CN107478729B - 流体机械叶片多裂纹的声发射检测方法 - Google Patents

Abstract

本发明公开了一种流体机械叶片多裂纹的声发射检测方法，首先在机组叶片的多裂纹附近安装声发射传感器，采用美国PAC公司的PCI‑2声发射采集系统进行信号采集，确定信号的采样频率、采样长度、滤波频率等采集参数；应用小波分析和盲分离结合技术对所提取的裂纹声发射信号进行特征分析，从而对叶片和设备进行多裂纹检测，识别出主裂纹。本发明能够以简单、高效、准确的方式来识别多裂纹复合材料损伤，从而保证机组的安全性和高效性，延长叶片使用寿命、减少维护成本；并且能够明晰裂纹状态与特征参数的评价机制，从而解决流体机械设备多裂纹的检测问题，避免由于叶片的裂纹故障而引起的事故发生。

Description

流体机械叶片多裂纹的声发射检测方法

技术领域

本发明属于设备状态监测及故障诊断技术领域，具体地是涉及一种流体机械叶片多裂纹的声发射检测方法。

背景技术

流体机械广泛应用于水利、发电、石油、化工、冶金、矿山、钢铁、军工等重要行业中，常用的流体机械包括风力机、水轮机、汽轮机、燃气轮机、膨胀机、通风机、压缩机等。在流体机械中，叶片在能量转换中起到的作用十分重要，是离心式流体机械的主要过流部分，所以叶片是否能稳定运转，直接决定了离心式流体机械机组的工作效率与成本。在常见的流体机械设备故障中，由于叶片裂纹故障难以检测、初期隐蔽性好不易察觉，导致在检测过程中常被忽略，从而造成设备安全隐患。叶片裂纹故障现已成为流体机械中十分常见的隐患问题，以简单、高效、准确的方式对叶片裂纹故障进行检测，研究叶片裂纹损伤，尽可能的避免经济损失，是目前国内外设备故障诊断的主要难题。

由于流体机械机组叶片上的裂纹为非均匀分布的多裂纹组合，各个裂纹之间的相互作用也因其方向与分布的不同而形成不同的应力场，从而导致结构的剩余强度通常与以单一裂纹模型确定的剩余强度结果并不相同。裂纹分布较近时，裂纹之间的互相影响使得裂纹偏离各自的扩展方向，并且在达到一定条件时发生合并，形成新的主裂纹扩展，叶片裂纹的扩展速率会突然加快乃至发生瞬时断裂，对结构的寿命产生非常大的影响。因此，多裂纹检测是结构寿命评估的关键问题。但是，一直以来，对于叶片裂纹的研究主要集中在单裂纹上，对于多裂纹的定量辨识问题较少研究。

目前广泛应用的叶片裂纹检测技术包括振动测试、油液监测、热成像采样等，但是都不适合大型流体机械机组的现场监测。声发射技术现在已成为材料领域和工程研究的一种常用手段，声发射检测仪器的灵敏性得到许多研究成果的肯定。应用声发射信号监测机组叶片，不但能定位裂纹故障还能监测故障发生过程。可是声发射仪也会受到外界的扰动，比如仪器的激励和夹具碰撞，以及噪音等因素，导致很难区分真正的裂纹扩展信号和其他噪声信号。

声发射信号的提取与去除噪声的问题一直以来都是在不断地完善中，而普遍采用的声发射参数分析方法没有利用到声发射的全部信息，缺少对声发射信号自身处置和对信号波形识别的技术研究。对于流体机械机组叶片这类特殊的杆状构件，采集到的是多模态混叠信号，常规的信号处理技术很难提取出真正有用的信息，这也为如何区分多裂纹损伤的信号特征，进而检测裂纹状态提升了难度。

发明内容

本发明的目的就是针对流体机械机组叶片多裂纹的故障特点和现有多裂纹故障检测方法存在的上述不足之处，提供一种能够提高流体机械机组叶片裂纹的故障检测能力、有效提取声发射信号特征、能够识别出主裂纹、具有良好应用前景的小波消噪和盲源分离技术相结合的新的流体机械叶片多裂纹的声发射检测方法。本发明的检测方法首先通过小波分析手段来对测试信号进行消噪,再利用盲去卷积MBLMS算法来分离盲源信号并提取裂纹声发射信号特征参数，进而根据提取的特征量来定量诊断裂纹的发展趋势，并由此明确裂纹状态与声发射信号特征参数的关联机制，既避免了复杂力学计算求解的难题，也克服了传统信号处理方法无法提取多耦合信号微细特征的问题，并且能够明晰裂纹状态与特征参数的评价机制，从而解决流体机械设备多裂纹的检测问题，避免由于叶片的裂纹故障而引起的事故发生。

为实现上述目的，本发明采用如下技术方案。

本发明一种流体机械叶片多裂纹的声发射检测方法，其特征在于包括以下步骤：

步骤1、首先在机组叶片或设备的多裂纹附近安装声发射传感器，接收声发射信号，并将波动信号转换为电信号，通过声发射采集系统，确定信号的采样频率、采样长度、滤波频率等采集参数；

步骤2、然后利用小波滤波器对采集到的含噪混合信号向量X(k)进行预降噪消噪处理，从而提升盲源信号分离的效果；然后应用盲解卷算法，在源的信息和通道信息均未知时，通过滤波器W(k)消除通道影响，对去噪后的混合信号x(k)进行盲源分离，将输出信号y(k)作为源信号s(k)的近似估计并将输出信号y(k)的广义能量作为目标函数，根据Godard算法，得到修正滤波器系数的目标函数；最小化目标函数，得到调整滤波器系数的自适应迭代式；再用最小均方算法最小化目标函数得到滤波器W(k)的迭代式；最后，用相似系数ξ来检验盲解卷结果与期望信号的相似程度，ξ越接近1则分离效果越好；

步骤3、最后通过对分离出的多裂纹声发射信号进行特征分析，根据结果分析来判定裂纹状态从而实现对叶片和设备进行多裂纹检测。

作为本发明的一种优选方案，所述步骤2中应用小波去噪和盲去卷积分离算法从而分离信号的计算步骤如下：

(2.1).首先，根据数据采集系统将在机组叶片或设备的多裂纹处采集的AE信号作为观测信号X(k)，y(k)源信号s(k)的估计信号，因此声发射传感器所得的混合信号可表示为：

s(k)＝y(k)＝f[WX(k)-WA(z)V(k)] (1)

y(k)＝Wx(k) (2)

式中，V(k)为噪声信号，W为自适应滤波器；A为未知通道的脉冲响应，代表从第i源信号到传感器的线性传递函数，A(z)＝[A₁(z)，A₂(z)，...A_n(z)]^T，且X(k)为采集信号，x(k)为去噪后的信号；

(2.2).根据本发明的小波去噪算法对采集的机组AE信号X(k)进行进行消噪的预处理，从而得到消噪后的混合信号x(k)：

x(k)＝X(k)-V(k) (3)

式中：X(k)为观测信号；x(k)为去噪后信号；V(k)为噪声；

(2.3).在小波基B：{g_m}_0≤m≤N下，式(3)两边表达式分别与g_m作内积得：

x_B[m]＝X_B[m]-V(k)_B[m] (4)

式中，x_B[m]＝<x，g_m>，X_B[m]＝<X，g_m>和V(k)_B[m]＝<V(k)，g_m>；

(2.4).V(k)是方差为σ²的零均值白噪声，从而得：

E{V[n]V[k]}＝σ²δ[n-k] (5)

(2.5).对于信号采集信号X(k)，在小波基B：{g_m}_0≤m＜N下，x(k)＝X(k)-V(k)和x_B[m]＝X_B[m]-V(k)_B[m]估计x(k)的估计子为：

式中，d_m(X(k)_B[m])为阈值函数，利用软取阈值方法通过稍微减少所有系数的幅值来减少所加的噪声，其阈值选取为：

式中，T为消噪小波阈值；通过取式中，N为信号序列长度，σ为系统噪声的标准差；获得去除过程信号噪声的小波变换系数的阈值，最终得到经小波变换消噪后的过程信号x(k)；

(2.6).利用盲分离算法对消噪信号x(k)进行分离，将输出信号y(k)的广义能量作为目标函数表示为：

(2.7).通过估计值与输入值之间的误差e(k)来调整滤波器系数，根据Godard算法，修正滤波器系数后的目标函数式(i)可表达为：

其中，s(k)为源信号；

(2.8).用最小均方算法最小化式(j)中的目标函数，由此可推导出调整滤波器系数的自适应迭代式：

式中，μ为自适应迭代式的步长，μ＝0.1，k＝2；

(2.9).评价AE信号的盲源分离效果，可以采用相似系数来检验盲解卷结果与期望信号的相似程度，表示如下：

ξ越接近1，则说明输出结果与源信号相似度越高，非线性函数选取的越适合；

(2.10).将公式(11)所得滤波器W(k)的迭代式带入公式(2)中分离源信号s(k)的估计信号y(k)；

(2.11).绘图；

(2.12).结束。

作为本发明的另一种优选方案，所述步骤1中的声发射采集系统采用的是美国PAC公司的PCI-2声发射采集系统。

本发明中选取水轮机叶片作为计算实例。由于本发明的叶片多裂纹检测方法具有良好的时频聚集性和抗干扰性，因此能够最大限度地判断裂纹状态，根据处理信号盲去卷积结果的时域波形和频域波形，即可识别主裂纹扩展的特征，从而判断其是否会对机组运行的可靠性有影响。

由于AE信号是由几个不同扩展阶段的裂纹同时发出的，所以在卷积混合后已经叠加了多种干扰信号，从而无法从中获取有物理意义的特征参数了，也不能直接从波形图中确定初始微裂纹是否会发展成为主裂纹并继续扩展至断裂。但此发明首先利用小波分析来降噪消噪，消除了非平稳信号中噪声的干扰，同时分离耦合的多源信号，提升盲去卷积法分离信号的能力，可针对多个裂纹扩展时AE信号的非平稳特征，选用非全局特性的瞬时频率以及特征尺度(即信号相邻的幅值极点的时间跨度)作为特征参数，避免了短时傅里叶变换、winge-ville分布、小波变换等时频分析方法的全局性，防止用它们分析非平稳信号会产生虚假信号，在此前提下判断裂纹是否会发展。

在工程上应用本发明时，一般都在设备或机组多裂纹附件安装声发射传感器，并将接收到的声发射信号运用无线传输反馈到声发射采集系统，长期监测机组工作状态。根据实际采集的流体机械机组叶片声发射信号，通过本发明的信号盲分离处理分析方法，可判断出裂纹扩展的状态，从而识别出主裂纹。

与现有的技术相比，本发明的有益效果是：在设备机组不断大型化的今天，国内企业对设备和机组叶片的多裂纹状态与裂纹检测没有成熟的产品，与国外相比还存在较大差距。本发明能够以简单、高效、准确的方式来识别多裂纹复合材料损伤，从而保证机组的安全性和高效性，延长叶片使用寿命、减少维护成本。同时本发明对玻璃钢、碳纤维等复合材料的流体机械机组多裂纹检测同样有效，特别适合于汽轮机、风力机、鼓风机等大型设备叶片表面多裂纹检测，可大大降低各类设备叶片的检测成本，经济效益明显。

附图说明

为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及具体实施方式，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。

图1是本发明流体机械叶片多裂纹的声发射检测方法原理图。

图2是声发射监控仪结构框图。

图3是声发射检测装置系统图。

图4是用小波方法预处理消噪后的盲源分离模型图。

图5是盲源分离原理框图。

图6是传感器1采集的含噪声发射信号频域波形图。

图7是传感器2采集的含噪声发射信号频域波形图。

图8是传感器1声发射信号降噪后频域波形图。

图9是传感器2声发射信号降噪后频域波形图。

图10是传感器1盲源分离后声发射信号频域波形图。

图11是传感器2盲源分离后声发射信号频域波形图。

具体实施方式

本发明一种流体机械叶片多裂纹的声发射检测方法，首先在机组叶片的多裂纹附近安装声发射传感器，采用美国PAC公司的PCI-2声发射采集系统进行信号采集，确定信号的采样频率、采样长度、滤波频率等采集参数；应用小波分析和盲分离结合技术对所提取的裂纹声发射信号进行特征分析，从而对叶片和设备进行多裂纹检测，识别出主裂纹。

本发明的具体步骤如下。

1).机组叶片裂纹声发射信号采集

以水轮机叶片为例，是原200千瓦的水轮机叶片。首先在叶片的多裂纹附近安装声发射传感器，接收声发射信号。采用美国PAC公司的PCI-2声发射采集系统，具有18位A/D和3KHz-3MHz频率范围，选择四个通道，经过前置放大器后由PAC采集卡进行数据采集，上位机系统通过监测板卡进行数据的处理和上位机显示，通过记录显示仪进行信号采集，可以对波形和特征进行实时处理。声发射监控仪结构框图如图2所示。水轮机叶片根部由紧固装置装卡，叶尖处安装激振电机，使叶片持续挥舞摆动来模拟叶片上较为常见的风载荷。声发射传感器由耦合剂和胶布固定于叶片上，声发射系统安装位置如图3所示。将采集的含噪混合信号作为观测信号X(k)。

2).小波变换对含噪观测信号消噪

对采集信号进行降噪消噪的预处理，利用小波变换对测量信号进行消噪；小波变换步骤如下：

设函数ψ(t)∈L²(R)满足条件：

式中，ψ(t)为基小波或母小波，为ψ(t)的傅里叶变换。对基小波进行尺度变换及平移后可得小波函数：

式中，a、b分别为小波尺度参数和平移参数。

对于任意信号f(t)∈L²(R)其小波变换对为：

因此信号f(t)可表示为：

式中，“*”代表共轭；wf(a，b)为信号f(t)的小波变换。对参数a和b离散化，即可得到信号的离散小波变换对，若a＝2^j，b＝k2^j则可得到二进小波变换对。假设噪声为白噪声，则其在频域上为常数，从而可在各频域中设置阈值去除测量信号中的噪声。

根据声发射传感器采集含噪观测信号，消噪方法可表示为：

x(k)＝X(k)-V(k) (5)

式中：X(k)为观测信号；x(k)为去噪后信号；V(k)为噪声。

在小波基B：{g_m}_0≤m＜N下，式(5)两边表达式分别与g_m作内积得：

x_B[m]＝X_B[m]-V(k)_B[m] (6)

上式中，x_B[m]＝<x，g_m>，X_B[m]＝<X，g_m>和V(k)_B[m]＝<V(k)，g_m>。

V(k)是方差为σ²的零均值白噪声，从而得：

E{V[n]V[k]}＝σ²δ[n-k] (7)

对于信号采集信号X(k)，在基B：{g_m}_0≤m＜N下，x(k)＝X(k)-V(k)和x_B[m]＝X_B[m]-V(k)_B[m]估计x(k)的估计子为：

式中，d_m(X(k)_B[m])为阈值函数，利用软取阈值方法通过稍微减少所有系数的幅值来减少所加的噪声，其阈值选取为：

式中，T为消噪小波阈值；通过取式中，N为信号序列长度，σ为系统噪声的标准差；获得去除过程信号噪声的小波变换系数的阈值，最终得到经小波变换消噪后的过程信号x(k)。

3).优化滤波器

考虑传统滤波器无法消除通道影响且滤波性能差，为了保证滤波器能够良好的分离出主裂纹信号特征，本发明以通过调整滤波系数，改进滤波器性能，从而得到全新的自适应迭代式。

首先确定目标函数，将输出信号y(k)的广义能量作为目标函数表示为：

通过估计值与输入值之间的误差e(k)来调整滤波器系数，根据Godard算法，修正滤波器系数后的目标函数式(11)可表达为：

其中，s(k)为源信号。

利用最小均方算法最小化(12)中的目标函数，由此可推导出调整滤波器系数的自适应迭代式：

式中，μ为自适应迭代式的步长，μ＝0.1，k＝2。

评价AE信号的盲源分离效果，可以采用相似系数来检验盲解卷结果与期望信号的相似程度，表示如下：

ξ越接近1，则说明输出结果与源信号相似度越高，非线性函数选取的越适合；本发明中tan(y_i)最为适合，最高相似系数可达到0.9729，误差率小于3％。

修改滤波器系数和重新计算分离模型的盲源分离原理框图如图4和5所示，该计算程序有以下步骤：

①.将消噪信号x(t)作为待分离信号；

②.按照式(11)将输出y(k)的广义能量作为目标函数；

③.按照式(12)通过调整滤波器系数，计算出全新的目标函数；

④.按照式(13)最小化式(12)中的目标函数，推导出调整滤波器系数的自适应迭代式；

⑤.根据式(14)检验盲解卷结果与期望信号的相似程度，检验非线性函数选取是否合适；

⑥.利用滤波器W(k)，分离出主裂纹的源信号s(k)的估计信号y(k)；

⑦.绘图；

⑧.结束。

4).对分离信号进行特征分析

如图6与图7所示是传感器采集的声发射信号频域波形图，由于采集信号中含有噪声信号对分离结果产生不良影响，因此，对需要进行消噪处理的含噪采集信号先采用小波分析方法处理，其中消噪步骤使用软阈值小波消噪，去噪后信号如图8与图9所示。可以看出，去噪效果明显，且去噪后信号很好地保留了信号的动态特性，去除了信号冗余的干扰峰值。因此，可以消除主裂纹信号识别中的干扰，挖掘出主裂纹信号特征参数，最后通过分离出的声发射信号来识别出叶片主裂纹和叶片裂纹扩展状态。

利用优化滤波器系数的滤波器W(k)，在盲分离理论的基础上，利用新的分离模型，可以消除裂纹扩展时的相互干扰，挖掘出主裂纹扩展信号特征参数，最后根据分离出的声发射信号识别出叶片主裂纹和叶片裂纹扩展状态。从图10的信号1可以看出，信号的频率范围小，谐波少，高频率幅值高，因此具有明显的高频冲击波特点。由此可以确定叶片上的裂纹处于初始疲劳裂纹萌生阶段，这是因为在初始疲劳裂纹萌生时裂纹扩展应力以平面应力为主，因此AE信号集中表现为高速传播的应力波且AE信号频率范围相对集中。而图11的信号2中AE信号的峰值频率为81KHz，低频率幅值高，频率范围宽，因此可以确定叶片上的裂纹处于高速失稳扩展状态。这是因为对于失稳扩展不仅有平面应力还有垂直应力，由此产生的高阶弯曲波以随机频率扩散时导致振幅有所衰减，裂纹失稳扩展时更为频繁的能量变化导致AE信号的特征为低频率、宽范围。因此，当出现多种不同状态裂纹时，就可以同时依据特征尺度和瞬时频率这两个判据判定出影响叶片可靠性的主裂纹以及此时叶片的工作状态。

声发射系统监测方法对早期的叶片裂纹故障并不敏感，只有当叶片裂纹故障发展到一定程度时才会被检测出来，此时流体机械机组的振动状况已发展到了比较严重的程度并对机组稳定运行造成很大影响。将声发射检测技术应用于多叶片流体机械机组的裂纹诊断中，可以简单、高效、准确的预测并诊断出机组在运行时的故障，尤其是对早期的裂纹故障预测。该方法对裂纹诊断的准确度和可信度都大幅度提升，对提高流体机械机组的状态监测和故障诊断能力有着十分深远的促进作用。

可以理解的是，以上关于本发明的具体描述，仅用于说明本发明而并非受限于本发明实施例所描述的技术方案，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换，以达到相同的技术效果；只要满足使用需要，都在本发明的保护范围之内。

Claims (2)

1.流体机械叶片多裂纹的声发射检测方法，其特征在于，包括以下步骤：

步骤1、首先在流体机械设备叶片中的多裂纹附近安装声发射传感器，接收声发射信号，并将波动信号转换为电信号，通过声发射采集系统，确定信号的采样频率、采样长度、滤波频率；

步骤2、然后利用小波滤波器对采集信号X(k)进行预降噪消噪处理，从而提升盲源信号分离的效果；然后应用盲解卷算法，在源的信息和通道信息均未知时，通过滤波器W(k)消除通道影响，对去噪后的混合信号x(k)进行盲源分离，将输出信号y(k)作为源信号s(k)的近似估计并将输出信号y(k)的广义能量作为目标函数，根据Godard算法，得到修正滤波器系数的目标函数；最小化目标函数，得到调整滤波器系数的自适应迭代式；再用最小均方算法最小化目标函数得到滤波器W(k)的迭代式；最后，用相似系数ξ来检验盲解卷结果与期望信号的相似程度，ξ越接近1则分离效果越好；

步骤3、最后通过对分离出的多裂纹声发射信号进行特征分析，根据结果分析来判定裂纹状态从而实现对流体机械设备叶片进行多裂纹检测；

所述步骤2中应用小波去噪和盲去卷积分离算法从而分离信号的计算步骤如下：

(2.1).首先，根据数据采集系统将在机组叶片或设备的多裂纹处采集的AE信号作为采集信号X(k)，y(k)是源信号s(k)的估计信号，因此声发射传感器所得的混合信号可表示为：

s(k)＝y(k)＝f[WX(k)-WA(z)V(k)] (1)

y(k)＝Wx(k) (2)

式中，V(k)为噪声信号，W为自适应滤波器；A为未知通道的脉冲响应，A(z)为信道冲击响应，代表从第i源信号到传感器的线性传递函数，A(z)＝[A₁(z)，A₂(z)，...A_n(z)]^T，且A_i(z)表示任意i源的脉冲响应信号；a_in表示任意i源脉冲响应信号分量，n个信号分量组成A_i(z)；X(k)为采集信号，x(k)为去噪后的信号；

(2.2).根据小波去噪算法对采集的机组AE信号X(k)进行进行消噪的预处理，从而得到去噪后的信号x(k)：

x(k)＝X(k)-V(k) (3)

式中：X(k)为采集信号；x(k)为去噪后的信号；V(k)为噪声信号；

(2.3).在小波基B：{g_m}_0≤m＜N下，式(3)两边表达式分别与g_m作内积得：

x_B[m]＝X_B[m]-V(k)_B[m] (4)

式中，x_B[m]＝<x，g_m>，X_B[m]＝<X，g_m>和V(k)_B[m]＝<V(k)，g_m>；

(2.4).V(k)是方差为σ2的零均值白噪声，从而得：

E{V[n]V[k]}＝σ²δ[n-k] (5)

式中，V[n]为无噪声干扰信号；δ为信噪比；n、k为信号向量维数；

(2.5).对于采集信号X(k)，在小波基B：{g_m}_0≤m＜N下，x(k)＝X(k)-V(k)和x_B[m]＝X_B[m]-V(k)_B[m]估计x(k)的估计子为：

式中，d_m(X(k)_B[_m])为阈值函数，利用软取阈值方法通过稍微减少所有系数的幅值来减少所加的噪声，其阈值选取为：

式中，T为消噪小波阈值；通过取式中，N为信号序列长度，σ为系统噪声的标准差；获得去除过程信号噪声的小波变换系数的阈值，最终得到经小波变换去噪后的信号x(k)；

(2.6).利用盲分离算法对去噪后的信号x(k)进行分离，将输出信号y(k)的广义能量作为目标函数表示为：

(2.7).通过估计值与输入值之间的误差e(k)来调整滤波器系数，根据Godard算法，修正滤波器系数后的目标函数式可表达为：

其中，s(k)为源信号；

(2.8).用最小均方算法最小化式(10)中的目标函数，由此可推导出调整滤波器系数的自适应迭代式：

式中，μ为自适应迭代式的步长，μ＝0.1，k＝2；

(2.9).评价AE信号的盲源分离效果，可以采用相似系数来检验盲解卷结果与期望信号的相似程度，表示如下：

ξ越接近1，则说明输出结果与源信号相似度越高，非线性函数选取的越适合；

(2.10).将公式(11)所得滤波器W(k)的迭代式带入公式(2)中分离源信号s(k)的估计信号y(k)；

(2.11).绘图；

(2.12).结束。

2.根据权利要求1所述的流体机械叶片多裂纹的声发射检测方法，其特征在于：所述步骤1中的声发射采集系统采用的是美国PAC公司的PCI-2声发射采集系统。