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 <E是否满E 全部满> 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