CN103439413A - 一种热障涂层损伤模式自动识别的声发射信号分析方法 - Google Patents

Abstract

一种热障涂层损伤模式自动识别的声发射信号分析方法，属于热障涂层失效无损实时检测技术领域。采集热障涂层的损伤声发射信号；对声发射信号进行小波包变换，提取小波能谱系数作为模式识别的特征参数；建立BP神经网络分类系统，对BP网络进行训练，得到训练好的BP网络；提取待识别的声发射信号小波能谱系数，输入给训练好的BP网络，识别出声发射信号的损伤模式；统计每一损伤声发射事件数，得出各种损伤声发射信号数与外加载荷的关系曲线。本发明对失效过程进行实时或原位的无损检测，为正确的理解其失效行为提供直接的依据和指导。本发明能准确识别出热障涂层不同损伤模式的声发射信号，对实现热障涂层失效过程的实时检测具有重大意义。

Description

一种热障涂层损伤模式自动识别的声发射信号分析方法

技术领域

本发明涉及一种热障涂层损伤模式自动识别的声发射信号分析方法，属于热障涂层失效无损实时检测技术领域。

背景技术

热障涂层的概念于1953年由美国的NASA研究中心提出，它是一种具有非常低的热传导系数和优良的抗高温氧化性能的陶瓷涂层，通过粘结层沉积在耐高温金属或合金的表面，有效的将高温金属或合金与高温燃气隔绝开来，用以降低高温部件或合金的表面工作温度，使其免受高温燃气的腐蚀和冲蚀，大大延长了高温金属或合金的使用寿命，进而提高航空发动机的燃气温度和热效率。这一概念提出后立即引起了世界各国国防、高校和研究机构的高度关注，经过几十年的高速发展，其应用已使燃气发动涡轮机的使用温度大幅度提升，成为高性能航空发动机的关键技术之一。美国Connecticut大学的Jordan教授于2002年在《Science》上指出：热障涂层是最急需应用在航空发动机和工业涡轮机内高温部件的一种涂层。但他同时也指出：热障涂层是所有涂层系统中最复杂的一种结构，其失效问题是急需解决的关键问题。基于航天航空这一工作环境的特殊性，设计师们按照“尽量保证热障涂层在极高的安全系数下工作”的原则来设计，浪费了大量的人力和财力。尽管如此，热障涂层发生不可预知的涂层开裂、脱落仍然是航空发动机致命的威胁。因此，热障涂层领域著名科学家Hutchinson在第22届国际理论与应用力学大会(2008年8月在澳大利亚阿德莱德举行)的开幕式报告上再一次呼吁：失效问题仍是热障涂层急需解决的关键与挑战问题。

由于陶瓷层与基底材料在力学、物理性能上存在巨大的差异，加上复杂的结构、界面耦合机制以及界面氧化机制，热障涂层的失效行为非常复杂，我们很难将各种因素都全面考虑来建立一个目前大家都公认的理论模型来预测热障涂层的失效程度。如果能对其失效过程进行实时或原位的无损检测，即直接的“看”损伤在制备或服役过程中形成、演化的过程，则能为正确的理解其失效行为提供直接的依据和指导。Jordan和Hutchinson在他们的文章和报告中都指出：实时、原位、无损的测试方法将是热障涂层失效问题研究的可行方法和手段。对热障涂层的实时观测，工程界和学术界最想知道的是“热障涂层在什么时候，什么位置，发生了什么形式的失效”，但是上面提到的这些方法都还无法完整回答这一关键问题。我们知道，不管材料的结构和形状多么复杂，不管其受载状态和服役环境多么复杂，也不管失效的形式多么复杂，在产生变形或失效时，必然伴随能量的变化也就是说会释放出应变能，从而产生应力波也就是声发射信号，而且，因为失效在材料中所处的位置、形成或扩展的方式不同，其产生的应力波信号总会存在或多或少的差异。所以，我们利用声发射技术采集这些信号，从信号的分析方法入手，找出各种失效的信号特征，将有可能实现热障涂层失效过程的实时检测，为研究其失效行为提供有效途径。

作为一种动态测量技术，声发射只能回答出材料在什么时候发生了破坏，但无法回答声发射源是界面裂纹、涂层中的裂纹或其它的失效模式。对于回答“在什么位置、出现什么形式、什么程度的失效”这一关键问题的研究还处于探索阶段。由于界面裂纹会直接导致涂层的脱落，因而它引起热障涂层失效的程度比涂层中的裂纹严重得多。因此，不同失效模式的损伤对热障涂层服役寿命的影响是不同的。我们认为解决失效模式的识别问题是实现声发射实时检测的根本。在我们前期的发明专利“热障涂层损伤及其失效过程的声发射实时检测方法”中，通过对热障涂层损伤声发射信号进行小波变换，提取小波能谱系数作为声发射信号的特征参数，识别出了热障涂层表面垂直裂纹、界面裂纹两种失效模式。但是，该方法需要对每一个损伤声发射信号进行小波变换、能谱系数计算，然后采用人工逐一识别的方法对损伤声发射信号进行模式识别。然而，在热障涂层某一载荷作用下的失效过程中，会释放出大量的声发射信号。因此，对单个信号的分析必耗费大量人力，且分析具有一定的滞后性。因此，在上一发明专利的基础上，我们进一步改进了声发射信号小波能谱特征参数的提取方法，采用小波包分析提高了模式识别频率空间的精度。更重要的是，发展了热障涂层声发射信号模式自动识别的BP网络算法，实现了热障涂层失效模式的智能识别，不仅为热障涂层失效过程的声发射实时检测提供了可信的方法，同时为热障涂层的寿命预测提供了直接的依据。

发明内容

为了解决上述问题，本发明提供一种热障涂层损伤模式自动识别的声发射信号分析方法。本发明可以实现热障涂层损伤的实时检测、并能实现热障涂层损伤模式的自动识别。

本发明解决上述技术问题的技术方案包括以下步骤:

1)通过声发射传感器采集热障涂层样品损伤声发射信号；

2)将步骤1)采集到的声发射信号进行小波包变换，提小波能谱系数作为识别热障涂层损伤模式声发射信号的特征参数；

3)设计一个BP神经网络分类器，将步骤2)得到的小波能谱系数作为BP神经网络的输入向量，选择样本信号对BP神经网络进行训练，得到训练完毕的BP神经网络；

4)按步骤2)所述提取待识别热障涂层损伤声发射信号小波能谱系数，将其输入给步骤3所述的训练完毕的BP神经网络中，根据神经网络的输出识别热障涂层损伤声发射信号的模式。

5)根据步骤4)的识别结果统计每一损伤声发射事件数，得出每一种损伤模式的声发射事件数随施加载荷变化的关系曲线。

本发明中小波包变换的原理如下：

定义小波包函数：

$W_{j,k}^n\left(t\right)=2^{\frac{j}{2}}{W}^n(2^{j}t-k),---\left(1\right)$

其中j为尺度参数，k为时间位移参数，n为振荡参数。第一、二小波包函数分别为尺度函数与小波函数，其形式如下：

$W_{\mathrm{0,0}}^0\left(t\right)=\mathrm{\φ}\left(t\right),---\left(2\right)$

$W_{\mathrm{0,0}}^1\left(t\right)=\mathrm{\ψ}\left(t\right),---\left(3\right)$

当n＝2,3,…时小波包函数有如下递推关系：

$W_{\mathrm{0,0}}^{2n}\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\Σ}}h\left(k\right)W_{1,k}^n(2t-k),---\left(4\right)$

$W_{\mathrm{0,0}}^{2n+1}\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\Σ}}g\left(k\right)W_{1,k}^n(2t-k),---\left(5\right)$

其中h(k),g(k)为多分辨率中滤波器的系数。对于一给定信号f(t)小波包系数计算公式如下：

$d_{j,k}^n=<f\left(t\right),W_{j,k}^n>=\&Integral;f\left(t\right)W_{j,k}^n\left(t\right)\mathrm{dt}.---\left(6\right)$

信号f(t)在每一特定节点上的小波包成分可通过下式得到：

$f_j^n\left(t\right)=\underset{k=-\&infin;}{\overset{+\&infin;}{\mathrm{\&Sigma;}}}{d}_{j,k}^n{W}_{j,k}^n\left(t\right),---\left(7\right)$

根据小波包分解后其信号f(t)可以写成一系列信号之和，即

$f\left(t\right)=\underset{n=1}{\overset{2^j}{\mathrm{\&Sigma;}}}{f}_j^n\left(t\right),---\left(8\right)$

其中

为特定节点的分解信号。

每一尺度下的节点能量计算公式为：

$E^{\left(n\right)}\left(t\right)=\underset{\mathrm{\&tau;}=1}{\overset{t}{\mathrm{\&Sigma;}}}{\left(f_j^n\left(\mathrm{\&tau;}\right)\right)}^2,---\left(9\right)$

总能量计算公式为

$E^{\left(T\right)}\left(t\right)=\underset{n}{\mathrm{\&Sigma;}}{E}^{\left(n\right)}\left(t\right),---\left(10\right)$

定义各小波尺度下信号的节点能量与总能量的比值为小波能谱系数，则有：

$R^{\left(n\right)}\left(t\right)=\frac{E^{\left(n\right)}\left(t\right)}{E^{\left(T\right)}\left(t\right)},n=0,1,\mathrm{2,3},...2^j,---\left(11\right)$

根据式上式得出小波能谱系数，其中小波能谱系数最大值所对应的小波尺度为信号的特征尺度，相应的频段即为声发射信号的特征频段。

本发明中BP神经网络的原理如下：

BP神经网络是一种多层前馈神经网络，包含一个输入层，一个输出层和多个隐含层。每层有多个神经元，神经元是一个多输入单输出的信息处理单元。图2是典型的三层网络结构图，层与层之间实现全连接，每层神经元之间无连接。

BP算法是一种监督式的学习算法，其主要思想为：对于m个学习样本：P¹,P²,…P^m，已知与其对应的输出样本：T¹,T²,…T^m，学习的目的是用网络的实际输出：t¹,t²,…t^m与目标矢量：T¹,T²,…T^m之间的误差来不断调整权值和阀值，使得网络输出层的均方误差达到最小。BP算法由两部分组成：信息的正向传递与误差的反向传播。

以三层BP网络说明信号的正向传递与误差的反向传递过程。

信号的正向传递过程如下：

隐含层第j个神经元的输出为：

$m_j=f(\underset{i}{\mathrm{\&Sigma;}}{w}_{\mathrm{ji}}{p}_i+b_j)=f\left({\mathrm{net}}_j\right),---\left(12\right)$

${\mathrm{net}}_j=\underset{i}{\mathrm{\&Sigma;}}{w}_{\mathrm{ji}}{p}_i+b_j,---\left(13\right)$

输出层第l个神经元的输出为：

$t_l=f(\underset{j}{\mathrm{\&Sigma;}}{v}_{\mathrm{lj}}{m}_j+b_l)=f\left({\mathrm{net}}_l\right),---\left(14\right)$

${\mathrm{net}}_l=\underset{j}{\mathrm{\&Sigma;}}{v}_{\mathrm{lj}}+m_j,---\left(15\right)$

隐含层与输出层的传递函数为：

$f\left(x\right)=\frac{1}{1+\exp (-x)},---\left(16\right)$

定义误差函数为：

$E=\frac{1}{2}\underset{m}{\mathrm{\&Sigma;}}\underset{l}{\mathrm{\&Sigma;}}{(T_{\mathrm{ml}}-t_{\mathrm{ml}})}^2,---\left(17\right)$

误差的反向传播如下：

输出层权值变化：

其中η为学习速率，a为动量因子。

输出层阀值变化：

隐含层权值变化：

w_ji(k+1)＝w_ji(k)+a[w_ji(k)-w_ji(k-1)]+ηδ_jp_i  (21)

δ_j＝∑δ_lv_ljf′(net_j)  (22)

隐含层阀值变化：

b_j(k+1)＝b_j(k)+a[b_j(k)-b(k-1)]+ηδ_j  (23)

BP算法流程图如图3所示，通过不断调整网络的权值和阀值，直到达到网络的收敛标准或迭代终止条件，网络训练结束。

本发明的有益效果在于：由于组成热障涂层体系的各层之间在力学、物理性能上存在巨大的差异，加上复杂的结构、界面耦合机制以及界面氧化机制，热障涂层的失效行为非常复杂，我们很难将各种因素都全面考虑来建立一个目前大家都公认的理论模型来预测热障涂层的失效程度。如果能对其失效过程进行实时或原位的无损检测，即直接的“看”损伤在制备或服役过程中形成、演化的过程，则能为正确的理解其失效行为提供直接的依据和指导。声发射作为一种能实时检测热障涂层内部裂纹生长、扩展过程的动态技术，其失效模式的智能识别是实现热障涂层失效过程实时检测最关键的问题。目前关于热障涂层失效的声发射检测，大多采用信号数量的多少、能量的大小做一些定性的分析；我们前期的工作实现了表面裂纹、界面裂纹的声发射信号识别，但需要对信号采用人工的方式一一进行分析，非常费时费力。本发明在前期工作的基础上，进一步改进声发射信号的小波分析方法，发展了信号智能识别的BP网络训练法，实现了热障涂层失效过程中失效模式的智能识别。具体包括：1)通过小波包变换提取小波能谱系数作为声发射信号的特征参数，提高了热障涂层损失模式识别时频率空间的分辨率；2)通过神经网络分类器准确识别出热障涂层损伤声发射信号即界面裂纹信号、表面垂直裂纹信号、基底塑性变形信号，实现了热障涂层损伤模式的自动识别。不仅为实现热障涂层失效过程的声发射实时检测提供了可信的信号分析方法，同时为热障涂层的寿命预测提供了直接的依据。

附图说明

图1为本发明流程图。

图2为本发明中三层BP网络结构示意图。

图3为本发明中BP算法流程图。

图4为本发明中热障涂层损伤声发射信号小波包变换流程图。

图5为本发明中BP神经网络设计流程图。

图6为本发明中热障涂层损伤模式识别流程图。

图7为本发明中热障涂层损伤声发射信号三种典型的特征能谱图：(a)表面垂直裂纹，(b)界面裂纹，(c)基底塑性变形。

图8为本发明中BP网络性能指数随训练过程变化曲线示意图。

图9为本发明中训练后的BP网络输出与目标间的分类情况示的混淆矩阵示意图。

图10为本发明中拉伸失效过程中热障涂层不同失效形式的声发射事件数与加载时间的关系示意图。

具体实施方式：

下面结合附图和实施例进一步说明本发明。

图1为本发明流程图。一种热障涂层损伤模式自动识别的声发射信号分析方法，本方法步骤如下：

1)通过声发射传感器采集热障涂层样品损伤声发射信号；

2)利用离散二进制小波如db8对步骤1采集到的声发射信号进行小波包变换，确定分解尺度J_max，具体的计算公式为：

$J_{\max }=\min (\mathrm{int}\left({\log }_2\frac{f_s}{20}\right),\mathrm{int}({\log }_2\frac{N}{L_f}+1))$

其中f_s为声发射信号的采样频率，L_f为滤波器长度，N为采样长度。根据公式(9)～(11)计算出信号在各个频率段的小波能谱系数，将其作为识别热障涂层损伤模式声发射信号的特征参数；

3)设计一个BP神经网络分类器，将步骤2得到的小波能谱系数作为BP神经网络的输入向量，选择样本信号对BP神经网络进行训练，得到训练完毕的BP神经网络；

4)按步骤2所述提取待识别热障涂层损伤声发射信号小波能谱系数，将其输入给步骤3所述的训练完毕的BP神经网络中，根据神经网络的输出识别热障涂层损伤声发射信号的模式。

5)根据步骤4的识别结果统计每一损伤声发射事件数，得出每一种损伤模式的声发射事件数随施加载荷变化的关系曲线。

声发射信号小波变换的流程图如图4所示。首先分析热障涂层损伤声发射信号的特征，选取合适的小波函数；确定小波包分解的层数然后对信号进行小波包分解；计算各尺度下信号的能量与总能量的比值，得出小波能谱系数，完成信号的小波包分解。

在热障涂层体系中最常见的损伤形式有表面垂直裂纹、界面裂纹、基底塑性变形，不同损伤模式其声发射信号的频率特征以及信号在各频率段的能量分布是不同的，而信号的频率特征以及能量分布情况与损伤的大小、载荷的大小无关。因此，可以通过单一损伤模式的声发射实验，得到大量损伤模式已知的声发射信号，对这些信号进行小波包变换，得出不同损伤模式的声发射信号频率特征与能量分布情况，并提取小波能谱系数作为识别热障涂层损伤声发射信号的特征参数。

建立神经网络模型，本发明选取的神经网络模型为三层网络：输入层、隐含层、输出层。所述BP神经网络分类器的设计和参数配置包括隐层的设计、传递函数的确定、权值和阀值初始值的确定、输出层的设计、迭代终止标准，本发明中BP神经网络设计流程图如附图5所示。

1、隐层的设计。所述神经网络确定隐含层节点数的公式为：

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

其中m为隐层节点数，n为输入层节点数，l为输出层节点数，a为1～10之间的常数。则隐含层神经元可取4～14个，通过试凑法选择网络误差最小时对应的隐层节点数，本发明隐层节点为8个。

2、传递函数的选取。所述神经网络隐含层和输出层传递函数为Sigmoid型函数，其函数形式如下：

$f\left(x\right)=\frac{1}{1+\exp (-x)}$

3、初始权值和阀值的确定。权值和阀值随着网络迭代而更新，且一般是收敛的，但权值太大可能导致网络很快达到饱和。本发明采用较小的初始值域，其值域为(-0.05,0.05)，并通过反复实验的方法确定最佳初始权值。

4、输出层的设计。所述神经网络输出向量为[0 0 1]、[0 1 0]、[1 0 0]，其中[0 0 1]表示热障涂层损伤的表面垂直裂纹信号，[0 1 0]表示热障涂层损伤的界面裂纹信号，[1 0 0]表示基底塑性变形信号。

5、迭代终止标准。所述神经网络设置最大循环迭代次数为5000，收敛目标平均误差为0.01。学习算法采用有动量可变学习率BP算法(traingdx)，初始学习率为0.01，动量因子为0.9，自适应学习速率调整公式为：

其中η(k)表示学习速率，E(k)表示训练的误差。

当BP神经网络建立后，输入训练样本对网络进行训练。从实验样本中选取表面裂纹信号、界面裂纹信号、基底塑性变形信号各100个作为BP神经网络的训练样本。首先将声发射信号进行小波包变换提取小波能谱系数构成一个样本特征向量集合。然后通过随机采样将样本特征向量集合拆分成训练集、验证集、测试集，所占比例分别为60%、20%、20%。训练集负责训练并调整权值与阀值，验证集参与训练并监控误差，测试集是没有经过训练的数据，以此来考察网络对未知信号的识别效果。

当BP神经网络训练后，就能够很容易的完成一未知损伤模式声发射信号的识别。对一记录有加载时间或加载应力信息未知模式的声发射信号，通过小波包变换求得小波能谱系数，将能谱系数输入BP神经网络分类器，根据输出向量确定其损伤模式，如输出向量与某一设置的输出向量相同，则该模式的声发射信号计数器加1，以各种损伤声发射信号计数的统计数字为纵坐标，以信号的加载时间为横坐标作图，得到损伤所产生的声发射信号随外加载荷的关系曲线。本发明中热障涂层损伤模式识别流程图如附图6所示。

[实施例]

以热障涂层常温下的拉伸失效过程为例对其损伤声发射信号进行自动模式识别。其中热障涂层试样采用等离子喷涂方法来制备，基底材料为Ni基高温合金钢GH3030，粘结层材料为NiCr₂₂Al₇Y_0.2(wt.%)，陶瓷层材料为ZrO₂-8wt.%Y₂O₃，粘结层与陶瓷层的厚度分别为100μm和200μm。拉伸实验采用万能实验机对试样进行加载，加载速率为0.3mm/min。加载时将声发射传感器贴在试样的两端，通过声发射仪采集信号，采样频率为2MHz，阈值设置为38dB。实验分别对没有涂层的基底材料和热障涂层进行了拉伸失效过程的声发射检测。

经过分析，本实施例中选择db8小波包对热障涂层的损伤声发射信号进行小波变换，其分解尺度为4。首先对基底材料拉伸时的声发射信号进行小波包分析，并确定其小波能谱系数的特征，如图7(a)所示，可以看出基底变形所产生的声发射信号其小波能谱系数的最大值所在的频段即特征频谱段为0.125-0.1875MHz；然后对基底屈服前的大量声发射信号进行小波包分析，确定表面垂直裂纹的小波能谱系数特征，如图7(b)所示，其特征频段为0.1875-0.25MHz；再次从基底屈服后的声发射信号中找出不同于前面两种声发射信号进行小波包分析确定界面裂纹的小波能谱系数特征，如图7(c)所示，其特征频段为0.25-0.3125MHz。据此，我们根据声发射信号的特征频段来建立基底变形、表面裂纹、界面裂纹声发射信号的实验样本库。

从上述实验样本库中选取表面裂纹信号、界面裂纹信号、基底塑性变形信号各100个作为BP神经网络的训练样本。首先将声发射信号进行小波包变换提取小波能谱系数作为构成一个样本特征向量集合，并对BP神经网络进行训练。图8是BP网络性能指数随训练过程的变化。训练后的网络输出与目标间的分类情况可用图9所示的混淆矩阵表示。从图可以看出网络的识别准确率为99.7%。综上所述BP网络能够非常准确的识别出热障涂层不同损伤模式声发射信号。

当BP网络训练完毕后，对拉伸载荷下的记录有加载时间或加载应力信息的未知模式的声发射信号声发射信号通过小波包分析求得小波能谱系数，将能谱系数输入BP神经网络分类器，根据输出向量确定其损伤模式，如输出向量与某一设置的输出向量相同，则该模式的声发射信号计数器加1，以各种损伤声发射信号计数的统计数字为纵坐标，以信号的加载时间为横坐标作图，得到损伤所产生的声发射信号随外加载荷的关系曲线，如图10所示。

由于组成热障涂层体系的各层之间在力学、物理性能上存在巨大的差异，加上复杂的结构、界面耦合机制以及界面氧化机制，热障涂层的失效行为非常复杂，我们很难将各种因素都全面考虑来建立一个目前大家都公认的理论模型来预测热障涂层的失效程度。如果能对其失效过程进行实时或原位的无损检测，即直接的“看”损伤在制备或服役过程中形成、演化的过程，则能为正确的理解其失效行为提供直接的依据和指导。本发明在前期工作的基础上，进一步改进声发射信号的小波分析方法，发展了信号智能识别的BP网络训练法，实现了热障涂层失效过程中失效模式的智能识别。本发明为实现热障涂层失效过程的声发射实时检测提供了可信的信号分析方法，为热障涂层的寿命预测提供了直接的依据。

Claims (5)

1.一种热障涂层损伤模式自动识别的声发射信号分析方法，其特征在于，包括以下步骤：

1)通过声发射传感器采集热障涂层样品损伤声发射信号；

2)将步骤1)采集到的声发射信号进行小波包变换，提小波能谱系数作为识别热障涂层损伤模式声发射信号的特征参数；

3)设计一个BP神经网络分类器，将步骤2)得到的小波能谱系数作为BP神经网络的输入向量，选择样本信号对BP神经网络进行训练，得到训练完毕的BP神经网络；

4)按步骤2)所述提取待识别热障涂层损伤声发射信号小波能谱系数，将其输入给步骤3)所述的训练完毕的BP神经网络中，根据BP神经网络的输出识别热障涂层损伤声发射信号的模式；

5)根据步骤4)的识别结果统计每一损伤声发射事件数，得出各种损伤声发射信号数与外加载荷的关系曲线。

2.根据权利要求1所述的一种热障涂层损伤模式自动识别的声发射信号分析方法，其特征在于，所述步骤2)中小波变换中用到的小波是指离散二进小波，其最大分解尺度J_max根据声发射信号的采样频率f_s，滤波器长度L_f以及采样长度N来确定，具体的计算公式为：

$J_{\max }=\min (\mathrm{int}\left({\log }_2\frac{f_s}{20}\right),\mathrm{int}({\log }_2\frac{N}{L_f}+1))$

小波能谱系数是信号在小波包分解后各频率段的能量与总能量的比值。

3.根据权利要求1所述的一种热障涂层损伤模式自动识别的声发射信号分析方法，其特征在于，所述步骤3)中BP网络为包含一个隐含层的三层BP神经网络，其隐含层节点数计算公式为：

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

其中，m为隐层节点数，n为输入层节点数，l为输出层节点数，a为1～10之间的常数，通过试凑法选择网络误差最小时对应的隐层节点数。

4.根据权利要求1所述的一种热障涂层损伤模式自动识别的声发射信号分析方法，其特征在于，所述步骤3)中BP神经网络的训练采用有动量学习速率可变的BP算法，自适应学习速率调整公式为：

其中，η(k)表示学习速率，E(k)表示训练的误差。

5.根据权利要求1所述的一种热障涂层损伤模式自动识别的声发射信号分析方法，其特征在于，所述步骤4)所述的根据BP神经网络的输出识别热障涂层损伤声发射信号的模式为：BP神经网络的输出[1 0 0]对应热障涂层损伤的表面垂直裂纹信号，[0 1 0]输出对应热障涂层损伤的界面裂纹信号，[0 0 1]输出对应基底塑性变形声发射信号。

Images