飛機疲勞開裂聲發射波形信號的人工神經網絡模式識別方法

胡振龍，沈功田，鄔冠華，劉時風，吳占穩

（1.南昌航空大學 無損檢測技術教育部重點實驗室，南昌 330063；2.中國特種設備檢測研究院，北京 100013；3.北京聲華興業科技有限公司，北京 100029）

應用聲發射技術實現飛機疲勞裂紋萌生和擴展的監測具有重要的現實意義，已有大量文獻報道［1－4］。但是，由于目前市場上大多數聲發射儀其波形的記錄和存儲能力較弱，因此，人們對裂紋產生與否的判斷，往往更依賴于對聲發射參數信號的分析［5－7］。然而，有文獻指出，聲發射的波形信號所包含的聲發射源的信息要比參數信號豐富得多［8－9］。因此，筆者選擇北京聲華提供的SEAU2S全波形聲發射系統，通過對聲發射波形信號的分析來識別飛機疲勞裂紋的萌生和擴展。

指出［10－11］，聲發射信號的自動識別處理，可由人工神經網絡模式識別的方法來實現。然而，傳統的神經網絡方法需要確定的輸入向量和輸出向量（有導師神經網絡），即需要事先得到有代表性的裂紋缺陷的聲發射波形信號，但受噪聲干擾的影響以及試驗條件本身的制約，飛機疲勞試驗是難以實現的。因此，筆者選擇自組織特征映射（Self－Organizing Feature Map，SOM）的神經網絡算法（無導師神經網絡）對波形信號進行分類識別，最終找出了一組疑似裂紋的波形信號，并分析了其特征。

由于在疲勞試驗過程中，受飛機結構本身及周圍環境的影響，噪聲對波形信號的干擾很大，因此在使用SOM算法前，還應對采集到的波形信號進行降噪處理。

1 試驗裝置及聲發射信號的采集

試驗采用SEAU2S全波形聲發射系統全程監測飛機機翼的聲發射信號，采樣頻率為10MHz，傳感器型號為SR150，響應頻率為150kHz，其布置如圖1所示。

圖1 試驗裝置及傳感器布置

在疲勞試驗開始之前，飛機機翼經過無損檢測，未發現裂紋。因此，認定試驗初期采集到的聲發射信號均為噪聲信號（純噪聲）。在試驗中后期，發現有裂紋產生且最終斷裂。因此，認定此時傳感器采集到的信號既包含裂紋信號又包含噪聲信號。這兩組信號的提取，對SOM算法分類結果的準確性有重要的影響。

2 小波包降噪處理方法

由于疲勞試驗過程中始終存在著大幅度、寬頻帶的噪聲干擾，使得微弱的疲勞裂紋萌生、擴展的聲發射信號被湮滅。在飛機的疲勞試驗過程中，噪聲對裂紋信號的干擾，主要體現在如下兩個方面：

（1）噪聲信號較多，有用的裂紋信號占信號總數的比例較低。

（2）有用的裂紋信號中，噪聲的能量占整個波形能量的比例較高。

因此，從噪聲信號中篩選出有用的裂紋信號，面臨著如下兩大難題：

（1）有用的裂紋信號比例過低，如果簡單地認為發現裂紋的時間段內所有的信號都為裂紋信號，其做法是不嚴謹的。

（2）有用的裂紋信號中，噪聲的能量占整個波形能量的比例過大，導致原始的裂紋信號嚴重畸變，因此在主觀上難以辨別出缺陷。

根據以往經驗，噪聲的頻率雖然分布很廣，但其能量主要集中在低頻部分；裂紋信號的頻率雖然較高，但受信號衰減以及傳感器晶片頻率響應的影響，頻率過高的信號，往往衰減十分嚴重。因此，選擇合適的濾波范圍，可以降低噪聲對裂紋信號的影響，同時提高SOM算法分類的準確性。

據文獻報道，該型飛機裂紋的中心頻率主要集中在175kHz左右［12］，因此濾波方案選擇為小波包7層分解，并對其4，5，6層進行重構，最后實現了117～234kHz帶通濾波的效果。如圖2所示，小波包重構濾掉了原始信號中的低頻信號（幅值往往較大），使得濾波后的信號更加簡潔。經比較，使用濾波后的數據，SOM算法的分類結果穩定性更高、結果更可靠。

圖2 小波包降噪處理

3 SOM神經網絡模式識別方法

SOM神經網絡是1981年芬蘭學者Kohonen提出的一種競爭式神經網絡，能在學習過程中無監督地進行自組織學習，其網絡結構如圖3所示［13－14］。

圖3 SOM神經網絡結構圖

SOM神經網絡又稱“無導師”神經網絡，它與常用的“有導師”方法的最大區別在于，能根據其學習規則，對輸入模式進行自動分類，即在無教師示教的情況下，通過對輸入模式的反復學習，捕捉各個輸入模式中所含的模式特征，并對其進行自組織，在競爭層將分類結果表現出來。

基于SOM神經網絡自動分類這一特點，如果提取飛機疲勞試驗初期的信號（稱之為純噪聲集合A）與發現裂紋后某一段時間內的所有聲發射信號（稱之為裂紋集合B），如圖4所示，那么A和B有如下特點：

圖4 裂紋集合A與純噪聲集合B

（1）A為噪聲集合 A中只含有噪聲信號；考慮到噪聲的多樣性與隨機性，A中可能含有與裂紋信號類似的噪聲信號。

（2）B為裂紋集合 B中一定含有裂紋信號；B中同時含有噪聲信號。

那么，將A與B隨機混合后，在理想的情況下，SOM算法有能力將特征相似的信號自動歸為一類，分類的次數可以通過程序實現，如圖5所示（以分兩類為例）。

圖5 SOM理想的分類情況（分兩類）

但是由于SOM算法只能對信號分類，并不能真正辨別裂紋信號，因此，要對分類的結果加以判斷，還需要某些判據的支持：

（1）判據一 某分類結果中，全部信號都來自于B集合，則認定其為潛在的裂紋樣本C。

（3）判據三 為了防止誤判，認定含有B信號大于某一比例的（如80%），同樣作為潛在的裂紋樣本C。

4 聲發射信號分類結果及特征分析

4.1 SOM網絡訓練與分類結果

SOM網絡的構建通過newsom（）函數的調用來實現，其中，競爭層神經元的個數設置為6×8＝40個，其余均為默認值。隨機選取初期的2 454個波形信號作為噪聲集合A，連續選取最早發現某一裂紋時的4 416個波形信號作為裂紋集合B。將A和B隨機混合后，作為網絡的輸入，循環訓練100次，得到分類結果如表1所示。

表1 SOM分類結果統計

可見，第1，4，5，8，11類中，含有裂紋集合B中信號的比例較高，可作為潛在的裂紋樣本c1，c4，c5，c8，c11，進行頻譜特征分析。

4.2 潛在裂紋樣本的頻譜特征分析

經頻譜分析發現，5個潛在裂紋樣本中，只有c5樣本的頻譜圖有明顯的峰值，且規律性地出現在0～20kHz，20～120kHz，120～240kHz范圍內，分別稱之為第一、二、三峰值，如圖6所示。進一步統計分析發現，這三個峰值存在如下規律。

圖6 三個峰值的提取

4.2.1 峰值能量

該組波形（300個）在頻譜圖上有三個明顯的峰值（圖7中箭頭所指），其判斷依據為：該峰值的能量遠大于其頻段內的平均能量。據統計，其比值的平均值分別為4.5，4.6和5.3。

④在施工中，要對輸水管道交叉和并列靠近輸油管道的準確位置作好勘探，打好標記，采取安全保護措施，避免發生安全事故。

圖7 峰值能量與平均能量之比（300個波形）

4.2.2 峰值頻率

進一步統計發現，三個峰值出現的位置（圖8中箭頭所指）相對固定，其頻率的均值分別為13.4，46.2，168.5kHz。其 中，第 三 峰 值 出 現 在168.5kHz左右，已具有明顯的裂紋特征，且與之前的試驗數據（175.8kHz）相接近［12］。

圖8 峰值的頻率分布（300個波形）

4.2.3 三個峰值能量之比

頻譜分析發現，該組波形（300個）中，其三個峰值均為同時出現，這與其它波形有明顯的區別。因此，可以認為，這三個峰值的能量之比，是該組波形區別于其它波形的重要依據。據統計，其比值的均值分別為0.26，0.49和0.53（如圖9箭頭所指）。

4.3 三個峰值產生的原因

在大載荷作用下產生的AE信號，往往會伴隨著噪聲信號，例如碰撞、機械摩擦。因此所采集到的所謂的裂紋信號，實際上是純裂紋信號與噪聲信號的疊加，它既有裂紋信號的特征，又有噪聲信號的特征，反映在頻域波形上，表現為既有裂紋峰值，又有噪聲峰值。

圖9 峰值能量之比（300個波形）

根據Kaiser效應，同一裂紋要再一次產生AE信號，所受的載荷應該比上一次要大，即裂紋的AE信號，往往是伴隨著較大的載荷而產生的。而載荷越大，意味著低頻的機械噪聲同樣越大，這就導致了第一、二峰值的產生。第一、二峰值的頻段范圍分別是0～20kHz和20～120kHz，它可能是引起裂紋產生的大載荷，與飛機的某些結構件，相互摩擦，產生的特定頻率的AE摩擦信號。在樣本c5的300個波形中，第三峰值伴隨著第一、二峰值同時出現，這也許能解釋為：大的載荷，不僅能產生特定頻率的裂紋信號（168.5kHz），還能在低頻部分，產生比較容易識別的、頻率比較集中的、可能是由摩擦引起的噪聲信號（13.4，46.2kHz）。因此，第三峰值與第一、第二峰值的能量之比，也可以認為是識別裂紋信號的一個重要特征。該比值，也可以解釋為背景噪聲中，裂紋信號的能量所占的比例。

5 結論

（1）通過合理地選擇數據樣本以及某些判據的支持，利用SOM神經網絡的特點，可以從大量的波形信號中提取出想要的裂紋信號，且經頻譜分析證實，該方法是可行的。

（2）利用小波包分解與重構技術對聲發射的原始波形信號進行降噪處理，可以使SOM算法的分類結果更加可靠。

（3）利用SOM算法對波形數據進行分類，需要一定的計算時間，無法達到實時監測的要求。

（4）疲勞裂紋的波形信號特征（如三個峰值的頻率、能量、比值等）可以成為識別裂紋的重要依據。

（5）隨著試驗的進展，如能對疲勞裂紋的波形信號特征進行深入分析，可以開發出專用的聲發射系統，這有望實現飛機疲勞試驗的聲發射實時監測。

參考文獻：

［1］Scala C M，et al.The Development of AE for Structural Integrity Monitoring of Aircraft［Z］. ADA196364，Dec，1976.

［2］Pokorski J R，Fisher B R.Fatigue Damage Sensing Using Acoustic Emission［Z］.AD－A243803，Sept，1991.

［3］耿榮生，景鵬，雷洪.聲發射檢測與飛機疲勞試驗定壽［C］.第八屆全國聲發射學術研討會論文集.上海：中國機械工程學會無損檢測分會聲發射委員會，1999.

［4］耿榮生.飛機主結構日歷損傷的聲發射監測［C］.第八屆全國無損檢測大會暨國際無損檢測技術研討會論文集.蘇州：中國機械工程學會無損檢測分會聲發射委員會，2003.

［5］吳克勤，耿榮生，謝里陽，等.某型飛機水平尾翼疲勞試驗的聲發射實時監測［J］.東北大學學報（自然科學版），2007，28（8）：1167－1170.

［6］馮劍飛，耿榮生，鄔冠華，等.機體飛行載荷疲勞試驗中的聲發射特性分析［J］.機械工程學報，2010，46（8）：6.

［7］王丙陽，耿榮生，鄔冠華.聲發射技術在飛機主起落架疲勞試驗中的應用［J］.無損檢測，2011，33（4）：22.

［8］劉時風，耿榮生.飛機疲勞試驗聲發射裂紋監測分析［C］.中國第十一屆聲發射研討會.杭州：中國機械工程學會無損檢測分會聲發射委員會，2006.

［9］耿榮生，沈功田，劉時風.基于波形分析的聲發射信號處理技術［J］.無損檢測，2002，24（6）：257－261.

［10］沈功田，段慶儒，周裕峰，等.壓力容器聲發射信號人工神經網絡模式識別方法的研究［J］.無損檢測，2001，23（4）：144－149.

［11］羅積軍，侯素霞，徐軍，等.基于神經網絡的聲發射信號識別技術研究［J］.儀器儀表學報，2007，28（4）：678－680.

［12］王新建，吳克勤，王本志，等.聲發射在某型飛機水平尾翼半軸狀態監控中的應用［J］.中國第十一屆聲發射研討會，2006，7：90－96.

［13］LEE S H，LEE D.In－process monitoring of drilling burr formation using acoustic emission and a waveletbased artificial neural network［J］.International Journal of Production Research，2008，46（17）：4871－4888.

［14］Oliveira R de，Marques A T.Health monitoring of FRP using acoustic emission and artificial neural networks［J］.Computers and Structures，2008，86（3／5）：367－373.