UHMWPE/LDPE层合板复合材料损伤声发射信号识别

2019-05-16杜增锋倪庆清刘新华

宇航材料工艺 2019年2期

王旭杜增锋倪庆清刘新华

（1 安徽工程大学纺织服装学院，芜湖 241000）

（2 信州大学纤维学部，日本长野 3868567）

文摘为了掌握UHMWPE/LDPE 复合材料的损伤机理，运用声发射技术结合聚类分析方法建立不同损伤形式的声发射信号训练样本，通过神经网络实现损伤信号的识别，并分别探讨了训练函数、传递函数、网络结构等因素对识别率的影响。研究表明，由系统聚类可提取幅度、峰值频率、持续时间为模式特征，结合Kmeans 聚类可建立11 个类别共583 信号的训练样本。以混淆矩阵为识别率指标，当训练函数为traingdx、隐层/输出层传递函数为tansig/logsig、隐层神经元数量为70 时，网络的识别率达97.2%，为基于声发射技术的热塑性基体复合材料损伤识别提供参考。

0 引言

复合材料的多相结构及损伤的多种形式，导致其损伤机理及演化过程十分复杂。断口分析能有效提供损伤的微观形貌，但无法提供损伤过程的动态信息[1]。近年来，声发射（Acoustic Emission，AE）技术逐渐成为复合材料损伤机理研究的有效工具之一。研究表明，复合材料损伤过程的载荷历程和AE 信号参数历程具有一致性[2]，通过分析伴随损伤产生的AE 信号，可掌握损伤对应的AE 特征，并在此基础上揭示材料的损伤演化过程[3-5]。通常复合材料不同损伤模式的AE信号在存在一定的差异。黄文亮等[6]发现CFRP 切削过程入口和出口处撕裂的AE 信号RMS 参数不同。Q.Q.NI 和I.YANG 等[7-8]发现不同损伤模式的AE 信号频率特征不同。袁忠等[9]以AE 信号的近似熵谱特征识别出层压板基体开裂、界面脱胶及纤维断裂等损伤。识别不同损伤模式的AE 信号是掌握损伤机理及其演化的关键。童小燕等[10]运用K 均值聚类得到基体开裂、界面层脱粘、分层及纤维断裂等损伤模式的AE 信号。H.A.SAWAN 等[11]分别对±45°、0°及准各向同性碳纤/环氧层合板拉伸及弯曲过程的AE 信号聚类，得到不同损伤机制的AE 信号。张卫东等[12]以AE 信号的累积撞击数、累积振铃计数和累积能量计数等为特征，运用神经网络识别出材料在弹性、屈服、塑性和断裂等力学行为。王健等[13]以运用神经网络对碳纤维增强复合材料纤维断裂、基材开裂、界面分离、分层等6种典型损伤形式的AE 信号进行了识别，总的识别正确率高达93.9%。上述基于AE 技术的复合材料损伤研究大多是热固性基体，而针对热塑性基体复合材料损伤的研究尚不多见，同时损伤形式或程度的判定还部分依赖于人为经验。为此本文以UHMWPE/LDPE 层合板为研究对象，由模型试样拉伸破坏诱导产生预期损伤形式的AE 信号并聚类产生训练样本，借助神经网络方法实现对不同损伤AE 信号的识别，并比较了不同网络结构、传递函数、训练算法等的识别正确率，以寻求客观、高效的复合材料损伤识别方法。

1 实验

1.1 材料制备

UHMWPE 纤维规格145tex/240F，密度0.97 g/cm3，拉伸强度3 013 MPa，弹性模量91 GPa，断裂应变3.3%。基体LDPE，密度0.92 g/cm3。纤维束均匀缠绕在铺有LDPE 薄膜的不锈钢芯板上，由硫化机热压制备成复合材料层合板。DSC（Modulated DSC 2910）测定纤维和基体熔融温度分别为147 和112℃。硫化机设定温度120℃，压力1.5 MPa，热压10 min 后保压冷却固化成型。

1.2 拉伸及声发射试验

为了诱导产生特定的损伤，制备了4 种拉伸试样，规格、测试速度及预期损伤如表1所示。

表1中S1～S4，分别表示纯LDPE 树脂、90°单层板、纤维束及[±45°]层合板。图1所示为拉伸及AE测试示意图，材料试验机为长春试验机研究所DNS-100 型，试样工作距离均为120 mm。每类试样均重复5 次拉伸试验并同步采集AE 信号。AE 系统为美国PAC 公司PCI-2 型，2 个R15 型传感器间距60 mm 沿试样中心线对称布置，传感器和试样间用真空脂耦合并用松紧带固定于试样表面。AE 信号触发门槛值为40 dB。由断铅时差法分别得到各类试样AE信号的波速，其中S1 为2 800 m/s，S2 为3 470 m/s，S3 为2 780 m/s，S4 为3 160 m/s。记录发生在传感器之间的AE 信号供分析使用，其中峰值鉴别时间50 μs，波击鉴别时间100 μs，波击闭锁时间300 μs，事件定义时间100 μs，事件闭锁时间110 μs，前置放大器40 dB。

图1 拉伸及AE 测试示意图Fig.1 Sketch map of tensile and AE test system

2 结果与分析

2.1 AE 信号模式特征的确定

聚类分析是根据数据集客观存在的多个类，以类内数据具有较强相似性而建立的一种数据描述方法。若聚类变量选择合适则由其构成的模式特征空间中同类数据相距较近且分布密集，不同类数据相距较远。聚类变量越多并非对聚类效果越有利，尤其是当变量间存在较强的相关性时，不仅不能提高聚类效果反而增加计算量。AE 参数是对AE 波形信号的量化描述，如图2所示时域参数如幅度、振铃计数、峰值前振铃计数、上升时间、持续时间。此外通过时频转换得到频域参数，如频率质心、峰值频率、平均频率等。

图2 AE 参数示意图Fig.2 Sketch map of AE parameters

对上述AE 参数进行系统聚类，从中选择合适的AE 参数作为模式特征。从试样S1、S2、S3、S4 采集的AE 信号数量分别为63、227、127、166，输入SPSS软件执行分类/系统聚类命令，选择变量聚类方式，以欧氏距离为相似性测度，按照离差平方和法（Ward method）聚类结果如图3所示。

图3 AE 参数的系统聚类Fig.3 Hierarchical clustering of AE parameters

由图3将8 个AE 参数分为3 类，其中第1 类包括幅度、振铃计数、峰值前振铃计数和上升时间，第2类包括频率质心、峰值频率和平均频率，第3 类为持续时间。由于类内的AE 参数具有更大的相似性，可选择幅度、峰值频率和持续时间作为AE 信号的模式特征。

2.2 AE 信号训练样本的建立

训练样本是已标记分类标签的AE 信号。基于同类损伤模式AE 信号具有更大相似性的原则，分别对试样S1～S4 拉伸破坏过程的AE 信号进行Kmeans 聚类分析，从而得到不同损伤模式AE 信号的训练样本。影响K-means 聚类的因素包括聚类数k的确定和初始聚心，参照预备试验及文献[14]确定试样S1～S4 的k 值分别为3、3、2、3，并确定相应的初始聚心，为消除量纲的影响，原始数据先进行Z 标准化。执行SPSS 软件分类/K-均值聚类，读入初始聚心文件，选择迭代与分类方式，分别对试样S1～S4 的AE 信号进行聚类，聚类完成后，各类别的AE 信号个数及相应的最终聚心如表2所示。

表3为LDPE 基体的3 类损伤及AE 信号特征。由于拉伸过程应变能主要以塑性变形的释放，故AE信号具有幅度低、持续时间短的特征，仅在断裂时产生幅度高、持续时间长的AE 信号。

表3 基体损伤模式的AE 信号特征Tab.3 AE features of matrix damage modes

表4为界面的3 类损伤及AE 信号特征。其中S2-2，S2-3 伴随加载的全过程均有产生，而S2-1 仅在临近断裂时产生。UHMWPE 纤维的表面惰性导致界面强度低，伴随加载过程，界面损伤不断累积，最终导致材料因界面脱粘而破坏。

表4 界面损伤模式的AE 信号特征Tab.4 AE features of interface damage modes

表5为纤维的2 类损伤及AE 信号特征，其中S3-2 类加载过程均有发生，该类信号源于损伤早期的单纤维随机断裂，具有幅度低、持续时间短的特征。S3-1 类主要发生于临近断裂大量纤维集中断裂时，具有幅度高、持续时间长的特征。

表5 纤维断裂损伤模式的AE 信号特征Tab.5 AE features of fiber damage modes

表6为层间的3 类损伤及AE 信号特征。观察试样发现侧边明显的分层且层内有界面剪切破坏。综合幅度和持续时间判断，S4-3、S4-1 分别源于较大、中等程度的损伤，S4-2 则源于较低程度的损伤。界面强度低是导致层内和层间破坏的重要原因。

综上分析，AE 信号分别对应为11 种不同的损伤模式，则训练样本可由输入向量p 和对应的目标向量t构成，每个AE 信号均为含有3 个元素（幅度、峰值频率和持续时间）的列向量p，并分别对应一个目标向量t，t 为具有11 个元素的列向量，其中只有一个非零元素1 所在的行代表损伤模式类型，其他元素均为0。

表6 层间损伤模式的AE 信号特征Tab.6 AE features of interlayer damage modes

2.3 BP 神经网络的建立

BP（back propagation）网络是基于误差逆向传播算法的多层前馈神经网络，它由多个神经元层构成，每层包含多个神经元，神经元是多输入单输出的信息处理单元。BP 网络结构如图4所示。

图4 BP 网络结构示意图Fig.4 Scheme of BP neuron network

图4中Input 为网络输入，R 为输入节点数，p 为R行1 列输入向量。隐层Layer1 和输出层Layer2 中，S1、S2分别为各层神经元数，W1、W2分别为各层网络权值，b1、b2分别为各层偏置值，f1、f2分别为各层f 传递函数，a1、a2分别为各层输出。MatLab 软件的神经网络工具箱nntool 可以方便的建立并训练BP 网络。

2.4 网络参数对网络性能的影响

2.4.1 影响网络性能的网络参数

影响网络效果的网络参数包括网络结构、传递函数、训练算法等。图4所示的网络结构可记为R-S1-S2，其中R 由p 的维数确定，S2由目标向量t 的维数决定。由AE 信号的训练样本可知，R=3，S2=11。隐层Layer1 神经元数S1一般通过试探的方式确定，为减少计算量在满足要求时S1以少为宜，根据预备试验和训练样本量，S1范围定在10～90 之间。传递函数f 不同会引起网络输出a 的变化，进而影响网络性能，其关系见式（1）。

式中，p 为输入向量，W、b 分别为网络权值矩阵和偏置值向量，nntool 提供的f 包括阶跃函数hardlim、线性函数purelin 和非线性函数logsig、tansig 等[15]。

网络训练的实质是通过训练样本不断调整W 和b，使输出a 和目标t 更加接近，通常以两者的均方误差作为网络性能指数，其值越小说明网络性能越好。训练函数不同网络性能也存在差异，nntool 提供多种训练函数可供选择，训练后的网络分类效果可借助混淆矩阵（Confusion Matrix）评价[15]。

2.4.2 训练函数和传递函数对网络性能的影响

表7为不同训练函数对同一网络结构3-50-11，隐层和输出层传递函数均为logsig，每种执行10 次，以训练时间和识别率均值反映的网络性能。5 种训练函数分别为traingd（标准梯度下降法）、traingdx（动量及可变学习率法）、trainrp（弹性梯度法）、trainoss（一步正割法）、traincgf（共轭梯度法）[15]。终止训练条件为迭代5 000 次或性能指数小于等于10-4。所有训练均以完成5 000 次迭代而停止，其中以traingdx 为训练函数训练时间最短71 s，以trainoss 为训练函数训练时间最长191 s，其他在71～191 s 之间。从识别率上看，标准梯度下降算法traingd 最低仅为36.0%，对于损伤识别几乎没有应用价值。经过一步正割法改进的trainoss 和共轭梯度法改进的traincgb识别率有较大提高，分别达到79.1%和83.9%。经弹性梯度下降算法改进的trainrp 和动量及可变学习率改进的traingdx 是识别率最好的两种训练函数，分别达96.2%和96.6%。标准梯度下降算法受网络初始权值W 和偏置值b 的影响较大，且当学习率设置较小时算法容易陷入局部极小，学习率设置较大时算法又会变得不稳定。经过优化改进的训练函数识别率有较大的提高。综合识别率和训练时间分析，选择traingdx 作为网络训练函数。

表8为隐层/输出层的6 种不同传递函数搭配，对训练函数为traingdx，结构为3-50-11 网络的训练结果。从识别率看，当隐层/输出层是非线性/非线性传递函数时，识别率均优于非线性/线性传递函数搭配的情况，其中以tansig/logsig 搭配时识别率高达96.9%，训练时间55 s 也相对较短，更适合作为隐层/输出层传递函数。

表8 不同传递函数的网络性能Tab.8 Network performance of different transfer functions

2.4.3 网络结构对网络性能的影响

表9为以traingdx 为训练函数、隐层/输出层传递函数为tansig/logsig 时，不同隐层神经元数时的网络性能。根据预备实验，隐层神经元数量选择10、30、50、70、90。终止训练条件为迭代5 000 次或性能指数小于等于10-4。由表9看出，识别率随隐层神经元数量增加而逐渐提高，但数量达50 后继续增加对提高识别率作用有限且训练时间增加。说明适当增加隐层神经元数量，有利于提高网络性能，但隐层神经元过多有可能使网络出现过拟合现象导致识别率降低。

表9 不同网络结构的网络性能Tab.9 Network performance of different architecture

图5为网络结构为3-70-11，隐层/输出层传递函数为tansig/logsig，训练函数为traingdx 时，某次训练后输出结果的混淆矩阵，其中对角线上为各类别识别正确的信号个数，最下行及右下角分别为各类别及总识别率。583 个AE 信号有566 个被正确识别，总识别率达97.1%，其中试样S1 的3 类AE 信号全部识别正确。试样S2 的3 类AE 信号中，S2-1 和S2-3全部识别正确，S2-2 的32 个信号有29 个识别正确，识别率90.6%。试样S3 的2 类AE 信号S3-1、S3-2识别率分别为97.1%，91.4%。试样S4 的3 类AE 信号中，S4-1 和S4-3 全部识别正确，S4-2 的94 个信号有89 个识别正确，识别率94.7%。部分信号被错分是由于模式空间中信号参数存在重叠所导致。混淆矩阵的结果表明，合适网络参数训练后的BP 神经网络能够实现损伤AE 信号的正确识别。