UHMWPE/LDPE層合板復合材料損傷聲發射信號識別

王 旭 杜增鋒 倪慶清 劉新華

（1 安徽工程大學紡織服裝學院，蕪湖 241000）

（2 信州大學纖維學部，日本 長野 3868567）

文 摘 為了掌握UHMWPE/LDPE 復合材料的損傷機理，運用聲發射技術結合聚類分析方法建立不同損傷形式的聲發射信號訓練樣本，通過神經網絡實現損傷信號的識別，并分別探討了訓練函數、傳遞函數、網絡結構等因素對識別率的影響。研究表明，由系統聚類可提取幅度、峰值頻率、持續時間為模式特征，結合Kmeans 聚類可建立11 個類別共583 信號的訓練樣本。以混淆矩陣為識別率指標，當訓練函數為traingdx、隱層/輸出層傳遞函數為tansig/logsig、隱層神經元數量為70 時，網絡的識別率達97.2%，為基于聲發射技術的熱塑性基體復合材料損傷識別提供參考。

0 引言

復合材料的多相結構及損傷的多種形式，導致其損傷機理及演化過程十分復雜。斷口分析能有效提供損傷的微觀形貌，但無法提供損傷過程的動態信息[1]。近年來，聲發射（Acoustic Emission，AE）技術逐漸成為復合材料損傷機理研究的有效工具之一。研究表明，復合材料損傷過程的載荷歷程和AE 信號參數歷程具有一致性[2]，通過分析伴隨損傷產生的AE 信號，可掌握損傷對應的AE 特征，并在此基礎上揭示材料的損傷演化過程[3-5]。通常復合材料不同損傷模式的AE信號在存在一定的差異。黃文亮等[6]發現CFRP 切削過程入口和出口處撕裂的AE 信號RMS 參數不同。Q.Q.NI 和I.YANG 等[7-8]發現不同損傷模式的AE 信號頻率特征不同。袁忠等[9]以AE 信號的近似熵譜特征識別出層壓板基體開裂、界面脫膠及纖維斷裂等損傷。識別不同損傷模式的AE 信號是掌握損傷機理及其演化的關鍵。童小燕等[10]運用K 均值聚類得到基體開裂、界面層脫粘、分層及纖維斷裂等損傷模式的AE 信號。H.A.SAWAN 等[11]分別對±45°、0°及準各向同性碳纖/環氧層合板拉伸及彎曲過程的AE 信號聚類，得到不同損傷機制的AE 信號。張衛東等[12]以AE 信號的累積撞擊數、累積振鈴計數和累積能量計數等為特征，運用神經網絡識別出材料在彈性、屈服、塑性和斷裂等力學行為。王健等[13]以運用神經網絡對碳纖維增強復合材料纖維斷裂、基材開裂、界面分離、分層等6種典型損傷形式的AE 信號進行了識別，總的識別正確率高達93.9%。上述基于AE 技術的復合材料損傷研究大多是熱固性基體，而針對熱塑性基體復合材料損傷的研究尚不多見，同時損傷形式或程度的判定還部分依賴于人為經驗。為此本文以UHMWPE/LDPE 層合板為研究對象，由模型試樣拉伸破壞誘導產生預期損傷形式的AE 信號并聚類產生訓練樣本，借助神經網絡方法實現對不同損傷AE 信號的識別，并比較了不同網絡結構、傳遞函數、訓練算法等的識別正確率，以尋求客觀、高效的復合材料損傷識別方法。

1 實驗

1.1 材料制備

UHMWPE 纖維規格145tex/240F，密度0.97 g/cm3，拉伸強度3 013 MPa，彈性模量91 GPa，斷裂應變3.3%。基體LDPE，密度0.92 g/cm3。纖維束均勻纏繞在鋪有LDPE 薄膜的不銹鋼芯板上，由硫化機熱壓制備成復合材料層合板。DSC（Modulated DSC 2910）測定纖維和基體熔融溫度分別為147 和112℃。硫化機設定溫度120℃，壓力1.5 MPa，熱壓10 min 后保壓冷卻固化成型。

1.2 拉伸及聲發射試驗

為了誘導產生特定的損傷，制備了4 種拉伸試樣，規格、測試速度及預期損傷如表1所示。

表1中S1～S4，分別表示純LDPE 樹脂、90°單層板、纖維束及[±45°]層合板。圖1所示為拉伸及AE測試示意圖，材料試驗機為長春試驗機研究所DNS-100 型，試樣工作距離均為120 mm。每類試樣均重復5 次拉伸試驗并同步采集AE 信號。AE 系統為美國PAC 公司PCI-2 型，2 個R15 型傳感器間距60 mm 沿試樣中心線對稱布置，傳感器和試樣間用真空脂耦合并用松緊帶固定于試樣表面。AE 信號觸發門檻值為40 dB。由斷鉛時差法分別得到各類試樣AE信號的波速，其中S1 為2 800 m/s，S2 為3 470 m/s，S3 為2 780 m/s，S4 為3 160 m/s。記錄發生在傳感器之間的AE 信號供分析使用，其中峰值鑒別時間50 μs，波擊鑒別時間100 μs，波擊閉鎖時間300 μs，事件定義時間100 μs，事件閉鎖時間110 μs，前置放大器40 dB。

圖1 拉伸及AE 測試示意圖Fig.1 Sketch map of tensile and AE test system

2 結果與分析

2.1 AE 信號模式特征的確定

聚類分析是根據數據集客觀存在的多個類，以類內數據具有較強相似性而建立的一種數據描述方法。若聚類變量選擇合適則由其構成的模式特征空間中同類數據相距較近且分布密集，不同類數據相距較遠。聚類變量越多并非對聚類效果越有利，尤其是當變量間存在較強的相關性時，不僅不能提高聚類效果反而增加計算量。AE 參數是對AE 波形信號的量化描述，如圖2所示時域參數如幅度、振鈴計數、峰值前振鈴計數、上升時間、持續時間。此外通過時頻轉換得到頻域參數，如頻率質心、峰值頻率、平均頻率等。

圖2 AE 參數示意圖Fig.2 Sketch map of AE parameters

對上述AE 參數進行系統聚類，從中選擇合適的AE 參數作為模式特征。從試樣S1、S2、S3、S4 采集的AE 信號數量分別為63、227、127、166，輸入SPSS軟件執行分類/系統聚類命令，選擇變量聚類方式，以歐氏距離為相似性測度，按照離差平方和法（Ward method）聚類結果如圖3所示。

圖3 AE 參數的系統聚類Fig.3 Hierarchical clustering of AE parameters

由圖3將8 個AE 參數分為3 類，其中第1 類包括幅度、振鈴計數、峰值前振鈴計數和上升時間，第2類包括頻率質心、峰值頻率和平均頻率，第3 類為持續時間。由于類內的AE 參數具有更大的相似性，可選擇幅度、峰值頻率和持續時間作為AE 信號的模式特征。

2.2 AE 信號訓練樣本的建立

訓練樣本是已標記分類標簽的AE 信號。基于同類損傷模式AE 信號具有更大相似性的原則，分別對試樣S1～S4 拉伸破壞過程的AE 信號進行Kmeans 聚類分析，從而得到不同損傷模式AE 信號的訓練樣本。影響K-means 聚類的因素包括聚類數k的確定和初始聚心，參照預備試驗及文獻[14]確定試樣S1～S4 的k 值分別為3、3、2、3，并確定相應的初始聚心，為消除量綱的影響，原始數據先進行Z 標準化。執行SPSS 軟件分類/K-均值聚類，讀入初始聚心文件，選擇迭代與分類方式，分別對試樣S1～S4 的AE 信號進行聚類，聚類完成后，各類別的AE 信號個數及相應的最終聚心如表2所示。

表3為LDPE 基體的3 類損傷及AE 信號特征。由于拉伸過程應變能主要以塑性變形的釋放，故AE信號具有幅度低、持續時間短的特征，僅在斷裂時產生幅度高、持續時間長的AE 信號。

表3 基體損傷模式的AE 信號特征Tab.3 AE features of matrix damage modes

表4為界面的3 類損傷及AE 信號特征。其中S2-2，S2-3 伴隨加載的全過程均有產生，而S2-1 僅在臨近斷裂時產生。UHMWPE 纖維的表面惰性導致界面強度低，伴隨加載過程，界面損傷不斷累積，最終導致材料因界面脫粘而破壞。

表4 界面損傷模式的AE 信號特征Tab.4 AE features of interface damage modes

表5為纖維的2 類損傷及AE 信號特征，其中S3-2 類加載過程均有發生，該類信號源于損傷早期的單纖維隨機斷裂，具有幅度低、持續時間短的特征。S3-1 類主要發生于臨近斷裂大量纖維集中斷裂時，具有幅度高、持續時間長的特征。

表5 纖維斷裂損傷模式的AE 信號特征Tab.5 AE features of fiber damage modes

表6為層間的3 類損傷及AE 信號特征。觀察試樣發現側邊明顯的分層且層內有界面剪切破壞。綜合幅度和持續時間判斷，S4-3、S4-1 分別源于較大、中等程度的損傷，S4-2 則源于較低程度的損傷。界面強度低是導致層內和層間破壞的重要原因。

綜上分析，AE 信號分別對應為11 種不同的損傷模式，則訓練樣本可由輸入向量p 和對應的目標向量t構成，每個AE 信號均為含有3 個元素（幅度、峰值頻率和持續時間）的列向量p，并分別對應一個目標向量t，t 為具有11 個元素的列向量，其中只有一個非零元素1 所在的行代表損傷模式類型，其他元素均為0。

表6 層間損傷模式的AE 信號特征Tab.6 AE features of interlayer damage modes

2.3 BP 神經網絡的建立

BP（back propagation）網絡是基于誤差逆向傳播算法的多層前饋神經網絡，它由多個神經元層構成，每層包含多個神經元，神經元是多輸入單輸出的信息處理單元。BP 網絡結構如圖4所示。

圖4 BP 網絡結構示意圖Fig.4 Scheme of BP neuron network

圖4中Input 為網絡輸入，R 為輸入節點數，p 為R行1 列輸入向量。隱層Layer1 和輸出層Layer2 中，S1、S2分別為各層神經元數，W1、W2分別為各層網絡權值，b1、b2分別為各層偏置值，f1、f2分別為各層f 傳遞函數，a1、a2分別為各層輸出。MatLab 軟件的神經網絡工具箱nntool 可以方便的建立并訓練BP 網絡。

2.4 網絡參數對網絡性能的影響

2.4.1 影響網絡性能的網絡參數

影響網絡效果的網絡參數包括網絡結構、傳遞函數、訓練算法等。圖4所示的網絡結構可記為R-S1-S2，其中R 由p 的維數確定，S2由目標向量t 的維數決定。由AE 信號的訓練樣本可知，R=3，S2=11。隱層Layer1 神經元數S1一般通過試探的方式確定，為減少計算量在滿足要求時S1以少為宜，根據預備試驗和訓練樣本量，S1范圍定在10～90 之間。傳遞函數f 不同會引起網絡輸出a 的變化，進而影響網絡性能，其關系見式（1）。

式中，p 為輸入向量，W、b 分別為網絡權值矩陣和偏置值向量，nntool 提供的f 包括階躍函數hardlim、線性函數purelin 和非線性函數logsig、tansig 等[15]。

網絡訓練的實質是通過訓練樣本不斷調整W 和b，使輸出a 和目標t 更加接近，通常以兩者的均方誤差作為網絡性能指數，其值越小說明網絡性能越好。訓練函數不同網絡性能也存在差異，nntool 提供多種訓練函數可供選擇，訓練后的網絡分類效果可借助混淆矩陣（Confusion Matrix）評價[15]。

2.4.2 訓練函數和傳遞函數對網絡性能的影響

表7為不同訓練函數對同一網絡結構3-50-11，隱層和輸出層傳遞函數均為logsig，每種執行10 次，以訓練時間和識別率均值反映的網絡性能。5 種訓練函數分別為traingd（標準梯度下降法）、traingdx（動量及可變學習率法）、trainrp（彈性梯度法）、trainoss（一步正割法）、traincgf（共軛梯度法）[15]。終止訓練條件為迭代5 000 次或性能指數小于等于10-4。所有訓練均以完成5 000 次迭代而停止，其中以traingdx 為訓練函數訓練時間最短71 s，以trainoss 為訓練函數訓練時間最長191 s，其他在71～191 s 之間。從識別率上看，標準梯度下降算法traingd 最低僅為36.0%，對于損傷識別幾乎沒有應用價值。經過一步正割法改進的trainoss 和共軛梯度法改進的traincgb識別率有較大提高，分別達到79.1%和83.9%。經彈性梯度下降算法改進的trainrp 和動量及可變學習率改進的traingdx 是識別率最好的兩種訓練函數，分別達96.2%和96.6%。標準梯度下降算法受網絡初始權值W 和偏置值b 的影響較大，且當學習率設置較小時算法容易陷入局部極小，學習率設置較大時算法又會變得不穩定。經過優化改進的訓練函數識別率有較大的提高。綜合識別率和訓練時間分析，選擇traingdx 作為網絡訓練函數。

表8為隱層/輸出層的6 種不同傳遞函數搭配，對訓練函數為traingdx，結構為3-50-11 網絡的訓練結果。從識別率看，當隱層/輸出層是非線性/非線性傳遞函數時，識別率均優于非線性/線性傳遞函數搭配的情況，其中以tansig/logsig 搭配時識別率高達96.9%，訓練時間55 s 也相對較短，更適合作為隱層/輸出層傳遞函數。

表8 不同傳遞函數的網絡性能Tab.8 Network performance of different transfer functions

2.4.3 網絡結構對網絡性能的影響

表9為以traingdx 為訓練函數、隱層/輸出層傳遞函數為tansig/logsig 時，不同隱層神經元數時的網絡性能。根據預備實驗，隱層神經元數量選擇10、30、50、70、90。終止訓練條件為迭代5 000 次或性能指數小于等于10-4。由表9看出，識別率隨隱層神經元數量增加而逐漸提高，但數量達50 后繼續增加對提高識別率作用有限且訓練時間增加。說明適當增加隱層神經元數量，有利于提高網絡性能，但隱層神經元過多有可能使網絡出現過擬合現象導致識別率降低。

表9 不同網絡結構的網絡性能Tab.9 Network performance of different architecture

圖5為網絡結構為3-70-11，隱層/輸出層傳遞函數為tansig/logsig，訓練函數為traingdx 時，某次訓練后輸出結果的混淆矩陣，其中對角線上為各類別識別正確的信號個數，最下行及右下角分別為各類別及總識別率。583 個AE 信號有566 個被正確識別，總識別率達97.1%，其中試樣S1 的3 類AE 信號全部識別正確。試樣S2 的3 類AE 信號中，S2-1 和S2-3全部識別正確，S2-2 的32 個信號有29 個識別正確，識別率90.6%。試樣S3 的2 類AE 信號S3-1、S3-2識別率分別為97.1%，91.4%。試樣S4 的3 類AE 信號中，S4-1 和S4-3 全部識別正確，S4-2 的94 個信號有89 個識別正確，識別率94.7%。部分信號被錯分是由于模式空間中信號參數存在重疊所導致。混淆矩陣的結果表明，合適網絡參數訓練后的BP 神經網絡能夠實現損傷AE 信號的正確識別。

圖5 網絡的混淆矩陣Fig.5 Confusion matrix of network

3 結論

（1）AE 信號參數系統聚類結果可選擇出AE 信號損傷模式特征為幅度、峰值頻率和持續時間。

（2）對AE 信號進行K-means 聚類可建立損傷模式的AE 信號訓練樣本。

（3）運用BP 網絡可實現對不同損傷模式的識別，網絡性能和訓練函數、傳遞函數和網絡結構有關，當訓練函數為traingdx，隱層/輸出層傳遞函數為tansig/logsig，隱層神經元為70 時，網絡識別率可達97.2%。