飛機(jī)疲勞開(kāi)裂聲發(fā)射波形信號(hào)的人工神經(jīng)網(wǎng)絡(luò)模式識(shí)別方法

胡振龍，沈功田，鄔冠華，劉時(shí)風(fēng)，吳占穩(wěn)

（1.南昌航空大學(xué) 無(wú)損檢測(cè)技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，南昌 330063；2.中國(guó)特種設(shè)備檢測(cè)研究院，北京 100013；3.北京聲華興業(yè)科技有限公司，北京 100029）

應(yīng)用聲發(fā)射技術(shù)實(shí)現(xiàn)飛機(jī)疲勞裂紋萌生和擴(kuò)展的監(jiān)測(cè)具有重要的現(xiàn)實(shí)意義，已有大量文獻(xiàn)報(bào)道［1－4］。但是，由于目前市場(chǎng)上大多數(shù)聲發(fā)射儀其波形的記錄和存儲(chǔ)能力較弱，因此，人們對(duì)裂紋產(chǎn)生與否的判斷，往往更依賴于對(duì)聲發(fā)射參數(shù)信號(hào)的分析［5－7］。然而，有文獻(xiàn)指出，聲發(fā)射的波形信號(hào)所包含的聲發(fā)射源的信息要比參數(shù)信號(hào)豐富得多［8－9］。因此，筆者選擇北京聲華提供的SEAU2S全波形聲發(fā)射系統(tǒng)，通過(guò)對(duì)聲發(fā)射波形信號(hào)的分析來(lái)識(shí)別飛機(jī)疲勞裂紋的萌生和擴(kuò)展。

指出［10－11］，聲發(fā)射信號(hào)的自動(dòng)識(shí)別處理，可由人工神經(jīng)網(wǎng)絡(luò)模式識(shí)別的方法來(lái)實(shí)現(xiàn)。然而，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方法需要確定的輸入向量和輸出向量（有導(dǎo)師神經(jīng)網(wǎng)絡(luò)），即需要事先得到有代表性的裂紋缺陷的聲發(fā)射波形信號(hào)，但受噪聲干擾的影響以及試驗(yàn)條件本身的制約，飛機(jī)疲勞試驗(yàn)是難以實(shí)現(xiàn)的。因此，筆者選擇自組織特征映射（Self－Organizing Feature Map，SOM）的神經(jīng)網(wǎng)絡(luò)算法（無(wú)導(dǎo)師神經(jīng)網(wǎng)絡(luò)）對(duì)波形信號(hào)進(jìn)行分類識(shí)別，最終找出了一組疑似裂紋的波形信號(hào)，并分析了其特征。

由于在疲勞試驗(yàn)過(guò)程中，受飛機(jī)結(jié)構(gòu)本身及周圍環(huán)境的影響，噪聲對(duì)波形信號(hào)的干擾很大，因此在使用SOM算法前，還應(yīng)對(duì)采集到的波形信號(hào)進(jìn)行降噪處理。

1 試驗(yàn)裝置及聲發(fā)射信號(hào)的采集

試驗(yàn)采用SEAU2S全波形聲發(fā)射系統(tǒng)全程監(jiān)測(cè)飛機(jī)機(jī)翼的聲發(fā)射信號(hào)，采樣頻率為10MHz，傳感器型號(hào)為SR150，響應(yīng)頻率為150kHz，其布置如圖1所示。

圖1 試驗(yàn)裝置及傳感器布置

在疲勞試驗(yàn)開(kāi)始之前，飛機(jī)機(jī)翼經(jīng)過(guò)無(wú)損檢測(cè)，未發(fā)現(xiàn)裂紋。因此，認(rèn)定試驗(yàn)初期采集到的聲發(fā)射信號(hào)均為噪聲信號(hào)（純?cè)肼暎?。在試?yàn)中后期，發(fā)現(xiàn)有裂紋產(chǎn)生且最終斷裂。因此，認(rèn)定此時(shí)傳感器采集到的信號(hào)既包含裂紋信號(hào)又包含噪聲信號(hào)。這兩組信號(hào)的提取，對(duì)SOM算法分類結(jié)果的準(zhǔn)確性有重要的影響。

2 小波包降噪處理方法

由于疲勞試驗(yàn)過(guò)程中始終存在著大幅度、寬頻帶的噪聲干擾，使得微弱的疲勞裂紋萌生、擴(kuò)展的聲發(fā)射信號(hào)被湮滅。在飛機(jī)的疲勞試驗(yàn)過(guò)程中，噪聲對(duì)裂紋信號(hào)的干擾，主要體現(xiàn)在如下兩個(gè)方面：

（1）噪聲信號(hào)較多，有用的裂紋信號(hào)占信號(hào)總數(shù)的比例較低。

（2）有用的裂紋信號(hào)中，噪聲的能量占整個(gè)波形能量的比例較高。

因此，從噪聲信號(hào)中篩選出有用的裂紋信號(hào)，面臨著如下兩大難題：

（1）有用的裂紋信號(hào)比例過(guò)低，如果簡(jiǎn)單地認(rèn)為發(fā)現(xiàn)裂紋的時(shí)間段內(nèi)所有的信號(hào)都為裂紋信號(hào)，其做法是不嚴(yán)謹(jǐn)?shù)摹?/p>

（2）有用的裂紋信號(hào)中，噪聲的能量占整個(gè)波形能量的比例過(guò)大，導(dǎo)致原始的裂紋信號(hào)嚴(yán)重畸變，因此在主觀上難以辨別出缺陷。

根據(jù)以往經(jīng)驗(yàn)，噪聲的頻率雖然分布很廣，但其能量主要集中在低頻部分；裂紋信號(hào)的頻率雖然較高，但受信號(hào)衰減以及傳感器晶片頻率響應(yīng)的影響，頻率過(guò)高的信號(hào)，往往衰減十分嚴(yán)重。因此，選擇合適的濾波范圍，可以降低噪聲對(duì)裂紋信號(hào)的影響，同時(shí)提高SOM算法分類的準(zhǔn)確性。

據(jù)文獻(xiàn)報(bào)道，該型飛機(jī)裂紋的中心頻率主要集中在175kHz左右［12］，因此濾波方案選擇為小波包7層分解，并對(duì)其4，5，6層進(jìn)行重構(gòu)，最后實(shí)現(xiàn)了117～234kHz帶通濾波的效果。如圖2所示，小波包重構(gòu)濾掉了原始信號(hào)中的低頻信號(hào)（幅值往往較大），使得濾波后的信號(hào)更加簡(jiǎn)潔。經(jīng)比較，使用濾波后的數(shù)據(jù)，SOM算法的分類結(jié)果穩(wěn)定性更高、結(jié)果更可靠。

圖2 小波包降噪處理

3 SOM神經(jīng)網(wǎng)絡(luò)模式識(shí)別方法

SOM神經(jīng)網(wǎng)絡(luò)是1981年芬蘭學(xué)者Kohonen提出的一種競(jìng)爭(zhēng)式神經(jīng)網(wǎng)絡(luò)，能在學(xué)習(xí)過(guò)程中無(wú)監(jiān)督地進(jìn)行自組織學(xué)習(xí)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示［13－14］。

圖3 SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

SOM神經(jīng)網(wǎng)絡(luò)又稱“無(wú)導(dǎo)師”神經(jīng)網(wǎng)絡(luò)，它與常用的“有導(dǎo)師”方法的最大區(qū)別在于，能根據(jù)其學(xué)習(xí)規(guī)則，對(duì)輸入模式進(jìn)行自動(dòng)分類，即在無(wú)教師示教的情況下，通過(guò)對(duì)輸入模式的反復(fù)學(xué)習(xí)，捕捉各個(gè)輸入模式中所含的模式特征，并對(duì)其進(jìn)行自組織，在競(jìng)爭(zhēng)層將分類結(jié)果表現(xiàn)出來(lái)。

基于SOM神經(jīng)網(wǎng)絡(luò)自動(dòng)分類這一特點(diǎn)，如果提取飛機(jī)疲勞試驗(yàn)初期的信號(hào)（稱之為純?cè)肼暭螦）與發(fā)現(xiàn)裂紋后某一段時(shí)間內(nèi)的所有聲發(fā)射信號(hào)（稱之為裂紋集合B），如圖4所示，那么A和B有如下特點(diǎn)：

圖4 裂紋集合A與純?cè)肼暭螧

（1）A為噪聲集合 A中只含有噪聲信號(hào)；考慮到噪聲的多樣性與隨機(jī)性，A中可能含有與裂紋信號(hào)類似的噪聲信號(hào)。

（2）B為裂紋集合 B中一定含有裂紋信號(hào)；B中同時(shí)含有噪聲信號(hào)。

那么，將A與B隨機(jī)混合后，在理想的情況下，SOM算法有能力將特征相似的信號(hào)自動(dòng)歸為一類，分類的次數(shù)可以通過(guò)程序?qū)崿F(xiàn)，如圖5所示（以分兩類為例）。

圖5 SOM理想的分類情況（分兩類）

但是由于SOM算法只能對(duì)信號(hào)分類，并不能真正辨別裂紋信號(hào)，因此，要對(duì)分類的結(jié)果加以判斷，還需要某些判據(jù)的支持：

（1）判據(jù)一 某分類結(jié)果中，全部信號(hào)都來(lái)自于B集合，則認(rèn)定其為潛在的裂紋樣本C。

（3）判據(jù)三 為了防止誤判，認(rèn)定含有B信號(hào)大于某一比例的（如80%），同樣作為潛在的裂紋樣本C。

4 聲發(fā)射信號(hào)分類結(jié)果及特征分析

4.1 SOM網(wǎng)絡(luò)訓(xùn)練與分類結(jié)果

SOM網(wǎng)絡(luò)的構(gòu)建通過(guò)newsom（）函數(shù)的調(diào)用來(lái)實(shí)現(xiàn)，其中，競(jìng)爭(zhēng)層神經(jīng)元的個(gè)數(shù)設(shè)置為6×8＝40個(gè)，其余均為默認(rèn)值。隨機(jī)選取初期的2 454個(gè)波形信號(hào)作為噪聲集合A，連續(xù)選取最早發(fā)現(xiàn)某一裂紋時(shí)的4 416個(gè)波形信號(hào)作為裂紋集合B。將A和B隨機(jī)混合后，作為網(wǎng)絡(luò)的輸入，循環(huán)訓(xùn)練100次，得到分類結(jié)果如表1所示。

表1 SOM分類結(jié)果統(tǒng)計(jì)

可見(jiàn)，第1，4，5，8，11類中，含有裂紋集合B中信號(hào)的比例較高，可作為潛在的裂紋樣本c1，c4，c5，c8，c11，進(jìn)行頻譜特征分析。

4.2 潛在裂紋樣本的頻譜特征分析

經(jīng)頻譜分析發(fā)現(xiàn)，5個(gè)潛在裂紋樣本中，只有c5樣本的頻譜圖有明顯的峰值，且規(guī)律性地出現(xiàn)在0～20kHz，20～120kHz，120～240kHz范圍內(nèi)，分別稱之為第一、二、三峰值，如圖6所示。進(jìn)一步統(tǒng)計(jì)分析發(fā)現(xiàn)，這三個(gè)峰值存在如下規(guī)律。

圖6 三個(gè)峰值的提取

4.2.1 峰值能量

該組波形（300個(gè)）在頻譜圖上有三個(gè)明顯的峰值（圖7中箭頭所指），其判斷依據(jù)為：該峰值的能量遠(yuǎn)大于其頻段內(nèi)的平均能量。據(jù)統(tǒng)計(jì)，其比值的平均值分別為4.5，4.6和5.3。

④在施工中，要對(duì)輸水管道交叉和并列靠近輸油管道的準(zhǔn)確位置作好勘探，打好標(biāo)記，采取安全保護(hù)措施，避免發(fā)生安全事故。

圖7 峰值能量與平均能量之比（300個(gè)波形）

4.2.2 峰值頻率

進(jìn)一步統(tǒng)計(jì)發(fā)現(xiàn)，三個(gè)峰值出現(xiàn)的位置（圖8中箭頭所指）相對(duì)固定，其頻率的均值分別為13.4，46.2，168.5kHz。其 中，第 三 峰 值 出 現(xiàn) 在168.5kHz左右，已具有明顯的裂紋特征，且與之前的試驗(yàn)數(shù)據(jù)（175.8kHz）相接近［12］。

圖8 峰值的頻率分布（300個(gè)波形）

4.2.3 三個(gè)峰值能量之比

頻譜分析發(fā)現(xiàn)，該組波形（300個(gè)）中，其三個(gè)峰值均為同時(shí)出現(xiàn)，這與其它波形有明顯的區(qū)別。因此，可以認(rèn)為，這三個(gè)峰值的能量之比，是該組波形區(qū)別于其它波形的重要依據(jù)。據(jù)統(tǒng)計(jì)，其比值的均值分別為0.26，0.49和0.53（如圖9箭頭所指）。

4.3 三個(gè)峰值產(chǎn)生的原因

在大載荷作用下產(chǎn)生的AE信號(hào)，往往會(huì)伴隨著噪聲信號(hào)，例如碰撞、機(jī)械摩擦。因此所采集到的所謂的裂紋信號(hào)，實(shí)際上是純裂紋信號(hào)與噪聲信號(hào)的疊加，它既有裂紋信號(hào)的特征，又有噪聲信號(hào)的特征，反映在頻域波形上，表現(xiàn)為既有裂紋峰值，又有噪聲峰值。

圖9 峰值能量之比（300個(gè)波形）

根據(jù)Kaiser效應(yīng)，同一裂紋要再一次產(chǎn)生AE信號(hào)，所受的載荷應(yīng)該比上一次要大，即裂紋的AE信號(hào)，往往是伴隨著較大的載荷而產(chǎn)生的。而載荷越大，意味著低頻的機(jī)械噪聲同樣越大，這就導(dǎo)致了第一、二峰值的產(chǎn)生。第一、二峰值的頻段范圍分別是0～20kHz和20～120kHz，它可能是引起裂紋產(chǎn)生的大載荷，與飛機(jī)的某些結(jié)構(gòu)件，相互摩擦，產(chǎn)生的特定頻率的AE摩擦信號(hào)。在樣本c5的300個(gè)波形中，第三峰值伴隨著第一、二峰值同時(shí)出現(xiàn)，這也許能解釋為：大的載荷，不僅能產(chǎn)生特定頻率的裂紋信號(hào)（168.5kHz），還能在低頻部分，產(chǎn)生比較容易識(shí)別的、頻率比較集中的、可能是由摩擦引起的噪聲信號(hào)（13.4，46.2kHz）。因此，第三峰值與第一、第二峰值的能量之比，也可以認(rèn)為是識(shí)別裂紋信號(hào)的一個(gè)重要特征。該比值，也可以解釋為背景噪聲中，裂紋信號(hào)的能量所占的比例。

5 結(jié)論

（1）通過(guò)合理地選擇數(shù)據(jù)樣本以及某些判據(jù)的支持，利用SOM神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，可以從大量的波形信號(hào)中提取出想要的裂紋信號(hào)，且經(jīng)頻譜分析證實(shí)，該方法是可行的。

（2）利用小波包分解與重構(gòu)技術(shù)對(duì)聲發(fā)射的原始波形信號(hào)進(jìn)行降噪處理，可以使SOM算法的分類結(jié)果更加可靠。

（3）利用SOM算法對(duì)波形數(shù)據(jù)進(jìn)行分類，需要一定的計(jì)算時(shí)間，無(wú)法達(dá)到實(shí)時(shí)監(jiān)測(cè)的要求。

（4）疲勞裂紋的波形信號(hào)特征（如三個(gè)峰值的頻率、能量、比值等）可以成為識(shí)別裂紋的重要依據(jù)。

（5）隨著試驗(yàn)的進(jìn)展，如能對(duì)疲勞裂紋的波形信號(hào)特征進(jìn)行深入分析，可以開(kāi)發(fā)出專用的聲發(fā)射系統(tǒng)，這有望實(shí)現(xiàn)飛機(jī)疲勞試驗(yàn)的聲發(fā)射實(shí)時(shí)監(jiān)測(cè)。

參考文獻(xiàn)：

［1］Scala C M，et al.The Development of AE for Structural Integrity Monitoring of Aircraft［Z］. ADA196364，Dec，1976.

［2］Pokorski J R，F(xiàn)isher B R.Fatigue Damage Sensing Using Acoustic Emission［Z］.AD－A243803，Sept，1991.

［3］耿榮生，景鵬，雷洪.聲發(fā)射檢測(cè)與飛機(jī)疲勞試驗(yàn)定壽［C］.第八屆全國(guó)聲發(fā)射學(xué)術(shù)研討會(huì)論文集.上海：中國(guó)機(jī)械工程學(xué)會(huì)無(wú)損檢測(cè)分會(huì)聲發(fā)射委員會(huì)，1999.

［4］耿榮生.飛機(jī)主結(jié)構(gòu)日歷損傷的聲發(fā)射監(jiān)測(cè)［C］.第八屆全國(guó)無(wú)損檢測(cè)大會(huì)暨國(guó)際無(wú)損檢測(cè)技術(shù)研討會(huì)論文集.蘇州：中國(guó)機(jī)械工程學(xué)會(huì)無(wú)損檢測(cè)分會(huì)聲發(fā)射委員會(huì)，2003.

［5］吳克勤，耿榮生，謝里陽(yáng)，等.某型飛機(jī)水平尾翼疲勞試驗(yàn)的聲發(fā)射實(shí)時(shí)監(jiān)測(cè)［J］.東北大學(xué)學(xué)報(bào)（自然科學(xué)版），2007，28（8）：1167－1170.

［6］馮劍飛，耿榮生，鄔冠華，等.機(jī)體飛行載荷疲勞試驗(yàn)中的聲發(fā)射特性分析［J］.機(jī)械工程學(xué)報(bào)，2010，46（8）：6.

［7］王丙陽(yáng)，耿榮生，鄔冠華.聲發(fā)射技術(shù)在飛機(jī)主起落架疲勞試驗(yàn)中的應(yīng)用［J］.無(wú)損檢測(cè)，2011，33（4）：22.

［8］劉時(shí)風(fēng)，耿榮生.飛機(jī)疲勞試驗(yàn)聲發(fā)射裂紋監(jiān)測(cè)分析［C］.中國(guó)第十一屆聲發(fā)射研討會(huì).杭州：中國(guó)機(jī)械工程學(xué)會(huì)無(wú)損檢測(cè)分會(huì)聲發(fā)射委員會(huì)，2006.

［9］耿榮生，沈功田，劉時(shí)風(fēng).基于波形分析的聲發(fā)射信號(hào)處理技術(shù)［J］.無(wú)損檢測(cè)，2002，24（6）：257－261.

［10］沈功田，段慶儒，周裕峰，等.壓力容器聲發(fā)射信號(hào)人工神經(jīng)網(wǎng)絡(luò)模式識(shí)別方法的研究［J］.無(wú)損檢測(cè)，2001，23（4）：144－149.

［11］羅積軍，侯素霞，徐軍，等.基于神經(jīng)網(wǎng)絡(luò)的聲發(fā)射信號(hào)識(shí)別技術(shù)研究［J］.儀器儀表學(xué)報(bào)，2007，28（4）：678－680.

［12］王新建，吳克勤，王本志，等.聲發(fā)射在某型飛機(jī)水平尾翼半軸狀態(tài)監(jiān)控中的應(yīng)用［J］.中國(guó)第十一屆聲發(fā)射研討會(huì)，2006，7：90－96.

［13］LEE S H，LEE D.In－process monitoring of drilling burr formation using acoustic emission and a waveletbased artificial neural network［J］.International Journal of Production Research，2008，46（17）：4871－4888.

［14］Oliveira R de，Marques A T.Health monitoring of FRP using acoustic emission and artificial neural networks［J］.Computers and Structures，2008，86（3／5）：367－373.