CN102279222B - 16Mn钢承力件疲劳损伤状态识别系统 - Google Patents

Abstract

本发明公开了一种基于SNF策略和DSD策略的16Mn钢承力件疲劳损伤状态识别系统，该系统包括有多个声发射换能器、多路前置放大器、一个声发射仪和16Mn钢疲劳损伤无损检测单元；16Mn钢疲劳损伤无损检测单元包括有SNF过滤模块、样本抽取模块、神经网络预测模块和DSD疲劳损伤识别模块，SNF过滤模块有SNF能量滤波处理模块，SNF幅值滤波处理模块和SNF波形滤波处理模块。该状态识别首先采用SNF策略对多路声发射换能器采集得到的信息进行多维滤波，并采用人工神经网络方法对滤波后的信号进行训练和预测，获得16Mn钢承力件的疲劳损伤参数；然后采用DSD策略对神经网络输出结果进行判定，确定被测件的疲劳损伤状态。该系统在工作状态下，能够对在役16Mn钢承力件的疲劳损伤参数进行预测，对不同损伤状态进行识别，并对识别出的结果作出预警。

Description

16Mn钢承力件疲劳损伤状态识别系统

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，是指一种基于SNF滤波策略和DSD判断策略，采用声发射技术及神经网络方法，对港口大型机械设备中在役16Mn钢承力件的疲劳损伤状态进行表征及定量评估的系统。 

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，而疲劳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，不同组织材料在受载荷作用时会发生不同程度的损伤，而损伤状态的不同发出的声发射信号特征也将不同。例如在受循环载荷作用的初期和末期发生的弹塑性损伤等。这些不同损伤状态的声发射波形信号幅度、相位、频率等参数都会各有区别。因此可以利用声发射技术作为监测16Mn钢承力件疲劳损伤状态的工具。 

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

为了减少大型承力件在使用过程中突发疲劳断裂造成的人员伤害、设备损失和经济损失，本发明提出一种基于SNF策略和DSD策略的神经网络方法来识别在役16Mn钢承力件的疲劳损伤参数，并对疲劳损伤状态进行判断的系统。该状态识别首先采用SNF策略对多路声发射换能器采集得到的信息进行多维滤波，并采用人工神经网络方法对滤波后的信号进行训练和预测，获得16Mn钢承力件的疲劳损伤参数；然后采用DSD策略对神经网络输出结果进行判定，确定被测件的疲劳损伤状态。该系统在工作状态下，能够对在役16Mn钢承力件的疲劳损伤参数进行预测，对不同损伤状态进行识别，并对识别出的结果作出预警。 

本发明是一种基于SNF策略和DSD策略的16Mn钢承力件疲劳损伤状态识别系统，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)和16Mn钢疲劳损伤无损检测单元(1)； 

16Mn钢疲劳损伤无损检测单元(1)包括有SNF过滤模块(11)、样本抽取模块(12)、神经网络预测模块(13)和DSD疲劳损伤识别模块(14)，SNF过滤模块(11)有SNF能量滤波处理模块(11A)，SNF幅值滤波处理模块(11B)和SNF波形滤波处理模块(11C)。 

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钢疲劳损伤无损检测单元(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，K_s，D_s)输出给16Mn钢疲劳损伤无损检测单元(1)；另一方面对接收到的疲劳损伤识别信息D输出给显示屏(2A)进行实时显示； 

接收到的数字突发型信息f_S1＝(e_s，A_s，C_s，K_s，D_s)在SNF能量滤波处理模块(11A)中得到能量滤波信息f_SE＝(e_s＞1，A_s，C_s，K_s，D_s)，f_SE即能量大于1的声发射信号集合； 

在SNF幅值滤波处理模块(11B)中得到幅值滤波信息f_SA＝(e_s，A_s＞30dB，C_s，K_s，D_s)，f_SA即幅值大于30dB的声发射信号集合； 

在SNF波形滤波处理模块(11C)中得到波形滤波信息f_SW∈(100kHz，400kHz)，f_SW即波形频率在100kHz到400kHz的声发射信号集合。 

最后得到声发射疲劳损伤信息f_S2＝(e，A，C，K，D)＝f_SE∩f_SA∩f_SW。 

16Mn钢疲劳损伤无损检测单元(1)的样本抽取模块模型(12)从声发射疲劳损伤信息f_S2＝(e，A，C，K，D)中选取训练样本I_ID，s＝[e_ID，tp，sA_ID，tp，sC_ID，tp，sK_ID，tp，sD_ID，tp，s]和待诊断样本I′_ID，s＝[e_ID，tq，sA_ID，tq，sC_ID，tq，sK_ID，tq，sD_ID，tq，s]，并将其输入至神经网络预测模块(13)中； 

16Mn钢焊接结构形变损伤无损检测单元(1)的神经网络预测模块(13)对I_ID，s＝[e_ID，tp，sA_ID，tp，sC_ID，tp，sK_ID，tp，sD_ID，tp，s]和I′_ID，s＝[e_ID，tq，sA_ID，tq，sC_ID，tq，sK_ID，tq，sD_ID，tq，s]进行训练得到待诊断样本输出层信息O_ID，s＝[dK_ID，tp，sA_ID，tp，sV_ID，tp，s]； 

16Mn钢焊接结构形变损伤无损检测单元(1)的DSD形变损伤识别模块(14) 对Q_ID，s＝[dK_ID，tp，sA_ID，tp，sV_ID，tp，s]进行解析判断后输出焊接结构形变损伤识别信息W＝(O′_ID，s，m(B_i))，该W＝(O′_ID，s，m(B_i))一方面回馈给声发射仪(2)，另一方面输出给报警单元(5)进行显示。 

本发明是一种依据声发射信息，采用神经网络对疲劳损伤参数进行预测，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、波形峰度K_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，同时分析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)综合利用了声发射信号的参数信息和波形信息，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)神经网络方法为基础的识别诊断系统，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是基于SNF策略和DSD策略的16Mn钢疲劳损伤评估系统框图。 

图2是本发明16Mn钢疲劳损伤无损检测单元框图。 

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。 

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钢疲劳损伤无损检测单元1组成，其中，16Mn钢疲劳损伤无损检测单元1由SNF过滤模块11、样本抽取模块12、神经网络预测模块13和DSD疲劳损伤识别模块14构成。SNF过滤模块11中有SNF能量滤波处理模块11A、SNF幅值滤波处理模块11B和SNF波形滤波处理模块11C。16Mn钢疲劳损伤无损检测单元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钢疲劳损伤无损检测单元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 

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 

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 

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，K_S，D_S)输出给16Mn钢疲劳损伤无损检测单元1；另一方面对接收到的疲劳损伤识别信息W＝(O′_ID，s，m(B_i))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。本发明仅用了能量e_S、测量幅度A_S、振铃计数C_S、波形峰度K_S和持续时间D_S五个参数。声发射仪2中自备有A/D转换器。在本发明中，声发射仪作为焊接结构形变损伤监测器件。在监测获得的信息中，波形峰度K_S与疲劳损伤中的裂纹扩展情况以及应力状态具有更好的相关性，能够更好的表征疲劳损伤信息，使用这些参数能综合利用声发射信号的参数信息和波形信息，增大了诊断结果的可靠性与准确性。 

SNF过滤模块11 

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，K_S，D_S信息中是包括有噪声的)，因此，在本发明中，采用了SNF策略对采集获得的信息进行了去噪处理。 

16Mn钢疲劳损伤无损检测单元1的SNF过滤模块11采用SNF策略对接收到的数字突发型信息f_S1＝(e_s，A_s，C_s，K_s，D_s)进行滤波，得到声发射疲劳损伤信息f_S2＝(e，A，C，K，D)。 

SNF(Signal Noise Filtering)策略是对声发射换能器采集的原始声发射信号进行多维滤波，除去电磁噪声，环境噪声及其他无关信号，得到疲劳损伤信号的一系列方法。 

接收到的数字突发型信息f_S1＝(e_s，A_s，C_s，K_S，D_s)在SNF能量滤波处理模块11A中得到能量滤波信息f_SE＝(e_s＞1，A_s，C_s，K_s，D_s)，f_SE即能量大于1的声发射信号集合； 

在SNF幅值滤波处理模块11B中得到幅值滤波信息f_SA＝(e_s，A_s＞30dB，C_s，K_s，D_s)，f_SA即幅值大于30dB的声发射信号集合； 

在SNF波形滤波处理模块11C中得到波形滤波信息f_SW∈(100kHz，400kHz)，f_SW即波形频率在100kHz到400kHz的声发射信号集合。 

最后得到声发射疲劳损伤信息f_S2＝(e，A，C，K，D)＝f_SE∩f_SA∩f_SW。 

样本抽取模块12 

16Mn钢疲劳损伤无损检测单元1的样本抽取模块12，从声发射疲劳损伤信息f_S2＝(e，A，C，K，D)中选取合适的样本集合进行训练和诊断：具体样本抽取步骤为： 

第一步：按时间先后顺序先将声发射形变损伤信息f_S2＝(e，A，C，K，D)中的N个样本进行编号，则有第一个样本编号记为F₁＝(e₁，A₁，C₁，K₁，D₁)，第二个样本编号记为F₂＝(e₂，A₂，C₂，K₂，D₂)，以此类推第民N个样本编号记为F_N＝(e_N，A_N，C_N，K_N，D_N)。 

第二步：设定分段间隔 

对所述的F₁＝(e₁，A₁，C₁，K₁，D₁)，F₂＝(e₂，A₂，C₂，K₂，D₂)、……、F_N＝(e_N，A_N，C_N，K_N，D_N)编号进行分段，则有第一段[F₁，F₂，F₃，…F_X]，第二段[F_X+1，F_X+2，F_X+3，…F_2X]，以及类推到最后一段[F_N-X+1，F_N-X+2，F_N-X+3，…F_N]。 

第三步：(A)在第一段[F₁，F₂，F₃，…F_X]中用随机抽样方法随机抽取一个个体； 

(B)以间隔X在第二段[F_X+1，F_X+2，F_X+3，…F_2X]中抽取一个个体； 

(C)以此类推，以间隔X在最后一段[F_N-X+1，F_N-X+12，F_N-X+3，…F_N]中抽取一个个体； 

在本发明中，步骤三中的(A)步、(B)步和(C)步是在每一段中所抽出的个体将作为抽样样本。 

在本发明中，按样本抽取步骤得到训练样本I_ID，s＝[e_ID，tp，sA_ID，tp，sC_ID，tp，sK_ID，tp，sD_ID，tp，s]；然后去除训练样本后再按上述抽样方法抽样得到待诊断样本I′_ID，s＝[e_ID，tq，sA_ID，tq，sC_ID，tq，sK_ID，tq，sD_ID，tq，s]。 

神经网络预测模块13 

为了获得在役16Mn钢承力件的损伤度标志模型，本发明在神经网络预测模块13中采用了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内所有的声发射疲劳损伤信息进行存储，即存储的是f_S2＝(e，A，C，K，D)信息，或称为原始数据信息； 

训练步骤二，选取训练样本集合中的声发射疲劳损伤信息进行累积处理，得到训练累积能量E_ID，tp，s、测量幅度A_ID，tp，s、训练累积振铃计数C_ID，tp，s、训练累积持续时间D_ID，tp，s和波形峰度K_ID，tp，s；该E_ID，tp，s、A_ID，tp，s、C_ID，tp，s、K_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，sA_ID，tp，sC_ID，tp，sK_ID，tp，sD_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，Q_ID，s}； 

训练步骤四，选取诊断样本集合中的声发射疲劳损伤信息进行累积处理，得到诊断累积能量E_ID，tq，s、诊断累积测量幅度A_ID，tq，s、诊断累积振铃计数C_ID，tq，s和诊断累积持续时间D_ID，tq，s和波形峰度K_ID，tq，s；该E_ID，tq，s、A_ID，tq，s、C_ID，tq，s、K_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，sK_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神经网络学习算法得到待诊断样本输出层信息O′_ID，s； 

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，sK_ID，tp，sD_ID，tp，s]中各字母的物理意义为： 

E_ID，tp，s表示训练累积能量， 

A_ID，tp，s表示训练累积测量幅度， 

C_ID，tp，s表示训练累积振铃计数， 

K_ID，tp，s表示训练样本波形峰度， 

D_ID，tp，s表示训练累积持续时间， 

ID表示声发射换能器的代码， 

tp表示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_ID，s＝[dK_ID，tp，sA_ID，tp，sV_ID，tp，s]，包含与材料疲劳损伤程度关系最密切的3个疲劳试验的参量，dK_ID，tp，s表示训练样本实际测得的应力强度因子幅，A_ID，tp，s表示训练样本实际测得的疲劳裂纹长度，V_ID，tp，s表示训练样本实际测得的疲劳裂纹扩展速率，即为3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，sK_ID，tq，sD_ID，tq，s]中各字母的物理意义为： 

E_ID，tq，s表示诊断累积能量， 

A_ID，tq，s表示诊断累积测量幅度， 

C_ID，tq，s表示诊断累积振铃计数， 

K_ID，tq，s表示表示诊断样本波形峰度， 

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′_ID，s＝[dK′_ID，tp，sA′_ID，tp，sV′_ID，tp，s]，其中：dK′_ID，tp，s表示拟合得到的待诊断样本应力强度因子幅，A_ID，tp，s表示拟合得到的待诊断样本疲劳裂纹长度，V_ID，tp，s表示拟合得到的待诊断样本疲劳裂纹扩展速率。 

DSD损伤状态判断模块14 

DSD损伤状态判断模块14将神经网络预测模块13得到的待诊断样本输出层信息O′_ID，s采用DSD(Damage State Determination)策略进行多重判断，得到疲劳损伤识别诊断结果m(B_i)。DSD策略识别方法如下： 

当O′_ID，s＝[dK′_ID，tp，sA′_ID，tp，sV′_ID，tp，s]中 

和A′_ID，tp，s＜5.5mm和V′_ID，tp，s＜5×10^-4mm/cycle(周次)时，即承力件处于疲劳裂纹萌生状态m(B₁)； 

当O′_ID，s＝[dK′_ID，tp，sA′_ID，tp，sV′_ID，tp，s]中 

和5.5mm＜A′_ID，tp，s＜11mm和5×10^-4mm/cycle＜V′_ID，tp，s＜5×10^-3mm/cycle(周次)时，即承力件处于疲劳裂纹稳定扩展状态m(B₂)； 

当O′_ID，s＝[dK′_ID，tp，sA′_ID，tp，sV′_ID，tp，s]中 

和A′_ID，tp，s＞11mm和V′_ID，tp，s＞5×10^-3mm/cycle(周次)时，即承力件处于疲劳裂纹失稳扩展状态m(B₃)。 

在本发明中，将承力件处于疲劳裂纹萌生状态m(B₁)、承力件处于疲劳裂纹稳定扩展状态m(B₂)和承力件处于疲劳裂纹失稳扩展状态m(B₃)称为识别诊断结果m(B_i)，识别诊断结果m(B_i)与诊断样本输出层信息O′_ID，s共同作为焊接部位形变损伤识别信息W＝(O′_ID，s，m(B_i))输出到报警单元以及显示屏。 

本发明16Mn钢承力件疲劳损伤状态模式中包括有：承力件处于疲劳裂纹萌生状态m(B₁)、承力件处于疲劳裂纹稳定扩展状态m(B₂)和承力件处于疲劳裂纹失稳扩展状态m(B₃)。在役工件一般在疲劳裂纹萌生状态m(B₁)下工作，当处于疲劳裂纹稳定扩展状态m(B₂)，疲劳裂纹失稳扩展状态m(B₃)的之一状态时，该工件损伤比较严重，使用者应当进行实时重点检测、监测或者更换，因此对该焊接部位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。 

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部分承力件疲劳损伤识别信息 

诊断结果显示该焊接构件处于疲劳裂纹稳定扩展状态，因此存在一定危险，并且有相应疲劳状态数据作为参考，其识别结果与实际构件的检测基本吻合。由此可见，本发明可以对16Mn钢焊接结构疲劳损伤过程中的损伤状态m(B_i)进行识别和诊断。 

本发明采用SNF策略和DSD策略，基于声发射神经网络和数据融合模型对16Mn钢疲劳损伤参数进行预测，建立了16Mn钢疲劳损伤状态识别诊断系统：首先采用SNF策略对多路声发射换能器采集得到的信息进行多维滤波，并采用人工神经网络方法对滤波后的信号进行训练和预测，获得16Mn钢承力件的疲劳损伤参数；然后采用DSD策略对神经网络输出结果进行判定，确定被测件的疲劳损伤状态。利用该模型，可对16Mn钢疲劳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 (3)

1.一种基于SNF策略和DSD策略的16Mn钢承力件疲劳损伤状态识别系统，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钢疲劳损伤无损检测单元（1）；16Mn钢疲劳损伤无损检测单元（1）内嵌在声发射仪（2）的存储器中； 

16Mn钢疲劳损伤无损检测单元（1）包括有SNF过滤模块（11）、样本抽取模块（12）、神经网络预测模块（13）和DSD疲劳损伤识别模块（14），SNF过滤模块（11）包括有SNF能量滤波处理模块（11A），SNF幅值滤波处理模块（11B）和SNF波形滤波处理模块（11C）； 

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； 

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,K_s,D_s)输出给16Mn钢疲劳损伤无损检测单元（1）；另一方面对接收到的疲劳损伤识别信息D输出给显示屏（2A）进行实时显示； 

所述数字突发型信息f_S1＝(e_s,A_s,C_s,K_s,D_s)中e_S表示能量、A_S表示测量幅度、C_S表示振铃计数、K_S表示波形峰度、D_S表示持续时间； 

接收到的数字突发型信息f_S1＝(e_s,A_s,C_s,K_s,D_s)在SNF能量滤波处理模块（11A）中得到能量滤波信息f_SE＝(e_s＞1,A_s,C_s,K_s,D_s)，f_SE即能量大于1的声发射信号集合； 

接收到的数字突发型信息f_S1＝(e_s,A_s,C_s,K_s,D_s)在SNF幅值滤波处理模块（11B）中得到幅值滤波信息f_SA＝(e_s,A_s＞30dB,C_s,K_s,D_s)，f_SA即幅值大于30dB的声发射信号集合； 

接收到的数字突发型信息f_S1＝(e_s,A_s,C_s,K_s,D_s)在SNF波形滤波处理模块（11C）中得到波形滤波信息f_SW∈(100kHz,400kHz)，f_SW即波形频率在100kHz到400kHz的声发射信号集合； 

最后得到声发射疲劳损伤信息f_S2＝(e,A,C,K,D)＝f_SE∩f_SA∩f_SW； 

16Mn钢疲劳损伤无损检测单元（1）的样本抽取模块（12）从声发射疲劳损伤信息f_S2＝(e,A,C,K,D)中选取训练样本输入层信息I_ID,s＝[e_ID,tp,sA_ID,tp,sC_ID,tp,sK_ID,tp,sD_ID,tp,s]和待诊断样本输入层信息I′_ID,s＝[e′_ID,tq,sA′_ID,tq,sC′_ID,tq,sK′_ID,tq,sD′_ID,tq,s]，并将其输入至神经网络预测模块（13）中； 

所述训练样本输入层信息I_ID,s＝[e_ID,tp,sA_ID,tp,sC_ID,tp,sK_ID,tp,sD_ID,tp,s]中e_ID,tp,s表示训练累积能量、A_ID,tp,s表示测量幅度、C_ID,tp,s表示训练累积振铃计数、D_ID,tp,s表示训练累积持续时间、K_ID,tp,s表示波形峰度、ID表示声发射换能器的代码、tp表示训练样本的选取时间、s表示声发射换能器的类型； 

所述待诊断样本输入层信息I′_ID,s＝[e′_ID,tq,sA′_ID,tq,sC′_ID,tq,sK′_ID,tq,sD′_ID,tq,s]中e′_ID,tq,s表示诊断累积能量、A′_ID,tq,s表示诊断累积测量幅度、C′_ID,tq,s表示诊断累积振铃计数、D′_ID,tq,s表示诊断累积持续时间、K′_ID,tq,s表示波形峰度、ID表示声发射换能器的代码、tq表示待诊断样本的选取时间、s表示声发射换能器的类型； 

16Mn钢疲劳损伤无损检测单元（1）的神经网络预测模块（13）对 

I_ID,s＝[e_ID,tp,sA_ID,tp,sC_ID,tp,sK_ID,tp,sD_ID,tp,s]和 

I′_ID,s＝[e′_ID,tq,sA′_ID,tq,sC′_ID,tq,sK′_ID,tq,sD′_ID,tq,s]进行训练得到待诊断样本输出层信息O′_ID,s=[dK′_ID,tp,sA′_ID,tp,sV′_ID,tp,s]； 

所述待诊断样本输出层信息O′_ID,s=[dK′_ID,tp,sA′_ID,tp,sV′_ID,tp,s]中dK′_ID,tp,s表示拟合得到的待诊断样本应力强度因子幅，A′_ID,tp,s表示拟合得到的待诊断样本疲劳裂纹长度，V′_ID,tp,s表示拟合得到的待诊断样本疲劳裂纹扩展速率； 

16Mn钢疲劳损伤无损检测单元（1）的DSD疲劳损伤识别模块（14）对待诊断样本输出层信息O′_ID,s=[dK′_ID,tp,sdA′_ID,tp,sdV′_ID,tp,s]进行解析判断后输出钢承力件疲劳损伤识别信息W＝(O′_ID,s,m(B_i))，O′_ID,s表示待诊断样本输出层信息，m(B_i)表示识别诊断结果，该W＝(O′_ID,s,m(B_i))一方面回馈给声发射仪（2），另一方面输出给报警单元（5）进行显示； 

DSD策略识别方法如下： 

当O′_ID,s=[dK′_ID,tp,sdA′_ID,tp,sdV′_ID,tp,s]中和dA′_ID,tp,s＜5.5mm和dV′_ID,tp,s＜5×10^-4mm/cycle时，即承力件处于疲劳裂纹萌生状态m(B₁)；dK′_ID,tp,s表示拟合得到的待诊断样本应力强度因子幅，dA′_ID,tp,s表示拟合得到的待诊断样本疲劳裂纹长度，dV′_ID,tp,s表示拟合得到的待诊断样本疲劳裂纹扩展速率； 

当O′_ID,s=[dK′_ID,tp,sdA′_ID,tp,sdV′_ID,tp,s]中

和5.5mm＜dA′_ID,tp,s＜11mm和5×10^-4mm/cycle＜dV′_ID,tp,s＜5×10^-3mm/cycle时，即承力件处于疲劳裂纹稳定扩展状态m(B₂)； 

当O′_ID,s=[dK′_ID,tp,sdA′_ID,tp,sdV′_ID,tp,s]中

和dA′_ID,tp,s＞11mm和dV′_ID,tp,s＞5×10^-3mm/cycle时，即承力件处于疲劳裂纹失稳扩展状态m(B₃)； 

承力件处于疲劳裂纹萌生状态m(B₁)、承力件处于疲劳裂纹稳定扩展状态m(B₂)和承力件处于疲劳裂纹失稳扩展状态m(B₃)称为识别诊断结果m(B_i)，识别诊断结果m(B_i)与待诊断样本输出层信息O′_ID,s共同作为钢承力件疲劳损伤识别信息W＝(O′_ID,s,m(B_i))输出到报警单元（5）以及显示屏（2A）。 

2.根据权利要求1所述的基于SNF策略和DSD策略的16Mn钢承力件疲劳损伤状态识别系统，其特征在于：样本抽取模块（12）从声发射疲劳损伤信息f_S2＝(e,A,C,K,D)中选取合适的样本集合进行训练和诊断：具体样本抽取步骤为： 

第一步：按时间先后顺序先将声发射疲劳损伤信息f_S2＝(e,A,C,K,D)中的N个样本进行编号，则有第一个样本编号记为F₁＝(e₁,A₁,C₁,K₁,D₁)，第二个样本编号记为F₂＝(e₂,A₂,C₂,K₂,D₂)，以此类推第N个样本编号记为F_N＝(e_N,A_N,C_N,K_N,D_N)； 

第二步：设定分段间隔X，其中

对所述的F₁＝(e₁,A₁,C₁,K₁,D₁)，F₂＝(e₂,A₂,C₂,K₂,D₂)、……、F_N＝(e_N,A_N,C_N,K_N,D_N)编号进行分段，则有第一段[F₁，F₂，F₃，…F_X]，第二段[F_X+1，F_X+2，F_X+3，…F_2X]，以及类推到最后一段[F_N-X+1，F_N-X+2，F_N-X+3，…F_N]； 

第三步：（A）在第一段[F₁，F₂，F₃，…F_X]中用随机抽样方法随机抽取一个个体； 

（B）以间隔X在第二段[F_X+1，F_X+2，F_X+3，…F_2X]中抽取一个个体； 

（C）以此类推，以间隔X在最后一段[F_N-X+1，F_N-X+2，F_N-X+3，…F_N]中抽取一个个体； 

按样本抽取步骤得到训练样本输入层信息I_ID,s＝[e_ID,tp,sA_ID,tp,sC_ID,tp,sK_ID,tp,sD_ID,tp,s]；然后去除训练样本输入层信息后再按上述抽样方法抽样得到待诊断样本输入层信息I′_ID,s＝[e′_ID,tq,sA′_ID,tq,sC′_ID,tq,sK′_ID,tq,sD′_ID,tq,s]。 

3.根据权利要求1所述的基于SNF策略和DSD策略的16Mn钢承力件疲劳损伤状态识别系统，其特征在于：神经网络预测模块（13）中采用了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内所有的声发射疲劳损伤信息进行存储，即存储的是f_S2＝(e,A,C,K,D)信息，或称为原始数据信息； 

训练步骤二，选取训练样本集合中的声发射疲劳损伤信息进行累积处理，得到训练累积能量e_ID,tp,s、测量幅度A_ID,tp,s、训练累积振铃计数C_ID,tp,s、训练累积持续时间D_ID,tp,s和波形峰度K_ID,tp,s；该e_ID,tp,s、A_ID,tp,s、C_ID,tp,s、K_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,sA_ID,tp,sC_ID,tp,sK_ID,tp,sD_ID,tp,s]；训练样本输入层信息I_ID,s中的5个元素即为5个节点； 

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＝[e_ID,tp,sA_ID,tp,sC_ID,tp,sK_ID,tp,sD_ID,tp,s]与训练样本隐含层M_ID,s、训练样本输出层信息O_ID,s=[dK_ID,tp,sdA_ID,tp,sdV_ID,tp,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； 

训练步骤三中的训练样本输出层信息O_ID,s=[dK_ID,tp,sdA_ID,tp,sdV_ID,tp,s]，包含与材 料疲劳损伤程度关系最密切的3个疲劳试验的参量，dK_ID,tp,s表示训练样本实际测得的应力强度因子幅，dA_ID,tp,s表示训练样本实际测得的疲劳裂纹长度，dV_ID,tp,s表示训练样本实际测得的疲劳裂纹扩展速率，即为3个节点； 

训练步骤四，选取待诊断样本集合中的声发射疲劳损伤信息进行累积处理，得到诊断累积能量e′_ID,tq,s、诊断累积测量幅度A′_ID,tq,s、诊断累积振铃计数C′_ID,tq,s和诊断累积持续时间D′_ID,tq,s和波形峰度K′_ID,tq,s；该e′_ID,tq,s、A′_ID,tq,s、C′_ID,tq,s、K′_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,sK′_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＝[e′_ID,tq,sA′_ID,tq,sC′_ID,tq,sK′_ID,tq,sD′_ID,tq,s]代入训练步骤三获得的损伤度标志模型D_g＝{I_ID,s,M_ID,s,O_ID,s}中，应用BP神经网络学习算法得到待诊断样本输出层信息O′_ID,s=[dK′_ID,tp,sdA′_ID,tp,sdV′_ID,tp,s]。 

Images