振动筛损伤的声发射信号处理方法研究
姓名：燕碧娟 申请学位级别：硕士 专业：机械电子工程 指导教师：郑渝
摘 要
金属结构件在交变载荷作用下，出现疲劳裂纹是常见的故障之一。由于交变载荷的作用，裂纹不断扩展，常导致结构件的断裂，因而对疲劳裂纹的监测是非常必要的。然而对结构的裂纹进行在线监测是很困难的，而在交变载荷作用下检测早期疲劳裂纹就尤为困难。声发射作为一种动态无损检测方法，它要求在荷载状态下进行检测，并且对缺陷的变化极为敏感，可以检测到微米数量级的疲劳裂纹变化，其灵敏度比其他方法高。因此，近年来用声发射测试材料疲劳裂纹的方法很受重视，因而成为探测疲劳裂纹的重要手段之一。
功率谱估计是从所接收的声发射时域信号中获取有价值声发射源信息的方法之一。本文首先对声发射时域信号进行了功率谱估计，结果表明，以FFT为基础的经典谱分析对声发射时域波形信号较难获得良好效果，原因是声发射时域波形信号的短数据序列数据特性所决定。而现代谱声发射信号分析能得到较好的谱分析结果，选择适应所分析数据结构的现代谱算法是取得良好声发射波形信号分析结果的基本保证。理论分析显示：用AR模型对声发射信号进行分析是较好方法。试验证明，用AR模型对声发射信号进行功率谱估计，可准确提取裂纹的声发射信号特征，以实现对金属材料裂纹损伤的自动识别。实验结果表明：该方法识别准确可行，应用灵活方便。
人工神经网络技术作为一种信号处理手段已经取得了巨大的进展。神经网络具有很强的并行性、容错性和自学习能力，通过对典型样本的学习，完成知识的获取，并将知识分布存储在神经网络的拓扑结构连接权值中，用来对未知样本进行识别，避免了传统专家系统知识获取过程中的概念化、形式化和知识库求精三个阶段的不断反复。运用“小波包一能量”法提取信号特征量，作为神经网络的输入向量，在BP网络的结构设计方面，设计一个隐含层神经元数目可变的BP网络，通过误差对比，确定出了最佳的神经元隐含层数目，并采用不同的训练函数对网络进行训练，综合分析认为，采用Levenberg—Marquardt BP学习算法，收敛速度快，网络的训练误差也比较小，通过给BP神经网络输入声发射信号作为模式识别。在Matlab6．5的环境下建立了神经网络识别模型，并利用神经网络非线性和具有学习和记忆功能，对网络进行有教师的训练，从而确定神经网络识别模型。研究表明，该方法可以有效地对声发射信号进行模式识别。
关键词：裂纹 声发射，BP神经网络，功率谱估计，Matlab
振动筛损伤的声发射信号处理方法研究全文
