流噪聲與工作電極和參比電極之間的電化學電壓噪 聲，由此獲得不同腐蝕類型的典型電化學噪聲信號；不同的腐蝕類型其表現(xiàn)的電化學噪聲 在時域圖上有很大區(qū)別；當發(fā)生點蝕時，電流噪聲和電壓噪聲會出現(xiàn)明顯的暫態(tài)峰；當發(fā) 生純化或者均勻腐蝕時，電流噪聲和電壓噪聲則表現(xiàn)為高頻的無規(guī)律振蕩，圖2為=種典 型噪聲信號的時域圖；從左至右、從上至下分別為圖2a-圖3f，其中圖2a與圖2d顯示了標 準304不誘鋼試樣在0. 2mol/l的FeCls中浸泡了 2小時后的電位和電流噪聲圖，可W明顯 地發(fā)現(xiàn)電位噪聲有峰值3mV的暫態(tài)峰，而電流噪聲有峰值為7 uA的暫態(tài)峰，兩者暫態(tài)峰發(fā) 生在同一時間，但其方向正好相反；圖化與圖2e則是試樣在0. 6m〇Vl的H2SO4中浸泡6小 時后的電位和電流噪聲圖，其電流噪聲和電位噪聲表現(xiàn)為高頻無規(guī)律振蕩，其電位幅值在 0. 4mV，電流幅值在200nA ;圖2c與圖2f為試樣在0. lmol/1化OH和0. lmol/1 KOH的混合 溶液中浸泡2小時后的電位和電流噪聲圖，其表現(xiàn)出與均勻腐蝕類似的振蕩信號，但其電 位幅值僅為0. 5mV，電流幅值僅為0. 5nA，明顯小于均勻腐蝕；
[0027] 根據(jù)標準304不誘鋼試樣在不同溶液中浸泡72小時后的金相圖，原始試樣表面非 常光滑，點蝕后的試樣顯示出了試樣表面出現(xiàn)典型的發(fā)育完全的點蝕孔；試樣經(jīng)過均勻腐 蝕后，在試樣表面可W看見標準304不誘鋼試樣的奧氏體形狀；試樣純化時，其表面出現(xiàn)純 化膜，特征為試樣表面由光滑變粗趟，顏色由光亮變灰暗；試樣的金相圖通過視覺表征法很 好地驗證了實驗設計的合理性與實驗結果的有效性；
[00測步驟。數(shù)據(jù)分組：
[0029] 表1為電化學噪聲實驗的實驗溶液、腐蝕類型、持續(xù)時間和標簽的匯總表，將按照 表1的實驗內容所采集得到的實驗數(shù)據(jù)按1024個點為一單位進行數(shù)據(jù)切割，即每512秒存 一個單獨小文件，文件名按時間疊加，則可W得到大量的各種腐蝕的數(shù)據(jù)；
[0030] 表1實驗溶液總結
[0031]
【主權項】
1. 一種基于神經(jīng)網(wǎng)絡的電化學噪聲腐蝕信號處理方法，其特征在于：所述的基于神經(jīng) 網(wǎng)絡的電化學噪聲腐蝕信號處理方法包括按順序進行的下列步驟： 步驟1)提煉不同腐蝕類型的典型電化學噪聲信號： 根據(jù)從電化學噪聲實驗中取得的電化學噪聲信號的時域圖將腐蝕區(qū)分為點蝕、均勻腐 蝕和鈍化三種腐蝕類型；所述的電化學噪聲實驗是用標準304不銹鋼試樣制成工作電極， 并將兩個工作電極與一個參比電極放入到實驗溶液之中，通過零阻電流計同時測量兩工作 電極之間的電化學電流噪聲與工作電極和參比電極之間的電化學電壓噪聲；不同的腐蝕類 型其表現(xiàn)的電化學噪聲在時域圖上有很大區(qū)別；當發(fā)生點蝕時，電流噪聲和電壓噪聲會出 現(xiàn)明顯的暫態(tài)峰；當發(fā)生鈍化或者均勻腐蝕時，電流噪聲和電壓噪聲則表現(xiàn)為高頻的無規(guī) 律振蕩； 步驟2)數(shù)據(jù)分組： 將上述采集得到的實驗數(shù)據(jù)按1024個點為一單位進行數(shù)據(jù)切割，即每512秒存一個單 獨小文件，文件名按時間疊加，則得到大量的各種腐蝕的數(shù)據(jù)； 步驟3)得到每組數(shù)據(jù)各個特征參數(shù)： 對這些所有小文件中每種腐蝕類型隨機選取上百組數(shù)據(jù)，批處理這些數(shù)據(jù)，得到每組 數(shù)據(jù)各個特征參數(shù)的值； 步驟4)BP神經(jīng)網(wǎng)絡的訓練與處理： 通過計算各組的電化學信號特征值，得到了上百組樣本的值；將每組樣本的10項參數(shù) 按噪聲電阻、特征電荷、特征頻率、小波歸一化能量dl?d7層的能量比的順序組成一組特 征向量，上百組樣本值可得到上百組不同的特征向量；每組特征向量作為BP神經(jīng)網(wǎng)絡的輸 入集合，每組樣本對應的腐蝕類型作為BP神經(jīng)網(wǎng)絡的輸出集合；取輸入總值的60%輸入作 為訓練集，取20%的輸入作為驗證集和測試集；用訓練集訓練數(shù)據(jù)，用驗證集作神經(jīng)網(wǎng)絡 訓練最優(yōu)值的選擇，用測試集測試神經(jīng)網(wǎng)絡的泛化性能與分類精度。
2. 根據(jù)權利要求1所述的基于神經(jīng)網(wǎng)絡的電化學噪聲腐蝕信號處理方法，其特征在 于：在步驟4)中，所述的BP神經(jīng)網(wǎng)絡的訓練與處理前需要先進行BP神經(jīng)網(wǎng)絡的優(yōu)化： BP神經(jīng)網(wǎng)絡的優(yōu)化過程是選擇最合適的三個參數(shù)的過程：隱藏層節(jié)點數(shù)、學習速率與 學習函數(shù)； 選擇最常用的函數(shù)
其完全分類訓練精度高且泛化能力強； 隱藏層節(jié)點數(shù)的選擇參考經(jīng)驗公式<n-1或
其中a為0?10之間 的值。
【專利摘要】一種基于神經(jīng)網(wǎng)絡的電化學噪聲腐蝕信號處理方法。其包括：步驟1)提煉不同腐蝕類型的典型電化學噪聲信號；步驟2)數(shù)據(jù)分組；步驟3)得到每組數(shù)據(jù)各個特征參數(shù)；步驟4)BP神經(jīng)網(wǎng)絡的訓練與處理。本發(fā)明提供的基于神經(jīng)網(wǎng)絡的電化學噪聲腐蝕信號處理方法是用BP神經(jīng)網(wǎng)絡處理電化學噪聲腐蝕實驗所得的電化學噪聲腐蝕信號數(shù)據(jù)，計算出所有文件樣本的特征值，數(shù)據(jù)處理結果顯示，神經(jīng)網(wǎng)絡可以以高達98.3％的精度辨別出腐蝕類型，是一種有效的電化學噪聲數(shù)據(jù)處理方法。
【IPC分類】G06N3-02, G01N17-02
【公開號】CN104568730
【申請?zhí)枴緾N201410847805
【發(fā)明人】李健, 張宇, 孔偉康, 陳冠任, 鄭煥軍
【申請人】天津大學
【公開日】2015年4月29日
【申請日】2014年12月31日