金属拉深件拉深过程微裂纹AE信号特征参数的优化及状态识别

本文通过对拉深件成型状态的声发射测试,进行了拉深过程AE特征参数信号的提取。对采集到的信号进行局域波分解后提取各IMF(Intrinsic Mode Function)的能量值作为初始特征参数,应用遗传算法对初始特征参数进行优化,生成最优特征参数。采用简单的马氏距离方法,将正常状态和微裂纹状态两种质量状态下的实验数据进行计算,比较两种状态下马氏距离的大小,取其中最小判别距离对应的状态为测试样本的状态类型。研究结果说明了该方法可以有效地识别出拉深件的微裂纹AE信号,从而判断出拉深件的初始裂纹状态,实现AE信号特征参数的优化及对金属拉深件成型质量状态的识别。     

基于时序分析的拉深件成型裂纹的特征参数提取

研究金属拉深制件声发射信号特征参数的提取对判断成型制件的质量尤为重要。研究采用时序分析和MATLAB对经过小波包分解的声发射信号进行特征参数的提取。在此过程中利用时间序列的自相关系数和偏相关系数的拖尾性及截尾性来判断模型的类型;采用FPE (final prediction error,最终预测误差0029准则对模型进行定阶;以最小二乘估计法对模型的参数进行估计。最后,根据所建立的自回归谱模型提取声发射信号的特征参数。研究结果是通过此方法成功提取到了金属拉深制件声发射信号的特征参数及其分布图,为成型制件质量的判断提供了有利的依据。     

基于BP神经网络的盲均衡器设计

为构建用于某语音信号传输系统盲均衡器的BP神经网络模型,编写了基于BP神经网络的盲均衡算法伪代码,计算了算法的时间复杂度,分析了BP神经网络输入层神经元个数、隐含层神经元个数和隐含层层数对盲均衡算法性能的影响,评估了基于Sigmoid的变步长算法、基于误差补偿的变步长算法和基于误差的变步长算法对基于BP神经网络的盲均衡器性能的改进效率,据此设计了一种含双隐层结构的BP神经网络盲均衡器,并对其性能进行了数值仿真分析,明确了其适用范围,为该语音信号传输系统设计提供了技术支撑。     

基于声发射信号与BP神经网络的煤粉粒径识别研究

煤粉粒径的测量是燃煤电站一项重要的工作。针对目前筛分法存在的缺点,提出了一种结合声发射信号与BP神经网络在线识别煤粉粒径的方法。在频域中对噪声信号与煤粉声发射信号进行比较,确定了信号中反映煤粉粒径的频率区间,并利用小波包置零方法对信号进行去噪,在信噪比与信号平滑度方面比较了几种常用小波函数的去噪效果。通过功率谱分析发现了信号能量随煤粉粒径的变化特征。最后提取信号能量特征,利用BP神经网络对煤粉粒径进行识别。研究结果表明,结合声发射信号与BP神经网络识别煤粉粒径,可以获得良好的效果。     

基于EMD的胶合板损伤声发射信号特征提取及神经网络模式识别

摘要：针对胶合板损伤声发射信号的非平稳性和损伤类别特征相互重叠的实际情况,提出了基于经验模态分解(Empirical Mode Decomposition, EMD)和BP神经网络相结合的信号特征提取和识别方法。首先对损伤声发射信号进行EMD分解,筛选出包含主要信息的本征模态函数（Intrinsic Mode Function, IMF）分量;其次构建以各IMF分量的能量占比作为表征各损伤信号的特征向量;最后以提取的特征向量为输入样本,建立BP神经网络模式分类器对四类胶合板损伤信号进行识别。五层胶合板损伤的实测数据表明,该方法能够准确地提取出声发射信号特征并对其损伤类型进行有效地识别。     

金属材料声发射信号特征提取方法

试图通过对声发射信号的检测实现对水轮机转轮叶片金属疲劳裂纹的在线监测。利用美国PAC公司SAMOS声发射检测系统采集到声发射的各种参数：针对大型水轮机现场环境的情况,选用了四种声发射信号。通过BP神经网络和模式识别结合的方法,设计特征提取器来提取金属材料疲劳声发射特征信号。比较神经网络输人参数对输出结果的灵敏度,选择出一些对分类识别最有效的特征参数：并采用可分离性判据进一步验证其正确性。最后,在13个声发射特征参数中,质心频率、计数、持续时间、上升时间、平均信号电平等五个参数的特征最为显著,可以用于识别现场环境下的声发射信号。     

利用马氏距离判别法准确实现对裂纹的识别

马氏距离可以有效地对拉深件初始裂纹声发射信号进行识别,本文通过采集拉深件畚斗在不同润滑条件下声发射信号、选用Matlab软件编程对采集到的声发射信号进行局域波分解得到自适应的本征模函数分量,有效提出各组IMF的能量值组成声发射信号的特征参数,计算出无裂纹、有微裂纹和明显裂纹三种状态下的马氏距离作为标准值,通过其他组的马氏距离与标准值进行比较,准确实现对拉深件裂纹状态的识别,也反映了板料在拉深过程中摩擦性能。     

基于核主成分分析及支持向量机的水轮机叶片裂纹源定位

结合核主成分分析(KPCA)以及支持向量机对水轮机转轮叶片裂纹源的声发射信号进行定位。结果表明,利用核主成分分析提取的特征参数进行定位的精度高于原始参数的定位精度,即输入9个特征参数时,支持向量机在叶片区域的识别率为100%,在裂纹源对焊缝距离的支持向量回归分析中的最大误差为20cm。因而结合KPCA和支持向量机对复杂的大尺寸结构进行定位是一种较好的方法,既减少了输入信号的维数,又提高了定位精度。     

基于声发射理论的阀门气体内漏量化检测研究

通过理论分析和实验研究的方法,建立阀门内漏过程中气体体积泄漏率与声发射信号特征参数均方根(AERMS)量化关系。利用研制的实验平台对阀门气体内漏进行检测实验,并探讨了泄漏率、阀门类型等参数对声发射信号特征参数均方根的影响。实验表明阀门发生气体泄漏时产生的声发射特征信号参数均方根能有效反应气体体积泄漏率,且声发射检测技术对阀门泄漏率检测误差在10%以内,因此可以利用声发射技术检测阀门是否内漏并估算其泄漏率。     

局域波法在海洋平台结构声发射信号监测中的应用

摘要：将局域波用于分析导管架海洋平台模型的声发射信号,以获得声发射信号的时频特征和频率能量分布。通过局域波分解将声发射信号分解为一组基本模式分量（IMF）,对每一个IMF分量进行希尔伯特变换获得信号能量随时间频率的变化;由局域波时频谱得到边际谱,反映声发射信号的能量频率分布特征。通过分析导管架海洋平台模型模拟声发射信号,获得了特征,运用局域波分析方法监测到导管架海洋平台预制裂纹声发射信号的出现。因此,局域波法可以用于分析导管架海洋平台的声发射信号,在声发射信号处理领域将会有广阔的应用前景。     

海洋平台油气管道疲劳裂纹AE信号特征提取及识别研究

为了将声发射(AE)技术实际应用到监测海洋平台油气管道疲劳裂纹中,需要解决管道振动干扰以及疲劳裂纹AE信号有效特征提取的问题,而问题的关键在于对管道结构疲劳裂纹AE信号特征提取及识别算法的研究。在已有研究的基础上,提出了一种基于经验模态分解(EMD)为特征提取的疲劳裂纹识别方法,将管道振动干扰问题和疲劳裂纹AE信号有效特征提取问题联系在一起,对特征元素进行优化并剔除无效噪声干扰信息,通过概率神经网络(PNN)对疲劳裂纹信号进行识别。试验结果表明,PNN结合基于EMD为特征提取的疲劳裂纹识别法能够取得良好的效果,为声发射技术监测海洋平台油气管道疲劳裂纹提供了试验和理论依据。     

Cluster analysis of acoustic emission signals in pitting corrosion of low carbon steel

The pitting corrosion characteristics of low carbon steel specimens are studied by acoustic emission (AE) and electrochemical techniques, in a 3.0 wt.% NaCl solution acidified to pH 2.0. The acoustic emission signals generated by pitting corrosion are classified based on multiple acoustic emission parameters using K‐means clustering algorithm, then each classified signals are analyzed by acoustic emission parameters correlation plot and distribution with time. Furthermore, each acoustic source characteristics is extracted using Gabor wavelet transform (WT) in the time and frequency domain. An error back propagation (BP) artificial neural network (ANN) is trained according to the classified signals, so as to successfully identify the acoustic emission signals from parallel experiments. Experimental results show that the hydrogen bubble activation, oxidized film rupture and pit growth are typical acoustic emission sources in pitting corrosion process, which can be effectively classified by cluster analysis and recognized by back propagation neural network. The data gathered from laboratory tests combined with the real data from acoustic emission on‐line storage tank floor inspection can help to evaluate the bottom corrosion severity and interpreter the corrosion source, further to make the on‐site testing more reliable and reduce the risk.     

基于VMD-PNN的砂轮钝化声发射检测

在磨削加工过程中,加工刀具即砂轮会发生钝化现象,砂轮表面磨损影响加工精度和工件质量,需要及时检测并修整。磨粒的塑性变形、破碎、断裂等会产生声发射信号,能够作为精确识别砂轮钝化状态的依据,且不易被噪声干扰,因此提出一种基于变分模态分解（Variational Mode Decomposition,VMD）和概率神经网络（Probabilistic Neural Network,PNN）的砂轮钝化声发射检测方法。VMD可以将原始信号分解为多个本征模态函数（Intrinsic Mode Function,IMF）分量,筛选其中峭度较大的分量重构即得到声发射信号。声发射检测的关键是特征参数的选取,在相关研究基础上本文提出了声发射包络能量占比作为一个重要的特征参数,并选取了共5种特征参数,构建出5维特征向量数据集,输入到PNN中进行训练,经过测试识别准确度达到94.5%。该方法建立了声发射信号特征参数与砂轮不同钝化状态的关系,能够对砂轮严重钝化状态给出准确预警,具有实际应用价值。文章比较了声发射信号不同特征参数用于识别砂轮钝化状态的准确度,对特征参数的选用具有参考意义。     

Quantitative methods for structural health management using in situ acoustic emission monitoring

This paper presents an end-to-end approach for structural health management using acoustic emission (AE) monitoring. Three quantitative methods are proposed to utilize the information obtained from in situ AE monitoring to improve structural integrity assessment. Fatigue crack growth tests with real-time acoustic emissions monitoring are conducted on CT specimens made of 7075-T6 aluminum. Proper filtration of the resulting AE signals reveals a log-linear relationship between fracture parameters (e.g. crack growth rate) and select AE features; a flexible statistical model is developed to describe the relationship between these parameters. Bayesian inference is used to estimate the model parameters from experimental data. The model is then used to calculate two important quantities that can be used for structural health management: (a) an AE-based instantaneous damage severity index, and (b) an AE-based estimate of the crack size distribution at a given point in time, assuming a known initial crack size distribution. Finally, recursive Bayesian estimation is used for online integration of the structural health assessment information obtained from AE monitoring, with crack size estimates obtained from empirical crack growth model. The data used in Bayesian updating includes observed crack sizes and/or crack growth rate observations.     

新型木塑材料缺陷及损伤的声发射信号分析

综合新型木塑复合材料各类模式试样、源定位及信号的波形、常规参数、频谱、小波包最优树叶子节点能量谱等特征,对主损伤区附近的声发射事件,应用频谱分析和小波变换等信号处理手段提取特征参数,确定不同缺陷及损伤模式所对应的声发射特征信号,为日后进行神经网络模式识别奠定基础。由于新型木塑复合材料的声发射研究刚刚起步,对该材料的声发射特征还有待进一步的分析,常常需要借鉴其它复合材料的声发射检测结果,这势必会带来一定的局限性及适用性问题。对新型木塑复合材料的声发射参数的定量化还有待于大量实验数据的积累和归纳分析。     

Acoustic Emission Monitoring and Microscopic Investigation of Cracks in ERCuNi Cladding

A corrosion resistant CuNi cladding was deposited on SM45C (equivalent to AISI1045) substrate by DC inverse arc welding. During the welding process, a three channel acoustic emission (AE) monitoring system was applied to detect the crack signals generating from both the cladding process and after cladding. Characteristics of the welding crack signal and noise signal had been analyzed systematically. Based on the record time of the signal, the solidification crack and delayed crack were distinguished. By two-dimensional AE source location, the crack position was located,and then investigated by scanning electron microscopy (SEM). Results showed that the AE system could detect the welding crack with high sensitivity and the two-dimensional source location could accurately determine the crack position. Microstructures of the cladding and heat affected zone (HAZ) were examined. Dendrites in the cladding and coarse grains in the HAZ were found.