声发射源特征识别的最新方法浅谈

1 前言 与其他无损检测方法相比，声发射检测技术有其自身优点，尤其是对大型构件的整体性检测，更能表现出其经济、快速和合理的特点。工程上无损检测的目的是为了对检测对象的缺陷进行定位、定量和定性分析。人们对声发射源的定位(线性、平面和空间)和定量(能量、幅度、活性等)方面都进行了较深入的研究，并且已经制定了相应的判别标准(如GB/T18182等)。但对声发射源的定性方面研究得较少，其中的主要原因之一是声发射仪器的制约，使人们无法对声发射信号进行全波形采集。随着计算机软、硬件技术的飞速发展，基于计算机的测量技术也有了质的提高。已经出现了全波形数字化采集的声发射仪器，这给声发射源的定性识别带来了可能，也有人开始进行声发射模式识别方面的研究[1,2]。对于声发射波形的分析，我们根据采集到的波形进行合理的软硬件设置，以提取任何感兴趣的声发射参数，而这已经大大超越传统意义上的声发射参数技术。另外，通常工程上使用的构件都是一个方向的尺寸远小于另外两个方向尺寸的板状构件，而从板波理论可知，声发射信号在传播过程中会产生多种模式的波，而不同模式的波其传播速度不同，若能针对某一模式的波进行时差和波速的计算，就能实现声发射源更精确的定位。本文将简述声发射源识别的最新研究成果，主要包括：声发射源的多传感器数据融合识别技术、时频能量模式分析技术和声发射信号的分形处理技术。 2 声发射源多传感器数据融合识别技术 在声发射检测中，为了达到较为精确的定位，通常采用时差定位方法，这就需要两个或两个以上的传感器组合使用。如平面三角形定位，用三个传感器为一个定位组。而在以前人们所做的声发源特性识别方面的研究，都只是针对某一传感器的信号进行分析识别。由于声发射信号具有瞬态性和随机性，属于非平稳的随机信号，并且是由一系列频率和模式丰富的信号组成，而且在声波的传播过程中，又存在着衰减、反射、折射与模式转换，所以对同一声发射源的分析识别，定位组的各个传感器的结果可能不相同。在这种情况下，要想获得较高的识别可信度，就必须有一种方法对所获得的矛盾信息进行处理，对检测到的信号进行合理支配和使用，把多个传感器关于同一声发射源冗余或互补信息依照某种准则进行组合，减少识别过程中的不确定性，才能获得对声发射源的正确判断。尤其是对同一检测对象，我们采用不同类型的声发射传感器(如宽带、谐振等)，到底更应该相信那个传感器的结果?更复杂的情况，当同时存在超声或者应力应变等传感器的检测结果时，如何利用所有类型和不同位置传感器的信息，得到最为真实的结果，就显得非常重要。 2.1基于D-S理论的声发射源识别方法[3] 从声发射源发出的信号经过传输介质到达传感器，信号会发生变化或损失，各个传感器检测到的波形信号一般是不完整、不精确、模糊的，甚至可能是矛盾的，即包含着过程的不确定性。我们只能根据这些不确定性信息进行分析推理，最终得出声发射源的定性判别。不确定性推理最常用的方法有：Bayes方法和D-S证据理论两种。与Bayes方法相比，D-S证据理论有一个非常突出的优点，就是无需先验概率和条件概率，这对声发射检测这类几乎没有先验知识和专家库的新型技术显得非常有用，而且各个传感器之间的证据是相互独立的，每个定位组的探头数一般为三、四个，推理链不长，使用D-S规则非常方便。 对于声发射源识别的数据融合模型结构按数据抽象的层次划分主要有三类：数据级融合，特征级融合和决策级融合。根据声发射信号的特点，一般选择最高层次的融合方法，即决策级融合。由于球罐、桥梁等大型构件，通常采用数十个通道同时进行信号采集，而且一般声发射检测持续的时间较长，当进行全波形采集时数据量非常大，要对所有定位相关组的传感器进行集中决策处理会大大降低系统的效率和实时性。所以，在各个传感器局部目标识别的基础上，进行全局决策的结构比较适合声发射检测的特点，操作起来非常灵活，也有利于减少系统的复杂程度，使整个决策系统清晰可靠。在一个或几个传感器判断失效的情况下仍能继续工作，即系统具有一定的容错能力，总能得到一个唯一的识别结果。这对保证工程检测结果能够得到一个最终的安全性评价十分必要。此外，在工程上对于同一个声发射源还可能进行其他检测方法的复验(如采用超声、射线检测等)，以保证最终结果可靠。采用这种决策级的融合结构可以方便地对不同类型传感器或者检测方法的局部识别结果进行扩充融合，而不必对已有的系统结构做过多的修改。 应用D-S证据理论的关键是如何构造基本概率分布函数。D-S理论本身并没有现成的表达式，使用者应根据经验或具体的统计证据构造。对声发射检测的具体情况，构造如下概率分布函数[4]。 设N为同一定位组中传感器的数目(对于三角形定位N=3)，M为声发射源的种类数(如裂纹、泄漏、外部噪声等等)，则 i=1,2,…,N (1) j=1,2,…,M (2) 上式中各符号如下定义： Ci(j)：传感器i与声发射源类别j之间的属性测度,是单个传感器的识别结果。一般通过小波及神经网络的处理获得属性测度值; Ri：当使用不同类型的传感器时，我们可以根据试验的结果来进行赋值，如采用宽带传感器和谐振传感器，可以赋予不同的置信度，通常在实际检测中，都使用同一种类型的传感器，那么将忽略此项; ωi：由于实际声发射检测中各传感器分布在构件的不同区域，如局部结构的不连续，都会给波的传播模式带来影响，因而造成对声发射源的识别的正确性带来影响，用此权值进行修正; ?i：传感器i与各目标的最大相关系数，?i=max{CiCj}; ? i：传感器i与各目标相关系数的分布函数， ; mi(j)：传感器i赋予目标类别j的基本概率分布值; mi(?)：传感器i赋予识别框架?的基本概率值，即传感器i的不确定性概率值。 式中的 项，其物理意义在传感器与识别声发射源之间的置信测度，与传感器本身的可靠性无关，主要是声发射源发出的信号在传播过程所造成的影响，与具体的检测对象以及所采用的定位阵列有关。 2.2识别的过程 在声发射源识别过程中，以平面三角形定位为例，当定位组中有声发射信号发生时，信号的波形分别被该定位组中的三个传感器接收，经放大并进行一定的滤波调理后，由高速A/D转换器将模拟信号数字化，然后存储于计算机中，可供事后分析。在实时采集时，只提取一些主要参数供检测时监控使用，对于有定位要求的还要显示定位的事件。采集时一般不进行识别过程的处理，主要是保证不丢失声发射信号，在信号量较少的情况下，可以选择实时识别。对信号和通道数较多，而且需要进行实时识别时，可采用分布式系统，下位机实现信号的采集与传输，上位机进行实时的处理，并及时显示结果。识别时，为了提高神经网络局部识别的能力，需要对原始信号进行预处理以提取信号的特征。小波分析对瞬态信号有较好的局部时频特性，所以采用小波分析的方法进行信号特征提取。提取特征的信号送入神经网络进行单个传感器的局部目标分类。输出的值用于构造mi(A)和mi(?)函数，再按Dempster合并规则，得到最终的基本可信度的分配值。最后，依照各命题的可信度和似然度等指标，用全局决策规则，得到目标识别的结果，其实现过程如图2所示。 3 声发射信号时频能量模式分析技术 从声源发出的声发射信号在固体材料中传播时，声波会发生形态变化和模式转化。由于传播速度不同，传感器接收信号的时频特征也各不相同。很显然，声发射源的特征和传播过程都会影响接收到的信号的时频能量分布模式(time –frequency-energy-pattern, TFE -Pattern)，那么反过来，我们能不能通过对接收信号的时频能量分布模式来推断声源以及传播过程的特征呢?最新的文献表明人们已经开始进行这方面的研究，并取得令人鼓舞的成果[5]。对于一个特定的研究对象，上述问题可以表述成：通过对传感器信号的TFE模式分析，可以进行声源特征和声源位置的推断，这也是声发射技术研究的关键问题，即对声发射源进行定性和定位。下面介绍声发射信号时频能量提取的原理和方法。 3.1 板波理论 在锅炉压力容器等工程领域，其检测对象一般是板状结构。板状结构声波的传播满足Lamb方程，其方程的解称为Lamb波。它由无限多个不同阶次的波组成，称为高阶板波理论。在工程上我们通常通过一些假设来简化方程的解，即对板厚远小于波长的薄板，声发射源在板中主要激励起不同阶次的对称波和反对称波，但通常低阶的对称波和反对称波占主导作用，只取低阶模式的波作为研究对象。对于给定厚度的材料用板波理论，很容易求各阶次波的群速度。图3给出了一5mm钢板(纵波速度为5900m/s, 剪切波的速度为3100m/s)0～4阶的对称波和反对称波的群速度。这些不同模式的群速度曲线图通常被称为频散曲线(Dispersion curves)。 频散曲线图是通过理论计算得出的声发射波在板中传播的频率、板厚和速度关系，但它并没有包含各种模式波的能量分布。说到不同时频区间的能量分布关系，使我们很容易想到加窗傅立叶变换和小波变换方法。 3.2基于小波变换的时频能量模式分析[3,6] 小波函数是具有良好的时频局部化特性的窗函数，说一个小波基函数在时域和频域上都具有很好的局部化性质，是指该函数在时域上集中于某一点?附近，而在频域上集中于某一点?附近。信号 在此窗函数处的展开就可以显示信号在(?，?)这一点附近的状态信息。对一小波函数 ，它的时域和频域中心为： 在具有显式表达的常用小波系中，基于高斯函数的各种小波系应用非常广泛，我们可以根据高斯函数选用一种小波[6]，使其时域中心在t=0时，频域中心在 。这样的窗函数有如下表达式： 对式(4-14)进行傅立叶变换，有 上式中， 为正常数， 取适当的值可以使式(5)满足相容性条件。对于式(5)小波基构成的伸缩系 ，其时域中心位于t=b，其傅立叶变换后得到的频域中心为 ，那么声发射信号经过小波系 的变换，其表达的时频特性是t=b和 附近的一个窗口的信息。我们可以令 ，那么， 。也就是说通过小波变换后，就可以得到声发射信号在时间为t=b和频率为f附近信息。图4就是一声发射信号经过式(5)的小波变换后，其TFE分布图。 M.Takemoto等[7]研究过，不同的声发射源以及同一种声发射源在板中不同的深度，其TFE模式图是不同的，也就是说能量在不同时间和不同模式波上的分布不同，可以用这个分布来进行声源的特征识别。当然，声发射研究者还需要进行大量的实验去积累不同领域内的专家知识，以达到对声源更可靠的识别。但至少TFE分布方法，为我们提供了一种新的声发射源识别的手段。 某一模式的波在特定频率下，其波速可以由板波理论求出(如图3所示)，这个速度在整个传播过程中是不变的。那么，对比不同的传感器，同一模式、同一频率的波其不同的到达时间，就可以实现声源更为精度的时差定位。由于这时波的速度是不变的，从TFE图中计算的时差是精确的，所以定位计算的结果就更加精确。用TFE分析技术还可实现更少传感器的定位，如进行线性定位只用一个传感器即可。对于线性定位，我们可以用两个传感器中同一模式和频率的波来计算时差进行定位，进行TFE分析后，也可以用一个传感器接收到的不同模式和频率的波的到达时间的不同来进行定位计算。有所区别的是，前者用于计算的波速是相同的，而后者利用不同的波速进行计算。 4 声发射信号的分形处理技术 分形理论建立了规则、光滑的形体与粗糙、破碎的形体之间的联系，以分形维数作为定量描述手段。根据分形理论，一个形体的(整体或局部)分形维数取决于它的(整体或局部)光滑程度，通常用分形维数来无标度地定量描述形体不规则的程度，具有特征尺度的规则连续形体则可看成是不规则形体的一个特例。也就是说，分形维数定量描述了形体的光滑性。那么，我们也可以用分形维数来表征不同声发射波形信号的特征。在不同的声发射过程或同一过程的不同状态下，接收到的声发射信号有明显区别，但又有某种相似性，已有实验证明[8]，声发射信号不仅在时域上的分布是分形的，而且声发射事件在空间上的分布也是分形的。图5给出了三种典型信号的分形特征。 在声发射技术的各种应用中，泄漏检测是一个相当重要的方面。下面结合管道的泄漏检测技术来描述分形技术在声发射信号处理中的应用[9]。 流体泄漏的主要特征是在泄漏处形成多相湍射流，这一湍射流不但使流体的正常流动发生紊乱，而且与管道相互作用，在管壁上形成宽频应力波。检测此应力波是发现泄漏的一个有效途径，也正是声发射检漏的原理。要识别泄漏信号，必须找到与泄漏信号密切相关的特征。在实际工程检测中，一般要求两传感器所能监测的距离尽量远，但由于信号的衰减和外界噪声的干扰，常常会造成误判，所以要采取一些特殊而实用的处理手段，进行声发射信号的分析，分形技术不失为一个好的方法。 令r(t)表示时域泄漏信号，对于有限时间域[0,T]，功率谱密度为 若r(t)具有分形特征，则存在一无标度区间(某个频段)其功率谱密度与频率间存在幂指数关系： S(f)=K?f-β (8) 其中K为常系数。 而幂指数β与分维数D有如下关系： D=(5-β)/2 (9) 从现场实验中，采集了噪声信号和泄漏信号，并对其进行了功率谱分析。噪声信号的功率谱分析结果如图6所示，泄漏信号的功率谱分析结果如图7所示。将对数功率谱曲线用最小2乘拟合直线可得到斜率β，再根据式(9)求得分形维数D，因为β与D是简单的线性关系，所以可将β视为等价的分形特征数(与D区别，D称为分形特征维数)。那么，根据泄漏声发射信号存在频段上的分形特征，我们可以用它对泄漏进行识别。其具体的步骤如下： 1.假定AE信号r(t)是宽平稳信号，取某时段的信号进行功率谱估计; 2.选取合适的无标度区间(某一频段)，对功率谱密度进行曲线拟合; 3.计算信号的分形维数D(β)，若D>判据D0(β<β0)则泄漏存在。 在文献[1]中，经过实验测定，选取频段 [15，40]kHz，泄漏信号的分形特征数为β0=-3.5，能准确识别0.56Mpa内压下，1mm泄漏孔所造成的气体泄漏的存在，并且最远的检测距离能达到100m。 声发射信号的全波形采集技术给我们提供了更多的空间去探索声发射源的特征和声发射信号在介质中的传播规律，不断地应用现代信号分析方法去揭示声发射现象的本质是声发射技术的主要发展方向。