CN102692456A - 一种识别金属拉深件成形微裂纹位置的方法 - Google Patents

一种识别金属拉深件成形微裂纹位置的方法 Download PDF

Info

Publication number
CN102692456A
CN102692456A CN2012101310631A CN201210131063A CN102692456A CN 102692456 A CN102692456 A CN 102692456A CN 2012101310631 A CN2012101310631 A CN 2012101310631A CN 201210131063 A CN201210131063 A CN 201210131063A CN 102692456 A CN102692456 A CN 102692456A
Authority
CN
China
Prior art keywords
neural network
micro
crack
characteristic parameters
output
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2012101310631A
Other languages
English (en)
Inventor
骆志高
张保刚
范祥伟
叶红英
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN2012101310631A priority Critical patent/CN102692456A/zh
Publication of CN102692456A publication Critical patent/CN102692456A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明公开一种识别金属拉深件成形微裂纹位置的方法，采集不同位置微裂纹的声发射信号特征参数，使用这些特征参数对BP神经网络进行训练，建立起了特征参数和微裂纹位置的非线性映射关系。根据特征参数对识别结果的灵敏度，在保证不影响识别结果的前提下，提取了5个最能表征信号的参数，将生产中采集的5个特征参数输入BP神经网络，识别微裂纹产生的位置，对比网络输出和目标输出，可以得到微裂纹产生的位置。本发明能很好地对金属拉深件裂纹产生位置进行识别，在获得足够训练样本的前提下，可以很准确的识别微裂纹位置，为选取工艺参数提供重要依据和参考。

Description

一种识别金属拉深件成形微裂纹位置的方法
技术领域
本发明涉及的领域是金属拉深件制造，尤其涉及对金属拉深件在制造过程中识别微裂纹产生位置，同样也能用于钢结构、旋转机械等状态检测和故障检测。
背景技术
 拉深加工作为一种高效、节能、高材料利用率的加工方法，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。随着现代社会对拉深加工产品的需求越来越大以及竞争的加剧，人们对拉深件的质量提出了更高的要求，许多关键部位的拉深制件在整个产品的性能及质量上起着关键性作用，因此拉深件的质量愈来愈被人所关注，却也一直是企业棘手的技术难题。 
 裂纹是造成拉深件质量问题的主要因素之一，这是由于拉深过程中，板料产生塑性变形材料被转移和重新分布，内部的应力和应变十分复杂，导致拉深过程中的状态难以精确控制，使制件产生裂纹，有些微裂纹肉眼难以察觉，在生产过程中可能会产生成批的废品。目前，拉深件质量的好坏全靠现场工人和技术人员的经验来判断，最常见的检验方式是检验人员进行首检、抽检和终检实现质量检测，这属于事后检测，具有一定的时滞性，当发现制件产生微裂纹时，可能前面有相当数量的制件已经产生了微裂纹，因此，积极开展微裂纹位置的识别技术研究不仅能及时调整工艺参数有重要指导意义，而且对于实现金属拉深成形的状态识别及质量监测有着深远的意义。
发明内容
本发明提供一种识别金属拉深件成形微裂纹位置的方法，对金属拉深件的微裂纹位置进行识别，可以根据微裂纹位置来调整工艺参数，从而消除微裂纹的产生。
本发明的技术方案是采用如下步骤: （1）在拉深模具的凸模和凹模上均布置采集拉深件成形微裂纹信号的声发射传感器，得到表征信号的相对到达时间、幅度、能率、振铃计数、上升计数、上升时间、能量、持续时间、有效值电压、平均信号电平、时间消耗这11个特征参数；
（2）设计一个BP神经网络，BP神经网络激活函数采用Sigmoid 函数，输入神经元个数m由声发射信号的特征参数个数确定，输出层神经元个数                                                
Figure 520743DEST_PATH_IMAGE002
由可能产生微裂纹的位置个数
Figure 2012101310631100002DEST_PATH_IMAGE003
确定，隐含层神经元个数n由公式
Figure 674644DEST_PATH_IMAGE004
确定，a为[1,10]的常数；权初始值域取（-0.1,0.1）,最大循环迭代为10000；
   （3）采集训练样本，将样本数据归一化处理后作为BP神经网络的输入数据，每个目标输出由
Figure 557149DEST_PATH_IMAGE002
个二进制表示，设置c个微裂纹位置对应的目标输出，对BP神经网络进行训练。当训练误差小于0.001时停止训练，得到了训练好的BP神经网络；
（4）将测试数据输入训练好的BP神经网络进行测试，计算特征参数对识别结果的灵敏度，得到灵敏度从高到低的特征参数；删除灵敏度最小的特征参数，得到新的训练样本数据和测试数据， 
（5）重复步骤（2）、（3）、（4），最终提取振铃计数、时间消耗、持续时间、幅度、能量5个特征参数；
（6）使用所述5个特征参数对应的训练样本数据作为BP神经网络的输入，重复步骤（2）、（3）、建立5个特征参数和微裂纹位置的非线性映射关系；
（7）将实际检测到的声发射信号的5个特征参数对应的数据表中的数据进行归一化处理后输入BP神经网络，根据所建立的非线性映射关系，当BP神经网络输出和某一个目标输出一样时，可识别微裂纹产生的位置。
 本发明采集不同位置微裂纹的声发射信号特征参数，使用这些特征参数对BP神经网络进行训练，建立起了特征参数和微裂纹位置的非线性映射关系。根据特征参数对识别结果的灵敏度，在保证不影响识别结果的前提下，提取了5个最能表征信号的参数，将生产中采集的5个特征参数输入BP神经网络，识别微裂纹产生的位置，对比网络输出和目标输出，可以得到微裂纹产生的位置。本发明能很好地对金属拉深件裂纹产生位置进行识别，在获得足够训练样本的前提下，可以很准确的识别微裂纹位置，为选取工艺参数提供重要依据和参考。
附图说明
图1 是识别金属拉深件成形微裂纹位置的流程图；
图2是识别金属拉深件成形微裂纹位置的装置图；
 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
本发明的实施步骤如下：
一、如图2所示，建立一个完整的声发射信号采集平台，微裂纹引起的微弱振动激励传感器，将其转换成电信号。具体是在拉深模具的凸模1和凹模2上均布置声发射传感器3，在允许的情况下，声发射传感器3应尽量靠近拉深件板料，目的是为了使声发射传感器3更好地接收到板料成形微裂纹信号。将声发射传感器3的输出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采集的微裂纹信号，经前置放大器4放大，声发射处理模块5对放大后的信号进行滤波和提取，得到表征信号的11个特征参数，11个特征参数为：相对到达时间、幅度、能率、振铃计数、上升计数、上升时间、能量、持续时间、有效值电压（RMS）、平均信号电平（ASL）、时间消耗。
    二、如图1所示，设计一个有特征参数提取和模式识别功能的三层BP神经网络，BP神经网络激活函数采用的是Sigmoid 函数，BP神经网络的输入、隐层和输出层神经元的确定如下：
（a）根据表征声发射信号的参数个数确定BP神经网络输入神经元个数m。
(b)根据可能产生微裂纹的位置个数
Figure 578808DEST_PATH_IMAGE003
，确定BP神经网络输出层神经元个数
Figure 521356DEST_PATH_IMAGE002
，通过公式（1）确定
Figure DEST_PATH_IMAGE005
。
Figure 896973DEST_PATH_IMAGE003
的确定可以通过有限元仿真和实际调研相结合得到。
              
Figure 317590DEST_PATH_IMAGE006
，                                         （1）
当
Figure DEST_PATH_IMAGE007
是整数，
Figure 727843DEST_PATH_IMAGE008
；当
Figure 778976DEST_PATH_IMAGE007
是小数，
Figure DEST_PATH_IMAGE009
，
Figure 704207DEST_PATH_IMAGE010
为取整数符号。
(c)根据公式（2）确定隐含层神经元个数n。通过比较采用各个隐层神经元个数训练下的网络误差，误差计算公式（3）如下。在网络误差最小时，确定BP神经网络隐含层神经元的个数。    
                         
Figure 131777DEST_PATH_IMAGE004
                          （2）
其中m为神经网络输入神经元个数，
Figure 193274DEST_PATH_IMAGE002
为输出神经元个数，a为[1,10]的常数。
                         
Figure DEST_PATH_IMAGE011
                       (3)
    其中： ― 网络预期输出和实际输出的误差,
Figure DEST_PATH_IMAGE013
取值范围为：1到
Figure 499938DEST_PATH_IMAGE014
；
Figure DEST_PATH_IMAGE015
―学习样本个数；E ―均方差。
     BP神经网络的权值是随着迭代的进行而更新的，并且一般是收敛的，但权初始值太大，  会导致网络很快饱和。为了进可能避免饱和，并考虑到网络的收敛速度以及样本的复杂性，较小的初始值域更有利于权值均匀地随即初始，权 的初始值域取（-0.1,0.1）,对初始权值在上述范围内采用重复试验的方法，通过比较效果，确定最佳初始权值。
      设置BP神经网络最大的循环迭代为10000，循环次数超过10000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，当网络误差小于给定的误差0.001时，则停止对网络权值的修正。
三、将采集到的训练样本数据进行归一化处理，将归一化后的训练样本数据作为BP神经网络的输入数据；每个目标输出由
Figure 731200DEST_PATH_IMAGE002
个二进制表示，目标输出
Figure 912782DEST_PATH_IMAGE016
代表微裂纹产生在
Figure DEST_PATH_IMAGE017
处；目标输出代表微裂纹产生在
Figure DEST_PATH_IMAGE019
处；目标输出代表微裂纹产生在
Figure DEST_PATH_IMAGE021
处；目标输出
Figure 175246DEST_PATH_IMAGE022
代表微裂纹产生在
Figure DEST_PATH_IMAGE023
处；目标输出
Figure 352280DEST_PATH_IMAGE024
代表微裂纹产生在
Figure DEST_PATH_IMAGE025
处；依次类推设置c个微裂纹位置对应的目标输出。当输入数据和目标输出设置好后，对BP神经网络进行训练。当训练误差小于0.001时停止训练，得到了训练好的BP神经网络。公式（3）为误差计算公式。
四、将测试数据输入训练好的BP神经网络，对BP神经网络的合理性进行判断，当对应神经网络输出代表的微裂纹位置和实际微裂纹位置一致时，证明训练好的BP神经网络是合理的。然后计算特征参数对识别结果的灵敏度，第个特征参数的灵敏度计算公式为：
                    
Figure DEST_PATH_IMAGE029
                               （4）
公式（4）中：
Figure 975340DEST_PATH_IMAGE030
； 
Figure DEST_PATH_IMAGE031
-神经网络输出层神经元的输出，
Figure 282824DEST_PATH_IMAGE013
的取值范围为1到
Figure 173420DEST_PATH_IMAGE002
； 
Figure 173737DEST_PATH_IMAGE032
-特征参数，
Figure 782573DEST_PATH_IMAGE027
的取值范围为1到m；
Figure DEST_PATH_IMAGE033
-输入层和隐含层的权值，的取值范围为1到m，
Figure 635921DEST_PATH_IMAGE034
的取值范围为1到n；
Figure DEST_PATH_IMAGE035
-隐含层和输出层的权值，
Figure 541560DEST_PATH_IMAGE034
的取值范围为1到n，
Figure 637692DEST_PATH_IMAGE013
的取值范围为1到。
得到特征参数对识别结果的灵敏度从高到低为：振铃计数、时间消耗、持续时间，幅度、能量、能率、上升计数、上升时间、平均信号电平、相对到达   时间、有效电压。
五、在训练样本数据中删除灵敏度最小的特征参数有效电压对应的数据，得到新的训练样本数据和测试数据，根据步骤二、三、四重新设计BP神经网络、训练神经网络、测试神经网络和计算灵敏度，依此不断重复。当删除部分特征参数对应的数据，剩下振铃计数、时间消耗、持续时间、幅度、能量对应的训练样本数据和测试数据时，根据步骤二、三重新设计BP神经网络和训练BP神经网络，根据步骤四使用测试样本判断BP神经网络合理性，这时测试数据仍然可以判断BP神经网络是合理性的。当继续删除特征参数能量对应的数据，得到新的训练样本数据和测试数据，根据步骤二、三重新设计BP神经网络和训练BP神经网络，根据步骤四使用测试数据判断BP神经网络合理性，这时测试数据判断出BP神经网络是不合理。因此，不能删除特征参数能量，且停止特征参数提取过程。最终提取振铃计数、时间消耗、持续时间、幅度、能量5个特征参数。
六、使用提取的5个特征参数对应的训练样本数据作为BP神经网络的输入，根据步骤二设置输入层神经元数、输出层神经元数、隐层神经元数、目标输出、权初始值的确定和迭代结束标准。根据步骤三重新对BP神经网络训练。建立了5个特征参数和微裂纹位置的非线性映射关系。
七、提取生产实际中检测到的声发射信号的5个特征参数对应的数据表，将数据表进行归一化处理后，输入BP神经网络，根据BP神经网络经训练之后建立的特征参数和裂纹位置的非线性映射关系，BP神经网络会有相应的输出。由于每一个目标输出对应着一处微裂纹位置，因此神经网络输出和某一个目标输出一样时，可以知道微裂纹的产生的位置。比如当神经网络输出为
Figure 152167DEST_PATH_IMAGE016
，则代表微裂纹产生在
Figure 228707DEST_PATH_IMAGE017
处，当神经网络输出为
Figure 812135DEST_PATH_IMAGE020
，则表示微裂纹产生在
Figure 61851DEST_PATH_IMAGE021
处。

Claims (1)

1.一种识别金属拉深件成形微裂纹位置的方法，其特征是采用如下步骤：
（1）在拉深模具的凸模和凹模上均布置采集拉深件成形微裂纹信号的声发射传感器，得到表征信号的相对到达时间、幅度、能率、振铃计数、上升计数、上升时间、能量、持续时间、有效值电压、平均信号电平、时间消耗这11个特征参数；
（2）设计一个BP神经网络，BP神经网络激活函数采用Sigmoid 函数，输入神经元个数m由声发射信号的特征参数个数确定，输出层神经元个数                                                
Figure 2012101310631100001DEST_PATH_IMAGE001
由可能产生微裂纹的位置个数
Figure 659051DEST_PATH_IMAGE002
确定，隐含层神经元个数n由公式
Figure 139711DEST_PATH_IMAGE003
确定，a为[1,10]的常数；权初始值域取（-0.1,0.1）,最大循环迭代为10000；
 （3）采集训练样本，将样本数据归一化处理后作为BP神经网络的输入数据，每个目标输出由
Figure 369835DEST_PATH_IMAGE001
个二进制表示，设置c个微裂纹位置对应的目标输出，对BP神经网络进行训练；当训练误差小于0.001时停止训练，得到了训练好的BP神经网络；
（4）将测试数据输入训练好的BP神经网络进行测试，计算特征参数对识别结果的灵敏度，得到灵敏度从高到低的特征参数；删除灵敏度最小的特征参数，得到新的训练样本数据和测试数据， 
（5）重复步骤（2）、（3）、（4），最终提取振铃计数、时间消耗、持续时间、幅度、能量5个特征参数；
（6）使用所述5个特征参数对应的训练样本数据作为BP神经网络的输入，重复步骤（2）、（3）、建立5个特征参数和微裂纹位置的非线性映射关系；
（7）将实际检测到的声发射信号的5个特征参数对应的数据表中的数据进行归一化处理后输入BP神经网络，根据所建立的非线性映射关系，当BP神经网络输出和某一个目标输出一样时，可识别微裂纹产生的位置。
CN2012101310631A 2012-05-02 2012-05-02 一种识别金属拉深件成形微裂纹位置的方法 Pending CN102692456A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2012101310631A CN102692456A (zh) 2012-05-02 2012-05-02 一种识别金属拉深件成形微裂纹位置的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2012101310631A CN102692456A (zh) 2012-05-02 2012-05-02 一种识别金属拉深件成形微裂纹位置的方法

Publications (1)

Publication Number Publication Date
CN102692456A true CN102692456A (zh) 2012-09-26

Family

ID=46858052

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2012101310631A Pending CN102692456A (zh) 2012-05-02 2012-05-02 一种识别金属拉深件成形微裂纹位置的方法

Country Status (1)

Country Link
CN (1) CN102692456A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102968663A (zh) * 2012-11-29 2013-03-13 河海大学 基于无标记样本的神经网络构建方法及其装置
CN103018338A (zh) * 2012-12-05 2013-04-03 河海大学 一种基于声发射和神经网络的混凝土无损检测方法
CN105866250A (zh) * 2016-03-17 2016-08-17 北京工业大学 基于振动的通风机叶片裂纹识别方法
CN106596001A (zh) * 2016-12-09 2017-04-26 中车唐山机车车辆有限公司 轨道列车制动毂齿根部的裂纹状态检测方法及系统
CN107463935A (zh) * 2016-06-06 2017-12-12 工业和信息化部电信研究院 应用分类方法和应用分类装置
CN110095470A (zh) * 2019-04-15 2019-08-06 北京航空航天大学 一种基于光纤光栅传感器的裂纹损伤定量方法
CN111208196A (zh) * 2019-11-28 2020-05-29 郑州国电机械设计研究所有限公司 一种高强度螺栓早期疲劳损伤非线性超声波检测方法
CN115138740A (zh) * 2022-07-18 2022-10-04 重庆长安汽车股份有限公司 一种车用冲压钢板拉裂深度确定方法及确定系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0843077A (ja) * 1994-07-29 1996-02-16 Toshiba Corp 表面検査方法及びその装置
EP0907078A1 (en) * 1997-10-01 1999-04-07 ROLLS-ROYCE plc An apparatus and a method for locating a source of acoustic emissions in an article
CN101975825A (zh) * 2010-09-10 2011-02-16 江苏大学 一种提取拉深件裂纹声发射信号特征参数的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0843077A (ja) * 1994-07-29 1996-02-16 Toshiba Corp 表面検査方法及びその装置
EP0907078A1 (en) * 1997-10-01 1999-04-07 ROLLS-ROYCE plc An apparatus and a method for locating a source of acoustic emissions in an article
CN101975825A (zh) * 2010-09-10 2011-02-16 江苏大学 一种提取拉深件裂纹声发射信号特征参数的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
毛汉颖等: "基于BP神经网络的金属裂纹声发射信号特征参数的提取", 《机械设计》 *
王向红等: "基于小波神经网络的水轮机叶片裂纹源的定位技术", 《上海交通大学学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102968663A (zh) * 2012-11-29 2013-03-13 河海大学 基于无标记样本的神经网络构建方法及其装置
CN103018338A (zh) * 2012-12-05 2013-04-03 河海大学 一种基于声发射和神经网络的混凝土无损检测方法
CN105866250A (zh) * 2016-03-17 2016-08-17 北京工业大学 基于振动的通风机叶片裂纹识别方法
CN105866250B (zh) * 2016-03-17 2018-12-18 北京工业大学 基于振动的通风机叶片裂纹识别方法
CN107463935A (zh) * 2016-06-06 2017-12-12 工业和信息化部电信研究院 应用分类方法和应用分类装置
CN106596001A (zh) * 2016-12-09 2017-04-26 中车唐山机车车辆有限公司 轨道列车制动毂齿根部的裂纹状态检测方法及系统
CN106596001B (zh) * 2016-12-09 2019-05-07 中车唐山机车车辆有限公司 轨道列车制动毂齿根部的裂纹状态检测方法及系统
CN110095470A (zh) * 2019-04-15 2019-08-06 北京航空航天大学 一种基于光纤光栅传感器的裂纹损伤定量方法
CN111208196A (zh) * 2019-11-28 2020-05-29 郑州国电机械设计研究所有限公司 一种高强度螺栓早期疲劳损伤非线性超声波检测方法
CN115138740A (zh) * 2022-07-18 2022-10-04 重庆长安汽车股份有限公司 一种车用冲压钢板拉裂深度确定方法及确定系统

Similar Documents

Publication Publication Date Title
CN102692456A (zh) 一种识别金属拉深件成形微裂纹位置的方法
CN107584334A (zh) 一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法
CN101975825B (zh) 一种提取拉深件裂纹声发射信号特征参数的方法
CN109685314B (zh) 一种基于长短期记忆网络的非侵入负荷分解方法和系统
CN105678332A (zh) 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统
CN108171263A (zh) 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法
CN101995436B (zh) 基于神经网络的拉深件裂纹监测方法
CN112906473A (zh) 一种旋转设备故障诊断方法
CN103439413A (zh) 一种热障涂层损伤模式自动识别的声发射信号分析方法
CN107991097A (zh) 一种基于多尺度符号动力学熵的轴承故障诊断方法
CN108491931B (zh) 一种基于机器学习提高无损检测精度的方法
CN110333074A (zh) 基于卷积神经网络的多测点传动机构故障诊断方法和系统
CN101226133A (zh) 一种血细胞脉冲信号的分类识别方法
CN111024527B (zh) 一种基于多传感器数据融合的裂纹扩展监测方法
CN114002334A (zh) 一种结构损伤声发射信号识别方法、装置、存储介质
Chen et al. An adversarial learning framework for zero-shot fault recognition of mechanical systems
CN104504265B (zh) 一种在役桥梁监测信息安全评估的方法
CN110765668B (zh) 一种基于偏差指标的混凝土侵彻深度试验数据异常点检测方法
CN113705897A (zh) 一种面向工业铜箔生产的产品质量预测方法及系统
CN113361383A (zh) 一种基于遗传算法特征参数优化的瓷绝缘子损伤神经网络识别方法
CN114741876B (zh) 一种塔式起重机智能检验的方法
CN113973403B (zh) 基于结构离散测点拓扑的温致应变场重分布智能感知方法
WU et al. Intelligent fault diagnosis of robot bearing based on multi-information
CN110222711A (zh) 一种基于深度学习的工业过程多阶惯性系统开环辨识方法
CN118312751A (zh) 基于声发射信号的航空飞行器结构健康指标智能构建方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C12 Rejection of a patent application after its publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20120926