基于神經網絡模式識別的聲發射檢測技術研究

石兆北

（陸軍航空兵學院 101123）

摘要：通過聲發射傳感器和相配套的系統，通過聲發射信號的特征來判斷結構工作狀況。材料的斷裂的每一個階段都有一定的聲發射現象，將過程與模式對應起來，選取神經網絡算法，對結構破壞階段進行模式識別，對結構的損傷階段進行預測。

關鍵詞：聲發射，三點彎曲，神經網絡，模式識別

人工神經網絡聲發射信號處理正在逐漸成為國內外聲發射研究領域的重大方向。人工神經網絡可以實現自我學習，在此基礎上進行自我改正，然后再進一步的進行組織，對同時發生的大量數據有著有效的解決方法。從而可以應對噪聲對聲發射信號的干擾現象，能夠比較準確的進行模式的識別。

本文觀察了材料在三點彎實驗中的聲發射特征，根據神經網絡的特點以及采集的聲發射時域特征信號到神經網路中各個模式的對應關系，有導師的學習的神經網絡比較適合本文的實驗，同時本文選用了當前神經網絡中成熟而高效的B-P神經網絡。

1.聲發射原理

材料在受到外力或者內力的作用時會產生開裂變形，并且以彈性波的形式釋放出能量，這種現象稱為聲發射。

在各種材料加工處理過程及最終的使用過程之中，材料的缺陷斷裂處會發出聲發射信號。信號會從斷裂處以能量波的形式不斷向外傳播，直到材料的表面。

2.三點彎聲發射實驗

此次試驗中所用的材料是45鋼，實驗所用的加載設備是UTM5105型號數字化電子萬能試驗機，萬能拉伸試驗件的配套監測儀器是NI-PXI電子化聲發射監測系統。

實驗的方法是三點彎，實驗的實際過程中并沒有出現真正的斷裂，力時間曲線后期并沒有出現理想中的下降，材料形核后面的階段區分度不明顯，模式識別存在較大誤差，故采取對前四個階段進行模式的識別。從時間上將實驗數據分為彈性變形、塑性變形、裂紋形核、裂紋拓展失穩四個模式。

實驗采取了各階段數據，提取時域特征信號后，隨著力的不斷增加進行，可以比較清晰地發現材料對應于四個階段的聲發射特征較明顯，每個階段都有不同。第一階段材料中釋放的能量較少，各參數值較??；第二階段材料內部有一定的能量釋放，信號強度相比一階段有了提高；第三階段材料內部裂紋開始形核，新的裂紋核不斷形成，能量大量釋放，信號活躍；第四個階段，小裂紋匯集為大裂紋，裂紋向前不斷擴展，材料抵抗外力能力不斷下降，聲發射信號的強度先保持較高的值，之后材料內部裂紋的急劇擴展，導致材料抵抗外力的能力急劇下降，表現為聲發射的各個參數的數值急劇下降。

實驗中，采集了含有能量、峰值、有效值電壓、幅值、計數五個參數的數據庫，總結數據，使四個階段的特征足夠明顯，取出數據庫中的80組數據以便后面的神經網絡編程中取用。

3.神經網絡

（1）構建與訓練

本文中用到的神經網絡，是B-P神經網絡，這個網絡的特點是具有反饋性，應用比較廣泛，可信度比較高，編程用的是Matlab里面的強大的庫函數，這些函數大多來自神經網絡工具箱。

隱含層數根據公式定為10，采用tansig為激勵函數，使用Levenberg—Marquadt反傳算法trainlm作為訓練函數，可以加快網絡的收斂，能大量的節省訓練學習時間，采用梯度下降動量學習算法learnbpm作為本次算法中的學習函數，精度要求為0.01，算法之中的誤差采用一般的均方誤差函數計算，學習步長為0.01，其他參數取默認值[1]。

輸入層包括上升時間、計數、能量、幅值、有效電壓5個維度，隱層采用了10個節點，輸出層有四個模式，包括彈性階段（1000），塑性階段（0100）、裂紋形核階段（0010）和裂紋拓展斷裂階段（0001）四個部分。

從斷裂開始的四個模式中選取了80組數據，其中的48組用來進行網絡的訓練，剩余的32組進行識別的驗證，48組中有每個模式中對應有12組，32組中每個模式對應有8組。

（2）模式識別

從識別結果可看出，斜體紅色為識別失敗的點。其中，前四組數據的識別輸出期望為（1000），第二組誤差較大，識別失敗，其他識別成功；中間四組數據的識別輸出期望為（0100），而第四組誤差較大，識別失敗，其他識別成功；下面四組的識別輸出期望為（0010），四組數據均在誤差范圍內，識別成功；最后四組的識別期望輸出為（0001），而第一組識別失敗，其他成功?？傮w來說，識別的正確率達到了81.25%。

識別失敗的點主要集中在前兩個階段，主要是聲發射的能量比較小，參數的值比較小，噪聲相對干擾就對較大，數據存在一定誤差，從而產生了較大的識別誤差。

3.1 部分識別結果

4.工作總結

本文研究了基于神經網絡模式識別的聲發射檢測技術。人工神經網絡可解決大量數據，由于神經網絡可以自學習，自校正，自組織，因而大大提高了聲發射信號中存在的噪聲干擾的問題，能夠比較準確地進行模式的識別及判斷聲發射源的情況，在聲發射的模式識別、損傷探測上有著較好的應用前景，目前已有一定的應用，隨著神經網絡的不斷完善，在無損檢測上可能應用更廣泛。

參考文獻：

[1] 周開利；康耀紅.神經網絡模型及其Matlab仿真程序設計[M].北京：清華大學出版社，2005.