金屬拉伸件拉伸過程微裂紋AE信號特征參數的優(yōu)化及狀態(tài)識別

駱志高，范祥偉，陳 強

（江蘇大學 機械工程學院，江蘇 鎮(zhèn)江 212013）

拉伸是一種高效、節(jié)能、高利用率的加工方法，隨著現(xiàn)代社會對拉伸加工產品的需求越來越大以及競爭的加劇，人們對拉伸件的質量提出了更高的要求。由于拉伸過程中很容易產生微小裂紋，這些微小裂紋很難被發(fā)現(xiàn)且難以得到控制，經常給制件帶來潛在的威脅，也一直是企業(yè)棘手的技術難題。因此，對拉伸件成型過程質量的在線檢測的研究顯得尤為重要。本文通過聲發(fā)射技術在拉伸模具中的應用，解決了對拉伸件成型時產生的微小裂紋的動態(tài)監(jiān)測，實現(xiàn)對金屬拉伸件成型質量狀態(tài)的識別。聲發(fā)射（Acoustic Emission簡稱AE），由外部條件的變化引起物體或結構某一局部或某些部分變得不穩(wěn)定并迅速釋放出能量且釋放出某些頻率的聲波［1］。由于聲發(fā)射信號本身具有不確定性、非平穩(wěn)性、突發(fā)性等特點［2］，使得聲發(fā)射波形信號處理成為聲發(fā)射技術中的難點和瓶頸。金屬拉伸過程中，聲發(fā)射提取到的AE信號很難反映實際物理狀態(tài)的信號參數［3］。本文針對AE特征參數的特點，利用遺傳算法［4］對特征參數進行優(yōu)化，得到最優(yōu)特征參數之后，選用馬氏距離判別法［5］對拉伸件質量狀態(tài)進行識別。

1 最優(yōu)特征參數的提取

最佳特征參數提取法包括特征參數的提取和特征參數的優(yōu)化兩個部分，首先對采集到的AE信號進行局域波分解之后提取各IMF的能量值作為初始特征參數，然后基于遺傳算法對這些初始特征參數重組優(yōu)化后得到一個最優(yōu)特征參數。

1.1 初始特征參數的提取

由于聲發(fā)射信號本身具有不確定性、非平穩(wěn)性、突發(fā)性等特點，使得聲發(fā)射波形信號處理成為聲發(fā)射技術中的難點和瓶頸。局域波法［6］被提出后，經驗證在很多方面都優(yōu)于其它的信號處理方法。局域波法包括兩個過程：局域波分解和局域波時頻譜。局域波分解方法基于信號的局部特征時間尺度，能把復雜的信號函數分解為有限的本征模函數之和，每一個IMF所包含的頻率成分不僅與分析頻率有關而且最重要的是隨信號本身變化而變化，能突出信號的局部特征，對其進行分析可以更準確有效地把握其中的裂紋特征信息。因此，局域波分解方法是自適應的信號處理方法，非常適合于非線性和非平穩(wěn)過程，具有很高信噪比。當裂紋聲發(fā)射信號產生時，聲發(fā)射信號各頻帶的能量會發(fā)生變化，在各頻帶信號的能量中包含了豐富的信息，因而可提取各IMF能量作為特征參數來識別裂紋特征，其步驟如下：

（1）對原始采樣信號進行EMD（Empirical Mode Decomposition）分解［7］，得到n個IMF分量以及一個趨勢項?？紤]到故障特征信息主要集中在高頻段，故選取包含主要故障信息的前k個IMF分量。

（2）求出各個IMF分量的能量ei。

（3）取前k個IMF的能量作為初始特征參數來構造特征向量T。

當能量較大時，ei通常是一個較大的數值，在分析時會帶來一些不便，可根據式（3）和式（4）對特征向量X進行歸一化處理，得到歸一化后的特征向量T。

對所采集的每一組4個通道的AE信號在Matlab中進行了局域波分解，提取前k階IMF分量的能量組成初始特征向量，而各個信號的局域波分解得到的都是8階以上的分量，所以這里取k=8，即只需求取前8階IMF的能量組成初始特征向量。

假設每個信號在4個聲發(fā)射通道均有采集，所以對于每個AE信號我們取4個聲發(fā)射通道平均能量值作為初始特征參數，根據公式（3）和公式（4），下面給出正常AE信號x1正常和裂紋AE信號y1的數據結果，其余信號依同法可求。

2 實驗部分

2.1 試驗系統(tǒng)的主要構成

實驗系統(tǒng)主要由液壓機、拉伸模以及聲發(fā)射檢測系統(tǒng)組成，主要包括：三維輸送裝備有限公司的350T智能式壓力加載機；畚斗拉伸模；鵬翔科技的PXR15諧振式聲發(fā)射傳感器；PXPAIV型聲發(fā)射前置放大器，50鋼等。實驗系統(tǒng)的示意圖如下：

圖1 試驗系統(tǒng)原理圖Fig.1 Schematic diagram of experiment

2.2 試驗過程

2.2.1 主要步驟

（1）構建實驗系統(tǒng)，主要由液壓機、拉伸模及聲發(fā)射儀等組成，對整個系統(tǒng)進行調試，分析噪聲、測試斷鉛信號、安裝及布置傳感器等；

（2）調整液壓機的運行速度、模具壓邊力等參數，以分別采集到拉伸件正常狀態(tài)及裂紋狀態(tài)下的AE信號；

（3）對采集到的AE信號進行數據預處理，即把各個AE信號進行局域波分解。

2.2.2 實驗參數設置

（1）聲發(fā)射傳感器主要參數：頻率帶寬：100～300 kHz；靈敏度＞65 dB；諧振頻率：150 kHz；使用溫度范圍：-20～80℃；尺寸：φ18×17 mm。

（2）前置放大器主要參數：頻率帶寬：15 kHz～1.5 MHz；增益：34/40 dB；噪聲：2.8 μVRMS；使用溫度范圍：-30～80℃；電源功耗：28 V/30 mA；主要尺寸：90×35×30 mm。

（3）采集卡主要參數：聲發(fā)射輸入通道數：4通道/卡；輸入電阻：40 Ω；信號帶寬：5 kHz～4 MHz；采樣分辨率：12字節(jié)；采樣速度：20 MSps/S；噪聲最小閥值：28 dB；最大信號幅度：100 dB；通道隔離度：≥90 dB

2.2.3 數據的采集

圖2 拉伸件正常狀態(tài)下的AE信號x1的波形圖（CH1-CH4）Fig.2 The oscillogram of x1（CH1-CH4）for normal state

本次實驗分別采集了22組正常狀態(tài)的AE信號以及22組裂紋狀態(tài)的AE信號，分別記為x1，x2，…，x22和y1，y2，…，y22。如圖2所示是拉伸件正常狀態(tài)時四個通道所采集到的AE信號x1波形圖，圖3所示是拉伸件裂紋狀態(tài)時四個通道所采集到的 AE信號y1的波形圖。

圖3 拉伸件裂紋狀態(tài)下的AE信號y1的波形圖（CH-CH4）Fig.3 The oscillogram of x1（CH1-CH4）for crack state

3 實驗數據處理

3.1 數據預處理

將已經采集到了22組正常狀態(tài)的AE信號數據以及22組裂紋狀態(tài)的AE信號數據輸出至Excel表，通過Matlab調用函數將Excel中的數據導入進而實現(xiàn)局域波分解，提取各imf的能量作為初始特征參數。

由于采集到的各個AE信號均是一種典型的非平穩(wěn)信號，而局域波分解方法是自適應的信號處理方法，非常適合于非線性和非平穩(wěn)過程，故首先要對采集到的各個AE信號進行局域波分解，以利于進一步的數據分析及處理。本文對AE信號的局域波分解，是在Grilling的算法基礎上實現(xiàn)的，部分程序代碼如下：m=xlsread（‘00.xls’，‘sheet1’，‘A1：A2560’）；

受篇幅所限，在這里只給出其中第一通道采集的正常狀態(tài)的AE信號x1和第一通道采集的裂紋狀態(tài)下的AE信號y1的局域波分解的結果，如圖4和圖5所示，從圖中可以看出，AE信號x1（CH1）經局域波分解之后得到9個本征模函數分量和一個趨勢項，AE信號y1（CH1）經局域波分解之后得到9個本征模函數分量和一個趨勢項。

對于正常狀態(tài)的AE信號x1其數據結果如表1所示。取4個聲發(fā)射通道的平均值可得AE信號x1的特征參數：

對于裂紋狀態(tài)的AE信號y2其數據結果如表2所示。

表1 正常AE信號x1（CH1～CH4）的特征參數Tab.1 Characteristic parameters of x1（CH1 ～CH4）for normal state of AE signal

表2 裂紋AE信號y1（CH1～CH4）的特征參數Tab.2 Characteristic parameters of y1（CH1 ～CH4）for crack state of AE signal

取4個聲發(fā)射通道的平均值可得AE信號y1的特征參數：

3.2 初始特征參數的重組優(yōu)化

對前面得到的初始特征參數基于遺傳算法進行優(yōu)化重組，以生成一個識別能力優(yōu)良的最優(yōu)特征參數，記為P1、P2它們分別表示正常狀態(tài)和裂紋狀態(tài)的AE信號的最優(yōu)特征參數。在本文中進行遺傳操作其GA的參數分別取遺傳因子數300，世代交替數1 000，淘汰率0.2，樹形圖的深度為5，對于正常AE信號x1、裂紋信號y1進行遺傳操作可得到其最優(yōu)特征參數的表達式為：

顯然，對于其它信號進行同樣操作也可以得到其最優(yōu)特征參數的表達式，受篇幅所限，這里只給出其中一組正常AE信號x1、裂紋信號y1的初始特征參數經遺傳算法優(yōu)化重組后所的到的最優(yōu)特征參數的表達式，其余信號的不再給出。

3.3 拉伸件成型時裂紋狀態(tài)的識別

在提取到最優(yōu)特征參數之后，最后一步就是對拉伸件質量狀態(tài)的識別，這是一個模式識別的問題。本文使用的是較為簡單的馬氏距離判別法來進行模式識別，之所以沒有采用神經網絡、支持向量機等較為復雜的模式識別方法，是因為只有一個特征參數值，同時也是因為馬氏距離法在其計算效率上的優(yōu)勢。

3.3.1 馬氏距離判別法

本文分別對拉伸件的兩種狀態(tài)進行識別，即正常狀態(tài)和裂紋狀態(tài)。前面我們經初始特征參數的提取和優(yōu)化之后得到了一個最優(yōu)特征參數，再分別計算出各個最優(yōu)特征參數的值，我們把訓練樣本的特征值記為Pi，檢驗樣本的特征值記為Px，求出同類狀態(tài)下所有訓練樣本的特征值Pi的平均值和方差 var（Pi），這里把特征值Pi的平均值稱為標準特征值，i=1，2分別對應拉伸件的正常狀態(tài)和裂紋狀態(tài)。可以通過下式來計算Px和拉伸件質量的兩個狀態(tài)下的標準特征值之間的馬氏距離：

然后比較D1和D2的大小，取其中最小判別距離對應的狀態(tài)為測試樣本的狀態(tài)類型，也即：如果D1＜D2，則拉伸件的質量是正常狀態(tài)；如果D1＞D2，則拉伸件的質量處于裂紋狀態(tài)。

3.3.2 識別結果

對于所采集到的44組AE信號，將其中的11組AE 信號x1，x2，…，x11以及 11 組 AE 信號y1，y2，…，y11作為訓練樣本，其余的22組AE信號作為測試樣本。分別求出拉伸件正常狀態(tài)和裂紋狀態(tài)下的訓練樣本的標準特征值和方差 var（Pi），求得的結果如表3所示。

表3 裂紋及正常狀態(tài)下標準特征值和方差Tab.3 Standard eigenvalue and variance of the cracks and normal states

然后，根據式（7）分別計算出20組測試樣本的特征值Px與正常狀態(tài)下和裂紋狀態(tài)下的標準特征值之間的距離，并比較比較D1和D2的大小，當D1＜D2時，所測試的樣本是正常狀態(tài)；當D1＞D2時，所測試的樣本是裂紋狀態(tài)。

表4 馬氏距離識別結果Tab.4 Results of Mahalanobis Distance Discrimination

表5 修正前的正確識別率統(tǒng)計Tab.5 Discrimination rate before corrected

表6 修正后的正確識別率統(tǒng)計Tab.6 Discrimination rate after corrected

表4給出了其中10組測試樣本經馬氏距離識別的結果，從表中可以看出對于這10組測試樣本分析結果與實際完全相符。而對于全部22組測試樣本識別的正確率的統(tǒng)計如表5所示，從表中可以看出，對于22組測試樣本，有18組樣本得到了正確的識別結果，而其它4組樣本中，有3組樣本的D1和D2的大小相近不能判斷，經分析可能是由于在實驗時各種干擾因素造成的數據不準確，另1組樣本的識別結果是裂紋狀態(tài)而“實際”狀態(tài)是“正?！睜顟B(tài)，把這組樣本所對應的拉伸件去做鏡像分析，發(fā)現(xiàn)拉伸件內部有肉眼看不到的微裂紋，也即這組樣本的識別結果與實際狀態(tài)相符，那么實際上本次實驗對拉伸件的質量狀態(tài)的正確識別率達到了86.4%（見表6），實驗結果說明了該方法可以有效地識別出拉伸件的裂紋AE信號從而判斷出拉伸件的質量狀態(tài)。

4 結論

本文首先將聲發(fā)射初始特征參數進行提取，得出兩組不同的特征向量，再運用遺傳算法對AE特征參數進行重組優(yōu)化，使用簡單的馬氏距離實現(xiàn)對拉伸件質量狀態(tài)的識別，由此得到以下結論：

（1）提出了識別指數的概念用于評價特征參數識別兩種狀態(tài)的能力，從理論上推導出其計算公式，并由此來建立遺傳算法的適應度函數，按照設定的相應遺傳參數對局域波提取的初始能量特征參數進行重組優(yōu)化能自動生成一個最優(yōu)特征參數，證明了遺傳算法強大的空間尋優(yōu)搜索能力。

（2）對于采集到的AE信號運用本文的方法得到了一個最優(yōu)特征參數，使用簡單的馬氏距離對拉伸件的兩種質量狀態(tài)成功實現(xiàn)了識別，總的識別率達到了85%以上，驗證了“最優(yōu)特征參數提取法”的有效性。

［1］ASTM E1316-1996，Terminology for Nondestructive Examination［S］.U.S.A，1996.

［2］胡昌洋，楊鋼鋒，黃振峰，等.聲發(fā)射信號處理和分析技術［J］.無損檢測，2002，24（1）：23-28.

［3］駱志高，王 祥，李 舉，等.利用聲發(fā)射信號的特征分析對沖壓模具的狀態(tài)判別［J］.振動與沖擊，2008，27（3）：187-189.

［4］ Holland J H.Adaptation in natural and artificial systems［M］.Ann Arbor：The University of Michigan Press，1975.

［5］ Kalpana P，Gunavathi K.A novel implicit parametric fault detection method for analog/mixed signal circuits using wavelets［J］.ICGST-PDCS Journal，2007，7（1）：43-48.

［6］ Huang N E，Shen Z，Long S R，et al.The empirical mode decomposition and hilbert spectrum for nonlinear and non-stationary time series analysis［J］.Proc.Roy.Soc.Lond.A，1998，454：903-995.

［7］于德介，程軍圣，楊 宇.Hilbert能量譜及其在齒輪故障診斷中的應用［J］.湖南大學學報（自然科學版），2003，30（4）：47-50.