專利名稱：基于SNF策略和DSD策略的16Mn鋼焊接結(jié)構(gòu)形變損傷識別評估系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種對在役16Mn鋼焊接結(jié)構(gòu)服役期間的形變損傷進行識別的方法。 更特別地說，是指一種基于SNF濾波策略和DSD判斷策略，采用聲發(fā)射技術(shù)及神經(jīng)網(wǎng)絡(luò)方法，對港口大型機械設(shè)備中在役16Mn鋼焊接結(jié)構(gòu)的形變損傷識別及定量評估的系統(tǒng)。
背景技術(shù)：
港口大型機械設(shè)備中的岸邊設(shè)備如裝船機、卸船機、抓斗機，常應(yīng)用16錳鋼作為關(guān)鍵承力件。岸邊設(shè)備在使用一段時間后，作為主要承力件的16錳鋼的損傷狀態(tài)對整個岸邊設(shè)備的使用壽命將造成重要影響。16Mn鋼(16錳鋼)是結(jié)合我國資源情況發(fā)展起來的一種低合金鋼，已被廣泛使用。 16Mn鋼承力件在服役一定的時間后，時常會發(fā)生一些失效事故，而焊接部位的損傷是造成其失效的主要原因。16Mn鋼承力件中的焊接結(jié)構(gòu)由于其組織，性能的不均勻性以及焊接應(yīng)力，焊接缺陷的存在，成為最容易產(chǎn)生損傷的薄弱部位。而形變損傷是造成其失效的主要原因，為此要對其損傷狀態(tài)作出有效的識別，及時、正確地評價16Mn鋼焊接結(jié)構(gòu)的形變損傷程度，為其安全運行及壽命預(yù)測提供依據(jù)。聲發(fā)射技術(shù)(Acoustic Emission Technique)因具有動態(tài)、實時檢測等優(yōu)點，已廣泛的應(yīng)用于結(jié)構(gòu)和構(gòu)件的損傷檢測。實踐表明，不同組織材料在受載荷作用時會發(fā)生不同程度的損傷，而損傷狀態(tài)的不同發(fā)出的聲發(fā)射信號特征也將不同。例如在受靜形變載荷作用時發(fā)生的彈塑性損傷、屈服損傷等。這些不同損傷狀態(tài)的聲發(fā)射波形信號幅度、相位、頻率等參數(shù)都會各有區(qū)別。因此可以利用聲發(fā)射技術(shù)作為監(jiān)測16Mn鋼焊接結(jié)構(gòu)形變損傷狀態(tài)的工具。神經(jīng)網(wǎng)絡(luò)是一種模擬人思維的一個非線性系統(tǒng)。BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法可以描述為首先標(biāo)準化訓(xùn)練樣本，初始化權(quán)值、閾值，然后輸入訓(xùn)練樣本，對每個樣本計算其輸出狀態(tài)，得到其誤差，并根據(jù)誤差反向傳播調(diào)整網(wǎng)絡(luò)各層的權(quán)值與閾值，如此反復(fù)調(diào)整直到網(wǎng)絡(luò)誤差滿足設(shè)置的條件為止。樣本訓(xùn)練完成之后，輸入檢驗樣本，若此時網(wǎng)絡(luò)誤差小于檢驗誤差，則該網(wǎng)絡(luò)可以用于實際損傷的識別，預(yù)測和評估。隨著現(xiàn)代工業(yè)日益向大規(guī)模、高效率發(fā)展，作為港口重要物流裝備的大型岸邊起重機械，具有以下幾個特點(1)設(shè)備老，有很多大型起重機是60年代至70年代我國自行設(shè)計制造或從東歐進口，還有少數(shù)是從美、日等國進口的二手設(shè)備，按設(shè)計壽命20 25年考慮，很多設(shè)備也已進入服役后期或超期服役階段；(2)任務(wù)重，隨著生產(chǎn)規(guī)模的擴大，以及起重機更新的滯后，許多起重機的工作日趨繁重，超載的情況也時有發(fā)生；(3)目前的損傷檢測方法不成熟，超聲波檢測和磁粉檢測等方法對起重機進行的部分抽樣檢測，盲目性大、易出現(xiàn)漏檢且檢測的周期長，工作量大，費用昂貴；
(4)預(yù)警評估系統(tǒng)不完善，目前應(yīng)用的分析判別技術(shù)還不能對起重機承力件焊接結(jié)構(gòu)形變的損傷做出準確，及時，全面的預(yù)警和安全評估，尤其是我國港口大型機械設(shè)備安全事故時有發(fā)生，其中，焊接結(jié)構(gòu)的形變損傷是港口大型岸邊起重裝備承力件主要的損傷模式之一。因此，為確保起重機安全可靠的運行，須對承力件的焊接部位進行檢測、判斷焊接部位的損傷狀態(tài)，從而進行安全評估。

發(fā)明內(nèi)容
為了減少大型承力件的焊接部位在使用過程中突發(fā)斷裂造成的人員傷害、設(shè)備損失和經(jīng)濟損失，本發(fā)明提出一種基于SNF策略和DSD策略的神經(jīng)網(wǎng)絡(luò)方法來預(yù)測在役16Mn 鋼焊接結(jié)構(gòu)的形變損傷參數(shù)，并對形變損傷狀態(tài)進行判斷的系統(tǒng)。該狀態(tài)識別首先采用SNF 策略對多路聲發(fā)射換能器采集得到的信息進行多維濾波，并采用人工神經(jīng)網(wǎng)絡(luò)方法對濾波后的信號進行訓(xùn)練和預(yù)測，獲得16Mn鋼焊接結(jié)構(gòu)的形變損傷參數(shù)；然后采用DSD策略對神經(jīng)網(wǎng)絡(luò)輸出結(jié)果進行判定，確定被測件焊接部位的形變損傷狀態(tài)。該系統(tǒng)在工作狀態(tài)下，能夠?qū)υ谝?6Mn鋼焊接結(jié)構(gòu)的形變損傷參數(shù)進行拾取，對不同損傷狀態(tài)進行識別，并對識別出的結(jié)果作出預(yù)警。本發(fā)明是一種基于SNF策略和DSD策略的16Mn鋼焊接結(jié)構(gòu)形變損傷識別評估系統(tǒng)，該系統(tǒng)包括有多個聲發(fā)射換能器G)、多路前置放大器(3)、一個聲發(fā)射儀( 和16Mn 鋼焊接結(jié)構(gòu)形變損傷無損檢測單元(1)；16Mn鋼焊接結(jié)構(gòu)形變損傷無損檢測單元⑴包括有SNF過濾模塊(11)、樣本抽取模塊(12)、神經(jīng)網(wǎng)絡(luò)預(yù)測模塊(13)和DSD形變損傷識別模塊(14)；其中，SNF過濾模塊 (11)包括有SNF能量濾波處理模塊(IlA)，SNF幅值濾波處理模塊(IlB)和SNF波形濾波處理模塊(IlC)。聲發(fā)射換能器(4)與前置放大器(3)為配套使用，即每一個聲發(fā)射換能器的輸出端與一個前置放大器(3)的輸入端連接，每一個前置放大器(3)的輸出端連接在聲發(fā)射儀O)的信息輸入接口上，該信息輸入接口用于接收多路突發(fā)型放大信息fs;16Mn鋼焊接結(jié)構(gòu)形變損傷無損檢測單元(1)內(nèi)嵌在聲發(fā)射儀O)的存儲器中；聲發(fā)射換能器，用于采集在役16Mn鋼承力件焊接部位上的突發(fā)型信息& ；前置放大器(3)，用于對接收到的突發(fā)型信息&進行放大40dB后成為突發(fā)型放大 fn 息 fs ；聲發(fā)射儀O)，一方面用于對接收到的突發(fā)型放大信息fs經(jīng)A/D轉(zhuǎn)換后成為數(shù)字突發(fā)型信息fsl = (es, As, AFs, Ks, Ds)輸出給16Mn鋼焊接結(jié)構(gòu)無損檢測單元(1)；另一方面對接收到的焊接結(jié)構(gòu)形變損傷識別信息W= (0' ^sjm(Bi))輸出給顯示屏OA)進行實時顯不；16Mn鋼焊接結(jié)構(gòu)形變損傷無損檢測單元(1)的SNF過濾模塊(11)采用SNF策略對接收到的數(shù)字突發(fā)型信息fsl = (es, As, AFs, Ks, Ds)進行濾波，得到聲發(fā)射形變損傷信息 fS2 = (e, A, AF, K, D)。16Mn鋼焊接結(jié)構(gòu)形變損傷無損檢測單元(1)的樣本抽取模塊模型(12)從聲發(fā)射
形變損傷信息 fS2= (e，A，AF，K，D)中選取訓(xùn)練樣本 IID,S = [eID,tp,s AID,tp,s AFid, tp,s KID,tp,s Did, tp, J和待診斷樣本I' ID, s 一 ^eID, tq, s AID，tq, s AFID tq s KID, tq, s Did, tq, J，并將其輸入至神經(jīng)網(wǎng)絡(luò)預(yù)測模塊(13)中；16Mn鋼焊接結(jié)構(gòu)形變損傷無損檢測單元(1)的神經(jīng)網(wǎng)絡(luò)預(yù)測模塊(13)對IID,S =和 I ID, s — [eiD，tq，s ^-ID, tq, s ^ID, tq, s ^IO, tq, s Did，tq，
s]進行訓(xùn)練得到待診斷樣本輸出層信息0' ID,S= [δ ‘ ID,tp,s ε' ID,tp,J ；16Mn鋼焊接結(jié)構(gòu)形變損傷無損檢測單元(1)的DSD形變損傷識別模塊(14)對 Q' ID,S= [δ ‘ ID, tp, s ε ' ID, tp, J進行解析判斷后輸出焊接結(jié)構(gòu)形變損傷識別信息W = (0' ID,s，m(Bi))3_W=(0' H1Yiii(Bi)) —方面回饋給聲發(fā)射儀0)，另一方面輸出給報警單元( 進行顯示。本發(fā)明是一種依據(jù)聲發(fā)射信息，采用神經(jīng)網(wǎng)絡(luò)、SNF濾波策略和DSD判斷策略對形變損傷參數(shù)進行預(yù)測，識別診斷出16Mn鋼焊接結(jié)構(gòu)最終的損傷狀態(tài)，該識別系統(tǒng)的優(yōu)點在于(A)采用聲發(fā)射儀中的采集卡對使用過一段時間的16Mn鋼承力件焊接結(jié)構(gòu)上的聲發(fā)射換能器的聲發(fā)射信息(能量％、測量幅度As、平均頻率AFs、波形峰度Ks、持續(xù)時間Ds) 進行采集，并將該相關(guān)信息作為聲發(fā)射神經(jīng)網(wǎng)絡(luò)的識別系統(tǒng)的信息輸入，使得本發(fā)明在聲發(fā)射檢測過程中，能通過聲發(fā)射儀對聲發(fā)射換能器信息進行采集，同時分析聲發(fā)射信息參數(shù)和波形的變化，識別出是損傷信息，還是噪聲信息。(B)綜合利用了聲發(fā)射信號的參數(shù)信息和波形信息，并根據(jù)SNF策略進行去噪處理，增大了診斷結(jié)果的可靠性與準確性，提高了診斷系統(tǒng)的適應(yīng)能力。(C)神經(jīng)網(wǎng)絡(luò)方法為基礎(chǔ)的識別診斷系統(tǒng)，具有一定的容錯能力，能滿足鋼結(jié)構(gòu)復(fù)雜系統(tǒng)損傷診斷的要求。(D)所選取的聲發(fā)射參數(shù)和波形信息能夠很好的表征并識別16Mn鋼焊接結(jié)構(gòu)的形變損傷程度和損傷狀態(tài)，因此能夠更好的對其損傷進行識別和評估。


圖1是基于SNF策略和DSD策略的16Mn鋼焊接結(jié)構(gòu)形變損傷評估系統(tǒng)框圖。圖2是本發(fā)明16Mn鋼焊接結(jié)構(gòu)形變損傷無損檢測單元框圖。
具體實施例方式下面將結(jié)合附圖和實施例對本發(fā)明做進一步的詳細說明。參見圖1、圖2所示，對于16Mn鋼承力件焊接部位(或稱焊接結(jié)構(gòu))的無損檢測系統(tǒng)一般由多個聲發(fā)射換能器4 (也稱傳感器)、多路前置放大器3、一個聲發(fā)射儀2和一個 16Mn鋼焊接結(jié)構(gòu)形變損傷無損檢測單元1組成，其中，16Mn鋼焊接結(jié)構(gòu)形變損傷無損檢測單元1由SNF過濾模塊11、樣本抽取模塊12、神經(jīng)網(wǎng)絡(luò)預(yù)測模塊13和DSD形變損傷識別模塊14構(gòu)成。所述的SNF過濾模塊11中包括有SNF能量濾波處理模塊11A、SNF幅值濾波處理模塊IlB和SNF波形濾波處理模塊11C。16Mn鋼焊接結(jié)構(gòu)形變損傷無損檢測單元1采用Matlab語言(版本7. 0)開發(fā)。聲發(fā)射換能器4與前置放大器3為配套使用，即每一個聲發(fā)射換能器4的輸出端與一個前置放大器3的輸入端連接，每一個前置放大器3的輸出端連接在聲發(fā)射儀2的信息輸入接口上，該信息輸入接口用于接收多路突發(fā)型放大信息fs。16Mn鋼焊接結(jié)構(gòu)形變損傷無損檢測單元1內(nèi)嵌在聲發(fā)射儀2的存儲器中。在本發(fā)明中，聲發(fā)射儀2選取美國PAC公司生產(chǎn)的DiSP聲發(fā)射系統(tǒng)，聲發(fā)射換能器4選取美國PAC公司生產(chǎn)的CZ系列或者WD系列聲發(fā)射換能器，多路前置放大器3選取美國PAC公司生產(chǎn)的2/4/6 型前置放大器。(一 )聲發(fā)射換能器4聲發(fā)射換能器4，用于采集在役16Mn鋼承力件上的突發(fā)型信息&。在本發(fā)明中， 對于聲發(fā)射換能器4所需設(shè)置的個數(shù)以其傳感范圍為40cm IOOcm/個。( 二 )前置放大器3前置放大器3，用于對接收到的突發(fā)型信息&進行放大40dB后成為突發(fā)型放大信
息f S。(三)聲發(fā)射儀2聲發(fā)射儀2，一方面用于對接收到的突發(fā)型放大信息fs經(jīng)A/D轉(zhuǎn)換后成為數(shù)字突發(fā)型信息fsl = (es，As, AFs, Ks, Ds)輸出給16Mn鋼焊接結(jié)構(gòu)形變損傷無損檢測單元1 ；另一方面對接收到的焊接結(jié)構(gòu)形變損傷識別信息W= (0' H1Viii(Bi))輸出給顯示屏2A進行實時顯示。本發(fā)明僅用了能量％、測量幅度As、平均頻率AFs、波形峰度Ks和持續(xù)時間Ds五個參數(shù)。聲發(fā)射儀2中自備有A/D轉(zhuǎn)換器。在本發(fā)明中，聲發(fā)射儀作為焊接結(jié)構(gòu)形變損傷監(jiān)測器件。在監(jiān)測獲得的信息中，平均頻率AFs和波形峰度Ks與焊接結(jié)構(gòu)形變損傷中的應(yīng)力應(yīng)變情況以及損傷狀態(tài)具有更好的相關(guān)性，能夠更好的表征焊接結(jié)構(gòu)形變損傷信息，使用這些參數(shù)能綜合利用聲發(fā)射信號的參數(shù)信息和波形信息，增大了診斷結(jié)果的可靠性與準確性。(四)SNF過濾模塊11在本發(fā)明中，利用聲發(fā)射換能器4在進行信息采集時，不但將損傷信息進行采集， 同時也將噪聲(環(huán)境噪聲、電磁噪聲、機械摩擦噪聲)進行采集(即es，As, Cs, Ks, Ds信息中是包括有噪聲的)，因此，在本發(fā)明中，采用了 SNF策略對采集獲得的信息進行了去噪處理。 在SNF能量濾波處理模塊IlA中得到能量濾波信息fSE = (es > 1，As, AFs, Ks, Ds)，fSE即能量大于1的聲發(fā)射信號集合；在SNF幅值濾波處理模塊IlB中得到幅值濾波信息fSA = (es, As > 30dB, AFs, Ks, Ds)，fSA即幅值大于30dB的聲發(fā)射信號集合；在SNF波形濾波處理模塊 IlC中得到波形濾波信息fsw e (100kHz, 400kHz), fSff即波形頻率在IOOkHz到400kHz的聲發(fā)射信號集合。則SNF過濾模塊11輸出的聲發(fā)射形變損傷信息fS2 = (e, A, AF, K，D)=
f Π f Π f
iSE 1 1 iSA 1 1 iSW0(五)樣本抽取模塊1216Mn鋼焊接結(jié)構(gòu)形變損傷無損檢測單元1的樣本抽取模塊12，從聲發(fā)射形變損傷信息fS2 = (e，A, AF, K，D)中選取合適的樣本集合進行訓(xùn)練和診斷，具體樣本抽取步驟為第一步按時間先后順序先將聲發(fā)射形變損傷信息fS2 = (e，A，AF，K，D)中的N個樣本進行編號；則有，第一個樣本編號記為F1 = (A^pAFnKnD1),第二個樣本編號記為F2 =(e2，A2, AF2, K2, D2)，以此類推第 N 個樣本編號記為 Fn = (eN, An, AFn, Kn, Dn)。第二步設(shè)定分段間隔X對所述的& = (GijAijAFijKijD1)^F2 =(e2, A2, AF2, K2, D2)........Fn = (eN, An, AFn, Kn, Dn)編號進行分段，則有第一段[F1, F2,
8F3, · · · Fx]，弟_■段[Fx+1，F(xiàn)x+2j Fx+3J . . . F2x ]，以及類推到最后一段[Fn_x+1，F(xiàn)n_x+2，F(xiàn)n_x+3，. . . Fn] 0第三步(A)在第一段[F1, F2, F3, . . . Fx]中用隨機抽樣方法隨機抽取一個個體；(B)以間隔X在第二段[Fx+1，F(xiàn)x+2，F(xiàn)x+3，. . . F2J中抽取一個個體；(C)以此類推，以間隔X在最后一段[Fn_x+1，F(xiàn)n_x+2，F(xiàn)n_x+3，. . . Fn]中抽取一個個體；在本發(fā)明中，步驟三中的㈧步、⑶步和(C)步是在每一段中所抽出的個體將作為抽樣樣本。在本發(fā)明中，按樣本抽取步驟得到訓(xùn)練樣本集合IID,s= [eID,tp,s AID,tp,s AFid,tp,s KID, tp,s Did, tp, J ；然后去除訓(xùn)練樣本集合后再按樣本抽取步驟抽樣得到待診斷樣本集合Γ ID,S
—[eiD，tq，s Aid, tq, s ^Ι , tq, s ^IO, tq, s Did, tq, s] ο(六)神經(jīng)網(wǎng)絡(luò)預(yù)測模塊13為了獲得在役16Mn鋼焊接結(jié)構(gòu)的損傷度標(biāo)志模型，本發(fā)明在神經(jīng)網(wǎng)絡(luò)預(yù)測模塊 13中采用了 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法進行模型訓(xùn)練。其訓(xùn)練步驟如下訓(xùn)練步驟一，將聲發(fā)射儀2接收的在采集時間T內(nèi)所有的聲發(fā)射形變損傷信息進行存儲，即存儲的是fS2 = (e,A, AF, K，D)信息，或稱為原始數(shù)據(jù)信息；訓(xùn)練步驟二，選取訓(xùn)練樣本集合中的聲發(fā)射形變損傷信息進行累積處理，得到訓(xùn)練累積能量EID,tp,s、測量幅度AID,tp,s、訓(xùn)練累積平均頻率AFID,tp,s、訓(xùn)練累積持續(xù)時間DID,tp,s 和波形峰度KID, tp, s ；胃 eID，tp，s、AID，tp，s、AFID，tp，s、 I^D,tp,s和Did々,s作為BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法中的訓(xùn)練樣本輸入層信息，該訓(xùn)練樣本輸入層信息采用集合形式表達為IID,s = [eID,tp,s Aid,
AF K D ·
tp, S m ID, tp, s ivID, tp, s υΙ , tp, s-l ，訓(xùn)練步驟三，對訓(xùn)練步驟二獲取的訓(xùn)練樣本輸入層信息IID, s與訓(xùn)練樣本隱含層 Mid, s、訓(xùn)練樣本輸出層信息0ID, s構(gòu)建出針對在役16Mn鋼焊接結(jié)構(gòu)的損傷度標(biāo)志模型，該損傷度標(biāo)志模型表達形式為Dg = {IID,S，Mid,s 0id,J ；訓(xùn)練步驟四，選取診斷樣本集合中的聲發(fā)射形變損傷信息進行累積處理，得到診斷累積能量eID, & s、診斷累積測量幅度Aid, tq, s、診斷累積平均頻率AFid, tq, s、診斷累積持續(xù)時間 DiD,tq,s 禾口波形山條度 KID，tq，s ；該 eID，tq，s、AID，tq，s、AFID，tq，s、 KID,tq,s和DID,t(1,s作為BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法中的待診斷樣本輸入層信息，該待診斷樣本輸入層信息采用集合形式表達為Γ ID,S
—[eiD，tq，s A;Q)，tq，s ^Ι , tq, s ^IO, tq, s ^ID, tq, s^ ‘訓(xùn)練步驟五，將訓(xùn)練步驟四獲取的待診斷樣本輸入層信息Γ 1),3代入訓(xùn)練步驟三獲得的損傷度標(biāo)志模型Dg中，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法得到待診斷樣本輸出層信息0' ID,在本發(fā)明中，訓(xùn)練步驟二中的訓(xùn)練樣本輸入層信息IID,s = [eID,tp,s AID,tp,s AFid,tp, s KID,tp,sDid, tp, J中各字母的物理意義為 , ρ,3表示訓(xùn)練累積能量，Aid, tp,s表示訓(xùn)練累積測量幅度，AFid, 表示訓(xùn)練累積平均頻率，KID, tp,s表示訓(xùn)練樣本波形峰度，Did,表示訓(xùn)練累積持續(xù)時間，ID表示聲發(fā)射換能器的代碼，tp表示訓(xùn)練樣本的選取時間，
s表示聲發(fā)射換能器的類型。訓(xùn)練樣本輸入層信息IID,s中的5個元素即為5個節(jié)點。在本發(fā)明中，訓(xùn)練步驟三中的訓(xùn)練樣本隱含層Mid,s = 2X5+1 = 11，即訓(xùn)練樣本隱含層Mid, s的節(jié)點個數(shù)為IID, s的節(jié)點個數(shù)的二倍加一。在本發(fā)明中，訓(xùn)練步驟三中的訓(xùn)練樣本輸出層信息0ID,s= [ δ ID, tp, s ￡lD,tp,s]，包含表征材料形變損傷程度的2個形變試驗的參量，δ ID, tp, s表示訓(xùn)練樣本實際測得的應(yīng)力， ε ID,tp,s表示訓(xùn)練樣本采集時實際測得的應(yīng)變，即為2個節(jié)點。在本發(fā)明中，訓(xùn)練步驟四中的待診斷樣本輸入層信息I' ID,S= [eID,tq,s AID,tq,s AFid, tq,s KID,tq,s Did, tq, J中各字母的物理意義為eID,t(1,s表示診斷累積能量，Aid, t(1, s表示診斷累積測量幅度，AFid, & s表示診斷累積平均頻率，Kid, & s表示表示診斷樣本波形峰度，DID,t(1,s表示累積偶數(shù)持續(xù)時間，ID表示聲發(fā)射換能器的代碼，tq表示在待診斷樣本的選取時間，s表示聲發(fā)射換能器的類型。在本發(fā)明中，訓(xùn)練步驟五中的待診斷樣本輸出層信息0' ID,S= [δ ‘ ID,tp,s ε' ID, tp,s]，其中包含表征材料形變損傷程度的2個參量，δ ‘ ID,tp,s表示擬合得到的待診斷樣本采集時的材料所受的應(yīng)力，ε' ID,tp,s表示擬合得到的待診斷樣本采集時材料的應(yīng)變。(七)DSD形變損傷識別模塊14DSD形變損傷狀態(tài)判斷模塊14將神經(jīng)網(wǎng)絡(luò)模型得到的待診斷樣本輸出層信息 0' ID,S采用DSD(Damage State Determination)策略進行處理，得到識別診斷結(jié)果Hi(Bi)。DSD策略識別方法如下當(dāng)0' ID,S = [ δ ‘ ID,tp,s ε' ID,tp,s]中 δ' ID,tp,s<3OOMP0P￡' ID,tp,s < 0. 02 時，即焊接結(jié)構(gòu)處于彈塑性損傷狀態(tài)Hl(B1)；當(dāng)0 ‘ ID,S = [δ ‘ ID, tp, s ε ' ID, tp, J 中 300MPa 彡 δ ' ID, tp, s ( 340MPa 和 0.02彡ε ‘ ID,tp,s< 0.05時，即焊接結(jié)構(gòu)處于屈服損傷狀態(tài)m(B2)；當(dāng)0' ID,S= [δ ‘ ID,tp,s ε' ID,tp,J 中 δ' ID, tp, s > 340ΜΙ^ 和 ε ' ID, tp, s > 0. 05時，即焊接結(jié)構(gòu)處于應(yīng)變硬化損傷狀態(tài)m(B3)。在本發(fā)明中，將焊接結(jié)構(gòu)處于彈塑性損傷狀態(tài)Hi(B1)、焊接結(jié)構(gòu)處于屈服損傷狀態(tài)Hi(B2)和焊接結(jié)構(gòu)處于應(yīng)變硬化損傷狀態(tài)Hl(B3)稱為識別診斷結(jié)果Hl(Bi),識別診斷結(jié)果 Hi(Bi)與診斷樣本輸出層信息0' ID,S共同作為焊接結(jié)構(gòu)形變損傷識別信息W= (0' ID,S, Hi(Bi))輸出到報警單元5以及顯示屏2A。在16Mn鋼焊接結(jié)構(gòu)形變損傷狀態(tài)模式中包括有彈塑性損傷狀態(tài)Hi(B1)，屈服損傷狀態(tài)m (B2)，應(yīng)變硬化損傷狀態(tài)m (B3)。在役16Mn鋼焊接結(jié)構(gòu)一般在彈塑性損傷狀態(tài)m (B1) 下工作，當(dāng)處于屈服損傷狀態(tài)Hl(B2)以及應(yīng)變硬化損傷狀態(tài)Hl(B3)之一時，該焊接結(jié)構(gòu)損傷比較嚴重，使用者應(yīng)當(dāng)對焊接結(jié)構(gòu)進行實時重點檢測、監(jiān)測或者更換，因此對焊接結(jié)構(gòu)進行無損檢測可以預(yù)防和減少事故的發(fā)生，以減少突發(fā)斷裂造成的人員傷害、設(shè)備損失和經(jīng)濟損失。實施例1 對40t (噸)軌道式起重機的靜載承力件焊接結(jié)構(gòu)進行聲發(fā)射檢測。靜載承力件焊接結(jié)構(gòu)懸臂有效伸度5000mm，承力件所用的16Mn鋼母材成分如表1所示。檢測焊接部位使用埋弧焊兩次成型，焊條牌號為E5016，焊絲牌號為H08A，焊劑為HT431，電流大小650A，電壓大小38V，所使用的焊機為ZX5-1000。表1承力件所用的16Mn鋼成分
權(quán)利要求
1.一種基于SNF策略和DSD策略的16Mn鋼焊接結(jié)構(gòu)形變損傷識別評估系統(tǒng)，該系統(tǒng)包括有多個聲發(fā)射換能器G)、多路前置放大器(3)、一個聲發(fā)射儀O)，其特征在于還包括一個16Mn鋼焊接結(jié)構(gòu)形變損傷無損檢測單元(1)；所述的16Mn鋼焊接結(jié)構(gòu)形變損傷無損檢測單元(1)內(nèi)嵌在聲發(fā)射儀O)的存儲器中；16Mn鋼焊接結(jié)構(gòu)形變損傷無損檢測單元(1)包括有SNF過濾模塊(11)、樣本抽取模塊 (12)、神經(jīng)網(wǎng)絡(luò)預(yù)測模塊(13)和DSD形變損傷識別模塊(14)；其中，SNF過濾模塊(11)包括有SNF能量濾波處理模塊(IlA)，SNF幅值濾波處理模塊(IlB)和SNF波形濾波處理模塊 (IlC)；聲發(fā)射換能器(4)與前置放大器C3)為配套使用，即每一個聲發(fā)射換能器的輸出端與一個前置放大器(3)的輸入端連接，每一個前置放大器(3)的輸出端連接在聲發(fā)射儀 (2)的信息輸入接口上，該信息輸入接口用于接收多路突發(fā)型放大信息fs ；聲發(fā)射換能器，用于采集在役16Mn鋼承力件焊接部位上的突發(fā)型信息& ； 前置放大器(3)，用于對接收到的突發(fā)型信息&進行放大40dB后成為突發(fā)型放大信息fs；聲發(fā)射儀O)，一方面用于對接收到的突發(fā)型放大信息fs經(jīng)A/D轉(zhuǎn)換后成為數(shù)字突發(fā)型信息fsl = (es, As, AFs, Ks, Ds)輸出給16Mn鋼焊接結(jié)構(gòu)無損檢測單元(1)；另一方面對接收到的焊接結(jié)構(gòu)形變損傷識別信息W= (0' ^sjm(Bi))輸出給顯示屏以K)進行實時顯示； 所述的SNF過濾模塊(11)采用SNF策略對接收到的數(shù)字突發(fā)型信息fsl = (es,As,AFs, Ks, Ds)進行濾波，得到聲發(fā)射形變損傷信息fS2 = (e, A, AF, K，D)；所述的樣本抽取模塊模型(12)從聲發(fā)射形變損傷信息fS2 = (e, A, AF, K，D)中選取訓(xùn)練樣本 IID, s = [eID,tp,s AIDjtp,s AFid, tp,s KID,tp,s Did, tp, J 和待診斷樣本 Γ ID,S = [eID,tq,s AID,tq,s AFid, tq,s KID,tq,s Did, t(1, s]，并將其輸入至神經(jīng)網(wǎng)絡(luò)預(yù)測模塊(13)中；所述的神經(jīng)網(wǎng)絡(luò)預(yù)測模塊(13)對 IlD，s — [eID, tp，s Am, tp, s AFID，tp, s Kid ，tp, S Did ，tp, S」 I' ID, S= [eID, tq, s Aid, tq, s AFid, tq, s KID, tq, s Did, tq, J 進行訓(xùn)練得到待診斷樣本輸出層信息fj /=「5 /ρ / w ID, s — Lu ID, tp, s c ID, tp, s」；所述的DSD形變損傷識別模塊(14)對0' ID,S= [δ ‘ ID,tp,s ε' ID,tp,J進行解析判斷后輸出焊接結(jié)構(gòu)形變損傷識別信息W= (0' 1),3，111仇))，該1=(0' H^m(Bi)) —方面回饋給聲發(fā)射儀O)，另一方面輸出給報警單元( 進行顯示。
2.根據(jù)權(quán)利要求1所述的基于SNF策略和DSD策略的16Mn鋼焊接結(jié)構(gòu)形變損傷識別評估系統(tǒng)，其特征在于在SNF過濾模塊(11)中采用的SNF策略對采集獲得的信息進行了去噪處理；在SNF能量濾波處理模塊(IlA)中得到能量濾波信息fSE = (es > 1, As, AFs, Ks, Ds)，fSE即能量大于1的聲發(fā)射信號集合；在SNF幅值濾波處理模塊(IlB)中得到幅值濾波信息fSA = (es，As > 30dB，AFs，Ks，Ds)，fSA即幅值大于30dB的聲發(fā)射信號集合；在SNF波形濾波處理模塊(IlC)中得到波形濾波信息fsw e (100kHz, 400kHz)，fSff即波形頻率在IOOkHz 到400kHz的聲發(fā)射信號集合；則SNF過濾模塊(11)輸出的聲發(fā)射形變損傷信息fS2 = (e, A, AF, κ, d) = fSE η fSA η fswo
3.根據(jù)權(quán)利要求1所述的基于SNF策略和DSD策略的16Mn鋼焊接結(jié)構(gòu)形變損傷識別評估系統(tǒng)，其特征在于所述的樣本抽取模塊(12)從聲發(fā)射形變損傷信息fS2 = (e, A, AF, K，D)中選取樣本集進行訓(xùn)練和診斷，具體樣本抽取步驟為第一步按時間先后順序先將聲發(fā)射形變損傷信息fS2= (e，A，AF，K，D)中的N個樣本進行編號；則有，第一個樣本編號記為F1 = (ei; A1, AF1, K1, D1)，第二個樣本編號記為F2 = (e2，A2, AF2, K2, D2)，以此類推第 N 個樣本編號記為 Fn = (eN, An, AFn, Kn, Dn)；第二步設(shè)定分段間隔X ($《^5)，對所述的& = (GijAijAFijKijD1)^F2= (e2,A2，AF2，K2，D2)........I7n = (eN，An，Ai^，Kn，Dn)編號進行分段，則有第一段[F1，F(xiàn)2，F(xiàn)3，. . . ig，弟·~ 段[Ρχ+l ‘ Ρχ+2' Fx+3，· · · F2x]，以及類推到最后一段[Fn_x+1，F(xiàn)n_x+2，F(xiàn)n_x+3，. . . Fn]； 第三步(A)在第一段[F1, F2, F3, . . . FJ中用隨機抽樣方法隨機抽取一個個體；(B)以間隔X在第二段[Fx+1，F(xiàn)x+2，F(xiàn)x+3，.. . F2J中抽取一個個體；(C)以此類推，以間隔X在最后一段[Fn_x+1，F(xiàn)n_x+2，F(xiàn)n_x+3，.. . Fn]中抽取一個個體； 按樣本抽取步驟得到訓(xùn)練樣本集合 IID,s= [eID,tp,s AID,tp,s AFid,tp,s KID,tp,s Did,tp, J ；然后去除訓(xùn)練樣本集合后再按樣本抽取步驟抽樣得到待診斷樣本集合Γ ID,S= [eID,tq,s Aid,tq, s AFm, tq, s Kid，tq, s ^ID, tq, s^ °
4.根據(jù)權(quán)利要求1所述的基于SNF策略和DSD策略的16Mn鋼焊接結(jié)構(gòu)形變損傷識別評估系統(tǒng)，其特征在于在神經(jīng)網(wǎng)絡(luò)預(yù)測模塊(1 中采用了 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法進行模型訓(xùn)練；其訓(xùn)練步驟如下訓(xùn)練步驟一，將聲發(fā)射儀( 接收的在采集時間T內(nèi)所有的聲發(fā)射形變損傷信息進行存儲，即存儲的是fS2 = (e,A, AF, K，D)信息，或稱為原始數(shù)據(jù)信息；訓(xùn)練步驟二，選取訓(xùn)練樣本集合中的聲發(fā)射形變損傷信息進行累積處理，得到訓(xùn)練累積能量&D,tp,s、測量幅度AID,tp,s、訓(xùn)練累積平均頻率AFid,tp,s、訓(xùn)練累積持續(xù)時間DID,tp,s和波形峰度I^mp,s ；該 eID, tp，s、A1d, tp, s、AFID，tp，s、DID,tp,s作為BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法中的訓(xùn)練樣本輸入層信息，該訓(xùn)練樣本輸入層信息采用集合形式表達為IID, s = [eID, tp,s AID,tp,s AFID，tp，s Kid，tp，s Did，tp，s]；訓(xùn)練步驟三，對訓(xùn)練步驟二獲取的訓(xùn)練樣本輸入層信息IID,S與訓(xùn)練樣本隱含層MID,S、訓(xùn)練樣本輸出層信息Oid,3構(gòu)建出針對在役16Mn鋼焊接結(jié)構(gòu)的損傷度標(biāo)志模型，該損傷度標(biāo)志模型表達形式為 Dg= UID, s，Mid, s，0ID, s}；訓(xùn)練步驟四，選取診斷樣本集合中的聲發(fā)射形變損傷信息進行累積處理，得到診斷累積能量、診斷累積測量幅度AID,t(1,s、診斷累積平均頻率AFID,t(1,s、診斷累積持續(xù)時間Did, tq, s 禾口波形山條度 KID，飾 s ；該 eiD，切，s、Aid，tq s、AFID，tq s、KID, tq, s和Did, tq, s作為BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法中的待診斷樣本輸入層信息，該待診斷樣本輸入層信息采用集合形式表達為Γ ID,S =[eiD，tq，s Aid, tq, s AFm, tq, stq, s ^ID, tq, s^ ‘訓(xùn)練步驟五，將訓(xùn)練步驟四獲取的待診斷樣本輸入層信息Γ ID,S代入訓(xùn)練步驟三獲得的損傷度標(biāo)志模型Dg中，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法得到待診斷樣本輸出層信息0' ID,S。
5.根據(jù)權(quán)利要求4所述的基于SNF策略和DSD策略的16Mn鋼焊接結(jié)構(gòu)形變損傷識別評估系統(tǒng)，其特征在于所述的訓(xùn)練步驟三中的訓(xùn)練樣本輸出層信息0ID, s = [ δ ID,tp,s ε ID, tp, s]，包含表征材料形變損傷程度的2個形變試驗的參量，δ ID, tp, s表示訓(xùn)練樣本實際測得的應(yīng)力，ε ID,tp,s表示訓(xùn)練樣本采集時實際測得的應(yīng)變。
6.根據(jù)權(quán)利要求1所述的基于SNF策略和DSD策略的16Mn鋼焊接結(jié)構(gòu)形變損傷識別評估系統(tǒng)，其特征在于在DSD形變損傷狀態(tài)判斷模塊(14)將神經(jīng)網(wǎng)絡(luò)模型得到的待診斷樣本輸出層信息0' ID,S采用DSD策略進行處理，得到識別診斷結(jié)果Hi(Bi)； DSD策略識別方法如下當(dāng) 0' id, s = [ δ ‘ ID,tp,s ε' ID,tp,J 中 S' ID,tp,s< 300MI^*￡' ID, tp, s < 0. 02 時，即焊接結(jié)構(gòu)處于彈塑性損傷狀態(tài)Hl(B1)；當(dāng) 0' id,s = [δ ‘ ID,tp,s ε' ID,tp,J 中 300MPa彡 δ ‘ ID,tp,s 彡 340ΜΙ^ 和 0· 02 彡 ε ‘ ID, tp,s彡0. 05時，即焊接結(jié)構(gòu)處于屈服損傷狀態(tài)m(B2)；當(dāng) 0' id, s = [ δ ‘ ID,tp,s ε' ID,tp,J 中 S' ID,tp,s> 340MI^*￡' ID, tp, s > 0. 05 時，即焊接結(jié)構(gòu)處于應(yīng)變硬化損傷狀態(tài)m(B3)；將焊接結(jié)構(gòu)處于彈塑性損傷狀態(tài)Hi(B1)、焊接結(jié)構(gòu)處于屈服損傷狀態(tài)Hl(B2)和焊接結(jié)構(gòu)處于應(yīng)變硬化損傷狀態(tài)Hl(B3)稱為識別診斷結(jié)果Hl(Bi)。
全文摘要
本發(fā)明公開了一種基于SNF策略和DSD策略的16Mn鋼焊接結(jié)構(gòu)形變損傷識別評估系統(tǒng)，該系統(tǒng)包括有多個聲發(fā)射換能器、多路前置放大器、一個聲發(fā)射儀和16Mn鋼焊接結(jié)構(gòu)形變損傷無損檢測單元；其中，16Mn鋼焊接結(jié)構(gòu)形變損傷無損檢測單元由SNF過濾模塊、樣本抽取模塊、神經(jīng)網(wǎng)絡(luò)預(yù)測模塊和DSD形變損傷識別模塊構(gòu)成。該狀態(tài)識別首先采用SNF策略對多路聲發(fā)射換能器采集得到的信息進行多維濾波，并采用人工神經(jīng)網(wǎng)絡(luò)方法對濾波后的信號進行訓(xùn)練和預(yù)測，獲得16Mn鋼焊接結(jié)構(gòu)的形變損傷參數(shù)；然后采用DSD策略對神經(jīng)網(wǎng)絡(luò)輸出結(jié)果進行判定，確定被測件焊接部位的形變損傷狀態(tài)。該系統(tǒng)在工作狀態(tài)下，能夠?qū)υ谝?6Mn鋼焊接結(jié)構(gòu)的形變損傷參數(shù)進行拾取，對不同損傷狀態(tài)進行識別，并對識別出的結(jié)果作出預(yù)警。
文檔編號G01N29/44GK102279223SQ201110125209
公開日2011年12月14日 申請日期2011年5月16日 優(yōu)先權(quán)日2011年5月16日
發(fā)明者張崢, 曹經(jīng)緯, 鐘群鵬, 韓志遠, 駱紅云 申請人:北京航空航天大學(xué)