基於pca和tdf對16錳鋼承力件進行疲勞損傷狀態的識別系統的製作方法

2023-06-04 14:39:21

專利名稱：基於pca和tdf對16錳鋼承力件進行疲勞損傷狀態的識別系統的製作方法
技術領域：
本發明涉及一種對在役16Mn鋼承力件服役期間的疲勞損傷狀態進行識別的方法。更特別地說，是指一種對聲發射換能器採集的數據首先採用主成分分析(PCA)根據其損傷類別構建不同的數據空間，在數據空間中進行神經網絡的訓練得到各換能器在數據空間中的損傷度標誌模塊，然後應用該模塊對在役16Mn鋼承力件實時採集的聲發射數據進行兩級數據融合(TDF)，從而識別出在役16Mn鋼承力件屬於何種疲勞損傷狀態。
背景技術：
港口大型機械設備中的岸邊設備如裝船機、卸船機、抓斗機，常應用16錳鋼作為關鍵承力件。岸邊設備在使用一段時間後，作為主要承力件的16錳鋼的損傷狀態對整個岸
邊設備的使用壽命將造成重要影響。16Mn鋼(16錳鋼)是結合我國資源情況發展起來的一種低合金鋼，已被廣泛使用。16Mn鋼結構在服役一定的時間後，時常會發生一些失效事故，而損傷是造成其失效的主要原因，為此要對其損傷狀態作出有效的識別，及時、正確地評價16Mn鋼承力件的損傷程度，為其安全運行及壽命預測提供依據。聲發射技術(Acoustic Emission Technique)因具有動態、實時檢測等優點，已廣泛的應用於結構和構件的損傷檢測。實踐表明，材料在疲勞過程的不同階段，其聲發射特徵會發生一系列不同的變化，也就是說16Mn鋼承力件不同的疲勞損傷階段，將有不同的聲發射信號，而損傷狀態的轉變，往往引起聲發射多個參數的變化，同時某一參數變化又可以是由多種損傷狀態引起的，所以有必要採用多聲發射換能器的數據融合技術，即充分利用不同時間與空間的多聲發射換能器數據資源，採用計算機技術對按時間序列獲得的多聲發射換能器觀測數據，在一定準則下進行分析、綜合、支配和使用，獲得對被測對象的一致性解釋與描述，進而實現相應的決策和估計，使系統獲得比它的各組成部分更充分的信息。因此本發明將數據融合技術引入16Mn鋼承力件損傷狀態識別系統中，建立主成分分析，數據融合和人工神經網絡相結合的診斷系統對16Mn鋼承力件損傷狀態進行識別、診斷。主成分分析也稱主分量分析。主成分分析利用降維的思想，在損失很少信息的前提下把多個指標轉化為幾個綜合指標的多元統計方法。通常把轉化成的指標稱為主成分，其中每個主成分都是原始變量的線性組合，且各個主成分間互不相關，使主成分比原始變量具有某些更優越的性能。「主成分分析」引用中國人民大學出版社於2008年9月第2版出版的《多元統計分析》，第152頁至第154頁的內容介紹。神經網絡是一種模擬人思維的一個非線性系統。徑向基函數(RBF)神經網絡是根據在人腦皮層中具有局部調節和交疊的感受域提出的，又稱為局部感受域神經網絡。它是一種包括輸入層、隱層和輸出層的三層前饋型網絡模型。由於RBF網絡結構簡單，且具有以任意精度逼近任意連續函數的能力，學習速率快，所以越來越廣泛應用於各個領域。隨著現代工業日益向大規模、高效率發展，作為港口重要物流裝備的大型岸邊起重機械，具有以下幾個特點(I)設備老，有很多大型起重機是60年代至70年代我國自行設計製造或從東歐進口，還有少數是從美、日等國進口的二手設備，按設計壽命20 25年考慮，很多設備也已進入服役後期或超期服役階段；(2)任務重，隨著生產規模的擴大，以及起重機更新的滯後，許多起重機的工作日趨繁重，超載的情況也時有發生；(3)目前的損傷檢測方法不成熟，超聲波檢測和磁粉檢測等方法對起重機進行的部分抽樣檢測，盲目性大、易出現漏檢且檢測的周期長，工作量大，費用昂貴；(4)預警評估系統不完善，目前應用的分析判別技術還不能對起重機承力件的損傷做出準確的預警和安全評估。因此，為確保起重機安全可靠的運行，須對承力件進行檢測、判斷承力件的疲勞損 傷狀態，從而進行安全評估。

發明內容
為了減少岸邊設備在使用過程中突發斷裂造成的人員傷害、設備損失和經濟損失，本發明提出一種採用主成分分析，神經網絡和兩級數據融合相結合的方法來識別在役16Mn鋼承力件的疲勞損傷狀態。該疲勞狀態識別系統首先對訓練樣本中不同損傷數據採用主成分分析構建兩個數據空間，採用神經網絡方法對多路聲發射換能器採集得到的信息在兩個數據空間下進行神經網絡訓練，獲得用於判斷16Mn鋼承力件不同疲勞損傷狀態的損傷度標誌模塊；然後將兩個數據空間下該模塊的神經網絡輸出結果進行基本概率分配後進行一級數據融合，再將多個換能器一級數據融合結果進行二級數據融合，獲得數據融合模塊，進而將數據融合模塊內嵌在16Mn鋼承力件疲勞識別系統中。內嵌有本發明的數據融合模塊在工作狀態下，能夠對在役16Mn鋼承力件不同疲勞損傷狀態進行識別，並對識別出的結果作出預警。本發明是一種採用主成分分析，神經網絡和數據融合相結合的技術對16Mn鋼承力件進行疲勞損傷狀態進行識別的識別系統，該系統包括有多個聲發射換能器(6)、多路前置放大器(5)、一個聲發射儀(4)，其特徵在於還包括有一個16Mn鋼承力件疲勞損傷檢測單元(I);16Mn鋼承力件疲勞損傷檢測單元(I)包括有過濾模塊(11)和一級數據融合模塊
(12)，二級數據融合模塊(13 )，其中，過濾模塊(11)有數據濾波處理模塊(IIA)和波形濾波處理模塊(11B)，一級數據融合模塊(12)有第一數據空間(12A)，第二數據空間(12B)，第一損傷度標誌模塊(12C)，第二損傷度標誌模塊(12D)，D-S證據組合模塊(12E);聲發射換能器(6)與前置放大器(5)為配套使用，即每一個聲發射換能器(6)的輸出端與一個前置放大器(5)的輸入端連接,每一個前置放大器(5)的輸出端連接在聲發射儀(4)的信息輸入接口上，該信息輸入接口用於接收多路突髮型放大信息/ 16Mn鋼承力件疲勞損傷檢測單元(I)內嵌在聲發射儀(4)的存儲器中；聲發射換能器(6)，用於採集在役16Mn鋼承力件在採集時間Tx段內的突髮型信息突髮型信I ；前置放大器(5 )，用於對接收到的突髮型信肩父^進行放大40dB後成為突髮型放大自 fTx ·
In s ，聲發射儀(4)用於對接收到的突髮型放大信I 經A/D轉換後成為數字突髮型信息/含=(先,WsVC5,輸出給16Mn鋼承力件疲勞損傷檢測單元(I)；16Mn鋼承力件疲勞損傷檢測單元(I)的過濾模塊(11)中的數據濾波處理模塊(IlA)對接收到的數字突髮型信息/ =(04，Λ5，Λζ， 5璡行參數濾波，濾掉電磁噪聲和環境噪聲後，提純得到聲發射疲勞損傷初步信息/忍=(e。，為;然後波形濾波處理模塊(IlB)對聲發射疲勞損傷初步信息/; =進行波形濾波，獲得聲發射疲勞損傷信息/ = {e,AX\R, I))； 對換能器接收到IeMn鋼承力件的疲勞損傷信息/忍=(e,A, C,足￡>)進行採
集時間！^段內的累積處理，然後歸一化得到歸一化累積疲勞損傷信息f11B'，將f11B' 分別在第一數據空間(12A)和第二數據空間(12B)下投影得到各自的得分矩陣f12A =
(tal，ta2) ta3, ta4, ta5)和 fi2B — (tbl，tb2, tb3, tb4, tb5)，得分矩陣 f12A — (tal> ^a2) ta3, ta4, ta5)經
第一損傷度標誌模塊(12C)處理得到在第一數據空間中的神經網絡輸出f12C = [^a(A1)fm，a(A2)]，得分矩陣f12B = (tbl, tb2, tb3, tb4, tb5)經第二損傷度標誌模塊(12D)進行處理得到在第二數據空間中的神經網絡輸出f12D= [^b(A1) fID,b(A2)] Jff12c和f12D進行各節點的相關係數賦值，賦值後的f12。和f12D進行基本概率分配，然後進行D-S證據組合模塊(12E)處理得到單個換能器的數據融合結果mID (Bj)，再將所有換能器的D-S證據組合模塊(12E)結果進行二級數據融合(13)得到數據融合結果m(cp，該結果經損傷等級評定單元(2)解析後輸出疲勞損傷識別信息D給報警單元(3)。本發明是一種依據聲發射信息，採用神經網絡在主成分分析構造的數據空間下對損傷狀態進行局部識別，然後應用數據融合技術對神經網絡診斷結果進行兩級融合，識別診斷出16Mn鋼承力件最終的疲勞損傷狀態，該識別系統的優點在於(A)採用聲發射儀中的採集卡對使用過一段時間的16Mn鋼承力件上的聲發射換能器的聲發射信息(能量es、測量幅度As、振鈴計數Cs、上升時間Rs、持續時間Ds)進行採集，並將該相關信息作為聲發射神經網絡的識別系統的信息輸入，使得本發明在聲發射檢測過程中，能通過聲發射儀對聲發射換能器信息進行採集，然後根據聲發射信息參數和波形的變化，識別出是損傷信息，還是噪聲信息。(B)根據疲勞的損傷模式類型採用主成分分析構造不同的數據空間，通過神經網絡在各數據空間下對損傷狀態進行局部識別，經兩級數據融合輸出診斷結果，充分利用了不同損傷類型間信號的差異對損傷模式進行識別。(C)能綜合、支配和使用多個、多種類型聲發射換能器的監測數據，充分利用各個聲發射換能器的信息，增大了診斷結果的可靠性與準確性，提高了診斷系統的適應能力。(D)神經網絡和數據融合理論相結合的綜合識別診斷系統，具有一定的容錯能力，能滿足鋼結構複雜系統損傷診斷的要求。


圖I是本發明16Mn鋼承力件疲勞損傷識別系統的結構框圖。圖2是本發明16Mn鋼承力件疲勞損傷識別系統中疲勞損傷檢測單元的結構框圖。
具體實施例方式下面將結合附圖和實施例對本發明做進一步的詳細說明。在疲勞損傷狀態模式中包括有疲勞裂紋穩定擴展損傷狀態、疲勞裂紋失穩擴展損傷狀態。在役承力件一般在疲勞裂紋穩定擴展損傷狀態下工作，當處於疲勞裂紋失穩擴展損傷狀態時，該承力件損傷比較嚴重，使用者應當對承力件進行實時重點檢測、監測或者更換，因此對承力件進行疲勞損傷狀態檢測可以預防和減少事故的發生，以減少突發斷裂造成的人員傷害、設備損失和經濟損失。參見圖I、圖2所示，對於16Mn鋼承力件的疲勞損傷識別系統一般由多個聲發射換能器6 (也稱傳感器)、多路前置放大器5、一個聲發射儀4、一個16Mn鋼承力件疲勞損傷檢測單元I、損傷等級評定單元2和報警單元3組成；其中，16Mn鋼承力件疲勞損傷檢測單元I包括有過濾模塊11和一級數據融合模塊12，二級數據融合模塊13 ；

其中，過濾模塊11包括有數據濾波處理模塊IIA和波形濾波處理模塊IIB ；其中，一級數據融合模塊12包括有第一數據空間12A，第二數據空間12B，第一損傷度標誌模塊12C，第二損傷度標誌模塊12D，D-S證據組合模塊12E。16Mn鋼承力件疲勞損傷檢測單元I採用Matlab語言(版本R2011b)開發。16Mn鋼承力件疲勞損傷檢測單元I內嵌在聲發射儀4的存儲器中。在本發明中，聲發射換能器6與前置放大器5為配套使用，即每一個聲發射換能器6的輸出端與一個前置放大器5的輸入端連接,每一個前置放大器5的輸出端連接在聲發射儀4的信息輸入接口上，該信息輸入接口用於接收多路突髮型放大信息。在本發明中，聲發射儀4選取美國PAC公司生產的DiSP聲發射系統，聲發射換能器6選取美國PAC公司生產的CZ系列或者WD系列聲發射換能器，多路前置放大器5選取美國PAC公司生產的2/4/6型前置放大器。在本發明中，利用聲發射換能器6在採集時間Tx段內進行信息採集時，不但將損傷信息進行採集，同時也將噪聲(環境噪聲、電磁噪聲、機械摩擦噪聲)進行採集(即es,As, Cs, Rs, Ds信息中是包括有噪聲的)，因此，在本發明中，採用了數據濾波和波形濾波對採集獲得的信息進行了去噪處理。這樣的去噪其目的在於得到本發明所需的用於進行疲勞損傷監測的五個參數即能量es、測量幅度As、振鈴計數Cs、上升時間Rs和持續時間Ds。(一)聲發射換能器6聲發射換能器6用於採集在役16Mn鋼承力件上的突髮型信息Sn。在本發明中，對於聲發射換能器6所需設置的個數以其傳感範圍為40cm IOOcm/個。對聲發射換能器6採集到的信息採用集合形式表達為突髮型信息Sn = {es, As, Cs, Rs, Ds}，es表示能量、As表示測量幅度、Cs表示振鈴計數、Rs表示上升時間和Ds表示持續時間。在本發明中，第一個採集時間記為T1、第二個採集時間記為T2、……、最後一個採集時間Tx，為了方便說明，最後一個採集時間Tx也稱為任意一採集時間τχ。在本發明中，在採集時間Tx段內聲發射換能器6採集到的突髮型信息表示為S》二 {es，As, Cs,Rs,Ds)。若第一個採集時間T1得到的突髮型信息記為Sf ={es，As，Cs,Rs，Ds};同理可得，若第二個採集時間T2得到的突髮型信息記為Sl2 ={es,AsXs,Rs,Ds) ο
(二)前置放大器5前置放大器5用於對接收到的突髮型信息進行放大40dB後成為突髮型放大信
息//'。(三)聲發射儀4聲發射儀4於對接收到的突髮型放大信息經A/D轉換後成為數字突髮型信息/5 輸出給16Μη鋼承力件疲勞損傷檢測單元1，聲發射儀4中自備有A/D轉換器。des表示數字式能量、dAs表示數字式測量幅度、dCs表示數字式振鈴計數、dRs表示數字式上升時間和dDs表示數字式持續時間。(四)數據濾波處理模塊IlA在本發明中，數據濾波處理模塊IlA對接收到的數字突髮型信息 fsl 行參數濾波，即濾掉電磁噪聲和環境噪聲後，提純得到疲勞損傷初步信息=(e0,A0,C0,R0,D0) ■, e0是指數字式能量des經參數濾波後的能量(簡稱參數濾波能量)，A0是指數字式測量幅度dAs經參數濾波後的測量幅度(簡稱參數濾波幅度)，C0是指數字式振鈴計數dCs經參數濾波後的振鈴計數(簡稱參數濾波振鈴計數)，Rtl是指數字式上升時間dRs經參數濾波後的上升時間(簡稱參數濾波上升時間)，D0是指數字式持續時間dDs經參數濾波後的持續時間(簡稱參數濾波持續時間)。(五)波形濾波處理模塊IIB在本發明中，波形濾波處理模塊IlB對接收到的疲勞損傷初步信息 = (e 54),d Ai)進行波形濾波，獲得疲勞損傷信息= (e,式C:,足D) ;e是指參
數濾波能量經波形濾波後的能量(簡稱波形濾波能量)，A是指參數濾波幅度Atl經波形濾波後的幅度(簡稱波形濾波幅度)，C是指參數濾波振鈴計數Ctl經波形濾波後的振鈴計數(簡稱為波形濾波振鈴計數)，R是指參數濾波上升時間Rtl經波形濾波後的上升時間(簡稱為波形濾波上升時間)，D是指參數濾波持續時間Dtl經波形濾波後的持續時間(簡稱波形濾波持續時間)。在本發明中,疲勞損傷信息./|匕=(e, A, (R, /:))第一方面用於第一損傷度標誌模塊12C進行RBF神經網絡訓練，獲得第一損傷度標誌模型；第二方面用於第二損傷度標誌模塊12D進行RBF神經網絡訓練，獲得第二損傷度標誌模型；第三方面用於第一數據空間12A進行投影處理，獲得第一得分矩陣；第四方面用於第二數據空間12B進行投影處理，獲得第二得分矩陣。對於疲勞損傷信息At = (e； AX\R, /))的RBF神經網絡訓練要執行在第一數據空間12A和第二數據空間12B之前。(六)第一數據空間12A第一數據空間12八第一方面對接收到的疲勞損傷信總./上=0,/1,^,/))進行所在採集時間Tx段內的累積處理，得到累積後疲勞損傷信息=(tvWU))第一數據空間12A第二方面對累積後疲勞損傷信息= {e,A,C,R,D)itm
JCf7x - 4CfTx
歸一化關係/_^進行處理，得到歸一化累積疲勞損傷信息f11B';疲勞損傷-ACfΤχ
信息的平均值表示累積疲勞損傷信息的標準差；
Τχ 0W1S第一數據空間12A第三方面對歸一化累積疲勞損傷信息f11B'依據第一投影關係fl2A = U XPa 進行投影，得到第一得分矩陣 f12A = (tal, ta2, ta3, ta4, tj ；Pa表示第一數據空間的特徵矩陣；f12A表示待診斷樣本在第一數據空間中的得分矩陣，a是第一數據空間的代碼，tal, ta2, ta3, ta4, ta5表示待診斷樣本在第一數據空間中5個維度的得分向量；tal表示待診斷樣本在第一數據空間中第I個維度的得分向量；ta2表示待診斷樣本在第一數據空間中第2個維度的得分向量；&3表示待診斷樣本在第一數據空間中第3個維度的得分向量；ta4表示待診斷樣本在第一數據空間中第4個維度的得分向量；ta5表示待診斷樣本在第一數據 空間中第5個維度的得分向量。(七)第二數據空間12B第二數據空間12B第一方面對接收到的疲勞損傷信息/為=(e，為C,足D)進行所在採集時間[段內的累積處理，得到累積後疲勞損傷信息=(tv4,r,^/..))；第二數據空間12B第二方面對累積後疲勞損傷信息』C/忍=(￡ 乂依據
ACfTx -ACf7x
歸一化關係/_ =^hm^進行處理，得到歸一化累積疲勞損傷信息f11B';疲勞損傷
IoS
-ACfjx
信息的平均值J=Ifr 表示累積疲勞損傷信息的標準差；
Τχ ACf^第二數據空間12Β第三方面對歸一化累積疲勞損傷信息f11B'依據第二投影關係fl2B = fllB/ XPb 進行投影，得到第二得分矩陣 fl2B = (tbl, tb2, tb3, tM, tb5)；Pb表示第二數據空間的特徵矩陣；f12B表示待診斷樣本在第二數據空間中的得分矩陣，b是第二數據空間的代碼，tbl, tb2, tb3, tb4, tb5表示待診斷樣本在第二數據空間中5個維度的得分向量；tbl表示待診斷樣本在第二數據空間中第I個維度的得分向量；tb2表示待診斷樣本在第二數據空間中第2個維度的得分向量；、3表示待診斷樣本在第二數據空間中第3個維度的得分向量；tb4表示待診斷樣本在第二數據空間中第4個維度的得分向量；tb5表示待診斷樣本在第二數據空間中第5個維度的得分向量。(A)第一損傷度標誌模塊12C在本發明中，疲勞損傷識別系統主要作用是識別出16Mn鋼承力件的疲勞裂紋穩定擴展階段和疲勞裂紋失穩擴展階段，所以本發明中損傷數據類型有兩類，即裂紋穩定類型ST和裂紋失穩類型UT ;所述裂紋穩定類型ST是指疲勞裂紋穩定擴展階段的損傷信息；所述的裂紋失穩類型UT是指疲勞裂紋失穩擴展階段的損傷信息。兩種損傷類型RBF神經網絡訓練樣本的獲取當在役16Mn鋼承力件僅處於裂紋疲勞裂紋穩定擴展階段時，將疲勞損傷信息.O = (e, Λ Γ,兄/))記為裂紋穩定類型疲勞損傷信息/// =(e，為當在役16Mn鋼承力件僅處於裂紋疲勞裂紋失穩擴展階段時，將疲勞損傷信息/S = (iU,C,足D)記為裂紋失穩類型疲勞損傷信息/為=(e,A,C,R，D)。
第一損傷度標誌模塊12C第一方面對接收到的裂紋穩定類型疲勞損傷信息fsi =(e,浼c足瑪進行所在採集時間Tx段內的累積處理，得到累積後疲勞損傷信息ACf^·； =(e,A,(\RJ))t第一損傷度標誌模塊12C第二方面對累積後疲勞損傷信息
一 ,4 ^ 八、依據歸一化關係f = iQsi ~ A CfJ進行處理，得到裂紋穩ACf^ =(e,A.C,R,D)σ 端
定類型歸一化累積疲勞損傷信息fST,;裂紋穩定類型累積疲勞損傷信息的平均值-ACflx
ACfTs^ =~^~. 表示裂紋穩定類型累積疲勞損傷信息的標準差；
Tx aACfs- 第一損傷度標誌模塊12C第三方面對裂紋穩定類型歸一化累積疲勞損傷信息fST/進行主成分分析，得到第一數據空間的特徵矩陣Pa = (Pal. Pa2. Pa3. Pa4. Pa5)；pal, pa2, pa3, pa4, Pa5表示第一數據空間中5個維度的特徵向量；pal第一數據空間中第I個維度的特徵向量；Pa2第一數據空間中第2個維度的特徵向量；pa3第一數據空間中第3個維度的特徵向量；Pa4第一數據空間中第4個維度的特徵向量；pa5第一數據空間中第5個維度的特徵向量；在本發明中，疲勞損傷識別系統在識別16Mn鋼承力件的疲勞裂紋穩定擴展階段和疲勞裂紋失穩擴展階段時，該第一數據空間的特徵矩陣Pa需要引述至第一數據空間12A中進行投影處理。第一損傷度標誌模塊12C第四方面對歸一化累積疲勞損傷信息fs/依據第三投影關係Pf12。= fsx/父匕進行投影，得到第三得分矩陣Pf12c = (Ptal,Pta2,Pta3,Pta4,Pta5)；Ptal, Pta2, Pta3, Pta4, Pta5表示裂紋穩定類型的訓練樣本在第一數據空間中5個維度的得分向量；Ptal表示裂紋穩定類型的訓練樣本在第一數據空間中第I個維度的得分向量#12表示裂紋穩定類型的訓練樣本在第一數據空間中第2個維度的得分向量；Pta3表示裂紋穩定類型的訓練樣本在第一數據空間中第3個維度的得分向量；Pta4表示裂紋穩定類型的訓練樣本在第一數據空間中第4個維度的得分向量；Pta5表示裂紋穩定類型的訓練樣本在第一數據空間中第5個維度的得分向量。第一損傷度標誌模塊12C第五方面將第三得分矩陣Pf12A = (Ptal, Pta2, Pta3, Pta4,Pta5)作為RBF神經網絡的輸入層信息，並設定RBF神經網絡的輸出層信息Orofr=丨:，開始RBF神經網絡訓練，獲得第一損傷度標誌模型Ma ；在本發明中，RBF神經網絡的輸出層信息Oim,=丨Y中[I O]表示訓練樣本為疲
勞裂紋穩定擴展狀態的標誌碼，[O I]表示訓練樣本為疲勞裂紋失穩擴展狀態的標誌碼。第一損傷度標誌模塊12C第六方面採用^對第一得分矩陣f12A = (tal, ta2,ta3) ta4, tj 進行處理,得到第一損傷度參數 f12C = Lf1Dja(A1) fID，a(A2)]。在本發明中,第一損傷度標誌模塊12C對接收到的f12A = (tal, ta2, ta3, ta4, ta5)進行RBF神經網絡學習算法處理後，獲得第一損傷度參數f12C= Lf1^(A1) fID,a(A2)];其中^a(A1)表示代碼為ID的換能器的診斷樣本在第一數據空間中第I個節點的神經網絡輸出；fID,a(A2)表示代碼為ID的換能器的診斷樣本在第一數據空間中第2個節點的神經網絡輸出；ID表示聲發射換能器的代碼，a是第一數據空間的代碼。(九)第二損傷度標誌模塊12D第二損傷度標誌模塊12D第一方面對接收到的裂紋失穩類型疲勞損傷信息
權利要求
1.一種基於PCA和TDF對16錳鋼承力件進行疲勞損傷狀態的識別系統，其特徵在於該系統包括有多個聲發射換能器(6)、多路前置放大器(5)、一個聲發射儀(4)，其特徵在於還包括有一個16Mn鋼承力件疲勞損傷檢測單元(I)； 16Mn鋼承力件疲勞損傷檢測單元(I)包括有過濾模塊(11)和一級數據融合模塊(12 )，二級數據融合模塊(13)，其中，過濾模塊(11)有數據濾波處理模塊(11A)和波形濾波處理模塊(11B)，一級數據融合模塊(12)有第一數據空間(12A)，第二數據空間(12B)，第一損傷度標誌模塊(12C)，第二損傷度標誌模塊(12D)，D-S證據組合模塊(12E)； 聲發射換能器(6)與前置放大器(5)為配套使用，即每一個聲發射換能器(6)的輸出端與一個前置放大器(5 )的輸入端連接,每一個前置放大器(5 )的輸出端連接在聲發射儀(4 )的信息輸入接口上，該信息輸入接口用於接收多路突髮型放大信息 』 16Mn鋼承力件疲勞損傷檢測單元(I)內嵌在聲發射儀(4)的存儲器中； 聲發射換能器(6)，用於採集在役16Mn鋼承力件在採集時間!^段內的突髮型信息突髮型信息足； 前置放大器(5 )，用於對接收到的突髮型信息疋1進行放大40dB後成為突髮型放大信息f 聲發射儀(4)用於對接收到的突髮型放大信I廣經Α/D轉換後成為數字突髮型信息fit輸出給16Mn鋼承力件疲勞損傷檢測單元(I)； 16Mn鋼承力件疲勞損傷檢測單元(I)的過濾模塊(11)中的數據濾波處理模塊(11A)對接收到的數字突髮型信息仏二璡行參數濾波，濾掉電磁噪聲和環境噪聲後，提純得到聲發射疲勞損傷初步信息=( ,為,Clj,;然後波形濾波處理模塊(IlB)對聲發射疲勞損傷初步信息= (e。，為，(。，凡，/>。)進行波形濾波,獲得聲發射疲勞損傷信息./麼=(t' A, (\R, I)); 對換能器接收到I6Mn鋼承力件的疲勞損傷信息/忍=(e，為C,足D)進行採集時間Tx段內的累積處理，然後歸一化得到歸一化累積疲勞損傷信息分別在第一數據空間(12A)和第二數據空間(12B)下投影得到各自的得分矩陣f12A = (tal,ta2, ta3, ta4, ta5)和 fl2B = (tbl, tb2, tb3, tM, tb5)，得分矩陣 f12A = (tal，ta2, ta3, ta4, tj 經第一損傷度標誌模塊(12C)處理得到在第一數據空間中的神經網絡輸出f12C= Lf1^(A1)匕，^2)]，得分矩陣^=(tbl, tb2, tb3, tb4, tb5)經第二損傷度標誌模塊(12D)進行處理得到在第二數據空間中的神經網絡輸出f12D = Lf1Djb(A1) fID；b(A2)];將f12C和f12D進行各節點的相關係數賦值，賦值後的f12。和f12D進行基本概率分配，然後進行D-S證據組合模塊(12E)處理得到單個換能器的數據融合結果mID (Bj)，再將所有換能器的D-S證據組合模塊(12E)結果進行二級數據融合(13)得到數據融合結果m(cp，該結果經損傷等級評定單元(2)解析後輸出疲勞損傷識別信息D給報警單元(3)。
2.根據權利要求I所述的基於PCA和TDF對16錳鋼承力件進行疲勞損傷狀態的識別系統，其特徵在於數據濾波處理模塊(IlA)對接收到的數字突髮型信息//I =(des，dAs，dCs，dRs,dDs)進行參數濾波，即濾掉電磁噪聲和環境噪聲後，提純得到疲勞損傷初步信息/忍=(e0, J0,C0,Ji0,D0)。
3.根據權利要求I所述的基於PCA和TDF對16錳鋼承力件進行疲勞損傷狀態的識別系統，其特徵在于波形濾波處理模塊(11B)對接收到的疲勞損傷初步信息/; =(『々,Q為，A)進行波形濾波，獲得疲勞損傷信息ACf=(e,A,C,R,D)。
4.根據權利要求I所述的基於PCA和TDF對16錳鋼承力件進行疲勞損傷狀態的識別系統，其特徵在於 第一數據空間(12A)第一方面對接收到的疲勞損傷信息f=(e,A,C,R,D)進行所在採集時間！^段內的累積處理，得到累積後疲勞損傷信息ACf=(e,A,C,R,D)； 第一數據空間(12A)第二方面對累積後疲勞損傷信息ACf=(e,A,C,R,D)依據歸一化關係
5.根據權利要求I所述的基於PCA和TDF對16錳鋼承力件進行疲勞損傷狀態的識別系統，其特徵在於 第二數據空間(12B)第一方面對接收到的疲勞損傷信息/3=0，為匸,足￡>)進行所在採集時間[段內的累積處理，得到累積後疲勞損傷信息,4(7 =(e乂(/U)) 第二數據空間(12B)第二方面對累積後疲勞損傷信息』CJ1I= (e,為C足D)依據歸一化關係
6.根據權利要求I所述的基於PCA和TDF對16錳鋼承力件進行疲勞損傷狀態的識別系統，其特徵在於 第一損傷度標誌模塊(12C)第一方面對接收到的裂紋穩定類型疲勞損傷信息fsr =(Λ,/ ,Γ義/))進行所在採集時間[段內的累積處理，得到累積後疲勞損傷信息ACf^ =(e,A,(\R,I)); 第一損傷度標誌模塊(12C)第二方面對累積後疲勞損傷信息jQ/f =(e,A,C，R，D) ACf χ - ACf7x依據歸一化關係
7.根據權利要求I所述的基於PCA和TDF對16錳鋼承力件進行疲勞損傷狀態的識別系統，其特徵在於 第二損傷度標誌模塊(12D)第一方面對接收到的裂紋失穩類型疲勞損傷信息
8.根據權利要求I所述的基於PCA和TDF對16錳鋼承力件進行疲勞損傷狀態的識別系統，其特徵在於 D-S證據組合模塊(12E)第一方面對接收到的f12C =[flD,a(Al) flD,a(A2)]和 A2D = [flD,b(Al) ^Djb(A2)I 依據節點相關係數
9.根據權利要求I所述的基於PCA和TDF對16錳鋼承力件進行疲勞損傷狀態的識別系統，其特徵在於二級數據融合(13)對接收到的數據融合結果Him(Bj)依據D-S證據第二組合關係
全文摘要
本發明公開了一種基於PCA和TDF對16錳鋼承力件進行疲勞損傷狀態的識別系統，該系統由多個聲發射換能器(6)、多路前置放大器(5)、一個聲發射儀(4)和一個16Mn鋼承力件疲勞損傷檢測單元(1)組成。16Mn鋼承力件疲勞損傷檢測單元(1)包括有過濾模塊(11)、一級數據融合模塊(12)、二級數據融合模塊(13)。本發明採用主成分分析與疲勞損傷類別相結合，在數據空間中進行神經網絡的訓練得到各換能器在數據空間中的損傷度標誌，然後用損傷度標誌對每個聲發射換能器信息進行局部診斷；進而用神經網絡輸出結果構造數據融合的基本概率值；最後採用數據融合的組合關係對疲勞損傷狀態進行診斷。利用該系統，可對16Mn鋼疲勞過程中的損傷狀態進行識別、診斷，進而對其可靠運行提供依據。
文檔編號G01N29/44GK102879475SQ201210375718
公開日2013年1月16日 申請日期2012年9月29日 優先權日2012年9月29日
發明者駱紅雲, 李軍榮, 韓志遠, 李靜, 張崢, 鍾群鵬 申請人:北京航空航天大學