首页 资讯 法规 行业 标准 展会 探伤 硬度 仪器 声发射 磁粉 粗糙 视频

模式识别在复合材料声发射信号分析中的应用

来源: 作者:ndt 人气: 发布时间:2024-03-29
摘要:声发射技术作为一种动态无损检测方法,已成为研究复合材料损伤机理的一种重要手段。纤维增强复合材料在受载损伤过程中会出现大量的声发射信号,声发射源主要有基体开裂、界面分离、分层扩展、纤维抽拔和纤维断裂等。研究这些损伤模式与声发射信号之间的关系是研
声发射技术作为一种动态无损检测方法,已成为研究复合材料损伤机理的一种重要手段。纤维增强复合材料在受载损伤过程中会出现大量的声发射信号,声发射源主要有基体开裂、界面分离、分层扩展、纤维抽拔和纤维断裂等。研究这些损伤模式与声发射信号之间的关系是研究复合材料破坏行为的关键。由于源机制的不同,传播过程中的频散、衰减等效应以及各种噪声干扰等因素的影响,复合材料的声发射信号表现为复杂的非平稳随机信号。沧州欧谱如何从检测到的信号中区分真正有用的表征不同类型损伤的声发射信号显得尤为重要。模式识别( PR)是一种十分有效的信号识别分类方法,目前已在军事、工业、农业、医学等领域得到成功应用。

  通常把对某一事物所作的定量或结构性描述的集合称为模式。模式识别是指用计算机实现对指定事物的模式识别,将其归入与之相同或相似的模式。一般的模式识别系统包括识别对象信息的获取、信息数据的预处理、具有分类意义的模式特征的提取

  与选择、分类器的设计与分类决策等过程。随着计算机和人工智能技术的出现和发展,模式识别方法得到迅速发展,在声发射信号分析中的应用逐渐兴起。模式识别应用于复合材料声发射信号的分析于20世纪80年代初开始见有报道[ 1 ] 。但目前为止,这方面的研究尚不多。本文在综述一些已有研究成果的基础上,指出目前尚存在的一些问题,并相应提出一些解决问题的想法,以起抛砖引玉的作用。

  2 模式识别对复合材料声发射信号的分析

  针对模式特征选取及其判别决策方法的不同,模式识别方法可分为统计决策法、句法结构法、逻辑推理法、模糊判决法和神经网络法等。目前在复合材料声发射信号分析中应用最多的是统计决策法与神经网络法。无论采用何种模式识别方法,有效分类的关键在于模式特征的选取与分类判决方法的设计。利用模式识别对复合材料声发射信号进行分析处理的研究,包括信号的除噪[ 2, 3 ]与各种有用信号的识别[ 2~9 ]两大内容。

  2.1 模式识别用于信号的除噪

  声发射是以被动检测的方式用于动态检测。其噪声干扰问题特别严重,主要包括各种机械噪声和电磁噪声。这些噪声夹杂在声发射信号里,虽然通过滤波或设置适当的记录门槛值可去除一部分的噪声,但仍有大量的噪声与信号叠加在一起被仪器检测记录,

  因此鉴别和排除声发射信号中的噪声显得十分重要。噪声的鉴别和排除是声发射技术的主要难题。

  V. Kostopoulos等[ 2 ]对Nextel 720纤维增强陶瓷基复合材料的损伤声发射信号进行了识别研究,利用统计模式识别方法对信号实行先除噪后分类。以信号的持续时间、振铃计数和幅度作为模式特征,利用最大最小距离法将信号分成两大类,分别对应噪声与

  声发射信号,实现信噪分离。这是一种无监督的分类方法,对于噪声源未知的实际损伤检测信号分类无疑是十分方便有效的。作为一种实验研究, C. Bhat等[利用神经网络模式识别对各种模拟噪声和参杂模拟噪声的碳纤维增强复合材料(CFRP)断裂声发射分别进行了分类研究。对模拟噪声的分类,以上升时间、振铃计数、能量和幅度作为模式特征,选用了多层感知机(MLP) 模型和Kohonen 自组织特征映射(KSOM)与MLP混合模型分别进行分类。结果表明,混合模型具有更好的分类能力;对噪声与声发射信号的分类,利用MLP模型分别研究了输出为2类(分别对应噪声与信号)和7类(分别对应噪声与每种信号)的分类方法,取得了不同的分类效果。MLP模型

  是有监督的识别方法, KSOM网络模型则实现无监督的识别功能。研究表明,可用无监督的识别方法对未知样本进行预分类,再采取有监督识别方法实现分类识别,以提高识别方法的适用性。

  2.2 模式识别用于信号源的识别

  复合材料损伤过程中所存在的损伤模式不同或所处的损伤阶段不同,其声发射信号有较大的差别。信号在传播过程中由于界面等因素引起的声波的多次反射、折射和模式转换,加上传播衰减及传感器频响特性等的影响,使得被检测到的复合材料声发射信号表现为复杂的非平稳随机信号。研究复合材料损伤机制的关键是研究声发射信号与损伤模式之间的关系,通过信号产生的先后顺序及信号随时间(或载荷)的变动分布等情况分析其损伤机制。利用模式识别方法将大量复杂的信号区分,沧州欧谱基本上是以每种类别的信号对应一种损伤模式,因此能清楚反映信号与源的关系。

  模式识别方法的选择与训练样本的选取有关,若实验采集的训练样本是已知模式类别的样本,则可用有监督学习方法。如C. Bhat等[ 3 ]用MLP模型对混杂模拟噪声的CFRP断裂声发射进行了两种信噪分类。将信噪统分为两类,各种损伤模式对应的声发射与噪声各成一类。不同的类别输出产生不同的分类效果。值得指出的是选择已知类别属性的训练样本时采用的办法是从每种模式中选取已有的典型信号,并将其重复选取以获得足够数目的样本集。

  一般来说,由于复合材料损伤声发射过程同时产生多种模式信号,对信号所属模式未知的情况下可用无监督学习方法进行训练识别。如对2D 碳/碳层合板复合材料断裂机理的研究, Y. Z. Pappas等[ 4 ]以幅度、能量、持续时间、振铃计数和上升时间作为k2Means识别方法的模式特征,通过对缺口大小不同的样本材料的声发射信号分类,并比较分析不同材料的不同类别,得出损伤机制。T. P. Philip2p idis等用一种改进的学习矢量量化网络(LVQ)作为识别方法,除了上升时间、能量、幅度外还选取了衰减角(幅度/持续时间) 、上升衰减区域(上升时间/持续时间) 、归一化峰值前振铃计数(峰值前振铃计数/振铃计数) 、衰减/峰值前振铃计数比作为

  模式特征。对玻璃纤维增强复合材料( GFRP) , S.Huguet和N. Godin等以上升时间、振铃计数、能量、持续时间、幅度和峰值前振铃计数作为KSOM识别网络的模式特征,对90°、45°单向GFRP的声发射信号进行分类,识别出基体损伤、纤维与基体分离两种

  损伤模式的信号[ 6 ] ,还尝试了利用k2Means方法对样本进行预分类,再以k2近邻法( k2NN)作有监督分类识别[ 7 ] 。这是一个有监督与无监督识别方法很好结合的例子。H. N. Bar等[ 8 ]也用KSOM与MLP混合模型识别了( 0°/0°) 、( 0°/90°)和( ±45°) 3种

  GFRP层合板材料的声发射信号。对于无监督模式识别方法中的聚类分析方法,也可考虑将两种算法结合使用,发挥算法的优势。N. Godin等[ 9 ]对GFRP复合材料层合板的声发射信号以KSOM与k2Means结合的方法作分类。V. Kostopoulos等[ 2 ]先用最大

  最小距离法对Nextel 720纤维增强陶瓷基复合材料除噪后的信号进行初步分类,以初步分类后的各类别中心作为其它分类算法的初始条件,分别进行了Forgy、Cluster Seeking、Isodata和k2Means 4种算法的分类。对于不同的算法,所运用的模式特征是不一

  样的,得到的类别数目和样本分类情况也不一样。通过对比各种算法得到的结果,根据对复合材料损伤的已有认识,建立起损伤模式与类别的对应关系来分析材料的损伤过程,并用扫描电子显微镜观察断裂表面对损伤进行鉴别。

  3 问题与展望

  模式识别在复合材料声发射信号分析中的应用已初见成效,它能方便快捷而有效地处理大量数据。但这一领域的研究尚属起步阶段,仍存在很多问题,有待进一步的深入探讨。

  (1)特征的选取。目前模式识别在复合材料声发射信号分析中的应用,基本上是采用声发射信号的特征参数及由它们计算出来的参数作为模式特征,具体的选取对于不同的材料或不同的模式分类方法都是不定的[ 2~9 ] 。由于复合材料中存在多种声发射源,不同信号源的某些信号参数在一定程度上相互叠加,使得选出有明显分类能力的参数作为模式特征变得困难。寻找出既简单又能有效区分特定损伤模式声发射信号的特征,乃至能有效区分每种声发射信号的特征,仍是亟需解决的问题。解决思路大致可分为①对所选信号参数作进一步降维处理,如采用主分量分析法( PCA)对选取的特征进一步降维[ 10 ] ,以将特征简单化; ②利用其它的特征提取办法对信号重新提取特征,如利用小波包分解法将信号进行分解,计算出分解频段的小波能量,将其作为模式特征.

  (2)分类器的设计。利用模式识别对声发射信号进行研究的一个很重要特点是它可以对完全未知的对象作出合理的分类。焊缝探伤仪http://www.hanfengtanshangyi.com对复合材料损伤机制的研究,可设计实验获得每种损伤模式的典型声发射信号,利用这些信号作训练样本进行有监督模式识别,也可直接获得损伤过程中复杂的声发射信号,对其进行类别数确定或不定的无监督识别。模式识别算法效果的差异也使得如何选用适当的算法分类成为一个重要问题,适用性更广的算法或算法组合还需进一步的探讨。对于复合材料各种损伤模式的声发射,其特征都有一定的范围,在一定程度上是难以区分的,因此输入和输出模糊化的模糊识别方法也是一种颇具潜力的方法。

  (3)样本的选取。模式识别尤其神经网络模式识别需要对待分类的模式提供大量的样本进行分类器的参数优化与训练学习,这增加实验的耗时与费用。解决的办法是用数值模拟声发射信号 ,但这需要对研究对象有较清楚的认识。C. Bhat等用重复选取样本的办法来增加样本的数量,这为大量样本的采集问题提供了新的解决思路。

  (4)复杂信号的处理。目前模式识别能做到的是对混杂的几种类别的信号进行区分,但还不能将一个复杂信号分解以判断其所包含的信号类型。复合材料损伤过程中实际采集到的信号是复杂的信号,即一个采集信号是各种损伤模式产生的声发射信号与噪声的叠加信号。模式识别只能做到将信号笼统地归为某一损伤模式所产生,可判断出该时刻的主要损伤形式,但判断的精确度尚未达到能根据信号直观地确定可能存在的损伤模式,这还有待更深入地研究。

  (5)信号的除噪。模式识别在信号除噪方面的应用尚不多,鉴于模式识别方便快捷、对大量信号并行处理的识别能力及复合材料声发射信号的复杂性,模式识别用于声发射信号的除噪还有很大的发展空间。

  (6)受信号来源的限制。复合材料的声发射是一种宽频信号,由于传播衰减和传感器频响特性的影响,探测到的信号可能已损失了一部分有用信息,尤其是对一些弱信号的材料和损伤模式来说,这影响到模式识别的效果。模式识别对复合材料的声发射信号的分析效果还有赖于声发射技术与声发射基本理论的进一步发展。

  4 结束语

  模式识别是研究声发射源机制与信号对应关系的有效工具,可为研究复合材料损伤机理提供较准确的依据。随着计算机和人工智能技术的进一步发展,复合材料声发射信号的模式识别研究将日趋深入。模式识别不仅在复合材料的损伤机理研究方面,还将在判断损伤程度及预测寿命等方面会有显著贡献。
责任编辑:ndt 转载请注明出处 www.wusunjiance.net

最火资讯

首页 | 关于我们 | 联系我们 | 发展历程 | 网站声明 | 合作洽谈 | 常见问题 | 广告报价 | 服务协议

Copyright © 2010-2017 无损检测网 版权所有 备案号:冀ICP备10013405号-141