CN104634878A - 一种基于声发射技术的木材损伤监测方法 - Google Patents

Abstract

一种基于声发射技术的木材损伤监测方法，该方法具体包括：在木材受力集中部位的表面安置声发射传感器，采集木材损伤产生的微弱声发射信号；将采集的声发射信号进行放大、滤波、模数转换后传输到FPGA控制模块内部的FIFO进行缓存，再经过无线传输模块将数据传至上位机；上位机对采集的声发射信号进行小波降噪并重构，采用线性定位的方法对木材损伤声发射源位置定位，并通过LABVIEW设计的人机交互界面实时对木材损伤声发射源的位置进行监测；上位机对所采集的声发射信号运用小波包分析系统提取能量特征值，构造相应的训练样本集，构建神经网络，通过累积能量预测分析木材受力损伤声发射信号的变化趋势，从而可以推断木材损伤位置。

Description

一种基于声发射技术的木材损伤监测方法

技术领域

本发明涉及木材领域，尤其是一种基于声发射技术的木材损伤监测方法。

背景技术

在美国，木结构建筑处于市场主导地位，被广泛用于建造住宅、厂房、学校、旅馆、商业建筑、体育馆等。在加拿大，木材工业是国家支柱产业之一，其木结构住宅的工业化、标准化和配套安装技术非常成熟，在北欧的芬兰和瑞典，民居住房的90％为一层或二层的木结构建筑，在日本，也有大量的木构建筑，即使在人口稠密的东京也是如此。在我国，有很多木质结构的古建筑，那是人类历史的瑰宝。

在城市景观不断发展的今天，人们对生活景观的品质有着越来越高的追求。木材作为一种在园林中常用的建材，以其独特的自身属性和特有的景观效果，在城市景观中发挥着其他材料不可替代的作用，其应用越来越受到设计师的重视。

木材具有天然的花纹和色彩以及良好的加工性能，木材在家具行业也应用很多。

然而，木材也具有干缩湿涨及各向异性等特点，长期使用时会在空气中易产生开裂、扭曲变形等损伤，存在一定的安全风险。

发明内容

本发明的目的是提供一种基于声发射技术的木材损伤监测方法，通过对木材的受力集中的重要部位进行检测，分析木材的受力状况，确定木材可能损伤的位置，从而有效地避免木材的损伤可能带来的人员和财产的损失。

本发明是由基于声发射的木材损伤信号采集系统和分析监测系统两大部分组成。所述信号采集系统主要用于声发射信号的采集，主要包括声发射传感器、前置放大器、滤波电路、主放大电路、模数转换电路、FP6A控制模块、无线传输模块；所述分析监测系统包括木材损伤源定位分析和累积能量预测分析两个模块。

所述信号采集系统是在木材的受力集中的重要部位表面安置声发射传感器，用于采集木材损伤而产生的微弱的声发射信号。将所述声发射传感器与所述前置放大器连接，对所述微弱的声发射信号经所述前置放大器进行放大、去除噪声干扰。再将所述前置放大器的输出信号经过滤波电路进行处理，利用滤波特性能够采集频带宽度在100KHz至300KHz之间的声发射信号。所述滤波电路的输出经主放大电路被放大至伏特级后输入给模数转换模块，将所述声发射信号转换为数字量。用所述FPGA控制模块对所述A/D转换电路进行转换时序控制，并将所述转换后的数据量传输到所述FPGA控制模块内部的FIFO进行缓存，再经过所述无线传输模块将数据传至上位机。

所述木材损伤源定位分析模块对采集的声发射信号进行小波降噪并重构，然后采用线性定位的方法对声发射源进行定位，并在木材损伤声发射源定位监测界面予以显示，以便采取相应的预防措施，避免木材损伤带来的损失。

所述累积能量预测分析模块对声发射信号运用小波包分析提取能量特征值，构造相应的训练样本集，构建神经网络，针对声发射信号累积能量随时间变化的序列进行神经网络模型仿真预测，利用累积能量时间序列的前5个值，预测下一个累积能量值，实现木材受力声发射信号累积能量的有效预测，为监测提供有效数据。

本发明通过声发射传感器采集木材损伤的声发射信号，将采集的声发射信号经放大器放大再由采集器采集，避免信号在传输过程中的衰减，使信号保存得比较完整。将采集得到的声发射信号经软件处理可以直观准确地确定木材损伤的位置，并且采用神经网络预测累积能量，可以提前对木材进一步损伤采取预防措施，从而有效地避免了木材损伤可能带来的人员和财产的重大损失。本发明的方法无损简单，易于实现，且采用的传感器少，很大程度地节约了成本。

附图说明

附图1为声发射信号采集示意图

附图2为声发射信号采集系统内部结构图

附图3为声发射信号采集系统前置放大电路图

附图4为声发射信号采集系统滤波电路图

附图5为声发射信号采集系统主放大电路图

附图6为声发射信号采集系统内部结构图中AD转换流程图

附图7为声发射信号采集系统内部结构图中FIFO流程图

附图8为声发射信号采集系统UART发送模块程序流程图

附图9为声发射信号采集系统采集的两通道声发射信号图

附图10为木材损伤声发射信号三层小波分解结构图

附图11为木材损伤声发射信号降噪处理流程图

附图12为木材损伤位置定位示意图

附图13为声发射源定位流程图

附图14为互相关系数图

附图15为木材损伤声发射源的定位结果图

附图16为木材损伤声发射源的定位相对误差图

附图17为木材损伤声发射源定位的人机交互界面设计程序框图

附图18为木材损伤声发射源定位的人机交互界面信号采集及分解降噪面板图

附图19为木材损伤声发射源定位的人机交互界面频谱分析面板图

附图20为木材损伤声发射源定位的人机交互界面声发射源定位面板图

附图21为累计能量图

附图22为BP网络训练程序流程图

附图23为网络训练结果图

附图24为网络验证图

具体实施方式

本发明提出的基于声发射技术的木材损伤监测方法，结合附图和实施例详细说明如下。本发明以木材为被测对象，监测木材受损发出的声发射信号。附图1为木材受力损伤声发射信号采集示意图。该声发射信号的频带宽度在100KHz-300KHz之间，故本设计中的声发射传感器选用60Hz-400KHz、中心频率为150KHz的超声波传感器。先将声发射传感器放置于木材受力集中的重要部位，当木材在受内力或外力的情况下产生形变时会有应力波产生，声发射传感器将应力波转换成电信号，由于这个电信号本来很微弱，且在木材中传播时会衰减，为了更好地保存采集得到的声发射信号，将所述声发射传感器采集的信号送入所述信号采集系统进行处理，为以后的信号分析奠定基础。

木材损伤声发射信号采集系统

附图2为信号采集系统内部结构图。所述信号采集系统首先对采集的声发射信号进行前端处理，包括信号放大、滤波等预处理。再将调理后的声发射信号传输到所述FPGA控制模块。所述FPGA控制模块采用FPGA器件实现整个系统的控制逻辑，它控制着采集通道模数转换的起/停、转换后的数据存放、声发射信号特征参数的提取及数据的无线传输。最后上位机对接收的数据进行小波分析处理，进行木材损伤声发射源的定位和声发射信号累积能量的有效预测。

所述声发射传感器采集的信号是微弱的微伏级高频信号，若经过长距离传输，信噪比必然会降低，且不便于分析，故需要利用所述信号采集系统硬件电路对微弱的信号进行放大、去除噪声干扰。声发射信号属于高频信号，故增益带宽积要大，才能保证放大倍数稳定。

本发明中选择用集成运算放大器AD620来设计前置放大电路，见附图3所示。所述前置放大电路若只选择一个芯片放大100倍，由于所述集成运算放大器AD620的增益带宽积为8MHz，带宽为8MHz除以100为80KHz，不满足300KHz信号通过的要求；由于所述集成运算放大器AD620增益带宽积一定，要想获得较宽的频带就必须牺牲增益，所以设计两级级联放大电路，当放大倍数为10时，带宽则为8MHz除以10为800KHz，远远可以满足300KHz信号通过的要求，因此，所设计的由两级级联放大电路构成的所述前置放大电路可以将300KHz的信号放大100倍。

设计要求的闭环增益与带宽可以通过改变电阻来改变，根据所述集成运算放大器AD620的增益公式(1)可以通过公式(2)得到调节电阻R_G的值。

G＝49.4kΩ/R_G+1     (1)

得：R_G＝49.4kΩ/(G-1)     (2)

在公式(2)中，当增益为100时，即G为100时，R_G为5.49KΩ，即调节电阻选用5.49KΩ。

由于木材受损发出的声发射信号的频带宽度在100KHz-300KHz之间，因此，所述采集系统中设计的滤波电路由高通和低通串联而成二阶滤波电路，滤波电路图如附图4所示。附图4中低通截止频率在300KHz，高通截止频率在100KHz。本发明中选择用放大器和电阻电容组成带通滤波器，采用集成运算放大器OP27组成二阶有源带通滤波电路。所述滤波器电路为保证所需频带的滤波，放大倍数设为2倍，在100KHz-300KHz之间的信号将无衰减通过，而高于300KHz或低于100KHz之间的信号将按照-40dB/10倍频的速率衰减。设计的二阶高通滤波电路，截止频率为100KHz，相关参数计算如公式(3)。

高通截止频率取100KHz，则根据传递函数：

$A\left(S\right)=\frac{A_0{S}^2}{S^2+\frac{{\mathrm{S\ω}}_C}{Q_0}+{{\mathrm{\ω}}_C}^2}---\left(3\right)$

其中，公式(3)中

${\mathrm{\ω}}_C=\frac{1}{R_1{C}_1}$

$A_0=1+\frac{R_4}{R_2}$

$Q_0=\frac{1}{3-A_0}$

ω_C＝2πf

f取值100KHz，设电阻取值都为1KΩ，代入公式(3)得到电容取值为1600pF。

低通频率电路截止频率为300KHz，相关计算如公式(4)。

$A\left(S\right)=\frac{A_0{S}^2}{S^2+\frac{{\mathrm{S\ω}}_C}{Q_0}+{{\mathrm{\ω}}_C}^2}---\left(4\right)$

其中，公式(4)中

${\mathrm{\ω}}_C=\frac{1}{R_1{C}_1}$

$Q_0=\frac{1}{3-A_0}$

$A_0=1+\frac{R_4}{R_2}$

ω_C＝2πf

f取值100KHz，设电阻取值均为1KΩ，代入公式(4)中得到电容取值均为470pF。

附图5为所述声发射信号采集系统主放大电路图。经过所述前置放大电路和所述滤波电路后，信号由几十微伏级被放大到毫伏级，故需将毫伏级的声发射信号再经过主放大电路，将信号放大到伏特级。所述主放大电路所选芯片仍然是AD620。电路由两片AD620构成，分别放大15倍，电阻阻值由计算公式(2)计算得到，电阻都取3.48KΩ。

为了进行数据的存储与传输，需要设计模数转换电路将声发射信号转换为数字量。根据木材受损声发射信号的特点及采集系统的要求，所述采集系统中选用12位的逐次比较型A/D转换芯片AD7893进行声发射信号的模数转换。在所述采集系统中，AD7893将采取串行方式进行模数转换，参考电压采用内部电压。输入引脚为开始转换信号，输出引脚为转换结束信号和一根数据线。附图6为声发射信号采集系统内部结构图中AD转换流程图，采取查询方式进行A/D转换数据的读取。

为了数据的高速采集，所述采集系统选用FPGA作为控制模块的核心。所述FPGA的型号为EP3C25Q240C8，它有24624个逻辑单元，内部RAM 608256 bit，支持ALTERA公司的SOPC及NIOS II软件。所述信号采集系统中用FPGA对A/D转换芯片进行转换控制，并将转换后的数据传输到FPGA内部，利用在FPGA内部设计先进先出存储器(即FIFO)，将转换后的数据写进FIFO中，用以将数据进行缓存，保证数据不丢失。

为了进行数据的有效存储，在所述FPGA控制模块中设计FIFO缓存；充分利于FPGA内部有大量的RAM的特点，通过调用LPM模块，在内部设计FIFO存储器，状态位包括满和空，当不满的时候，能进行写操作，当不空的时候，能进行读操作。所述采集系统要正常工作，通常需要外部的输入信号与内部的振荡信号同步，本发明利用FPGA内部的PLL(锁相环)模块进行倍频，用来统一整合时脉讯号，使内存能正确地存取资料利用锁相环就可以实现这个目的。所述采集系统采用1倍频，外部频率50MHz，内部频率同样也是50MHz；所述FPGA控制模块内部的每个FIFO可存入128个16位数据，即256B，总容量应为256B的倍数；本发明中所述FPGA控制模块中只使用了一个FIFO，因此总容量为256B。附图7为所述声发射信号采集系统内部结构图中FIFO流程图，将所述模数转换结果存入异步FIFO。异步FIFO采用乒乓操作的读写方式，来解决不同时序之间的数据同步问题。

所述无线传输模块采用RF100，它具有尺寸小、灵敏度高、传输距离远、通讯数率高的特点，同时可以通过相应的上位机软件来修改串行速率、发射功率、通讯数率等参数。所述无线传输模块含有UART接口，包括TXD(发送)、RXD(接收)数据信号，可以通过编程使UART支持各种数据格式和波特率。所述采集系统总通过所述FPGA控制模块控制，将数据从FIFO存储器中读出，通过所述无线传输模块传输给上位机。

附图8为所述声发射信号采集系统UART发送模块程序流程图；UART模块在数据发送前双方必须约定好通信用的时钟频率，所述采集系统中采用8倍的时钟来采样，波特率设置为9600bps。在所述数据采集系统中，UART模块要先产生一个76800Hz的内部时钟，用这个时钟对收到的串行数据进行采样；发送模块中设置发送的数据为FIFO读出的数据，每过8个时钟，发送一个数据；第一位发出0，表示开始，最后一位发出1，表示结束，发送的速率可以通过相应的程序控制；所述声发射信号采集系统所采集的两通道声发射信号如附图9所示。

木材损伤源定位分析

为了实现木材损伤源定位分析，必先对所采集的声发射信号进行分析处理。

附图10为木材损伤声发射信号三层小波分解结构图。

首先得对所述声发射信号进行小波变换。

设f(t)∈L2(R)，将f(t)的连续小波变换定义为公式(5)，

$w_f(a,b)=<f,{\mathrm{\&psi;}}_{a,b}>=\frac{1}{\sqrt{\left|a\right|}}{\&Integral;}_{-\&infin;}^{\&infin;}f\left(t\right)\stackrel{\&OverBar;}{\mathrm{\&psi;}\left(\frac{t-b}{a}\right)}\mathrm{dt}---\left(5\right)$

其逆变换定义为公式(6)，

$f\left(t\right)=\frac{1}{c_{\mathrm{\&psi;}}}{\&Integral;}_{-\&infin;}^{\&infin;}{\&Integral;}_{-\&infin;}^{\&infin;}{w}_f(a,b){\mathrm{\&psi;}}_{a,b}\left(t\right)\frac{\mathrm{da}}{a^2}\mathrm{db}---\left(6\right)$

连续小波及其变换在小波变换的实际应用中，尤其是将其在计算机上实现时，需做离散化的信号处理，a和b进行离散化处理如公式(7)，

$\left\{\begin{array}{c}a={a_0}^j,a>1\\ b={{\mathrm{ka}}_0}^j{b}_0,k,j\&Element;Z\end{array}\right.---\left(7\right)$

那么离散小波基为公式(8)，

${\mathrm{\&psi;}}_{j,k}\left(t\right)={a_0}^{-\frac{j}{2}}\mathrm{\&psi;}({a_0}^{-j}t-k{b}_0)---\left(8\right)$

离散小波变换定义为公式(9)，

$w_f(j,k)={\&Integral;}_{-\&infin;}^{\&infin;}f\left(t\right)\stackrel{\&OverBar;}{{\mathrm{\&psi;}}_{j,k}\left(t\right)}\mathrm{dt}=<f\left(t\right),{\mathrm{\&psi;}}_{j,k}\left(t\right)>---\left(9\right)$

相应地将逆变换定义为公式(10)

$f\left(t\right)=\frac{1}{c_{\mathrm{\&psi;}}}\underset{-\&infin;}{\overset{\&infin;}{\mathrm{\&Sigma;}}}\underset{-\&infin;}{\overset{\&infin;}{\mathrm{\&Sigma;}}}{w}_f(j,k){\mathrm{\&psi;}}_{j,k}\left(t\right)---\left(10\right)$

离散小波基中的常数取为a₀＝2，b₀＝1，以便于计算。

选择出的适合所述木材损伤声发射信号特征分析的Symlets小波具有正交性，而基于正交性小波基的小波变换采用Mallat快速算法；小波分析的Mallat算法是以多分辨率分析理论为基础，根据正交小波基函数ψ(t)与尺度函数φ(t)构造一个低通滤波器H(w)和一个高通滤波器G(w)，它们相应的冲击响应函数h(n)和g(n)分别定义为公式(11)和(12)，

$h\left(n\right)=[2^{-\frac{j}{2}}\mathrm{\&phi;}\left(2^{-j}t\right),2^{-\frac{j-1}{2}}\mathrm{\&phi;}(2^{-(j-1)}t-n)]---\left(11\right)$

$g\left(n\right)=[2^{-\frac{j}{2}}\mathrm{\&psi;}\left(2^{-j}t\right),2^{-\frac{j-1}{2}}\mathrm{\&phi;}(2^{-(j-1)}t-n)]---\left(12\right)$

在每一个小波分解尺度j上，对上一尺度的近似信号与低通滤波器和高通滤波器分别做卷积运算，求出小波分解尺度j上的近似信号(低频成分，在本发明中用A_jf(n)表示，简记为A_j)和细节信号(高频成分，在本发明中用D_jf(n)表示，简记为D_j)。设木材损伤声发射信号的离散采样序列为f(n)，并令f(n)为尺度0上的近似信号，则具体的分解算法如公式(13)、(14)、(15)。

$A_0^{d}f=f\left(n\right)---\left(13\right)$

$D_j^{d}f=\underset{k}{\mathrm{\&Sigma;}}{g}_{k-2n}{A}_{j-1}^{d}f---\left(14\right)$

$A_j^{d}f=\underset{k}{\mathrm{\&Sigma;}}{h}_{k-2n}{A}_{j-1}^{d}f---\left(15\right)$

其中，D^d _jf为分解尺度j上的小波分解高频系数，A^d _jf为分解尺度j上的小波分解低频系数，g_k-2n和h_k-2n分别为高通滤波器冲击响应函数g(n)和低通滤波器冲击响应函数h(n)中每相邻两系数间插入j-1个零点构成的新冲击响应函数。

定义D_jf(n)为第j次小波分解高频成分的重构信号，A_jf(n)为第j次小波分解后低频成分的重构信号，根据公式(16)、(17)实现信号在分解尺度j上的低频成分和高频成分的重构。

$D_{j}f\left(n\right)=\underset{k}{\mathrm{\&Sigma;}}{g}_{n-2k}{D}_j^{d}f---\left(16\right)$

$A_{j}f\left(n\right)=\underset{k}{\mathrm{\&Sigma;}}{h}_{n-2k}{A}_j^{d}f---\left(17\right)$

由此，可以得到信号f(n)经过J次小波分解后的分解式见公式(18)、(19)、(20)。

f(n)＝A₀f(n)     (18)

A₀f(n)＝A₁f(n)+D₁f(n)     (19)

A_J-1f(n)＝A_Jf(n)+D_Jf(n)      (20)

即：

$f\left(n\right)=A_{J}f\left(n\right)+\underset{j=1}{\overset{J}{\mathrm{\&Sigma;}}}{D}_{j}f\left(n\right)---\left(21\right)$

由于每一尺度的小波分解结果都是与构造的低通滤波器和高通滤波器进行卷积计算，因此声发射信号被分解成了不同的频率范围成分。这说明基于Mallat算法的小波分析对信号的局部时频分析特性是通过把信号分解成不同频率范围内的时域信号分量来实现的，反应低频的局部信息表现在分解尺度较高的分解分量中，反应高频的局部信息表现在分解尺度较低的分解分量中。

Mallat算法把信号分解成了不同的频率范围成分，分解尺度越大，对信号的频率范围的划分就越细。本发明将从两个方面分析小波分解尺度选择范围的问题，并导出小波分解最大分解尺度公式。

令信号f(n)的采样频率为fs，信号的采样长度为N个数据点，对信号进行J次小波变换，则根据前面确定的频率范围公式，可推出的关系式见公式(22)。

fs/2N≤fs/2^J+1≤fs/2     (22)

经过对式(22)的简化后可得公式(23)。

J≤log₂N     (23)

前面的分析指出，Mallat算法对信号的小波分析是通过构造的高通滤波器冲击响应函数g(n)和低通滤波器冲击响应函数h(n)与信号做卷积实现的。

设冲击响应函数的系数个数为L_f，根据g_k-2n和h_k-2n的定义，可知用于第J次小波分解的冲击响应函数的系数个数为2^J-1L_f.根据公式(13)至(17)，冲击响应函数的系数个数不大于信号的长度时，公式(13)至(14)的分解才具有意义，即：

2^J-1L_f≤N     (24)

经过对公式(24)的简化后可得公式(25)。

J≤log₂N/L_f+1     (25)

根据推导出的公式(23)和(25)，基于Mallat小波分解的最大分解尺度公式可表示为公式(26)，

J_max＝min(int(log₂N)，int(log₂N/L_f+1))     (26)

其中，min表示取最小值，int表示取整数。小波分解级数J可以选择[1，J_max]范围内的任一个整数。

最大分解尺度公式表明：对信号进行小波变换的分解级数不是盲目选择的，而是与信号的采样长度及选择的小波基有直接的关系，只有满足公式(26)，对信号进行小波变换的每个分解尺度才具有明确的物理意义，在此基础上对信号的特征分析才具有意义。由此可见，小波分析很好地实现了非平稳随机信号从时域到时频域的分析。

一个含噪声的信号模型可表示成公式(27)，

s(i)＝f(i)+a×e(i)，i＝0，1，…，n-1     (27)

公式(27)中f(i)为真实信号，e(i)为噪声，s(i)为含噪声的原始信号，在试验中测量到的原始木材损伤声发射信号由真实信号和噪声线性组合而成；由于小波变换是线性变换，所以测量值的小波变换也是由真实信号的小波变换和噪声的小波变换相加组成，因此只需找出属于噪声的小波变换值，将其置为零，然后对信号进行重构，即可得到去除噪声的信号。

木材损伤声发射信号降噪处理流程如附图11所示，把采集到的木材损伤声发射信号导入软件Matlab进行分析，选择默认阈值法作为木材损伤声发射信号的小波降噪方法，再将降噪后的声发射信号进行重构。在木材损伤声发射信号的分析处理中，选取sym8小波基实现木材声发射信号的信噪分离。

对于降噪效果的评定，采用信噪比(SNR)来进行量化，信噪比越高，原始信号与降噪后的估计信号的均方根方差越小，即降噪后的估计信号跟原始信号越接近，降噪效果越好。

$\mathrm{SNR}=10\log \left[\frac{\underset{n}{\mathrm{\&Sigma;}}{f}^2\left(n\right)}{\underset{n}{\mathrm{\&Sigma;}}{[f\left(n\right)-\widehat{f\left(n\right)}]}^2}\right]---\left(28\right)$

公式(28)中，f(n)为原始信号，为经过小波降噪后的估计信号，sym8小波基默认阈值法的SNR＝129.7912。

附图12为木材损伤位置定位示意图，长方形表示被测木材试件，四角形表示木材损伤的位置，两圆柱体表示传感器1和传感器2，S表示两声发射传感器之间的距离，t1和t2分别表示传感器1和传感器2接收到声发射信号的时间，用Δt来表示声发射信号到达两个声发射传感器之间的时间差，用木材损伤的位置距传感器1的距离L来表示木材损伤的位置，已经测得声发射信号在木材中传播的速度为V，根据位置关系可以得到定位公式如公式(29)所示。

$L=\frac{S-V\&times;\mathrm{\&Delta;t}}{2}---\left(29\right)$

附图13为声发射源定位流程图。由于木材损伤的位置存在两种情况，一种是靠近传感器1，一种是靠近传感器2。再根据信号的衰减特性可知，木材损伤位置靠近传感器1时，传感器1接收到的声发射信号衰减的少，传感器2接收到的声发射信号相对衰减的多，所以传感器1接收到声发射信号能量e1大于传感器2接收到的声发射信号能量e2，当木材损伤的位置靠近传感器2时，同理，e2会大于e1。再用时差定位的方法确定木材损伤的位置。

采用互相关系数法进行时延估计，求信号到达两传感器的时间差。

首先，把传感器1接收到的信号一分为二，前半部分记作x(n)。传感器2接收到的信号记为y(n)，然后逐点平移传感器2接收到的信号，用等长度的y(n)信号去与x(n)相关，求出相关系数ρ_xy(m)，计算公式为(30)。

${\mathrm{\&rho;}}_{\mathrm{xy}}\left(m\right)=\frac{{\mathrm{\&Sigma;}}_0^N(x\left(n_i\right)-\stackrel{\&OverBar;}{x\left(n\right)})*(y(n+m)-\stackrel{\&OverBar;}{y(n+m)})}{{\left[{\mathrm{\&Sigma;}}_0^N{(x\left(n\right)-\stackrel{\&OverBar;}{x\left(n\right)})}^2{\mathrm{\&Sigma;}}_0^N{(y(n+m)-\stackrel{\&OverBar;}{y(n+m)})}^2\right]}^{0.5}}---\left(30\right)$

式(30)中，为x(n)的平均值，为y(n+m)的平均值。当ρ_xy(m)取最大值时，x(n)与y(n+m)极大相似，此时m与采样间隔的乘积即为信号到两传感器的时间差，由于木材损伤声发射信号的实验采样频率为10MHz，则采样间隔时间为0.1us，即时差t＝m*0.1us；得到互相关系数图如附图14所示。由附图14可以知道互相关系数最大是m＝441，即时差Δt＝44.1us。在测试中，用标准断铅信号来模拟木材断裂时所产生的声发射信号，试件采用实木落叶松(600mm*50mm*60mm)，两声发射传感器之间的距离s＝500mm，声发射信号在木材中传播的速度v＝5570m/s，在木材试件长度120-380mm范围内每隔20mm断铅一次，将得到的时差带回线性时差定位公式(29)，则可求出木材断裂声发射源的位置。得到的木材损伤声发射源的定位结果如附图15所示(单位：mm)，所述木材损伤声发射源的定位相对误差如附图16所示。由计算结果可知，最大相对误差不超过5％，充分说明了线性定位方法对木材断裂声发射源定位的可行性。

为了对木材损伤过程进行实时监测，用LABVIEW开发平台为木材损伤声发射源的定位设计了良好的人机交互界面，而且利用LABVIEW中的MATLAB节点强大的数据分析能力对声发射信号进行分析。附图17为木材损伤声发射源定位的人机交互界面设计程序框图。所述木材损伤声发射源定位的人机交互界面设计程序框图设计中关键用到了MATLAB Script节点，使程序流程图更加的简洁；事件结构的应用让程序可以响应前面板上不同的操作而不互相影响，是人机交互的重点。此外，原始的木材损伤声发射信号存储格式为.txt，所以对文本文件的读取也是程序流程图编写的关键，读取两列数据要注意文本文件读取格式，否则第2列数据很难读入程序，还有在进行输入输出节点设置的时候一定要分清楚类型，否则程序无法正确地响应前面板的操作，要正确的显示信号频谱图，需要先把幅值和频率捆绑，再由XY波形图显示。

附图18为所述木材损伤声发射源定位的人机交互界面信号采集及分解降噪面板图。附图18由一个“信号分解及降噪”按钮及9个波形图组成，按下“信号分解及降噪”按钮，则在前面板上显示原始信号、默认阈值降噪后的信号及频谱和各分解系数。

附图19为所述木材损伤声发射源定位的人机交互界面频谱分析面板图。附图19由一个“频谱分析”按键及4个波形图组成。按下“频谱分析”按键，则在前面板上将会显示两路采集信号及两路信号的频谱图。

附图20为所述木材损伤声发射源定位的人机交互界面声发射源定位面板图。附图20由一个“定位”按钮，3个波形图，5个数值显示框及用于位置的水平滑杆组成。当按下“定位”按钮时，界面上将显示两通道信号经处理后的重构信号、互相关图、声速、采样点数、位置、最大相关系数和时间延迟。

木材损伤累积能量预测分析

所述木材损伤声发射信号经过如附图10所示的小波包三层分解小波包分解后，所述木材损伤声发射信号中的信息成分在各个分解尺度的不同频带分量中的分布也不同，提取小波包分解后各频带上的能量信息作为声发射信号的特征。(i，j)表示第i层的第j个节点，其中，i取值为0-3，j取值为0-7，每个结点都代表一定的信号特征。其中，(0，0)结点代表原始信号S，(1，0)代表小波包分解的第一层低频系数X10，(1，1)代表小波包分解第一层的高频系数X11，(3，0)表示第三层第0个结点的系数，其他以此类推。对分解后各个频带内的信号分别进行重构，得到信号从低频到高频等频带划分的八个频带，定义某一特定频率段的小波能量为该段小波系数的平方和，从而构造一个以能量为元素的八维向量。以S30表示X30的重构信号，S31表示X31的重构信号，其他依此类推。只对第三层的所有结点进行分析，则总信号可以表示为公式(31)。

S＝S30+S31+S32+S33+S34+S35+S36+S37     (31)

求各个频带信号的能量，设S3j(j＝0-7)对应的能量为E3j(j＝0-7)，则所述能量可以用公式(32)表示。

E3j＝∫|S3j(t)|2dt＝nk＝1∑|xjk|2     (32)

公式(32)中xjk(j＝0-7；k＝1-n)表示重构信号S3j的离散点的幅值。

由于木材出现裂纹时，会对各频带内信号的能量有较大的影响。因此，以能量为元素可以构造一个特征向量。特征向量T构造如公式(33)所示。

T＝[E30 E31 --- E37]     (33)

先将降噪重构后的数据按一定的时间序列分成100组，对每组数据进行三层db3小波包分解得到能量值，附图21为累积能量图。

针对所述木材损伤声发射信号累积能量随时间变化的序列进行神经网络模型仿真预测，构建神经网络，利用累积能量时间序列的前5个值，预测下一个累积能量值，实现神经网络的一步预测。

依据按一定时间序列提取出的100个累积能量值，按a1，a2，a3…依此排列。将[a1，a2，a3，a4，a5，a6]、[a2，a3，a4，a5，a6，a7]、[a3，a4，a5，a6，a7，a8]…依此分组成95组；随机排列取60组作为神经网络模型的训练数据，剩下的35组作为模型验证的数据。

要用前五个累积能量值去预测下一个累积能量，那么输入为[a1，a2，a3，a4，a5]、[a2，a3，a4，a5，a6]、[a3，a4，a5，a6，a7]、……[a60，a61，a62，a63，a64]组成的5×60的矩阵；输出为a6、a7、a8、……a65组成的1×60的矩阵；构建神经网络导入输入输出样本进行训练学习。

根据所述木材损伤声发射信号累积能量预测的BP网络结构设计分析，以及实验的验证得出，输入层为五个累积能量值，输出为一个预测累计能量值，隐含层在神经网络结构中由实验对比得出，最终确定了本设计的网络结构为5×5×1，表示网络的输入层有5个神经元，隐层有5个神经元，输出层有1个神经元，隐层传递函数采用tansig函数，输出层也采用tansig函数，利用累积能量时间序列的前5个值，预测下一个累积能量值，实现神经网络的一步预测。附图22为神经网络训练程序流程图。

按照修正后的训练参数，对60组样本数据进行训练，网络训练5000次，目标误差为0.01，训练完成。附图23为网络训练结果图。

附图24为网络验证图。以剩下的35组数据作为网络输入，同样使用五个累积能量值预测下一能量值，验证神经网络的泛化能力。“*”表示目标值，“o”表示预测值。它们之间的误差在[0，2]之间，与本身数值相比较可忽略不计，所以网络训练成功，此网络可准确预测下一状态内的累积能量参数，能有效监测木材损伤声发射信号的变化趋势。

技术效果

本发明可有效实现木材受力损伤时的声发射信号的实时采集、损伤源定位及累积能量预测；该发明可以对木材损伤采取预防措施，可以有效地避免木材损伤可能带来的人员和财产的损失。

Claims (2)

1.一种基于声发射技术的木材损伤监测方法，通过基于声发射技术的木材损伤监测装置对木材的受力集中的重要部位进行检测，分析木材的受力状况，确定木材可能损伤的位置，该基于声发射技术的木材损伤监测方法包括以下步骤：

(1)在木材的受力集中的重要部位表面安置声发射传感器，通过所述基于声发射技术的木材损伤检测装置采集木材损伤产生的微弱声发射信号，将所述声发射传感器与前置放大器连接，对所述微弱的声发射信号经进行放大、去除噪声干扰，再将前置放大器的输出信号经过滤波电路进行处理，利用滤波特性能够采集频带宽度在100KHz至300KHz之间的声发射信号；滤波电路的输出经主放大电路被放大至伏特级后输入给模数转换模块，将所述声发射信号转换为数字量；用FPGA控制模块对所述模数转换电路进行转换时序控制，并将转换后的数字量传输到所述FPGA控制模块内部的FIFO进行缓存，再经过无线传输模块将数据传至上位机；

(2)通过所述基于声发射技术的木材损伤检测装置的木材损伤源定位分析系统对采集的声发射信号进行小波降噪并重构，然后采用线性定位的方法对声发射源进行木材损伤位置定位；木材损伤位置定位公式为：并在木材损伤声发射源定位监测界面予以显示，以便采取相应的预防措施，避免木材损伤带来的损失；其中公式中V为声发射信号在木材中传播的速度；Δt为声发射信号到两传感器之间的时间差；t1和t2分别表示传感器1和传感器2接收到声发射信号的时间；S为两声发射传感器之间的距离；

(3)通过所述基于声发射技术的木材损伤检测装置的累积能量预测分析对声发射信号运用小波包分析系统提取能量特征值，构造相应的训练样本集，构建神经网络，按一定时间序列提取出的100个累积能量值，按a1，a2，a3…依此排列；将[a1，a2，a3，a4，a5，a6]、[a2，a3，a4，a5，a6，a7]、[a3，a4，a5，a6，a7，a8]…依此分组成95组；随机排列取60组作为神经网络模型数据，剩下的35组作为验证数据；要用前五个累积能量值去预测下一个累积能量，那么输入为a1，a2，a3，a4，a5、a2，a3，a4，a5，a6、a3，a4，a5，a6，a7、……a60，a61，a62，a63，a64组成的5×60的矩阵；输出为a6、a7、a8、……a65组成的1×60的矩阵；根据所述木材损伤声发射信号累积能量预测的神经网络结构设计分析，以及实验的验证得出，输入层为五个累积能量值，输出为一个预测累计能量值，隐含层在神经网络结构中对比得出，最终确定网络结构为5×5×1，表示网络的输入层有5个神经元，隐层有5个神经元，输出层有1个神经元，隐层传递函数采用tansig函数，输出层也采用tansig函数，利用累积能量时间序列的前5个值，预测下一个累积能量值，实现神经网络的一步预测，能有效监测木材损伤声发射信号的变化趋势。

2.根据权利要求1所述的基于声发射技术的木材损伤监测方法，其中该基于声发射技术的木材损伤监测方法对木材损伤过程进行实时监测，LABVIEW作为开发平台为木材损伤声发射源的定位提供了良好的人机交互界面，LABVIEW中的MATLAB节点强大的数据分析对声发射信号进行木材损伤分析。