CN103743822B - 一种提高金属与非金属粘接质量声激励检测精度的方法 - Google Patents

Abstract

本发明涉及无损检测领域中的粘接质量检测方法，具体为一种提高金属与非金属粘接质量声激励检测精度的方法，本方法具体包括以下步骤：（1）选取检测粘接构件；（2）利用声激励检测技术，对声阵列信号进行采集；（3）对单传感器粘接特征进行提取；（4）确定单传感器粘接特征的权重；（5）对单传感器粘接特征进行BP人工神经网络处理；（6）基于方差的数据融合算法实现多传感器拉脱力的融合。本发明将不同粘接特征做不同处理，主要粘接特征赋予的权重较高，而次要粘接特征的权重较低，体现了主要粘接特征和次要粘接特征对粘接质量检测的不同作用，减少拉脱力的预报误差，同时大大提高了粘接质量检测的精度。

Description

一种提高金属与非金属粘接质量声激励检测精度的方法

技术领域

本发明涉及无损检测领域中的粘接质量检测方法，具体为一种提高金属与非金属粘接质量声激励检测精度的方法。

背景技术

金属与非金属材料粘接结构在航空航天、核工业、化工、石油及其他国防和民用领域具有广泛的应用，如：飞机蒙皮的粘接、制动装置的非金属刹车材料与金属粘接构件的粘接、输油管道与其仿腐蚀材料的粘接、大型油压机台面与支柱的粘接等。在这些应用中对金属与非金属之间的粘接质量要求较高，若粘接质量不高有时将会引发严重的事故，如：制动失灵、飞行事故等,因此粘接质量的检测在相关的生产及使用行业占据很重要的位置。

当粘接构件的尺寸、材料以及粘接工艺一定时，工程上粘接结构质量的好坏主要体现为粘接构件承受拉脱力的大小。声激励检测技术作为金属与非金属粘接检测的一种常用手段，即通过对粘接构件的非金属部分施加微力，阵列传感器同时获取粘接部位受力过程中发出的声阵列信号，经过多路信号放大器和信号采集系统将获得的声阵列信号送入计算机，提取粘接特征，通过人工神经网络、数据融合处理，预报出粘接构件承受拉脱力的大小。在检测过程中，由于各粘接特征从不同侧面、不同程度上反映了粘接质量的状况，且各粘接特征对粘接质量的影响程度不同，现有方法将不同粘接特征做等同处理，使得拉脱力的预报误差增大，同时降低了粘接质量检测的精度。

发明内容

本发明为了解决现有的检测金属与非金属粘接质量的声激励检测方法检测精度低的问题，提供了一种提高金属与非金属粘接质量声激励检测精度的方法。

本发明是采用如下的技术方案实现的：一种提高金属与非金属粘接质量声激励检测精度的方法，包括以下步骤：

S1：选择至少四种粘接构件，其中每种粘接构件可以和剩余的粘接构件中的至少两种粘接构件的粘接面积和剪切强度的一个相同；

S2：用阵列传感器采集上述粘接构件的声阵列信号；

S3：分别提取阵列传感器中各个传感器的粘接特征：对各个传感器采集到的不同粘接构件的声阵列信号分别进行时域、频域和倒谱域分析，得到不同粘接构件的预选特征，比较粘接面积和剪切强度中有一个相同的不同粘接构件之间的预选特征，若预选特征的差值随着粘接面积和剪切强度中任意一个量的单增或単减的变化的趋势相同，将满足这一条件的预选特征作为粘接特征；

S4：确定各个传感器中粘接特征的权值：由于声阵列信号采集和粘接特征提取中的不确定性，粘接特征服从可能性分布，对于n个粘接特征，其对应的可能性分布为π₁,π₂,…,π_n，计算两两之间的相似测度，从而得到n个粘接特征的相似测度矩阵：然后采用对数回归方法，来确定各粘接特征可能性分布的权重向量，使得对数误差平方和最小，即使得取得最小值，从而得到最优的w_i（i=1,2,…,n），w_i为第i个粘接特征的权重；

S5：将各个传感器的粘接特征和与粘接特征的对应的权重输入到人工神经网络，人工神经网络输出由各个传感器得到的粘结结构承受承受拉脱力的大小；

S6：将各个传感器得到拉脱力进行融合，得到最终的拉脱力。

本发明首先对进行检测的粘接构件进行了优选，相互比较的粘接构件之间可以在其中一个可控量相同的情况下，得到由另一个可控量变化带来的不同结果，进而可以准确的选择出粘接特征；在选取粘接特征时，将预选特征之间的差值随着粘接面积和剪切强度中任意一个量的单增或单减的变化的趋势相同的预选特征作为粘接特征，这样选取排除了偶然因素，可以选出真正的粘接特征；特别地，计算出了选出的粘接特征之间的相似性，从而得出各个粘接特征的权重，将不同粘接特征做不同处理，主要粘接特征赋予的权重较高，而次要粘接特征的权重较低，体现了主要粘接特征和次要粘接特征对粘接质量检测的不同作用，减少拉脱力的预报误差，同时大大降低了粘接质量检测的精度；各粘接特征从不同侧面、不同程度上反映了粘接质量的状况，因此得出的最终的拉脱力更精确。

上述的一种提高金属与非金属粘接质量声激励检测精度的方法，差值趋势相同、且差值的绝对值大于10%的预选特征选为粘接特征，进而最终得出的拉脱力更精确。

将不同粘接特征做不同处理，主要粘接特征赋予的权重较高，而次要粘接特征的权重较低，体现了主要粘接特征和次要粘接特征对粘接质量检测的不同作用，减少拉脱力的预报误差，同时大大提高了粘接质量检测的精度。

附图说明

图1为本发明的流程图。

图2为传感器采集声阵列信号的状态图。

图3为声阵列信号处理流程图。

具体实施方式

一种提高金属与非金属粘接质量声激励检测精度的方法，包括以下步骤：

S1：选择剪切强度一定、粘接面积不同的两种粘接构件Q1和Q2与剪切强度不同于粘接构件Q1和Q2、粘接面积分别和粘接构件Q1和Q2相同的两种构件R1和R2；

S2：用阵列传感器采集上述粘接构件的声阵列信号；检测系统由检测台、微力发生装置、阵列传感器、声屏蔽、多路信号前置放大器、多路信号采集卡、计算机等组成，将N个传感器按照粘接构件的形状布成相应的阵列，并对每个传感器进行物理屏蔽隔离；通过微力激励（如图2所示），每一传感器均获取粘接部位受力过程中发出的声音信息，该信息不仅含有测点的粘接力学信息，同时包含粘接构件的整体受力对该传感器的信息，这些信息的相关性携带了整体粘接构件质量检测的特征，通过多路信号前置放大器和多路信号采集卡将获得的信号送入计算机进行处理（如图3所示）；

S3：分别提取阵列传感器中各个传感器的粘接特征：对这四种粘接构件获得的声阵列信号分别进行时域、频域和倒谱域分析，得到预选特征，比较粘接构件Q1与Q2、R1与R2、Q1与R1、Q2与R2预选特征的差值，若预选特征的差值随着粘接面积和剪切强度中任意一个量的单增或単减的变化的趋势相同，即前者均比后者大或小，将满足这一条件的预选特征作为粘接特征；

S4：确定各个传感器中粘接特征的权值：

S41：由于声信号采集和粘接特征提取中的不确定性，将粘接构件的各粘接特征用可能性分布表示；对于任意粘接特征的可能性分布π=[a₁,a₂,a₃,a₄;ω]_n表示为以下形式： $\mathrm{\&pi;}\left(x\right)=\left\{\begin{array}{cc}g\left(x\right)& x\&Element;[a_1,a_2)\\ \mathrm{\&omega;}& x\&Element;[a_2,a_3)\\ h\left(x\right)& x\&Element;[a_3,a_4)\\ 0& \mathrm{otherwise}\end{array}\right.,$ 其中a₁、a₂、a₃、a₄为实数，且a₁<a₂<a₃<a₄；g(x):[a₁,a₂]→[0,ω]是连续并严格单调递增的，h(x):[a₃,a₄]→[0,ω]是连续并严格单调递减的；

S42：计算每一粘接特征与其余粘接特征的相似测度；假设任意两个粘接特征的可能性分布为和且形状函数分别为g₁(x)、h₁(x)和g₂(x)、h₂(x)，其中0<ω₁≤1，0<ω₂≤1，n₁>0，n₂>0，那么π_A和π_B的相似测度定义为：

$S({\mathrm{\&pi;}}_A,{\mathrm{\&pi;}}_B)=\left\{\begin{array}{cc}\sqrt{e^{-d_1}\&times;e^{-d_2}}\&times;\frac{\min (P\left({\mathrm{\&pi;}}_A\right),P\left({\mathrm{\&pi;}}_B\right))}{\max (P\left({\mathrm{\&pi;}}_A\right),P\left({\mathrm{\&pi;}}_B\right))}\&times;e^{\frac{\min (A\left({\mathrm{\&pi;}}_A\right),A\left({\mathrm{\&pi;}}_B\right))}{\max (A\left({\mathrm{\&pi;}}_A\right),A\left({\mathrm{\&pi;}}_B\right))}-1}& \max (A\left({\mathrm{\&pi;}}_A\right),A\left({\mathrm{\&pi;}}_B\right))\&NotEqual;0\\ \sqrt{e^{-d_1}\&times;e^{-d_2}}& \max (A\left({\mathrm{\&pi;}}_A\right),A\left({\mathrm{\&pi;}}_B\right))=0\end{array}\right.$ ，

其中，d₁表示π_A和π_B的几何距离，d₂表示π_A和π_B重心点之间的距离，其中和分别表示π_A和π_B的重心点坐标；P(π_A)和P(π_B)分别表示π_A和π_B的周长，则 $P\left({\mathrm{\&pi;}}_A\right)={\&Integral;}_{a_1}^{a_2}\sqrt{1+{\left(g_1^{\&prime;}\left(x\right)\right)}^2}\mathrm{dx}+{\&Integral;}_{a_3}^{a_4}\sqrt{1+{\left(h_1^{\&prime;}\left(x\right)\right)}^2}\mathrm{dx}+(a_3-a_2)+(a_4-a_1)$ $P\left({\mathrm{\&pi;}}_B\right)={\&Integral;}_{b_1}^{b_2}\sqrt{1+{\left(g_2^{\&prime;}\left(x\right)\right)}^2}\mathrm{dx}+{\&Integral;}_{b_3}^{b_4}\sqrt{1+{\left(h_2^{\&prime;}\left(x\right)\right)}^2}\mathrm{dx}+(b_3-b_2)+(b_4-b_1),$ A(π_A)和A(π_B)分别表示π_A和π_B的面积，且有 $A\left({\mathrm{\&pi;}}_A\right)={\&Integral;}_{a_1}^{a_2}{g}_1\left(x\right)\mathrm{dx}+{\&Integral;}_{a_2}^{a_3}{\mathrm{\&omega;}}_1\mathrm{dx}+{\&Integral;}_{a_3}^{a_4}{h}_1\left(x\right)\mathrm{dx},$ $A\left({\mathrm{\&pi;}}_B\right)={\&Integral;}_{b_1}^{b_2}{g}_2\left(x\right)\mathrm{dx}+{\&Integral;}_{b_2}^{b_3}{\mathrm{\&omega;}}_2\mathrm{dx}+{\&Integral;}_{b_3}^{b_4}{h}_2\left(x\right)\mathrm{dx},$ 对于n个粘接特征，其对应的可能性分布为π₁,π₂,…,π_n，计算两两之间的相似测度，从而得到n个粘接特征的相似测度矩阵：

S43：利用对数回归加权合成方法确定各粘接特征的权重；

采用对数回归方法来确定各粘接特征可能性分布的权重向量，使得对数误差平方和最小，即使得取得最小值，从而得到最优的w_i（i=1,2,…,n），w_i为第i个粘接特征的权重；通过上述方法，主要粘接特征赋予的权重较高，而次要特征的权重较低，体现了主要特征和次要特征对粘接质量检测的不同作用；

S5：将各个传感器的粘接特征和与粘接特征的对应的权重输入到BP人工神经网络，BP人工神经网络输出由各个传感器得到的粘结粘接构件承受拉脱力的大小；

BP人工神经网络是由大量处理单元经广泛互联而组成的人工网络，其中神经元是BP人工神经网络的基本处理单元，具有以下功能：对每一输入信息进行加权，对加权后的信息求和，通过激励函数求得输出信息，采用带有隐含层的前馈网络，即输入层、隐含层和输出层，将S3加权后的粘接特征作为BP人工神经网络的输入，BP人工神经网络的输出为粘接结构承受的拉脱力；

S6：将各个传感器得到拉脱力进行融合，得到最终的拉脱力；各个传感器对粘接构件进行检测，m次试验后得到拉脱力的矩阵Y=[y_ij]_n×m，y_ij表示第i个传感器在第j次试验时的拉脱力大小，对矩阵Y的每一行数据计算其均值和方差求均方误差最小时每个传感器对应的权重，其中a_i表示第i个传感器的权重，且满足进而求得最终的拉脱力为 $\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_i{\stackrel{\&OverBar;}{y}}_i.$

上述的一种提高金属与非金属粘接质量声激励检测精度的方法，差值趋势相同、且差值的绝对值大于10%的预选特征选为粘接特征。

通过与实际拉脱力y₀相比，计算两者的相对误差采用剪切强度为90kg/cm²的弱胶，制作了粘接面积为24*20（mm）的检测粘接构件，检测时放置了6个传感器，对该粘接构件做20次试验，该粘接构件的实际拉脱力为33.53kN；利用本发明模糊处理方法对该检测粘接构件进行人工神经网络处理以及数据融合之后，并与已有确定性方法得到的结果比较，如下表所示

从表中可以看出，本发明方法与已有确定性方法相比，拉脱力预报的相对误差减小了5.45%。以上可知，利用对数回归加权合成方法衡量各粘接特征对粘接质量的不同影响程度，突出主要粘接特征，使预报出的拉脱力误差减少，提高了粘接质量的检测精度。

Claims (2)

1.一种提高金属与非金属粘接质量声激励检测精度的方法，其特征在于包括以下步骤：

S1：选择至少四种粘接构件，其中每种粘接构件可以和剩余的粘接构件中的至少两种粘接构件的粘接面积和剪切强度的一个相同；

S2：用阵列传感器采集上述粘接构件的声阵列信号；

S3：分别提取阵列传感器中各个传感器的粘接特征：对各个传感器采集到的不同粘接构件的声阵列信号分别进行时域、频域和倒谱域分析，得到不同粘接构件的预选特征，比较粘接面积和剪切强度中有一个相同的不同粘接构件之间的预选特征，若预选特征的差值随着粘接面积和剪切强度中任意一个量的单增或単减的变化的趋势相同，将满足这一条件的预选特征作为粘接特征；

S4：确定各个传感器中粘接特征的权值：

S41：由于声信号采集和粘接特征提取中的不确定性，将粘接构件的各粘接特征用可能性分布表示；对于任意粘接特征的可能性分布π＝[a₁,a₂,a₃,a₄；ω]_n表示为以下形式：其中a₁、a₂、a₃、a₄为实数，且a₁＜a₂＜a₃＜a₄；g(x):[a₁,a₂]→[0,ω]是连续并严格单调递增的，h(x):[a₃,a₄]→[0,ω]是连续并严格单调递减的；

S42：计算每一粘接特征与其余粘接特征的相似测度；假设任意两个粘接特征的可能性分布为和且形状函数分别为g₁(x)、h₁(x)和g₂(x)、h₂(x)，其中0＜ω₁≤1，0＜ω₂≤1，n₁>0，n₂>0，那么π_A和π_B的相似测度定义为： $S({\mathrm{\&pi;}}_A,{\mathrm{\&pi;}}_B)=\left\{\begin{array}{cc}\sqrt{e^{-d_1}\&times;e^{-d_2}}\&times;\frac{\min (P\left({\mathrm{\&pi;}}_A\right),P\left({\mathrm{\&pi;}}_B\right))}{\max (P\left({\mathrm{\&pi;}}_A\right),P\left({\mathrm{\&pi;}}_B\right))}\&times;e^{\frac{\min (A\left({\mathrm{\&pi;}}_A\right),A\left({\mathrm{\&pi;}}_B\right))}{\max (A\left({\mathrm{\&pi;}}_A\right),A\left({\mathrm{\&pi;}}_B\right))}-1}& \max (A\left({\mathrm{\&pi;}}_A\right),A\left({\mathrm{\&pi;}}_B\right))\&NotEqual;0\\ \sqrt{e^{-d_1}\&times;e^{-d_2}}& \max (A\left({\mathrm{\&pi;}}_A\right),A\left({\mathrm{\&pi;}}_B\right))=0\end{array}\right.$ ，

其中，d₁表示π_A和π_B的几何距离，d₂表示π_A和π_B重心点之间的距离，其中和分别表示π_A和π_B的重心点坐标；P(π_A)和P(π_B)分别表示π_A和π_B的周长，则 $P\left({\mathrm{\&pi;}}_A\right)={\&Integral;}_{a_1}^{a_2}\sqrt{1+{\left(g_1^{\&prime;}\left(x\right)\right)}^2}\mathrm{dx}+{\&Integral;}_{a_3}^{a_4}\sqrt{1+{\left(h_1^{\&prime;}\left(x\right)\right)}^2}\mathrm{dx}+(a_3-a_2)+(a_4-a_1),$ A(π_A)和A(π_B)分别表示π_A和π_B的面积，且有 对于n个粘接特征，其对应的可能性分布为π₁,π₂,…,π_n，计算两两之间的相似测度，从而得到n个粘接特征的相似测度矩阵：

S43：利用对数回归加权合成方法确定各粘接特征的权重；采用对数回归方法来确定各粘接特征可能性分布的权重向量，使得对数误差平方和最小，即使得取得最小值，从而得到最优的w_i(i＝1,2,…,n)，w_i为第i个粘接特征的权重；

S5：将各个传感器的粘接特征和与粘接特征的对应的权重输入到人工神经网络，人工神经网络输出由各个传感器得到的粘结结构承受承受拉脱力的大小；

S6：将各个传感器得到拉脱力进行融合，得到最终的拉脱力。

2.根据权利要求1所述的一种提高金属与非金属粘接质量声激励检测精度的方法，其特征在于差值趋势相同、且差值的绝对值大于10％的预选特征选为粘接特征。