基于声发射技术的箱型梁大应力区故障模式识别

邹子维

(上海海事大学物流工程学院，上海 201306)

物料的搬运和装卸在现代物质生产活动中起着越来越重要的作用。随着现代工业不断朝着大规模、高效率方向发展，起重机工作状况也日趋繁重。一些工作繁重的起重机使用一定年限后，其结构往往在有裂纹、焊接缺陷等较大应力集中处发生裂纹扩展，从而导致事故发生，造成经济损失。为了保证起重机的安全运行，必须定期对起重机进行检验及评价。常规无损检测技术如磁粉、宏观检查、渗透、应力应变测试、超声等一般存在工作量大、周期长、费用昂贵、无法进行在线检测和安全评价［1］等问题。现代科学技术的进步不断推动着无损检测技术的发展。声发射技术有效地弥补了常规无损检测方法的不足。

本文将声发射无损检测技术应用到港口起重机的典型结构——箱型梁上，预置常见的几种大应力区缺陷如局部表面裂纹、局部深埋裂纹、局部焊缝、对接焊缝，通过加载实验提取声发射信息，运用BP神经网络进行模式识别。对该方法的可行性作了讨论，从而为实际箱型梁大应力区的检测与评价进行识别与判断，为声发射无损检测在港口起重机方面的应用提供一些有用信息与技术支持。

1 声发射技术

材料或结构在外界条件(温度、应力、磁场等)的作用下，产生缺陷或发生异常，使构件因应力过度集中导致断裂或变形，并随着能量快速释放产生瞬态的弹性波现象称为声发射现象。对记录到的信号进行处理分析，寻找缺陷位置、发展规律的技术称为声发射技术。与其他无损检测技术相比，声发射检测是一种动态的检测技术，接收的信号是内部缺陷的信息，直接反映材料或构件内部缺陷情况，对被检件的接近要求不高，几乎不受材料或构件限制［2］。

2 BP 神经网络

由于目前声发射信号处理过程中存在比如声发射源模式不可分、信号处理过程中的人为干预、效率低、误判率高等问题，而神经网络能够将声发射信号的状态特征参数非线性地映射到识别空间，实现复杂的、非线性的类别划分，从而利用人工神经网络进行声发射信号处理成为状态识别研究的一个热点。BP 神经网络［3］是一种多层前向神经网络，采用误差反向传播方法，已经在许多科学技术领域得到成功应用，也是理论上较成熟的神经网络。

2.1 BP 神经网络结构

BP 神经网络是一种具有三层或三层以上的神经网络，包括输入层、隐含层和输出层(如图1所示)。

图1 BP 神经网络结构Figure 1 Structure of BP neural network

2.2 BP 神经网络的设计

(1)BP 神经网络最重要的是隐含层的确定，综合现有的一些文献，可知隐含层的个数的计算公式为:

式中，m 为输入神经元数，n 为输出神经元数，a 为0 到10 之间的常数［4］。

(2)每个神经元输入和输出的关系可以用传递函数表示。隐含层神经元传递函数采用S 型正切函数tansig，此函数的公式为:

输出层神经元的传递函数采用S 型对数函logsig，此函数的公式为:

(3)各层权值调整公式的计算:

对于输出层，设Y=(y0，y1，…，yj，…ym)T，δ0，则

对于隐层，设X=(x0，x1，…，xi，…xn)T，δy=，则

式中，η 为学习率，δ 为本层输出地误差信号，X 或Y 为本层输入信号。

另外输出层误差信号同网络的期望输出与实际输出之差有关，直接反映输出误差，而各隐层的误差信号与前面各层的误差信号都有关，是从输出层开始逐层反传过来的［5］。

(4)由于目前神经网络的实现仍以软件编程为主，下面介绍BP 算法的程序实现

1)权值、计数器、学习率和网络训练后要达到精度Emin的初始化;

2)输入训练样本对和给定目标输出;

3)从输入层开始至输出层计算各层误差信号;

4)从输出层开始，将误差信号沿连接通路反向传播，修正各连接权值，使网络误差达到精度要求。

3 实验研究

3.1 实验方案

本次实验主要设备为美国物理声学公司(PAC)的数字声发射仪器、箱型梁模型、液压千斤顶、DP15I 型声发射传感器(前放一体化传感器)等。其中PAC 的数字声发射仪器采用了MICRO SAMOS-AC 系统主机，搭配PCI-2 工业型采集卡。实验装置示意图如图2 所示。

图2 声发射加载实验示意图Figure 2 Schematic sketch of acoustic emission on load test

箱型梁试件采用起重机常用钢材Q235-B钢，其尺寸按照常用起重机箱型梁标准尺寸以一定比例缩小加工而成(400 mm×133 mm×170 mm)，以便在实验台进行实验，为了加工方便，板厚均为4 mm。化学成分和力学性能见表1。对试件表面(加载面)中部预置缺陷进行大应力区5种常见模式加载实验，分别是正常、局部表面裂纹、局部深埋裂纹、局部焊缝、对接焊缝的箱型梁试件。其中局部表面裂纹采用刀具割口，局部深埋裂纹是在裂纹表面浇注形成、局部焊缝采用铜丝和FeS 粉末焊接制成，对接焊缝采用同质同批钢材对接而成。正常模式在该实验中可以作为其他故障模式对比，预置缺陷前先消除试件残余应力，5 种模式的试件形状大小基本相同，局部缺陷的大小也基本相同。

由于箱型梁截面相对长度比例小很多，所以在本实验中采用了线性定位方法。实验中，利用液压千斤顶缓慢加载至300 kN，并保持载荷，采集加载和保载过程的声发射信号。针对声发射信号噪声源较多的特点，为了进行去噪、得到较好的检测结果，一方面在载荷增加时尽量单一，不要有太多的机构相对滑动或运动。另一方面设置合理的门槛值。声发射仪器的数据采集参数设定见表2。

表1 Q235-B 钢的化学成分与力学性能［6］Table 1 Chemical composition and mechanical property of steel Q235-B

表2 声发射参数设定表Table 2 Acoustic emission parameters set

3.2 用BP 神经网络识别箱型梁声发射源

本次用美国PAC 公司数字声发射仪及AEwin 软件采集各种声发射参数，如幅度、能量、计数、持续时间、上升时间、平均频率、有效值电压、平均信号电平、回响频率、初始化频率、强度、质心频率、峰值频率。经大量测试分析发现，对每个声发射撞击取如下9 个特征作为神经网络的输入是较佳的选择，其中5 个原始波形特征参数是幅度、能量、计数、上升时间、持续时间，由5 个原始波形特征参数组合派生出的4 个特征参数是上升时间/持续时间、计数/持续时间、能量/持续时间、幅度×上升时间，如表3 所示。同时神经网络的输出对应箱型梁5 种故障模式，如表3 所示。本次用三层BP 网络结构，根据隐含层神经元个数的计算公式及实验分析，采用5 个隐含层神经元时的输出效果较好。

隐含层神经元传递函数采用S 型正切函数tansig，输出层神经元的传递函数采用S 型对数函logsig，对样本按下式做了归一化处理。

表3 箱型梁故障模式Table 3 Box girder failure modes

式中，x 为原始数据，xmax为训练样本的最大值，xmin为训练样本的最小值。

同时训练步数设定为1 000，训练目标误差设定为0.01，用Levenberg-Marquadt 反传算法对BP网络进行训练，训练误差曲线如图3 所示。可以看出在培训到720 次左右时网络达到要求。本次用于网络训练的训练样本数为5×50=200 个，用来检验训练好的BP 神经网络的测试样本数为5×10=50 个。表4 为采用训练样本对网络的训练结果，表5 为用训练好的网络对每个源的测试样本模式识别的分类结果。

由表4 可以看出，该训练好的网络对于训练样本的最低正确识别率为85.5%，总正确识别率可以达到91.14%。

图3 5 种故障模式BP 网络训练误差曲线图Figure 3 BP network training error curve of five kinds of failure modes

表4 BP 神经网络对5 种故障模式的训练结果Table 4 Training results of the five kinds of failure modes by BP neural network

表5 BP 神经网络对5 种故障模式测试样本的识别结果(分类率%)Table 5 Identification results of the five kinds of failure modes test samples by BP neural network(classification rate%)

由表5 可以看出，局部焊缝和局部表面裂纹的正确识别率较低，两者相互被误识别的概率也比其他三种模式相对高一些，这可能是由于局部焊缝加载产生声发射信号中包含较多的局部表面裂纹扩展分量。但最低正确识别率仍达到83%，对5 种故障模式总的正确识别率为89.56%。

由此可见，该网络的训练效果较好，具有较高的泛化能力，可以对箱型梁五种模式的声发射源进行有效识别。

4 结论

针对港口起重机的典型结构——箱型梁大应力区工作过程中常见的几种故障，构建了箱型梁常见5 种故障模式声发射实验模型:正常、局部表面裂纹、局部深埋裂纹、局部焊缝、对接焊缝。实验结果证明，对于箱型梁大应力区常见声发射故障的识别，利用幅度、能量、计数、上升时间、持续时间、特征参数以及它们之间组合派生出的特征参数等9 个参数作为BP 神经网络的输入，可有效鉴别箱型梁大应力区故障。

［1］孙德平.起重机梁声发射技术无损检测研究［D］.武汉:武汉科技大学，2004.

［2］杨瑞峰，马铁华.声发射技术研究及应用进展［J］.中北大学学报(自然科学版)，2007，27(5):27－29.

［3］李波，郭力.基于BP 神经网络的表面粗糙度声发射预测［J］.精密制造与自动化，2009，(1):10－14.

［4］飞思科技产品研发中心.神经网络理论与MATLAB7 实现［M］.北京:电子工业出版社，2005:99－108.

［5］韩力群.人工神经网络教程［M］.北京:北京邮电大学出版社，2006:58－62.

［6］吴占稳.起重机的声发射源特性及识别方法研究［D］.湖北:武汉理工大学，2008.