基于LSTM神经网络的声发射信号识别研究学术报告

一、研究作者及发表信息
本研究由周俊（陆军勤务学院石油与天然气工程博士后科研流动站、重庆市商务经济研究院）、尹悦（重庆市商务经济研究院）、夏斌（集美大学诚毅学院）合作完成，发表于《计算机科学》2021年第48卷第11A期（DOI:10.11896/jsjkx.210700034）。

二、学术背景
声发射（Acoustic Emission, AE）检测技术是一种通过捕捉材料变形或裂纹扩展时释放的弹性波信号来推断损伤源的无损检测方法。与传统检测技术相比，AE具有实时性、整体性和高灵敏度的优势，但现有方法（如参数分析、小波变换、BP神经网络）存在特征提取主观性强、易陷入局部极值、依赖人工经验等问题。
本研究针对上述问题，提出基于长短期记忆（Long Short-Term Memory, LSTM）神经网络的AE信号识别模型，旨在通过LSTM的时序特征自适应提取能力，提升信号识别准确率，为工业设备健康监测（如油罐腐蚀检测）提供更可靠的解决方案。

三、研究流程与方法
1. 数据采集与预处理
- 研究对象：采集腐蚀AE信号和冷凝水干扰信号各2138个样本（总计4276个），采样点数8192，频率2MHz。
- 实验装置：
- 冷凝水信号模拟装置：滴水速度1滴/秒，模拟油罐底板冷凝干扰。
- 腐蚀信号模拟装置：5%盐水电解液腐蚀真实油罐底板，模拟电化学腐蚀AE信号。
- 标准化处理：采用Z-score标准化（公式：(x’ = \frac{x-\mu}{\sigma})）消除量纲差异，提升模型收敛速度。

1. LSTM模型构建与优化

   • 模型结构：6层网络（序列输入层、LSTM隐层、Dropout正则化层、全连接层、Softmax分类层、输出层）。
     
   • 参数优化实验：
     
     • 对比3种学习算法（Adam、RMSprop、SGDM）、8种隐层神经元数（50-400）、3种Dropout率（0.¹⁄₀.³⁄₀.5），共72种组合。
       
     • 评估指标：交叉熵损失函数（Cross-entropy）和测试集识别率。
       
   • 训练设置：最大迭代轮数10，批量大小128，验证容忍度3。
     

2. 对比实验

   • BP神经网络：采用量化共轭梯度算法，隐层神经元数50-400，以误差平方和（SSE）为损失函数。
     

四、主要结果
1. LSTM最优参数组合：Adam算法、隐层神经元250、Dropout率0.5时，测试集识别率最高达76.51%，显著优于BP神经网络的53.9%。
- 学习算法影响：Adam综合了动量梯度下降与自适应学习率优势，识别率较SGDM提升约10%。
- 神经元数影响：识别率随神经元数增加呈先升后降趋势，250为最优值，过多神经元导致冗余特征干扰。
- Dropout机制：有效防止过拟合，0.5时模型泛化能力最佳。

1. 与BP神经网络的对比

   • LSTM因具备记忆单元和时序特征提取能力，对AE信号的深层特征捕捉更充分；而BP网络在神经元数200时出现过拟合，识别率骤降。
     

2. 混淆矩阵分析

   • LSTM对腐蚀信号和冷凝水信号的分类错误率分别为23.49%和22.21%，均衡性优于BP网络。
     

五、结论与价值
1. 科学价值：
- 验证了LSTM在AE信号处理中的优越性，为解决传统方法依赖人工特征提取和局部极值问题提供了新思路。
- 提出了针对AE信号的LSTM参数优化框架（算法-神经元数-Dropout率协同调参）。

1. 应用价值：
   
   • 可应用于储罐腐蚀监测、管道泄漏检测等工业场景，提升故障识别准确率。
     
   • 模型开源代码和数据集为后续研究提供基准。
     

六、研究亮点
1. 方法创新：首次将LSTM引入AE信号识别领域，并系统优化其参数组合。
2. 技术突破：通过Z-score标准化和Dropout机制，解决了AE信号高噪声和小样本下的过拟合问题。
3. 工程意义：实验装置模拟真实工业环境（如油罐底板腐蚀），结果具有直接工程参考价值。

七、其他有价值内容
- 作者指出未来方向：扩大数据集规模以验证模型泛化能力，探索多模态信号（如结合振动数据）的融合识别。
- 基金支持：重庆市教委科技项目（KJZD-K201904401/KJZD-K202004401）等，体现研究的政策与资源支撑。

（注：专业术语如Dropout、Softmax等保留英文原词，中文首次出现时标注解释。）