高速列車齒輪箱箱體材料拉伸損傷的聲發射信號表征識別及壽命預測

艾軼博，張媛媛，崔 浩，張衛冬

（北京科技大學國家材料服役安全科學中心，北京 100083）

齒輪箱是高速列車的關鍵部件，其可靠性將直接影響列車運行的安全性，并影響整個鐵路運輸和社會經濟效益。高速列車齒輪箱箱體是齒輪箱的外部保護結構，是保障齒輪箱正常工作的關鍵零件。高速列車齒輪箱箱體為鑄造而成，結構復雜，齒輪箱通過抱軸懸掛方式安裝在轉向架上，箱體的故障形式主要有疲勞損傷和拉伸損傷，疲勞損傷來自于列車運行時給箱體帶來的往復振蕩，拉伸損傷來自于箱體自身的部分靜載和外界硬物對箱體的意外沖擊。隨著列車服役里程的增加，箱體疲勞可靠度不斷降低［1］，外界沖擊引發的拉伸損傷更易發生。因此，開展高速列車齒輪箱箱體材料的實時無損損傷識別研究及壽命預測對保障高鐵運行安全具有重要意義。

聲發射（Acoustic Emission，AE）信號對材料內部裂紋的產生和擴張等缺陷非常敏感，且不受材料的制約，常用于在役設備中缺陷和缺陷發展的檢測。Rodr 等［2］研究了硬面AISI 型304 不銹鋼中裂紋的擴展，但其研究是基于破壞性試驗；An?dreykiv 等［3］用聲發射信號確定鋁合金在拉伸和扭轉載荷下的裂紋面積及其空間取向，但計算裂紋時僅考慮了聲發射振幅，缺乏信號分析；Hamdi等［4］用希爾伯特黃（Hilbert-Huang）變換實現了聚合物復合材料中的聲發射模式結構健康監測，但僅適用于復合材料。作為一種新的實時無損檢測方法，近些年來一些學者應用聲發射技術在金屬材料領域展開了相關研究。黃振峰等［5］通過對金屬疲勞損傷過程累積聲發射事件的計數分析，識別有機械缺口的45號鋼疲勞損傷過程的4個不同階段，同時證明了聲發射信號的K熵和關聯維數可以作為表征金屬疲勞損傷程度的特征量；史慧揚等［6］提出采用小波包能量譜的聲發射信號處理方法，實現材料早期結構疲勞損傷程度的監測與評價；Bhuiyan 等［7］利用聲發射傳感器測量金屬切削過程中刀具磨損時的信號頻率，發現刀具磨損發生的頻率范圍為67～471 kHz；李昕等［8］在鋼板聲發射檢測中，結合時間反轉聚焦理論，有效提高損傷聲源信號的能量，并通過對檢測區域的信號重建和定位顯示準確地給出損傷聲源位置。

在聲發射技術應用中，有研究者結合人工智能進行聲發射信號識別。Griffin 等［9］將板料沖壓過程中的聲發射特征與飛邊磨損聯系起來，并通過對神經網絡的訓練，實現了對板料沖壓工具滾壓磨損的準確分類；姚曉山等［10］通過對齒輪箱正常和裂紋故障狀態的聲發射信號進行分析，提取出SVM訓練樣本，實現齒輪裂紋的故障檢測；王向紅等［11］根據聲發射信號，結合核主成分分析及SVM對水輪機轉輪葉片裂紋源進行定位；Melnikov等［12］通過對聲發射脈沖的模糊聚類進行變換，利用神經網絡解決了金屬樣品分類（變形和非變形）問題，實現了亞像素采樣的聲學數據聚類和神經網絡學習算法對金屬特性的自動計算。但目前針對高速列車齒輪箱箱體材料拉伸損傷過程的識別方面研究較少，有待深入開展，以提升損傷特征提取和識別的精度。

金屬材料在拉伸過程中，經歷彈性、屈服、塑性及斷裂4 個階段［13］，高速列車齒輪箱箱體試樣拉伸過程的應力應變曲線如圖1所示。圖中：當材料變形處于彈性階段時，在失去外力后，材料可以恢復原狀，認為這一階段對材料的服役影響不大，屬于安全階段；材料變形一旦進入屈服階段，其內部會產生無法恢復的形變，服役可靠性會大大降低，認為其是不安全的，即材料拉伸過程中的屈服、塑性、斷裂3個階段屬于預警階段。

本文以某型號高速列車齒輪箱箱體材料為研究對象，應用搭載聲發射儀采集拉伸試驗過程中的聲發射信號，通過對聲發射信號進行分析，提取出能夠有效表征材料損傷階段的特征值；通過SVM 和WSVM 方法對聲發射信號進行學習和識別，從而對材料在拉伸過程中的安全或預警階段進行損傷識別。通過研究聲發射信號特征值與拉伸壽命之間的規律，對齒輪箱箱體材料剩余壽命進行預測，實現安全評價。

1 試驗方法

1.1 聲發射技術

材料在應力作用下的變形和裂紋擴展是結構失效的重要機制。聲發射是材料局部能量迅速釋放并產生瞬態彈性波的現象，也稱為應力波發射。聲發射源發出的彈性波可以到達材料表面，并能產生聲發射傳感器可以檢測到的位移。探測器捕捉到的材料機械振動被轉換成電信號，然后被放大、處理和記錄。

根據現代塑性理論，位錯和滑移在塑性變形過程中起著決定性的作用。在理想情況下，金屬原子按一定的順序排列。但實際情況是，金屬中存在多種缺陷，位錯就是其中一種，它是由于原子對位置進行故障排除造成的。在外應力作用下，位錯在滑移面上運動，產生金屬的塑性變形。晶格位錯從低能位置移動到另一個位置，并在新的晶格位置振動。計算結果表明，位錯的高速運動發射出高頻、低振幅的聲發射信號，而位錯的緩慢運動發射出低頻、高振幅的信號。單一位錯的信號能量太少，無法用高靈敏度的聲發射傳感器檢測。因此，設想多個位錯同時運動，據估計大約100～1 000個位錯同時運動時，聲發射儀可接收到連續型信號，數百到數千個位錯同時運動時，聲發射儀可以接收到突發型信號［14］。

高靈敏度的聲發射診斷可以檢測微裂紋隨千分尺變化的擴展。采用AE 診斷方法對塑性變形、疲勞和磨損引起的裂紋產生及其擴展進行診斷。通過分析聲發射信號參數，可以對材料損傷狀態進行分類。聲發射參數分析方法是根據聲發射信號的波形特征來分析和解釋聲發射信號。聲發射的常用參數有能量、振鈴計數、持續時間、幅值、有效電壓等，本文選擇的聲發射參數如下。

1）能量

能量測量方法同時以振幅和持續時間作為度量尺度，反映了聲發射源以彈性波形式釋放的能量。能量E可表示為

式中：A為超過門檻值的點的幅值；G為增益；S為閾值。

2）振鈴計數

振鈴計數即閾值振鈴的脈沖次數。在特定的時間周期內，超過閾值的總次數稱為振鈴總計數，而單位時間超過閾值的次數稱為振鈴計數率。振鈴計數可以直接反映聲發射源的強度。振鈴計數方法簡單，廣泛應用于AE監測，但受閾值的影響很大。

3）撞擊計數

超過門檻并使某1 個通道獲取數據的任何1 個信號稱之為1個撞擊，系統對撞擊累計計數分為總計數和計數率。撞擊計數反映聲發射活動的總量和頻度，常用于AE活動性評價。

4）幅值

幅值指信號波形的最大振幅值，單位dB。幅值不受門檻值限制，與聲發射事件的大小相關，可以直接對事件的可測性做出判斷。

1.2 聲發射數據采集

從某型號高速列車齒輪箱箱體上切取高強鋁合金材料，并通過線切割的方法將其加工成標準拉伸試樣，共取6 個試樣進行試驗，試樣規格如圖2所示。

圖2 拉伸試樣規格（單位：mm）

試驗采用MTS-810 型試驗機，將拉伸試樣兩端固定在試驗機上。聲發射信號采集系統為美國PAC 公司生產的PCI-2 型聲發射儀和R15A 傳感器，采用凡士林作為耦合劑將傳感器與試樣連接，為避免傳感器松動或滑落，利用膠帶將其固定在試樣上。

試驗機的加載設備會對試樣施加1 個縱向拉力，這個拉力是逐漸增大的，直到試樣被拉斷時試驗結束；在整個拉伸試驗過程中，聲發射儀不斷采集聲發射信號，并傳送至計算機工作站。搭載聲發射儀的試驗裝置如圖3所示。

圖3 搭載聲發射儀的拉伸試驗裝置

加載裝置的加載速率為0.4 mm·min-1，聲發射采集系統的參數設置見表1。

表1 聲發射采集系統參數

2 聲發射參數特征與波形

2.1 采集數據預處理

在進行力學性能試驗時記錄力學性能數據，由于該數據的采樣時間點無法與聲發射撞擊時間點一一對應，經比較，力學性能數據采樣點數要遠小于聲發射撞擊數，而且該數據的變化比較平緩，因此需要對力學性能數據進行重采樣。

對于力學性能數據，使用的是反向差值法進行重采樣。

令任意2 個相鄰的被采樣數據為(xn，yn)，(xn+1，yn+1)，n=1，2…，令重采樣點(x'n，y'n) 中xn＜x'n＜xn+1，則重采樣值y為

其中，

式中：sn為2個相鄰采樣點的時間間隔。

2.2 參數特征

根據聲發射信號所表達信息及分析所需數據能累積特點，選取能量、振鈴計數、撞擊計數3 個參數進行分析處理。能量、振鈴計數、撞擊計數與應變的關系分別如圖4、圖5及圖6所示。

圖4 累積聲發射能量與應變關系

圖5 累積聲發射振鈴計數與應變關系

圖6 累積聲發射撞擊計數與應變關系

由圖4可以看出：應變小于0.018 時，累積能量計數與應變近似呈線性關系；應變大于0.018時，累積能量計數發生大幅度躍遷；說明在低應變時的聲發射信號較少，僅當試樣發生頸縮和最后斷裂時才有大量信號出現。

由圖5可以看出：應變小于0.018 時，累積振鈴計數與應變近似呈線性關系；應變大于0.018時，振鈴計數發生大幅度躍遷；說明在低應變時的聲發射振鈴技術信號增長趨勢較為平緩，僅當試樣發生頸縮和最后斷裂時振鈴計數迅速增長。

由圖6可以看出：應變小于0.008 時，累積聲發射撞擊計數增長非常緩慢，大于該值后近似呈線性關系；說明累積聲發射撞擊計數信號增長趨勢較為平緩。

2.3 聲發射撞擊波形

2.3.1 時域分析

理論上，材料在彈性變形階段有較少聲發射信號，甚至無聲發射信號；當塑性變形達到了一定程度，就會產生聲發射信號；在屈服階段，聲發射信號量劇增，幅值增大；到達最后斷裂階段時，會出現大幅值的聲發射信號。

齒輪箱箱體材料拉伸試驗中聲發射每次撞擊均有2 048個采樣點，采樣頻率為1 MHz，彈性變形、塑性變形、屈服及斷裂4 個階段中幅值最大的聲發射撞擊波形曲線如圖7所示。

圖7 拉伸試驗4個階段最大聲發射撞擊波形

由圖7可以看出：在彈性變形、塑性變形、屈服及斷裂4 個階段中，撞擊最大幅值分別為0.09，0.17，0.27 及0.065 V；從彈性階段到屈服階段，聲發射信號幅值有增長趨勢但并不明顯；從屈服階段到斷裂階段，聲發射信號幅值反而有所下降，說明聲發射幅值在試樣拉伸過程中并非呈增長趨勢；但撞擊的持續時間是遞增的，由此可以得知振鈴計數、能量計數、撞擊計數是呈增長趨勢的。

2.3.2 頻域分析

聲發射信號具有瞬態性和隨機性，屬非平穩隨機信號范疇，由一系列頻率和模式豐富的信號組成。由于瞬態和隨機信號不僅隨時間變化，還與頻率等信息有關，因此需進一步分析信號的頻率結構。

選取圖7中幅值最大的聲發射撞擊波形，經過傅里葉變換后，得到幅頻曲線如圖8所示。

圖8 拉伸試驗4個階段最大聲發射撞擊幅頻曲線

由圖8可以看出：彈性、塑性、屈服及斷裂4個階段的峰值頻率分別為183，153，133 及133 kHz，各個階段的峰值頻率相對穩定；并且，各階段的頻率分布較為統一，能量主要集中在80～400 kHz。

3 識別結果與分析

3.1 特征提取

分析6 個拉伸試樣拉伸試驗過程中采集到的能量、振鈴計數及幅值等聲發射參數隨時間的變化規律，以試樣1為例，繪制其聲發射參數變化曲線如圖9所示，圖中紅色虛線為材料安全階段與預警階段的分界線（下文均采用此形式表示）。

圖9 聲發射參數變化曲線（試樣1）

由圖9可以看出：聲發射活動有越來越頻繁的趨勢；但3種參數都沒有明顯的規律，并不能夠對材料當前所處的階段進行有效表征。

為了驗證聲發射活動越來越頻繁這個規律，求出振鈴計數、撞擊計數及幅值的增長速率，并對求出的結果取對數。各個試樣的對數振鈴計數增長速率、對數幅值增長速率及對數撞擊計數增長速率曲線分別如圖10、圖11及圖12所示。

圖10 對數振鈴計數增長速率曲線

圖11 對數撞擊計數增長速率曲線

圖12 對數幅值增長速率曲線

由圖10 可以看出：試樣4 與試樣5 的對數振鈴計數增長速率曲線無明顯規律，且整體曲線波動較大，但在安全與預警階段分界點附近，曲線變化趨勢不明顯，說明對數振鈴計數增長速率與試樣所處階段無關；而其他試樣的對數振鈴計數增長速率曲線的規律較為明顯，呈單調遞增趨勢，但試樣1和試樣6存在著一些較大的波動。

由圖11 可以看出：各個試樣的對數撞擊計數增長速率曲線的規律都比較明顯且一致，總體呈單調遞增的趨勢；試樣處于安全階段時，對數撞擊計數增長速率的值均處于0以下；在進入了塑性階段后，對數撞擊計數增長速率的值在0左右波動，并且越來越大，且后半段的數值明顯都處于0以上。

由圖12 可以看出：各個試樣的對數幅值增長速率曲線與對數撞擊計數增長速率曲線類似，只是其值的變化范圍不相同；在試樣處于安全階段時，其值均處于4以下；但在進入了塑性階段后，其值在4左右波動，并呈現出不斷增大的趨勢。

由以上的分析可以得出，對數撞擊計數增長速率和對數幅值增長速率可以較好地表征出材料當前所處的損傷階段。因此，選用聲發射信號的對數撞擊計數增長速率與對數幅值增長速率作為表征材料拉伸損傷的特征參量。

3.2 SVM分類器損傷識別

SVM 是Vapnik于1995年提出的一種機器學習方法，它建立在統計學習理論的VC 維和結構風險最小化基礎上，具有小樣本、推廣性能良好、全局最優等優點［15-16］。下面將利用SVM 算法對高速列車齒輪箱箱體材料的拉伸過程進行損傷識別。

采用SVM 算法對高速列車齒輪箱箱體材料的拉伸過程進行損傷識別的方法如下。

（1）選取對數撞擊計數增長速率、對數幅值增長速率、撞擊計數增長速率及幅值增長速率作為特征值，對試樣當前所處的損傷階段進行識別。

（2）選用SVM 分類器，在6 次拉伸試驗中任選5 次試驗的數據作為訓練樣本，剩下的1 次試驗的數據作為測試樣本。SVM輸入樣本數據的形式為

式中：Z1為對數撞擊計數增長速率；Z2為對數幅值增長速率；Z3為撞擊計數增長速率；Z4為幅值增長速率。

（3） 輸出分類結果根據其所處的階段定義為-1（安全階段）與1（預警階段）。

SVM 算法對不同階段損傷數據的識別分類結果見表2。

表2 基于本文提取特征值的SVM分類結果

由表2可知：安全階段與預警階段的分類準確率都比較高，均分錯了16個樣本。

導致分類正確率差異的原因在于數據本身存在著不平衡，安全階段的數據量要遠小于預警階段的數據量。為了解決這個問題，可以利用WSVM 來進行分類。

3.3 WSVM分類器損傷識別

WSVM 的思想即是對不同類別的樣本賦予不同的懲罰系數，若需要重視某類別樣本的分類準確率，則可以賦予其1 個較大的權重λi，則其懲罰系數C就變為λiC。λi的確定方法有很多種，本文將安全階段數據的權重定義為λ-1=1，預警階段的權重為λ1=m-1/m1=0.028，其中m-1為訓練樣本中安全階段的數據量，m1為訓練樣本中預警階段的數據量。WSVM 分類器的輸入樣本形式與SVM分類器方法相同，分類結果見表3。

表3 基于本文提取特征值的WSVM 分類結果

通過分析可發現錯分的樣本全部集中在過渡階段，SVM 將過渡階段的數據分在了預警階段中，而WSVM 將過渡階段的數據分在了安全階段中，這種錯分可能將安全階段誤判為預警階段，能夠保證運行安全，但也會由于誤判停車檢修設備等造成一定的經濟損失?？傮w上，考慮到列車運行的安全性，WSVM分類器優于SVM分類器。

4 基于退化數據的壽命預測

4.1 退化數據提取

從試驗結果可以看出，試樣的撞擊計數增長速率和幅值增長速率呈單調遞增趨勢，且失效時刻的特征值大小基本一致，所以這2 個特征值可以用于材料性能退化曲線，它們可以反映出材料當前的損傷情況。由于撞擊計數增大速率曲線與幅值增長速率曲線規律基本一致，因此將撞擊計數增長速率作為性能退化量。各個試樣對數撞擊計數增長速率曲線如圖13 所示。圖中：虛線為曲線的質心曲線，描述了曲線的整體趨勢，即材料性能退化的趨勢。

圖13 對數撞擊計數增長速率曲線

由圖13 可以看出：試樣的撞擊計數增長速率在達到6左右的時候，發生斷裂失效；通過觀察曲線特征，推測退化軌跡呈線性或二次曲線的規律，需進一步驗證。

材料一旦進入屈服階段，便意味著進入不安全階段，需要被更換。但實際上齒輪箱箱體材料在進入屈服階段后，距離斷裂還存在著很長的時間。若能夠根據安全階段的數據，擬合出齒輪箱箱體材料的退化軌跡，即齒輪箱箱體材料的壽命預測模型，便能夠預測其剩余壽命，從而對材料當前的損傷程度進行定量表征，為材料的維護和更換提供科學依據。

4.2 退化模型構建

基于拉伸試驗安全階段的數據構建材料退化模型，根據曲線的變化規律，從常用的退化曲線模型中分別選取線性方程和二次曲線方程進行擬合，結果如圖14和圖15所示。圖中：紅色曲線為擬合曲線。

圖15 二次曲線擬合結果

由圖14可以看出：線性擬合結果中，試樣5和試樣6 的擬合效果較好，試樣2 的效果次之，試樣1、試樣3及試樣4的誤差較大。

試樣1、試樣3及試樣4的對數撞擊計數增長速率曲線經直接擬合后誤差較大的原因在于其特征值在安全階段的變化較為平緩，進入預警階段后，其特征值變化的幅度會增大，安全階段的數據不足以表征材料在預警階段的變化規律。

由圖15 可以看出：二次曲線擬合結果中，試樣5 的擬合效果較好，其他試樣的誤差都非常大，完全體現不出特征值的變化規律；該模型并不適用于此研究。

通過觀察能夠發現，較大的波峰點總體呈現出線性變化的規律，選取安全階段遞增的波峰點，用線性擬合，結果如圖16 所示。圖中：紅色曲線為擬合曲線。

由圖16 可以看出：波峰線性擬合的結果比線性擬合與二次曲線擬合的結果都要好，但對于某些試樣，如試樣3和試樣5，擬合結果的誤差比較大；原因為試樣3安全階段的波峰點較少，導致模型的構建不夠精確，試樣5 的安全階段中存在著1 個較大的波峰點，導致退化軌跡過于保守。

4.3 壽命預測結果及分析

根據圖16中各條退化曲線的特點，選取5.8作為試樣斷裂的閾值，預測誤差E'計算式為

圖16 波峰線性擬合結果

式中：Tp為預測壽命；Tr為實際壽命。

預測結果和預測誤差見表4。

表4 波峰線性擬合結果

由表4可知：試樣3 和試樣5 的預測誤差較大，其余的試樣預測結果誤差非常小。

導致試樣3 和試樣5預測誤差大的原因依然是試樣3的安全階段的波峰數據點較少，試樣5 的退化曲線在安全階段出現了較大的波峰值。雖然拉伸試樣的壽命預測結果存在誤差較大的試樣，但是該方法為材料壽命預測提供了思路。由于試驗的樣本數較少，為了驗證方法的可行性，需要更多的試驗來驗證。

5 結 論

（1）對齒輪箱箱體材料拉伸試驗中采集到的聲發射信號進行分析發現，聲發射信號的對數增長速率能夠表征箱體材料拉伸過程所處的階段。

（2）在材料拉伸試驗過程中聲發射信號特征提取的基礎上，利用SVM 分類器對提取的特征參量進行損傷識別分類，并利用WSVM 算法改進分類器，大大減少了將預警階段誤判為安全階段的情況，并使分類的準確率達到94%以上，實現了高速列車齒輪箱箱體材料在拉伸過程中的實時無損損傷識別。

（3）通過研究特征值與拉伸壽命之間的規律，構建齒輪箱箱體材料拉伸過程的退化模型，并對剩余壽命進行預測，結果驗證了模型的可行性，為拉伸試樣的壽命預測提供了思路。