面向全尺寸民机结构疲劳试验的声发射监测技术

杨宇，王彬文，祁小凤

中国飞机强度研究所 智能结构与健康管理技术研究室，西安 710065

全尺寸民机结构疲劳试验是暴露民机结构设计薄弱部位、制定合理检查维修间隔及确定民机结构寿命的重要手段。因此，及时准确地发现结构损伤是全尺寸结构疲劳试验的首要任务。目前，主要的损伤监测方式是基于人工巡检，结合试验监测数据(载荷、应变数据等)，再利用无损检测手段(红外热成像、超声、涡流等)来发现及测量损伤。然而，即使是基于如此严格的检查程序，仍然时常发生损伤漏检事件，轻者无法准确获知损伤萌生时间，重者损伤尺寸扩展过大引起试验机损坏，并由此引发试验停滞，严重影响试验进度，为飞机型号研制工作带来重大损失。

基于人工的损伤检查方式受人员个体素质影响严重，而且由于民机结构异常复杂，很多部位人工检查无法到达，因此，依托先进传感器网络实现结构损伤的自动实时监测，是解决上述问题的必然途径。其中，基于声发射的结构损伤监测是一种非常有效的手段。在外界作用(应力、温度)下，结构材料内部会发生微观状态的变化(变形或裂纹萌生等)从而以弹性波的形式释放能量，而该弹性波携带有该状态变化的特征信息。利用压电元件将弹性波转换为电信号，对这些电信号进行放大和处理，即可实现对损伤的识别，即为声发射监测。声发射信号的分析方法有：波形分析法和参数分析法。波形分析法是指以信号时域波形和频谱为主的一种信号描述方法，适用于任何信号类型，具有抗干扰能力强、一一对应的优点。但是，波形分析法还具有复杂性高、工作量大的缺点，因而其在工程应用中难以大规模推广应用。参数分析法是对信号波形进行参数量化描述的一种信号分析方法，具有简单、可靠、快速、直观的特点，目前广泛应用于各种工程化检测应用中，是最为成熟的声发射信号分析技术。量化表征声发射信号的参数称为声发射特征参数。常用的声发射信号特征参数有：峰值幅度、绝对能量、中心频率、持续时间等。

近年来，随着计算机技术及电子技术的迅猛发展，声发射技术也取得了巨大进步。目前，已形成了商业化成熟的AE(Acoustic Emission)监测设备及数据分析软件，在岩土、航天、交通等多项领域，声发射也取得了有效的应用。在航空领域，利用声发射技术对航空结构疲劳试验进行健康监测也正成为国内外技术人员的重要关注点。

在国外，美国麦道公司就曾使用声发射技术对F15、F16飞机的全机疲劳试验结构裂纹扩展情况进行了监测，并取得了一定的成果，但是由于技术封锁，其实现关键技术及细节尚未可知。此外，Lehmann等通过建立AE数据分析模型对航空复合材料结构冲击损伤过程中的声发射特征参数进行分析，结果表明声发射可用于预测冲击故障，但可靠性仍然较低。英国Cardiff大学Hensman等提出了一种基于空间扫描技术的声发射异常事件活跃性检测方法，并在空客A320主起落架疲劳试验中进行了试验验证，表明空间扫描技术是检测结构损伤萌生的一种极其有效的技术。Haile等提出了一种分布式声发射传感器网络和数据处理算法，并利用护卫传感器以及多种采集控制时间参数对声发射信号进行了噪声过滤，初步实现了基于声发射的全尺寸航空航天系统结构健康监测。Holford等等对飞机金属起落架疲劳裂纹声发射识别技术开展了数年系统性研究，通过引入AIC(Akaike Information Criterion)到达时间估算算法、DeltaT定位技术、基于在线半径的聚类算法(On-line Radius-based Clustering Algorithm，ORCAL)及基于快速小波变化的声发射特征值方差评估技术等多种信号处理技术，构建了一种可在复杂几何结构及高噪声工业环境中使用的声发射疲劳裂纹识别和精确定位方法。其中的DeltaT定位技术涉及到网格的精细划分及重复打点等建立数据库环节，这在大型民机全尺寸试验应用时可能面临着难以具体实施的问题。

在国内，耿荣生和景鹏利用声发射技术对某型军用飞机全尺寸疲劳试验进行裂纹监测，并利用多参数识别和相关技术获取了裂纹萌生所产生的声发射信号，成功预报出主梁螺栓孔长度不足0.5 mm裂纹的萌生。刘文斌等在某型军用飞机疲劳试验过程中的关键结构监测中采用了声发射检测技术，并成功预报了右外翼三墙处某螺栓孔裂纹的萌生，为试验的顺利进行起到了重要保障。Qi等通过声发射技术对飞机垂直尾翼疲劳试验期间的健康状态进行了监测，利用空间滤波和AE线性定位分析方法，成功预测了梁与主结构连接位置间的两条疲劳裂缝，证明了声发射技术在飞机垂直尾翼疲劳试验监测中的有效性。祁小凤等开展了随机载荷谱下基于声发射的航空耳片接头疲劳裂纹识别方法研究，通过分析不同载荷谱块下相同循环时段所对应的声发射撞击计数变化趋势来发现、锁定异常，并结合定位分析与干扰排除分析,确定出裂纹发生时间及位置，该方法的有效性在耳片接头疲劳试验中得到了初步验证。此外，Huo等开展了飞机疲劳裂纹声发射信号模式识别研究，利用波形分析和SOM(Self Organizing Maps)神经网络方法对声发射信号进行分析处理可获得疑似裂纹的声发射信号特征。

但是，由于面向的监测对象层级及试验载荷形式均有所不同，因此上述方法在全尺寸民机结构疲劳试验中使用时仍具有一定的局限性，不能直接迁移发挥作用。考虑到大型民机疲劳试验监测具有监测部位多而复杂、监测周期长、试验加载复杂的特点，本文开展了面向全尺寸民机结构疲劳试验的声发射监测关键技术研究，拟利用先进的数据处理能力，配合相应的声发射方法来提高全尺寸民机结构疲劳试验中的声发射监测技术能力，以为中国型号试验提供支持。

1 研究思路

1.1 问题描述

目前，在声发射已成熟应用的领域，监测对象大都具有被监测结构简单、监测过程加载情况简单及试验周期短的特点，最典型的为航天钛合金压力容器焊缝声发射监测。针对此类监测，采用商业化的数据分析处理技术及常规分析方法即可实现声发射监测。

而对于全尺寸民机结构疲劳试验声发射监测，不仅监测结构复杂(见图1)，而且加载情况也极为多变复杂(见图2)，大型全尺寸结构在上百个加载点同时加载的作用下，结构内部因为间隙、摩擦、变形、损伤等原因将产生非常复杂的噪声信号(见图3)，将损伤信号完全湮没。由于全机疲劳试验的载荷谱一般为随机载荷谱，因此这些声发射噪声信号也呈现出明显的随机性、非周期性，并且其特征参数的分布范围也较为广泛、分散(如在门槛为40 dB时，幅值范围为40～99 dB，中心频率120～300 kHz，上升时间0～65 535 μs， 持续时间1～10μs)，没有呈现出明显的集中分布规律，因而无法提取出有效特征将其滤除。这直接导致了一方面声发射数据量急剧增加，常规处理技术(一般为依靠商业化的声发射数据处理软件进行回放及图形显示)无法应对，另一方面也致使常规的损伤识别技术(一般为基于幅值/能量/持续时间等各种特征参数变化规律的损伤识别方法)失效。

图1 民机结构疲劳试验现场图Fig.1 Fatigue test of civil aircraft

图2 民机结构疲劳试验载荷谱Fig.2 Load spectrum of civil aircraft fatigue test

图3 全机疲劳试验下的声发射噪声信号幅值-时间图Fig.3 Amplitude vs time plot of AE noise under civil aircraft fatigue test

如上文所述，针对全机疲劳试验声发射监测所存在的问题，声发射专业技术人员也提出了一些解决方案，但仍存在着漏检与误判的问题，因此新的损伤识别方法亟待提出。

1.2 解决思路

典型的全尺寸民机结构疲劳试验载荷一般为飞-续-飞随机载荷谱，通常由个周期性的载荷谱块组成，即:一个谱块按照1/设计服役目标确定，整个寿命期由该谱块重复次进行模拟。一个谱块通常由次飞行起落构成，而每次飞行起落按照飞行起落各任务段载荷随机次序一般由少至几十个多至几千个不同的工况组成，通常可划分为A、B、C、D、E等类飞行类型。每类飞行载荷谱由等幅谱、定态谱和各使用情况相同载荷级别的随机谱构成。

据此可知，虽然整个载荷谱为随机谱，但是在加载过程中仍有规律可依，即试验采用类飞行起落形式进行施载。借助这种规律，本文提出了一种基于载荷同步的声发射损伤识别技术，如图4所示，其核心思想及解决途径为：

图4 基于载荷同步的声发射损伤识别技术流程图Fig.4 Flow chart of acoustic emission damage identification technology based on load synchronization

1) 利用同步模块实现声发射数据采集系统与试验加载系统的同步。

2) 依据各飞行起落的载荷严重程度(即飞行起落类型)，对载荷谱进行有效划分。

3) 基于同步结果，据载荷谱类型对声发射数据进行自动分割、提取及统计。

4) 对同类型载荷谱下声发射信号HIT(撞击数)总数进行分析，以发现锁定异常。分析时，可首先做出各类型载荷谱下的HIT总数随飞行起落变化的趋势图，以通过观察趋势图发现明显异常数据点。若无明显异常，再利用3准则进行异常判别。对于同类载荷谱来说，在监测区域无损伤的情况下，其对应的声发射撞击总计数仅含有随机误差，因此其分布满足正态分布。在正态分布中，各数据点的随机误差符合3准则。因此，采用式(1)～式(3)所列的3准则公式即可实现异常信号的判定。

5) 最后，利用如图5所示的异常评估算法，对异常信号进行评估，从而实现声发射损伤的可靠预警。

图5 异常评估算法流程Fig.5 Flow of anomaly evaluation algorithm

(1)

为某类飞行谱对应的第个声发射样本数据点(声发射撞击计数)，此处使用的均为无损伤阶段的样本数据点。

(2)

式中：为用于计算样本标准差。

(3)

式中：为某类飞行谱对应的第个声发射撞击计数，应大于式(1)中的，利用式(3)可实现某类飞行谱下数据点是否异常的判定。

2 试验与验证

2.1 试验介绍

以国内某型全尺寸飞机结构疲劳试验为对象，对其关键部位进行了声发射监测，监测部位主要包括机身框环向对接区及机翼盒段等主承力结构。

由于声发射属于动态监测技术，为避免漏检，监测时采用试验全程连续监测方式。此外，为实现声发射系统与试验加载系统的同步功能，监测时需将载荷谱作为外参数接入声发射采集系统。由于全机疲劳试验载荷谱加载周期一般约为8 s(0.125 Hz)，因此根据奈奎斯特采样定律，外参数采样率(即AE win软件中的时间驱动率)应不小于0.25 Hz。试验时，为完整复现载荷波形，本研究采用20 Hz时间驱动率设置。

声发射监测采用美国PAC公司的PCI-EXPRESS型声发射采集设备进行声发射信号的采集。其中，信号处理软件AE win的关键参数设置为：采集门槛40 dB，前置放大器增益40 dB，模拟滤波器带宽100～400 kHz，波形采样率1 MHz， 采样长度3K，PDT(峰值定义时间)300 μs， HDT(撞击定义时间)600 μs，HLT(撞击闭锁时间)1 000 μs。

2.2 数据处理

根据1.2节研究思路描述可知，基于载荷同步的声发射损伤识别技术涉及到同步、数据分割提取等操作，因此在损伤识别前应首先进行数据同步以及数据快速提取。此外，由于大量无法滤除噪声的存在以及监测采用试验全程连续监测方式，因此也面临着数据量极为庞大的问题，因此损伤识别前期工作还应包括数据快速清洗操作。

1) 数据快速清洗

为降低数据规模便于后续数据传输及分析，对AE原始数据进行了基于剔除组合的快速清洗，具体清洗思路为：首先，根据声发射信号原始记录文件的数据结构特点，设计剔除模块自动提取出其中有用的、关键的信息(诸如撞击信号的幅值、能量、持续时间等特征参数)，滤除非必要信息(诸如占据大量存储空间的原始波形信息)，实现声发射监测数据量的大幅降低；然后，再设计整合模块对剔除得到的离散数据文件进行组合，从而实现数据规模的精简和高效管理，具体程序流程见图6。

图6 基于剔除组合思想的数据清洗流程图Fig.6 Flow chart of eliminating and integrating modules

2) 数据同步

数据同步用于实现AE数据与试验加载工况的同步，建立起AE数据与试验工况的时间对应关系。在常规试验中，采用外接试验载荷的方式即可实现声发射数据与试验加载的同步，但是对全机疲劳试验，由于其载荷谱即为随机载荷谱，以及整个加载过程极为复杂，因此仅依靠外接载荷电压无法实现基于载荷同步声发射损伤识别技术中所要求的同步功能。

基于此，本文通过引入全机疲劳试验第三方数据即试验记录的应变数据，并将其与声发射系统记录的载荷谱波形结合起来，实现所需的数据同步功能。

其主要思想为：借助试验工况的应变域时间记录，通过计算声发射域与应变域时差，采用时域转化、误差补偿等处理从而建立起声发射数据与试验工况的时间对应关系，涉及到的计算过程见式(4)～式(8)，其中各变量所处的时间和空间位置关系见表1。

表1 同步计算过程涉及到的变量所处时空位置表Table 1 Relationship between variables and time domain involved in synchronous calculation

Δ=-1

(4)

(5)

(6)

(7)

(8)

3) 数据快速提取

数据提取是以同步环节输出的各飞行起落时间信息为依据，通过构建声发射数据快速解析重构算法及载荷谱处理算法，来实现各飞行类型声发射数据提取及HIT特征参数自动统计，其具体实现流程参见图7。

图7 声发射数据快速提取流程图Fig.7 Extraction scheme of AE data based on Python

2.3 试验结果及分析

结合以下2个案例对基于载荷同步的声发射损伤识别技术在损伤预警及识别方面的效果予以阐述。

2.3.1 机翼盒段预制裂纹扩展分析

试验时，在机翼盒段预制裂纹周边布置了2个声发射传感器，其通道编号为10#、11#。以下秉承上文所述“发现异常并判别异常”的思想对此处声发射信号进行分析。

采集得到的原始声发射数据在经过清洗、同步、分谱块提取及HIT数统计等处理后，可得到各起落对应的声发射数据及HIT特征参数统计数值。图8是依据HIT特征参数统计数值做出的E类飞行类型声发射撞击总数随起落序号的变化趋势图。从图中可观察到，717起落相比其他同谱型起落，其HIT总数明显增大。另外，采用式(1)～式(3)计算，也发现其值同样满足上文所述的3准则(计算过程略)，因此可以判定717起落下其声发射HIT总数为异常数据点。

图8 E类谱10#及11#通道的HIT数随起落变化趋势Fig.8 Trend of hit number of 10# and 11# channels with the number of landing under E spectrum

接下来依据图5所示的异常评估算法对该异常数据点进行评估，以判断其是由损伤引起的还是由其他干扰因素(诸如人为干扰、加载系统异常等)造成的：

1) 对比异常717起落(图9)与正常起落(图10)下的声发射撞击信号幅值-时间分布图，可以发现717起落撞击计数异常是由图9中的3个红色圈注部分信号异常引起的。查阅红色圈注部分对应时段的监测日志记录或视频记录，确定此时段不存在明显人为干扰，诸如无损检测人员正在实施检测等。以往分析中，曾有过此类情况，在某起落声发射HIT总数出现异常时，立即查阅异常信号时段试验日志，可明显看到在此期间有无损检测人员在此处实施检测的记录，因此可认为此异常因人为引起。此处不存在检测行为的记录，可排除人为干扰因素。

图9 717起落10#通道声发射撞击信号幅值-时间分布Fig.9 Amplitude-time distribution of acoustic emission signals of 10# channel for landing 717

图10 正常起落(582)10#通道声发射撞击信号幅值-时间分布Fig.10 Amplitude-time distribution of acoustic emission signals of 10# channel for normal landing

2) 理论上，同类载荷谱，其加载波形应完全一致，但实际加载过程中时常会出现同载荷谱实际加载谱存在差异的情况，当差异较大时会引起同载荷谱下声发射HIT数异常的情况。因此，为排除此项影响，还应查询717起落下其他监测部位通道信号是否同样出现异常。若皆出现类似变化趋势，说明异常是由加载引起的共性问题。若其他通道皆无异常，可排除加载异常的影响。此处，其他通道在717起落并未出现异常(参见图11)，因此可排除加载异常原因。

图11 E类谱下6#通道的HIT数随起落变化趋势Fig.11 Trend of hit number of 6# channel with the number of landing under E spectrum

3) 由于此通道异常系首次出现，因此暂无法开展同通道不同起落下异常特征参数是否相似的对比。但是，机翼盒段预制裂纹周边布置的10#、11#传感器距离较近(10 cm)，形成了线定位，因此可开展定位集中程度分析。从图12可以看出图9中异常信号出现的时段内，声发射信号集中定位于50 cm附近，即预制裂纹位置处，说明声发射来源于此，表明裂纹出现了扩展。

图12 10#通道与11#通道线性定位结果Fig.12 Linear positioning results of 10 # channel and 11 # channel

当天试验暂停后，无损检测人员对上述重点关注部位(见图13)通过渗透技术进行了检测，判定出此处确实发生了裂纹扩展，表明基于载荷同步的AE损伤识别技术在全机疲劳试验损伤监测中是有效的。

图13 机翼盒段预制切口裂纹扩展图Fig.13 Crack propagation diagram of prefabricated notch of wing

2.3.2 机身下壁板漏气分析

按照上述相同方法对机身下壁板位于机身41长桁66框处的32#声发射传感器信号进行了分析。图14是32#通道在E谱下的声发射撞击总数随起落序号的变化趋势图。从图中可看出，随着试验的进行，该通道撞击总数出现了多处极为明显的异常变化，其中红色圈注部分为2处最为明显的突变。

图14 E谱下的32#通道HIT数随起落变化趋势Fig.14 Trend of hit number of 32# channel with the number of landing under E spectrum

以下同样按照图5所示的异常评估算法针对异常进行分析：

1) 图15是HIT数值较低起落(以4 800起落为例)下的32#通道声发射撞击信号幅值-时间分布图。图16是HIT数值较高起落(以5 242起落为例)下的32#通道声发射撞击信号幅值-时间分布图。从中可以发现，第5 242起落下，在充压载荷达到最大并保载期间，32#通道出现了大量幅值较低的密集信号(参见图16中的红色圈注部分)，从而导致该起落下HIT数值急剧增加。

图15 4 800起落下32#通道声发射撞击信号幅值-时间分布Fig.15 Amplitude-time distribution of acoustic emission signals of 32# channel for landing 4 800

图16 5 242起落下32#通道声发射撞击信号幅值-时间分布Fig.16 Amplitude-time distribution of acoustic emission signals of 32# channel for landing 5 242

2) 查看此时段试验日志，确定无实施检测记录，可排除人为干扰因素。另外，经查发现其他监测部位的传感器信号在此期间未出现如此异常，因此也可排除加载异常原因。

3) 由于32#通道出现了多次异常，因此可开展同通道不同起落下异常特征参数是否相似的对比。经查，各异常起落(HIT数值较高起落)，其异常信号均出现在高充压载荷下，且其幅值范围为45～50 dB，持续时间为200～600 μs，绝对能量为50～550，中心频率在120 kHz左右。结合以往监测经验，漏气通常出现在充压载荷保载期间，与上述现象吻合，因此可给出32#通道附近存在机舱漏气点的结论。经试验承试方确定，32#通道确实存在一漏气点(见图17黄色部分)。这一监测结果也验证了基于载荷同步的AE损伤识别技术在全机疲劳试验损伤监测中的有效性。

图17 漏气点Fig.17 Air leakage point

3 结 论

本文开展了面向全尺寸民机结构疲劳试验的声发射监测研究，提出了一种基于载荷同步的声发射损伤识别技术，该技术基于数据清洗、数据同步、数据分割提取及异常判别实现，解决了常规处理技术及常规全损伤识别技术无法在全机疲劳试验中无法使用的问题，实现了全尺寸飞机结构疲劳损伤的可靠识别，且具有损伤识别率高及分析处理效率高的特点。

经试验验证，该方法可在全尺寸飞机结构疲劳试验中成功实现损伤识别，其有效性得到了初步验证，因而可为全尺寸飞机结构疲劳试验损伤在线监测提供参考。