目的探索基于条件期望的函数型主成分分析方法(principal analysis by conditional expectation,PACE)在稀疏且不规则的纵向数据中的预测效果,评价其揭示总体变化趋势、个体特异的变异方式以及预测个体纵向变化轨迹的能力。方法采用R软...
详细信息
目的探索基于条件期望的函数型主成分分析方法(principal analysis by conditional expectation,PACE)在稀疏且不规则的纵向数据中的预测效果,评价其揭示总体变化趋势、个体特异的变异方式以及预测个体纵向变化轨迹的能力。方法采用R软件模拟生成样本量为200的三种不同稀疏情形的纵向数据集,通过数值模拟定量地评价PACE方法的降维及预测效果。结果根据累计方差贡献率达到85%,三种不同稀疏情形的纵向数据集最终选取的主成分个数分别为4、4、3,PACE方法在不同稀疏情形下预测结果均具有较小的均方误差(MSE),分别为0.1410、0.0670、0.0161,而且观测点个数越多预测效果越好。结论PACE方法可以实现在随访间隔不规则且数据稀疏的情况下,捕获纵向数据随时间变化的总体趋势,揭示个体特异的变异方式,预测个体的纵向轨迹。
管道是能源输送的重要手段之一,在国民经济中占有重要的地位。然而,管道在长时间的服役过程中,受环境应力的影响会产生不同种类的缺陷,形成泄漏隐患,从而导致事故的发生。因此,定期对管道健康状态进行检测是十分必要的。超声阵列检测是管道缺陷常用的检测方法之一,但是现有设备大多采用单一声束入射方式,无法满足管道中对不同种类、不同走向缺陷的检测要求。另外,使用超声阵列对管道缺陷进行检测时,为了提高检测效率和对缺陷的检测和定位精度,超声传感器往往工作频率较高,按常规的数据采集方法会产生巨大的数据量,制约了该项技术的应用。针对上述问题,论文开展基于稀疏采样数据的管道缺陷超声复合阵列检测方法研究。设计了一种超声传感器复合阵列结构,声束以三种入射方式同时扫查管道,用以提高对不同种类缺陷的检出率,特别是裂纹类缺陷;设计了基于LabVIEW的复合阵列有限新息率(Finite Rate of Innovation,FRI)稀疏数据采集系统,并通过试验直接获取了FRI稀疏数据,减小了检测数据量;研究了从直接获取的稀疏数据中提取缺陷声学特征参数的方法,得到了超声回波信号的幅值和时延;建立了复合阵列结构的空间坐标模型和缺陷成像模型,得到了缺陷的可视化图像。论文的主要研究工作如下:(1)设计了集垂直入射、轴向斜入射和周向斜入射三种入射方式于一体的超声传感器复合阵列结构,分析了其在管道中的声场分布,建立了复合阵列空间坐标模型,并加工制作了复合阵列。(2)利用试验室自制的FRI采样硬件电路,设计了基于LabVIEW的复合阵列稀疏数据采集系统,搭建了管道缺陷超声复合阵列检测试验平台,并对六种不同类型缺陷进行了检测试验,直接获取了检测信号的稀疏数据。(3)研究了从稀疏采样数据中获取超声回波信号特征参数的方法,采用基于Cadzow去噪的零化滤波器算法对实测管道超声信号进行了特征参数提取,得到了回波信号时延与幅值参数,并对其误差进行了分析。(4)在分析传统超声成像方法特点的基础上,提出了一种基于稀疏采样数据的声学特征参数管道缺陷微元填充法,并建立了管道缺陷成像模型,实现了管道缺陷的可视化成像。并对比分析了常规采样数据和稀疏采样数据条件下不同缺陷的成像结果。试验表明,在以常规数据约5.5%的数据量下,仍然能够获得与常规采样数据同等分辨率的缺陷可视化图像。
暂无评论