1.一种管道开裂损伤声呐智能评估方法,其特征在于,所述方法包括:步骤1、获取声呐回波信号,提取信号相关性、能量两个特征参数;
步骤2、利用GMM分析不同损伤状态下参数的分布特征,构建已知损伤状态的GMM基准库;
步骤3、对未知损伤状态的声呐信号,提取信号相关性及能量特征参数,并计算GMM概率密度分布;
步骤4、评估损伤状态信号与GMM基准库的Frechet相似性,判定属于哪种损伤状态;
其中,步骤1中提取信号相关性、能量两个特征参数,具体步骤为:(1)以未损伤状态为基准信号,计算不同损伤状态下的声呐回波信号与基准信号的相关性参数:;
(2)不同工况声呐回波信号的能量特性参数为:;
其中i为工况种类数量,fi(t)为损伤工况状态信号,fs(t)为未损伤状态信号,tp、tq分别为有效信号的起始时间与结束时间;
步骤2中构建已知损伤状态的GMM基准库,具体步骤为:对已知损伤状态的声呐信号,采用GMM分析信号相关性参数和能量特性参数的分布特征,概率密度分布函数为:;
其中Dk,k=1,2为待分析的特征参数;为概率密度分布的均值,为概率密度分布的协方差;为各分量的概率密度分布的均值;为各分量的概率密度分布的协方差;P为高斯分量个数;为各个分量权重;Ni为每个高斯分量的概率密度函数,表达式为:;
Q为参数维度;在参数迭代中采用EM算法进行优化,权重、均值和协方差迭代公式为:,
,
,
其中、、分别表示第i次迭代中第p类分量的权重、均值和协方差,K为参与运算的数据点的数量,为样本分类的估计函数;将得到的GMM概率密度分布作为此损伤状态的基准数据,记为H(Dp);对所有损伤状态采用相同操作,构建GMM基准库。
2.根据权利要求1所述的一种管道开裂损伤声呐智能评估方法,其特征在于,步骤3中,对未知损伤状态的声呐信号,提取信号相关性、能量两个特征参数;然后,以两个特征参数为输入,计算此信号的GMM概率密分布,结果记为H(Dq)。
3.根据权利要求1所述的一种管道开裂损伤声呐智能评估方法,其特征在于,步骤4中,评估损伤状态信号与GMM基准库的Frechet相似性,具体方法为:采用Frechet距离表征基准状态与损伤状态的相似性,基准状态和损伤状态的Frechet相似性为:;
其中为欧氏距离;当声呐回波与基准状态下某一状态的相似性最高,则将此信号划归为此种损伤状态。