超聲檢測和神經網絡的組合監測系統的應用

摘 要：液壓支架在煤炭的開采中處于至關重要的位置。當液壓支架發生泄漏時，不僅會產生嚴重的后果，還會對附近的周邊環境造成破壞，故而對缸體的質量檢測變得尤為重要。本文提出了超聲無損檢測與人工神經網絡組合的故障監測系統對液壓支架結構進行實時監測，以在需要時改進維護，修理或更換部件。一方面，超聲檢測得出構件不同的應變波;另一方面，人工神經網絡分析從超聲波測試方法接收的信號。

關鍵詞：超聲檢測;神經網絡;液壓缸;故障監測

定期維護是延長液壓支架立柱油缸使用壽命的一個重要手段。為延長其設計的性能壽命，通常采用簡單的無損檢測方法，在故障之前或在預定時間檢查設備是否存在問題，例如目視檢查或聽聲測試，并且檢查其部件是否損壞，如果發現足夠的損壞則導致部分被更換。本文提出由傳感器和分析系統組成的無損監測方法，可以實時監測使用中的液壓支架立柱油缸的潛在故障及損壞，從而減少停機檢查對工作效率的影響。如果在發生故障之前很久就發現損壞，則可以實施損傷容限和預后評估，從而更好地確定部件的壽命。

1 超聲波檢測

通過研究各種無損檢測技術不難發現，實現這些技術通常需要小型可以吸附或接近被檢測結構的傳感器等設備，而不會影響被檢測對象的正常使用或性能。[1]其中，超聲無損檢測是本文主要的研究對象。超聲波測試采用可穿過薄結構部件的板波或表面波來確定使用中的部件是否發生任何損壞，并利用壓電傳感器來檢測裂紋產生的位置以及嚴重程度。該技術采用的壓電傳感器十分靈敏，可以接收頻率在超聲波范圍內的應變波。當材料發生變形或者內部損壞時，壓電傳感器能夠產生變化電流。

這些應變波信號表現出的高頻特性十分復雜，又由于應變波是平滑的連續變化的，故可將其分解為頻率和相位模式的疊加。根據現有在超聲波領域的研究可知，不同相位的波在材料中的速度傳播不同。這些不同轉變為壓電傳感器所接收的響應波的一部分。因此，基于監測條件是最佳的解釋應變波的方法。其他研究表明，可以將人工神經網絡分析與這種形式的無損檢測相結合。

2 聲發射技術

通過對現有被動超聲掃描系統性能的研究，本文將聲發射系統結合人工神經網絡分析思想，用于液壓支架結構部件聲發射數據的實時分析。

當裂紋在材料中蔓延時，材料分子鍵斷裂時釋放出少量的能量將以應變波的形式擴散到周圍的物質，類似于跳動的脈沖波。同時，碰撞將能量轉化為使裂紋擴展的應變波。目前常用的用于超聲波檢測傳感器的壓電陶瓷材料就是為了檢測這些應變波而誕生的。由這種材料制成的傳感器足夠靈敏，可以檢測到任何微小變形所產生的電壓，然后將其記錄到計算機數據庫中做進一步分析。聲發射系統與有源超聲檢測系統的不同之處在于，其傳感器不會產生應變波或變形，只接收、記錄由其他聲源產生的波的特征，如振幅、上升時間和持續時間。最后，利用軟件分析確定是否存在內部缺陷、是否需要更換組件。

目前針對復雜幾何形狀構件探傷提出的分析方法效率較低。因此，本文提出基于人工神經網絡探傷的新方法。即將人工神經網絡和聲發射傳感器相結合，組成新型無損探傷監測系統，這種新方法可應用于多種復雜結構的可靠性檢測中，如液壓支架油缸故障監測系統。

3 人工神經網絡

人工神經網絡通過模擬有機大腦的思維過程，可以建立一組輸入變量與一組輸出變量的關系。[2]在深度學習足夠數量的示例之后，使用“模糊”邏輯法，可以確定新輸入集相關聯的近似輸出集。當應用于超聲波傳感器的無損檢測系統時，人工神經網絡幾乎使得檢測結果實時產生。本研究的重點是利用人工神經網絡分析超聲檢測系統的輸出。

國外學者開發了一種用于人工神經網絡的通用架構，稱為自組織映射結構，[3]如下圖所示。此類結構無需訓練已知輸出。

人工神經網絡的通用自組織映射結構圖

在該三節點示例中，該網絡首先通過訓練集的新輸入數據集來學習，然后將屬于每個節點的示例集與輸入集進行比較。通過所有輸入集的迭代，該神經網絡將不斷自我調整，并將輸入集分組。

學習完成后，將形成一組二維圖。形成的映射可以與新數據集一起使用，使其以更快的速度進行分類。[4]其優勢在于，雖然這種形式的神經網絡架構簡單，但仍然保持了強大的分辨能力，可以發現其他分組算法中不易察覺的相似性。

4 結論

本文提出了一種利用人工神經網絡和聲發射系統來監測液壓支架立柱油缸內部損傷的應變波檢測的新方法。通過人工神經網絡，設置合理閾值，快速準確的判斷和分析對應于應變波的不同故障問題及時報警。這種新方法較僅通過聲發射傳感器的檢測更有效地實現故障監測。這種結合無損檢測和人工神經網絡的新方法是獲得液壓支架油缸結構故障監測系統的初始階段，改進了液壓支架未來的維護程序。同時還可開發應用到多種復合結構系統中。

參考文獻：

[1]王正君.超聲法檢測灌注樁混凝土強度的研究[D].東北林業大學，2005.

[2]李德忠.神經網絡與人事決策研究的新范式[J].現代生物醫學進展，2006（04）：51-54.

[3]宋慶偉，向陽.一種基于自組織映射神經網絡的Web頁面個性化推薦模型[J].計算機應用與軟件，2007（02）：19-22.

[4]彭驛茹.人工神經網絡發展歷史與訓練算法概述[J].科技傳播，2018，10（21）：129-130.

作者簡介：陳鵬（1987-），男，陜西定邊人，本科，助理工程師，機械設計制造及其自動化專業，從事煤礦連采及后配套設備、輔助運輸車輛等設備銷售工作。