[发明专利]基于高斯混合模型的疲劳裂纹检测方法及系统

权利要求书

1.一种基于高斯混合模型的疲劳裂纹检测方法，其特征在于，包括以下步骤：

获取监测构件在多个不同温度工况下的多个检测数据及对应的裂纹参数；

分别提取每种温度工况下的多个检测数据的损伤特征，并基于每种温度工况下的多个检测数据的损伤特征构建每个温度工况下损伤特征的高斯混合模型；并基于每个温度工况下的多个检测数据的损伤特征及对应的裂纹参数构建每个温度工况下的裂纹定量损伤模型；

获取监测构件的待检测数据，并提取待检测数据的损伤特征，将待检测数据的损伤特征分别输入到每个温度工况下的损伤特征的高斯混合模型中，得到待检测数据的损伤特征与每个温度工况的损伤特征的相似度值；选取相似度值最大的高斯混合模型对应的温度工况作为待检测数据的温度工况；将待检测数据的损伤特征输入其温度工况对应的裂纹定量损伤模型，得到待检测数据对应的裂纹参数；

其中，基于每种温度工况下的多个检测数据的损伤特征构建每个温度工况下损伤特征的高斯混合模型，包括以下步骤：

对于任意一个温度工况T：

利用K-means聚类算法对所述温度工况T对应的多个检测数据的损伤特征进行聚类，得到多个聚类簇；

分别计算每个聚类簇的权重系数、均值和协方差，并结合最大期望算法拟合高斯混合模型的模型参数；

根据初始模型参数构建所述温度工况T的高斯混合模型；

其中，结合最大期望算法拟合高斯混合模型的模型参数，包括以下步骤：

E-step：求期望，依据初始化参数，并根据以下公式计算每个数据j来自子模型k的可能性：

其中，γ_jk为第j个观测数据属于第k个子模型的概率；α_k为观测数据属于第k个子模型的概率；x_j为第j个观测数据；θ_k为第k个子模型在混合模型中发生的概率；φ(x_j|θ_k)为第k个子模型的高斯分布密度函数；N为观测数据的总数，K为混合模型中子高斯模型的数量；

M-step：求极大值，根据以下公式计算新一轮迭代的模型参数：

其中，u_k为所述第k个聚类簇的均值；∑_k为所述第k个聚类簇的协方差；

依据计算出的新一轮迭代的模型参数，并通过以下公式计算高斯混合模型的对数似然函数值：

ω_k为对所述温度工况T下的损伤特征聚类形成的第k个聚类簇的权重系数；x_q为样本数据,Q为样本数据个数；N(x_q|u_k,∑_k)为期望；

代入初始值后交替运行直至对数似然函数的变化值满足设定阈值ε，认为此时已收敛，迭代运算结束，设定阀值表达式为：

|L_i+1/L_i|-1≤ε

L_i+1为第i+1次迭代生成的对数似然函数值，L_i为第i次迭代生成的对数似然函数值；

所述裂纹参数为裂纹长度，基于提取不同温度工况下的多个检测数据的损伤特征及其对应的裂纹参数分别构建不同温度工况下的裂纹定量损伤模型，包括以下步骤：

采用线性回归分析的方法将所述检测数据的损伤特征与其对应的裂纹参数进行线性拟合，得到所述温度工况T的裂纹定量损伤模型。

2.根据权利要求1所述的基于高斯混合模型的疲劳裂纹检测方法，其特征在于，分别提取每种温度工况下的多个检测数据的损伤特征，包括以下步骤：

对每种温度工况下的多个检测数据进行脉冲压缩处理；

对脉冲压缩处理后的每种温度工况下的多个检测数据进行损伤特征提取；

对从每个检测数据中提取的损伤特征进行降维处理，得到每个损伤特征的降维数据。