{首页主词},&

復合材料損傷失效的聲發射檢測研究進展

2017-05-25 09:47:54 作者：本網整理來源：栗　麗，晏　雄（東華大學紡織學院）分享至：

    ０　引言

    聲發射信號處理技術的發展經歷了從傳統的參數分析技術、頻譜分析技術到現代的時頻分析技術、模態聲發射和模式識別技術。近十幾年來，隨著模態聲發射理論和技術的逐漸成熟，人們又開始對波形分析技術產生濃厚興趣。

    總的來說，聲發射的信號處理分析方法大致可分為３類：單個參數分析法，波形分析技術和基于多參數分析的模式識別法。近幾年來，小波分析理論（對信號進行小波與小波包分解，將其分解為各個頻段的信號）、現代譜分析和神經網絡分析等技術也得到應用，且關于模式識別、神經網絡分析的報道很多。

    聲發射用于復合材料的性能研究時，主要關注復合材料的損傷失效機理、界面粘結狀況等。復合材料損傷失效的研究重點是找出損傷源的位置、損傷程度及性質等，并進一步建立聲發射信號與相應斷裂損傷模式之間的一一對應關系，作為材料日常損傷的診斷依據，其研究主要有兩個方面：損傷源的定位和對損傷模式進行分類識別。由于復合材料在損傷的過程中，常常有纖維的斷裂、纖維基體的界面脫粘、基體開裂、分層等模式，而且這些損傷的出現順序或損傷程度等對判斷復合材料的性能及壽命非常關鍵，所以要從大量的聲發射信號中分辨出不同的損傷模式，而對復合材料中不同損傷模式的識別就是對其產生的聲發射信號進行聚類和分類。

    １　損傷源定位

    復合材料損傷研究的重點是找出損傷源的位置、損傷程度等，所以要進行損傷源定位。損傷源定位的方法有很多，最簡單的是采用時差定位和區域定位的方法，另外還可采用多傳感器定位，波形分析、模式識別技術結合來進行定位，或者這些方法相結合。

    在這些定位方法中，時差定位中最簡單的方法是線性定位，這種方法也較常用，但只能對一維結構進行源定位；多傳感器定位通過多個傳感器的排列可得到二維或三維損傷源的位置。但由于復合材料各向異性的特點使得聲波傳播速度沿各個方向不同，導致時差定位的精確性受到影響。區域定位常用于復合材料源定位中，但其不能提供損傷源位置較精確的信息。使用波形分析技術中的模態聲發射技術，根據波形模式的不同以及傳播的速度差異等可以對損傷源進行有效定位，而且模態聲發射技術使用一個傳感器也能準確進行源定位，提高了定位的準確性，使用多個傳感器并結合模態聲發射技術就可以實現比單純使用多個傳感器更高維的損傷源定位。模式識別技術中除了有學者將神經網絡技術與多傳感器結合使用進行損傷源的定位外，一般不用于源定位。模態聲發射技術用于源定位的研究也較多。ＰｒｏｓｓｅｒＷ。Ｈ。等基于波形分析技術運用板波傳播理論對厚度不同的６種樣品在準靜態載荷下進行損傷源定位并用于區分噪音和由開裂產生的信號，采用了四傳感器矩陣定位方法，它的使用不僅提高了線性定位的準確性，而且提供了裂紋開始處的側面位置，可用于樣品內部及沿著樣品自由邊上產生的裂紋位置的確定。Ｓｕｒｇｅｏｎ等利用板波理論使用單個傳感器對ＡＥ源進行定位，對單向和正交碳纖維增強復合材料（ＣＦＲＰ）拉伸和彎曲載荷下的斷裂進行了源定位，并與傳統的使用２個傳感器進行源定位的方法進行了對比，結果表明采用波形分析法使用一個傳感器對ＡＥ源定位是有效的。

    ２０１１年Ｃａｐｒｉｎｏ等利用擴展波和彎曲波，使用３個傳感器，基于一個簡單的經驗公式建立了一個可視的訓練集合并設計出２個潛在的人工神經網絡（ＡＮＮ），并根據該虛擬訓練的ＡＮＮ對在材料表面的３個傳感器中波的到達時間的不同，對單向碳纖維增強塑料進行了源定位，結果是有效的。

    ２０１２年Ｋａｐｈｌ等研究了板狀結構聲發射波模式源的精確定位的識別，使用單個傳感器對斷鉛實驗點源定位的方法，即ＴＯＡ（Ｔｉｍｅ　ｏｆ　ａｒｒｉｖａｌ）法與Ｌａｍｂ波模態聲發射法的精確性做了比較。結果顯示，Ｌａｍｂ波模態聲發射方法比ＴＯＡ法的精確性大大提高，在源定位分析中使用擴展波得到了非常精確的結果，擴展波是早期到達的成分，且與反射波效應無關，因此可以確定使用擴展波用于源定位分析最好，在波形分析中出現了３種模式的波：擴展波（低幅度快速到達）、ＳＨ波（閾值撞擊波）和彎曲波（高能后到達）。他們還指出使用單個傳感器用于確定其與ＡＥ源的距離是一種有效的方法，而且該思路可以擴展到使用２個傳感器用于二維平面上的源定位。

    總之，在損傷源定位方面，時差定位中的線性定位是最常用也是最簡單的方法，可有效判斷二維物體的損傷，但不能準確找出三維結構的損傷源。采用多傳感器定位，可以有效判斷出三維物體損傷的位置，但多個傳感器的布置要求較高，再加上噪音的干擾，所以也會造成判斷不準確。模式識別技術中利用神經網絡對損傷源定位也有一些研究，其缺點是訓練樣本的選擇較困難、重復性差，且其有效性也有待檢驗。基于波形技術的模態聲發射中的擴展波和彎曲波的波速不同，再結合傳感器可以實現對損傷源的有效定位，而且可實現比單純使用相同數量的傳感器更高維的定位。

    ２　損傷模式的分類

    復合材料在損傷過程中產生的聲發射信號具有不穩定性，對復合材料進行損傷分析的目的就是判別出不同的損傷模式，但是不同的損傷模式產生的聲發射信號往往重疊在一起，且呈現出隨機、非穩態的分布。復合材料損傷的聲發射研究的主要目的就是根據不同聲發射信號頻率或振幅特征區分復合材料的損傷模式，如纖維斷裂、基體開裂、分層和纖維基體脫粘等，所以對大量的聲發射信號數據進行分類或聚類分析，即模式識別技術尤為重要。模式識別技術的關鍵是特征提取和分類器設計。

    ２。１　特征提取

    在聲發射信號模式識別中常用的特征提取一般以ＡＥ信號的物理參數，如幅度、頻率、能量、振鈴計數、上升時間、持續時間作為模式特征，不同的研究者常選取不同的模式特征用于ＡＥ信號的分析。另外，還可以將衰減角、上升衰減區域、衰減、峰值前后振鈴計數之比作為模式特征。特征提取方法包括最大最小距離法、歐式距離法、主成分分析、相關分析等。尋找特征與模式分類，可以用時域信號、頻域信號，也可用信號的倒頻譜以及功率譜、相關等。能量譜或功率譜是表示信號的能量或功率密度在頻域中隨頻率的變化情況，它對研究信號的能量（或功率）分布、決定信號所占有的頻帶等問題有著重要作用。特別對于隨機信號（聲發射信號就是隨機的），不能用確定的時間函數表示，當然也無法用頻譜來表示，在這種情況下，往往用功率譜來描述它的頻域特性，波形的能譜和相關等提供了波形中非常有用的信息，但是與能譜相關的信息卻很少用于特征的選取。

    ２。２　分類器的設計

    關于損傷模式的分類即為模式識別中的分類器設計，主要采用不同的分類算法或聚類算法。其中已知類別的訓練集的算法稱為有監督的算法，相應的模式識別技術稱為有監督的模式識別（ＳＰＲ），常用的算法是判別函數算法和神經網絡算法；而未知類別的訓練集的算法稱為無監督的算法，相應的模式識別技術稱為無監督的模式識別（ＵＰＲ），常用的算法有層次聚類算法和動態聚類算法。由于無監督模式（ＵＰＲ）不需對信號提前了解，這為本身即為未知的ＡＥ信號的分類識別提供了很好的方法，所以ＵＰＲ技術是模式識別中主要的分析技術。

    在復合材料的聲發射檢測方面，尤其是熱塑性復合材料的聲發射檢測，常采用的模式識別技術為多元統計聚類分析，如無監督的Ｋ－ｍｅａｎｓ算法、少參數的自組織映射（ＰＬＳＯＭ）算法、改進的學習矢量化網絡（ＬＶＱ）、Ｃｌｕｓｔｅｒ　Ｓｅｅｋｉｎｇ算法、迭代自組織聚類ＩＳＯＤＡＴＡ算法等。復合材料聲發射檢測中最常用的是動態聚類分析中的Ｋ－ｍｅａｎｓ算法。

    近幾年來，不同的ＵＰＲ算法相結合或不同的ＳＰＲ與ＵＰＲ相結合用于聲發射信號聚類和分類識別已成為熱點，如Ｇｕｔｋｉｎ等［１４］對ＣＦＲＰ的拉伸和韌性測試下的失效機理進行了聲發射檢測，運用了３種模式識別方法：Ｋ－ｍｅａｎｓ算法，競爭性神經網絡（ＣＮＮ）和自組織映射網絡（ＳＯＭ）結合Ｋｍｅａｎｓ算法。結果為基體開裂在０～４０ｋＨｚ，纖維基體劈裂在２００～３００ｋＨｚ，分層在４０～１００ｋＨｚ，而纖維拔出和纖維斷裂的ＡＥ信號確定頻率還需進一步研究；研究還表明３種模式識別算法中，ＳＯＭ結合Ｋ－ｍｅａｎｓ算法的效果最好。

    神經網絡是人工神經網絡的簡稱，是一種對數據分布無任何要求的非線性技術，它具有信息分布存儲能力、并行處理能力、非線性映射能力以及強大的自學習能力，共有１００多種神經網絡。研究者們嘗試采用不同的神經網絡或改進神經網絡算法，與其他聚類分析結合用于聲發射信號的聚類分析。比較常用的神經網絡有誤差信號反向傳播算法ＢＰ神經網絡、小波神經網絡、代數神經網絡、徑向基神經網絡等。Ｂｈａｔ等利用神經網絡模式識別方法對各種模擬噪聲和摻雜模擬噪聲的碳纖維增強復合材料斷裂聲發射分別進行了分類研究。由于神經網絡是有監督的學習模式，需要有訓練集，常常將神經網絡與無監督的自組織映射網絡或其他聚類算法結合使用。如王旭等先建立ＵＰＲ方式競爭型ＳＯＣ網絡和ＳＰＲ方式多層前向ＢＰ網絡實現對ＡＥ信號的聚類和識別，并進一步基于啟發式的改進算法中有動量可變學習速度法和彈性梯度下降法，在一定程度上提高了識別率，同時也改善了訓練速度，使用Ｌｅｖｅｎｂｅｒｇ－Ｍａｒｑｕａｒｄｔ算法得到了最佳的訓練效果且最適合作為ＢＰ網絡的訓練算法。另外針對神經網絡的容限差、下降率低、搜索速度慢的缺點，常結合小波包分解、遺傳算法、粒子群算法等尋找全局最優點，提高網絡識別率、收斂速度和自適應能力。李偉等運用小波包分解提取特征向量作為網絡輸入，通過小波分析與神經網絡結合的方式對不同類型的損傷模式進行識別，并將遺傳算法引入到小波神經網絡中，優化網絡初始權值，提高了網絡的全局搜索與識別能力。

    針對聲發射信號重疊性的特點，近幾年模糊模式識別技術用于聲發射信號的聚類分析逐漸增多。模糊模式識別是基于模糊理論的模式識別，模糊模式識別算法包括模糊聚類算法、模糊神經網絡，或者采用其他仿生算法，如遺傳算法、具有全局尋優功能的粒子群算法、蟻群算法、模擬退火算法等。模糊聚類算法中研究者常用Ｆｕｚｚｙ　Ｃ－ｍｅａｎｓ算法來進行聚類分析，如Ｍａｒｅｃ等和Ａｒｕｍｕｇａｍ等在使用Ｆｕｚｚｙ　Ｃ－Ｍｅａｎｓ聚類主要成分之前，先使用主成分分析（ＰＣＡ）方法把ＡＥ信號中的大量相關的變量轉變為一小部分不相關的變量，并采用了小波變換處理參數，結果表明在聚類分析前使用ＰＣＡ減少空間的維數可提高分析結果的精確性，是一種有效的方法。模糊神經網絡用于復合材料聲發射信號模式識別目前還沒有報道。另外，有學者將混沌分析用于故障檢測和診斷、巖石斷裂檢測、碰磨分析，而在復合材料聲發射的信號分析中卻未見報道。

    ３　結語

    聲發射技術用于復合材料損傷失效的研究主要包括損傷源的定位及損傷模式的分類識別。

    在損傷源定位方面，時差定位中的線性定位是最常用也是最簡單的方法，但不能用于二維或三維損傷源的定位；多傳感器定位可有效判斷出三維物體損傷的位置，但多個傳感器的布置要求較高會造成判斷不準確；模態聲發射相比模式識別可以實現對損傷源的有效定位，而且比單純使用相同數量的傳感器可實現更高維的定位。

    在損傷模式的分類識別方面，模式識別比較有效且使用最多，但有時不能準確區別出纖維和基體的界面脫粘及纖維抽拔的信號，采用各種神經網絡或與其他算法結合雖有一定效果，但神經網絡具有容限差、下降率低、搜索速度慢的缺點。基于聲發射信號的重疊性的特征，模糊模式識別技術的使用逐漸增多，但其在聲發射檢測復合材料尤其是熱塑性復合材料損傷失效過程中信號的聚類分析的應用尚未見報道，模糊模式識別是針對重疊性的聲發射信號分析的一種有效的手段。