專利名稱：：一種金屬拉深件微小裂紋沖擊性信號的識別方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種基于金屬件聲發(fā)射技術(shù)的狀態(tài)檢測及故障診斷方法，特別涉及用于在拉深狀態(tài)下對金屬制件的早期微小裂紋的識別方法。
背景技術(shù)：
：拉深是利用專用模具將平板毛坯支撐開口空心零件的一種沖壓工藝方法。用拉深方法可以制成筒形、階梯形、錐形、球形和其它不規(guī)則形狀的薄壁零件，如果和其它沖壓成型工藝配合，還可以制造形狀極為復(fù)雜的零件。用拉深方法來制造薄壁空心件，生產(chǎn)效率高，省材料，零件的強度和剛度好，精度較高，拉深可加工范圍非常廣泛，直徑從幾毫米的小零件直至23m的大型零件，因此，拉深在汽車、航空航天、國防、電器和電子等工業(yè)部門以及日用品生產(chǎn)中占據(jù)相當重要的地位。在拉深件的加工檢測中，應(yīng)用最為普遍的是目測。但利用目測只能判斷拉深件產(chǎn)品顯而易見的質(zhì)量問題，如圓角拉裂、凸緣起皺等變形嚴重的問題。而金屬材料在拉深成形過程中，其不同區(qū)域的變形程度、受力情況以及摩擦與潤滑等情況千差萬別，拉深件在成形過程中產(chǎn)生裂紋在所難免，由于這些裂紋是在材料內(nèi)部產(chǎn)生，所以肉眼難以察覺。一旦制件內(nèi)部產(chǎn)生裂紋，如果不及時察覺，將導(dǎo)致大量次品的出現(xiàn)。由于早期裂紋比較細小，在產(chǎn)品使用初期可能并不會影響到產(chǎn)品的性能，但在使用一段時間后，會因為受力、振動、環(huán)境等因素使裂紋進一步擴展，當裂紋擴展到一定程度會造成較大的安全事故和經(jīng)濟損失。金屬件拉深過程裂紋聲發(fā)射的頻率較高且在時域上是突發(fā)性的非平穩(wěn)時序信號，信號頻率在100300KHZ之間，屬于高頻率聲發(fā)射信號。此外，金屬微觀裂紋擴展成為宏觀裂紋之前，需要經(jīng)過裂紋的慢擴展階段，理論計算表明，裂紋擴展所需要的能量比裂紋形成需要的能量約大1001000倍，因此對金屬裂紋識別最好的辦法是采用能量分析法。對金屬拉深件聲發(fā)射裂紋檢測的傳統(tǒng)方法是采用FFT(傅里葉)頻譜分析，選取某些特征頻率的幅值來進行診斷，這種方法的缺陷是只考慮了正弦振動的能量，卻沒有考慮到頻帶里信號的所有能量，包括非線性、非平穩(wěn)的振動能量，而且對于采集的數(shù)據(jù)量要求較大，難以滿足現(xiàn)場在線監(jiān)測的高要求場合。
發(fā)明內(nèi)容本發(fā)明的目的是為了克服現(xiàn)有技術(shù)中金屬拉深件裂紋特征參數(shù)提取的不準確性及低效率性等不足，提出一種準確性高、效率高、計算速度快的基于小波包分解與自回歸譜分析的金屬拉深件早期微小裂紋沖擊性聲發(fā)射信號的識別方法。本發(fā)明采用如下步驟實現(xiàn)先采用聲發(fā)射傳感器對金屬拉深件微小裂紋聲發(fā)射沖擊性信號進行采集，對采集的信號進行前置放大、濾波和A/D轉(zhuǎn)換預(yù)處理，將預(yù)處理的信號輸入計算機中，再進行小波包分析，對小波包分解后的不同頻段的數(shù)據(jù)進行重構(gòu)，然后采用時間序列的方法對去噪后的聲發(fā)射信號進行時序分析，建立時序模型，最后在計算機中結(jié)合模糊綜合評判方法與最大隸屬度原則實現(xiàn)對金屬拉深件的狀態(tài)辨別。本發(fā)明的有益效果是1、本發(fā)明針對聲發(fā)射采集信號的影響，運用時序分析的方法對瞬時沖擊性聲發(fā)射信號進行特征量的提取，從金屬件拉伸過程產(chǎn)生的裂紋聲發(fā)射信號中提取微弱的缺陷信息，即早期微小裂紋信號，主要識別過程可在微型計算機上進行，提高了特征參數(shù)反映實際工況的準確度，易操作和實施。2、本發(fā)明采用小波包技術(shù)對金屬拉深件早期微小裂紋沖擊性聲發(fā)射的非平穩(wěn)信號進行全面的精細的頻率分解，可將包括正弦信號在內(nèi)的任意信號分解到相應(yīng)的頻帶內(nèi)。3、本發(fā)明采用自回歸譜分析建立動態(tài)時序模型，對動態(tài)數(shù)據(jù)具有外延特性，對周期性較強的序列不要求嚴格按周期采樣，在保證獲得足夠信息的前提下，可以大大減少采樣數(shù)目，頻率定位準確且清晰，適合于在線監(jiān)測的高要求場合。下面結(jié)合附圖和具體實施方式對本發(fā)明作進一步詳細說明。圖1是本發(fā)明流程示意圖。具體實施例方式如圖1所示，本發(fā)明對采集到的金屬件裂紋聲發(fā)射信號進行放大、濾波、A/D轉(zhuǎn)換及歸一化處理前期數(shù)據(jù)預(yù)處理之后，采用小波包技術(shù)分解信號至不同頻帶，根據(jù)金屬裂紋及環(huán)境噪聲的頻率特性，剔除噪聲及摩擦磨損信號，即對信號進行小波消噪處理；對去噪后的信號進行重構(gòu)，而后進行自回歸譜分析，選取能量參數(shù)，形成辨別缺陷所需的特征向量，最后采用模糊綜合評判實現(xiàn)對裂紋的精確識別。具體步驟如下先采用聲發(fā)射傳感器對金屬早期微小裂紋聲發(fā)射原始紋沖擊性信號進行采集，對采集的信號進行必要的預(yù)處理，預(yù)處理包括對信號進行前置放大、濾波和A/D轉(zhuǎn)換，預(yù)處理后將信號輸入計算機中。再在計算機中對數(shù)據(jù)信號先進行歸一化，而后再進行小波包分析。應(yīng)用北京鵬翔科技有限公司PXAES型號聲發(fā)射系統(tǒng)軟件，采用基于矩陣實驗室環(huán)境下的信號分析軟件進行數(shù)據(jù)的小波包分解，選擇恰當?shù)男〔ɑ瘮?shù)、分解次數(shù)。由于狀態(tài)檢測過程數(shù)據(jù)采集量大、高頻聲發(fā)射信號具有脈沖衰減性、具有環(huán)境噪聲等特點，故選用多貝西(Daubechies)系列小波基，多貝西(Daubechies)系列小波基是典型的緊支撐性正交小波基，這樣可以有效地提取金屬拉深件聲發(fā)射信號的特征。根據(jù)金屬拉深件聲發(fā)射信號頻率范圍特點，將小波包分解次數(shù)定為3次。對上述小波包分解后的不同頻段的數(shù)據(jù)進行重構(gòu)，重構(gòu)的依據(jù)是根據(jù)分解所得不同頻帶的信號，將環(huán)境噪聲信號、摩擦磨損信號對應(yīng)頻帶的權(quán)數(shù)置零，而后合成其它所有頻帶的信號，如此完成對聲發(fā)射信號去噪，提高了待辨別信號的真實性。然后在計算機中采用時間序列的方法對去噪后的聲發(fā)射信號進行時序分析，建立時序模型，建立時序模型的內(nèi)容如下1、采用如下式(1)所示的自回歸(AR)模型研究聲發(fā)射信號的時域、頻域及能量特征，估計自回歸模型的參數(shù)；Xk=Φ1Χ1-1+Φ2Χ1-2+···+ΦηΧ1-η+Β1,αΑ^nid(0,CTa)(!)式(1)中χ^Χη，…，乂^表示信號幅值，Φ2，…，小表示自回歸模型參數(shù)，ak表示白噪聲，σ^表示ak的方差。采用尤耳-沃克(Yule-Walker)方程估計法估計出鐘，夠，鄉(xiāng)和σα2這η+1個參數(shù)。2、確定模型階數(shù)，根據(jù)最小最終預(yù)報誤差準則(FPE準則)，由樣本對模型定階。根據(jù)模型的預(yù)報誤差來判明自回歸模型的階數(shù)是否合適，最終預(yù)報誤差定義為FPE(n)=σ·^^Ν-η(2)式(2)中N是觀測數(shù)據(jù)長度，η為自回歸模型的階數(shù)，F(xiàn)PE(η)表不模型階數(shù)的函數(shù)。當η增大時，模型殘差方差下降，但(Ν+η)/(Ν-η)值增大，因此，取使FPE(η)最小的η值作為模型的最佳階數(shù)。FPE準則只適用于判斷AR模型的階次。3、根據(jù)下式(3)的系統(tǒng)輸入、輸出的自功率譜與傳遞函數(shù)的關(guān)系，得出時間序列IxJ的自回歸譜圖。Sout(w)=Sin(w)|Hx(w)I2(3)這里Sin(W)為輸入白噪聲的功率譜密度，Sout(W)為輸出白噪聲的功率譜密度，Ts為采樣時間，Δ為采樣間隔，Hx(W)為傳遞函數(shù)，也稱為頻率響應(yīng)特性函數(shù)，其中Sin(W)=σa2·Ts(4)Hx(w)=^-1-Σj=l(5)4、根據(jù)時間序列{xk}的自回歸(AR)譜圖，提取聲發(fā)射信號時序模型的特征參數(shù)，在AR譜中要提取的特征參數(shù)有總能量、高頻能量、高頻能量比、譜峰峰值和中心頻率。自回歸譜圖也是功率譜密度，從中提取能量由下式(6)實現(xiàn)E^fjPSD(I)Af'=I(6)式中N為AR譜圖上特定分析頻帶內(nèi)譜線的數(shù)目；PSD(i)為對應(yīng)于第i條譜線的功率譜密度函數(shù)值；Δf為頻率分辨率。最后，本發(fā)明在計算機中采用模糊識別的方法，結(jié)合模糊綜合評判方法與最大隸屬度原則在計算機中實現(xiàn)對金屬拉深件的狀態(tài)辨別，其包括以下步驟(1)確定征兆集在金屬拉深件的狀態(tài)識別中，對制件的每一種缺陷，根據(jù)制件的各種資料統(tǒng)計出該種故障發(fā)生時所有可能表現(xiàn)出的各種征兆，設(shè)共有η中不同的征兆，則各種不同的征兆構(gòu)成的集合就是征兆集，它可表示為X=Ix1,X2,…，xj。(2)確定故障(狀態(tài)原因)集在金屬拉深件的狀態(tài)識別中，根據(jù)金屬拉深件各種資料和實際的經(jīng)驗可統(tǒng)計出各種故障狀態(tài)。設(shè)共有m種故障狀態(tài)，則所有可能故障構(gòu)成的集合可表示為Ω={Wl，W2，…，Wj0這些故障狀態(tài)具有不同程度的模糊性。(3)構(gòu)造模糊評價矩陣首先對故障Ω中的一個故障Wi(i=1,2,...，m)作單故障模糊評判，確定被評判對象對征兆集xj(j＝1，2，…，η)的隸屬度(可能性程度)ru，這樣就得出第i個故障Wi的單故障模糊集ri=(ri1,ri2,…，rin)模糊評價矩陣是征兆集X上的模糊子集，這樣m個故障的評價集就構(gòu)造出一個總的評價模糊矩陣R權(quán)利要求一種金屬拉深件微小裂紋沖擊性信號的識別方法，采用聲發(fā)射傳感器對金屬拉深件微小裂紋聲發(fā)射沖擊性信號進行采集，對采集的信號進行前置放大、濾波和A/D轉(zhuǎn)換預(yù)處理，將預(yù)處理的信號輸入計算機中，其特征是采用如下步驟(A)將計算機中的預(yù)處理信號進行小波包分析，對小波包分解后的不同頻段的數(shù)據(jù)進行重構(gòu)，根據(jù)分解所得不同頻帶的信號，將環(huán)境噪聲信號、摩擦磨損信號對應(yīng)頻帶的權(quán)數(shù)置零，合成其它所有頻帶的信號，完成對聲發(fā)射信號去噪；(B)在計算機中采用時間序列的方法對去噪后的聲發(fā)射信號進行時序分析，建立時序模型，建模內(nèi)容如下1)采用式(1)的自回歸模型研究聲發(fā)射信號的時域、頻域及能量特征，估計自回歸模型的參數(shù)；xk＝φ1xk1+φ2xk2+…+φnxkn+ak，式中xk，xk1，…，xkn表示信號幅值，φ1，φ2，…，φn表示自回歸模型參數(shù)，ak表示白噪聲，表示ak的方差；采用尤耳沃克方程估計法估計出和這n+1個參數(shù)；2)根據(jù)最小最終預(yù)報誤差準則由樣本對模型定階，根據(jù)模型的預(yù)報誤差來判明自回歸模型的階數(shù)是否合適，最終預(yù)報誤差定義為<mrow><mi>FPE</mi><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow><mo>=</mo><msubsup><mi>σ</mi><mi>a</mi><mn>2</mn></msubsup><mo>·</mo><mfrac><mrow><mi>N</mi><mo>+</mo><mi>n</mi></mrow><mrow><mi>N</mi><mo>-</mo><mi>n</mi></mrow></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></mrow>式中N是觀測數(shù)據(jù)長度，n為自回歸模型的階數(shù)，F(xiàn)PE(n)表示模型階數(shù)的函數(shù)，當n增大時，模型殘差方差下降，但(N+n)/(Nn)值增大，取使FPE(n)最小的n值作為模型的最佳階數(shù)；3)根據(jù)式(3)的系統(tǒng)輸入、輸出的自功率譜與傳遞函數(shù)的關(guān)系，得出時間序列{xk}的自回歸譜圖Sout(w)＝Sin(w)|Hx(w)|2(3)式中Sin(w)為輸入白噪聲的功率譜密度，Sout(w)為輸出白噪聲的功率譜密度，Ts為采樣時間，Δ為采樣間隔，Hx(w)為傳遞函數(shù)，也稱為頻率響應(yīng)特性函數(shù)，其中Sin(w)＝σa2·Ts(4)4)根據(jù)時間序列{xk}的自回歸譜圖，提取聲發(fā)射信號時序模型的特征參數(shù)，在自回歸譜圖中要提取的特征參數(shù)有總能量、高頻能量、高頻能量比、譜峰峰值和中心頻率；從自回歸譜圖提取能量由下式(6)實現(xiàn)<mrow><mi>E</mi><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><mi>PSD</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mi>Δf</mi><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>6</mn><mo>)</mo></mrow></mrow>式中N為自回歸譜圖上特定分析頻帶內(nèi)譜線的數(shù)目；PSD(i)為對應(yīng)于第i條譜線的功率譜密度函數(shù)值；Δf為頻率分辨率；(C)在計算機中結(jié)合模糊綜合評判方法與最大隸屬度原則實現(xiàn)對金屬拉深件的狀態(tài)辨別，步驟如下1)根據(jù)金屬拉深件各種資料統(tǒng)計出故障發(fā)生時所有可能表現(xiàn)出的各種征兆，構(gòu)成征兆集X＝{x1，x2，…，xn}；2)根據(jù)金屬拉深件各種資料和實際的經(jīng)驗統(tǒng)計出各種故障狀態(tài)構(gòu)成的集合為Ω＝{w1，w2，…，wm}；3)首先對Ω中的一個故障wi(i＝1，2，...，m)作單故障模糊評判，確定被評判對象對征兆集xj(j＝1，2，…，n)的隸屬度rij，得出第i個故障wi的單故障模糊集ri＝(ri1，ri2，…，rin)由m個故障的評價集構(gòu)造出一個總的評價模糊矩陣<mrow><mi>R</mi><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><msub><mi>r</mi><mn>11</mn></msub></mtd><mtd><msub><mi>r</mi><mn>12</mn></msub></mtd><mtd><mo>·</mo><mo>·</mo><mo>·</mo></mtd><mtd><msub><mi>r</mi><mrow><mn>1</mn><mi>n</mi></mrow></msub></mtd></mtr><mtr><mtd><msub><mi>r</mi><mn>21</mn></msub></mtd><mtd><msub><mi>r</mi><mn>22</mn></msub></mtd><mtd><mo>·</mo><mo>·</mo><mo>·</mo></mtd><mtd><msub><mi>r</mi><mrow><mn>2</mn><mi>n</mi></mrow></msub></mtd></mtr><mtr><mtd><mo>·</mo><mo>·</mo><mo>·</mo></mtd><mtd><mo>·</mo><mo>·</mo><mo>·</mo></mtd><mtd><mo>·</mo><mo>·</mo><mo>·</mo></mtd><mtd><mo>·</mo><mo>·</mo><mo>·</mo></mtd></mtr><mtr><mtd><msub><mi>r</mi><mrow><mi>m</mi><mn>1</mn></mrow></msub></mtd><mtd><msub><mi>r</mi><mrow><mi>m</mi><mn>2</mn></mrow></msub></mtd><mtd><mo>·</mo><mo>·</mo><mo>·</mo></mtd><mtd><msub><mi>r</mi><mi>mn</mi></msub></mtd></mtr></mtable></mfenced></mrow>R即是故障論域U到征兆域X的一個模糊關(guān)系，μR(ωi，xj)＝rij表示ωi和xj之間隸屬關(guān)系的程度；4)用ai(i＝1，2，...，m)表示第i個故障wi在總評價中重要程度的權(quán)數(shù)，各權(quán)數(shù)組成的集合為故障論域U上的模糊子集A，記作<mrow><mi>A</mi><mo>=</mo><mfrac><msub><mi>a</mi><mn>1</mn></msub><msub><mi>w</mi><mn>1</mn></msub></mfrac><mo>+</mo><mfrac><msub><mi>a</mi><mn>2</mn></msub><msub><mi>w</mi><mn>2</mn></msub></mfrac><mo>+</mo><mo>·</mo><mo>·</mo><mo>·</mo><mo>+</mo><mfrac><msub><mi>a</mi><mi>m</mi></msub><msub><mi>w</mi><mi>m</mi></msub></mfrac></mrow>或者A＝(a1，a2，…，am)式中ai(0≤ai≤1)為wi對A的隸屬度；5)作模糊變換來進行模糊綜合評判<mrow><mi>B</mi><mo>=</mo><mi>A</mi><mo>·</mo><mi>R</mi><mo>=</mo><mfencedopen='('close=')'><mtable><mtr><mtd><msub><mi>a</mi><mn>1</mn></msub><mo>,</mo></mtd><mtd><msub><mi>a</mi><mn>2</mn></msub><mo>,</mo></mtd><mtd><mo>·</mo><mo>·</mo><mo>·</mo><mo>,</mo></mtd><mtd><msub><mi>a</mi><mi>m</mi></msub></mtd></mtr></mtable></mfenced><mo>·</mo><mfencedopen='['close=']'><mtable><mtr><mtd><msub><mi>r</mi><mn>11</mn></msub></mtd><mtd><msub><mi>r</mi><mn>12</mn></msub></mtd><mtd><mo>·</mo><mo>·</mo><mo>·</mo></mtd><mtd><msub><mi>r</mi><mrow><mn>1</mn><mi>n</mi></mrow></msub></mtd></mtr><mtr><mtd><msub><mi>r</mi><mn>21</mn></msub></mtd><mtd><msub><mi>r</mi><mn>22</mn></msub></mtd><mtd><mo>·</mo><mo>·</mo><mo>·</mo></mtd><mtd><msub><mi>r</mi><mrow><mn>2</mn><mi>n</mi></mrow></msub></mtd></mtr><mtr><mtd><mo>·</mo><mo>·</mo><mo>·</mo></mtd><mtd><mo>·</mo><mo>·</mo><mo>·</mo></mtd><mtd><mo>·</mo><mo>·</mo><mo>·</mo></mtd><mtd><mo>·</mo><mo>·</mo><mo>·</mo></mtd></mtr><mtr><mtd><msub><mi>r</mi><mrow><mi>m</mi><mn>1</mn></mrow></msub></mtd><mtd><msub><mi>r</mi><mrow><mi>m</mi><mn>2</mn></mrow></msub></mtd><mtd><mo>·</mo><mo>·</mo><mo>·</mo></mtd><mtd><msub><mi>r</mi><mi>mn</mi></msub></mtd></mtr></mtable></mfenced><mo>=</mo><mfencedopen='('close=')'><mtable><mtr><mtd><msub><mi>b</mi><mn>1</mn></msub><mo>,</mo></mtd><mtd><msub><mi>b</mi><mn>2</mn></msub><mo>,</mo></mtd><mtd><mo>·</mo><mo>·</mo><mo>·</mo><mo>,</mo></mtd><mtd><msub><mi>b</mi><mi>m</mi></msub></mtd></mtr></mtable></mfenced></mrow>B為征兆集X上的模糊子集，bj(j＝1，2…，n)為征兆xj綜合評判所得模糊子集B的隸屬度；按照最大隸屬度原則選擇最大的bj所對應(yīng)的征兆xj作為綜合評判的結(jié)果。FSA00000239385100011.tif,FSA00000239385100012.tif,FSA00000239385100013.tif,FSA00000239385100014.tif,FSA00000239385100015.tif,FSA00000239385100016.tif,FSA00000239385100021.tif全文摘要本發(fā)明公開一種金屬拉深件微小裂紋沖擊性信號的識別方法，先采用聲發(fā)射傳感器對金屬拉深件微小裂紋聲發(fā)射沖擊性信號進行采集，對采集的信號進行前置放大、濾波和A/D轉(zhuǎn)換預(yù)處理，將預(yù)處理的信號輸入計算機中，再進行小波包分析，對小波包分解后的不同頻段的數(shù)據(jù)進行重構(gòu)，采用時間序列的方法對去噪后的聲發(fā)射信號進行時序分析，建立時序模型，最后在計算機中結(jié)合模糊綜合評判方法與最大隸屬度原則實現(xiàn)對金屬拉深件的狀態(tài)辨別。本發(fā)明能提高特征參數(shù)反映實際工況的準確度，在保證獲得足夠信息的前提下，可以大大減少采樣數(shù)目，頻率定位準確且清晰，適合于在線監(jiān)測的高要求場合。文檔編號G01N29/14GK101949895SQ201010259859公開日2011年1月19日申請日期2010年8月20日優(yōu)先權(quán)日2010年8月20日發(fā)明者何鑫,胥愛成,陳強,駱志高申請人:江蘇大學