CN101566601A - 采用神经网络和耦合迭代对16Mn钢承力件进行拉伸损伤状态的识别系统 - Google Patents

Abstract

本发明公开了一种采用神经网络和耦合迭代对16Mn钢承力件进行拉伸损伤状态的识别系统，该系统由多个声发射换能器(4)、多路前置放大器(3)、一个声发射仪(2)和一个16Mn钢承力件无损检测单元(1)组成。16Mn钢承力件无损检测单元(1)包括有过滤模块(11)、数据融合模块(12)。16Mn钢承力件无损检测单元(1)内嵌在声发射仪(2)的存储器中。本发明采用声发射神经网络和数据融合模型对16锰钢拉伸损伤状态进行识别，建立了16Mn钢拉伸损伤状态识别诊断系统：首先采用神经网络构建一个损伤度标志模型，然后用该模型对每个声发射换能器信息进行局部诊断；进而用神经网络输出结果构造数据融合模块的基本概率值；最后采用数据融合的组合公式对拉伸损伤状态进行诊断。利用该模型，可对16Mn钢拉伸过程中的损伤状态进行识别、诊断，进而对其可靠运行提供依据。

Description

采用神经网络和耦合迭代对16Mn钢承力件进行拉伸损伤状态的识别系统

技术领域

本发明涉及一种对在役16Mn钢承力件服役期间的失效状态进行识别的方法。更特别地说，是指一种对声发射换能器采集的数据首先进行神经网络的训练得到一个损伤度标志模型，然后应用该模型对在役16Mn钢承力件实时采集的声发射数据进行耦合迭代处理，从而识别出在役16Mn钢承力件属于何种拉伸损伤状态。

背景技术

港口大型机械设备中的岸边设备：如装船机、卸船机、抓斗机，常应用16锰钢作为关键承力件。岸边设备在使用一段时间后，作为主要承力件的16锰钢的损伤状态对整个岸边设备的使用寿命将造成重要影响。

16Mn钢(16锰钢)是结合我国资源情况发展起来的一种低合金钢，已被广泛使用。16Mn钢结构在服役一定的时间后，时常会发生一些失效事故，而损伤是造成其失效的主要原因，为此要对其损伤状态作出有效的识别，及时、正确地评价16Mn钢承力件的损伤程度，为其安全运行及寿命预测提供依据。

声发射技术(Acoustic Emission Technique)因具有动态、实时检测等优点，已广泛的应用于结构和构件的损伤检测。实践表明，材料在受力(形变)过程的不同阶段，其声发射特征会发生一系列不同的变化，也就是说16Mn钢承力件不同的损伤阶段，将有不同的声发射信号，而损伤状态的转变，往往引起声发射多个参数的变化，同时某一参数变化又可以是由多种损伤状态引起的，所以有必要采用多声发射换能器的信息融合技术，即充分利用不同时间与空间的多声发射换能器数据资源，采用计算机技术对按时间序列获得的多声发射换能器观测数据，在一定准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息。因此本发明将信息融合技术引入16Mn钢承力件损伤状态识别系统中，建立信息融合和人工神经网络相结合的诊断系统对16Mn钢承力件损伤状态进行识别、诊断。

神经网络是一种模拟人思维的一个非线性系统。BP神经网络学习算法可以描述为：首先标准化训练样本，初始化权值、阈值，然后输入训练样本，对每个样本计算其输出状态，得到其误差，并根据误差反向传播调整网络各层的权值与阈值，如此反复调整直到网络误差满足设置的条件为止。样本训练完成之后，输入检验样本，若此时网络误差小于检验误差，则该网络可以用于实际预测。

随着现代工业日益向大规模、高效率发展，作为港口重要物流装备的大型岸边起重机械，具有以下几个特点：

(1)设备老，有很多大型起重机是60年代至70年代我国自行设计制造或从东欧进口，还有少数是从美、日等国进口的二手设备，按设计寿命20～25年考虑，很多设备也已进入服役后期或超期服役阶段；

(2)任务重，随着生产规模的扩大，以及起重机更新的滞后，许多起重机的工作日趋繁重，超载的情况也时有发生；

(3)目前的损伤检测方法不成熟，超声波检测和磁粉检测等方法对起重机进行的部分抽样检测，盲目性大、易出现漏检且检测的周期长，工作量大，费用昂贵；

(4)预警评估系统不完善，目前应用的分析判别技术还不能对起重机承力件的损伤做出准确的预警和安全评估。

因此，为确保起重机安全可靠的运行，须对承力件进行检测、判断承力件的损伤状态，从而进行安全评估。

发明内容

为了减少岸边设备在使用过程中突发断裂造成的人员伤害、设备损失和经济损失，本发明提出一种采用神经网络和耦合迭代的组合方法来识别在役16Mn钢承力件的不同拉伸损伤状态。该状态识别首先采用神经网络方法对多路声发射换能器采集得到的信息进行神经网络训练，获得用于判断16Mn钢承力件不同拉伸损伤状态的损伤度标志模型；然后用该模型的神经网络输出结果构造耦合迭代模型，获得数据融合模块，进而将数据融合模块内嵌在16Mn钢承力件识别系统中。内嵌有本发明的数据融合模块在工作状态下，能够对在役16Mn钢承力件不同损伤状态进行识别，并对识别出的结果作出预警。

本发明的一种采用神经网络和耦合迭代对16Mn钢承力件进行拉伸损伤状态的识别系统，该系统包括有多个声发射换能器(4)、多路前置放大器(3)、一个声发射仪(2)，其特征在于：还包括有一个16Mn钢承力件无损检测单元(1)；

16Mn钢承力件无损检测单元(1)包括有过滤模块(11)和数据融合模块(12)，其中，过滤模块(11)有数据滤波处理模块(11A)和波形滤波处理模块(11B)，数据融合模块(12)有损伤度标志模型(12A)和耦合迭代模型(12B)；

声发射换能器(4)与前置放大器(3)为配套使用，即每一个声发射换能器(4)的输出端与一个前置放大器(3)的输入端连接，每一个前置放大器(3)的输出端连接在声发射仪(2)的信息输入接口上，该信息输入接口用于接收多路突发型放大信息f_S；16Mn钢承力件无损检测单元(1)内嵌在声发射仪(2)的存储器中；

声发射换能器(4)，用于采集在役16Mn钢承力件上的突发型信息S_n；

前置放大器(3)，用于对接收到的突发型信息S_n进行放大40dB后成为突发型放大信息f_S；

声发射仪(2)，一方面用于对接收到的突发型放大信息f_S经A/D转换后成为数字突发型信息f_S1＝(e_S，A_S，C_S，R_S，D_S)输出给16Mn钢承力件无损检测单元(1)；另一方面对接收到的拉伸损伤识别信息D输出给显示屏(2A)进行实时显示；

16Mn钢承力件无损检测单元(1)的过滤模块(11)中的数据滤波处理模块(11A)对接收到的数字突发型信息f_S1＝(e_S，A_S，C_S，R_S，D_S)进行参数滤波，滤掉电磁噪声和环境噪声后，提纯得到声发射拉伸损伤初步信息f_S2＝(e₀，A₀，C₀，R₀，D₀)；然后波形滤波处理模块(11B)对声发射拉伸损伤初步信息f_S2＝(e₀，A₀，C₀，R₀，D₀)进行波形滤波，获得声发射拉伸损伤信息f_S4＝(e，A，C，R，D)；

16Mn钢承力件无损检测单元(1)的数据融合模块(12)中的损伤度标志模型(12A)对声发射拉伸损伤信息f_S4＝(e，A，C，R，D)中偶数时间点采集的声发射信息I′_ID，s＝[E_ID，tq，s A_ID，tq，s C_ID，tq，s R_ID，tq，s D_ID，tq，s]进行处理后输出待诊断样本；该待诊断样本经耦合迭代模型(12B)解析后输出拉伸损伤识别信息D输出给声发射仪(2)。

本发明是一种依据声发射信息，采用神经网络对损伤状态进行局部识别，然后应用数据融合技术对神经网络诊断结果进行融合，识别诊断出16Mn钢承力件最终的损伤状态，该识别系统的优点在于：

(A)采用声发射仪中的采集卡对使用过一段时间的16Mn钢承力件上的声发射换能器的声发射信息(能量e_S、测量幅度A_S、振铃计数C_S、上升时间R_S、持续时间D_S)进行采集，并将该相关信息作为声发射神经网络的识别系统的信息输入，使得本发明在声发射检测过程中，能通过声发射仪对声发射换能器信息进行采集，然后根据声发射信息参数和波形的变化，识别出是损伤信息，还是噪声信息。

(B)能综合、支配和使用多个、多种类型声发射换能器的监测数据，充分利用各个声发射换能器的信息，增大了诊断结果的可靠性与准确性，提高了诊断系统的适应能力。

(C)神经网络和数据融合理论相结合的综合识别诊断系统，具有一定的容错能力，能满足钢结构复杂系统损伤诊断的要求。

附图说明

图1是16Mn钢承力件无损检测系统结构框图。

图2是本发明的16Mn钢承力件无损检测单元的结构框图。

具体实施方式

下面将结合附图和实施例对本发明做进一步的详细说明。

在声发射损伤状态模式中包括有：弹性损伤状态、屈服损伤状态、硬化损伤状态和断裂损伤状态。在役承力件一般在弹性损伤状态下工作，当处于屈服损伤状态、硬化损伤状态和断裂损伤状态三种状态之一时，该承力件损伤比较严重，使用者应当对承力件进行实时重点检测、监测或者更换，因此对承力件进行无损检测可以预防和减少事故的发生，以减少突发断裂造成的人员伤害、设备损失和经济损失。

参见图1、图2所示，对于16Mn钢承力件的无损检测系统一般由多个声发射换能器4(也称传感器)、多路前置放大器3、一个声发射仪2和一个16Mn钢承力件无损检测单元1组成，其中，16Mn钢承力件无损检测单元1由过滤模块11和数据融合模块12构成。过滤模块11中有数据滤波处理模块11A和波形滤波处理模块11B。数据融合模块12中有损伤度标志模型12A和耦合迭代模型12B。16Mn钢承力件无损检测单元1采用Matlab语言(版本7.0)开发。声发射换能器4与前置放大器3为配套使用，即每一个声发射换能器4的输出端与一个前置放大器3的输入端连接，每一个前置放大器3的输出端连接在声发射仪2的信息输入接口上，该信息输入接口用于接收多路突发型放大信息f_S。16Mn钢承力件无损检测单元1内嵌在声发射仪2的存储器中。在本发明中，声发射仪2选取美国PAC公司生产的DiSP声发射系统，声发射换能器4选取美国PAC公司生产的CZ系列或者WD系列声发射换能器，多路前置放大器3选取美国PAC公司生产的2/4/6型前置放大器。

声发射换能器4，用于采集在役16Mn钢承力件上的突发型信息S_n。在本发明中，对于声发射换能器4所需设置的个数以其传感范围为40cm～100cm/个。

前置放大器3，用于对接收到的突发型信息S_n进行放大40dB后成为突发型放大信息f_S。

声发射仪2，一方面用于对接收到的突发型放大信息f_S经A/D转换后成为数字突发型信息f_S1＝(e_S，A_S，C_S，R_S，D_S)输出给16Mn钢承力件无损检测单元1；另一方面对接收到的拉伸损伤识别信息D输出给显示屏2A进行实时显示。声发射仪2中自备有A/D转换器。

在本发明中，利用声发射换能器4在进行信息采集时，不但将损伤信息进行采集，同时也将噪声(环境噪声、电磁噪声、机械摩擦噪声)进行采集(即e_S，A_S，C_S，R_S，D_S信息中是包括有噪声的)，因此，在本发明中，采用了数据滤波和波形滤波对采集获得的信息进行了去噪处理。这样的去噪其目的在于得到本发明所需的用于进行拉伸损伤监测的五个参数。本发明仅用了能量e_S、测量幅度A_S、振铃计数C_S、上升时间R_S和持续时间D_S五个参数。

16Mn钢承力件无损检测单元1的过滤模块11中的数据滤波处理模块11A对接收到的数字突发型信息f_S1＝(e_S，A_S，C_S，R_S，D_S)进行参数滤波，滤掉电磁噪声和环境噪声后，提纯得到拉伸损伤初步信息f_S2＝(e₀，A₀，C₀，R₀，D₀)；然后波形滤波处理模块11B对拉伸损伤初步信息f_S2＝(e₀，A₀，C₀，R₀，D₀)进行波形滤波，获得拉伸损伤信息f_S4＝(e，A，C，R，D)。该拉伸损伤信息f_S4＝(e，A，C，R，D)经损伤度标志模型12A、耦合迭代模型12B解析后输出拉伸损伤识别信息D输出给声发射仪2。

拉伸损伤初步信息f_S2＝(e₀，A₀，C₀，R₀，D₀)中e₀是指能量e_S经参数滤波后的能量(简称参数滤波能量)，A₀是指测量幅度A_S经参数滤波后的测量幅度(简称参数滤波幅度)，D₀是指持续时间D_S经参数滤波后的持续时间(简称参数滤波持续时间)。

拉伸损伤信息f_S4＝(e，A，C，R，D)中e是指参数滤波能量e₀经波形滤波后的能量(简称波形滤波能量)，A是指参数滤波幅度A₀经波形滤波后的幅度(简称波形滤波幅度)，D_t是指参数滤波持续时间D₀经波形滤波后的持续时间(简称波形滤波持续时间)。

为了获得在役16Mn钢承力件的损伤度标志模型，本发明采用了BP神经网络学习算法进行模型训练。其训练步骤如下：

训练步骤一，将声发射仪2接收的在采集时间T内所有的声发射拉伸损伤信息进行存储，即存储的是f_S4＝(e，A，C，R，D)信息，或称为原始数据信息；

训练步骤二，选取采集时间T内的奇数时间点的声发射拉伸损伤信息进行累积处理，得到累积奇数能量E_ID，tp，s、累积奇数测量幅度A_ID，tp，s、累积奇数振铃计数C_ID，tp，s、累积奇数上升时间R_ID，tp，s和累积奇数持续时间D_ID，tp，s；该E_ID，tp，s、A_ID，tp，s、C_ID，tp，s、R_ID，tp，s和D_ID，tp，s作为BP神经网络学习算法中的训练样本输入层信息，该训练样本输入层信息表达形式为I_ID，s＝[E_ID，tp，s A_ID，tp，s C_ID，tp，s R_ID，tp，s D_ID，tp，s]；

训练步骤三，对训练步骤二获取的训练样本输入层信息I_ID，s与训练样本隐含层M_ID，s、训练样本输出层信息O_ID，s构建出针对在役16Mn钢承力件的损伤度标志模型，该损伤度标志模型表达形式为D_g＝{I_ID，s，M_ID，s，O_ID，s}；

训练步骤四，选取采集时间T内的偶数时间点的声发射拉伸损伤信息进行累积处理，得到累积偶数能量E_ID，tq，s、累积偶数测量幅度A_ID，tq，s、累积偶数振铃计数C_ID，tq，s、累积偶数上升时间R_ID，tq，s和累积偶数持续时间D_ID，tq，s；该E_ID，tq，s、A_ID，tq，s、C_ID，tq，s、R_ID，tq，s和D_ID，tq，s作为BP神经网络学习算法中的待诊断样本输入层信息，该待诊断样本输入层信息的表达形式为I′_ID，s＝[E_ID，tq，sA_ID，tq，sC_ID，tq，sR_ID，tq，sD_ID，tq，s]；

训练步骤五，将训练步骤四获取的待诊断样本输入层信息I′_ID，s代入训练步骤三获得的损伤度标志模型D_g中，应用BP神经网络学习算法分别得到待诊断样本输出层信息O′_ID，s和训练误差E_n；

训练步骤六，将训练步骤五得到的待诊断样本输出层信息O′_ID，s采用证据理论数据融合(也称耦合迭代)进行处理，得到识别诊断结果m(B_i)。

在本发明中，识别诊断结果m(B_i)是指在役16Mn钢承力件的弹性损伤状态、屈服损伤状态、硬化损伤状态和断裂损伤状态之一。

在本发明中，训练步骤二中的训练样本输入层信息I_ID，s＝[E_ID，tp，sA_ID，tp，sC_ID，tp，sR_ID，tp，sD_ID，tp，s]中各字母的物理意义为：

E_ID，tp，s表示累积奇数能量，

A_ID，tp，s表示累积奇数测量幅度，

C_ID，tp，s表示累积奇数振铃计数，

R_ID，tp，s表示累积奇数上升时间，

D_ID，tp，s表示累积奇数持续时间，

ID表示声发射换能器的代码，

tp表示在声发射换能器采集时间T内的奇数时间点，也称训练样本的选取时间，

s表示声发射换能器的类型。

训练样本输入层信息I_ID，s中的5个元素即为5个节点。

在本发明中，训练步骤三中的训练样本隐含层M_ID，s＝2×5+1＝11，即训练样本隐含层M_ID，s的节点个数为I_ID，s的节点个数的二倍加一。

在本发明中，训练步骤三中的训练样本输出层信息 $O_{\mathrm{ID},s}=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right],$

[1000]表示训练样本时的弹性损伤状态标志码，

[0100]表示训练样本时的屈服损伤状态标志码，

[0010]表示训练样本时的硬化损伤状态标志码，

[0001]表示训练样本时的断裂损伤状态标志码。

训练样本输出层信息O_ID，s中的4个元素即为4个节点。

在本发明中，训练步骤四中的待诊断样本输入层信息I′_ID，s＝[E_ID，tq，sA_ID，tq，sC_ID，tq，sR_ID，tq，sD_ID，tq，s]中各字母的物理意义为：

E_ID，tq，s表示累积偶数能量，

A_ID，tq，s表示累积偶数测量幅度，

C_ID，tq，s表示累积偶数振铃计数，

R_ID，tq，s表示累积偶数上升时间，

D_ID，tq，s表示累积偶数持续时间，

ID表示声发射换能器的代码，

tq表示在声发射换能器采集时间T内的偶数时间点，也称待诊断样本的选取时间，

s表示声发射换能器的类型。

在本发明中，训练步骤五中的待诊断样本输出层信息

$O_{\mathrm{ID},s}^{\′}=\left[\begin{array}{ccccc}{f}_1\left(A_1\right)& f_1\left(A_2\right)& & f_1\left(A_3\right)& f_1\left(A_4\right)\\ f_2\left(A_1\right)& f_2\left(A_2\right)& & f_2\left(A_3\right)& f_2\left(A_4\right)\\ & & \·& & \\ & & \·& & \\ & & \·& & \\ f_n\left(A_1\right)& f_n\left(A_2\right)& & f_n\left(A_3\right)& f_n\left(A_4\right)\end{array}\right],$ 其中：

f₁(A₁)表示经损伤度标志模型得到的第1个待诊断样本的第一个输出节点的实际值，

f₁(A₂)表示经损伤度标志模型得到的第1个待诊断样本的第二个输出节点的实际值，

f₁(A₃)表示经损伤度标志模型得到的第1个待诊断样本的第三个输出节点的实际值，

f₁(A₄)表示经损伤度标志模型得到的第1个待诊断样本的第四个输出节点的实际值，

f₂(A₁)表示经损伤度标志模型得到的第2个待诊断样本的第一个输出节点的实际值，

f₂(A₂)表示经损伤度标志模型得到的第2个待诊断样本的第二个输出节点的实际值，

f₂(A₃)表示经损伤度标志模型得到的第2个待诊断样本的第三个输出节点的实际值，

f₂(A₄)表示经损伤度标志模型得到的第2个待诊断样本的第四个输出节点的实际值，

f_n(A₁)表示经损伤度标志模型得到的第n个待诊断样本的第一个输出节点的实际值，

f_n(A₂)表示经损伤度标志模型得到的第n个待诊断样本的第二个输出节点的实际值，

f_n(A₃)表示经损伤度标志模型得到的第n个待诊断样本的第三个输出节点的实际值，

f_n(A₄)表示经损伤度标志模型得到的第n个待诊断样本的第四个输出节点的实际值，

n表示在待诊断样本选取时间tq中的待诊断样本个数。

设第n个待诊断样本的节点最大值w＝max(f_n(A₁)，f_n(A₂)，f_n(A₃)，f_n(A₄))：

当w＝f_n(A₁)时，则第n个待诊断样本的损伤状态标志码为F_n(A_i)＝[1 0 0 0]，i＝1，2，3，4(i表示输出节点)，即第一个输出节点(i＝1)的输出值为1，第二个输出节点(i＝2)的输出值为0，第三个输出节点(i＝3)的输出值为0，第四个输出节点(i＝4)的输出值为0；

当w＝f_n(A₂)时，则第n个待诊断样本的损伤状态标志码为F_n(A_i)＝[0 1 0 0]，i＝1，2，3，4(i表示输出节点)，即第一个输出节点(i＝1)的输出值为0，第二个输出节点(i＝2)的输出值为1，第三个输出节点(i＝3)的输出值为0，第四个输出节点(i＝4)的输出值为0；

当w＝f_n(A₃)时，则第n个待诊断样本的损伤状态标志码F_n(A_i)＝[0 0 1 0]，i＝1，2，3，4(i表示输出节点)，即第一个输出节点(i＝1)的输出值为0，第二个输出节点(i＝2)的输出值为0，第三个输出节点(i＝3)的输出值为1，第四个输出节点(i＝4)的输出值为0；

假如w＝f_n(A₄)，设第n个待诊断样本的损伤状态标志码F_n(A_i)＝[0 0 0 1]，i＝1，2，3，4(i表示输出节点)，即第一个输出节点(i＝1)的输出值为0，第二个输出节点(i＝2)的输出值为0，第三个输出节点(i＝3)的输出值为0，第四个输出节点(i＝4)的输出值为1。

在本发明中，训练步骤五中的训练误差 $E_n=\frac{1}{2}\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{(f_n\left(A_i\right)-F_n\left(A_i\right))}^2$ 其中：

F_n(A_i)表示第n个待诊断样本的第i个输出节点的输出值，

f_n(A_i)表示经损伤度标志模型得到的第n个待诊断样本的第i个输出节点的实际值。

在本发明中，在训练步骤六中进行的耦合迭代处理步骤为：

步骤(A)，基本概率分配处理

对待诊断样本输出层信息 $O_{\mathrm{ID},s}^{\′}=\left[\begin{array}{ccccc}{f}_1\left(A_1\right)& f_1\left(A_2\right)& & f_1\left(A_3\right)& f_1\left(A_4\right)\\ f_2\left(A_1\right)& f_2\left(A_2\right)& & f_2\left(A_3\right)& f_2\left(A_4\right)\\ & & \·& & \\ & & \·& & \\ & & \·& & \\ f_n\left(A_1\right)& f_n\left(A_2\right)& & f_n\left(A_3\right)& f_n\left(A_4\right)\end{array}\right]$ 进行耦合迭代处理，得到每个声发射换能器基本概率值 $m_n\left(A_i\right)=\frac{f_n\left(A_i\right)}{\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{f}_n\left(A_i\right)+E_n}$ 和不确定程度m_n(θ)＝1-m_n(A_i)，这样就能够构造出每个声发射换能器的耦合迭代模型的基本概率分配。

步骤(B)，识别诊断处理

基于步骤(A)中获得每个声发射换能器的基本概率值 $m_n\left(A_i\right)=\frac{f_n\left(A_i\right)}{\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{f}_n\left(A_i\right)+E_n},$ 应用耦合迭代模型中的证据组合公式 $m\left(B_i\right)=\frac{\underset{\∩A_i=B_i}{\mathrm{\Σ}}\underset{j\∈n}{\mathrm{\Π}}{m}_j\left(A_i\right)}{1-\underset{\∩A_i=\mathrm{\φ}}{\mathrm{\Σ}}\underset{j\∈n}{\mathrm{\Π}}{m}_j\left(A_i\right)},$ 将待诊断样本个数n进行融合得到融合后的基本概率值，即m(B_i)。

耦合迭代模型中的证据组合公式 $m\left(B_i\right)=\frac{\underset{\∩A_i=B_i}{\mathrm{\Σ}}\underset{j\∈n}{\mathrm{\Π}}{m}_j\left(A_i\right)}{1-\underset{\∩A_i=\mathrm{\φ}}{\mathrm{\Σ}}\underset{j\∈n}{\mathrm{\Π}}{m}_j\left(A_i\right)}$ 中，m(B_i)表示融合后的待诊断样本中的第i个(i＝1，2，3，4)输出节点的基本概率值，m_j(A_i)表示第j个待诊断样本的第i个(i＝1，2，3，4)输出节点的基本概率值，A_i表示待诊断样本中的四个节点，B_i表示待诊断样本融合后的四个节点。

设第n个待诊断样本融合后的节点最大值w′＝max(m(B₁)，m(B₂)，m(B₃)，m(B₄))，

当w′＝m(B₁)时，诊断结果为：在役16Mn钢承力件处于弹性拉伸损伤状态下，

当w′＝m(B₂)时，诊断结果为：在役16Mn钢承力件处于屈服拉伸损伤状态下，

当w′＝m(B₃)时，诊断结果为：在役16Mn钢承力件处于硬化拉伸损伤状态下，

当w′＝m(B₄)时，诊断结果为：在役16Mn钢承力件处于断裂拉伸损伤状态下。

由此，得到由损伤度标志模型和耦合迭代模型判断出的拉伸损伤状态m(B_i)，识别诊断结果m(B_i)，其中i＝1，2，3，4，i表示输出节点。

实施例1：对40t(吨)轨道式起重机的承力件进行声发射检测。

承力件：悬臂有效伸度：5000mm，检测长度3000mm。

承力件所用的16Mn钢成分如表1所示。

表1承力件所用的16Mn钢成分

成分	C	Mn	Si	P	S	Ca
							质量百分比含量(％)	0.16	1.42	0.31	0.022	0.033	0.10

检测用设备有：(A)两个R15窄频声发射换能器(PAC公司的CZ系列，响应频率为100kHz～400kHz，中心频率150kHz)和两个宽频换能器(PAC公司的WD系列，响应频率为20kHz～1MHz)。

(B)四个PAC公司的2/4/6型前置放大器。

(C)声发射仪为美国PAC公司全数字式16通道DiSP声发射系统。声发射仪检测时的门槛值40dB，声发射峰值定义时间PDT为300μs，声发射撞击限定时间HDT为600μs，声发射撞击闭锁时间HLT为1000μs。

在16Mn钢承力件的损伤度标志模型中，部分声发射神经网络的诊断结果如表2所示。

表2部分声发射神经网络的诊断结果

经内嵌有本发明的16Mn钢承力件无损检测单元1的声发射仪对多路传感信息数据融合的结果如表3所示。

表3融合结果

	m(B1)	m(B2)	m(B3)	m(B4)	m(θ)	识别判断结果
							基本概率值	0.9993	0	0	0	0	弹性损伤状态

由此可见，数据融合能降低神经网络局部融合的不确定度，使得诊断决策的可信度大幅度地提高。同时，提高了诊断系统的容错能力，并能满足钢结构复杂系统损伤诊断的要求。

本发明采用声发射神经网络和数据融合模型对16Mn钢拉伸损伤状态进行识别，建立了16Mn钢拉伸损伤状态识别诊断系统：首先用神经网络模型对每个声发射换能器信息进行局部诊断；然后用神经网络输出结果构造数据融合模块的基本概率值；最后采用数据融合的组合公式对拉伸损伤状态进行诊断。利用该模型，可对16Mn钢拉伸过程中的损伤状态进行识别、诊断，进而对其可靠运行提供依据。

Claims (6)

1、一种采用神经网络和耦合迭代对16Mn钢承力件进行拉伸损伤状态的识别系统，该系统包括有多个声发射换能器(4)、多路前置放大器(3)、一个声发射仪(2)，其特征在于：还包括有一个16Mn钢承力件无损检测单元(1)；

16Mn钢承力件无损检测单元(1)包括有过滤模块(11)和数据融合模块(12)，其中，过滤模块(11)有数据滤波处理模块(11A)和波形滤波处理模块(11B)，数据融合模块(12)有损伤度标志模型(12A)和耦合迭代模型(12B)；

声发射换能器(4)与前置放大器(3)为配套使用，即每一个声发射换能器(4)的输出端与一个前置放大器(3)的输入端连接，每一个前置放大器(3)的输出端连接在声发射仪(2)的信息输入接口上，该信息输入接口用于接收多路突发型放大信息f_S；16Mn钢承力件无损检测单元(1)内嵌在声发射仪(2)的存储器中；

声发射换能器(4)，用于采集在役16Mn钢承力件上的突发型信息S_n；

前置放大器(3)，用于对接收到的突发型信息S_n进行放大40dB后成为突发型放大信息f_S；

声发射仪(2)，一方面用于对接收到的突发型放大信息f_S经A/D转换后成为数字突发型信息f_S1＝(e_S，A_S，C_S，R_S，D_S)输出给16Mn钢承力件无损检测单元(1)；另一方面对接收到的拉伸损伤识别信息D输出给显示屏(2A)进行实时显示；

16Mn钢承力件无损检测单元(1)的过滤模块(11)中的数据滤波处理模块(11A)对接收到的数字突发型信息f_S1＝(e_S，A_S C_S，R_S，D_S)进行参数滤波，滤掉电磁噪声和环境噪声后，提纯得到声发射拉伸损伤初步信息f_S2＝(e₀，A₀，C₀，R₀，D₀)；然后波形滤波处理模块(11B)对声发射拉伸损伤初步信息f_S2＝(e₀，A₀，C₀，R₀，D₀)进行波形滤波，获得声发射拉伸损伤信息f_S4＝(e，A，C，R，D)；

16Mn钢承力件无损检测单元(1)的数据融合模块(12)中的损伤度标志模型(12A)对声发射拉伸损伤信息f_S4＝(e，A，C，R，D)中偶数时间点采集的声发射信息I′_ID，s＝[E_ID，tq，s A_ID，tq，s C_ID，tq，s R_ID，tq，s D_ID，tq，s]进行处理后输出待诊断样本；该待诊断样本经耦合迭代模型(12B)解析后输出拉伸损伤识别信息D输出给声发射仪(2)。

2、根据权利要求1所述的采用神经网络和耦合迭代对16Mn钢承力件进行拉伸损伤状态的识别系统，其特征在于所述数据融合模块(12)的构建采用了BP神经网络学习算法进行模型训练，该训练步骤为：

训练步骤一，将声发射仪(2)接收的在采集时间T内所有的声发射拉伸损伤信息进行存储，即存储的是f_S4＝(e，A，C，R，D)信息，或称为原始数据信息；

训练步骤二，选取采集时间T内的奇数时间点的声发射拉伸损伤信息进行累积处理，得到累积奇数能量E_ID，tp，s、累积奇数测量幅度A_ID，tp，s、累积奇数振铃计数C_ID，tp，s、累积奇数上升时间R_ID，tp，s和累积奇数持续时间D_ID，tp，s；该E_ID，tp，s、A_ID，tp，s、C_ID，tp，s、R_ID，tp，s和D_ID，tp，s作为BP神经网络学习算法中的训练样本输入层信息 $I_{\mathrm{ID},s}=\left[\begin{array}{ccccc}{E}_{\mathrm{ID},\mathrm{tp},s}& A_{\mathrm{ID},\mathrm{tp},s}& C_{\mathrm{ID},\mathrm{tp},s}& R_{\mathrm{ID},\mathrm{tp},s}& D_{\mathrm{ID},\mathrm{tp},s}\end{array}\right];$

训练步骤三，对训练步骤二获取的训练样本输入层信息与训练样本隐含层M_ID，s、训练样本输出层信息O_ID，s构建出针对在役16Mn钢承力件的损伤度标志模型D_g＝{I_ID，s，M_ID，s，O_ID，s}；

训练步骤四，选取采集时间T内的偶数时间点的声发射拉伸损伤信息进行累积处理，得到累积偶数能量E_ID，tq，s、累积偶数测量幅度A_ID，tq，s、累积偶数振铃计数C_ID，tq，s、累积偶数上升时间R_ID，tq，s和累积偶数持续时间D_ID，tq，s；该E_ID，tq，s、C_ID，tq，s、R_ID，tq，s和D_ID，tq，s作为BP神经网络学习算法中的待诊断样本输入层信息I′_ID，s＝[E_ID，tq，s A_ID，tq，s C_ID，tq，s R_ID，tq，s D_ID，tq，s]；

训练步骤五，将训练步骤四获取的待诊断样本输入层信息代入训练步骤三获得的损伤度标志模型中，应用BP神经网络学习算法分别得到待诊断样本输出层信息O′_ID，s和训练误差E_n；

训练步骤六，将训练步骤五得到的待诊断样本输出层信息O′_ID，s采用证据理论数据融合进行处理，得到识别诊断结果m(B_i)。

3、根据权利要求2所述的采用神经网络和耦合迭代对16Mn钢承力件进行拉伸损伤状态的识别系统，其特征在于：训练步骤三中的训练样本输出层信息 $O_{\mathrm{ID},s}=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right],$ [1000]表示训练样本时的弹性损伤状态标志码，[0100]表示训练样本时的屈服损伤状态标志码，[0010]表示训练样本时的硬化损伤状态标志码，[0001]表示训练样本时的断裂损伤状态标志码；训练样本输出层信息O_ID，s中的4个元素即为4个节点。

4、根据权利要求2所述的采用神经网络和耦合迭代对16Mn钢承力件进行拉伸损伤状态的识别系统，其特征在于：训练步骤五中的待诊断样本输出层信息 $O_{\mathrm{ID},s}^{\′}=\left[\begin{array}{ccccc}{f}_1\left(A_1\right)& f_1\left(A_2\right)& & f_1\left(A_3\right)& f_1\left(A_4\right)\\ f_2\left(A_1\right)& f_2\left(A_2\right)& & f_2\left(A_3\right)& f_2\left(A_4\right)\\ & & .& & \\ & & .& & \\ & & .& & \\ f_n\left(A_1\right)& f_n\left(A_2\right)& & f_n\left(A_3\right)& f_n\left(A_4\right)\end{array}\right].$

5、根据权利要求2所述的采用神经网络和耦合迭代对16Mn钢承力件进行拉伸损伤状态的识别系统，其特征在于：训练步骤五中的训练误差为 $E_n=\frac{1}{2}\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{(f_n\left(A_i\right)-F_n\left(A_i\right))}^2.$

6、根据权利要求2所述的采用神经网络和耦合迭代对16Mn钢承力件进行拉伸损伤状态的识别系统，其特征在于所述训练步骤六中进行的耦合迭代处理步骤为：

步骤(A)，基本概率分配处理

对待诊断样本输出层信息 $O_{\mathrm{ID},s}^{\′}=\left[\begin{array}{ccccc}{f}_1\left(A_1\right)& f_1\left(A_2\right)& & f_1\left(A_3\right)& f_1\left(A_4\right)\\ f_2\left(A_1\right)& f_2\left(A_2\right)& & f_2\left(A_3\right)& f_2\left(A_4\right)\\ & & .& & \\ & & .& & \\ & & .& & \\ f_n\left(A_1\right)& f_n\left(A_2\right)& & f_n\left(A_3\right)& f_n\left(A_4\right)\end{array}\right]$ 进行耦合迭代处理，得到每个声发射换能器基本概率值 $m_n\left(A_i\right)=\frac{f_n\left(A_i\right)}{\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{f}_n^{\′}\left(A_i\right)+E_n}$ 和不确定程度m_n(θ)＝1-m_n(A_i)，这样就能够构造出每个声发射换能器的耦合迭代模型的基本概率分配；

步骤(B)，识别诊断处理

基于步骤(A)中获得每个声发射换能器的基本概率值 $m_n\left(A_i\right)=\frac{f_n\left(A_i\right)}{\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{f}_n\left(A_i\right)+E_n},$ 应用耦合迭代模型中的证据组合公式 $m\left(B_i\right)=\frac{\underset{\∩A_i=B_i}{\mathrm{\Σ}}\underset{j\∈n}{\mathrm{\Π}}{m}_j\left(A_i\right)}{1-\underset{\∩A_i=\mathrm{\φ}}{\mathrm{\Σ}}\underset{j\∈n}{\mathrm{\Π}}{m}_j\left(A_i\right)},$ 将待诊断样本个数n进行融合得到融合后的基本概率值，即m(B_i)；

耦合迭代模型中的证据组合公式 $m\left(B_i\right)=\frac{\underset{\∩A_i=B_i}{\mathrm{\Σ}}\underset{j\∈n}{\mathrm{\Π}}{m}_j\left(A_i\right)}{1-\underset{\∩A_i=\mathrm{\φ}}{\mathrm{\Σ}}\underset{j\∈n}{\mathrm{\Π}}{m}_j\left(A_i\right)}$ 中，m(B_i)表示融合后的待诊断样本中的第i个输出节点的基本概率值，m_j(A_i)表示第j个待诊断样本的第i个输出节点的基本概率值，A_i表示待诊断样本中的四个节点，B_i表示待诊断样本融合后的四个节点；

设第n个待诊断样本融合后的节点最大值w′＝max(m(B₁)，m(B₂)，m(B₃)，m(B₄))，当w′＝m(B₁)时，诊断结果为：在役16Mn钢承力件处于弹性拉伸损伤状态下，当w′＝m(B₂)时，诊断结果为：在役16Mn钢承力件处于屈服拉伸损伤状态下，当w′＝m(B₃)时，诊断结果为：在役16Mn钢承力件处于硬化拉伸损伤状态下，当w′＝m(B₄)时，诊断结果为：在役16Mn钢承力件处于断裂拉伸损伤状态下；由此，得到由损伤度标志模型和耦合迭代模型判断出的拉伸损伤状态m(B_i)，识别诊断结果m(B_i)。

Images