基于敲擊信號的剎車片內(nèi)部缺陷檢測*

張國強(qiáng)，張 曉，隋文濤

(山東理工大學(xué) 機(jī)械工程學(xué)院，山東 淄博 255049)

1001-2265(2017)10-0122-03

10.13462/j.cnki.mmtamt.2017.10.029

2017-01-06；

2017-02-17

國家自然科學(xué)基金(51305243)；山東省自然科學(xué)基金(ZR2016EEM20)

張國強(qiáng)(1975—)，男，山東壽光人，山東理工大學(xué)講師、碩士，研究方向?yàn)樾盘柼幚?(E-mail)zgq@sdut.edu.cn；通訊作者：隋文濤(1977—)，男，山東煙臺人，山東理工大學(xué)副教授，博士，研究方向?yàn)闄C(jī)械電子，(E-mail)suiwt@163.com。

基于敲擊信號的剎車片內(nèi)部缺陷檢測*

張國強(qiáng)，張 曉，隋文濤

(山東理工大學(xué) 機(jī)械工程學(xué)院，山東 淄博 255049)

為了解決剎車片內(nèi)部缺陷檢測難題，提出了一種基于敲擊信號的剎車片內(nèi)部缺陷檢測方法。選取同種型號的剎車片進(jìn)行多次敲擊實(shí)驗(yàn)，然后對敲擊得到聲音信號進(jìn)行有效截??；利用小波變換時(shí)頻分析對實(shí)驗(yàn)數(shù)據(jù)進(jìn)行對比分析；運(yùn)用灰度共生矩陣計(jì)算灰度圖像的屬性特征；然后用神經(jīng)網(wǎng)絡(luò)對提取到的屬性特征進(jìn)行模式識別。該方法與廠家傳統(tǒng)的人工敲擊肉眼觀察法相比，不僅提高了內(nèi)部缺陷分辨率，為以后廠家實(shí)現(xiàn)剎車片智能化質(zhì)量檢測提供了一個(gè)可行性方案。

剎車片；內(nèi)部缺陷檢測；時(shí)頻分析；模式識別

0 引言

汽車剎車片質(zhì)量在汽車的制動系統(tǒng)中起著至關(guān)重要的作用，目前大部分剎車片企業(yè)采用傳統(tǒng)的方法檢測內(nèi)部缺陷，比如有經(jīng)驗(yàn)的工人師傅們?nèi)庋塾^察法和人工敲擊法。這樣的檢測方式過于依賴經(jīng)驗(yàn)而且非常費(fèi)時(shí)費(fèi)力又沒有較高準(zhǔn)確性。

聲振檢測技術(shù)已經(jīng)應(yīng)用于多個(gè)領(lǐng)域，例如有學(xué)者利用聲振檢測刀具的破損情況[1]，有研究提出了一種基于敲擊聲音信號的飛機(jī)復(fù)合材料的檢測方法[2]。但是，在剎車片內(nèi)部缺陷檢測方面，聲振相關(guān)研究還比較少。文獻(xiàn)[3-4]利用聲音進(jìn)行檢測剎車片，但是沒有對信號進(jìn)行充分信息挖掘，只是進(jìn)行簡單的功率譜分析，檢測的準(zhǔn)確性不夠高。

基于以上分析，本文提出了一種結(jié)合聲音信號的時(shí)頻分析和模式識別的剎車片內(nèi)部缺陷檢測方法，并在實(shí)驗(yàn)室環(huán)境下進(jìn)行了初步探索。對剎車片進(jìn)行敲擊得到聲音信號，然后利用小波變換進(jìn)行時(shí)頻分析；運(yùn)用灰度共生矩陣計(jì)算時(shí)頻圖的屬性特征；最后運(yùn)用神經(jīng)網(wǎng)絡(luò)對提取到的時(shí)頻特征進(jìn)行模式識別。該方法與廠家傳統(tǒng)的人工敲擊肉眼觀察法相比，不僅提高了內(nèi)部缺陷檢測的準(zhǔn)確率，還能為以后剎車片廠家實(shí)現(xiàn)自動化檢測提供了理論指導(dǎo)。

1 檢測方案

檢測方法如圖1所示，實(shí)驗(yàn)選取同種型號的剎車片進(jìn)行多次敲擊實(shí)驗(yàn)，然后對敲擊得到振動信號進(jìn)行有效截??；利用小波變換時(shí)頻分析對實(shí)驗(yàn)數(shù)據(jù)進(jìn)行對比分析；運(yùn)用灰度共生矩陣計(jì)算灰度圖像的屬性特征；然后用神經(jīng)網(wǎng)絡(luò)對提取到的屬性特征進(jìn)行模式識別。

圖1 設(shè)計(jì)流程

2 實(shí)驗(yàn)與信號預(yù)處理

2.1 實(shí)驗(yàn)數(shù)據(jù)采集

整個(gè)實(shí)驗(yàn)數(shù)據(jù)的來源就是對于敲擊之后不同剎車片發(fā)出的聲音信號進(jìn)行采集，實(shí)驗(yàn)采用了聲音傳感器[1]進(jìn)行聲音信號的采集。使用的聲音采集裝置為駐極體電容式傳聲器，型號為130E20SN37248，采集后將時(shí)域信號[2]直接輸入連接振動測試系統(tǒng)的計(jì)算機(jī)中進(jìn)行處理。敲擊裝置采用LONGSTON品牌的LC-1型號力錘，它的錘柄由傳輸信號電纜的力傳感器、沖擊錘、沖擊墊座和彈性沖擊墊座組成。數(shù)據(jù)采集系統(tǒng)[3]采用CRYSTAL INSTRUMENTS公司的SPIDER-80X振動測試系統(tǒng)，這樣在實(shí)驗(yàn)過程中就可以實(shí)時(shí)收集敲擊信號并保存在與其連接的計(jì)算機(jī)中。聲音采集裝置如圖2所示。敲擊信號的采樣頻率設(shè)定為9000Hz。

圖2 聲音采集裝置

2.2 截取聲音信號

由于在做實(shí)驗(yàn)的時(shí)候我們采取的是對每個(gè)剎車片的不同位置進(jìn)行多次敲擊，系統(tǒng)錄音設(shè)備是對整個(gè)敲擊過程的錄音(圖3a)，很多與敲擊相應(yīng)無關(guān)的信號會被采集到計(jì)算機(jī)不僅對后續(xù)的處理信號造成麻煩還會嚴(yán)重浪費(fèi)占據(jù)計(jì)算機(jī)內(nèi)存。所以我們需要截取有效的聲音信號，將整個(gè)敲擊錄音過程截取為圖3b(第一次敲擊信號)、圖3c(第二次敲擊信號)、圖3d (第三次敲擊信號)。

(a)總信號 (b)第一次敲擊信號

(c)第二次敲擊信號 (d)第三次敲擊信號圖3 截取信號

敲擊位置選取：根據(jù)聲音振動原理，敲擊摩擦材料的聲音反映出了固體材料在機(jī)械脈沖激勵(lì)下的振動形態(tài)，剎車片是板狀的固體摩擦材料，中心位置和邊緣位置對機(jī)械脈沖激勵(lì)的響應(yīng)也會有所不同。對同一剎車片敲擊不同位置，得到的聲音信號也各不相同，如圖4(A、B、C)的三次敲擊信號。對比普通錘子的敲擊信號我們可以看到，除敲擊邊緣位置C外其它兩個(gè)位置都可以用來作數(shù)據(jù)分析。

圖4 敲擊位置

3 時(shí)頻分析與模式識別

3.1 時(shí)頻分析

時(shí)頻分析[5]作為分析時(shí)變非平穩(wěn)信號的有力工具，它作為一種新興的信號處理方法，近年來受到越來越多的重視。時(shí)頻分析方法提供了時(shí)間域與頻率域的聯(lián)合分布信息，清楚地描述了信號頻率隨時(shí)間變化的關(guān)系，用它同時(shí)描述信號在不同時(shí)間和頻率的能量密度或強(qiáng)度。

小波函數(shù)[6]具有多樣性。通常情況下，如果我們選擇的小波基函數(shù)的波形與待分析信號的波形具有相似性，這個(gè)相似性越高就會得到越理想的分析結(jié)果。而在實(shí)際的應(yīng)用中我們根據(jù)支撐長度、正則性、對稱性等標(biāo)準(zhǔn)選擇合適的小波。根據(jù)本次試驗(yàn)敲擊信號特征，選取多個(gè)小波進(jìn)行嘗試，結(jié)果發(fā)現(xiàn)當(dāng)選用wavename=′cmor3-3′分析結(jié)果最為理想。

(a)正常剎車片時(shí)頻二維圖

(b)正常剎車片時(shí)頻三維圖

(c)分層剎車片時(shí)頻二維圖

(d)分層剎車片時(shí)頻三維圖圖5 時(shí)頻圖

圖5a為正常剎車片時(shí)頻圖，圖5c為分層剎車片時(shí)頻圖，其對應(yīng)的的三維圖(小波時(shí)頻幅值圖)分別為圖5b和圖5d。從圖中我們可以更為清楚地看到時(shí)頻的聚集性，對比圖中我們可以發(fā)現(xiàn)兩個(gè)剎車片頻率的一個(gè)共同點(diǎn)是都有集中在1000Hz～1500Hz左右的部分(B、C區(qū)域)，但是圖6中有持續(xù)較持續(xù)能量而圖7中能量是間隔的。另外，圖5a中在A區(qū)域1700Hz～3000Hz 出現(xiàn)較大的能量并且有持續(xù)時(shí)間的間隔能量而在圖5c中并沒有。

3.2 特征提取

為了方便后面的特征提取我們需要把圖像矩陣轉(zhuǎn)化為灰度圖像。

灰度共生矩陣[7]是方向與距離的矩陣函數(shù)，通過計(jì)算得到灰度圖像的一定方向與距離的兩點(diǎn)的灰度之間的相關(guān)性，反映在圖像中在方向、角度以及變化幅度上的綜合信息。借助MATLAB提供的graycomatrix函數(shù)將得到的灰度圖像生成共生矩陣，glcms = graycomatrix(I)會產(chǎn)生圖像I 的GLCM。函數(shù)是通過計(jì)算兩灰度值在灰度圖像中水平相鄰的次數(shù)得到的。

Graycoprops函數(shù)，從灰度共生矩陣glcm中計(jì)算各種靜態(tài)屬性。若glcm是一個(gè)灰度共生矩陣，則stats是包含每個(gè)灰度共生矩陣的靜態(tài)屬性矩陣。Graycoprops歸一化了灰度共生矩陣，所以各元素之和等于1。使用正規(guī)化的glcm計(jì)算其屬性，其參數(shù)如下：′Contrast′(對比度)[8]描述返回整幅圖像中像素以及與它相鄰像素之間的亮度反差。 ′Homogemeity′(同質(zhì)性)描述返回度量GLCM中各元素的分布到對角線緊密度。

'Correlation'(相關(guān))描述返回整幅圖像中像素與其相鄰像素是如何相關(guān)的度量值。

取試驗(yàn)的6個(gè)樣品，三個(gè)好的剎車片，三個(gè)分層的剎車片。提取上述′Contrast′、 ′Homogemeity′、′Correlation′、′Energy′特征結(jié)果如表1所示。

表1 特征對比

1～3號樣品是分層剎車片，4～6是好的剎車片樣品。我們從對比度上可以看到，分層剎車片樣品的對比度數(shù)值要大于好的剎車片對比度，而分層(側(cè)裂)剎車片的同質(zhì)性、相關(guān)性、能量三個(gè)特征的數(shù)值要小于好的剎車片。通過上面表格我們運(yùn)用MATLAB的神經(jīng)網(wǎng)絡(luò)相關(guān)函數(shù)對實(shí)驗(yàn)的所有樣品進(jìn)行分類。

3.3 模式識別

本文構(gòu)造了三層神經(jīng)網(wǎng)絡(luò)[9-10]，進(jìn)行時(shí)頻特征的分類和判別。用MATLAB自帶的模式識別工具箱(nprtool)來導(dǎo)入試驗(yàn)數(shù)據(jù)、調(diào)整參數(shù)等，然后可以得到相應(yīng)結(jié)果。我們的試驗(yàn)數(shù)據(jù)有兩組，每組有45個(gè)樣本。另外將所有試驗(yàn)樣本中的剎車片再分為兩類，一類用來訓(xùn)練數(shù)據(jù)，另一類用來測試數(shù)據(jù)的分類，兩類數(shù)據(jù)的比率為1:2。我們運(yùn)用上述方法提取每個(gè)剎車片的對比度、同質(zhì)性、相關(guān)性、能量四個(gè)特征來進(jìn)行分類。其運(yùn)行其結(jié)果如表2所示。

表2 分類結(jié)果特征對比

從實(shí)驗(yàn)結(jié)果看來，四個(gè)特征的正確分類都在90%以上，對比度和相關(guān)性的準(zhǔn)確分類則更是達(dá)到了95.56%。

4 結(jié)論

本文提出了一種基于MATLAB的小波變換時(shí)頻分析方法檢測剎車片內(nèi)部缺陷方法。利用灰度共生矩陣的靜態(tài)屬性提取了對比度、同質(zhì)性、相關(guān)性、能量四個(gè)特征并根據(jù)其實(shí)驗(yàn)數(shù)據(jù)結(jié)論進(jìn)行對比分析。運(yùn)用神經(jīng)網(wǎng)絡(luò)對灰度共生矩陣提取的四個(gè)特征進(jìn)行分類。該方法與廠家傳統(tǒng)的人工敲擊肉眼觀察法相比，不僅提高了內(nèi)部缺陷的分辨率，還能夠?yàn)槠錂z測提供了理論依據(jù)，也為以后廠家實(shí)現(xiàn)剎車片智能化質(zhì)量檢測提供了理論支持。

[1] 陳群濤，石新華，邵華.基于多傳感器信息融合方法的刀具破損識別[J].組合機(jī)床與自動化加工技術(shù)，2013(10):61-65.

[2] 李艷軍，閆曉東.飛機(jī)復(fù)合材料結(jié)構(gòu)智能敲擊檢測系統(tǒng)研究[D].太原：太原理工大學(xué)，2010.

[3] 劉明華.基于MATALAB聲學(xué)檢測剎車片材質(zhì)的研究[J].科技傳播，2014(3):96-97.

[4] 周冠雄.基于DSP的剎車片內(nèi)部缺陷質(zhì)量檢測系統(tǒng)的研究[D].杭州:浙江大學(xué)，2012.

[5] 葛哲學(xué)，陳鐘生.Matlab時(shí)頻分析技術(shù)及其應(yīng)用[M].北京：人民郵電出版社，2006.

[6] 隋文濤，張丹.平穩(wěn)小波變換在軸承振動信號去噪中的應(yīng)用[J].軸承，2012(1)：38-40.

[7] 焦蓬蓬,郭依正,劉麗娟,等.灰度共生矩陣紋理特征提取的Matlab實(shí)現(xiàn)[J].計(jì)算機(jī)技術(shù)與發(fā)展，2012，22(11)：169-175.

[8] 遲衛(wèi)，高占勝，陳明榮，等.艦船尾跡圖像的對比度特征提取方法[J].中國艦船研究, 2014, 9(2):95-100.

[9] 許立,張宇,湯武初,等.基于BP神經(jīng)網(wǎng)絡(luò)的圓錐滾子軸承故障診斷[J].組合機(jī)床與自動化加工技術(shù)，2016(11)：105-111.

[10] 蘇宇鋒, 袁文信, 劉德平,等. 基于BP神經(jīng)網(wǎng)絡(luò)的電主軸熱誤差補(bǔ)償模型[J]. 組合機(jī)床與自動化加工技術(shù), 2013(1):36-38.

InternalDefectsDetectionofBrakPadsBasedontheKnockingSignal

ZHANG Guo-qiang， ZHANG Xiao， SUI Wen-tao

(School of Mechanical Engineering, Shandong University of Technology, Zibo Shandong 255049, China)

In order to solve the brake pads internal defect detection problem, a detection method based on signal pads internal defects is proposed. We do several times experiments on the same type of brakes, and then to knock vibration signal effectively intercept. The experimental data is analyzed by using wavelet transform and time-frequency. The gray level co-occurrence matrix is computed, and the pattern recognition of image is conducted through using neural network. Compared with the manufacturers of traditional method of eye observation, the proposed methods not only improve the internal defects resolution, but also provides a feasible scheme for the manufacturers to realize intelligent brake lining quality testing.

brake pad; internal defect detection; time-frequency analysis; pattern recognition

TH165+,3;TG506

A

(編輯李秀敏)