基于声发射信号的铝合金材料损伤表征识别

D0I:10.13374/j.issn1001-053x.2013.05.010 北京科技大学学报 Vol.35 No.5 第35卷第5期 May 2013 2013年5月 Journal of University of Science and Technology Beijing 基于声发射信号的铝合金材料损伤表征识别 张卫冬，张习文，杨斌，丁贤飞，艾轶博四 北京科技大学国家材料服役安全科学中心，北京100083 ☒通信作者，E-mail:ybai@ustb.edu.cn 摘要随着高速铁路的不断提速，高铁轻量化设计中广泛采用高强铝合金材料，但高速列车齿轮箱体服役安全评价亟 待完善.本文针对高速列车齿轮箱体使用的铝合金材料服役特性，搭建了声发射检测拉伸试验系统，运用BP神经网络 算法对声发射信号进行训练与识别，实现对箱体材料拉伸损伤表征识别与材料服役状态的安全预警.本研究为材料损伤 状态的无损实时识别提供了一种识别与预警方法 关键词铝合金：声发射；损伤探测；神经网络：模式识别 分类号TG146.2+1:TP18 Damage characterization and recognition of aluminum alloys based on acoustic emission signal ZHANG Wei-dong,ZHANG Xi-wen,YANG Bin,DING Xian-fei,AI Yi-bo National Center for Materials Service Safety,University of Science and Technology Beijing,Beijing 100083,China Corresponding author,E-mail:ybai@ustb.edu.cn ABSTRACT With the rapid development of high-speed rails,high-strength aluminum alloys are widely used in the lightweight design,but the service safety assessment of gear boxes in high-speed trains needs to be improved in China. An acoustic emission tensile test system was built for high-speed train gearbox shells made of aluminum alloys.After training and recognition by a BP neural network,acoustic emission signal was used for characterizing tensile damage in the materials and warning the materials service status.The research provides a method of nondestructive real-time characterization and warning for damage in aluminum alloys. KEY WORDS aluminum alloys;acoustic emissions;damage detection;neural networks;pattern recognition 材料表征是材料科学领域一个重要研究方向.对机械结构运行状态下的故障诊断，而对于材料静 传统的材料表征研究多采用显微观测等手段进行材 载状态下内部缺陷产生与发展的检测多用声发射技 料表征，但往往需要进行破坏性试验，而且不能实术.声发射是指材料或结构受外力或内力作用产生 时进行材料损伤检测，这类材料表征识别方法很难 变形或断裂，以弹性波形式释放出应变能的现象， 用于工业现场的实时监测.高速列车作为一种新型 而弹性波可以反映出材料的一些性质.声发射检测 交通工具，在国民经济中起着越来越重要的作用. 就是通过探测受力时材料内部发出的应力波判断材 随着速度的提升，对用于高速列车铝合金材料的各 料内部结构损伤程度的一种的无损检测方法.声 种服役性能提出更高要求，对关键材料服役状态 发射技术作为一种无损检测方法，在机械的状态监 的实时监测系统的需求也越来越迫切. 测和故障诊断方面得到了广泛应用.李海斌等3 在设备故障诊断方面多用振动信号与声发射 结合随机渐进失效分析方法和声发射监测对复合 信号诊断作为故障分析手段.振动信号分析多用于 材料单向拉伸试件进行损伤分析.陈钢等4通过 收稿日期：201302-14 基金项目：“十一五”国家科技支撑计划资助项目(2009BAG12A07-D07):国家自然科学基金资助项目(61273205,51005014)：教育 部中央高校基本科研业务专项(FRF-SD-12-028A)

第 卷 第 期 年 月 北 京 科 技 大 学 学 报 基于声发射信号的铝合金材料损伤表征识别 张卫冬, 张 习文, 杨 斌, 丁贤飞, 艾软博 网 北京科技大学国家材料服役安全科学中心, 北京 困 通信作者 , 一 忍 摘 要 随着高速铁路的不断提速 , 高铁轻量化设计中广泛采用高强铝合金材料, 但高速列车齿轮箱体服役安全评价鱼 待完善 本文针对高速列车齿轮箱体使用的铝合金材料服役特性, 搭建了声发射检测拉伸试验系统 , 运用 神经网络 算法对声发射信号进行训练与识别, 实现对箱体材料拉伸损伤表征识别与材料服役状态的安全预警 本研究为材料损伤 状态的无损实时识别提供了一种识别与预警方法 关键词 铝合金 声发射 损伤探测 神经网络 模式识别 分类号 龙 且 万` 队 乞一`。 。, 刀二咬万` 一 , 以 万` 刀乞, 刀拼 ` 爪 一 ,, 八了 一乙。网 , , , 困 , 一 · · 一 , 一 , 一 一 饰 , 一 材料表征是材料科学领域一个重要研究方 向 对机械结构运行状态下的故障诊断, 而对于材料静 传统 的材料表征研究多采用显微观测等手段进行材 载状态下 内部缺 陷产生与发展 的检测多用声发射技 料表征 , 但往往需要进行破坏性试验 , 而且不能实 术 声发射是指材料或结构受外力或 内力作用产生 时进行材料损伤检测, 这类材料表征识别方法很难 变形或 断裂 , 以弹性波形式释放 出应变能的现 象, 用于工业现场 的实时监测 高速列车作为一种新型 而弹性波可 以反映 出材料的一些性质 声发射检测 交通工具 , 在 国民经济中起着越来越重要的作用 就是通过探测受力时材料 内部发出的应力波判断材 随着速度的提升, 对用于高速列车铝合金材料的各 料 内部结构损伤程度 的一种的无损检测方法 声 种服役性能提 出更高要求 , 对关键材料服役状态 发射技术作为一种无损检测方法 , 在机械的状态监 的实时监测系统的需求也越来越迫切 测和故障诊断方面得到了广泛应用 李海斌等 在设备故障诊断方面多用振动信号与声发射 结合随机渐进失效分析方法和声发射监测对 复合 信号诊断作为故障分析手段 振动信号分析多用于 材料单向拉伸试件进行损伤 分析 陈钢等 冈 通过 收稿 日期 书 一 基金项 目 “十一五” 国家科技支撑计划资助项 目 不 国家 自然科学基金资助项 目 , 教育 部中央高校基本科研业务专项 一 一 一 DOI :10.13374/j .issn1001 -053x.2013.05.010

第5期 张卫冬等：基于声发射信号的铝合金材料损伤表征识别 ,627· 对多台报废压力容器进行超压试验的声发射检测和 撞击(Hit)和撞击计数(Hits):撞击是指通过门 对500多台压力容器现场声发射检验数据的分析， 槛值并导致一个系统通道累计数据的任一声发射信 给出了现场压力容器检验可能遇到的多种声发射源 号：对撞击个数进行计数，称为撞击计数 的特性.Chiementin等！利用声发射技术研究了 振铃计数：振铃计数是指振铃脉冲越过门槛值 轴承故障诊断问题，证明了自适应噪声消除方法 的次数，某一特定时间内总的振铃计数称为振铃总 对识别轴承缺陷声发射信号有着重要意义.Roberts 计数，单位时间内振铃计数叫做振铃计数率 等同利用声发射传感器监测焊接钢材料裂纹扩展 能量计数：声发射信号的幅度平方后进行包络 过程，并统计解释了声发射计数率与裂纹扩展速率 检波，用包络所包围的面积就可以度量信号所包含 的关系.Leone等)运用人工神经网络方法处理声 能量的相对值，可分为总能量和能量率，能量的计 发射信号，预测复合材料的剩余强度，并成功检测 算可表示为： 到复合材料预制疲劳裂纹的位置.但是，目前对高 能量= 速列车齿轮箱体材料裂纹扩展全过程的声发射信号 ∑[（超过门橙值的点的幅值÷增益）2-阙值引. 分析较少，而且用人工智能方法对材料进行表征的 研究也并不多见 1.2试验系统 本文以高速列车齿轮箱体高强度铝合金材料 声发射检测拉伸试验系统包括材料拉伸试验 为研究对象，这种材料是在铸造铝合金A356基础 机、声发射仪和工作站.将声发射仪探头固定在试 上改进工艺，达到足够的刚度、强度、塑性及优良的 验材料上，材料拉伸试验机工作时，同步触发声发 疲劳性能，并且具有铸造性能良好、缩松倾向小的 射仪记录信号，通过工作站调整声发射仪参数并存 优点，以保证齿轮箱体的致密性和均一性，能够替 储声发射信号参数.图1为实际的声发射检测拉伸 代铸钢材料.通过搭建声发射检测拉伸试验系统， 试验系统.为了避免夹头与试样之间在加载初期滑 利用声发射技术检测齿轮箱体铝合金材料在静载拉 移而产生的噪音，没有采用夹头式加载方法，而将 伸状态下直至断裂的声发射信号，通过BP神经网 试样通过穿孔固定来减少二者之间的相对滑移.环 络算法对声发射信号所得数据进行学习，对材料在 境噪声与材料声发射信号强度不在一个分贝水平， 静载拉伸状态下各阶段（弹性、屈服、塑性和断裂） 可以通过设定阈值直接由声发射仪滤掉环境噪音 损伤过程进行表征识别，实现材料损伤状态的安全 预警.研究结果为铝合金材料损伤的无损实时表征 识别提供了方法 1声发射检测拉伸试验系统 1.1声发射技术 声发射（acoustic emission,AE)是材料中局域 源快速释放能量产生瞬态弹性波的现象，也称为应 力波发射8例.声发射源即材料中直接与变形和断裂 机制有关的弹性波发射源，其实质是指声发射的物 理源点或发生声发射的机制源 声发射信号常用的分析方法为两大类：一类是 参数分析方法，利用对波形特征整理得到的声发射 参数来进行分析：另一类是波形分析法，对接收到 的声发射波形进行时频分析，从而得到对声发射波 形的处理②，由于声发射原始波形的获得存在很大 的困难，声发射波形分析技术应用受到限制，使声 图1声发射检测拉伸试验系统 发射参数分析方法在声发射号处理中一直处于主导 Fig.1 Acoustic emission and tensile test system 地位.声发射信号参数分析方法主要是基于时域分 析而言的，主要方法有基本表征参数分析、统计特 试验中，采用的高速列车齿轮箱体材料为铸造 征参量分析及相关分析9-10. 铝合金A356,从齿轮箱体材料截取三个试验件，试 本文主要使用的声发射参数如下 样尺寸参数如图2所示

第 期 张卫冬等 基于声发射信号的铝合金材料损伤表征识别 对多台报废压力容器进行超压试验的声发射检测和 对 多台压力容器现场声发射检验数据的分析 , 给出了现场压力容器检验可能遇到的多种声发射源 的特性 、等 同 利用声发射技术研究了 轴承 故障诊 断问题 , 证 明了 自适应噪声消除方法 对识别轴承缺 陷声发射信号有着重要意义 等 同 利用声发射传感器监测焊接钢材料裂纹扩展 过程 , 并统计解释 了声发射计数率与裂纹扩展速率 的关系 等 运用人工神经 网络方法处理声 发射信号, 预测复合材料 的剩余强度, 并成功检测 到复合材料预制疲劳裂纹 的位置 但是 , 目前对高 速列车齿轮箱体材料裂纹扩展全过程的声发射信号 分析较少, 而且用人工智能方法对材料进行表征 的 研究也并不多见 本文 以高速 列车齿 轮箱体高强度铝合金材料 为研究对象, 这种材料是在铸造铝合金 基础 上改进工艺, 达到足够的刚度 、强度 、塑性及优 良的 疲劳性能 , 并且具有铸造性能 良好 、缩松倾 向小的 优点, 以保证齿轮箱体 的致密性和均一性, 能够替 代铸钢材料 通过搭建声发射检测拉伸试验系统, 利用声发射技术检测齿轮箱体铝合金材料在静载拉 伸状态下直至断裂的声发射信号, 通过 神经网 络算法对声发射信号所得数据进行学习, 对材料在 静载拉伸状态下各阶段 弹性 、屈服 、塑性和断裂 损伤过程进行表征识别, 实现材料损伤状态的安全 预警 研究结果为铝合金材料损伤 的无损 实时表征 识别提供了方法 声发射检测拉伸试验系统 声发射技术 声发射 , 是材料 中局域 源快速释放能量产生瞬态弹性波的现象 , 也称为应 力波发射 声发射源 即材料中直接与变形和断裂 机制有关的弹性波发射源 , 其实质是指声发射 的物 理源点或发生声发射的机制源 声发射信号常用的分析方法为两大类 一类是 参数分析方法, 利用对波形特征整理得到的声发射 参数来进行分析 另一类 是波形分析法 , 对接收到 的声发射波形进行时频分析, 从而得到对声发射波 形的处理 由于声发射原始波形的获得存在很大 的困难 , 声发射波形分析技术应用受到限制, 使声 发射参数分析方法在声发射号处理中一直处于主导 地位 声发射信号参数分析方法主要是基于时域分 析而言的, 主要方法有基本表征参数分析 、统计特 征参量分析及相关分析 ”一'。 本文主要使用 的声发射参数如下 撞击 和撞击计数 撞击是指通过门 槛值并导致一个系统通道累计数据的任一声发射信 号 对撞击个数进行计数 , 称为撞击计数 振铃计数 振铃计数是指振铃脉冲越过 门槛值 的次数, 某一特定时间内总的振铃计数称为振铃总 计数 , 单位时间内振铃计数叫做振铃计数率 能量计数 声发射信号的幅度平方后进行包络 检波 , 用包络所包 围的面积就可 以度量信号所包含 能量的相对值 , 可分为总能量和能量率 , 能量的计 算可表示 为 能量 又超过「〕槛值的点的幅值、增益一`值 试验系统 声发射检测 拉伸试 验系统包括材料拉伸试验 机 、 声发射仪和工作站 将 声发射仪探头固定在试 验材料上 , 材料拉伸试验机工作时, 同步触 发声发 射仪记录信号 , 通过工作站调整声发射仪参数并存 储声发射信号参数 图 为实际的声发射检测拉伸 试验系统 为了避免夹头与试样之间在加载初期滑 移而产生 的噪音 , 没有采用夹头式加载方法 , 而将 试样通过 穿孔固定来减少二者之 间的相对滑移 环 境噪声与材料声发射信号强度不在一个分 贝水平, 可以通过设定阑值直接 由声发射仪滤掉环境噪音 图 声发射检测拉伸试验系统 试验中, 采用的高速列车齿轮箱体材料为铸造 铝合金 , 从齿轮箱体材料截取三个试验件, 试 样尺寸参数如 图 所示

,628 北京科技大学学报 第35卷 12.5±0.2 1.6 210 0.05-) B0.15A-B 1.6 /1.6 60 40 60 编号 200 图2拉伸试样规格（单位：mm) Fig.2 Specifications of the tensile specimen (unit:mm) 试验采用的加载设备为WDW200D万能材料MPa,抗拉强度约为Rm=253MPa,延伸率约为 试验机，加载速率0.3 mm.min-1.声发射测试仪器 1.5%.铝合金试样拉伸过程可以分为弹性变形、屈 采用的是PAC公司的SAMOS声发射系统.表1是 服、塑性（均匀塑性变形）和断裂（不均匀塑性变形） 声发射系统参数设置 四个阶段 表1声发射系统参数设置 9000r Table 1 Parameters of the acoustic emission system 8000叶弹 7000 传感器 RI5A Z6000 谐振频率/kHz 150 段 前置增益放大器/dB 40 断 闽值/dB 45 互4000 服 性阶段 峰值鉴别时间(PDT)/s 300 委3000 撞击鉴别时间(HDT)/s 600 2000 撞击闭锁时间(HLT)/s 1000 1000 采样频率/MHz 1 00.0050.0100.0150.0200.0250.0300.035 撞击文件长度/kB 2 轴向应变 图3齿轮箱体材料拉伸应力-应变曲线 常用的声发射信号表征参数包括撞击计数、振 Fig.3 Tensile stress-strain curve of the gearbox shell mate. 铃计数、能量计数、幅度、持续时间、上升时间等， rial 但是在齿轮箱体材料拉伸试验中，幅值并不能很好 (1)弹性变形阶段为0290s,应变为00.0036， 地表征试件在各阶段的特性，而频度在各阶段有较 应力为0~6500N.在这个阶段中，试样的变形是弹 大差异.与此同时，考虑到一段时间内参数的累加 性的，并且外力与伸长量成正比.如果在试验过程 性，选用了撞击计数、振铃计数和能量计数三个参 中卸除拉力，则试样的伸长变形会消失，不产生残 数作为研究对象，这种累加性也可以去除检测过程 余伸长 中的随机噪声， (2)屈服阶段为290~350s,应变为0.0036~ 本文的材料损伤试验是在实验室的试验台架 0.0057,应力为6500~7800N.在此阶段中，材料在 上模拟真实服役环境下的材料损伤 拉伸过程中，材料失去了抵抗继续变形的能力.当 应力达到一定值时，应力虽不增加（或在徽小范围 2试验结果与分析 内波动)，而变形却急速增长 2.1材料拉伸试验 (3)塑性变形阶段为350~460s,应变为0.0057 通过应力一应变曲线，可以得出材料在断裂过 0.0168,应力为78008300N.在此阶段中，试样在 程中的强度变化规律，并得到强度与断裂韧性的关 外力的作用下产生形变，当施加的外力撤除或消失 系.图3为一个齿轮箱体材料试件的应力-应变曲 后该物体不能恢复原状， 线 (4)最后为断裂阶段 拉伸试验中拉伸持续时间为t=563.9s,最大 2.2声发射信号与应变关系 拉力为Fmax=8368.7539N,屈服强度约Rp0.2=229 根据声发射信号所表达信息及分析所需数据

· · 北 京 科 技 大 学 学 报 第 卷 石士 卫 于 一 一中 刀 一 呷 些匕一一钊 阵一业一引 味一一一丝 图 拉伸试样规格 单位 编号 试验采 用的加载设备为 万能材料 试验机, 加载速率 · 一 声发射测试仪器 采用的是 公司的 声发射系统 表 是 声发射系统参数设置 , 抗拉强度约为 二 , 延伸率约为 铝合金试样拉伸过程可 以分为弹性变形 、屈 服 、塑性 均匀塑性变形 和断裂 不均匀塑性变形 四个阶段 表 声发射系统参数设置 侧解尽只之 传感器 谐振频率 前置增益放大器 闽值 峰值鉴别时间 呷 撞击鉴别 时间 哪 撞击闭锁时间 哪 采样频率 撞击文件长度 刀 刀 , 刀 刀 刀 轴向应变 常用的声发射信号表征参数包括撞击计数 、振 铃计数 、能量计数 、幅度 、持续时间 、上升时间等, 但是在齿轮箱体材料拉伸试验中, 幅值并不能很好 地表征试件在各阶段的特性, 而频度在各阶段有较 大差异 与此同时, 考虑到一段时间 内参数 的累加 性 , 选用 了撞击计数 、振铃计数和能量计数三个参 数作为研究对象 , 这种累加性也可 以去除检测过程 中的随机噪声 本文 的材料损伤试验 是在实验室的试验台架 上模拟真实服役环境下的材料损伤 图 齿轮箱体材料拉伸应力 一应变曲线 一 试验结果与分析 材料拉伸试验 通过应力 一应变 曲线 , 可以得出材料在断裂过 程 中的强度变化规律 , 并得到强度与断裂韧性的关 系 图 为一个齿轮箱体材料试件 的应力 一应变曲 线 拉伸试验 中拉伸持续时间为 , 。, 最大 拉力为 , 屈服强度约 。 弹性变形阶段为 , 应变为 、 , 应力为 、 在这个阶段中, 试样 的变形是弹 性的, 并且外力与伸长量成正比 如果在试验过程 中卸除拉力 , 则试样的伸长变形会消失, 不产生残 余伸长 屈服阶段为 , 应变为 , 应力为 、 在此阶段 中, 材料在 拉伸过程中, 材料失去 了抵抗继续变形的能力 当 应力达到一定值 时, 应力虽不增加 或在微 小范围 内波动 , 而变形却急速增长 塑性变形阶段为 、 , 应变为 , 应力为 、 在此阶段中, 试样在 外力的作用下产生形变 , 当施加的外力撤除或消失 后该物体不能恢复原状 最后为断裂阶段 声发射信号与应变关系 根据 声发射信 号所表 达信息及分析所 需数据

第5期 张卫冬等：基于声发射信号的铝合金材料损伤表征识别 629 能累积特点，选取能量、振铃计数和撞击计数三个 2.3声发射信号特征参数统计 参数进行处理分析.图4~图6分别为一个试验件 声发射信号每个时间点的声发射能量计数和 的能量、振铃计数和撞击计数与应变的关系图，并 振铃计数都是由一次撞击中的振铃和能量统计而 标出与图3对应的拉伸各状态阶段 成，反映了试验过程中每次撞击中能量和振铃计数 数量以及时间分布，因此下面没有单独对撞击计数 统计 9000 8000 性阶 阶 塑性阶 7000 6000 3 段 5000 4000 弹性阶 屈服阶 阶 裂阶段 2 3000 2000 1000 0.005 0.010 0.015 0.020 0 0.020 应变 0.005 0.010 0.015 应变 图4 累积能量计数与应变的关系 图6 累积声发射撞击计数与应变的关系 Fig.4 Relation between cumulative energy counts and strain Fig.6 Relation between cumulative hit counts and strain 由图4可见，能量累积计数在应变低于某值 图7为各阶段声发射能量计数统计，图8为 (0.018)时为近似线性关系，在0.018后大幅度跃迁， 齿轮箱体材料拉伸试验各阶段的声发射振铃计数 这说明低应变时的声发射信号较少，仅当试样发生 统计. 颈缩及最后断裂时才有大量信号出现 金属拉伸过程，可分为弹性变形、屈服、塑性 变形和断裂四个阶段.从图7可以得出：在弹性 变形阶段，阶段能量计数较小，最大能量计数只达 到了38，说明了在此阶段，试样的变形是弹性的， 产生的声发射撞击较少：屈服阶段能量计数相对大 弹 一些，最大能量计数达到了62，此阶段为弹性阶段 3 塑性 服阶段 毁 断裂阶段 与塑性阶段的过渡阶段，屈服阶段形成的大量位错 2 段 塞积冲破障碍，甚至发生大量的原子键断裂，形成 了很强烈的突发性声发射信号，声发射撞击较多且 1 密集；塑性阶段能量计数最大值达到了150以上， 产生的声发射撞击相对于前面阶段要多一些；断裂 0.005 0.010 0.015 0.02 应变 阶段，声发射撞击多且密集，声发射源主要是原子 图5 累积声发射振铃计数与应变的关系 键断裂，最终声发射能量计数达到了67000以上. Fig.5 Relation between cumulative ringing counts and 图8为拉伸试验各阶段声发射振铃计数统计 strain 从图8可以看出：弹性变形阶段振铃计数较小，最 由图5可见，振铃累积计数在应变低于某值 大振铃计数只达到了110，说明了在此阶段，试样 (0.018)时呈近似线性关系，在0.018后大幅度跃迁， 的变形是弹性的，产生的声发射撞击较少：屈服阶 说明在低应变时声发射振铃计数信号增长趋势较为 段振铃计数相对大一些，最大能量计数达到了150， 平缓，仅当试样发生颈缩及最后断裂时振铃计数迅 此阶段为弹性阶段与塑性阶段的过渡阶段，产生的 速增长. 声发射撞击相对于弹性阶段要多一些：塑性阶段振 由图6可见，累积声发射撞击计数在应变低于 铃计数最大值达到了250以上，形成了很强烈的突 某值(0.008)时增长非常缓慢，大于该值后呈近似 发性声发射信号，声发射撞击较多且密集；断裂阶 线性关系，说明累积声发射撞击计数信号增长趋势 段声发射撞击多且密集，声发射源主要是原子键断 较为平缓 裂，最终声发射振铃计数达到了7500以上

第 期 张卫冬等 基于声发射信号的铝合金材料损伤表征识别 · 能累积特 点, 选取能量 、振铃计数和撞击计数三个 参数进行处理分析 图 图 分别为一个试验件 的能量 、振铃计数和撞击计数与应变 的关系 图, 并 标 出与图 对应的拉伸各状态阶段 声发射信号特 征参数统计 声发射信号每个 时间点的声发射能量计数和 振 铃计数 都是 由一次撞击 中的振铃和能量统计而 成 , 反映了试验过程中每次撞击 中能量和振铃计数 数量 以及时间分布 , 因此下面没有单独对撞击计数 统计 口 性段弹阶 屈段服阶 性段塑阶 段断裂阶 燕卞书韶板侧彩踢 性段弹阶 段屈服阶 性段塑阶 段断裂阶 斗月 乙纂六招翔侧报调彩略洲 刀 应变 刀 〕 白一一亩丽弓 应变 刀 图 累积能量计数与应变的关系 一 图 累积声发射撞击计数与应变的关系 由图 可见, 能量累积计数在应变低于某值 时为近似线性关系, 在 后大幅度跃迁 , 这说明低应变 时的声发射信号较少 , 仅当试样发生 颈缩及最后断裂时才有大量信号 出现 段弹阶陛 屈段服阶 性塑段阶 段断裂阶 任︸ 氛六零华蓦洲极彩略工。 刀 刀 应变 图 累积声发射振铃计数与应变的关系 由图 可见 , 振铃 累积计数在应变低于某值 时呈近似线性关系, 在 后大幅度跃迁 , 说明在低应变时声发射振铃计数信号增长趋势较为 平缓, 仅当试样发生颈缩及最后断裂时振铃计数迅 速增长 由图 可见, 累积声发射撞击计数在应变低于 某值 时增长非常缓慢 , 大于该值后呈近似 线性关系 , 说明累积声发射撞击计数信号增长趋势 较为平缓 图 为各阶段 声发射能量计数统计 , 图 为 齿轮箱体材料拉伸试验各阶段 的声发射振铃计数 统计 金属拉伸过程 , 可分为弹性变形 、屈服 、塑性 变形和断裂四个阶段 从 图 可 以得 出 在弹性 变形阶段 , 阶段能量计数较小, 最大 能量计数只达 到了 , 说 明了在此阶段 , 试样 的变形是弹性 的, 产生的声发射撞击较少 屈服阶段能量计数相对大 一些 , 最大能量计数达到 了 , 此阶段为弹性阶段 与塑性阶段的过渡阶段, 屈服阶段形成的大量位错 塞积冲破障碍, 甚至发生大量的原子键断裂, 形成 了很强烈 的突发性声发射信号, 声发射撞击较多且 密集 塑性阶段能量计数最大值达 到了 以上 , 产生的声发射撞击相对于前面阶段要多一些 断裂 阶段 , 声发射撞击 多且密集 , 声发射源主要是原子 键断裂 , 最终声发射 能量计数达到了 以上 图 为拉伸试验各阶段声发射振铃计数统计 从图 可 以看出 弹性变形阶段振铃计数较小 , 最 大振铃计数只达 到了 , 说明了在此阶段 , 试样 的变形是弹性的, 产生的声发射撞击较少 屈服阶 段振铃计数相对大一些 , 最大能量计数达到了 , 此阶段为弹性阶段与塑性阶段的过渡阶段 , 产生的 声发射撞击相对于弹性阶段要多一些 塑性阶段振 铃计数最大值达到了 以上, 形成 了很强烈的突 发性声发射信号, 声发射撞击较 多且密集 断裂阶 段声发射撞击多且密集 , 声发射源主要是原子键 断 裂, 最终声发射振铃计数达到了 以上

·630 北京科技大学学报 第35卷 弹性阶段能量统计图 屈服阶段能量统图 80 30 60 30 40 20 0 100 200 300 280 300 320 340 360 拉抻时间/s 拉抻时间/s 塑性阶段能量统计 断裂阶段能量统计图 200 150 6 100 ￥ 50 2 0 350 400 450 500 460 480 500 520 拉神时利/s 拉抻时间/s 图7拉伸试验各阶段声发射能量统计 Fig.7 Acoustic cmission energy charts of four tensile test stages 弹性阶段振铃统计图 屈服阶段振铃统计图 150 100 50 0 0 100 200 300 280 300 320 340 360 拉伸时问/s 拉仲时间/s 塑性阶段振铃统计图 断裂阶段振铃统计图 300 8000 6000 200 4000 100 2X000 350 400 450 500 460 480 500 520 拉伸时间/s 拉伸时间/s 图8拉仲试验各阶段声发射振铃统计图 Fig.8 Acoustic emission ringing charts of four tensile test stages

· · 北 京 科 技 大 学 学 报 第 卷 弹性阶段能量统计图 屈服阶段能量统计图 肛 蒸卞喇四检 一 曰 燕六叫如徊 拉神时飞丁 塑性阶段能量统计图 拉神时间 断裂阶段能量统计图 彭七招崛乙曰 纂一叫创征︸ 〕 拉神时间 图 。 拉神时问 。 拉伸试验各阶段声发射能量统计 一 弹性阶段振 铃统计 图 屈服阶段振铃统计图 彭十尔罩分 占拿紧燕山 拉伸时川 塑性阶段振铃统计图 「一 拉伸时间 断裂阶段振铃统计图 口门︸自曰 曰 燕节拿举 纂卞尔紧 〕 拉仲时间 。 拉仲时间 、 图 拉伸试验各阶段声发射振铃统计图

第5期 张卫冬等：基于声发射信号的铝合金材料损伤表征识别 631. 3 基于人工神经网络的材料损伤表征与 即构成目标函数，参照目标函数，使误差平方和达 服役状态安全预警 到最小.使用梯度最速下降法，反向传播调整网络 权值，直到满足要求.BP网络的学习迭代算法如 3.1试验数据处理及材料损伤表征及识别的BP 神经网络构建 下12-13： 本文研究的目标是找出一种分类方式，把通过 W(t+1)=W(t)+△W(t), (1) 声发射采集到的材料损伤数据按照弹性、屈服、塑 性和断裂四个阶段来区分开，为以后材料在线监测 △W(t)=aEy5+nlW(t)-W(t-1小.(2) 打基础，这就需要建立一个今后可用的损伤分类模 型，损伤分类模型的建立第一种方式是基于物理或 式中：W是由结点i到结点j的权值；△W(t)是 数学模型建立，这个前提是对相关物理过程能用数 权值增量；是结点j的输出；Q是学习速率； 学公式来描述：建立模型的另一种方式是通过神经 是冲量系数：E是结点1的误差.调用函数为 元网络等学习算法通过数据训练后得到.分析图7 newff (,(6,1),{logsig',logsig'),traingd').Matlab 和图8所示的声发射数据可知很难通过严格的数学 newf函数具有构建BP神经网络的功能，其中参 描述来得到损伤分类模型，所以本文探索采用神经 数'traingd'代表调整BP网络参数方式为梯度下降 元网络经训练来拟合分类模型. 法.然后再调用Matlab中train()函数来训练BP 设计BP神经网络结构有三层：输入层、隐含 神经网络.BP网络的学习迭代算法如图9所示. 层和输出层.对于此试验的声发射参数数据，提取 初始化 了三个特征值(10s累积撞击数、10s累积振铃计 数和10s累积能量计数)作为神经网络的输入，因 给定撞击计数、振铃计数和能量计 此输入结点为三个，根据隐含层个数大约为输入结 数作为输入向量，并确定阶段分类 目标向量 点2倍的关系，隐含层取六个结点，输出层取两个 结点，为二进制数，代表对材料损伤的弹性、屈服、 求隐层、输出层各单元输出 塑性和断裂四种状态的判断. 通过对拉伸试验采集声发射参数数据，并对其 中的撞击计数、振铃计数和能量计数三个参数进行 求目标值与输出值的偏差E 预处理，统计出每10s的累积值，并作去单位化 处理，作为识别的输入参数.对齿轮箱体材料做了 三个拉伸试验，经过处理试验1获得100组（每组 结束 含三个数据)数据，试验2获得96组（每组含两个 数据)数据，试验三获得192组（每组含三个数据） 数据.其中用两次试验的数据作为训练数据进行学 计算隐层单元误差 习，另一次试验数据作为测试数据，以检验分类识 别效果. 求误差梯度 对于训练数据，计算弹性阶段数据的平均值， 其余阶段都除以弹性阶段的均值，得到处理后的数 权值学习 据，即y=x/een·得到的y值为各数据相对于 弹性阶段数据的比值.当进行实时监测时，由于弹 图9BP神经网络学习训练过程 性阶段的数据相对比较平缓，本文令前150s数据 Fig.9 Learning and training processes of the BP neural net- 的平均值为弹性阶段的平均值，因此对于监测的数 work 据，可以实时进行处理 3.2基于BP神经网络的材料损伤表征 BP神经网络学习过程包含有正向传播和反向 利用上述BP神经网络，分别用两组声发射信 传播.其原理是：首先输入训练样本，经正向传播， 号进行训练，用一组声发射信号进行测试.表2为 网络产生输出，输出值与目标值之差即为训练样本 利用BP神经网络对试验数据进行分析，得到的材 的输出误差，计算所有训练样本的输出误差平方和 料损伤阶段表征结果

第 期 张卫冬等 基于声发射信号的铝合金材料损伤表征识别 基于人工神经网络的材料损伤表征与 服役状态安全预警 试验数据处理及材料损伤表征及识别的 神经网络构建 本文研 究的目标是找出一种分类方式 , 把通过 声发射采集到的材料损伤数据按照弹性 、屈服 、塑 胜和断裂四个阶段来区分开, 为以后材料在线监测 打基础 , 这就需要建立一个今后可用的损伤分类模 型 损伤 分类模型的建立第一种方式是基于物理或 数学模 型建立, 这个前提是对相关物理过程能用数 学公式来描述 建立模型的另一种方式是通过神经 元网络等学习算法通过数据训练后得到 分析 图 和图 所示的声发射数据可知很难通过严格的数学 描述来得到损伤分类模型, 所 以本文探索采用神经 元网络经训练来拟合分类模型 设计 神经网络结构有三层 输入层 、 隐含 层和输 出层 对于此试验的声发射参数数据 , 提取 了三个特征值 累积撞击数 、 累积振铃计 数和 累积能量计数 作为神经 网络的输入, 因 此输入结点为三个 , 根据 隐含层个数大约为输入结 点 倍的关系 , 隐含层取六个结点, 输出层取两个 结点, 为 二进制数, 代表对材料损伤 的弹性 、屈服 、 塑性和断裂四种状态 的判断 通过对拉伸试验采集声发射参数数据 , 并对其 中的撞击计数 、振铃计数和能量计数三个参数进行 预 处理 , 统计 出每 的累积值 , 并作去单位化 处理 , 作为识别的输入参数 对齿轮箱体材料做了 三个拉伸试验 , 经过处理试验 获得 组 每组 含三个数据 数据, 试验 获得 组 每组含两个 数据 数据 , 试验三获得 组 每组含三个数据 数据 其 中用两次试验 的数据作为训练数据进行学 习, 另一次试验数据作为测试数据 , 以检验分类识 别效果 对于训练数据 , 计算弹性阶段数据 的平均值 , 其 余阶段都除以弹性阶段的均值 , 得到处理后 的数 据 , 即 刀 得到的 互值为各数据相对于 弹性阶段数据 的比值 当进行实时监测时, 由于弹 性阶段 的数据相对比较平缓 , 本文令前 数据 的平均值为弹性阶段的平均值, 因此对于监测 的数 据 , 可 以实时进行处理 神经网络学习过程包含有正向传播和反 向 传播 其原理是 首先输入训练样本 , 经正 向传播 , 网络产生输 出, 输出值与 目标值之差 即为训练样本 的输 出误差 , 计算所有训练样本的输 出误差平方和 即构成 目标函数 , 参照 目标函数, 使误差平方和达 到最小 使用梯度最速 下降法 , 反 向传播调整 网络 权值 , 直到满足要求 网络 的学 习迭代算法如 下 `一`“ 诚 , 诚 , 艺 ■诚 , ■叭 ` 。 、, ”诚, `卜 呱 。`一 · 式中 诚 , 是由结点 乞到结点 的权值 ■城 , 是 权值增量 访 是结点 的输 出 。 是学习速率 。 是冲量 系数 凡 是结点 乞的误差 调用 函数 为 , , , ` ,,` ' ,` ” 中 函数具有构建 神经 网络的功能 , 其中参 数 ' '代表调整 网络参数方式为梯度下降 法 然后再调用 中 七 函数来训练 神经 网络 网络的学习迭代算法如图 所示 给定撞击计数 、 振铃计数和能量月、 数作为输人向量 , 并确定阶段分 目标向量 趁 求隐层 、输出层各单元输出 求目标值与输出值的偏差 计算隐层单元误差 求误差梯度 权值学习 、、叼 图 神经网络学习训练过程 基于 神经网络的材料损伤表征 利用上述 神经 网络 , 分别用两组声发射信 号进行训练, 用一组声发射信号进行测试 表 为 利用 神经网络对试验数据进行分析 , 得到的材 料损伤阶段表征结果

632 北京科技大学学报 第35卷 表2材料损伤四阶段的神经网络表征结果 Table 2 Neural network characterization results of four material damage stages 训练数据 测试数据 弹性阶段正确率/%屈服阶段正确率/%塑性阶段正确率/%断裂阶段正确率/% 试验1,2(196组) 试验3(192组) 88.9 78.0 80.0 100.0 试验2.3(288组) 试验1(100组) 96.6 80.3 100.0 100.0 试验1,3(292组) 试验2(96组) 83.3 76.4 86.7 100.0 由表2可知：断裂阶段的识别正确率最高，都 对象，搭建了声发射检测拉伸试验系统，利用声发 达到了100%，主要原因是当拉伸试件断裂时，释放 射技术研究检测齿轮箱体材料在静载拉伸状态下直 巨大能量，致使声发射信号大幅度增强，因而此时 至断裂的声发射信号，通过处理后的声发射信号数 的声发射特征最为明显；弹性阶段和塑性阶段的识 据对传统神经网络BP算法进行训练，并在此基础 别正确率次之；屈服阶段的识别正确率较低，主要 上实现材料在静载拉伸状态下各阶段（弹性、屈服、 原因是屈服阶段属于弹性阶段和塑性阶段的过渡阶 塑性和断裂)损伤过程的准确表征识别，以及对材 段，阶段划分也具有一定的主观性，且该阶段的数 料损伤状态的安全预警 据量较少造成的. 3.3基于BP神经网络的材料服役状态安全预警 参考文献 作为齿轮箱体材料服役状态的安全预警，可以 把试验分为安全和预警两个阶段，其中安全阶段为 [1 Shen Q G,Zheng S Y.Equipment Fault Diagnosis.Bei- 弹性阶段，预警阶段为屈服、塑性和断裂阶段，安 jing:Chemical Industry Press,2006 全阶段的正确率是由屈服、塑性和断裂阶段的正确 (沈庆根，郑水英.设备故障诊断，北京：化学工业出版 率按各阶段数量的不同加权平均得到的 社，2006) 表3为利用3.1中BP神经网络对试验数据进 [2 Li M Y,Shang Z D,Cai H C,et al.Acoustic Emission Testing and Signal Processing.Beijing:Science Press, 行分析，得到材料安全预警结果. 2010 表3材料服役状态安全预警的神经网络识别结果 (李孟源，尚振东，蔡海潮，等。声发射检测及信号处理 Table 3 Neural network recognition results of material ser- 北京：科学出版社，2010) vice security and warning status [3 Li H B,Yang J H,Liu C W,et al.Stochastic progressive failure analysis and acoustic emission monitoring of com- 训练数据 安全阶段 测试数据 预警阶段 正确率/%正确率/% posites.Acta Mater Compos Sin 2011,28(1):223 试验1,2(196组)试验3(192组) 88.9 80.80 (李海斌，阳建红，刘承武，等.复合材料随机渐进失效分析 试验2,3(288组)试验1(100组) 96.6 88.18 与声发射监测.复合材料学报，2011,28(1)：223) 试验1,3(292组)试验2(96组) 83.3 81.85 [4]Chen G,Shen G T,Li BX.Investigation of characteristics 由表3可见，BP算法对材料服役状态的安全 of acoustic emission sources for metallic pressure vessels. 预警识别中，安全与预警阶段正确率均高于80%. China Saf Sci J,2005,15(1):98 (陈钢，沈功田，李邦宪.金属压力容器声发射源特性的研 与表2相比，安全阶段即为材料服役状态安全预警 究.中国安全科学学报，2005,15(1)：98) 的安全阶段，正确率不变；但由于材料服役状态的 (5]Chiementin X,Mba D,Charnley B,et al.Effect of the de- 预警阶段包括材料损伤过程的屈服、塑性和断裂三 noising on acoustic emission signals.J Vib Acoust,2010, 个阶段，之前三个阶段之间的错分数据在安全预警 132(3:310091 识别中统一在预警识别数据中，因此预警阶段正确 [6]Roberts T M,Talebzadeh M.Acoustic emission monitor- 率有一定的提高 ing of fatigue crack propagation.J Constr Steel Res,2003, 本文采用传统的BP神经元网络对材料损伤各 59(6):695 阶段声发射信号进行识别，今后可进一步补充试验， [7]Leone C,Caprino G,De lorio I.Interpreting acoustic emis- 扩大试验数据量，提高分类模型的稳定性，探索更 sion signals by artificial neural networks to predict the residual strength of pre-fatigued GFRP laminates.Com- 先进的算法进一步提高识别速率与准确率. pos Sci Technol,2006,66(2):233 4结论 [8 Editorial Committee of Defense-Related Science,Technol- ogy and Industry NDT Personnel Qualification and Certi- 本文以高速列车齿轮箱体铝合金材料为研究 fication Training Materials.Comprehensive Knowledge of

· · 北 京 科 技 大 学 学 报 第 卷 表 材料损伤四阶段的神经网络表征结果 训练数据 测试数据 弹性阶段正确率 屈服阶段正确率 塑性阶段正确率 断裂阶段正确率 试验 , 组 试验 , 组 试验 一, 组 试验 绷 试验 一 组 试验 绷 一 刀 由表 可知 断裂阶段的识别正确率最高, 都 达到了 , 主要原因是当拉伸试件断裂时, 释放 巨大能量 , 致使声发射信号大幅度增强, 因而此时 的声发射特征最为 明显 弹性阶段和塑性阶段的识 别正确率次之 屈服阶段的识别正确率较低, 主要 原因是屈服阶段属于弹性阶段和塑性阶段的过渡阶 段 , 阶段划分也具有一定的主观性 , 且该阶段 的数 据量较少造成的 基于 神经 网络的材料服役状态安全预警 作为齿轮箱体材料服役状态的安全预警 , 可以 把试验分为安全和预警两个阶段 , 其中安全阶段为 弹性阶段 , 预警阶段为屈服 、塑性和断裂阶段 , 安 全阶段的正确率是 由屈服 、塑性和断裂阶段的正确 率按各阶段数量 的不同加权平均得到的 表 为利用 中 神经 网络对试验数据进 行分析 , 得到材料安全预警结果 对象, 搭建了声发射检测拉伸试验系统 , 利用声发 射技术研究检测齿轮箱体材料在静载拉伸状态下直 至断裂的声发射信号, 通过处理后的声发射信号数 据对传统神经网络 算法进行训练 , 并在此基础 上实现材料在静载拉伸状态下各阶段 弹性 、屈服 、 塑性和断裂 损伤过程 的准确表征识别, 以及对材 料损伤状态的安全预警 参 考 文 献 表 凌 材料服役状态安全预警的神经网络识别结果 〔〕 戈 卜 训练数据 测试数据 安全阶段 正确率 预警阶段 正确率 试验 , 组 试验 组 试验 , 组 试验 绷 试验 , 组 试验 组 由表 可见 , 算法对材料服役状态的安全 预 警识别 中, 安全与预警阶段正确率均高于 与表 相 比, 安全阶段即为材料服役状态安全预警 的安全阶段 , 正确率不变 但 由于材料服役状态的 预警阶段包括材料损伤过程的屈服 、塑性和断裂三 个阶段 , 之前三个阶段之间的错分数据在安全预警 识别中统一在预警识别数据中, 因此预警阶段正确 率有一定的提高 本文采用传统的 神经元网络对材料损伤各 阶段声发射信号进行识别, 今后可进一步补充试验 , 扩大试验数据量 , 提高分类模型的稳定性 , 探索更 先进的算法进一步提高识别速率与准确率 结论 本文 以高速列车齿轮箱体铝合金材料为研究 【 , 口。甲。 。云 二 夕。 , 沈庆根, 郑水英 设备故障诊断 北京 化学工业 出版 社 , , , , 。百 、 ,云乞。夕 夕。 阳 乞叼 , 李孟源 , 尚振东, 蔡海潮, 等 声发射检测及信号处理 北京 科学出版社, 【 , , , · 二 从。 , 李海斌, 阳建红, 刘承武。等 复合材料随机渐进失效分析 与声发射监测 复合材料学报, 一, 【 , , 、 乞么 , 陈钢, 沈功田, 李邦宪 金属压力容器声发射源特性的研 究 中国安全科学学报, , 【」 , , , 。 。 城 舫 , , 【」 , 几 云 , , 【 , , 一 、 , , 一 , 及 卜 肠 ” 夕爬 。, 乞 叨 已

第5期 张卫冬等：基于声发射信号的铝合金材料损伤表征识别 ·633· Non-Destructive Testing.Beijing:China Machine Press, [11]Wang D Z.Mechanical Properties of Metals.Harbin: 2005 Harbin Institute of Technology Press,1993 (《国防科技工业无损检测人员资格鉴定与认证培训教材》 (王德尊.金属力学性能.哈尔滨：哈尔滨工业大学出版社， 编审委员会.无损检测综合知识.北京：机械工业出版社， 1993) 2005) [12]Chen X.Research on State Monitoring of Tool Wear 9Shahiron S,Md Nor N,Ibrahim A.Analysis methods of Based on Artificial Neural Network Dissertation. acoustic emission signal for monitoring of reinforced con- Shenyang:Shenyang Aerospace University,2011 crete structure:a review /2011 IEEE 7th International (湛鑫.基于人工神经网络对刀具磨损状态的监测技术研 Colloguium on Signal Processing and Its Applications. 究学位论文.沈阳：沈阳航空航天大学，2011) Beijing,2011:480 [13]Yang S Y.Pattern Recognition and Intelligent Comput- [10 Mba D,Rao R B K N.Development of acoustic emission ing:MATLAB Technology.2nd Ed.Beijing:Electronic technology for condition monitoring and diagnosis of ro- Industry Press,2011 tating machines:bearings,pumps,gearboxes,engines and (杨淑莹.模式识别与智能计算：MATLAB技术实现.2版. rotating structures.Shock and Vib Dig,2006,38(1):3 北京：电子工业出版社，2011)

第 期 张卫冬等 基于声发射信号的铝合金材料损伤表征识别 【 」 。一 亡二 乞。 几 。 , 《国防科技工业无损检测人员资格鉴定与认证培训教材 》 编审委 员会 无损检测综合知识 北京 机械工业 出版社, , , 亡 几 二 , 乞仪 几 乞 , 乞几 几 亡 尸 , , , , , 无 叭乙 云夕, , 【 」 亡 、 亡 , 王德尊 金属力学性能 哈尔滨 哈尔滨工业大学出版社, 【 」 二 亡亡 。。夕 已 此访 二二 、 成 , 湛鑫 基于人工神经网络对刀具磨损状态的监测技术研 究 学位论文 沈阳 沈阳航空航天大学, 【 艺亡二 叩 艺乞。、 ` 夕 二艺 人夕八丁石 几 叩夕 , 杨淑莹 模式识别与智能计算 技术实现 版 北京 电子工业出版社