CN114264426B - 一种浮空器囊体漏点缺陷检测系统及方法 - Google Patents

Abstract

本发明属于航空航天相关技术领域，其公开了一种浮空器囊体漏点缺陷检测系统及方法，系统包括：空气压缩机，用于向浮空器囊体充气；压力表，用于检测浮空器囊体内的压力；音频激振器，用于产生预设频率和强度的音频信号以刺激所述浮空器囊体振动；应变片阵列，所述应变片阵列粘贴于浮空器囊体表面，用于采集所述浮空器囊体在振动状态下的应力波信号；应变仪，用于分别采集所述应变片阵列对应的多个应力波信号；计算机终端，用于基于所述缺陷诊断模型对每一应力波信号进行分析获取对应应变片处的缺陷状况。本申请可以利用应变片采集应力波信号实现对囊体缺陷的诊断及定位，无损、高效。

Description

一种浮空器囊体漏点缺陷检测系统及方法

技术领域

本发明属于航空航天相关技术领域，更具体地，涉及一种浮空器囊体漏点缺陷检测系统及方法。

背景技术

随着我国航空航天技术的发展，浮空器因其能耗低、噪声小、驻空时间长等优点而受到广泛关注，并在军事监测、地形勘探、工程施工等领域开展了应用，并取得良好效果。

浮空器在工作时需要依靠一个巨大的气囊来产生浮力升空，因此，囊体的气密性能及漏点缺陷将直接影响浮空器的续航能力及安全运行，缺陷和漏洞的产生主要来源于两个方面：一是生产过程中囊体材料本身存在一些瑕疵或热合工序的质量不合格，二是使用过程中囊体在反复折叠、运输过程中产生磨损。为了保证浮空器的运行安全，目前对浮空器的微小漏点检测是浮空器出厂执行任务之前的必要步骤，但当前对浮空器囊体的检测还主要是通过人工观测结合涂肥皂水的方式进行，也有一些采用光学成像和图像分析技术进行检测。但以上方案都存在检测工作量大，检测结果粗糙等缺点，难以推广使用。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种浮空器囊体漏点缺陷检测系统及方法，可以利用应变片采集应力波信号实现对囊体的缺陷位置进行定位，无损、高效。

为实现上述目的，按照本发明的一个方面，提供了一种一种浮空器囊体漏点缺陷检测系统，所述系统包括：空气压缩机，用于向浮空器囊体充气；压力表，用于检测浮空器囊体内的压力；音频激振器，用于产生预设频率和强度的音频信号以刺激所述浮空器囊体振动；应变片阵列，所述应变片阵列粘贴于浮空器囊体表面，用于采集所述浮空器囊体在振动状态下的应力波信号；应变仪，用于分别采集所述应变片阵列对应的多个应力波信号；计算机终端，用于基于所述缺陷诊断模型对每一应力波信号进行分析获取对应应变片处的缺陷状况。

优选地，所述应变片阵列包括多个应变片，所述多个应变片在危险区域呈井字形布置。

优选地，所述缺陷诊断模型包括VMD信号分解模块与GenSVM分类模块。

优选地，所述系统还包括功放设备，用于将所述音频信号放大并朝指定方向输出。

优选地，所述系统还包括桁架和吊索，用于将所述浮空器囊体吊起。

按照本发明的另一个方面，提供了一种上述的浮空器囊体漏点缺陷检测系统的检测方法，所述方法包括：S1：将所述浮空器囊体充气至预设压力值并保持不变；S2：在所述浮空器囊体的危险区域设置应变片，采用应变仪采集应变片对应的应力波信号；S3：将所述应力波信号输入所述缺陷诊断模型获得对应的缺陷状况。

优选地，所述缺陷诊断模型由如下步骤得到：S31：将每一应变片采集的应力波信号采用VMD算法进行分解得到多个单分量信号；S32：提取每个单分量信号的时频谱能量特征，并将其映射至GenSVM的特征空间，获得GenSVM模型；S33：构建GenSVM中的损失函数；S34：以损失函数最优为目标对所述GenSVM模型中的参数进行优化得到优化完成的GenSVM模型。

优选地，步骤S31中，具体为通过优化目标函数F实现所述应力波信号的分解，得到单分量信号u_k(t)，其中：

u_k(t)＝A_k(t)cos(φ_k(t))，k＝1，2，…，K

其中，u_k为第k个单分量信号，w_k为该单分量信号的中心频率，k为第k个单分量信号的序号，K为预先设置的需要分解成的单分量信号的数量，u_k(t)为第k个单分量信号在t时刻的取值，A_k(t)为信号的瞬时幅值，φ_k(t)为信号的相位，δ(t)为单位脉冲函数，

为对时间t求偏导，j为虚数。

优选地，步骤S32中所述提取每个单分量信号的时频谱能量特征具体为：

将每个单分量信号进行Hilbert变换，得到对应的Hilbert谱H_k(ω，t)：

所述单分量信号的能量谱E_i为：

其中，RP为实数，I为希尔伯特分解所划分的局部时间段数量，i表示第i个时间段，j为虚数，A_i(t)为幅值函数，表示t时刻的幅值，ω_i(t)为瞬时频率函数，表示t时刻的瞬时频率，ω₁和ω₂为瞬时频率函数可取的最小和最大值，T为时间。

优选地，所述损失函数为：

其中，n为样本总数量，l为第l类缺陷，L为样本缺陷类别总数，G_l＝{i：y_i＝l}为属于第l类缺陷状况的样本集合，m为集合|G_l|中的第m个样本的序号，ρ_l＝n/(|G_l|L)，λtrW′W为防止模型过拟合的惩罚项，h为Huber损失函数，p为Huber损失函数的参数，

为分类误差，W为待优化转换矩阵，t为待优化常数偏差项，u_z和u_q为边界z和q的顶点，

为x_i的转置，x_i∈[E₁，E₂，…，E_k]

总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的浮空器囊体漏点缺陷检测系统及方法具有如下有益效果：

1.通过音频刺激囊体振动的方式来获取应力波信号，通过对应力波信号进行处理来获取缺陷位置，操作简单，定位精准，极大的提高了检测效率；

2.缺陷诊断模型包括VMD信号分解模块与GenSVM分类模块，通过VMD信号分解模块将应力波信号进行分解后映射至GenSVM分类模块，避免了应力波信号直接输入GenSVM分类模块的误差，提高了检测精度。

3.构建了基于分类误差的损失函数，可以获得在分类误差最小状态下的GenSVM分类模型，进一步提升了分类的准确性。

附图说明

图1是本实施例浮空器囊体漏点缺陷检测系统的结构示意图；

图2是本实施例浮空器囊体漏点缺陷检测系统的检测流程图；

图3是本实施例缺陷诊断模型的构建示意图。

在所有附图中，相同的附图标记用来表示相同的元件或结构，其中：

1-桁架；2-浮空器囊体；3-吊索；4-应变仪；5-应变片阵列；6-应变片连接线；7-计算机终端；8-音频激振器；9-音频连接线；10-功放设备；11-数据传输线；12-输气管道；13-空气压缩机；14-压力表；15-通气管。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，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例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

请参阅图1，本发明提供了一种浮空器囊体漏点缺陷检测系统，所述系统包括空气压缩机13、压力表14、音频激振器8、应变片阵列5、应变仪4、计算机终端7，具体结构如下。

空气压缩机13用于通过输气管道12向浮空器囊体2输入气体。

压力表14通过通气管15与浮空器囊体2连接，用于时刻检测浮空器囊体2内的气压。

音频激振器8，用于产生预设频率和强度的音频信号以刺激所述浮空器囊体振动。在进一步的优选方案中音频激振器8还可以通过音频连接线9与功放设备10连接。功放设备10可以放置在距离浮空器囊体2远近合适的位置，使得浮空器囊体2既能接受到音频激励而产生振动，又不会触碰到功放设备10。

应变片阵列5包括多个应变片，用于粘贴于浮空器囊体2表面，用于采集所述浮空器囊体在振动状态下的应力波信号。进一步的多个应变片在危险区域呈井字形布置。危险区域可以根据仿真模拟或实际使用经验获得。

应变仪4通过应变片连接线6与应变片连接，用于分别采集所述应变片阵列5对应的应力波信号。

计算机终端7通过数据传输线11与应变仪4连接，计算机终端7可以存储应力波信号、压力信号等。计算机终端7内集成有缺陷诊断模型，所述缺陷诊断模型进一步优选包括VMD信号分解模块与GenSVM分类模块。

所述系统还包括桁架1和吊索3，用于将所述浮空器囊体吊起。

本申请另一方面提供了一种所述浮空器囊体漏点缺陷检测系统的检测方法，所述方法包括：

S1：将所述浮空器囊体充气至预设压力值并保持不变；

S2：在所述浮空器囊体的危险区域设置应变片，采用应变仪采集应变片对应的应力波信号；

S3：将所述应力波信号输入所述缺陷诊断模型获得对应的缺陷状况。

其中，所述缺陷诊断模型由如下步骤S31～S34获得。

S31：将每一应变片采集的应力波信号采用VMD算法进行分解得到多个单分量信号。

在进行分解之前还包括对应力波信号进行预处理，例如，进行指数平滑和数据基线拉平处理，进而消除浮空器囊体测量过程中气压波动对应变测量值的影响，得到处理后的应力波信号f(t)。

使用VMD算法将f(t)分解为一系列包含不同频率中心及带宽的但分量信号IMF，具体为通过优化目标函数F实现所述应力波信号的分解，得到单分量信号u_k(t)，其中：

u_k(t)＝A_k(t)cos(φ_k(t))，k＝1，2，…，K

其中，u_k为第k个单分量信号，w_k为该单分量信号的中心频率，k为第k个单分量信号的序号，K为预先设置的需要分解成的单分量信号的数量，u_k(t)为第k个单分量信号在t时刻的取值，A_k(t)为信号的瞬时幅值，φ_k(t)为信号的相位，δ(t)为单位脉冲函数，

为对时间t求偏导，j为虚数。

进一步优选的还可以通过拉格朗日算子对上式(1)进行改造，得到下式：

其中，{u_k}为分解得到的各个单分量，{ω_k}为各分量的中心频率，λ为拉格朗日乘子函数，α为二次成惩罚因子，λ(t)为拉格朗日乘子在t时刻的取值。

首先，初始化u_k(t)，w_k，λ(t)，通过不断迭代优化更新，得到最优的分解信号。

S32：提取每个单分量信号的时频谱能量特征，并将其映射至GenSVM的特征空间，获得GenSVM模型。

将每个单分量信号进行Hilbert变换，得到对应的Hilbert谱H_k(ω，t)：

所述单分量信号的能量谱E_i为：

其中，RP为实数，I为希尔伯特分解所划分的局部时间段数量，i表示第i个时间段，j为虚数，A_i(t)为幅值函数，表示t时刻的幅值，ω_i(t)为瞬时频率函数，表示t时刻的瞬时频率，ω₁和ω₂为瞬时频率函数可取的最小和最大值，T为时间。

S33：构建GenSVM中的损失函数。

将时频谱能量特征E_i进行映射，令x_i∈[E₁，E₂，…，E_k]，则原始数据到GenSVM的特征空间的映射公式为：

其中，

为特征空间的映射数据，W为转化矩阵，t为常数偏差项。

为了保证模型的灵活性，需要使用Huber损失函数来加权求和各个子类的分类误差作为模型的误差损失函数，对于包含n个数据的L分类问题来说，其损失函数计算公式如下：

其中，n为样本总数量，l为第l类缺陷，L为样本缺陷类别总数，G_l＝{i：y_i＝l}为属于第l类缺陷状况的样本集合，m为集合|G_l|中的第m个样本的序号，ρ_l＝n/(|G_l|L)，λtrW′W为防止模型过拟合的惩罚项，h为Huber损失函数，p为Huber损失函数的参数，

为分类误差，W为待优化转换矩阵，t为待优化常数偏差项，u_z和u_q为边界z和q的顶点，

为x_i的转置，x_i∈[E₁，E₂，…，E_k]。

S34：以损失函数最优为目标对所述GenSVM模型中的参数进行迭代优化得到优化完成的GenSVM模型，常用的迭代优化算法均可实现该目标。

(1)当进行囊体缺陷在线识别时，首先利用VMD模型分解采集到的应力波信号得到各模态分量，并提取能量特征组成特征向量，之后将原始数据映射至特征空间为S′_n+1，最后计算S′_n+1到GenSVM模型中优化好的每一类边界的Euclidean距离，计算公式为：

其中，

为第n+1个样本对应的缺陷类别标签，s′_n+1为该信号在特征空间的映射值，u′_l为第l类缺陷所对应的特征空间内边界顶点，l为第l类缺陷类别，L为缺陷类别总数量。

根据计算结果判定新采集到的样本的类别为其在映射空间中到各个类顶点距离最近的点所属的缺陷类别。

综上所述，本申请所述的浮空器囊体漏点缺陷检测系统及方法以囊体在音频激励下振动时的表面应力波信号测量及分析为基础，采用VMD信号分解及GenSVM分类算法作为一种优选的缺陷诊断算法实现，可以有效识别及定位浮空器囊体的微小漏点缺陷。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种浮空器囊体漏点缺陷检测系统，其特征在于，所述系统包括：

空气压缩机(13)，用于向浮空器囊体充气；

压力表(14)，用于检测浮空器囊体内的压力；

音频激振器(8)，用于产生预设频率和强度的音频信号以刺激所述浮空器囊体振动；

应变片阵列(5)，所述应变片阵列(5)粘贴于浮空器囊体表面，用于采集所述浮空器囊体在振动状态下的应力波信号；

应变仪(4)，用于分别采集所述应变片阵列(5)对应的多个应力波信号；

计算机终端(7)，用于基于缺陷诊断模型对每一应力波信号进行分析获取对应应变片处的缺陷状况。

2.根据权利要求1所述的方法，其特征在于，所述应变片阵列(5)包括多个应变片，所述多个应变片在危险区域呈井字形布置。

3.根据权利要求1所述的方法，其特征在于，所述缺陷诊断模型包括VMD信号分解模块与GenSVM分类模块。

4.根据权利要求1所述的方法，其特征在于，所述系统还包括功放设备(10)，用于将所述音频信号放大并朝指定方向输出。

5.根据权利要求1所述的方法，其特征在于，所述系统还包括桁架(1)和吊索(3)，用于将所述浮空器囊体吊起。

6.一种权利要求1～5任意一项所述的浮空器囊体漏点缺陷检测系统的检测方法，其特征在于，所述方法包括：

S1：将所述浮空器囊体充气至预设压力值并保持不变；

S2：在所述浮空器囊体的危险区域设置应变片，采用应变仪采集应变片对应的应力波信号；

S3：将所述应力波信号输入所述缺陷诊断模型获得对应的缺陷状况。

7.根据权利要求6所述的方法，其特征在于，所述缺陷诊断模型由如下步骤得到：

S31：将每一应变片采集的应力波信号采用VMD算法进行分解得到多个单分量信号；

S32：提取每个单分量信号的时频谱能量特征，并将其映射至GenSVM的特征空间，获得GenSVM模型；

S33：构建GenSVM中的损失函数；

S34：以损失函数最优为目标对所述GenSVM模型中的参数进行优化得到优化完成的GenSVM模型。

8.根据权利要求7所述的方法，其特征在于，步骤S31中，具体为通过优化目标函数F实现所述应力波信号的分解，得到单分量信号uk，其中：

u_k(t)＝A_k(t)cos(φ_k(t))，k＝1，2，...，K

其中，u_k为第k个单分量信号，w_k为该单分量信号的中心频率，k为第k个单分量信号的序号，K为预先设置的需要分解成的单分量信号的数量，u_k(t)为第k个单分量信号在t时刻的取值，A_k(t)为信号的瞬时幅值，φ_k(t)为信号的相位，δ(t)为单位脉冲函数，

为对时间t求偏导，j为虚数。

9.根据权利要求7所述的方法，其特征在于，步骤S32中所述提取每个单分量信号的时频谱能量特征具体为：

将每个单分量信号进行Hilbert变换，得到对应的Hilbert谱H_k(ω，t)：

所述单分量信号的能量谱E_i为：

其中，RP为实数，I为希尔伯特分解所划分的局部时间段数量，i表示第i个时间段，j为虚数，A_i(t)为幅值函数，表示t时刻的幅值，ω_i(t)为瞬时频率函数，表示t时刻的瞬时频率，ω₁和ω₂为瞬时频率函数可取的最小和最大值，T为时间。

10.根据权利要求9所述的方法，其特征在于，所述损失函数为：

其中，n为样本总数量，l为第l类缺陷，L为样本缺陷类别总数，G_l＝{i：y_i＝l}为属于第l类缺陷状况的样本集合，m为集合|G_l|中的第m个样本的序号，ρ_l＝n/(|G_l|L)，λtrW′W为防止模型过拟合的惩罚项，h为Huber损失函数，p为Huber损失函数的参数，

为分类误差，W为待优化转换矩阵，t为待优化常数偏差项，u_z和u_q为边界z和q的顶点，

为x_i的转置，x_i∈[E₁，E₂，…，E_k]。

Images