CN105067707B - 一种复合材料结构的损伤监测方法、装置和系统 - Google Patents
一种复合材料结构的损伤监测方法、装置和系统 Download PDFInfo
- Publication number
- CN105067707B CN105067707B CN201510468232.4A CN201510468232A CN105067707B CN 105067707 B CN105067707 B CN 105067707B CN 201510468232 A CN201510468232 A CN 201510468232A CN 105067707 B CN105067707 B CN 105067707B
- Authority
- CN
- China
- Prior art keywords
- signal
- acoustic emission
- sparse
- separation
- subelement
- 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.)
- Active
Links
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开一种复合材料结构的损伤监测方法,包括:获得传感信号,并对获得的传感信号进行模数转换,得到声发射波形信号;对所述声发射波形信号进行预处理,得到预处理后的数据矩阵;对所述预处理后的数据矩阵进行稀疏盲源分离,得到分离后的信号;对所述分离后的信号进行小波消噪处理,得到消噪后的分离信号。本发明还公开了一种复合材料结构的损伤监测装置和系统。
Description
技术领域
本发明涉及结构损伤监测技术领域,尤其涉及一种复合材料结构的损伤监测方法、装置和系统。
背景技术
复合材料是由两种或两种以上的不同性能、不同形态的组分材料通过复合工艺组合而成的一种多相材料,它既保留了原组分材料的主要特点,又显示了原组分材料所没有的新性能。伴随着科学技术的进步,复合材料在各个技术领域的应用也越来越广泛,如航空航天技术领域。复合材料的优点不言而喻,但复合材料在加工和使用过程中不可避免的会产生损伤,因而有必要对复合材料结构进行实时的结构健康监测(SHM,Structural HealthMonitoring)。
声发射(AE,Acoustic Emission)是指在外界应力或温度等作用下,材料内部出现变形或裂纹等微观状态的变化时,一部分能量以弹性波的形式释放的现象。因声发射具有动态、实时监测等优点,已广泛的应用于结构和构件的损伤监测。
然而,复合材料的损伤类型多样,其发生的损伤类型主要包括:基体开裂 (MatrixCrack)、脱胶(Debonding)、分层(Delamination)和纤维断裂(Fiber Breakage)。每种类型的损伤都对应一种具有不同时频参数的声发射信号,并且往往多种类型的损伤信号会混叠在一起,因此需要合适的解混方法。
盲源分离(BSS,Blind Source Separation)是为解决多个信号混合的分离问题而产生的一种信号处理方法,在语音、振动、图像、生物医学等领域上都有广阔的应用前景。当传感器数量比损伤类型数量少时的盲源分离问题称为欠定盲源分离,欠定盲源分离相对于超定盲源分离(传感器数量比损伤类型数量多) 及正定盲源分离(传感器数量与损伤类型数量相同)的情形,由于损伤信号混合矩阵不可逆,因而更具有挑战性,是目前盲源分离的研究热点和难点。
目前关于复合材料结构损伤的监测手段存在以下缺陷:
1、复合材料的结构损伤类型多,损伤信号常常是多种损伤的混合信号,目前缺乏有效的混合信号分离方法;
2、虽然通过增加传感器数量可以提高结构损伤的监测精度,但是过多的传感器及其引线会增加结构的复杂度和负担。
因此,亟需探索利用少量传感器就能获得较好监测效果的复合材料结构的损伤监测方法。
发明内容
为解决现有存在的技术问题,本发明实施例期望提供一种复合材料结构的损伤监测方法、装置和系统。
本发明实施例提供了一种复合材料结构的损伤监测方法,所述方法包括:
获得传感信号,并对获得的传感信号进行模数转换,得到声发射波形信号;
对所述声发射波形信号进行预处理,得到预处理后的数据矩阵;
对所述预处理后的数据矩阵进行稀疏盲源分离,得到分离后的信号;
对所述分离后的信号进行小波消噪处理,得到消噪后的分离信号。
在一种可实施方式中,所述对声发射波形信号进行预处理,得到预处理后的数据矩阵,包括:
对所述声发射波形信号进行低频载荷信号滤除处理,得到无载荷声发射信号;
对所述无载荷声发射信号进行有效的声发射数据段截取处理,得到有效声发射信号;
对所述有效声发射信号进行中心化处理,得到中心化声发射信号;
对所述中心化声发射信号进行预白化处理,得到所述预处理后的数据矩阵。
在一种可实施方式中,所述对预处理后的数据矩阵进行稀疏盲源分离,得到分离后的信号,包括:
对所述预处理后的数据矩阵进行稀疏表示,得到稀疏混合信号;
对所述稀疏混合信号进行混合矩阵估计,得到稀疏混合矩阵;
对所述稀疏混合信号和稀疏混合矩阵进行L1范数最小化处理,得到稀疏源信号;
对所述稀疏源信号进行信号重构,得到所述分离后的信号。
在一种可实施方式中,在所述获得消噪后的分离信号后,所述方法还包括:
分析所述分离信号的时频特性,并将所述分离信号的时频特性与已知的各种损伤类型的声发射信号的时频特性进行比较,以确定所述分离信号对应的损伤类型。
本发明实施例还提供了一种复合材料结构的损伤监测装置,所述装置包括:
原始波形信号提取单元,用于获得传感信号,并对获得的传感信号进行模数转换,输出声发射波形信号;
信号预处理单元,用于对所述声发射波形信号进行预处理,输出预处理后的数据矩阵;
稀疏盲源分离单元,用于对所述预处理后的数据矩阵进行稀疏盲源分离,输出分离后的信号;
后处理单元,用于对所述分离后的信号进行小波消噪处理,得到消噪后的分离信号。
在一种可实施方式中,所述信号预处理单元包括:
带通滤波器子单元,用于对所述声发射波形信号进行低频载荷信号滤除处理,输出无载荷声发射信号;
有效数据提取子单元,用于对所述带通滤波器子单元输出的无载荷声发射信号进行有效的声发射数据段截取处理,输出有效声发射信号;
中心化子单元,用于对所述有效数据提取子单元输出的有效声发射信号进行中心化处理,输出中心化声发射信号;
预白化子单元,用于对所述中心化子单元输出的中心化声发射信号进行预白化处理,输出所述预处理后的数据矩阵。
在一种可实施方式中,所述稀疏盲源分离单元包括:
稀疏表示子单元,用于所述预处理后的数据矩阵进行稀疏表示,输出稀疏混合信号;
混合矩阵估计子单元,用于对所述稀疏表示子单元输出的稀疏混合信号进行混合矩阵估计,输出稀疏混合矩阵;
信号估计子单元,用于对所述混合矩阵估计子单元输出的稀疏混合矩阵和所述稀疏表示子单元输出的稀疏混合信号进行信号估计,输出稀疏源信号;
信号重构子单元,用于对所述信号估计子单元输出的稀疏源信号进行信号重构,得到所述分离后的信号。
在一种可实施方式中,所述装置还包括:
损伤类型分析单元,连接所述后处理单元,用于分析所述分离信号的时频特性,并将所述分离信号的时频特性与已知的各种损伤类型的声发射信号的时频特性进行比较,以确定所述分离信号对应的损伤类型。
本发明实施例还提供了一种复合材料结构的损伤监测系统,所述系统包括:至少两个声发射传感器、电荷放大器和数据采集处理器;
所述声发射传感器,用于采集针对所述复合材料结构的声发射信号,输出给所述电荷放大器;
所述电荷放大器,用于对所述声发射传感器输出的声发射信号进行放大处理,输出传感信号给所述数据采集处理器;
所述数据采集处理器,用于获得传感信号,并对获得的传感信号进行模数转换,得到声发射波形信号;对所述声发射波形信号进行预处理,得到预处理后的数据矩阵;对所述预处理后的数据矩阵进行稀疏盲源分离,得到分离后的信号;对所述分离后的信号进行小波消噪处理,得到消噪后的分离信号。
在一种可实施方式中,所述数据采集处理器包括本发明实施例所述的复合材料结构的损伤监测装置。
本发明实施例所提供的一种复合材料结构的损伤监测方法、装置和系统,提取多源损伤声发射混合波形信息,并结合稀疏盲源分离理论,通过对混合声发射波形信息进行预处理、稀疏盲源分离及后处理等处理手段后,得到了多个反映复合材料单一损伤形式的声发射波形信息;这种方法结合了声发射波形信号的时频域信息,具有定量化的特点,能够全面准确的对复合材料结构的损伤状态做出正确的评估;
本发明实施例利用声发射技术,可以对复合材料结构上同时出现的多个不同类损伤信号进行分离,适用于实际构件,并能更准确的对复合材料结构损伤状态作出评估;
本发明实施例利用稀疏盲源分离理论,可以减少系统中声发射传感器的数量,从而减小系统的硬件复杂度,更利于该系统的实际推广应用;
使用本发明实施例可以对各种工况下的复合材料结构进行实时监测,出现危险情况时可及时预警,因此可以大大减少人员财产的损失,保证安全以及经济效益。
附图说明
图1为本发明实施例一的复合材料结构的损伤监测方法的流程示意图;
图2为本发明实施例二的复合材料结构的损伤监测装置的组成结构示意图;
图3为本发明实施例三的复合材料结构的损伤监测系统的组成结构示意图;
图4为本发明实施例四中复合材料结构的损伤监测系统的结构框图;
图5a为本发明实施例四中信号预处理单元的结构框图;
图5b为本发明实施例四中稀疏盲源分离单元的结构框图;
图6为本发明实施例四中损伤模拟原理框图;
图7为本发明实施例四中传感器获得的损伤混合信号时域图;
图8为本发明实施例四中经过信号预处理单元的混合信号时域图;
图9为本发明实施例四中经过稀疏盲源分离单元后得到的3路源信号时域图;
图10为本发明实施例四中经过信号后处理后得到的3路源信号时域图。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案进一步详细阐述。
为至少实现利用少量传感器就能获得对复合材料结构损伤监测的较好监测效果,根据监测结果能够对复合材料结构的损伤状态进行评估判断,从而做出预警,提出本发明实施例的复合材料结构的损伤监测方法、装置和系统。
实施例一
本发明实施例一提供了一种复合材料结构的损伤监测方法,如图1所示,所述方法主要包括:
步骤101,获得传感信号,并对获得的传感信号进行模数转换,得到声发射波形信号。
所述传感信号为经声发射传感器采集输出的电荷信号由电荷放大器放大后获得的传感信号。本发明实施例采用至少两个声发射传感器,用来采集复合材料结构上的声发射电荷信号,所述声发射电荷信号通常为多种类型的损伤信号的混叠。
在获得传感信号后,将传感信号由模拟信号转换为数字信号,得到声发射波形信号。
步骤102,对所述声发射波形信号进行预处理,得到预处理后的数据矩阵。
步骤102具体包括:
对所述声发射波形信号进行低频载荷信号滤除处理,得到无载荷声发射信号;
对所述无载荷声发射信号进行有效的声发射数据段截取处理,得到有效声发射信号;
对所述有效声发射信号进行中心化处理,得到中心化声发射信号;
对所述中心化声发射信号进行预白化处理,得到所述预处理后的数据矩阵。
其中,对声发射波形信号进行低频载荷信号滤除处理,具体包括:首先对声发射波形信号进行傅里叶变换,判断低频载荷信号和声发射信号的频带,然后设计如下式所示的切比雪夫带通滤波器:
Xfilter(t)=chebybandpass(X(t),fl,fh)
上式中,X(t)代表声发射波形信号,Xfilter(t)代表无载荷声发射信号,fl代表带通滤波器的左截止频率,fh代表带通滤波器的右截止频率。因为疲劳加载信号的频率一般小于100Hz,而复合材料损伤声发射信号频率一般大于5kHz,小于400kHz,所以根据实际工况,fl可在100Hz和5kHz之间选择,fh则可以选择大于400kHz。利用所述切比雪夫带通滤波器对所述声发射波形信号进行低频载荷信号滤除处理,从而得到无载荷声发射信号。
对无载荷声发射信号进行有效的声发射数据段截取处理,具体包括:首先判断无载荷声发射信号的时域特征,找到声发射信号出现时刻tstart和结束时刻 tstop,然后设计如下式所示的时域窗口滤波器:
其中,X′filter(t)是有效声发射信号。基于所述时域窗口滤波器对所述带通滤波器子单元输出的无载荷声发射信号进行有效的声发射数据段截取处理,从而得到有效声发射信号X′filter(t)。
对有效声发射信号进行中心化处理,具体处理公式如下:
其中,E[X′filter(t)]代表X′filter(t)的期望,是中心化声发射信号,即为中心化处理的输出结果。
对所述中心化声发射信号进行预白化处理,具体处理公式如下:
其中,是预处理后的数据矩阵,Q是一个线性转换矩阵,其满足如下限制:
即的自相关矩阵为单位矩阵。即为预白化处理的输出结果。
步骤103,对所述预处理后的数据矩阵进行稀疏盲源分离,得到分离后的信号。
步骤103具体包括:
对所述预处理后的数据矩阵进行稀疏表示,得到稀疏混合信号;
对所述稀疏混合信号进行混合矩阵估计,得到稀疏混合矩阵;
对所述稀疏混合信号和稀疏混合矩阵进行L1范数最小化处理,得到稀疏源信号;
对所述稀疏源信号进行信号重构,得到所述分离后的信号。
其中,所述对预处理后的数据矩阵进行稀疏表示,具体公式如下:
其中,A代表稀疏混合矩阵,Φ代表稀疏字典,CS代表待稀疏源信号在稀疏字典上对应的系数。
所述对稀疏混合信号进行混合矩阵估计,具体包括:对稀疏混合信号采用模糊C均值聚类方法进行处理,得到稀疏混合矩阵的估计
所述对稀疏混合信号和稀疏混合矩阵进行信号估计,具体包括:采用L1范数最小化方法,得到稀疏源信号的估计
所述对稀疏源信号进行信号重构,具体包括:利用稀疏反变换方法获得源信号的估计
步骤104,对所述分离后的信号进行小波消噪处理,获得消噪后的分离信号。
小波消噪是非平稳信号去噪的方法,在本发明实施例中具体过程如下:对所述分离的信号首先进行小波变换,这样有效信号就集中在少量的相对值较大的小波系数上,然后通过根据实际工况设置小波系数的阈值,将小于该阈值的小波系数全部赋值为0,这样在小波域就完成了消噪过程,然后再将消噪后的信号进行小波反变换,即可得到消噪后的分离信号。
在一可实施方式中,在所述获得消噪后的分离信号后,本发明实施例的方法还可包括:
分析所述分离信号的时频特性,并将所述分离信号的时频特性与已知的各种损伤类型的声发射信号的时频特性进行比较,以确定所述分离信号对应的损伤类型。
例如:获得三个分离信号A、B、C,通过分析分离信号A、B、C的时频特性,将分离信号A、B、C的时频特性与已知的基体开裂、脱胶、分层和纤维断裂这些损伤类型的声发射信号的时频特性进行比较,发现分离信号A的时频特性与开裂损伤类型的声发射信号的时频特性相同,则确定分离信号A对应的损伤类型为开裂;发现分离信号B的时频特性与脱胶损伤类型的声发射信号的时频特性相同,则确定分离信号B对应的损伤类型为脱胶;发现分离信号C的时频特性与分层损伤类型的声发射信号的时频特性相同,则确定分离信号C对应的损伤类型为分层。
实施例二
对应本发明实施例一的复合材料结构的损伤监测方法,本发明实施例二提供了一种复合材料结构的损伤监测装置,如图2所示,所述装置包括:
原始波形信号提取单元10,用于获得传感信号,并对获得的传感信号进行模数转换,输出声发射波形信号;
信号预处理单元20,用于对所述声发射波形信号进行预处理,输出预处理后的数据矩阵;
稀疏盲源分离单元30,用于对所述预处理后的数据矩阵进行稀疏盲源分离,输出分离后的信号;
后处理单元40,用于对所述分离后的信号进行小波消噪处理,得到消噪后的分离信号。
其中,所述传感信号可以为经声发射传感器采集输出的电荷信号由电荷放大器放大后获得的传感信号。
在一可实施方式中,所述信号预处理单元20包括:
带通滤波器子单元21,用于对所述声发射波形信号进行低频载荷信号滤除处理,输出无载荷声发射信号;
有效数据提取子单元22,用于对所述带通滤波器子单元21输出的无载荷声发射信号进行有效的声发射数据段截取处理,输出有效声发射信号;
中心化子单元23,用于对所述有效数据提取子单元22输出的有效声发射信号进行中心化处理,输出中心化声发射信号;
预白化子单元24,用于对所述中心化子单元23输出的中心化声发射信号进行预白化处理,输出所述预处理后的数据矩阵。
在一可实施方式中,所述稀疏盲源分离单元30包括:
稀疏表示子单元31,用于所述预处理后的数据矩阵进行稀疏表示,输出稀疏混合信号;
混合矩阵估计子单元32,用于对所述稀疏表示子单元31输出的稀疏混合信号进行混合矩阵估计,输出稀疏混合矩阵;
信号估计子单元33,用于对所述混合矩阵估计子单元32输出的稀疏混合矩阵和所述稀疏表示子单元31输出的稀疏混合信号进行信号估计,输出稀疏源信号;
信号重构子单元34,用于对所述信号估计子单元33输出的稀疏源信号进行信号重构,得到所述分离后的信号。
在一可实施方式中,本发明实施例二的装置还可包括:
损伤类型分析单元50,连接所述后处理单元40,用于分析所述分离信号的时频特性,并将所述分离信号的时频特性与已知的各种损伤类型的声发射信号的时频特性进行比较,以确定所述分离信号对应的损伤类型。
需要说明的是,上述原始波形信号提取单元10、信号预处理单元20、稀疏盲源分离单元30、后处理单元40和损伤类型分析单元50可以由本发明实施例二所述监测装置的中央处理器(CPU,Central Processing Unit)、微处理器(MPU, Micro Processing Unit)、数字信号处理器(DSP,Digital Signal Processor)或可编程逻辑阵列(FPGA,Field-Programmable Gate Array)实现。
实施例三
本发明实施例三还提供了一种复合材料结构的损伤监测系统,如图3所示,所述系统包括:至少两个声发射传感器、电荷放大器和数据采集处理器;其中,
所述声发射传感器,用于采集针对所述复合材料结构的声发射信号,输出给所述电荷放大器;
所述电荷放大器,用于对所述声发射传感器输出的声发射信号进行放大处理,输出传感信号给所述数据采集处理器;
所述数据采集处理器,用于获得传感信号,并对获得的传感信号进行模数转换,得到声发射波形信号;对所述声发射波形信号进行预处理,得到预处理后的数据矩阵;对所述预处理后的数据矩阵进行稀疏盲源分离,得到分离后的信号;对所述分离后的信号进行小波消噪处理,得到消噪后的分离信号。
其中,所述数据采集处理器可以包括本发明实施例二所述的复合材料结构的损伤监测装置。也就是说,本发明实施例三的数据采集处理器可以包括:
原始波形信号提取单元,用于获得传感信号,并对获得的传感信号进行模数转换,输出声发射波形信号;
信号预处理单元,用于对所述声发射波形信号进行预处理,输出预处理后的数据矩阵;
稀疏盲源分离单元,用于对所述预处理后的数据矩阵进行稀疏盲源分离,输出分离后的信号;
后处理单元,用于对所述分离后的信号进行小波消噪处理,得到消噪后的分离信号。
其中,所述信号预处理单元可以包括:
带通滤波器子单元,用于对所述声发射波形信号进行低频载荷信号滤除处理,输出无载荷声发射信号;
有效数据提取子单元,用于对所述带通滤波器子单元输出的无载荷声发射信号进行有效的声发射数据段截取处理,输出有效声发射信号;
中心化子单元,用于对所述有效数据提取子单元输出的有效声发射信号进行中心化处理,输出中心化声发射信号;
预白化子单元,用于对所述中心化子单元输出的中心化声发射信号进行预白化处理,输出所述预处理后的数据矩阵。
所述稀疏盲源分离单元可以包括:
稀疏表示子单元,用于所述预处理后的数据矩阵进行稀疏表示,输出稀疏混合信号;
混合矩阵估计子单元,用于对所述稀疏表示子单元输出的稀疏混合信号进行混合矩阵估计,输出稀疏混合矩阵;
信号估计子单元,用于对所述混合矩阵估计子单元输出的稀疏混合矩阵和所述稀疏表示子单元输出的稀疏混合信号进行信号估计,输出稀疏源信号;
信号重构子单元,用于对所述信号估计子单元输出的稀疏源信号进行信号重构,得到所述分离后的信号。
所述数据采集处理器还可以包括:损伤类型分析单元,连接所述后处理单元,用于分析所述分离信号的时频特性,并将所述分离信号的时频特性与已知的各种损伤类型的声发射信号的时频特性进行比较,以确定所述分离信号对应的损伤类型。
需要说明的是,上述原始波形信号提取单元、信号预处理单元、稀疏盲源分离单元、后处理单元和损伤类型分析单元可以由本发明实施例三所述数据采集处理器的CPU、DSP或FPGA实现。
通过实施本发明上述实施例,至少能够获得以上有益效果:
通过本发明以上实施例,提取多源损伤声发射混合波形信息,并结合稀疏盲源分离理论,通过对混合声发射波形信息进行预处理、稀疏盲源分离及后处理等处理手段后,得到了多个反映复合材料单一损伤形式的声发射波形信息;这种方法结合了声发射波形信号的时频域信息,具有定量化的特点,能够全面准确的对复合材料结构的损伤状态做出正确的评估;
本发明实施例利用声发射技术,可以对复合材料结构上同时出现的多个不同类损伤信号进行分离,适用于实际构件,并能更准确的对复合材料结构损伤状态作出评估;
本发明实施例利用稀疏盲源分离理论,可以减少系统中声发射传感器的数量,从而减小系统的硬件复杂度,更利于该系统的实际推广应用;
使用本发明实施例可以对各种工况下的复合材料结构进行实时监测,出现危险情况时可及时预警,因此可以大大减少人员财产的损失,保证安全以及经济效益。
需要说明的是,本发明实施例的复合材料结构的损伤监测可适用于很多种行业应用,如飞机上的复合材料结构的损伤监测、高铁上的复合材料结构的损伤监测等等。下面以飞机上的复合材料结构的损伤监测为例,进一步详细阐述本发明实施例的复合材料结构的损伤监测方法、装置和系统。
实施例四
为了减少飞机复合材料结构在使用过程中,由于损伤导致的结构失效事故,本发明实施例四提出一种采用声发射技术对飞机复合材料结构进行实时监测,利用较少传感器(不少于2个)获得的声发射损伤状态信号,结合稀疏盲源分离方法,得到不同类型的损伤声发射信息;应用本发明实施例四的监测结果能够对飞机复合材料结构的损伤状态进行评估判断,从而做出预警,减少装备及人员伤亡等损失。
本发明实施例四通过在复合材料结构上布置不少于2个声发射传感器,并且多个声发射传感器的输出端分别与电荷放大器单元连接,放大后的信号再与数据采集处理单元连接。该声发射数据采集处理单元对接收到的多路传感信息应用本发明实施例的复合材料结构的损伤监测方法进行处理,从而对被测对象 (复合材料结构)的损伤类型进行评估,输出损伤类型判断结果。参见图3所示,一个声发射数据采集处理单元分别与电荷放大器单元、声发射传感器1、声发射传感器2、……、声发射传感器N(N≥2)连接,通过多个声发射传感器实现对被测对象的多路损伤信息的采集。
参见图4,图5a 和图5b 所示,为了及时发现飞机复合材料结构的损伤状态,本发明实施例采用声发射技术对疲劳加载试验时的复合材料结构进行损伤监测,该监测装置包括原始波形提取单元1、信号预处理单元2、稀疏盲源分离单元3和信号后处理单元4。
在本发明实施例中,原始波形提取单元1将多个声发射传感器分别输出的损伤传感信息xN,进行调理放大、模数转换后得到多源损伤混合信号阵列X(t)。
由于疲劳加载环境下载荷信号会叠加在损伤声发射信号上,本发明实施例根据疲劳试验载荷谱以及复合材料损伤声发射信号的频谱特性首先设计一种切比雪夫带通滤波器,Xfilter(t)=chebybandpass(X(t),fl,fh),用于滤除疲劳载荷信号及其它高频干扰信号;其中,fl代表带通滤波器的左截止频率,其值为 1kHz,fh代表带通滤波器的右截止频率,其值为450kHz。
由于复合材料损伤声发射信号的持续时间很短(大约为1ms),为了减少后续稀疏盲源分离算法的计算复杂度,本发明实施例采用基于阈值门限的方法设计了一个矩形窗作为有效数据提取子单元,提取后得到的信号为X′filter(t)。
为了提高常规稀疏盲源分离算法的分离效果,本发明实施例将独立成分分析中的去均值和白化处理引入到信号预处理单元,其中去均值的计算公式如下:
其中,E[X′filter(t)]代表X′filter(t)的期望。
白化的计算公式如下:
其中,Q是一个线性转换矩阵,其满足如下限制:
图5b 是采用常规稀疏盲源分离方法的结构框图,经过预处理后的信号首先采用短时傅里叶变换进行稀疏表示,得到其中,A代表混合矩阵,Φ代表稀疏字典,CS代表待分离信号在稀疏字典上对应的系数。经过稀疏表示后,通过模糊C均值聚类方法进行混合矩阵的估计,得到然后利用L1范数最小化方法获得待分离信号的稀疏估计最后再利用短时傅里叶反变换获得待分离的信号(也称为源信号)估计
为了验证本发明实施例预处理方法的有效性,本发明实施例设计了如图6 所示的数值仿真环境进行验证,在一块复合材料板上三个不同位置模拟三种不同类型的损伤,包括基质开裂(Matrix Crack)、分层(Delamination)和脱胶 (Debonding),采用2个传感器(Sensorl和Sensor2)进行混合损伤信号的采集,考虑到疲劳载荷信号(最大峰值为1V,频率为100Hz)以及环境噪声(采用随机噪声进行模拟)后,获得如图7所示的损伤混合信号。
对于图7的损伤信号如果直接采用通用稀疏盲源分离方法处理,由于数据量大,在matlab软件中直接提示内存不足的错误提示,因而无法完成算法的处理。而经过本发明实施例提出的信号预处理单元后,获得如图8所示的混合信号时域图,相比图7而言,疲劳载荷信号被滤除了,并且有效信号的长度缩短了4/5(图7中信号长度为5ms,而图8中信号长度为1ms)。
对图8中的信号采用稀疏盲源分离方法后得到如图9所示的3路分离信号,这3路信号的时频特性与三种损伤信号的特征相吻合,说明本发明实施例提出的方法能够实现对复合材料多源损伤信号的分离。但从图9可以看出,分离后的信号中仍存在噪声,因而采用小波消噪作为本发明实施例的信号后处理,消噪处理后得到如图10所示的信号时域图。
本发明实施例四建立了基于声发射技术和稀疏盲源分离方法对飞机复合材料结构的多源损伤信号进行分离的系统,通过声发射技术对疲劳加载条件下的飞机复合材料结构进行实时监测,得到混合声发射信号波形信息,采用新型组合式信号预处理单元、稀疏盲源分离单元和信号后处理单元后,能够实现复合材料多源损伤信号的有效分离,从而做出复合材料损伤状态的实时评估,减少飞机复合材料结构失效造成的人员伤亡损失。
在本发明所提供的几个实施例中,应该理解到,所揭露的方法、装置和电子设备,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元,即可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明实施例上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
鉴于此,本发明实施例还提供了一种计算机可读存储介质,所述存储介质包括一组计算机可执行指令,所述指令用于执行本发明实施例所述的信号处理方法。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (3)
1.一种复合材料结构的损伤监测方法,其特征在于,所述方法包括:
获得传感信号,并对获得的传感信号进行模数转换,得到声发射波形信号;
对所述声发射波形信号进行预处理,得到预处理后的数据矩阵;
对所述预处理后的数据矩阵进行稀疏盲源分离,得到分离后的信号;
对所述分离后的信号进行小波消噪处理,得到消噪后的分离信号;
其中,对所述声发射波形信号进行预处理,得到预处理后的数据矩阵,包括:
对所述声发射波形信号进行低频载荷信号滤除处理,得到无载荷声发射信号;
对所述无载荷声发射信号进行有效的声发射数据段截取处理,得到有效声发射信号;
对所述有效声发射信号进行中心化处理,得到中心化声发射信号;
对所述中心化声发射信号进行预白化处理,得到所述预处理后的数据矩阵;
其中,对所述预处理后的数据矩阵进行稀疏盲源分离,得到分离后的信号,包括:
对所述预处理后的数据矩阵进行稀疏表示,得到稀疏混合信号;
对所述稀疏混合信号进行混合矩阵估计,得到稀疏混合矩阵;
对所述稀疏混合信号和稀疏混合矩阵进行L1范数最小化处理,得到稀疏源信号;
对所述稀疏源信号进行信号重构,得到所述分离后的信号;
在所述得到消噪后的分离信号后,所述方法还包括:
分析所述分离信号的时频特性,并将所述分离信号的时频特性与已知的各种损伤类型的声发射信号的时频特性进行比较,以确定所述分离信号对应的损伤类型。
2.一种复合材料结构的损伤监测装置,其特征在于,所述装置包括:
原始波形信号提取单元,用于获得传感信号,并对获得的传感信号进行模数转换,输出声发射波形信号;
信号预处理单元,用于对所述声发射波形信号进行预处理,输出预处理后的数据矩阵;
稀疏盲源分离单元,用于对所述预处理后的数据矩阵进行稀疏盲源分离,输出分离后的信号;
后处理单元,用于对所述分离后的信号进行小波消噪处理,得到消噪后的分离信号;
其中,所述信号预处理单元包括:
带通滤波器子单元,用于对所述声发射波形信号进行低频载荷信号滤除处理,输出无载荷声发射信号;
有效数据提取子单元,用于对所述带通滤波器子单元输出的无载荷声发射信号进行有效的声发射数据段截取处理,输出有效声发射信号;
中心化子单元,用于对所述有效数据提取子单元输出的有效声发射信号进行中心化处理,输出中心化声发射信号;
预白化子单元,用于对所述中心化子单元输出的中心化声发射信号进行预白化处理,输出所述预处理后的数据矩阵;
其中,所述稀疏盲源分离单元包括:
稀疏表示子单元,用于所述预处理后的数据矩阵进行稀疏表示,输出稀疏混合信号;
混合矩阵估计子单元,用于对所述稀疏表示子单元输出的稀疏混合信号进行混合矩阵估计,输出稀疏混合矩阵;
信号估计子单元,用于对所述混合矩阵估计子单元输出的稀疏混合矩阵和所述稀疏表示子单元输出的稀疏混合信号进行信号估计,输出稀疏源信号;
信号重构子单元,用于对所述信号估计子单元输出的稀疏源信号进行信号重构,得到所述分离后的信号;
所述装置还包括:
损伤类型分析单元,连接所述后处理单元,用于分析所述分离信号的时频特性,并将所述分离信号的时频特性与已知的各种损伤类型的声发射信号的时频特性进行比较,以确定所述分离信号对应的损伤类型。
3.一种复合材料结构的损伤监测系统,其特征在于,所述系统包括:电荷放大器、数据采集处理器和至少两个声发射传感器;
所述声发射传感器,用于采集针对所述复合材料结构的声发射信号,输出给所述电荷放大器;
所述电荷放大器,用于对所述声发射传感器输出的声发射信号进行放大处理,输出传感信号给所述数据采集处理器;
所述数据采集处理器,用于获得传感信号,并对获得的传感信号进行模数转换,得到声发射波形信号;对所述声发射波形信号进行预处理,得到预处理后的数据矩阵;对所述预处理后的数据矩阵进行稀疏盲源分离,得到分离后的信号;对所述分离后的信号进行小波消噪处理,得到消噪后的分离信号;
所述数据采集处理器包括权利要求2所述的复合材料结构的损伤监测装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510468232.4A CN105067707B (zh) | 2015-08-03 | 2015-08-03 | 一种复合材料结构的损伤监测方法、装置和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510468232.4A CN105067707B (zh) | 2015-08-03 | 2015-08-03 | 一种复合材料结构的损伤监测方法、装置和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105067707A CN105067707A (zh) | 2015-11-18 |
CN105067707B true CN105067707B (zh) | 2019-05-10 |
Family
ID=54497128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510468232.4A Active CN105067707B (zh) | 2015-08-03 | 2015-08-03 | 一种复合材料结构的损伤监测方法、装置和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105067707B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105628868B (zh) * | 2015-12-18 | 2018-08-21 | 北京航空航天大学 | 一种复合材料结构的欠采样信号冲击定位处理方法和系统 |
CN105866247A (zh) * | 2016-04-18 | 2016-08-17 | 湖南联智桥隧技术有限公司 | 钢板粘贴密实度检测装置及方法 |
CN106596735B (zh) * | 2016-12-09 | 2019-11-19 | 四川西南交大铁路发展股份有限公司 | 一种钢轨裂纹声发射信号去噪及特征提取方法 |
CN107328868B (zh) * | 2017-06-27 | 2019-06-07 | 福州大学 | 一种快速识别陶瓷涂层失效类型的声发射信号分析方法 |
CN107607628B (zh) * | 2017-08-11 | 2019-05-24 | 西安交通大学 | 一种基于稀疏表示的超声导波频散补偿方法及其应用 |
CN107478729B (zh) * | 2017-09-22 | 2019-12-17 | 沈阳工业大学 | 流体机械叶片多裂纹的声发射检测方法 |
GB2572215A (en) * | 2018-03-23 | 2019-09-25 | Short Brothers Ltd | Detection of kiss bonds within composite components |
CN108519436B (zh) * | 2018-04-03 | 2021-01-01 | 北京理工大学 | 一种基于声发射信号统计分析的混凝土损伤评估方法 |
CN114021443B (zh) * | 2021-10-28 | 2024-03-26 | 大连理工大学 | 基于多传感器的cfrp钻削出口分层损伤预测方法 |
CN114813964B (zh) * | 2022-04-24 | 2023-08-22 | 中国工程物理研究院化工材料研究所 | 一种采用时域信息决策脆性材料结构件起裂损伤的方法 |
CN116187041B (zh) * | 2023-02-10 | 2023-10-20 | 南京航空航天大学 | 一种基于连续纤维增强复合材料细观损伤阈值的载荷谱滤波方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339620A (zh) * | 2008-08-13 | 2009-01-07 | 哈尔滨工业大学 | 未知数目稀疏源盲分离的混叠矩阵估计方法 |
CN102222508A (zh) * | 2011-07-12 | 2011-10-19 | 大连理工大学 | 一种基于矩阵变换的欠定盲分离方法 |
WO2010058230A3 (en) * | 2008-11-24 | 2011-12-08 | Institut Rudjer Boskovic | Method of and system for blind extraction of more than two pure components out of spectroscopic or spectrometric measurements of only two mixtures by means of sparse component analysis |
CN103018598A (zh) * | 2012-11-30 | 2013-04-03 | 北京航空航天大学 | 基于信号差值改善辐射电磁干扰混合信号盲源分离的方法 |
CN104180846A (zh) * | 2014-04-22 | 2014-12-03 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 一种用于客机结构健康监测的信号分析方法及装置 |
CN104374575A (zh) * | 2014-11-25 | 2015-02-25 | 沈阳化工大学 | 一种基于盲源分离的风力机主轴承故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10473628B2 (en) * | 2012-06-29 | 2019-11-12 | Speech Technology & Applied Research Corporation | Signal source separation partially based on non-sensor information |
-
2015
- 2015-08-03 CN CN201510468232.4A patent/CN105067707B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339620A (zh) * | 2008-08-13 | 2009-01-07 | 哈尔滨工业大学 | 未知数目稀疏源盲分离的混叠矩阵估计方法 |
WO2010058230A3 (en) * | 2008-11-24 | 2011-12-08 | Institut Rudjer Boskovic | Method of and system for blind extraction of more than two pure components out of spectroscopic or spectrometric measurements of only two mixtures by means of sparse component analysis |
CN102222508A (zh) * | 2011-07-12 | 2011-10-19 | 大连理工大学 | 一种基于矩阵变换的欠定盲分离方法 |
CN103018598A (zh) * | 2012-11-30 | 2013-04-03 | 北京航空航天大学 | 基于信号差值改善辐射电磁干扰混合信号盲源分离的方法 |
CN104180846A (zh) * | 2014-04-22 | 2014-12-03 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 一种用于客机结构健康监测的信号分析方法及装置 |
CN104374575A (zh) * | 2014-11-25 | 2015-02-25 | 沈阳化工大学 | 一种基于盲源分离的风力机主轴承故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
基于峭度的转子振动信号盲分离;李舜酩等;《应用力学学报》;20071231;第24卷(第4期);第561页左栏第3-4段 |
基于改进l1范数最小化组合算法的欠定盲源分离;付宁等;《电子测量与仪器学报》;20090731;第23卷(第7期);第2页右栏第3.1节 |
基于盲源分离和支持向量机的铁路货车轴承故障诊断研究;李先武等;《南方职业教育学刊》;20120331;第2卷(第2期);第1页右栏第2段-第2页左栏第3段 |
Also Published As
Publication number | Publication date |
---|---|
CN105067707A (zh) | 2015-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105067707B (zh) | 一种复合材料结构的损伤监测方法、装置和系统 | |
CN108426713B (zh) | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 | |
CN108168891B (zh) | 滚动轴承微弱故障信号特征的提取方法及设备 | |
CN103558029B (zh) | 一种发动机异响故障在线诊断系统和诊断方法 | |
CN104706349B (zh) | 一种基于脉搏波信号的心电信号构建方法 | |
CN107209512B (zh) | 用于机器的声学或振动分析的学习阶段的方法、系统及计算机程序 | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
CN107157477A (zh) | 脑电信号特征识别系统及方法 | |
CN104887224A (zh) | 面向癫痫脑电信号的特征提取与自动识别方法 | |
CN102824166B (zh) | 一种用于脉搏波分类处理的装置 | |
CN111523509A (zh) | 融合物理和深度表达特征的设备故障诊断及健康监测方法 | |
CN112735473B (zh) | 基于声音识别无人机的方法及系统 | |
CN101451338B (zh) | 桥梁结构状态历史信息的分离方法 | |
CN102772223A (zh) | 心音/心脏疾病风险的判别系统及其方法 | |
CN107870204A (zh) | 一种准确性高的复合材料结构损伤监测方法 | |
CN110132403A (zh) | 一种基于eemd和小波阈值的真空泵振动信号降噪方法 | |
Shuuji et al. | Low-speed bearing fault diagnosis based on improved statistical filtering and convolutional neural network | |
CN106771598A (zh) | 一种自适应谱峭度信号处理方法 | |
CN113358743A (zh) | 一种基于时频分布相似度分析的兰姆波模态分离方法 | |
CN110057918B (zh) | 强噪声背景下的复合材料损伤定量识别方法及系统 | |
CN106339720A (zh) | 一种汽车发动机的失效检测方法 | |
CN114739674A (zh) | 轴承故障诊断方法、系统、电子设备及存储介质 | |
CN105911153A (zh) | 一种基于移动窗函数的信号分离与去噪方法及装置 | |
CN110459197A (zh) | 用于微弱盲信号去噪与提取的信号增强器及方法 | |
CN103438983B (zh) | 一种信号随机平均谱的数据处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |