CN101975825B - 一种提取拉深件裂纹声发射信号特征参数的方法 - Google Patents

Abstract

本发明公开一种提取拉深件裂纹声发射信号特征参数的方法，声发射传感器的输出信号依次输入前置放大器、声发射处理模块和计算机；13个声发射特征参数并输入计算机中；然后将13个声发射特征信号作为BP网络特征提取的输入向量，对13个声发射特征参数进行训练，并计算各声发射特征参数对裂纹信号的灵敏度，根据灵敏度优化提取其中5个声发射特征参数来表征裂纹信号。本发明将各声发射特征参数通过BP神经网络的优化提取，将BP神经网络的输入从13个降低到5个，降低了输入端的维数，降低了网络的计算复杂程度，同时也提高了特征参数反应拉深件成形状态的能力，提高了BP神经网络识别裂纹的准确性。

Description

一种提取拉深件裂纹声发射信号特征参数的方法

技术领域

本发明涉及拉深件制造领域，尤其涉及对拉深件在制造过程中所产生的裂纹声发射信号特征参数的提取方法，也可用于其它锻造、旋转机械等状态监测和故障辨别。

背景技术

拉深件是工业生产的主要制件之一，特别在汽车覆盖件上应用相当广泛。由于模具的工作环境极其恶劣，拉深件在成形过程中不仅要承受高接触压力和剧烈的摩擦，而且要承受循环加载引起的应力、应变和温度的周期性变化，易使制件产生裂纹。有些微小裂纹肉眼难以察觉，在生产过程中会产生成批的废品，给企业带来巨大经济损失。目前，拉深件质量的好坏全靠现场人员的经验判断，属于事后检测，具有一定的时滞性。当发现某制件产生裂纹时，在该制件之前已有相当数量的制件产生了裂纹，因此，会导致制件次品的增多和材料的浪费。

目前，针对拉深制件的质量监测和故障诊断，有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。但金属裂纹声发射信号是短时冲击信号，不能满足时序建模的平稳性要求，而且样本采集也有困难，因此，采用时序建模的方法来进行监测金属裂纹其实难以实现。

发明内容

本发明的目的是为克服上述现有技术的不足，提供一种优化的提取拉深件裂纹声发射特征参数的方法，可同步提取出最能表征拉深件裂纹声发射信号的几种参数。

本发明采用的技术方案是：拉深件的声发射信号通过凸模和凹模输入与凸模和凹模相接触的声发射传感器，声发射传感器的输出信号依次输入前置放大器、声发射处理模块和计算机；先是声发射处理模块提取声发射上升时间、声发射事件计数，能量、持续时间、幅度、平均频率、有效值电压、平均信号电平、回响频率、初始化频率、强度、频率质心、峰值频率这13个声发射特征参数并输入计算机中；然后将所述13个声发射特征信号作为BP网络特征提取的输入向量，对所述13个声发射特征参数进行训练，并计算各声发射特征参数对裂纹信号的灵敏度，根据灵敏度优化提取其中的声发射上升时间、声发射事件计数，能量、频率质心、峰值频率5个声发射特征参数来表征裂纹信号；最后根据所述5个声发射特征参数在线监测拉深件是否正常或产生裂纹。

进一步地：BP神经网络为一个隐藏层的三层BP神经网络，输入层为13个神经元，隐藏层为8个神经元，输出层为2个神经元；权的初始值域取(-0.05，0.05)，最大的循环迭代为5000；灵敏度的计算公式为：

式中：ξ_ik为灵敏度；u_jk为隐藏层神经元的净输出，

w_ij为权值，权值取0.01；x_i为输入层；σ_j为输出层的阀值。

本发明将各声发射特征参数通过BP神经网络的优化提取，将BP神经网络的输入从13个降低到5个，降低了输入端的维数，降低了网络的计算复杂程度，同时也提高了特征参数反应拉深件成形状态的能力，提高了BP神经网络识别裂纹的准确性，并且，在成形现场的强噪声环境下，能准确区分噪声信号和裂纹信号，具有平稳性高的特点。

附图说明

图1是提取拉深件裂纹声发射信号特征参数的结构连接示意图。

图2是图1提取拉深件裂纹声发射信号特征参数方法的流程图。

图中：1-凸模；2-凹模；3-声发射传感器；4-前置放大器；5-声发射处理模块；6-计算机。

具体实施方式

如图1所示，先建立一个完整的声发射测试平台，将声发射传感器3分别与凸模1和凹模2相接触安装，拉深件的声发射信号通过凸模1和凹模2传递输入到声发射传感器3。将声发射传感器3依次连接前置放大器4、声发射处理模块5和计算机6。声发射传感器3输出的信号经过前置放大器4放大后输入声发射处理模块5，声发射处理模块5对通过前置放大器4放大后的信号进行滤波和提取，滤去部分环境噪音，提取声发射上升时间、声发射事件计数，能量、持续时间、幅度、平均频率、有效值电压、平均信号电平、回响频率、初始化频率、强度、频率质心、峰值频率这13个声发射特征参数，然后将这13个声发射特征参数输入计算机6中，计算机6通过BP神经网络对这13个声发射特征参数进行优化提取，只提取其中的声发射上升时间、声发射事件计数，能量、频率质心、峰值频率这5个声发射特征参数。

如图2，本发明采用BP神经网络将声发射特征参数进行优化提取时，先采用图1结构获得训练BP神经网络的原始数据，再对BP神经网络特征提取器的结构进行设计，配置其参数，然后选择BP神经网络的训练样本，对训练样本进行训练，最后对训练的结果进行识别和处理分析，若BP神经网络参数设置合理，并且各个训练样本选择合适，则计算各样本的灵敏度；若BP神经网络参数设置不合理，则重新设置BP神经网络的参数并对其结构进行改进。若训练样本选择不合理，则重新选择样本。具体方法如下：

一、上述BP神经网络特征提取器的设计和参数配置包括隐层的设计、权和阀值初始值的确定和迭代停止标准等：

1、隐层的设计

本发明采用具有一个隐藏层的三层BP网络，确定隐藏层的神经元个数公式为：

$n_1=\sqrt{n+m}+a$

其中：m为输入神经元个数，n为输出神经元个数，a为【1，10】的常数。

输入神经元为声发射上升时间、声发射事件计数，能量、持续时间、幅度、平均频率、有效值电压、平均信号电平、回响频率、初始化频率、强度、频率质心、峰值频率，输出神经元是制件正常、产生裂纹，因此隐层神经元的个数可为5-14个，通过比较采用各个隐层神经元个数训练下的网络误差和训练次数，在隐层神经元为8个的情况下网络误差和训练次数最小，因此确定本发明隐层神经元为8个。

本发明在神经网络的隐层和输出层，激活函数采用的是Sigmoid函数形式如下：

其中v_j(n)是神经元j的诱导局部域，且根据非线性，

的范围在【0，1】之间，通过调整a，b，c的值来改变函数的饱和区，从而调整输出。

在a，b，c均取1时，训练和识别都有较好的效果，此时激活函数的表达式为：

形同 $f\left(x\right)=\frac{1}{1+e^{-x}}$

2、权的初始阀值的确定

权值和阀值是随着迭代的进行而更新的，并且一般是收敛的，但权的初始值太大，可能导致网络很快就达到饱和。本发明为了尽可能避免饱和，并考虑到网络的收敛速度以及样本的复杂性，较小的初始值域更利于权值均匀地随机初始，权的初始值域取(-0.05，0.05)，对初始权值在上述范围内采用重复试验的方法，通过比较拟合效果，确定最佳初始权值。

3、迭代停止标准

设置最大的循环迭代为5000；循环次数超过5000次仍未达到迭代停止标准，则表明实验失败。收敛目标允许存在有误差，在网络的输出和样本之间的差小于给定的误差范围，则停止对网络权值的修正。

之后，采用变化的自适应学习率保证BP神经网络能够稳定并快速地收敛，采用变化的自适应学习速率的调整公式是：

其中η(k)表示学习速率，SSE(k)表示训练的误差。

二、本发明将声发射上升时间、声发射事件计数，能量、持续时间、幅度、平均频率、有效值电压、平均信号电平、回响频率、初始化频率、强度、频率质心、峰值频率这13个声发射特征信号作为BP网络的训练样本。考虑到拉深件在成形过程中凸模1和凹模2的往复运动和一个周期内的受力振动的特点，以及拉深件内部产生应力波的影响，选择带宽为100KHz-300KHz的谐振式声发射传感器3，产生裂纹时能对其相应的声信号进行捕捉。声发射传感器3获取的信号中不仅有裂纹信号，同时还有制件与凹模2和凸模1的摩擦信号和工作环境的噪音信号，所以声发射检测模块5对所获取的声发射信号先通过滤波处理，滤去混在裂纹信号中的干扰信号，然后通过A/D转换，将所得模拟信号准换为数字信号作为BP网络的训练的原始样本。由于各个参数衡量的指标不一样，原始样本各个分量数量级有很大的差异，为了让各输入数据在区间为【0，1】里，因此对输入数据进行归一化处理，归一化处理所用的公式为：

$x=\frac{x-x_{\min }}{x_{\max }-x_{\min }}$

三、将归一化处理后的13个声发射特征信号作为BP网络特征提取的输入向量，然后，构造样本库对网络进行训练。根据获得的声发射信号参数，确定初始化网络参数、最大迭代次数、动量因子，激活函数、训练精度、训练准则。网络参数确定完毕后，打开样本训练库，装载样本特征训练集，输入训练样本，确定网络结构，输入各层的网络节点，采用一个隐藏层的三层BP神经网络，输入层有13个神经元，隐藏层有8个神经元，输出层为2个神经元。

四、对训练的结果进行识别和处理分析，若BP神经网络参数设置合理，并且各个训练样本选择合适，则计算各样本各个参数对裂纹特征的的灵敏度。为了得知各个参数对裂纹信号的表征程度，通过计算各参数对裂纹信号的灵敏度ξ来表征各个参数对裂纹信号的表征程度，在本发明中，特征参数X对识别结果Y的灵敏度ξ(Y/X)定义为：

$\mathrm{\ξ}(Y/X)=\left|\frac{\∂X}{\∂Y}\right|$

由于拉深件在成形过程中所处状态Y和特征参数之间存在单调性，即随着裂纹程度的提高，特征参数X也呈上升趋势，因此，在操作中应用灵敏度较高的参数。

在本发明中，BP神经网络特征提取器采用的是改进的BP神经网络模型，输入层和隐层之间的激活函数是S型函数，其中x_i(i＝1，2……，L)、z_j(j＝1、2……，M)、y_k(k＝1，2……M)分别代表输入层、隐含层和输出层，δ_k和σ_j分别表示隐含层、输出层的阀值，则

$y_k=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{u}_{\mathrm{jk}}{z}_j-{\mathrm{\δ}}_k$

因此，特征参数x_i对状态类别y_k的灵敏度为

$\frac{\∂y_k}{\∂x_i}=\frac{\∂y_k}{\∂z_1}\frac{\∂z_1}{\∂x_i}+\frac{\∂y_k}{\∂z_2}\frac{\∂z_2}{\∂x_i}+\·\·\·\frac{\∂y_k}{\∂z_M}\frac{\∂z_m}{\∂x_i}$

由上式可得： $\frac{\∂y_k}{\∂z_j}=u_{\mathrm{jk}}$

通过数学变换得到隐藏层神经元的净输出u_jk：

最后得到灵敏度ξ_ik：

${\mathrm{\ξ}}_{\mathrm{ik}}=\frac{\∂y_k}{\∂x_i}\∝\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{u}_{\mathrm{jk}}$

式中w_ij表示权值，权值取0.01，u_jk表示隐藏层神经元的净输出。

利用灵敏度ξ_ik来评价各声发射特征参数对裂纹信号的表征程度，按大小从大到小顺序排列最终得出声发射上升时间、声发射事件计数，能量、频率质心、峰值频率这5个声发射特征参数表征裂纹程度最为显著，能够对制件是否正常还是产生裂纹进行在线监测。

Claims (1)

1.一种提取拉深件裂纹声发射信号特征参数的方法，拉深件的声发射信号通过凸模(1)和凹模(2)输入与凸模(1)和凹模(2)相接触的声发射传感器(3)，所述与凸模和凹模相接触的声发射传感器(3)的输出信号依次输入前置放大器(4)、声发射处理模块(5)和计算机(6)，其特征是还包括如下步骤：

A、声发射处理模块(5)提取声发射上升时间、声发射事件计数、能量、持续时间、幅度、平均频率、有效值电压、平均信号电平、回响频率、初始化频率、强度、频率质心、峰值频率这13个声发射特征参数并输入计算机(6)中；

B、将所述13个声发射特征参数作为BP神经网络特征提取的输入向量，对所述13个声发射特征参数进行训练，并计算各声发射特征参数对裂纹信号的灵敏度，根据灵敏度优化提取其中的声发射上升时间、声发射事件计数，能量、频率质心、峰值频率5个声发射特征参数来表征裂纹信号；所述BP神经网络为一个隐藏层的三层BP神经网络，输入层为13个神经元，隐藏层为8个神经元，输出层为2个神经元；权的初始值域取(-0.05，0.05)，最大的循环迭代为5000；所述灵敏度的计算公式为：

${\mathrm{\ξ}}_{\mathrm{ik}}=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{u}_{\mathrm{jk}},$

式中：ξ_ik为灵敏度；u_jk为隐藏层神经元的净输出，w_ij为权值，权值取0.01；x_i为输入层；σ_j为输出层的阀值；i＝1，2……，L；j＝1、2……，M；

C、根据所述5个声发射特征参数在线监测拉深件是否正常或产生裂纹。

Images