亚星游戏官网-www.yaxin868.com

专利名称：基于pca和tdf对16锰钢承力件进行疲劳损伤状态的识别系统的制作方法
技术领域：
本发明涉及一种对在役16Mn钢承力件服役期间的疲劳损伤状态进行识别的方法。更特别地说，是指一种对声发射换能器采集的数据首先采用主成分分析(PCA)根据其损伤类别构建不同的数据空间，在数据空间中进行神经网络的训练得到各换能器在数据空间中的损伤度标志�？椋�然后应用该�？槎栽谝�16Mn钢承力件实时采集的声发射数据进行两级数据融合(TDF)，从而识别出在役16Mn钢承力件属于何种疲劳损伤状态。
背景技术：
港口大型机械设备中的岸边设备如装船机、卸船机、抓斗机，常应用16锰钢作为关键承力件。岸边设备在使用一段时间后，作为主要承力件的16锰钢的损伤状态对整个岸
边设备的使用寿命将造成重要影响。16Mn钢(16锰钢)是结合我国资源情况发展起来的一种低合金钢，已被广泛使用。16Mn钢结构在服役一定的时间后，时常会发生一些失效事故，而损伤是造成其失效的主要原因，为此要对其损伤状态作出有效的识别，及时、正确地评价16Mn钢承力件的损伤程度，为其安全运行及寿命预测提供依据。声发射技术(Acoustic Emission Technique)因具有动态、实时检测等优点，已广泛的应用于结构和构件的损伤检测。实践表明，材料在疲劳过程的不同阶段，其声发射特征会发生一系列不同的变化，也就是说16Mn钢承力件不同的疲劳损伤阶段，将有不同的声发射信号，而损伤状态的转变，往往引起声发射多个参数的变化，同时某一参数变化又可以是由多种损伤状态引起的，所以有必要采用多声发射换能器的数据融合技术，即充分利用不同时间与空间的多声发射换能器数据资源，采用计算机技术对按时间序列获得的多声发射换能器观测数据，在一定准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息。因此本发明将数据融合技术引入16Mn钢承力件损伤状态识别系统中，建立主成分分析，数据融合和人工神经网络相结合的诊断系统对16Mn钢承力件损伤状态进行识别、诊断。主成分分析也称主分量分析。主成分分析利用降维的思想，在损失很少信息的前提下把多个指标转化为几个综合指标的多元统计方法。通常把转化成的指标称为主成分，其中每个主成分都是原始变量的线性组合，且各个主成分间互不相关，使主成分比原始变量具有某些更优越的性能。“主成分分析”引用中国人民大学出版社于2008年9月第2版出版的《多元统计分析》，第152页至第154页的内容介绍。神经网络是一种模拟人思维的一个非线性系统。径向基函数(RBF)神经网络是根据在人脑皮层中具有局部调节和交叠的感受域提出的，又称为局部感受域神经网络。它是一种包括输入层、隐层和输出层的三层前馈型网络模型。由于RBF网络结构简单，且具有以任意精度逼近任意连续函数的能力，学习速率快，所以越来越广泛应用于各个领域。随着现代工业日益向大规模、高效率发展，作为港口重要物流装备的大型岸边起重机械，具有以下几个特点(I)设备老，有很多大型起重机是60年代至70年代我国自行设计制造或从东欧进口，还有少数是从美、日等国进口的二手设备，按设计寿命20 25年考虑，很多设备也已进入服役后期或超期服役阶段；(2)任务重，随着生产规模的扩大，以及起重机更新的滞后，许多起重机的工作日趋繁重，超载的情况也时有发生；(3)目前的损伤检测方法不成熟，超声波检测和磁粉检测等方法对起重机进行的部分抽样检测，盲目性大、易出现漏检且检测的周期长，工作量大，费用昂贵；(4)预警评估系统不完善，目前应用的分析判别技术还不能对起重机承力件的损伤做出准确的预警和安全评估。因此，为确保起重机安全可靠的运行，须对承力件进行检测、判断承力件的疲劳损 伤状态，从而进行安全评估。

发明内容
为了减少岸边设备在使用过程中突发断裂造成的人员伤害、设备损失和经济损失，本发明提出一种采用主成分分析，神经网络和两级数据融合相结合的方法来识别在役16Mn钢承力件的疲劳损伤状态。该疲劳状态识别系统首先对训练样本中不同损伤数据采用主成分分析构建两个数据空间，采用神经网络方法对多路声发射换能器采集得到的信息在两个数据空间下进行神经网络训练，获得用于判断16Mn钢承力件不同疲劳损伤状态的损伤度标志�？椋蝗缓蠼�两个数据空间下该模块的神经网络输出结果进行基本概率分配后进行一级数据融合，再将多个换能器一级数据融合结果进行二级数据融合，获得数据融合�？椋�进而将数据融合�？槟谇对�16Mn钢承力件疲劳识别系统中。内嵌有本发明的数据融合�？樵诠ぷ髯刺�下，能够对在役16Mn钢承力件不同疲劳损伤状态进行识别，并对识别出的结果作出预警。本发明是一种采用主成分分析，神经网络和数据融合相结合的技术对16Mn钢承力件进行疲劳损伤状态进行识别的识别系统，该系统包括有多个声发射换能器(6)、多路前置放大器(5)、一个声发射仪(4)，其特征在于还包括有一个16Mn钢承力件疲劳损伤检测单元(I);16Mn钢承力件疲劳损伤检测单元(I)包括有过滤�？�(11)和一级数据融合�？�
(12)，二级数据融合�？�(13 )，其中，过滤�？�(11)有数据滤波处理�？�(IIA)和波形滤波处理�？�(11B)，一级数据融合�？�(12)有第一数据空间(12A)，第二数据空间(12B)，第一损伤度标志�？�(12C)，第二损伤度标志�？�(12D)，D-S证据组合�？�(12E);声发射换能器(6)与前置放大器(5)为配套使用，即每一个声发射换能器(6)的输出端与一个前置放大器(5)的输入端连接,每一个前置放大器(5)的输出端连接在声发射仪(4)的信息输入接口上，该信息输入接口用于接收多路突发型放大信息/ 16Mn钢承力件疲劳损伤检测单元(I)内嵌在声发射仪(4)的存储器中；声发射换能器(6)，用于采集在役16Mn钢承力件在采集时间Tx段内的突发型信息突发型信I ；前置放大器(5 )，用于对接收到的突发型信肩父^进行放大40dB后成为突发型放大自 fTx ·
In s ，声发射仪(4)用于对接收到的突发型放大信I 经A/D转换后成为数字突发型信息/含=(先,WsVC5,输出给16Mn钢承力件疲劳损伤检测单元(I)；16Mn钢承力件疲劳损伤检测单元(I)的过滤�？�(11)中的数据滤波处理�？�(IlA)对接收到的数字突发型信息/ =(04，Λ5，Λζ， 5琎行参数滤波，滤掉电磁噪声和环境噪声后，提纯得到声发射疲劳损伤初步信息/忍=(e。，為;然后波形滤波处理�？�(IlB)对声发射疲劳损伤初步信息/; =进行波形滤波，获得声发射疲劳损伤信息/ = {e,AX\R, I))； 对换能器接收到IeMn钢承力件的疲劳损伤信息/忍=(e,A, C,足￡>)进行采
集时间！^段内的累积处理，然后归一化得到归一化累积疲劳损伤信息f11B'，将f11B' 分别在第一数据空间(12A)和第二数据空间(12B)下投影得到各自的得分矩阵f12A =
(tal，ta2) ta3, ta4, ta5)和 fi2B — (tbl，tb2, tb3, tb4, tb5)，得分矩阵 f12A — (tal> ^a2) ta3, ta4, ta5)经
第一损伤度标志�？�(12C)处理得到在第一数据空间中的神经网络输出f12C = [^a(A1)fm，a(A2)]，得分矩阵f12B = (tbl, tb2, tb3, tb4, tb5)经第二损伤度标志�？�(12D)进行处理得到在第二数据空间中的神经网络输出f12D= [^b(A1) fID,b(A2)] Jff12c和f12D进行各节点的相关系数赋值，赋值后的f12。和f12D进行基本概率分配，然后进行D-S证据组合�？�(12E)处理得到单个换能器的数据融合结果mID (Bj)，再将所有换能器的D-S证据组合�？�(12E)结果进行二级数据融合(13)得到数据融合结果m(cp，该结果经损伤等级评定单元(2)解析后输出疲劳损伤识别信息D给报警单元(3)。本发明是一种依据声发射信息，采用神经网络在主成分分析构造的数据空间下对损伤状态进行局部识别，然后应用数据融合技术对神经网络诊断结果进行两级融合，识别诊断出16Mn钢承力件最终的疲劳损伤状态，该识别系统的优点在于(A)采用声发射仪中的采集卡对使用过一段时间的16Mn钢承力件上的声发射换能器的声发射信息(能量es、测量幅度As、振铃计数Cs、上升时间Rs、持续时间Ds)进行采集，并将该相关信息作为声发射神经网络的识别系统的信息输入，使得本发明在声发射检测过程中，能通过声发射仪对声发射换能器信息进行采集，然后根据声发射信息参数和波形的变化，识别出是损伤信息，还是噪声信息。(B)根据疲劳的损伤模式类型采用主成分分析构造不同的数据空间，通过神经网络在各数据空间下对损伤状态进行局部识别，经两级数据融合输出诊断结果，充分利用了不同损伤类型间信号的差异对损伤模式进行识别。(C)能综合、支配和使用多个、多种类型声发射换能器的监测数据，充分利用各个声发射换能器的信息，增大了诊断结果的可靠性与准确性，提高了诊断系统的适应能力。(D)神经网络和数据融合理论相结合的综合识别诊断系统，具有一定的容错能力，能满足钢结构复杂系统损伤诊断的要求。


图I是本发明16Mn钢承力件疲劳损伤识别系统的结构框图。图2是本发明16Mn钢承力件疲劳损伤识别系统中疲劳损伤检测单元的结构框图。
具体实施例方式下面将结合附图和实施例对本发明做进一步的详细说明。在疲劳损伤状态模式中包括有疲劳裂纹稳定扩展损伤状态、疲劳裂纹失稳扩展损伤状态。在役承力件一般在疲劳裂纹稳定扩展损伤状态下工作，当处于疲劳裂纹失稳扩展损伤状态时，该承力件损伤比较严重，使用者应当对承力件进行实时重点检测、监测或者更换，因此对承力件进行疲劳损伤状态检测可以预防和减少事故的发生，以减少突发断裂造成的人员伤害、设备损失和经济损失。参见图I、图2所示，对于16Mn钢承力件的疲劳损伤识别系统一般由多个声发射换能器6 (也称传感器)、多路前置放大器5、一个声发射仪4、一个16Mn钢承力件疲劳损伤检测单元I、损伤等级评定单元2和报警单元3组成；其中，16Mn钢承力件疲劳损伤检测单元I包括有过滤�？�11和一级数据融合�？�12，二级数据融合�？�13 ；

其中，过滤�？�11包括有数据滤波处理�？镮IA和波形滤波处理�？镮IB ；其中，一级数据融合�？�12包括有第一数据空间12A，第二数据空间12B，第一损伤度标志�？�12C，第二损伤度标志�？�12D，D-S证据组合�？�12E。16Mn钢承力件疲劳损伤检测单元I采用Matlab语言(版本R2011b)开发。16Mn钢承力件疲劳损伤检测单元I内嵌在声发射仪4的存储器中。在本发明中，声发射换能器6与前置放大器5为配套使用，即每一个声发射换能器6的输出端与一个前置放大器5的输入端连接,每一个前置放大器5的输出端连接在声发射仪4的信息输入接口上，该信息输入接口用于接收多路突发型放大信息。在本发明中，声发射仪4选取美国PAC公司生产的DiSP声发射系统，声发射换能器6选取美国PAC公司生产的CZ系列或者WD系列声发射换能器，多路前置放大器5选取美国PAC公司生产的2/4/6型前置放大器。在本发明中，利用声发射换能器6在采集时间Tx段内进行信息采集时，不但将损伤信息进行采集，同时也将噪声(环境噪声、电磁噪声、机械摩擦噪声)进行采集(即es,As, Cs, Rs, Ds信息中是包括有噪声的)，因此，在本发明中，采用了数据滤波和波形滤波对采集获得的信息进行了去噪处理。这样的去噪其目的在于得到本发明所需的用于进行疲劳损伤监测的五个参数即能量es、测量幅度As、振铃计数Cs、上升时间Rs和持续时间Ds。(一)声发射换能器6声发射换能器6用于采集在役16Mn钢承力件上的突发型信息Sn。在本发明中，对于声发射换能器6所需设置的个数以其传感范围为40cm IOOcm/个。对声发射换能器6采集到的信息采用集合形式表达为突发型信息Sn = {es, As, Cs, Rs, Ds}，es表示能量、As表示测量幅度、Cs表示振铃计数、Rs表示上升时间和Ds表示持续时间。在本发明中，第一个采集时间记为T1、第二个采集时间记为T2、……、最后一个采集时间Tx，为了方便说明，最后一个采集时间Tx也称为任意一采集时间τχ。在本发明中，在采集时间Tx段内声发射换能器6采集到的突发型信息表示为S》二 {es，As, Cs,Rs,Ds)。若第一个采集时间T1得到的突发型信息记为Sf ={es，As，Cs,Rs，Ds};同理可得，若第二个采集时间T2得到的突发型信息记为Sl2 ={es,AsXs,Rs,Ds) ο
(二)前置放大器5前置放大器5用于对接收到的突发型信息进行放大40dB后成为突发型放大信
息//'。(三)声发射仪4声发射仪4于对接收到的突发型放大信息经A/D转换后成为数字突发型信息/5 输出给16Μη钢承力件疲劳损伤检测单元1，声发射仪4中自备有A/D转换器。des表示数字式能量、dAs表示数字式测量幅度、dCs表示数字式振铃计数、dRs表示数字式上升时间和dDs表示数字式持续时间。(四)数据滤波处理�？镮lA在本发明中，数据滤波处理模块IlA对接收到的数字突发型信息 fsl 行参数滤波，即滤掉电磁噪声和环境噪声后，提纯得到疲劳损伤初步信息=(e0,A0,C0,R0,D0) ■, e0是指数字式能量des经参数滤波后的能量(简称参数滤波能量)，A0是指数字式测量幅度dAs经参数滤波后的测量幅度(简称参数滤波幅度)，C0是指数字式振铃计数dCs经参数滤波后的振铃计数(简称参数滤波振铃计数)，Rtl是指数字式上升时间dRs经参数滤波后的上升时间(简称参数滤波上升时间)，D0是指数字式持续时间dDs经参数滤波后的持续时间(简称参数滤波持续时间)。(五)波形滤波处理�？镮IB在本发明中，波形滤波处理�？镮lB对接收到的疲劳损伤初步信息 = (e 54),d Ai)进行波形滤波，获得疲劳损伤信息= (e,式C:,足D) ;e是指参
数滤波能量经波形滤波后的能量(简称波形滤波能量)，A是指参数滤波幅度Atl经波形滤波后的幅度(简称波形滤波幅度)，C是指参数滤波振铃计数Ctl经波形滤波后的振铃计数(简称为波形滤波振铃计数)，R是指参数滤波上升时间Rtl经波形滤波后的上升时间(简称为波形滤波上升时间)，D是指参数滤波持续时间Dtl经波形滤波后的持续时间(简称波形滤波持续时间)。在本发明中,疲劳损伤信息./|匕=(e, A, (R, /:))第一方面用于第一损伤度标志模块12C进行RBF神经网络训练，获得第一损伤度标志模型；第二方面用于第二损伤度标志模块12D进行RBF神经网络训练，获得第二损伤度标志模型；第三方面用于第一数据空间12A进行投影处理，获得第一得分矩阵；第四方面用于第二数据空间12B进行投影处理，获得第二得分矩阵。对于疲劳损伤信息At = (e； AX\R, /))的RBF神经网络训练要执行在第一数据空间12A和第二数据空间12B之前。(六)第一数据空间12A第一数据空间12八第一方面对接收到的疲劳损伤信总./上=0,/1,^,/))进行所在采集时间Tx段内的累积处理，得到累积后疲劳损伤信息=(tvWU))第一数据空间12A第二方面对累积后疲劳损伤信息= {e,A,C,R,D)itm
JCf7x - 4CfTx
归一化关系/_^进行处理，得到归一化累积疲劳损伤信息f11B';疲劳损伤-ACfΤχ
信息的平均值表示累积疲劳损伤信息的标准差；
Τχ 0W1S第一数据空间12A第三方面对归一化累积疲劳损伤信息f11B'依据第一投影关系fl2A = U XPa 进行投影，得到第一得分矩阵 f12A = (tal, ta2, ta3, ta4, tj ；Pa表示第一数据空间的特征矩阵；f12A表示待诊断样本在第一数据空间中的得分矩阵，a是第一数据空间的代码，tal, ta2, ta3, ta4, ta5表示待诊断样本在第一数据空间中5个维度的得分向量；tal表示待诊断样本在第一数据空间中第I个维度的得分向量；ta2表示待诊断样本在第一数据空间中第2个维度的得分向量；&3表示待诊断样本在第一数据空间中第3个维度的得分向量；ta4表示待诊断样本在第一数据空间中第4个维度的得分向量；ta5表示待诊断样本在第一数据 空间中第5个维度的得分向量。(七)第二数据空间12B第二数据空间12B第一方面对接收到的疲劳损伤信息/為=(e，為C,足D)进行所在采集时间[段内的累积处理，得到累积后疲劳损伤信息=(tv4,r,^/..))；第二数据空间12B第二方面对累积后疲劳损伤信息』C/忍=(￡ 乂依据
ACfTx -ACf7x
归一化关系/_ =^hm^进行处理，得到归一化累积疲劳损伤信息f11B';疲劳损伤
IoS
-ACfjx
信息的平均值J=Ifr 表示累积疲劳损伤信息的标准差；
Τχ ACf^第二数据空间12Β第三方面对归一化累积疲劳损伤信息f11B'依据第二投影关系fl2B = fllB/ XPb 进行投影，得到第二得分矩阵 fl2B = (tbl, tb2, tb3, tM, tb5)；Pb表示第二数据空间的特征矩阵；f12B表示待诊断样本在第二数据空间中的得分矩阵，b是第二数据空间的代码，tbl, tb2, tb3, tb4, tb5表示待诊断样本在第二数据空间中5个维度的得分向量；tbl表示待诊断样本在第二数据空间中第I个维度的得分向量；tb2表示待诊断样本在第二数据空间中第2个维度的得分向量；、3表示待诊断样本在第二数据空间中第3个维度的得分向量；tb4表示待诊断样本在第二数据空间中第4个维度的得分向量；tb5表示待诊断样本在第二数据空间中第5个维度的得分向量。(A)第一损伤度标志模块12C在本发明中，疲劳损伤识别系统主要作用是识别出16Mn钢承力件的疲劳裂纹稳定扩展阶段和疲劳裂纹失稳扩展阶段，所以本发明中损伤数据类型有两类，即裂纹稳定类型ST和裂纹失稳类型UT ;所述裂纹稳定类型ST是指疲劳裂纹稳定扩展阶段的损伤信息；所述的裂纹失稳类型UT是指疲劳裂纹失稳扩展阶段的损伤信息。两种损伤类型RBF神经网络训练样本的获取当在役16Mn钢承力件仅处于裂纹疲劳裂纹稳定扩展阶段时，将疲劳损伤信息.O = (e, Λ Γ,兄/))记为裂纹稳定类型疲劳损伤信息/// =(e，為当在役16Mn钢承力件仅处于裂纹疲劳裂纹失稳扩展阶段时，将疲劳损伤信息/S = (iU,C,足D)记为裂纹失稳类型疲劳损伤信息/為=(e,A,C,R，D)。
第一损伤度标志�？�12C第一方面对接收到的裂纹稳定类型疲劳损伤信息fsi =(e,浼c足玛进行所在采集时间Tx段内的累积处理，得到累积后疲劳损伤信息ACf^·； =(e,A,(\RJ))t第一损伤度标志�？�12C第二方面对累积后疲劳损伤信息
一 ,4 ^ 八、依据归一化关系f = iQsi ~ A CfJ进行处理，得到裂纹稳ACf^ =(e,A.C,R,D)σ 端
定类型归一化累积疲劳损伤信息fST,;裂纹稳定类型累积疲劳损伤信息的平均值-ACflx
ACfTs^ =~^~. 表示裂纹稳定类型累积疲劳损伤信息的标准差；
Tx aACfs- 第一损伤度标志�？�12C第三方面对裂纹稳定类型归一化累积疲劳损伤信息fST/进行主成分分析，得到第一数据空间的特征矩阵Pa = (Pal. Pa2. Pa3. Pa4. Pa5)；pal, pa2, pa3, pa4, Pa5表示第一数据空间中5个维度的特征向量；pal第一数据空间中第I个维度的特征向量；Pa2第一数据空间中第2个维度的特征向量；pa3第一数据空间中第3个维度的特征向量；Pa4第一数据空间中第4个维度的特征向量；pa5第一数据空间中第5个维度的特征向量；在本发明中，疲劳损伤识别系统在识别16Mn钢承力件的疲劳裂纹稳定扩展阶段和疲劳裂纹失稳扩展阶段时，该第一数据空间的特征矩阵Pa需要引述至第一数据空间12A中进行投影处理。第一损伤度标志�？�12C第四方面对归一化累积疲劳损伤信息fs/依据第三投影关系Pf12。= fsx/父匕进行投影，得到第三得分矩阵Pf12c = (Ptal,Pta2,Pta3,Pta4,Pta5)；Ptal, Pta2, Pta3, Pta4, Pta5表示裂纹稳定类型的训练样本在第一数据空间中5个维度的得分向量；Ptal表示裂纹稳定类型的训练样本在第一数据空间中第I个维度的得分向量#12表示裂纹稳定类型的训练样本在第一数据空间中第2个维度的得分向量；Pta3表示裂纹稳定类型的训练样本在第一数据空间中第3个维度的得分向量；Pta4表示裂纹稳定类型的训练样本在第一数据空间中第4个维度的得分向量；Pta5表示裂纹稳定类型的训练样本在第一数据空间中第5个维度的得分向量。第一损伤度标志�？�12C第五方面将第三得分矩阵Pf12A = (Ptal, Pta2, Pta3, Pta4,Pta5)作为RBF神经网络的输入层信息，并设定RBF神经网络的输出层信息Orofr=丨:，开始RBF神经网络训练，获得第一损伤度标志模型Ma ；在本发明中，RBF神经网络的输出层信息Oim,=丨Y中[I O]表示训练样本为疲
劳裂纹稳定扩展状态的标志码，[O I]表示训练样本为疲劳裂纹失稳扩展状态的标志码。第一损伤度标志�？�12C第六方面采用^对第一得分矩阵f12A = (tal, ta2,ta3) ta4, tj 进行处理,得到第一损伤度参数 f12C = Lf1Dja(A1) fID，a(A2)]。在本发明中,第一损伤度标志�？�12C对接收到的f12A = (tal, ta2, ta3, ta4, ta5)进行RBF神经网络学习算法处理后，获得第一损伤度参数f12C= Lf1^(A1) fID,a(A2)];其中^a(A1)表示代码为ID的换能器的诊断样本在第一数据空间中第I个节点的神经网络输出；fID,a(A2)表示代码为ID的换能器的诊断样本在第一数据空间中第2个节点的神经网络输出；ID表示声发射换能器的代码，a是第一数据空间的代码。(九)第二损伤度标志�？�12D第二损伤度标志�？�12D第一方面对接收到的裂纹失稳类型疲劳损伤信息
权利要求
1.一种基于PCA和TDF对16锰钢承力件进行疲劳损伤状态的识别系统，其特征在于该系统包括有多个声发射换能器(6)、多路前置放大器(5)、一个声发射仪(4)，其特征在于还包括有一个16Mn钢承力件疲劳损伤检测单元(I)； 16Mn钢承力件疲劳损伤检测单元(I)包括有过滤�？�(11)和一级数据融合�？�(12 )，二级数据融合�？�(13)，其中，过滤�？�(11)有数据滤波处理模块(11A)和波形滤波处理�？�(11B)，一级数据融合�？�(12)有第一数据空间(12A)，第二数据空间(12B)，第一损伤度标志模块(12C)，第二损伤度标志模块(12D)，D-S证据组合�？�(12E)； 声发射换能器(6)与前置放大器(5)为配套使用，即每一个声发射换能器(6)的输出端与一个前置放大器(5 )的输入端连接,每一个前置放大器(5 )的输出端连接在声发射仪(4 )的信息输入接口上，该信息输入接口用于接收多路突发型放大信息 ’ 16Mn钢承力件疲劳损伤检测单元(I)内嵌在声发射仪(4)的存储器中； 声发射换能器(6)，用于采集在役16Mn钢承力件在采集时间!^段内的突发型信息突发型信息足； 前置放大器(5 )，用于对接收到的突发型信息疋1进行放大40dB后成为突发型放大信息f 声发射仪(4)用于对接收到的突发型放大信I广经Α/D转换后成为数字突发型信息fit输出给16Mn钢承力件疲劳损伤检测单元(I)； 16Mn钢承力件疲劳损伤检测单元(I)的过滤�？�(11)中的数据滤波处理�？�(11A)对接收到的数字突发型信息仏二琎行参数滤波，滤掉电磁噪声和环境噪声后，提纯得到声发射疲劳损伤初步信息=( ,為,Clj,;然后波形滤波处理模块(IlB)对声发射疲劳损伤初步信息= (e。，為，(。，凡，/>。)进行波形滤波,获得声发射疲劳损伤信息./么=(t' A, (\R, I)); 对换能器接收到I6Mn钢承力件的疲劳损伤信息/忍=(e，為C,足D)进行采集时间Tx段内的累积处理，然后归一化得到归一化累积疲劳损伤信息分别在第一数据空间(12A)和第二数据空间(12B)下投影得到各自的得分矩阵f12A = (tal,ta2, ta3, ta4, ta5)和 fl2B = (tbl, tb2, tb3, tM, tb5)，得分矩阵 f12A = (tal，ta2, ta3, ta4, tj 经第一损伤度标志�？�(12C)处理得到在第一数据空间中的神经网络输出f12C= Lf1^(A1)匕，^2)]，得分矩阵^=(tbl, tb2, tb3, tb4, tb5)经第二损伤度标志�？�(12D)进行处理得到在第二数据空间中的神经网络输出f12D = Lf1Djb(A1) fID；b(A2)];将f12C和f12D进行各节点的相关系数赋值，赋值后的f12。和f12D进行基本概率分配，然后进行D-S证据组合�？�(12E)处理得到单个换能器的数据融合结果mID (Bj)，再将所有换能器的D-S证据组合�？�(12E)结果进行二级数据融合(13)得到数据融合结果m(cp，该结果经损伤等级评定单元(2)解析后输出疲劳损伤识别信息D给报警单元(3)。
2.根据权利要求I所述的基于PCA和TDF对16锰钢承力件进行疲劳损伤状态的识别系统，其特征在于数据滤波处理�？�(IlA)对接收到的数字突发型信息//I =(des，dAs，dCs，dRs,dDs)进行参数滤波，即滤掉电磁噪声和环境噪声后，提纯得到疲劳损伤初步信息/忍=(e0, J0,C0,Ji0,D0)。
3.根据权利要求I所述的基于PCA和TDF对16锰钢承力件进行疲劳损伤状态的识别系统，其特征在于波形滤波处理�？�(11B)对接收到的疲劳损伤初步信息/; =(‘々,Q為，A)进行波形滤波，获得疲劳损伤信息ACf=(e,A,C,R,D)。
4.根据权利要求I所述的基于PCA和TDF对16锰钢承力件进行疲劳损伤状态的识别系统，其特征在于 第一数据空间(12A)第一方面对接收到的疲劳损伤信息f=(e,A,C,R,D)进行所在采集时间！^段内的累积处理，得到累积后疲劳损伤信息ACf=(e,A,C,R,D)； 第一数据空间(12A)第二方面对累积后疲劳损伤信息ACf=(e,A,C,R,D)依据归一化关系
5.根据权利要求I所述的基于PCA和TDF对16锰钢承力件进行疲劳损伤状态的识别系统，其特征在于 第二数据空间(12B)第一方面对接收到的疲劳损伤信息/3=0，為匸,足￡>)进行所在采集时间[段内的累积处理，得到累积后疲劳损伤信息,4(7 =(e乂(/U)) 第二数据空间(12B)第二方面对累积后疲劳损伤信息』CJ1I= (e,為C足D)依据归一化关系
6.根据权利要求I所述的基于PCA和TDF对16锰钢承力件进行疲劳损伤状态的识别系统，其特征在于 第一损伤度标志�？�(12C)第一方面对接收到的裂纹稳定类型疲劳损伤信息fsr =(Λ,/ ,Γ义/))进行所在采集时间[段内的累积处理，得到累积后疲劳损伤信息ACf^ =(e,A,(\R,I)); 第一损伤度标志�？�(12C)第二方面对累积后疲劳损伤信息jQ/f =(e,A,C，R，D) ACf χ - ACf7x依据归一化关系
7.根据权利要求I所述的基于PCA和TDF对16锰钢承力件进行疲劳损伤状态的识别系统，其特征在于 第二损伤度标志�？�(12D)第一方面对接收到的裂纹失稳类型疲劳损伤信息
8.根据权利要求I所述的基于PCA和TDF对16锰钢承力件进行疲劳损伤状态的识别系统，其特征在于 D-S证据组合�？�(12E)第一方面对接收到的f12C =[flD,a(Al) flD,a(A2)]和 A2D = [flD,b(Al) ^Djb(A2)I 依据节点相关系数
9.根据权利要求I所述的基于PCA和TDF对16锰钢承力件进行疲劳损伤状态的识别系统，其特征在于二级数据融合(13)对接收到的数据融合结果Him(Bj)依据D-S证据第二组合关系
全文摘要
本发明公开了一种基于PCA和TDF对16锰钢承力件进行疲劳损伤状态的识别系统，该系统由多个声发射换能器(6)、多路前置放大器(5)、一个声发射仪(4)和一个16Mn钢承力件疲劳损伤检测单元(1)组成。16Mn钢承力件疲劳损伤检测单元(1)包括有过滤�？�(11)、一级数据融合�？�(12)、二级数据融合�？�(13)。本发明采用主成分分析与疲劳损伤类别相结合，在数据空间中进行神经网络的训练得到各换能器在数据空间中的损伤度标志，然后用损伤度标志对每个声发射换能器信息进行局部诊断；进而用神经网络输出结果构造数据融合的基本概率值；最后采用数据融合的组合关系对疲劳损伤状态进行诊断。利用该系统，可对16Mn钢疲劳过程中的损伤状态进行识别、诊断，进而对其可靠运行提供依据。
文档编号G01N29/44GK102879475SQ201210375718
公开日2013年1月16日 申请日期2012年9月29日 优先权日2012年9月29日
发明者骆红云, 李军荣, 韩志远, 李静, 张峥, 钟群鹏 申请人:北京航空航天大学