CN102928511B - 一种基于rapid层析的机械结构损伤无损识别方法 - Google Patents

Abstract

本发明公开了一种基于RAPID层析的机械结构损伤无损识别方法，通过提供一种新的传感器阵列形式，并以此为基础建立了基于局部成像的RAPID层析算法，在机械结构损伤无损识别中通过数据截断和子区域内的局部重构，消除了不同损伤之间的干涉以及被测区域外部干扰源的影响，不仅实现了外部干扰的消除，而且有效实现了多损伤或单一损伤的准确诊断和定位。

Description

一种基于RAPID层析的机械结构损伤无损识别方法

技术领域

本发明属于机械损伤诊断技术领域，涉及一种基于RAPID层析的机械结构损伤无损识别方法。

背景技术

兰姆波是一种超声导波，其长距离传播，多模态，频散等特性使得兰姆波广泛应用于无损检测领域。通过重构结构的图像来检测其中存在的损伤，即层析技术，是一种有效的检测手段，兰姆波层析技术实现了结构损伤的可视化，其重点是重构算法的研究。RAPID算法（Reconstruction algorithm forprobabilistic inspection of damage，基于损伤存在概率的重构算法）因具有对损伤敏感，传感器分布方式简单、灵活等优势而成为关注的焦点，该方法能够用于在工业生产检测中尤其是航空航天等大型零部件的损伤检测定位。

RAPID算法采用的信号特征是SDC（signal difference coefficient，信号差异系数），SDC是参考信号和损伤信号在统计量上的比较，其具体公式如下：

$\mathrm{\ρ}=\frac{\mathrm{Cov}(s_j,s_k)}{{\mathrm{\σs}}_j{\mathrm{\σs}}_k}---\left(1\right)$

SDC=1-ρ（2）

式中，S_j代表参考信号；S_k代表损伤信号；ρ代表两组信号的相关系数，数学表达上是两组信号的协方差和两组信号标准差之积的比值，其大小反映了两组信号的相似程度；SDC代表两组信号的差异系数，其大小反映了两组信号的差异程度，具体数值为0至1。式中协方差与标准差的具体公式如下：

$\mathrm{Cov}(s_j,s_k)=\frac{\underset{i}{\overset{N}{\mathrm{\Σ}}}(s_j\left(t_i\right)-\stackrel{\‾}{s_j})(s_k\left(t_i\right)-\stackrel{\‾}{s_k})}{N}---\left(3\right)$

${\mathrm{\σs}}_j=\sqrt{\underset{i}{\overset{N}{\mathrm{\Σ}}}{(s_j\left(t_i\right)-\stackrel{\‾}{s_j})}^2}$ ${\mathrm{\σs}}_k=\sqrt{\underset{i}{\overset{N}{\mathrm{\Σ}}}{(s_j\left(t_i\right)-\stackrel{\‾}{s_k})}^2}---\left(4\right)$

根据上述公式就可以求出每一条发射—接收路径在损伤引入前后采集到的信号的SDC值。

RAPID算法的基本原理是计算出检测区域中每个点上存在损伤的概率值，该算法假设损伤在某点的概率值由该点附近发射—接收路径的SDC值以及该点与发射—接收路径之间的距离决定。RAPID算法的具体公式如下：

$P(x,y)=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{p}_k(x,y)=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{A}_k(\frac{-1}{\mathrm{\β}-1}R(x,y,x_{1k},y_{1k},x_{2k},y_{2k})+\frac{\mathrm{\β}}{\mathrm{\β}-1})---\left(5\right)$

式中 $R(x,y,x_{1k},y_{1k},x_{2k},y_{2k})=\frac{\sqrt{{(x-x_{1k})}^2}+\sqrt{{(x-x_{2k})}^2}}{\sqrt{{(x_{1k}-x_{2k})}^2+{(y_{1k}-y_{2k})}^2}}$

上式中P(x,y)代表检测区域中的(x,y)点处存在损伤的概率值，p_k(x,y)代表通过第k条发射—接收路径计算得到的该点损伤存在的概率值，N是总的路径数，A_k是由第k条发射—接收路径所得的信号特征值，也就是上文中所说的SDC值，(x_1k,y_1k)是第k条路径中发射传感器的坐标位置，(x_2k,y_2k)是第k条路径中接收传感器的坐标位置。R是该点距离发射源和接收源的路径长度之和与发射-接收路径长度的比值，反映了要计算的位置距离发射—接收路径的远近程度。β是尺度参数，一般取1.05，根据算法的物理假设，当R大于β时，认为该路径不受待测点损伤的影响。

$R=\left\{\begin{array}{cc}R& R\≤\mathrm{\β}\\ \mathrm{\β}& R>\mathrm{\β}\end{array}\right.---\left(6\right)$

将监测区域所有点的存在概率的大小计算出并成图，就可以得到监测区域的损伤分布图。

上述算法存在着多方面的不足：1）用该重构算法所得的图像的分辨率不够高；2）当检测区域外部存在损伤时，会对检测区域内部损伤的定位产生干扰；3）当检测区域内部存在2个或2个损伤以上的缺陷时，无法进行多损伤的准确区分和定位，存在误判和漏判的情况。第一个问题是所有层析重构算法所共有的不足，但是第二个和第三个缺点对于实际的工程应用来说会带来致命的错误，完全无法确定得到的损伤分布图是否正确。

发明内容

本发明解决的问题在于提供一种基于RAPID层析的机械结构损伤无损识别方法，消除了不同损伤之间的干涉以及被测区域外部干扰源的影响，不仅实现了外部干扰的消除，而且有效实现了多损伤或单一损伤的准确诊断和定位。

本发明是通过以下技术方案来实现：

一种基于RAPID层析的机械结构损伤无损识别方法，包括以下步骤：

1）在待测的机械结构件上设置压电传感器，压电传感器包括一个中心压电传感器和若干个外围传感器，压电传感器作为信号的激励端或信号的接收端；

2）在机械结构件的初始无损伤状态下，分别依次以压电传感器中的一个为激励端进行信号的激励，以其余的压电传感器为接收端接收信号，每两个压电传感器的传感路径上传播的信号都被采集，所采集到的信号作为参考信号；

3）当机械结构件产生损伤后，分别依次以压电传感器中的一个为激励端进行信号的激励，以其余的压电传感器为接收端接收信号，每两个压电传感器的传感路径上传播的信号都被采集，所采集到的信号作为损伤信号；

4）对采集到的信号数据进行截断：以激励端与接收端的直线距离L除以Lamb波在有效频段内的最大传播速度v_max得到的时间点，作为有效数据起始点t₀， $t_0=\frac{L}{v_{\max }};$

以激励端与接收端的直线距离L乘以RAPID算法的尺度参数β得到计算区域内的最大路径长度βL，用该长度除以Lamb波在有效频段内的最小传播速度V_min加上激励信号的半个周期1/2T₀得到的时间点，作为有效数据终止点t₁， $t_1=\frac{\mathrm{\βL}}{V_{\min }}+1/2T_0;$

5）根据中心传感器作为激励端、外围传感器作为接收端的传感器路径对应的SDC分布图，进行损伤数量的判断，在SDC分布图中出现的峰值点的个数为损伤个数；

以峰值点对应的传感器路径为中心路径，依次向两侧选取最近的两条路径，并去掉最外层两条传感器路径中对应SDC数值较大的一条路径，以所选取的四条传感器路径组成的区域，作为该峰值点对应的损伤的局部子区域；

6）按照RAPID算法，依据截断之后的参考信号和损伤信号在划分好的子区域内进行各传感器路径的SDC和各概率分布图的计算，并进行概率分布图的叠加，得到各损伤的概率重构图；

7）将各损伤所对应的概率重构图进行融合，得到整体的损伤概率重构图，峰值点所对应的位置即为损伤的中心点位置。

所述的压电传感器按时钟型分布，外围传感器以中心压电传感器为中心，呈圆形、矩形或椭圆形分布。

所述在激励端进行激励时，激励信号通转化为电信号，并根据压电效应在作为激励端的传感器转化为机械振动信号，在机械结构件中产生Lamb超声导波；

在接收端进行接收时，接收端传感器根据压电效应将接收到的Lamb超声导波导致的机械振动信号转化为电信号，并将其转化为数字信号。

所述的在机械结构件中产生Lamb超声导波的中心频率根据不同类型的机械结构损伤进行选择。

所述步骤5）SDC分布图是以中心传感器作为激励端，外围传感器作为接收端，按照顺时针或逆时针方向，逐点计算传感器路径对应的SDC数值得到的SDC分布图。

所述在进行传感器路径对应的SDC数值的计算式，还通过设置SDC的阈值进行数值处理。

所述局部子区域是由多个扇区合并而成。

所述将各损伤所对应的概率重构图进行融合之前，还进行包括平方消噪和数值归一化处理的数值处理。

与现有技术相比，本发明具有以下有益的技术效果：

本发明提供的基于RAPID层析的机械结构损伤无损识别方法，通过提供一种新的传感器阵列形式，并以此为基础建立了基于局部成像的RAPID层析算法，在机械结构损伤无损识别中通过数据截断和子区域内的局部重构，消除了不同损伤之间的干涉以及被测区域外部干扰源的影响，不仅实现了外部干扰的消除，而且有效实现了多损伤或单一损伤的准确诊断和定位。而现有技术中：当检测区域外部存在损伤时，会对检测区域内部损伤的定位产生干扰；当检测区域内部存在2个或2个损伤以上的缺陷时，无法进行多损伤的准确区分和定位，存在误判和漏判的情况。与现有技术相比具有显著的进步。

本发明提供的基于RAPID层析的机械结构损伤无损识别方法，对采集到的信号数据进行截断，包括了有效数据起始点t₀和有效数据终止点t₁的截取；前端截断断主要是为了消除前端无效数据的影响，比如消除电磁干扰等环境因素的影响；后端截断主要是防止椭圆以外的损伤影响到接收数据。

本发明提供的基于RAPID层析的机械结构损伤无损识别方法，将整个大的检测区域划分为不同的小的扇区，传感器越多，划分的扇区也越多；然后对不同的扇区进行数据分析，可以准确地进行故障的诊断和定位。

本发明提供的基于RAPID层析的机械结构损伤无损识别方法，能够提高检测结果的图像分辨率，本发明所对应的重构图像的分辨率明显更高，所反映的故障在形状、位置上更接近实际故障。外部故障的形状和位置决定了其对内部故障的干扰程度，而本发明够明显消除外部故障的干扰。

附图说明

图1为时钟型传感器的分布示意图；

图2为传感路径0-2上传感器S2接收到的信号的示意图；

图3为损伤对于SDC计算的影响的示意图；

图4为传感路径0-2上传感器S2接收信号的截断处理后的示意图；

图5为半径传感路径对应的SDC分布图示意图；

图6-1为损伤1的概率分布图；

图6-2为损伤2的概率分布图；

图6-3为损伤3的概率分布图；

图7为检测区域的损伤分布图；

图8为检测区域存在单一损伤，外部存在一干扰源的示意图；

图9-1为RAPID算法的诊断结果图；

图9-2为本发明的诊断结果图；

图10为检测区域内部存在三损伤的示意图；

图11-1为RAPID算法的诊断结果图；

图11-2为本发明的诊断结果图。

具体实施方式

下面对本发明进行详细的说明，所述是对本发明的解释而不是限定。

一种基于RAPID层析的机械结构损伤无损识别方法，通过传感器阵列形式，并以此为基础建立了基于局部成像的层析算法，通过扇区内的局部重构和数据截断，消除了不同损伤之间的干涉以及被测区域外部干扰源的影响，有效实现了多损伤的诊断和定位，包括以下步骤：

1）在待测的机械结构件上设置压电传感器，压电传感器包括一个中心压电传感器和若干个外围传感器，压电传感器作为信号的激励端或信号的接收端；

2）在机械结构件的初始无损伤状态下，分别依次以压电传感器中的一个为激励端进行信号的激励，以其余的压电传感器为接收端接收信号，每两个压电传感器的传感路径上传播的信号都被采集，所采集到的信号作为参考信号；

在实验中以结构件布置上传感器的那一时刻的状态为初始无损伤状态，在实际工程中，以大型机械设备安装完毕并布置好传感器为初始无损伤状态，此时对结构件或机械设备进行信号的数据采集得到的即是参考信号；

3）当机械结构件产生损伤后，分别依次以压电传感器中的一个为激励端进行信号的激励，以其余的压电传感器为接收端接收信号，每两个压电传感器的传感路径上传播的信号都被采集，所采集到的信号作为损伤信号；

在实验验证时可人为制造损伤，而在工程实际中当结构件或大型设备经历长时间的负载并产生损伤之后，再次进行信号的数据采集，得到的就是损伤信号；

4）为了消除外部损伤对于内部损伤定位的影响，对采集到的信号数据进行截断：以激励端与接收端的直线距离L除以Lamb波在有效频段内的最大传播速度v_max得到的时间点，作为有效数据起始点t₀，

以激励端与接收端的直线距离L乘以RAPID算法的尺度参数β得到计算区域内的最大路径长度βL，用该长度除以Lamb波在有效频段内的最小传播速度V_min加上激励信号的半个周期1/2T₀得到的时间点，作为有效数据终止点t₁， $t_1=\frac{\mathrm{\βL}}{V_{\min }}+1/2T_0;$

5）根据中心传感器作为激励端、外围传感器作为接收端的传感器路径对应的SDC分布图，进行损伤数量的判断；在SDC分布图中出现的峰值点的个数为损伤个数；

以峰值点对应的传感器路径为中心路径，依次向两侧选取最近的两条路径，并去掉最外层两条传感器路径中对应SDC数值较大的一条路径，以所选取的四条传感器路径组成的区域，作为该峰值点对应的损伤的局部子区域；

6）按照RAPID算法，依据截断之后的参考信号和损伤信号在划分好的子区域内进行各传感器路径的SDC和各概率分布图的计算，并进行概率分布图的叠加，得到各损伤的概率重构图；

7）将各损伤所对应的概率重构图进行融合，得到整体的损伤概率重构图，峰值点所对应的位置即为损伤的中心点位置。

具体的，以以下实验平台进行说明和检验：

1）实验台的设计。

包括压电传感器的布置，功率放大器，电荷放大器，数字转换器和计算机；所有的控制操作和信号分析都是在计算机上基于NI Labview和Matlab平台实现的。

压电传感器按照一定形状布置在待检测结构件上（一般为时钟型如图1所示，若检测区域形状特殊，也可重新设计不同的传感器排列形状，例如外围的圆形可以设计成矩形或者椭圆，分布形状可根据检测结构件进行灵活变化），既可做信号的激励端又可做信号的接收端。实验中采用的激励信号为波形发生器模拟的汉宁窗调制的五脉冲正弦信号，中心频率根据不同类型的损伤进行选择。具体的损伤为人为制造的贯穿孔，对应采用中心频率为150Khz的Lamb波。

在进行激励时，激励信号通过实验台转化为电信号，并根据压电效应在激励端传感器转化为机械振动信号，在结构件中产生超声导波；

在进行接收时，接收端传感器根据压电效应将接收到的机械振动信号转化为电信号，并通过实验台转化为数字信号输入进计算机进行进一步处理。

2）参考信号（无损伤信号）的获取。

信号的数据采集如下，分别以A0，A1，…，A8为激励段进行信号的激励，并在其它的传感器处接收信号，即使每个传感路径例如传感路径（0-1）上传播的信号都被采集，传感路径0-2上在S2处采集到的参考信号如图2所示。

3）损伤信号的获取。

损伤信号的采集过程和参考信号的采集过程相同，以A0，A1，…，A8为激励段进行信号的激励，并在其它的传感器处接收信号，传感路径0-2上在S2处采集到的损伤信号如图2所示。

4）信号数据的处理。

从图3可知，因为损伤2和3分别处于传感路径（0-1）和（0-4）的信号数据采集区域（图3中的浅色椭圆区域，由信号的采集时间决定），所以对这两传感路径对应的SDC的数值（SDC按照的公式（1）（2）（3）（4）进行计算）计算产生较大的影响，从而最终影响损伤1的局部定位诊断，此时损伤2和3相当于损伤1的外部损伤。为了消除外部损伤对于内部损伤定位的影响，需要对采集到的信号数据进行截断，使其对应的信号采集区域和计算区域（图3中的深色椭圆区域）重合。截断的信号数据的起始如下：有效数据起始点（有效数据的第一点）t₀，

有效数据终止点t₁，

有效数据起始点的截断可消除前端无效数据的影响，例如电磁干扰等；有效数据的终点起到消除或削弱外部损伤造成的影响的作用，最终截断之后的信号数据如图4所示。通过对数据进行截断处理，不仅可以最大限度地消除或削弱多损伤之间的影响，而且可以削弱整体检测区域外部的干扰。

5）对损伤的数量进行判断

损伤会对其附近半径路径（如0-2）上的传播信号造成影响，所以根据半径路径对应的SDC分布图，可进行损伤数量的准确判断和损伤位置的初步诊断。

图5是以A0为激励端按照S1-S8为接收端的顺序逐点计算这些半径路径对应的SDC数值得到的SDC分布图。在图5中可观察到明显的3个峰值点，对应的半径路径分别为（0-2）、（0-5）和（0-8），表示检测区域存在3个损伤，并且这些损伤分别靠近半径路径（0-2）、（0-5）和（0-8）。此时要注意当某些连续的半径路径附近不存在损伤时，对应的SDC数值虽然都很小但是仍然有可能存在极值，这种情况会对损伤数量的判断产生不良影响，可通过设置SDC的阈值进行数值处理来消除这些不良影响。

损伤的局部子区域的划分：

所述的“局部”指的是不同损伤对应的不同的子区域，这些子区域由相邻扇区组成。因为单一损伤的定位需要至少2个传播信号受损伤影响的传感路径对应的概率分布图进行叠加，所以至少需要将3个扇区合并为1个子区域（例如将A0-A1-A2、A0-A2-A3和A0-A3-A4这三个扇区组合为子区域A0-A4-A3-A2-A1，图3）才可进行单一损伤的局部诊断，又子区域包含4条连续的半径路径，所以大扇区的选择可简化为4条连续的半径路径的选择。

以靠近半径路径（0-2）的损伤1为例，对它进行局部诊断的子区域对应的4条半径路径可根据SDC分布图的数值变化进行选择：以传感路径（0-2）中心路径，依次向两侧选取最近的2条路径，顺时针一侧为路径（0-3）和（0-4），逆时针一侧为路径（0-1）和（0-8）），并去掉最外层两条路径中对应SDC数值较大的一条路径（0-8），它受外界损伤的影响，最终得到的4条路径（0-1）、（0-2）、（0-3）和（0-4）组成子区域A0-A4-A3-A2-A1，其它损伤对应的子区域同理可得。

6）损伤的局部诊断和定位：

按照RAPID算法，依据截断之后的参考信号和损伤信号在划分好的子区域内进行各传感路径的SDC和各概率分布图（基于公式5计算）的计算（位置点是通过网格线将检测区域均匀分割后得到的网格点），并进行概率分布图的叠加，最终得到各损伤的概率重构图（如图6-1～6-3所述，图中“o”为真实损伤位置，“+”为诊断出的损伤位置）。

7）局部损伤概率分布图的融合：

因为不同损伤的概率分布图数值可能相差较大，为防止再一次出现数值相差较大的概率分布图的相互干扰，需要在图像融合之前进行进一步的数值处理，包括平方消噪和数值归一化处理。经过处理之后将各损伤的概率分布图进行图像融合即可得到最终的检测区域整体的损伤位置的概率分布图，图中的峰值点对应了实际损伤的中心点。图7即是最终的整体检测区域的损伤分布图，通过观察可知，真是损伤位置和诊断出的损伤位置相差不大，在可接受的误差范围之内。

进一步，在以下两种情况下将本发明与RAPID算法的检测结果进行比较：

1）如图8所示，检测区域存在单一损伤，外部存在干扰源；

两者的检测结果分别如图9-1、9-2所示，可以看出本发明的定位更加准确，而且图像清晰；

2）如图10所示，检测区域内部存在三损伤；

两者的检测结果分别如图11-1、12-2所示，可以看出本发明的定位更加准确、图像清晰，而且消除了不同损伤之间的干涉以及被测区域外部干扰源的影响，有效实现了多损伤的诊断和定位。

Claims (8)

1.一种基于RAPID层析的机械结构损伤无损识别方法，其特征在于，包括以下步骤：

1)在待测的机械结构件上设置压电传感器，压电传感器包括一个中心压电传感器和若干个外围传感器，压电传感器作为信号的激励端或信号的接收端；

2)在机械结构件的初始无损伤状态下，分别依次以压电传感器中的一个为激励端进行信号的激励，以其余的压电传感器为接收端接收信号，每两个压电传感器的传感路径上传播的信号都被采集，所采集到的信号作为参考信号；

3)当机械结构件产生损伤后，分别依次以压电传感器中的一个为激励端进行信号的激励，以其余的压电传感器为接收端接收信号，每两个压电传感器的传感路径上传播的信号都被采集，所采集到的信号作为损伤信号；

4)对采集到的信号数据进行截断：以激励端与接收端的直线距离L除以Lamb波在有效频段内的最大传播速度v_max得到的时间点，作为有效数据起始点t₀， $t_0=\frac{L}{v_{\max }};$

以激励端与接收端的直线距离L乘以RAPID算法的尺度参数β得到计算区域内的最大路径长度βL，用该长度除以Lamb波在有效频段内的最小传播速度V_min加上激励信号的半个周期1/2T₀得到的时间点，作为有效数据终止点t₁， $t_1=\frac{\mathrm{\βL}}{V_{\min }}+1/2T_0;$

5)根据中心传感器作为激励端、外围传感器作为接收端的传感器路径对应的SDC分布图，进行损伤数量的判断，在SDC分布图中出现的峰值点的个数为损伤个数；

以峰值点对应的传感器路径为中心路径，依次向两侧选取最近的两条路径，并去掉最外层两条传感器路径中对应SDC数值较大的一条路径，以所选取的四条传感器路径组成的区域，作为该峰值点对应的损伤的局部子区域；

6)按照RAPID算法，依据截断之后的参考信号和损伤信号在划分好的子区域内进行各传感器路径的SDC和各概率分布图的计算，并进行概率分布图的叠加，得到各损伤的概率重构图；

7)将各损伤所对应的概率重构图进行融合，得到整体的损伤概率重构图，峰值点所对应的位置即为损伤的中心点位置。

2.如权利要求1所述的基于RAPID层析的机械结构损伤无损识别方法，其特征在于，所述的压电传感器按时钟型分布，外围传感器以中心压电传感器为中心，呈圆形、矩形或椭圆形分布。

3.如权利要求1所述的基于RAPID层析的机械结构损伤无损识别方法，其特征在于，在激励端进行激励时，激励信号转化为电信号，并根据压电效应在作为激励端的传感器转化为机械振动信号，在机械结构件中产生Lamb超声导波；

在接收端进行接收时，接收端传感器根据压电效应将接收到的Lamb超声导波导致的机械振动信号转化为电信号，并将其转化为数字信号。

4.如权利要求3所述的基于RAPID层析的机械结构损伤无损识别方法，其特征在于，所述的在机械结构件中产生Lamb超声导波的中心频率根据不同类型的机械结构损伤进行选择。

5.如权利要求1所述的基于RAPID层析的机械结构损伤无损识别方法，其特征在于，所述步骤5)SDC分布图是以中心传感器作为激励端，外围传感器作为接收端，按照顺时针或逆时针方向，逐点计算传感器路径对应的SDC数值得到的SDC分布图。

6.如权利要求5所述的基于RAPID层析的机械结构损伤无损识别方法，其特征在于，在进行传感器路径对应的SDC数值的计算式，还通过设置SDC的阈值进行数值处理。

7.如权利要求1所述的基于RAPID层析的机械结构损伤无损识别方法，其特征在于，所述局部子区域是由多个扇区合并而成。

8.如权利要求1所述的基于RAPID层析的机械结构损伤无损识别方法，其特征在于，所述将各损伤所对应的概率重构图进行融合之前，还进行包括平方消噪和数值归一化处理的数值处理。