CN101949895B - 一种金属拉深件微小裂纹冲击性信号的识别方法 - Google Patents

Abstract

本发明公开一种金属拉深件微小裂纹冲击性信号的识别方法，先采用声发射传感器对金属拉深件微小裂纹声发射冲击性信号进行采集，对采集的信号进行前置放大、滤波和A/D转换预处理，将预处理的信号输入计算机中，再进行小波包分析，对小波包分解后的不同频段的数据进行重构，采用时间序列的方法对去噪后的声发射信号进行时序分析，建立时序模型，最后在计算机中结合模糊综合评判方法与最大隶属度原则实现对金属拉深件的状态辨别。本发明能提高特征参数反映实际工况的准确度，在保证获得足够信息的前提下，可以大大减少采样数目，频率定位准确且清晰，适合于在线监测的高要求场合。

Description

一种金属拉深件微小裂纹冲击性信号的识别方法

技术领域

本发明涉及一种基于金属件声发射技术的状态检测及故障诊断方法，特别涉及用于在拉深状态下对金属制件的早期微小裂纹的识别方法。

背景技术

拉深是利用专用模具将平板毛坯支撑开口空心零件的一种冲压工艺方法。用拉深方法可以制成筒形、阶梯形、锥形、球形和其它不规则形状的薄壁零件，如果和其它冲压成型工艺配合，还可以制造形状极为复杂的零件。用拉深方法来制造薄壁空心件，生产效率高，省材料，零件的强度和刚度好，精度较高，拉深可加工范围非常广泛，直径从几毫米的小零件直至2～3m的大型零件，因此，拉深在汽车、航空航天、国防、电器和电子等工业部门以及日用品生产中占据相当重要的地位。

在拉深件的加工检测中，应用最为普遍的是目测。但利用目测只能判断拉深件产品显而易见的质量问题，如圆角拉裂、凸缘起皱等变形严重的问题。而金属材料在拉深成形过程中，其不同区域的变形程度、受力情况以及摩擦与润滑等情况千差万别，拉深件在成形过程中产生裂纹在所难免，由于这些裂纹是在材料内部产生，所以肉眼难以察觉。一旦制件内部产生裂纹，如果不及时察觉，将导致大量次品的出现。由于早期裂纹比较细小，在产品使用初期可能并不会影响到产品的性能，但在使用一段时间后，会因为受力、振动、环境等因素使裂纹进一步扩展，当裂纹扩展到一定程度会造成较大的安全事故和经济损失。

金属件拉深过程裂纹声发射的频率较高且在时域上是突发性的非平稳时序信号，信号频率在100～300KHz之间，属于高频率声发射信号。此外，金属微观裂纹扩展成为宏观裂纹之前，需要经过裂纹的慢扩展阶段，理论计算表明，裂纹扩展所需要的能量比裂纹形成需要的能量约大100～1000倍，因此对金属裂纹识别最好的办法是采用能量分析法。

对金属拉深件声发射裂纹检测的传统方法是采用FFT(傅里叶)频谱分析，选取某些特征频率的幅值来进行诊断，这种方法的缺陷是只考虑了正弦振动的能量，却没有考虑到频带里信号的所有能量，包括非线性、非平稳的振动能量，而且对于采集的数据量要求较大，难以满足现场在线监测的高要求场合。

发明内容

本发明的目的是为了克服现有技术中金属拉深件裂纹特征参数提取的不准确性及低效率性等不足，提出一种准确性高、效率高、计算速度快的基于小波包分解与自回归谱分析的金属拉深件早期微小裂纹冲击性声发射信号的识别方法。

本发明采用如下步骤实现：先采用声发射传感器对金属拉深件微小裂纹声发射冲击性信号进行采集，对采集的信号进行前置放大、滤波和A/D转换预处理，将预处理的信号输入计算机中，再进行小波包分析，对小波包分解后的不同频段的数据进行重构，然后采用时间序列的方法对去噪后的声发射信号进行时序分析，建立时序模型，最后在计算机中结合模糊综合评判方法与最大隶属度原则实现对金属拉深件的状态辨别。

本发明的有益效果是：

1、本发明针对声发射采集信号的影响，运用时序分析的方法对瞬时冲击性声发射信号进行特征量的提取，从金属件拉伸过程产生的裂纹声发射信号中提取微弱的缺陷信息，即早期微小裂纹信号，主要识别过程可在微型计算机上进行，提高了特征参数反映实际工况的准确度，易操作和实施。

2、本发明采用小波包技术对金属拉深件早期微小裂纹冲击性声发射的非平稳信号进行全面的精细的频率分解，可将包括正弦信号在内的任意信号分解到相应的频带内。

3、本发明采用自回归谱分析建立动态时序模型，对动态数据具有外延特性，对周期性较强的序列不要求严格按周期采样，在保证获得足够信息的前提下，可以大大减少采样数目，频率定位准确且清晰，适合于在线监测的高要求场合。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细说明。

图1是本发明流程示意图。

具体实施方式

如图1所示，本发明对采集到的金属件裂纹声发射信号进行放大、滤波、A/D转换及归一化处理前期数据预处理之后，采用小波包技术分解信号至不同频带，根据金属裂纹及环境噪声的频率特性，剔除噪声及摩擦磨损信号，即对信号进行小波消噪处理；对去噪后的信号进行重构，而后进行自回归谱分析，选取能量参数，形成辨别缺陷所需的特征向量，最后采用模糊综合评判实现对裂纹的精确识别。具体步骤如下：

先采用声发射传感器对金属早期微小裂纹声发射原始纹冲击性信号进行采集，对采集的信号进行必要的预处理，预处理包括对信号进行前置放大、滤波和A/D转换，预处理后将信号输入计算机中。

再在计算机中对数据信号先进行归一化，而后再进行小波包分析。应用北京鹏翔科技有限公司PXAES型号声发射系统软件，采用基于矩阵实验室环境下的信号分析软件进行数据的小波包分解，选择恰当的小波基函数、分解次数。由于状态检测过程数据采集量大、高频声发射信号具有脉冲衰减性、具有环境噪声等特点，故选用多贝西(Daubechies)系列小波基，多贝西(Daubechies)系列小波基是典型的紧支撑性正交小波基，这样可以有效地提取金属拉深件声发射信号的特征。根据金属拉深件声发射信号频率范围特点，将小波包分解次数定为3次。

对上述小波包分解后的不同频段的数据进行重构，重构的依据是根据分解所得不同频带的信号，将环境噪声信号、摩擦磨损信号对应频带的权数置零，而后合成其它所有频带的信号，如此完成对声发射信号去噪，提高了待辨别信号的真实性。

然后在计算机中采用时间序列的方法对去噪后的声发射信号进行时序分析，建立时序模型，建立时序模型的内容如下：

1、采用如下式(1)所示的自回归(AR)模型研究声发射信号的时域、频域及能量特征，估计自回归模型的参数；

x_k＝φ₁x_k-1+φ₂x_k-2+…+φ_nx_k-n+a_k，

式(1)中x_k，x_k-1，…，x_k-n表示信号幅值，φ₁，φ₂，…，φ_n表示自回归模型参数，a_k表示白噪声，

表示a_k的方差。

采用尤耳-沃克(Yule-Walker)方程估计法估计出φ₁，φ₂，…，φ_n和

这n+1个参数。

2、确定模型阶数，根据最小最终预报误差准则(FPE准则)，由样本对模型定阶。根据模型的预报误差来判明自回归模型的阶数是否合适，最终预报误差定义为：

$\mathrm{FPE}\left(n\right)={\mathrm{\σ}}_a^2\·\frac{N+n}{N-n}---\left(2\right)$

式(2)中N是观测数据长度，n为自回归模型的阶数，FPE(n)表示模型阶数的函数。当n增大时，模型残差方差下降，但(N+n)/(N-n)值增大，因此，取使FPE(n)最小的n值作为模型的最佳阶数。FPE准则只适用于判断AR模型的阶次。

3、根据下式(3)的系统输入、输出的自功率谱与传递函数的关系，得出时间序列{x_k}的自回归谱图。

S_out(w)＝S_in(w)|H_x(w)|²                                (3)

这里S_in(w)为输入白噪声的功率谱密度，S_out(w)为输出白噪声的功率谱密度，T_s为采样时间，Δ为采样间隔，H_x(w)为传递函数，也称为频率响应特性函数，其中：

S_in(w)＝σ_a ²·T_s                                        (4)

$H_x\left(w\right)=\frac{1}{1-\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\φ}}_j{e}^{-\mathrm{iwj\Δ}}}---\left(5\right)$

4、根据时间序列{x_k}的自回归(AR)谱图，提取声发射信号时序模型的特征参数，在AR谱中要提取的特征参数有：总能量、高频能量、高频能量比、谱峰峰值和中心频率。

自回归谱图也是功率谱密度，从中提取能量由下式(6)实现：

$E=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{PSD}\left(i\right)\mathrm{\Δf}---\left(6\right)$

式中：N为AR谱图上特定分析频带内谱线的数目；PSD(i)为对应于第i条谱线的功率谱密度函数值；Δf为频率分辨率。

最后，本发明在计算机中采用模糊识别的方法，结合模糊综合评判方法与最大隶属度原则在计算机中实现对金属拉深件的状态辨别，其包括以下步骤：

(1)确定征兆集

在金属拉深件的状态识别中，对制件的每一种缺陷，根据制件的各种资料统计出该种故障发生时所有可能表现出的各种征兆，设共有n中不同的征兆，则各种不同的征兆构成的集合就是征兆集，它可表示为X＝{x₁，x₂，…，x_n}。

(2)确定故障(状态原因)集

在金属拉深件的状态识别中，根据金属拉深件各种资料和实际的经验可统计出各种故障状态。设共有m种故障状态，则所有可能故障构成的集合可表示为Ω＝{w₁，w₂，…，w_m}。这些故障状态具有不同程度的模糊性。

(3)构造模糊评价矩阵

首先对故障Ω中的一个故障w_i(i＝1，2，...，m)作单故障模糊评判，确定被评判对象对征兆集x_j(j＝1，2，…，n)的隶属度(可能性程度)r_ij，这样就得出第i个故障w_i的单故障模糊集：

r_i＝(r_i1，r_i2，…，r_in)

模糊评价矩阵是征兆集X上的模糊子集，这样m个故障的评价集就构造出一个总的评价模糊矩阵R

$R=\left[\begin{array}{cccc}{r}_{11}& r_{12}& \·\·\·& r_{1n}\\ r_{21}& r_{22}& \·\·\·& r_{2n}\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ r_{m1}& r_{m2}& \·\·\·& r_{\mathrm{mn}}\end{array}\right]$

R即是故障论域U到征兆域X的一个模糊关系，u_R(w_i， x_j)＝r_ij表示w_i和x_j之间隶属关系的程度，即评判对象按w_i评判时取x_j的亲疏程度。

(4)确定权重集(重要程度系数)

根据诸故障在总评价中的重要程度构造重要程度系数，用a_i(i＝1，2，...，m)表示第i个故障w_i在总评价中重要程度的权数，因此各权数组成的集合为故障论域U上的模糊子集A，记作：

$A=\frac{a_1}{w_1}+\frac{a_2}{w_2}+\·\·\·+\frac{a_m}{w_m}$

或者

A＝(a₁，a₂，…，a_m)

式中a_i(0≤a_i≤1)为w_i对A的隶属度。

(5)模糊综合评判

当模糊向量A和模糊关系矩阵为已知时，作模糊变换来进行模糊综合评判。

$B=A\·R=(a_1,a_2,\·\·\·,a_m)\·\left[\begin{array}{cccc}{r}_{11}& r_{12}& \·\·\·& r_{1n}\\ r_{21}& r_{22}& \·\·\·& r_{2n}\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ r_{m1}& r_{m2}& \·\·\·& r_{\mathrm{mn}}\end{array}\right]=(b_1,b_2,\·\·\·,b_n),$

B称为征兆集X上的模糊子集，b_j(j＝1，2…，n)为征兆x_j综合评判所得模糊子集B的隶属度。如果要选一个决策，则可按照最大隶属度原则选择最大的b_j所对应的征兆x_j作为综合评判的结果。

Claims (1)

1.一种金属拉深件微小裂纹冲击性信号的识别方法，采用声发射传感器对金属拉深件微小裂纹声发射冲击性信号进行采集，对采集的信号进行前置放大、滤波和A/D转换预处理，将预处理的信号输入计算机中，其特征是采用如下步骤：

(A)将计算机中的预处理信号进行小波包分析，对小波包分解后的不同频段的数据进行重构，根据分解所得不同频带的信号，将环境噪声信号、摩擦磨损信号对应频带的权数置零，合成其它所有频带的信号，完成对声发射信号去噪；

(B)在计算机中采用时间序列的方法对去噪后的声发射信号进行时序分析，建立时序模型，建模内容如下：

1)采用式(1)的自回归模型研究声发射信号的时域、频域及能量特征，估计自回归模型的参数；

x_k＝φ₁x_k-1+φ₂x_k-2+…+φ_nx_k-n+a_k，

式中：x_k，x_k-1，…，x_k-n表示信号幅值，φ₁，φ₂，…，φ_n表示自回归模型参数，a_k表示白噪声，

表示a_k的方差；

采用尤耳-沃克方程估计法估计出φ₁，φ₂，…，φ_n和

这n+1个参数；

2)根据最小最终预报误差准则由样本对模型定阶，根据模型的预报误差来判明自回归模型的阶数是否合适，最终预报误差定义为：

$\mathrm{FPE}\left(n\right)={\mathrm{\σ}}_a^2\·\frac{N+n}{N-n}---\left(2\right)$

式中：N是观测数据长度，n为自回归模型的阶数，FPE(n)表示模型阶数的函数，当n增大时，模型残差方差下降，但(N+n)/(N-n)值增大，取使FPE(n)最小的n值作为模型的最佳阶数；

3)根据式(3)的系统输入、输出的自功率谱与传递函数的关系，得出所述信号幅值的时间序列{x_k}的自回归谱图：

S_out(w)＝S_in(w)|H_x(w)|²                                (3)

式中：S_in(w)为输入白噪声的功率谱密度，S_out(w)为输出白噪声的功率谱密度，T_s为采样时间，Δ为采样间隔，H_x(w)为传递函数，也称为频率响应特性函数，其中：

S_in(w)＝σ_a ²·T_s                                       (4)

$H_x\left(w\right)=\frac{1}{1-\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\φ}}_j{e}^{-\mathrm{iwj\Δ}}}---\left(5\right)$

4)根据时间序列{x_k}的自回归谱图，提取声发射信号时序模型的特征参数，在自回归谱图中要提取的特征参数有：总能量、高频能量、高频能量比、谱峰峰值和中心频率；

从自回归谱图提取能量由下式(6)实现：

$E=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{PSD}\left(i\right)\mathrm{\Δf}---\left(6\right)$

式中：N为自回归谱图上特定分析频带内谱线的数目；PSD(i)为对应于第i条谱线的功率谱密度函数值；Δf为频率分辨率；

(C)在计算机中结合模糊综合评判方法与最大隶属度原则实现对金属拉深件的状态辨别，步骤如下：

1)根据金属拉深件各种资料统计出故障发生时所有可能表现出的各种征兆，构成征兆集X＝{x₁，x₂，…，x_n}；

2)根据金属拉深件各种资料和实际的经验统计出各种故障状态构成的集合为Ω＝{w₁，w₂，…，w_m}；

3)首先对Ω中的一个故障w_i(i＝1，2，...，m)作单故障模糊评判，确定被评判对象对征兆集x_j(j＝1，2，…，n)的隶属度r_ij，得出第i个故障w_i的单故障模糊集：

r_i＝(r_i1，r_i2，…，r_in)

由m个故障的评价集构造出一个总的评价模糊矩阵

$R=\left[\begin{array}{cccc}{r}_{11}& r_{12}& \·\·\·& r_{1n}\\ r_{21}& r_{22}& \·\·\·& r_{2n}\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ r_{m1}& r_{m2}& \·\·\·& r_{\mathrm{mn}}\end{array}\right]$

R即是故障论域U到征兆域X的一个模糊关系，u_R(w_i，x_j)＝r_ij表示w_i和x_j之间隶属关系的程度；

4)用a_i(i＝1，2，...，m)表示第i个故障w_i在总评价中重要程度的权数，各权数组成的集合为故障论域U上的模糊子集A，记作：

A＝(a₁，a₂，…，a_m)

式中：a_i(0≤a_i≤1)为w_i对A的隶属度；

5)作模糊变换来进行模糊综合评判：

$B=A\·R=(a_1,a_2,\·\·\·,a_m)\·\left[\begin{array}{cccc}{r}_{11}& r_{12}& \·\·\·& r_{1n}\\ r_{21}& r_{22}& \·\·\·& r_{2n}\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ r_{m1}& r_{m2}& \·\·\·& r_{\mathrm{mn}}\end{array}\right]=(b_1,b_2,\·\·\·,b_n)$

B为征兆集X上的模糊子集，b_j(j＝1，2…，n)为征兆x_j综合评判所得模糊子集B的隶属度；

按照最大隶属度原则选择最大的b_j所对应的征兆x_j作为综合评判的结果。

Images