一种铝合金腐蚀疲劳损伤的识别方法、系统、装

本发明涉及材料分析，尤其涉及一种铝合金腐蚀疲劳损伤的识别方法、系统、装置。背景技术：1、声发射(acoustic emission,ae)是一种常见的物理现象，是指材料由于变形或者损坏而使能量突然快速释放产生瞬态弹性波的现象，作为一种可以实时监测的无损检测技术，能够直接反映材料内部的损伤缺陷和裂纹扩展。从ae检测的原理来看，被检件只有发生内部损伤，材料结构才发生变化产生ae信号，这种特点体现出ae技术的动态检测性质以及损伤与ae信号的高度相关性。2、随着我国航空航天事业的飞速发展，对于飞机部件的监测和检测的研究越来越深入，而铝合金因其自身的耐腐蚀、质量轻和高强度等特点使其在航空航天等领域有着重要应用。科研人员经过深入研究发现，航空铝合金在受损时会产生显著的ae信号，运用多种聚类等先进的模式识别方法，将ae信号的特征参数与不同的损伤类型精准匹配，从而实现了对损伤类型的准确识别。3、当前聚类方法有多种，k均值聚类因为其算法简单实用，长期以来一直是主流聚类算法，因此当前对于ae信号参数进行聚类也主要使用k均值聚类。但k均值聚类对初始的聚类中心敏感，不同选取方式会得到不同结果，容易陷入局部最优解，对异常值敏感。技术实现思路1、为了解决上述的问题，本申请提供一种铝合金腐蚀疲劳损伤的识别方法、系统、装置，大幅提升匹配准确度，实现航空铝合金腐蚀疲劳损伤的有效识别。2、本发明提供了一种铝合金腐蚀疲劳损伤的识别方法，本方法包括以下步骤：3、获取铝合金腐蚀疲劳裂纹扩展过程中的ae信号参数，对所述ae信号参数进行预处理；4、利用aco-kmeans++聚类算法对预处理后的ae信号参数进行聚类分析，确定聚类中心；5、通过聚类结果评价指标检验所述聚类中心，确定最佳聚类数；6、根据聚类结果确定聚类中心的重要参数特征中心值，结合物理断裂特征，对ae信号进行铝合金腐蚀疲劳损伤模式匹配。7、在一些实施方式中，通过aco-kmeans++聚类算法对预处理后的ae信号参数进行聚类分析，确定聚类中心，包括：8、初始化聚类参数，所述聚类参数包括以下的至少一项：聚类簇数、蚁群数量、迭代次数、信息素浓度、信息素挥发率；9、使用k-means++的方法初始化聚类中心；10、进行蚁群迭代；11、根据蚁群迭代中蚂蚁的分配结果更新聚类中心；12、判断新的聚类中心是否收敛于旧的聚类中心，若不收敛，则进行蚁群迭代；13、使用新的聚类中心进行聚类。14、在一些实施方式中，使用k-means++的方法初始化聚类中心包括：15、随机选取当前聚类中心，计算样本与当前聚类中心的最短距离，根据所述最短距离概率性的确定下一聚类中心；16、重复上述步骤，直至确定所有聚类中心。17、在一些实施方式中，通过聚类结果评价指标检验所述聚类中心，包括：18、将聚类结果评价指标进行归一化处理，所述聚类结果评价指标包括轮廓系数和ch指数，按照预设比例进行加权求和，确定聚类中心的综合评分；19、根据聚类中心的综合评分确定最佳聚类数。20、在一些实施方式中，进行蚁群迭代，包括：21、在每一次迭代中，根据信息素浓度和轮盘算法选择下一个数据点，并将蚂蚁分配到距离最近的聚类中心22、更新信息素矩阵，强化蚂蚁经过的路径。23、在一些实施方式中，根据蚁群迭代中蚂蚁的分配结果更新聚类中心，包括：24、计算每个聚类中所有数据点路径上的信息素浓度总和，统计每个聚类包含的数据点量，根据数据点量更新聚类中心。25、在一些实施方式中，对所述ae信号参数进行预处理，包括：26、选取ae信号参数，所述ae信号参数包括幅值、能量、平均频率；27、对ae信号参数进行z-score标准化处理。28、在一些实施方式中，判断新的聚类中心是否收敛于旧的聚类中心，包括：29、计算新的聚类中心与旧的聚类中心之间的距离，若新的聚类中心与旧的聚类中心之间的距离大于收敛阈值，则新的聚类中心收敛于旧的聚类中心。30、本发明还提供一种铝合金腐蚀疲劳损伤的识别系统，包括：31、获取模块，获取铝合金腐蚀疲劳裂纹扩展过程中的ae信号参数，对所述ae信号参数进行预处理；32、聚类分析模块，利用aco-kmeans++聚类算法对预处理后的ae信号参数进行聚类分析，确定聚类中心；33、聚类有效性检验模块，通过聚类结果评价指标检验所述聚类中心，确定最佳聚类数；34、损伤模式识别模块，根据聚类结果确定聚类中心的重要参数特征中心值，结合物理断裂特征，对ae信号进行铝合金腐蚀疲劳损伤模式匹配。35、本发明还提供一种铝合金腐蚀疲劳损伤的识别装置，包括：36、存储器；37、处理器；38、及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的一种铝合金腐蚀疲劳损伤的识别方法。39、本申请提供了一种铝合金腐蚀疲劳损伤的识别方法、系统、装置，采用k-means++算法替代传统的k均值聚类方法，有效解决了对初始聚类中心敏感的问题，同时，本发明还有效结合aco和k-means++算法形成aco-kmeans++算法，进一步提升了全局最优解的获取能力，并显著提高了计算效率与性能。这一方法使得ae信号与损伤类型的匹配更为精准，从而大幅提升了匹配准确度，实现航空铝合金腐蚀疲劳损伤的有效识别。技术特征：1.一种铝合金腐蚀疲劳损伤的识别方法，其特征在于，本方法包括以下步骤：2.根据权利要求1所述的一种铝合金腐蚀疲劳损伤的识别方法，其特征在于，通过aco-kmeans++聚类算法对预处理后的ae信号参数进行聚类分析，确定聚类中心，包括：3.根据权利要求2所述的一种铝合金腐蚀疲劳损伤的识别方法，其特征在于，使用k-means++的方法初始化聚类中心包括：4.根据权利要求2所述的一种铝合金腐蚀疲劳损伤的识别方法，其特征在于，通过聚类结果评价指标检验所述聚类中心，包括：5.根据权利要求2所述的一种铝合金腐蚀疲劳损伤的识别方法，其特征在于，进行蚁群迭代，包括：6.根据权利要求2所述的一种铝合金腐蚀疲劳损伤的识别方法，其特征在于，根据蚁群迭代中蚂蚁的分配结果更新聚类中心，包括：7.根据权利要求1所述的一种铝合金腐蚀疲劳损伤的识别方法，其特征在于，对所述ae信号参数进行预处理，包括：8.根据权利要求1所述的一种铝合金腐蚀疲劳损伤的识别方法，其特征在于，判断新的聚类中心是否收敛于旧的聚类中心，包括：9.一种铝合金腐蚀疲劳损伤的识别系统，其特征在于，包括10.一种铝合金腐蚀疲劳损伤的识别装置，其特征在于，包括：技术总结本发明公开一种铝合金腐蚀疲劳损伤的识别方法、系统、装置，本方法包括以下步骤：获取铝合金腐蚀疲劳裂纹扩展过程中的AE信号参数，对所述AE信号参数进行预处理；利用ACO‑Kmeans++聚类算法对预处理后的AE信号参数进行聚类分析，确定聚类中心；通过聚类结果评价指标检验所述聚类中心，确定最佳聚类数；根据聚类结果确定聚类中心的重要参数特征中心值，结合物理断裂特征，对AE信号进行铝合金腐蚀疲劳损伤模式匹配。本发明大幅提升匹配准确度，实现航空铝合金腐蚀疲劳损伤的有效识别。技术研发人员：马清和,张勇祯,龙影,李雪源受保护的技术使用者：广东腐蚀科学与技术创新研究院技术研发日：技术公布日：2024/8/15