BP神經(jīng)網(wǎng)絡(luò)在風(fēng)電塔筒裂紋AE源定位中的應(yīng)用

張鵬林，常 海，楊 杰，劉志濤

（1.蘭州理工大學(xué) 省部共建有色金屬先進(jìn)加工與再利用國家重點(diǎn)實(shí)驗(yàn)室，甘肅 蘭州 730050；2.蘭州理工大學(xué)材料科學(xué)與工程學(xué)院，甘肅 蘭州 730050）

BP神經(jīng)網(wǎng)絡(luò)在風(fēng)電塔筒裂紋AE源定位中的應(yīng)用

張鵬林1，常 海2，楊 杰1，劉志濤1

（1.蘭州理工大學(xué) 省部共建有色金屬先進(jìn)加工與再利用國家重點(diǎn)實(shí)驗(yàn)室，甘肅 蘭州 730050；2.蘭州理工大學(xué)材料科學(xué)與工程學(xué)院，甘肅 蘭州 730050）

針對常規(guī)無損檢測方法難以對在役風(fēng)電塔筒進(jìn)行實(shí)時(shí)監(jiān)測及檢測效率低等問題，為實(shí)現(xiàn)在役風(fēng)電塔筒的在線監(jiān)測和塔筒裂紋源的定位。該文提出一種聲發(fā)射檢測技術(shù)與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的智能定位方法，研究聲發(fā)射傳感器分布對智能定位輸出結(jié)果的影響。研究結(jié)果表明：該方法可有效解決風(fēng)電塔筒裂紋聲發(fā)射源的定位問題，為在役風(fēng)電塔筒運(yùn)行過程中的實(shí)時(shí)在線監(jiān)測提供可靠依據(jù)；對于焊接結(jié)構(gòu)對稱且具有多條環(huán)焊縫的風(fēng)電塔筒，聲發(fā)射傳感器的分布位置應(yīng)避開塔筒構(gòu)件的對稱位置，以此提高智能定位輸出結(jié)果的準(zhǔn)確性，為在役風(fēng)電塔筒檢測時(shí)聲發(fā)射傳感器的合理、有效布置提供參考。

聲發(fā)射檢測；風(fēng)電塔筒；神經(jīng)網(wǎng)絡(luò)；AE源定位

0 引 言

風(fēng)電塔筒作為風(fēng)電機(jī)組的主要支撐設(shè)備，將機(jī)艙和葉片托舉到所需的高度來獲取足夠的風(fēng)能，以此來保證風(fēng)機(jī)的正常運(yùn)轉(zhuǎn)。由于風(fēng)電機(jī)組運(yùn)行的外部環(huán)境較為惡劣，塔筒長期承受風(fēng)載荷、塔筒自重、機(jī)艙和葉片的重力以及高空葉片旋轉(zhuǎn)所產(chǎn)生的周期性激勵，使得風(fēng)電塔筒某些區(qū)域易出現(xiàn)疲勞裂紋，從而導(dǎo)致其結(jié)構(gòu)失效，嚴(yán)重威脅著風(fēng)電機(jī)組的運(yùn)轉(zhuǎn)安全[1]。聲發(fā)射（acoustic emission，AE）是指材料或構(gòu)件內(nèi)部局部位置在外力和內(nèi)力作用下，產(chǎn)生變形或有裂紋形成時(shí)，所釋放出的瞬時(shí)彈性波現(xiàn)象[2]。對于在役風(fēng)電塔筒而言，在復(fù)雜的受力狀態(tài)下產(chǎn)生裂紋時(shí)，常常伴隨有聲發(fā)射現(xiàn)象，利用聲發(fā)射技術(shù)對在役風(fēng)電塔筒裂紋的產(chǎn)生和發(fā)展過程進(jìn)行在線動態(tài)監(jiān)測，可以對裂紋產(chǎn)生的聲發(fā)射源進(jìn)行有效定位[3]。

目前，對在役風(fēng)電塔筒的實(shí)時(shí)在線監(jiān)測在國內(nèi)尚屬空白。由于風(fēng)電塔筒構(gòu)件體型較大，常規(guī)的無損檢測方法因其自身的局限性，只能對塔筒的關(guān)鍵部位進(jìn)行定期檢測，很難對其進(jìn)行大面積的實(shí)時(shí)檢測。而且，常規(guī)的檢測方法對塔筒這種大型構(gòu)件檢測時(shí)，必須在其停機(jī)的情況下進(jìn)行，且檢測成本較高。

近年來，隨著聲發(fā)射檢測技術(shù)的發(fā)展，國內(nèi)外學(xué)者對聲發(fā)射源的定位進(jìn)行了深入研究。盡管研究領(lǐng)域各不相同，但其對聲發(fā)射源的定位方法基本一致，主要包含時(shí)差定位和區(qū)域定位。時(shí)差定位是指同一聲發(fā)射源所發(fā)出的AE信號到達(dá)不同傳感器的時(shí)間差，經(jīng)波速、傳感器間距參數(shù)的測量與算數(shù)運(yùn)算，能夠確定AE源的坐標(biāo)和位置的方法[4]。但是，時(shí)差定位很容易丟失一些低幅度的信號，且波速、衰減、波形、構(gòu)件的形狀等易變量對AE信號定位的準(zhǔn)確性又有很大影響，因而，在實(shí)際應(yīng)用中很難得到滿意的結(jié)果。雖然區(qū)域定位簡便、速度較快，但其定位粗略。而神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)具有并行分析和自適應(yīng)的能力，具有較高的容錯能力和學(xué)習(xí)能力。

針對上述現(xiàn)狀，并結(jié)合風(fēng)電塔筒的結(jié)構(gòu)及易產(chǎn)生裂紋的部位，本文提出一種將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于在役風(fēng)電塔筒裂紋聲發(fā)射源定位的方法，并通過模擬試驗(yàn)驗(yàn)證了該定位方法的可行性。

1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是眾多神經(jīng)網(wǎng)絡(luò)模型中應(yīng)用最廣泛的一種，它是一類具有三層或三層以上的神經(jīng)網(wǎng)絡(luò)，由輸入層、隱含層（一層及以上）和輸出層構(gòu)成，其網(wǎng)絡(luò)模型如圖1所示。

BP神經(jīng)網(wǎng)絡(luò)又被稱為誤差逆向傳播神經(jīng)網(wǎng)絡(luò)，其學(xué)習(xí)過程包括正向傳播和逆向傳播。當(dāng)對一學(xué)習(xí)樣本提供網(wǎng)絡(luò)后，網(wǎng)絡(luò)間以前饋的方式進(jìn)行正向傳播，得到隱含層與輸出層的輸出。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

隱含層輸出：

輸出層輸出：

式中：wij、νjt——輸入層至隱含層、隱含層至輸出層的連接權(quán)值；

θj、γt——隱含層和輸出層各單元的輸出閥值；

f——傳遞函數(shù)，連接權(quán)值wij、νjt和輸出閥值θj、γt的取值為區(qū)間（-1,1）內(nèi)的隨機(jī)數(shù)。

給定一組測試輸入樣本 Pk=（x1，x2，…，xn），神經(jīng)網(wǎng)絡(luò)按式（1）和式（2）計(jì)算得到實(shí)際輸出 Ct=（y1，y2，…，ym）。利用網(wǎng)絡(luò)的實(shí)際輸出 Ct=（y1，y2，…，ym）與目標(biāo)樣本 Tk=（s1，s2，…，sm）計(jì)算出網(wǎng)絡(luò)誤差 E，本文中定義誤差E的計(jì)算公式為

如果誤差E大于預(yù)先設(shè)定的極小值，網(wǎng)絡(luò)按逆向傳播。在返回的過程中，為了減少目標(biāo)輸出與實(shí)際誤差的差值，網(wǎng)絡(luò)會逐層修正各個(gè)神經(jīng)元連接的閥值和權(quán)值[5-6]，直到網(wǎng)絡(luò)收斂，并滿足精確度要求為止。

其中，i、t=1，2，…，m；α、β 為修正量因子，取值區(qū)間在（0，1）；dt為輸出層各單元的一般化誤差，取為dt=（yt-ct）·ct（1-ct）；ej為隱含層各單元的一般化誤差，取為

在此過程中，隨著這種逆向誤差傳播修正的不斷進(jìn)行，神經(jīng)網(wǎng)絡(luò)對輸入樣本響應(yīng)的正確率也會不斷上升。本實(shí)驗(yàn)采用BP神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)塔筒裂紋源定位的流程，如圖2所示。

圖2 神經(jīng)網(wǎng)絡(luò)定位流程圖

2 實(shí)驗(yàn)方案與衰減分析

2.1 裂紋聲發(fā)射源信號采集實(shí)驗(yàn)方案

依據(jù)在役風(fēng)電機(jī)組運(yùn)行過程中塔筒復(fù)雜的載荷分布及焊縫裂紋的產(chǎn)生部位，為了能夠采集到實(shí)際工況下的裂紋源信號，對其進(jìn)行定位，本實(shí)驗(yàn)以酒泉水電四局在建的3WM風(fēng)電機(jī)組的下段塔筒為實(shí)驗(yàn)平臺，實(shí)驗(yàn)中采用斷鉛法模擬塔筒裂紋聲發(fā)射源信號的產(chǎn)生（即：以30°角，在塔筒環(huán)焊縫及法蘭上折斷φ0.5mmHB型鉛筆進(jìn)行斷鉛試驗(yàn)）。此外，在該平臺上進(jìn)行了塔筒衰減特性的研究。根據(jù)風(fēng)電塔筒裂紋產(chǎn)生的部位及衰減特性，以相鄰傳感器的中點(diǎn)為斷鉛點(diǎn)，依次在每個(gè)環(huán)焊縫上確定了3個(gè)斷鉛點(diǎn)，具體的斷鉛位置如圖3所示。

圖3 斷鉛點(diǎn)位置

1）第3環(huán)焊縫（距塔筒底部法蘭7.6m處，距傳感器分布位置10mm）。

2）第4環(huán)焊縫（距塔筒底部法蘭10 m處，距傳感器分布位置2.41m）。

3）第5環(huán)焊縫（距塔筒底部法蘭12.4m處，距傳感器分布位置4.81m）。

4）塔筒上端法蘭（距塔筒底部法蘭14.6m處，距傳感器分布位置7.21m）。

風(fēng)電塔筒由上、中、下三段組成，各段使用Q345E鋼經(jīng)卷制焊接而成，且段與段之間采用法蘭進(jìn)行連接。因此，塔筒呈軸對稱結(jié)構(gòu)，且具有多條環(huán)焊縫。通過對塔筒倒塌事故和受力分析，結(jié)果發(fā)現(xiàn)，引起塔筒倒塌的主要缺陷為疲勞裂紋，且多位于塔筒中部以上的環(huán)焊縫和法蘭。所以，3個(gè)傳感器依次分布在距塔筒第3條焊縫10 mm的圓環(huán)上，相鄰傳感器之間的夾角為120°（見圖4），采用北京聲華興業(yè)科技有限公司生產(chǎn)的SAEU2S聲發(fā)儀采集裂紋源聲發(fā)射信號，傳感器采用SR150N型諧振式傳感器，前置放大器選用PAI寬帶型放大器。

圖4 傳感器分布

2.2 塔筒聲發(fā)射源信號衰減特征

為提高神經(jīng)網(wǎng)絡(luò)對塔筒裂紋源定位的精確度，對塔筒環(huán)焊縫進(jìn)行了聲發(fā)射信號的衰減研究和AE傳感器分布位置的優(yōu)化，衰減特性曲線如圖5、圖6所示。通過前期研究發(fā)現(xiàn)，聲發(fā)射信號在塔筒中的傳播距離約8m，未經(jīng)過第3條焊縫時(shí)，AE的幅值、能量及RMS等特征值呈下降趨勢，而上升計(jì)數(shù)呈上升趨勢，符合其衰減規(guī)律。但是，隨著AE信號經(jīng)過環(huán)焊縫條數(shù)的增多，信號的波形在傳播過程中發(fā)生了轉(zhuǎn)換，使其特征參數(shù)發(fā)生突變，導(dǎo)致突變結(jié)果呈無規(guī)律性，這種變化會使得裂紋源定位不準(zhǔn)確。研究過程中，為了避免AE信號波形轉(zhuǎn)換對BP神經(jīng)網(wǎng)絡(luò)定位的影響，并結(jié)合塔筒產(chǎn)生裂紋的部位，故將AE傳感器布置于第3環(huán)焊縫處。

圖5 幅值、能量衰減特征曲線

圖6 上升計(jì)數(shù)、RMS衰減特征曲線

對于結(jié)構(gòu)高度對稱的風(fēng)電塔筒，由于其對稱性，會使對稱部位產(chǎn)生的AE信號的特征值存在相似性，導(dǎo)致對裂紋源定位的精準(zhǔn)度產(chǎn)生影響。因此，單組AE傳感器不能對其整段進(jìn)行檢測，且AE傳感器應(yīng)避免布置在風(fēng)電塔筒對稱處的環(huán)焊縫上。

3 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)與分析

3.1 初始值的選取

由于神經(jīng)網(wǎng)絡(luò)劃分的區(qū)域呈現(xiàn)非線性，初始值的選取對于網(wǎng)絡(luò)的訓(xùn)練和學(xué)習(xí)是否能夠達(dá)到局部最小和收斂影響很大[7]。所以，在初始值的選取時(shí)，需要考慮其在輸入累加時(shí)使各個(gè)神經(jīng)元的狀態(tài)值接近于零值，權(quán)值與閥值一般是隨機(jī)選取，取值范圍一般在[0，1][8]。

3.2 輸入層的設(shè)計(jì)

輸入神經(jīng)元特征參數(shù)的選取會對輸出結(jié)果產(chǎn)生較大的影響。由于采集到聲發(fā)射信號的特征參量較多，AE特征參數(shù)的選取成為難點(diǎn)。此外，聲發(fā)射特征參數(shù)合理、有效地選取對神經(jīng)網(wǎng)絡(luò)的優(yōu)化和輸出結(jié)果的準(zhǔn)確性影響很大。

根據(jù)采集數(shù)據(jù)的表示方式和前期的實(shí)驗(yàn)結(jié)果，以及大量的相關(guān)文獻(xiàn)可知，AE參數(shù)中的幅值、振鈴計(jì)數(shù)、持續(xù)時(shí)間、能量、RMS和ASL 6個(gè)參數(shù)組合的相關(guān)性較好[9]，且網(wǎng)絡(luò)的定位結(jié)果較為準(zhǔn)確。因此，在此次網(wǎng)絡(luò)的智能定位中分別選取了3個(gè)AE傳感器的6個(gè)特征參數(shù)做為BP神經(jīng)網(wǎng)絡(luò)輸入層的神經(jīng)元個(gè)數(shù)。由于初始值的設(shè)定是0～1之間的小數(shù)，與原始數(shù)據(jù)特征參數(shù)之間相差懸殊，如果直接使用，測量數(shù)值較大的波動性會使網(wǎng)絡(luò)的訓(xùn)練及學(xué)習(xí)時(shí)間延長、速度減慢，壟斷了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，使得較小變化值的變化不能被反映，因此需要對輸入樣本進(jìn)行歸一化處理，使其變化范圍在[0，1]，從而使那些較大的輸入值可以落在傳遞函數(shù)梯度大的地方[10-11]。歸一化后的輸入樣本如表1所示 （篇幅所限僅以1個(gè)傳感器數(shù)據(jù)為例）。

表1 BP神經(jīng)網(wǎng)絡(luò)定位的輸入樣本

3.3 隱含層的設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，對于任何在其閉區(qū)間內(nèi)的一個(gè)連續(xù)函數(shù)都可以用單隱含層的BP網(wǎng)絡(luò)來逼近，因此三層BP網(wǎng)絡(luò)就可以完成任意的n維到m維的映射[12-13]。所以本次研究采用的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為三層神經(jīng)網(wǎng)絡(luò)。

隱含層神經(jīng)元數(shù)目的選擇是一個(gè)復(fù)雜的問題，在理論上沒有較為明確的計(jì)算公式，它的確定需要根據(jù)設(shè)計(jì)者的經(jīng)驗(yàn)和多次實(shí)驗(yàn)來確定。在本實(shí)驗(yàn)中，通過采用增加隱含層神經(jīng)元個(gè)數(shù)的方法，探討輸出結(jié)果誤差的變化，以確定最佳的隱含層神經(jīng)元個(gè)數(shù)。本實(shí)驗(yàn)中輸入單元數(shù)為6個(gè)，輸出層神經(jīng)元數(shù)為4個(gè)。根據(jù)經(jīng)驗(yàn)式（5）可以計(jì)算出，隱含層神經(jīng)元個(gè)數(shù)的取值范圍是[4，14]之間的常數(shù)。實(shí)驗(yàn)設(shè)計(jì)一個(gè)隱含層神經(jīng)元個(gè)數(shù)可變的BP神經(jīng)網(wǎng)絡(luò)，通過對輸出誤差的對比分析，確定了最佳的隱含層神經(jīng)元個(gè)數(shù)，并且發(fā)現(xiàn)隱含層神經(jīng)元個(gè)數(shù)對網(wǎng)絡(luò)性能具有很大影響。以網(wǎng)絡(luò)輸出結(jié)果均方誤差作為考察指標(biāo)，當(dāng)隱含層個(gè)數(shù)為12時(shí)，網(wǎng)絡(luò)的誤差最小，準(zhǔn)確率最高，因此確定隱含層單元數(shù)為12個(gè)。經(jīng)驗(yàn)公式如下：

式中：M——輸出神經(jīng)元個(gè)數(shù)；

N——輸入單元個(gè)數(shù)；

a——[0，10]之間的常數(shù)。

3.4 輸出層的設(shè)計(jì)

為了對風(fēng)電塔筒焊縫裂紋進(jìn)行準(zhǔn)確定位，將定位輸出設(shè)置為第3環(huán)焊縫、第4環(huán)焊縫、第5環(huán)焊縫和上端法蘭4個(gè)部位。BP神經(jīng)網(wǎng)絡(luò)的輸出向量如表2所示。

表2 BP神經(jīng)網(wǎng)絡(luò)的期望輸出向量

3.5 網(wǎng)絡(luò)的訓(xùn)練與測試

網(wǎng)絡(luò)的訓(xùn)練過程是一個(gè)不斷修正權(quán)值和閥值的過程，通過調(diào)整使得網(wǎng)絡(luò)的輸出誤差達(dá)到最小，以滿足實(shí)際應(yīng)用的需求[14]。由于三層神經(jīng)網(wǎng)絡(luò)就可以很好地解決風(fēng)電塔筒裂紋源的定位問題，所以此次實(shí)驗(yàn)采用三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，網(wǎng)絡(luò)的學(xué)習(xí)與訓(xùn)練采用Matlab 7.0神經(jīng)網(wǎng)絡(luò)工具箱來完成。

由于網(wǎng)絡(luò)輸入向量為歸一化數(shù)值，其范圍在[0，1]之間，因此采用S型正切函數(shù)tansing和對數(shù)函數(shù)logsig，分別作為神經(jīng)網(wǎng)絡(luò)中隱含層神經(jīng)元和輸出層神經(jīng)元的傳遞函數(shù)，這是由于輸出模式為0～1，正好滿足網(wǎng)絡(luò)的輸出要求[15-16]。

訓(xùn)練函數(shù)trainlm采用收斂速度較快的Levenberg-Marquardt反傳算法對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練。學(xué)習(xí)函數(shù)采用learngdm函數(shù)，該函數(shù)為梯度下降動量學(xué)習(xí)函數(shù)。性能函數(shù)采用均方誤差（MSE）函數(shù)，來計(jì)算網(wǎng)絡(luò)的誤差。BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置如表3所示。通過正交實(shí)驗(yàn)和誤差分析，確定出網(wǎng)絡(luò)的最佳訓(xùn)練參數(shù)，訓(xùn)練參數(shù)如表4所示。網(wǎng)絡(luò)的學(xué)習(xí)速率為0.001時(shí)，經(jīng)過1000次訓(xùn)練后BP網(wǎng)絡(luò)對函數(shù)的逼近效果最好，網(wǎng)絡(luò)輸出結(jié)果的誤差最小，而且網(wǎng)絡(luò)經(jīng)過296次訓(xùn)練就達(dá)到了目標(biāo)誤差0.001，訓(xùn)練誤差曲線如圖7所示。

表3 BP神經(jīng)網(wǎng)絡(luò)參數(shù)

表4 訓(xùn)練參數(shù)

圖7 網(wǎng)絡(luò)訓(xùn)練的誤差曲線

BP神經(jīng)網(wǎng)絡(luò)經(jīng)上述設(shè)置訓(xùn)練結(jié)束后，從不同位置產(chǎn)生的裂紋源AE信號中，隨機(jī)選擇100組特征數(shù)據(jù)作為測試樣本，輸入測試樣本見表5（篇幅所限僅以8組數(shù)據(jù)為例），經(jīng)測試可得到BP網(wǎng)絡(luò)實(shí)際輸出向量如表6所示。通過對BP神經(jīng)網(wǎng)絡(luò)實(shí)際輸出與期望輸出的比較，按照歐式范數(shù)理論，這8次測試結(jié)果的誤差分別為 0.0023，0.0000，0.0098，0.0023，0.0006，0.0002，0.0000，0.0050，其誤差均非常小，且在這100次測試的實(shí)際輸出結(jié)果中有5組與期望輸出不同，正確率接近95%。由此可見，將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于在役風(fēng)電塔筒裂紋源的定位具有可行性，能夠滿足其對裂紋源的定位要求。

表5 BP神經(jīng)網(wǎng)絡(luò)的測試樣本

表6 BP神經(jīng)網(wǎng)絡(luò)實(shí)際輸出向量

4 結(jié)束語

通過對風(fēng)電塔筒進(jìn)行斷鉛模擬聲發(fā)射裂紋源信號和衰減研究，并結(jié)合風(fēng)電塔筒的結(jié)構(gòu)及裂紋產(chǎn)生的部位，本文提出一種基于BP神經(jīng)網(wǎng)絡(luò)的塔筒缺陷聲發(fā)射源的智能定位方法，研究表明：

1）該方法實(shí)現(xiàn)了塔筒聲發(fā)射源信號特征參數(shù)與缺陷部位非線性映射的一一對應(yīng)關(guān)系，并通過模擬試驗(yàn)驗(yàn)證了該方法的可行性和準(zhǔn)確性，為在役風(fēng)電塔筒的實(shí)時(shí)在線監(jiān)測提供了依據(jù)。

2）通過該方法與常規(guī)檢測方法的結(jié)合，可以有效地提高聲發(fā)射檢測技術(shù)對于在役風(fēng)電塔筒的檢測效率，降低其檢測成本，避免在役風(fēng)電塔筒倒塌事故的發(fā)生。

3）對于高度對稱的焊接結(jié)構(gòu)件，若要對其運(yùn)行過程中產(chǎn)生的聲發(fā)射源進(jìn)行定位，提高智能定位的準(zhǔn)確性，AE傳感器的布置應(yīng)避免分布在焊接結(jié)構(gòu)件的對稱中心位置處，這也為塔筒傳感器合理、有效的布置提供了一種優(yōu)化方法。

4）由于BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和記憶具有不穩(wěn)定性，隨著樣本的增加，網(wǎng)絡(luò)的訓(xùn)練需要從零開始，因此，如何使網(wǎng)絡(luò)的學(xué)習(xí)和記憶性能達(dá)到穩(wěn)定，還需要更為深入的研究。

[1]張鵬林，桑遠(yuǎn)，趙志強(qiáng)，等.聲發(fā)射技術(shù)在Q345E鋼拉伸損傷破壞中的應(yīng)用研究[J].甘肅科學(xué)學(xué)報(bào)，2015，27（2）：83-87，133.

[2]周杰，毛漢領(lǐng)，黃振峰，等.金屬疲勞斷裂的聲發(fā)射檢測技術(shù)[J].中國檢測，2007，20（3）：7-9.

[3]單珂.基于聲發(fā)射技術(shù)的風(fēng)機(jī)葉片材料裂紋損傷的識別研究[D].南京：南京航空航天大學(xué)，2015.

[4]沈功田，耿榮生，劉時(shí)風(fēng).聲發(fā)射源定位技術(shù)[J].無損檢測，2002，24（3）：114-117.

[5]賈振元，馬建偉，劉巍，等.多幾何要素影響下液壓閥件特性的混合神經(jīng)網(wǎng)絡(luò)預(yù)測模型[J].機(jī)械工程學(xué)報(bào)，2010，16（2）：126-131.

[6]王光研.基于RBF神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診斷[D].北京：北京信息科技大學(xué)，2007.

[7]劉勝，方亮，葛亞明，等.基于神經(jīng)網(wǎng)絡(luò)的襟翼舵升力系數(shù)預(yù)報(bào)[J].哈爾濱工程大學(xué)學(xué)報(bào)，2002，38（21）：83-87.

[8]郭晶，孫偉娟.神經(jīng)網(wǎng)絡(luò)理論與Matlab 7實(shí)現(xiàn)[M].北京：電子工業(yè)出版社，2005：99-108.

[9]閆小青.金屬材料損傷過程聲發(fā)射特征參數(shù)及損傷模型研究[D].南昌：南昌大學(xué)，2012.

[10]葉詠弘，張慧，張鐵華，等.基于神經(jīng)網(wǎng)絡(luò)的無陀螺捷聯(lián)慣導(dǎo)系統(tǒng)姿態(tài)預(yù)測[J].中國慣性技術(shù)學(xué)報(bào)，2008，18（2）：159-164，170.

[11]劉建.BP神經(jīng)網(wǎng)絡(luò)在雷達(dá)測軌數(shù)據(jù)異常值處理中的應(yīng)用[J].飛行器測控學(xué)報(bào)，2009，16（2）：32-35.

[12]肖建清，丁德馨，徐根，等.便攜式人工神經(jīng)網(wǎng)絡(luò)在砼疲勞壽命預(yù)測中的應(yīng)用[J].華南大學(xué)學(xué)報(bào)，2009，10（1）：96-100.

[13]吳松林，張福明，林曉東.基于小波神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷[J].空軍工程大學(xué)學(xué)報(bào)，2008，6（1）：50-55.

[14]SUN Y，PENG D R，ZHANG R W.Mine fire safety assessment based on BP neural network[J].Industrial Safety and Environmental Protection，2011（1）：38-40.

[15]張紅軍.一種新的前反饋神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法及其在控制中的應(yīng)用[D].大連：大連理工大學(xué)，2002.

[16]李森林，鄧小武.基于二參數(shù)的BP神經(jīng)網(wǎng)絡(luò)算法改進(jìn)及應(yīng)用[J].河北科技大學(xué)學(xué)報(bào)，2010，18（5）：447-450.

（編輯：李妮）

Application of BP neural network in localization of crack acoustic emission source in wind vane tower barrel

ZHANG Penglin1， CHANG Hai2， YANG Jie1， LIU Zhitao1
（1.Lanzhou University of Technology，State Key Laboratory of Advanced Processing and Recycling of Nonferrous Metals，Lanzhou 730050，China；2.School of Materials Science and Engineering，Lanzhou University of Technology，Lanzhou 730050，China）

As the conventional nondestructive testing can hardly have real-time monitoring of the wind vane tower barrel in service and the testing efficiency is low，to have online monitoring of the condition of wind vane tower barrel in service and locate the crack source of the tower barrel，this paper puts forward an intelligent localization method combining with acoustic emission testing technique and BP neural network and studies the influences of the distribution of acoustic emission sensors on the intelligent localization of output results.The results show that this method can locate the crack acoustic emission （AE） source in wind vane tower barrel effectively and can be used for the real-time online monitoring of the wind vane tower in service.For wind vane tower barrels with symmetrically welded structure and several circumferential welds，the distribution of acoustic emission sensors should avoid the symmetric position of tower barrel components to improve the accuracy of the intelligent localization of output results，providing a basis for the rational and effective arrangement of acoustic emission sensors on wind vane tower barrels in service.

acoustic emission detection； wind vane tower barrel； neural network； localization of AE source

A

1674-5124（2017）09-0106-06

10.11857/j.issn.1674-5124.2017.09.019

2017-02-09；

2017-03-19

國家自然科學(xué)基金地區(qū)項(xiàng)目（51161012）；甘肅省教育廳碩導(dǎo)基金項(xiàng)目（A2014-28）

張鵬林（1973-），男，甘肅白銀市人，副研究員，博士，主要從事無損檢測新技術(shù)、無損評價(jià)等方面的研究。