服务与支持

业界动态

文档下载

技术与应用

线性神经网络及模态声发射在时差定位中的应用

发布日期：2017-03-02 17:43　　　浏览次数：次

1 引言

声发射是材料或结构内部局部区域在外力、内力或温度的影响下，产生塑性变形或有裂纹形成和扩展时，伴随能量迅速释放而产生的瞬态弹性波的现象。与其它无损检测技术相比，声发射技术的一大优势是能够在线，快速地确定结构中的受损位置，即声发射源定位。时差定位法是工程实践中重要的声发射源定位技术，主要根据声发射信号到达各传感器的时间、传感器阵列的布置和介质中声信号的传播速度来确定声发射源的位置[1]。时差定位精度的主要影响因素为噪声、传感器灵敏度、时间差、波速和传感器间距。通常通过设置声发射仪器的参数可以抑制噪声，但如果设置不当也会丢失部分有用信号。时差的常用测量方法有：直接测量法(门槛跨越)[2]、相关分析法[3]、小波分解法[4,5]。针对不同的条件和应用对象，应选择合适的方法获得时差。波速一般通过查手册获得或现场实测，工程手册查阅波速适用于非频散结构，对如杆、板、壳等结构声发射信号的多模态及频散特性则一般不应忽略。

神经网络具有并行分布式处理和非线性处理等特点，且具有自学习功能，有很高的容错性和鲁棒性，可以很好地解决声发射检测中噪声的影响，及人为因素和不确定因素的影响。神经网络近年来在声发射智能定位中有越来越多的应用，使用较多的是误差反向传播(BP)神经网络，并选取声发射特征参数作为网络的输入[6]。输入向量的选择直接影响网络输出的结果，声发射特征参数非常多且无选取标准，如何选取合适的特征参数成为影响网络性能的决定因素，依靠经验选取会带来人为因素的影响。BP 网络在实际训练中存在收敛速度慢且容易陷入局部极小值，网络训练的失败可能性较大。

本文通过在板结构上进行断铅声发射实验，利用采集仪器记录时差，由频散曲线确定定位用波速的值，并引入线性神经网络，以期提高定位精度。
2 理论基础
2.1 时差线定位方法
时差线定位是基本的典型定位方法[1]，其原理如图1 所示。

图1 时差线定位原理图

设声发射信号从波源到达传感器1 的时间为1 t ,到达传感器2 的时间为t2 ,其时间差为Δt=t2 -t1 。如果波速为v ,则可以确定：

其中，d 表示波源到达传感器1 的直线距离，D 表示传感器1 与传感器2 的直线距离。

2.2 模态声发射理论

模态声发射技术认为声发射信号本质上是一种频率和模态丰富的机械波，其传播规律遵循结构中弹性波传播理论。因此，声发射信号定位中，应当考虑频散及多模态特性的影响，才能获得声发射源的精确信息[7]。

1.3 线性神经网络原理

1.3.1 线性神经网络的模型

线性神经网络中的传递函数为线性函数，其输入和输出间为比例关系：

图2 线性神经网络结构

1.3.2 线性神经网络的学习规则

线性神经网络采用基于最小二乘原理的Widrow-Hoff 学习算法，首先定义线性神经网络的误差函数为：

式中，t 为目标向量，式(3)表明线性神经网络具有抛物面形的误差曲面，因此只有一个误差最小值，且该最小值取决于网络的权值、阈值和目标向量，可通过调整网络的权值阈值使误差达到最小。

沿着相对于误差平方和的最速下降方向，连续调整网络的权值和阈值，根据负梯度下降的原则，权值向量的修正值正比于当前位置上e(w, b)的负梯度。用η 表示学习速率，e(k)表示第k次循环时的训练误差，对于第i 个输出节点，可得：

学习速率的选择很关键，η 太大会导致网络稳定性的降低和训练误差的增加，η 太小会增加网络训练的时间。线性神经网络的训练过程也就是重复求解上述各式并进行迭代的过程，直到达到预定的精度时算法结束[8]。

3 实验研究

3.1 实验系统

实验系统如图3 所示。实验采用1000mm×1000mm×3mm的铝板，用Φ0.5mm的铅笔芯在铝板表面断铅来模拟声发射源。断铅实验按照Nielsen-Hsu 断铅法[1]进行，断裂铅笔芯也可以产生一个阶跃函数形式的点源力，每次断开铅芯长度为2.5mm，断铅方向与被检件表面成30o 角，以尽量保证模拟源的可重复性。信号采集系统由PAC-DISP 多通道采集系统和R15 压电传感器组成。传感器中心频率为0.15MHz，频率带宽300~500kHz，直径为17mm，在检测中视为一个点。传感器间距为300mm，以传感器1 和传感器2 连线建立坐标系，以连线中点为原点，以传感器圆心作为端点，从原点向两侧每隔10mm 做一标记，作为检测点。实验中共选取21 个检测点，均匀分布在坐标系原点两侧，在每个检测点重复做3 次断铅实验，时差取3 次结果的平均值。

图3 实验系统

3.2 实验结论与误差分析

3.2.1 断铅信号的时域及频域波形

选取在原点处所做断铅实验为例，其时域波形如图4 所示，其中图4(a)、4(b)分别为传感器1 的时域波形及其对应的频域波形，其频域波形如图5所示，图4(c)、4(d)分别为传感器2 的时域波形及其对应的频域波形。由频域波形可以看出信号频率主要分布在传感器中心响应频率附近。

图4 断铅信号时域波形

图5 断铅信号频域波形

3.2.2 环境噪声的剔除

典型声发射波的频率范围是1kHz~2MHz。低频的声发射信号易受到背景噪音(如摩擦、碰撞或工艺信号等)的干扰，这些低频的声波通常会产生伪声发射现象。通过设置声发射仪器参数，可以有效滤除环境噪声。

在搭建好的实验系统上，通过调整各通道的门槛值测试环境噪声，为保证尽可能采集有用信号，门槛值的选取应略高于环境噪声水平。本文实验中环境噪声为28dB 左右，通过反复测定，实验中采用门槛值为30dB。

此外，设置采集卡中物理带通滤波器可以降低高频噪声的干扰，根据采集到的信号频域波形，将带通滤波器设置为100~400kHz。
3.2.3 波速的确定

实验采用3mm 铝板，属于薄板结构[8]，考虑到声发射波的频散和多模态特性，利用专用Disperse软件绘制其频散曲线如图6 所示。可见，频率小于0.5MHz 时只有最低阶模态S0 和A0 存在，S0 为对称模态纵波产生的群速度频率曲线，A0 为非对称模态弯曲波产生的群速度频率曲线且S0 模态传播较快。频散曲线中传感器中心响应频率0.15MHz处对应的S0 模态速度为5388.53m/s。实验结果对比如表1 所示。将5388.53m/s 应用于定位中，由得到5 组定位实验的标准不确定度为2.18%，而使用查手册得到的纵波速度6320m/s 作为定位波速，得到不确定度为7.74%。本文采用的定位波速为5388.53m/s。

图6 群速度频散曲线

表1 不同波速定位比较

3.2.4 时差的确定

现代声发射仪的时差测量是基于各通道的触发时间，而每个通道的触发时间的测量与触发电平值的设置和仪器的时钟频率有关。目前，仪器的采样时间可精确到10−7ns以上，因而对时差测量影响不大。

由于本文实验中采用的铝板为各向同性材料，断铅所模拟声发射源为点源，传感器间距较小，这些条件符合使用直接测量时差的要求，实验结果也很精确。

3.3 定位结果误差分析

定位结果比较如表2 中所示，从表中可见，直接测量时差定位结果显然不够理想，其不确定度为1.89%。尤其在.90mm 处定位的精度仅为2.78%，无法准确判断断铅位置。期望每组实验定位精度可以达到1.66%，也就是定位误差小于检测点间隔的1/2。
表2 定位结果比较

图7 定位结果比较

针对这种情况，引入线性神经网络，利用21组时间差作为网络的输入向量p，21 组检测点位置坐标作为网络的输出向量y。通过线性神经网络的学习和训练，定位精度有了大幅度的提高。将传感器间距和波速看作定值，如表2 所示神经网络定位的不确定度为0.45%，且每组实验定位精度都小于1%，达到定位精度的预期目标。图7 中更直观地对比了21 组实验直接定位和神经网络定位的精度。

4 结论

声发射源定位是声发射检测缺陷的有效手段，时差定位是工程中应用广泛的检测方法之一[3]。本文分析了时差定位精度的影响因素，并应用模态声发射技术和神经网络技术，将时差线定位不确定度由直接定位的1.89%降至0.45%，达到了预期精度要求，实现了缺陷位于传感器之间的精确定位。

本文神经网络训练使用的数据为21 组，如果能用更多数据来训练网络，定位精度将进一步提高，但同时需要更多的训练时间。神经网络技术在声发射定位的应用前景非常广阔，不仅适用于突发声发射定位，也可应用于连续声发射定位，能够很好地解决定位精度不高的问题。

参考文献

[1] Miller Ronnie K, Mclntire Paul, et al. Nondestructive TestingHandbook (Vol.5) Acoustic Emission Testing[M]. Second edition,Columbus: American Society for Nondestructive Testing, 1987.

[2] 刘卫东, 张薇, 窦林名. 声发射定位中时差计算研究[J]. 计算机工程与科学, 2009, 31(4): 127-129.

[3] Steven M, Ziola, Michael R.Gorman. Source location in thin plates using cross-correlation[J]. Acoustical Society of America,1991, 90(5): 2552-2556.

[4] Ding Y, Reuben R L, Steel J A. A new method for waveform analysis for estimating AE wave arrival times using wavelet decomposition[J]. NDT&E International, 2004, 37(4): 279-290.

[5] Application of wavelet transform on modal acoustic emission source location in thin plates with one sensor[J]. The InternationalJournal of Pressure Vessels and Piping, 2004, 81(5): 427-431.

[6] 毛汉颖, 毛汉领, 周洁, 黄振峰. 基于BP 神经网络的涡流式水轮机裂纹声发射源定位方法[J]. 无损检测, 2006, 30(7): 426-429.

[7] Michael R. Gorman. Plate wave acoustic emission[J]. Acoustical Society of America, 1991, 90(1): 358-364.

[8] Bernard Widrow, Rodney Winter. Neural nets for adaptive filtering and adaptive pattern recognition[J]. Computer, 1988, 21(3): 25-39.

< 上一篇：炼油装置阀门内漏分析及对策

< 下一篇：超声波在陶瓷无损检测中的应用