超声检测和神经网络的组合监测系统的应用

摘 要：液压支架在煤炭的开采中处于至关重要的位置。当液压支架发生泄漏时，不仅会产生严重的后果，还会对附近的周边环境造成破坏，故而对缸体的质量检测变得尤为重要。本文提出了超声无损检测与人工神经网络组合的故障监测系统对液压支架结构进行实时监测，以在需要时改进维护，修理或更换部件。一方面，超声检测得出构件不同的应变波;另一方面，人工神经网络分析从超声波测试方法接收的信号。

关键词：超声检测;神经网络;液压缸;故障监测

定期维护是延长液压支架立柱油缸使用寿命的一个重要手段。为延长其设计的性能寿命，通常采用简单的无损检测方法，在故障之前或在预定时间检查设备是否存在问题，例如目视检查或听声测试，并且检查其部件是否损坏，如果发现足够的损坏则导致部分被更换。本文提出由传感器和分析系统组成的无损监测方法，可以实时监测使用中的液压支架立柱油缸的潜在故障及损坏，从而减少停机检查对工作效率的影响。如果在发生故障之前很久就发现损坏，则可以实施损伤容限和预后评估，从而更好地确定部件的寿命。

1 超声波检测

通过研究各种无损检测技术不难发现，实现这些技术通常需要小型可以吸附或接近被检测结构的传感器等设备，而不会影响被检测对象的正常使用或性能。[1]其中，超声无损检测是本文主要的研究对象。超声波测试采用可穿过薄结构部件的板波或表面波来确定使用中的部件是否发生任何损坏，并利用压电传感器来检测裂纹产生的位置以及严重程度。该技术采用的压电传感器十分灵敏，可以接收频率在超声波范围内的应变波。当材料发生变形或者内部损坏时，压电传感器能够产生变化电流。

这些应变波信号表现出的高频特性十分复杂，又由于应变波是平滑的连续变化的，故可将其分解为频率和相位模式的叠加。根据现有在超声波领域的研究可知，不同相位的波在材料中的速度传播不同。这些不同转变为压电传感器所接收的响应波的一部分。因此，基于监测条件是最佳的解释应变波的方法。其他研究表明，可以将人工神经网络分析与这种形式的无损检测相结合。

2 声发射技术

通过对现有被动超声扫描系统性能的研究，本文将声发射系统结合人工神经网络分析思想，用于液压支架结构部件声发射数据的实时分析。

当裂纹在材料中蔓延时，材料分子键断裂时释放出少量的能量将以应变波的形式扩散到周围的物质，类似于跳动的脉冲波。同时，碰撞将能量转化为使裂纹扩展的应变波。目前常用的用于超声波检测传感器的压电陶瓷材料就是为了检测这些应变波而诞生的。由这种材料制成的传感器足够灵敏，可以检测到任何微小变形所产生的电压，然后将其记录到计算机数据库中做进一步分析。声发射系统与有源超声检测系统的不同之处在于，其传感器不会产生应变波或变形，只接收、记录由其他声源产生的波的特征，如振幅、上升时间和持续时间。最后，利用软件分析确定是否存在内部缺陷、是否需要更换组件。

目前针对复杂几何形状构件探伤提出的分析方法效率较低。因此，本文提出基于人工神经网络探伤的新方法。即将人工神经网络和声发射传感器相结合，组成新型无损探伤监测系统，这种新方法可应用于多种复杂结构的可靠性检测中，如液压支架油缸故障监测系统。

3 人工神经网络

人工神经网络通过模拟有机大脑的思维过程，可以建立一组输入变量与一组输出变量的关系。[2]在深度学习足够数量的示例之后，使用“模糊”逻辑法，可以确定新输入集相关联的近似输出集。当应用于超声波传感器的无损检测系统时，人工神经网络几乎使得检测结果实时产生。本研究的重点是利用人工神经网络分析超声检测系统的输出。

国外学者开发了一种用于人工神经网络的通用架构，称为自组织映射结构，[3]如下图所示。此类结构无需训练已知输出。

人工神经网络的通用自组织映射结构图

在该三节点示例中，该网络首先通过训练集的新输入数据集来学习，然后将属于每个节点的示例集与输入集进行比较。通过所有输入集的迭代，该神经网络将不断自我调整，并将输入集分组。

学习完成后，将形成一组二维图。形成的映射可以与新数据集一起使用，使其以更快的速度进行分类。[4]其优势在于，虽然这种形式的神经网络架构简单，但仍然保持了强大的分辨能力，可以发现其他分组算法中不易察觉的相似性。

4 结论

本文提出了一种利用人工神经网络和声发射系统来监测液压支架立柱油缸内部损伤的应变波检测的新方法。通过人工神经网络，设置合理阈值，快速准确的判断和分析对应于应变波的不同故障问题及时报警。这种新方法较仅通过声发射传感器的检测更有效地实现故障监测。这种结合无损检测和人工神经网络的新方法是获得液压支架油缸结构故障监测系统的初始阶段，改进了液压支架未来的维护程序。同时还可开发应用到多种复合结构系统中。

参考文献：

[1]王正君.超声法检测灌注桩混凝土强度的研究[D].东北林业大学，2005.

[2]李德忠.神经网络与人事决策研究的新范式[J].现代生物医学进展，2006（04）：51-54.

[3]宋庆伟，向阳.一种基于自组织映射神经网络的Web页面个性化推薦模型[J].计算机应用与软件，2007（02）：19-22.

[4]彭驿茹.人工神经网络发展历史与训练算法概述[J].科技传播，2018，10（21）：129-130.

作者简介：陈鹏（1987-），男，陕西定边人，本科，助理工程师，机械设计制造及其自动化专业，从事煤矿连采及后配套设备、辅助运输车辆等设备销售工作。