本發(fā)明涉及金屬裂紋監(jiān)測
技術領域：
，具體涉及一種用于金屬裂紋監(jiān)測的聲學信號識別方法。
背景技術：
：金屬裂紋是由外部交變載荷長期作用，導致材料疲勞，使得其內部深層次分子斷崩形成裂紋核，并逐步擴展形成的。當裂紋擴展接近或達到臨界裂紋長度時，就進入失穩(wěn)擴展并快速形成足夠破壞設備結構的斷裂現象。特別是對于金剛石壓機頂錘等設備，由于其在生產過程中承受交變的高壓強，容易產生疲勞裂紋，并最終造成癱錘，從而損壞同一壓機的另外五個頂錘，最終導致停產停工等損失，甚至會釀成安全事故。裂紋從微觀裂紋發(fā)展到宏觀裂紋直至斷裂，需要經過一個緩慢的擴展過程，及早發(fā)現裂紋現象對安全生產具有重要意義。由于金屬出現裂紋時，伴隨應力釋放會輻射聲脈沖，目前人們對聲波在金屬裂紋監(jiān)測方面的應用做了大量的研究工作。在
專利名稱：為“一種疲勞裂紋在線檢測系統(tǒng)”(專利號：201320619153.5)所公開的內容中，通過提取聲發(fā)射信號強度、有效值、計數三種特征參數，并根據這些參數的突變判斷裂紋；在另一
專利名稱：為“一種基于聲發(fā)射檢測的飛機結構損傷識別方法”(專利號：201110238797.5)所公開的內容中，通過提取持續(xù)時間、信號幅度、振鈴計數、能量和峰值頻率五種數據，然后繪制“能量-峰值頻率”、“能量-幅值”歷程圖來表現聲波信號特征。但是，以上兩篇專利公開文獻都沒有給出定量的判決結果，且沒有充分考慮特征之間變化的相關性對判決的影響。而在文獻名稱為“基于聲發(fā)射和雙譜分析的鋁合金損傷原位監(jiān)測研究”(來源：朱榮華，剛鐵，萬楚豪，《材料工程》，No.5，2013)所公開的內容中，通過利用聲發(fā)射能量、質心頻率和雙譜分析預測鋁合金裂紋的萌生和發(fā)展，從而取得了一定效果。但上述幾種監(jiān)測方法用到的聲發(fā)射能量相關特征值與裂紋擴展程度有關，無法識別故障初期的微小裂紋。另外，在文獻名稱為“金屬裂紋聲發(fā)射信號識別及報警的方法研究”(來源：成建國，碩士論文，廣西大學，2008)所公開的內容中，通過提取上升時間、聲發(fā)射事件計數、持續(xù)時間、平均信號電平和頻率質心五個特征組成向量空間，用BP神經網絡進行分類。這種方法能夠在故障初期的微小裂紋識別上起到一定效果，但是這 種分類的實驗樣本種類有限，且對能較好反映信號特征的頻譜信息發(fā)掘不足。在聲發(fā)射應用中，多采用壓電傳感器實現信號采集(來源：李以善，劉德鎮(zhèn)，焊接結構檢測技術，化學工業(yè)出版社，2009)，但是，利用壓電傳感器對金剛石壓機頂錘進行裂紋監(jiān)測時，存在如下問題：由于頂錘工作溫度較高，而采用的壓電傳感器是接觸式傳感器，即需要將探頭貼附在被測元件上，不適合于高溫高壓的生產環(huán)境，所以使得傳感器不適宜與設備進行接觸式安裝；每臺壓機需安裝與頂錘一一對應的六個傳感器，從而提高了監(jiān)測成本。對此，采用傳聲器采集頂錘輻射聲波的方式更具可行性。在文獻名稱為“聲紋識別技術在金剛石壓機頂錘防護中的應用”(來源：金剛石與磨料磨具工程，Vol.33，No.3，2013)所公開的內容中，記載了使用傳聲器采集聲信號，通過計算線性預測倒譜系數的歐氏距離，判斷裂紋聲音。但是，由于單一特征的識別魯棒性容易受限，且其分析頻段集中在3.4kHz以下，因此極易受現場設備強烈噪聲的干擾，降低了監(jiān)測效果。技術實現要素：本發(fā)明的目的在于，為解決現有的金屬裂紋聲學監(jiān)測方法存在著：對提取的聲波信號特征研究及發(fā)掘不足，從而導致故障誤判或難于識別微小裂紋的技術問題，提出一種用于金屬裂紋監(jiān)測的聲學信號識別方法，通過對采集到的脈沖聲進行識別和分類，能夠快速準確地監(jiān)測到裂紋故障，降低了誤判率，滿足對機械設備上裂紋故障的實時在線監(jiān)測要求。為了實現上述目的，本發(fā)明提出一種用于金屬裂紋監(jiān)測的聲學信號識別方法，具體包括以下步驟：步驟1)通過傳感器采集被測設備金屬表面的聲學信號，并利用譜減法對聲學信號進行濾波降噪處理；步驟2)利用功率閾值法對步驟1)處理后的信號進行端點檢測，提取獨立的脈沖聲；步驟3)對步驟2)中獲得的脈沖聲做特征向量提取，計算組成特征向量的四個元素：譜重心、譜面積、線譜對系數和峰峰幅度熵；步驟4)將步驟3)中提取的特征向量輸入至故障分類器模型進行模式識別，判斷所述的聲學信號是否表示為金屬裂紋故障信號。作為上述技術方案的進一步改進，所述的線譜對系數通過以下公式計算獲得：P(z)=(1+z-1)Πi=1p/2(1-2·cosωi·z-1+z-2)Q(z)=(1-z-1)Πi=1p/2(1-2·cosθi·z-1+z-2)]]>其中，cosωi和cosθi為線譜對系數在余弦域的表示，i＝1,2,...,p/2，ωi、θi表示與線譜對系數對應的線譜頻率，z表示變換的參數。作為上述技術方案的進一步改進，所述的譜重心表示為：ωc=∫0πω·S(ω)dω∫0πS(ω)dω=Σk=0(N-1)/22πkNP(k)Σk=0(N-1)/2P(k)]]>其中，ω表示頻率，S(ω)表示連續(xù)信號功率譜，表示離散信號功率譜，X表示采集到的信號，N表示數據點數，k表示第k個數據。作為上述技術方案的進一步改進，所述的譜面積表示為：A=∫ω1ω2f(ω)dω=Σi=1N|X(ki)|]]>其中，A表示譜面積，X表示采集到的信號，N表示數據點數，ki表示第i個數據，ω1和ω2分別表示信號頻譜的上、下區(qū)間。作為上述技術方案的進一步改進，所述的峰峰幅度熵表示為：H=-Σi=1NPΔi·logPΔi]]>其中，設H＝max(Ai)為聲發(fā)射信號的最大峰峰幅度，用H歸一化所有的峰峰幅度，并將取值范圍平均分為N等分，記為Δ1,Δ2,...,ΔN，然后統(tǒng)計落在不同區(qū)域內的峰峰值個數，記為ki，(i＝1,2,...,N)，則落在Δn區(qū)域內的概率為作為上述技術方案的進一步改進，所述步驟4)中的故障分類器模型采用基于支 持向量數據描述的故障分類器模型，表示為：fSVDD(z,a,R)＝I(||z-a||2≤R2)＝I((z·z)-2∑iai(z·xi)+∑i,jaiaj(xi·xi)≤R2)其中，I為指示函數，a表示超球面的球面中心坐標，R表示超球面的半徑，z表示將新的特征向量映射到特征空間后的數據，A表示事件，若A為真時，則判定為正常信號，若A為假時，則判定為故障信號。本發(fā)明的一種用于金屬裂紋監(jiān)測的聲學信號識別方法優(yōu)點在于：本發(fā)明的識別方法考慮到背景噪聲信號屬于隨機信號，采用譜減法充分利用了背景噪聲的統(tǒng)計平穩(wěn)性和先驗信息，利用已知的噪聲分量估計未知的噪聲分量，從而能夠檢測到低于背景噪聲的脈沖聲，有利于發(fā)現早期裂紋故障；相較于傳統(tǒng)的聲學信號特征參數，提取的譜重心、譜面積、LSP參數和峰峰幅度熵這四種特征參數組成的特征向量，能夠更好地反映聲學信號的頻域和時域特征，更大程度的區(qū)分了故障信號與正常信號，給模式判別帶來了極大的方便，提高了故障檢測的準確性；本發(fā)明的識別方法計算復雜度不高，可在DSP系統(tǒng)上實現，便于在工業(yè)生產中進行金屬裂紋的實時監(jiān)測。附圖說明圖1是本發(fā)明的一種用于金屬裂紋監(jiān)測的聲學信號識別方法處理流程圖。圖2a是利用傳感器采集到的原始故障信號的信號圖圖2b是將圖2a中示出的原始故障信號利用本發(fā)明的聲學信號識別方法經過預處理后得到的信號圖。圖3是利用傳感器采集到的金剛石壓機正常聲發(fā)射信號與頂錘裂紋故障信號的LSP系數對比圖。圖4是利用傳感器采集到的金剛石壓機正常聲發(fā)射信號與頂錘裂紋故障信號的譜重心對比圖。圖5是利用傳感器采集到的金剛石壓機正常聲發(fā)射信號與頂錘裂紋故障信號的譜面積對比圖。圖6是利用傳感器采集到的金剛石壓機正常聲發(fā)射信號與頂錘裂紋故障信號的峰峰熵值對比圖。具體實施方式下面結合附圖和實施例對本發(fā)明所述的一種用于金屬裂紋監(jiān)測的聲學信號識別方法進行詳細說明。圖1是基于聲學信號法的金屬裂紋監(jiān)控檢測的處理流程圖。步驟1)通過傳感器采集到被測機械設備金屬表面的聲學信號，采用譜減法對該聲學信號進行濾波降噪處理。所述的譜減法是處理寬帶噪聲的有效方法，該方法假設噪聲是統(tǒng)計平穩(wěn)的，即有聲學信號期間噪聲幅度譜的期望值與無聲學信號期間噪聲幅度譜的期望值相等，這種假設也與現實的工況相符合。計算無聲學信號期間的噪聲頻譜估計值，以此取代有聲學信號期間的噪聲的頻譜值，再用帶噪聲的聲學信號的頻譜值減去該估計值。當上述差值為負數時，將其置零。最后得到的即為消噪以后的聲學信號的頻譜值。從圖2a中傳感器采集到的原始故障信號與圖2b中經過譜減法預處理后的信號進行比較可知(橫軸為樣點數，縱軸為幅度)，背景噪聲被大大濾除了。步驟2)利用功率閾值法對步驟1)處理后的信號進行端點檢測，提取獨立的脈沖聲，定義一個功率閾值，如果信號的瞬時功率超過該閾值，即視為信號的開始；步驟3)對步驟2)中獲得的脈沖聲進行特征向量提取，特征向量包括四個元素，分別為線譜對系數、譜重心、譜面積和峰峰幅度熵。1)線譜對系數(LSP)聲學信號的譜特性全部包含在線譜對系數中，定義為如下多項式的根：P(z)=Ap(z)+z-(p+1)·Ap(z-1)Q(z)=Ap(z)-z-(p+1)·Ap(z-1)]]>(式1)其中，是線性預測函數，p為預測階數，ai為預測系數，z＝ejω表示變換的參數，當系統(tǒng)穩(wěn)定時，自定義函數P(z)和Q(z)的根都位于單位圓上，且交替出現。設為P(z)的零點，為Q(z)的零點，則由上述式1得：P(z)=(1+z-1)Πi=1p/2(1-2·cosωi·z-1+z-2)Q(z)=(1-z-1)Πi=1p/2(1-2·cosθi·z-1+z-2)]]>(式2)其中，cosωi和cosθi就是LSP系數在余弦域的表示，i＝1,2,...,p/2，ωi和θi則 是與LSP系數對應的線譜頻率LSF。那么，由式2能夠獲得聲發(fā)射信號的功率譜表示為：|H(ejω)|2=1|A(ejω)|2=2-p·[sin2(ω/2)Πi=1p/2(cosω-cosθi)2+cos2(ω/2)Πi=1p/2(cosω-cosωi)2]-1]]>(式3)從圖3可知，正常信號的線譜對系數基本保持為0，而故障信號的線譜對系數則在0.01附近波動。因此，LSP系數可以準確的表達聲發(fā)射信號譜的特點，并且可以作為模式判別的依據之一。2)譜重心聲發(fā)射信號的功率譜反映了聲發(fā)射信號中各頻率成分能量的大小，當信號中某些頻率成分發(fā)生變化時，功率譜的重心位置也將發(fā)生變化。因此，通過監(jiān)測功率譜重心位置的變化，可以很好的了解聲發(fā)射信號頻域特征的變化。信號功率譜的重心位置可以表示為：ωc=∫0πω·S(ω)dω∫0πS(ω)dω=Σk=0(N-1)/22πkNP(k)Σk=0(N-1)/2P(k)]]>(式4)其中，ω為頻率，S(ω)為連續(xù)信號功率譜，為離散信號功率譜，ω1和ω2分別表示信號頻譜的上、下區(qū)間，X表示采集到的信號，N表示數據點數，k表示第k個數據。從圖4可知，故障信號的譜重心最低值為0.08，而正常信號的譜重心低于0.02。因此，譜重心可以準確的表達聲發(fā)射信號譜的特點，并且可以作為模式判別的依據之一。3)譜面積譜面積是從頻域表征聲發(fā)射信號特征的參數。相較于正常信號，故障信號含有較多的脈沖成分，譜面積的計算公式可表示為：A=∫ω1ω2f(ω)dω=Σi=1N|X(ki)|]]>(式5)其中，X表示采集到的信號，N表示數據點數。相較于正常信號，由于故障信號中含有大量的脈沖信號，因此在積分后，故障信號的A值大于正常信號的A值。由此可以通過推斷故障信號的譜面積大于正常信號的譜面積以區(qū)分正常信號和故障信號。從圖5可知，故障信號的譜面積位于10的三次方的量級，而正常信號的譜面積位于10的一次方的量級。因此，譜面積可以作為故障檢測的依據。4)峰峰幅度熵峰峰幅度熵是從波型結構角度提出的特征參數，具體算法如下：設H＝max(Ai)為聲發(fā)射信號的最大峰峰幅度，用H歸一化所有的峰峰幅度，并將取值范圍平均分為N等分，記為Δ1,Δ2,...,ΔN。然后統(tǒng)計落在不同區(qū)域內的峰峰值個數，記為ki，(i＝1,2,...,N)，則落在Δn區(qū)域內的概率為分別計算落在Δ1,Δ2,...,ΔN區(qū)間的概率PΔ1,PΔ2,...,PΔN，則可由下述式6計算得到該信號的峰峰幅度熵：H=-Σi=1NPΔi·logPΔi]]>(式6)峰峰幅度熵H代表峰峰幅度變化的激烈程度，當信號中含有聲發(fā)射信號時，峰峰幅度變化加劇，峰峰幅度熵值會增大，從圖6可知，正常信號的峰峰幅度熵均高于0.4，而故障信號的峰峰幅度熵低于0.4。所以，峰峰幅度熵也可用作特征參數。步驟4)將步驟3)中提取的特征向量輸入至故障分類器模型進行模式識別，判斷所述的聲學信號是否表示為金屬裂紋故障信號。所述的故障分類器模型可采用支持向量數據描述的故障分類器模型，采集到上述特征參數后，采用支持向量機技術進行故障監(jiān)測。支持向量機是一種二類分類模型，它的基本模型是定義在特征空間上的最大間隔線性分類器。首先建立特征空間，提取已知故障信號和正常信號的特征參數，以此組成特征向量，然后將得到的特征向量映射到特征空間中，根據間隔最大化原理，在特征空間中找到一個分離超平面，分離故障信號特征向量和正常信號特征向量。具體處理過程如下所述：通過學習訓練獲取正常類樣本集Xi(i＝1,2,...)，即根據頂錘正常時采集到的聲學 信號的特征向量可得到一個封閉而緊湊的最小超球面來描述頂錘的正常狀態(tài)，超球面由球面中心坐標a和半徑R所決定，為了提高算法的魯棒性，即允許在超球面內部包含非目標樣本數據，引入松弛變量ξi和懲罰參數C，定義結構風險為：minF(R,a)=R2+CΣiξis.t||xi-a||2≤R2+ξiξi≥0(i=1,2,...,l)]]>(式7)引入拉格朗日乘子αi,βi，化簡以后得到最終的優(yōu)化問題：L(R,a,αi,βi)=R2+CΣiξi-Σiαi(R2+ξi-||xi-a||2)-Σiβiξi]]>(式8)求L關于R,a,ξi的偏導數，并取偏導數值為0，由于αi≥0,βi≥0，所以C≥αi≥0，其對偶問題表示為：L(R,a,αi,βi)=Σiαi(xi,xi)-Σi,jαiαj(xi·xj),(0≤αi≤C,Σiαi=1)]]>(式9)從對偶問題的約束條件(||xi-a||2≤R2+ξi，∑αi·(||xi-a||2-R2+ξi)＝0，C≥αi≥0)可得，當某樣本點xi滿足限制條件的不等式||xi-a||2＜R2+ξi時，相應的拉格朗日乘子為0，即αi＝0，則該樣本點為目標樣本點；當樣本點xi滿足等式||xi-a||2＝R2+ξi時，相應的拉格朗日乘子大于0，此時需要加強限制條件進行二次判斷：若xi對應的αi滿足C＞αi＞0時，則所述的樣本點xi在超球面邊界上，該樣本點xi為支持向量SV(SupportVectors)，表示正常信號；若xi對應的αi滿足C＝αi時，則所述的樣本點xi在超球體之外，表示故障信號。對于某一給定的新數據點z，新數據點z指將新的特征向量映射到特征空間后的數據，根據如下函數判別所屬類別：fSVDD(z,a,R)＝I(||z-a||2≤R2)＝I((z·z)-2∑iai(z·xi)+∑i,jaiaj(xi·xi)≤R2)(式10)其中，I為指示函數，此處的A指事件，若A為真時，則判定為正常信號，若A為假時，則判定為故障信號。另外，在上述模型中可選取徑向基函數(RadialBasisFunction，RBF)作為分類器的核函數，核函數參數s和懲罰參數C可通過遍歷法優(yōu)化選取。最后依據識別結果是故障信號還是正常信號，對滿足要求的故障信號報警。即如果判定聲發(fā)射信號為故障信號，那么對滿足預設條件的故障信號進行聲光報警，同時控制設備停止工作，以及時避免由于裂紋對整體設備所造成的損毀，或釀成安全事故的問題出現。最后所應說明的是，以上實施例僅用以說明本發(fā)明的技術方案而非限制。盡管參照實施例對本發(fā)明進行了詳細說明，本領域的普通技術人員應當理解，對本發(fā)明的技術方案進行修改或者等同替換，都不脫離本發(fā)明技術方案的精神和范圍，其均應涵蓋在本發(fā)明的權利要求范圍當中。當前第1頁1 2 3