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