摘要:针对木塑材料五种典型的缺陷及损伤机制,构建了基于Simulink的材料缺陷及损伤模式识别系统,对采集到的声发射信号进行快速、准确识别。系统应用小波变换提取特征参数,确定五类主要损伤机制所对应的声发射信号特征,设计了一个三层BP神经网络模型作为模式分类器,对五类声发射信号进行识别。实验仿真显示识别效果优良。
1引言
声发射技术作为一种动态无损检测技术, 是检测材料损伤的有力工具, 也是对无法目测的材料内部结构状态进行动态监测的重要方法。但在应用该技术过程中,对被检材料的损伤模式进行有效识别是公认的难题。木塑材料是一种新型的复合材料,经高温、挤压、成型等工艺制成的复合型材存在五种典型的缺陷及损伤机制,即:纤维断裂、基材开裂、界面分离、界面摩擦和空洞。每一种缺陷及损伤均对应于可测的声发射源,有不同模式的声发射信号与之对应。
小波分析是提取波形特征信息的重要手段, 具有同时在时域和频域表征信号局部特征的能力。近年来,小波分析开始应用于声发射领域的研究,并取得了一定进展。同时,人工神经网络模式识别对数据量多、特征复杂的信号可提供自动分类能力。Simulink 仿真环境通过图形界面可以方便的搭建模块化的仿真模型,仿真参数的设置与修改很灵活,仿真结果可以直观的通过图形显示,还能监视系统中各个环节的信号,便于分析问题产生的原因。
本文组合应用小波分析及特征量提取、人工神经网络和Simulink 等技术, 构建了基于 Simulink 的木塑材料声发射信号模式识别系统。
2小波分解及提取特征量模型
木塑材料的每一种缺陷或损伤状态均对应着某一类声发射信号。将声发射信号进行小波包分解,得到各叶子能量占信号总能量的比值, 并以此作为声发射信号的特征量。本文选择Coifman 系列小波中的 coif4 作为正交小波包的小波函数, 对采集到的声发射信号进行5 层小波包分解(共32 个数据),以此作为人工神经网络模式识别的一个输入。利用Simulink 的 SignalProcessing 模块库建立小波分解及提取特征量模型, 如图1 所示。模型首先采用 From File 模块引入声发射信号(.mat 格式),并通过Frame Status Conversion 模块指定信号的帧状态,然后利用Dyadic Synthesis Filter Bank 模块构建小波分解模型 , 再采用Matrix Square 模块、Sum 模块和Product 模块计算各个叶子的能量以及能量比,最后应用Display 模块将能量比显示。
3 BP神经网络模式识别模型
声发射信号模式识别的BP网络结构如图2 所示。本文设计一个三层BP 神经网络, 其中输入层为声发射信号的特征值,隐含层为数据处理单元,输出层为待测声发射信号的类别。输入层节点数j=32,Pj为输入层节点的输入,隐含层神经元数目i=38,w1ij为连接权值,b1i为节点阈值,a1i为隐含层节点的输出, 输出层节点数 k=3,w2ki为连接权值,b2k为节点阈值,a2k为输出层节点的输出;隐含层采用双曲正切S 型激活函数,输出层采用对数S 型激活函数;初始权值取(-1,1)之间的随机数;学习率η=0.3;采用附加动量的权值修正,权值调节的动量因子 mc=0.95;网络实际输出和目标输出的最小期望均方误差定为mse=0.001。
应用基于叶子能量分布提取的35 组声发射信号特征值作为BP网络的训练样本。样本中包含:纤维断裂7 组、界面分离7组、基材开裂 7 组、空洞7 组和界面摩擦7 组。首先在matlab 环境下编写程序设计BP 网络,网络在经过100000 次训练后达到预期的最小期望误差;此后对训练好的网络提取权值和阈值,并将其作为BP 网络Simulink 模型的权值和阈值参数; 最后利用Simulink 的Signal Processing 模块库和Neural Network Blockset模块库建立BP 神经网络Simulink 模式识别模型。建立的模式识别模型如图3 所示。模型首先将小波分解及特征量提取模型的输出作为BP 模块的输入, 之后采用DSP Constant 模块、Dot-prod 模块、Netsum 模块、Tansig 模块和Sum 模块构建BP 模块,最后使用Display 模块将BP 模块输出层的值显示。
4仿真实验
4.1 信号采集
采用岛津万能力学实验仪AG-10TA 对木塑材料进行三点弯曲加载试验,加载的同时应用美国PAC 公司的PCI-2 声发射采集系统实时采集声发射信号。结合受压材料断面的金相观察,得出木塑材料的缺陷及损伤的五种类型:纤维断裂、界面分离、基材开裂、空洞和界面摩擦。
4.2 仿真分析
首先利用系统对训练样本数据进行识别, 识别正确率达到100%,表明该网络能够按给定的输入输出正确建模。为检验系统的范化能力,用该系统对20 组测试样本进行识别,测试结果如表1 所示。表1 一共给出20 组测试样本,成功识别出20 组,表明该人工神经网络的范化能力较高, 可达到自动识别声发射信号类别的目标。
5结论
本文构建了一个基于Simulink 的木塑材料声发射信号模式识别系统。该系统应用小波变换提取特征量,应用 BP 神经网络识别信号类型。实验仿真表明,该系统能够快速、准确地识别木塑材料声发射信号缺陷及损伤的类型。
本文作者创新点: 对被检材料的损伤模式进行有效识别是无损检测技术在工程应用中普遍存在的难题。本文构建的木塑材料声发射信号模式识别模型能够快速、高效地识别木塑材料典型的缺陷和损伤,与传统方法相比,精度较高,实验手段便捷。
参考文献
[1]沈功田,戴光,刘时风.中国声发射检测技术进展———学会成立25周年纪念[J].无损检测, 2003,(06):320-307.
[2]殷冬萌,王军,刘云飞.木塑复合材料缺陷及损伤的声发射信号特征分析及神经网络模式识别[J].应用声学,2007,(06):352-356.
[3]田增国,陈翠梅.基于小波分析的声发射信号处理[J].工业安全与环保,2002,28(8):26-27
[4]张平,施克仁,耿荣生等.小波变换在声发射检测中的应用[J].无损检测,2002,24(10):436-442.
[5]黎丽苗.基于小波理论的信号分析研究[J].微计算机信息,2008,3-1:281-281
[6]闻新,周露,王丹力,熊晓英.MATLAB神经网络应用设计[M].北京:科学出版社,2000:207-243
[7]易若翔,刘时风,耿荣生等.人工神经网络在声发射检测中的应用[J].无损检测,2002,24(11):488-491.
[8]黄永安,马路,刘慧敏.MATLAB 7.0/Simulink 6.0建模仿真开发与高级工程应用[M].北京:清华大学出版社,2005.12:310-322.
作者简介:袁哲(1983-),男,山东人,硕士研究生,研究方向:测试技术及信号处理; 刘云飞(1962-),男,江苏人,博士,教授,研究方向:信号处理。(210037江苏南京 南京林业大学信息科学技术学院)袁 哲刘云飞 殷冬萌
通讯地址:(210037南京 南京林 业大学信息科学技 术学院)刘云飞
