声发射在刀具检测中的应用.ppt

声发射在刀具检测中的应用.ppt

《声发射在刀具检测中的应用.ppt》由会员分享，可在线阅读，更多相关《声发射在刀具检测中的应用.ppt（32页珍藏版）》请在冰点文库上搜索。

声发射在刀具检测中的应用,目录,声发射机理及其信号的特点刀具的切削状态分析声发射信号特征提取方法机器学习模式识别方法多传感器融合技术,声发射机理及其信号的特点,声发射（Acousticemission，AE）是材料中声源快速释放能量产生的弹性波。

材料在外因（机械载荷、温度变化等）作用下，由于内部晶格的位错、晶界滑移，或者内部裂纹的发生和发展，均要产生声发射。

声发射信号是宽频带的、快速衰减的信号，可以避免环境噪声、设备振动的干扰，声发射传感器便于安装，不影响设备正常运行。

所以自从德国人Kaiser上世纪五十年代发现声发射现象以后，受到人们极大关注，理论已经很完善，并广泛应用于石油工业、材料试验、航空航天、金属加工等领域的检测诊断当中。

声发射技术的研究主要集中在声发射信号的处理技术和声发射仪器的发展上。

声发射信号从次声频到超声频整个频率范围，信息量大，具有很高的应用价值，它是材料缺陷正在扩展的指示器，是检测材料损伤，特别是早期损伤的有力工具。

今天声发射仪器已由单通道发展到多通,声发射机理及其信号的特点,道，由简单信号处理发展到计算机进行声发射源定位和波形分析、源特性分析、模式识别等。

声发射检测与振动等传统力学检测方法相比，避免噪声的干扰，对安装环境要求不高；与传统无损检测相比，是一种动态检测，能量来自于测量物体自身。

声发射信号的缺点：

从产生到衰减时间很短暂，只有几个毫秒，不容易被察觉；不同的AE源机制可以产生不同的AE信号，人们对AE源不能完全认识；AE信号受传播途径、被检测对象性质、耦合剂特征以及传感器位置影响，不是信号源发出的信号，需要适当的方法快速的捕捉声发射信号的脉冲，去除噪声干扰，找出信号中所含的有用信息。

。

刀具的切削状态分析,刀具在机械制造系统过程中，主要具有以下动态特性：

1、离散性和断续性，在一次走刀中，切削加工可以是连续的（如车、钻、磨等），也可以是断续的（如铣）。

2、缓变性与突变性，刀具在切削过程中磨损是缓变的，而刀具的破损往往在瞬间出现，属于突变性故障。

3、随机性与趋向性，刀具在切削过程中切削力、切削温度刀具磨损与刀具寿命和切削条件的关系往往是含有趋势性的随机过程。

4、模糊性，刀具的切削正常与否不能凭直观判断，呈现模糊性，属于灰色系统。

刀具的常见切削状态：

1、刀具正常切削，刀具切削初期正常加工零件必须的切削状态。

2、刀具磨损。

刀具长时间切削过程后，所出现的切削状态，影响刀具的加工质量，需及时更换刀具。

3、刀具破损。

刀具遇到故障断裂，是一种突发事件，不仅影响零件的加工质量，还可导致整个加工系统故障。

刀具的切削状态分析,由于机床运转过程中状态的复杂性、故障发生的随机性和不确定性，加上声发射源的突发性，传输过程的不稳定性，都给刀具故障检测诊断带来很大困难。

目前机床故障诊断研究主要集中在对特征信号及信号特征量的选取、信号处理方法的改善、故障推理机制的完善等方面如下图所示：

信号采集,信号预处理,特征提取、机器学习,决策、判断,声发射信号的特征提取方法,声发射信号含有刀具的状态信息，选取最能反映刀具状态的特征量是准确诊断的关键。

声发射信号处理方法：

特征参数分析方法和波形分析方法特征参数分析：

事件计数、振铃计数、幅度分析特征量的提取方法：

时域统计量、小波变换、分形理论、EMD分解一、时域统计量常用的时域统计量：

峰值、峰峰值、均值、绝对均值、有效值、均方值、标准值、方差、方根幅值、歪度、峭度、波形指标、峰值指标、脉冲指标、裕度指标、峭度指标等其中，峰值、峰峰值、均值、有效值等与采集信号的能量大小有关的有量纲统计量，受切削条件、工况影响很大，一般不作为特征提取方法，无量纲参数指标常作为设备检测诊断参数。

声发射信号的特征提取方法,无量纲参数指标：

波形指标：

W=峰值指标：

C=裕度指标：

L=峭度指标：

K=,声发射信号的特征提取方法,无量纲指标不像有量纲指标那样与设备的状态运动参数有关，具有对信号幅值和频率变化不敏感的特点，从理论上它们与设备的运动条件无关，值依赖于概率密度函数的形状，是一种较好的设备状态检测诊断参数。

其中，峭度指标对信号中的瞬时冲击非常敏感，当设备无故障运转是，由于各种不确定因素的影响，信号的幅值分布接近正态分布，峭度指标比较稳定，随着故障的出现和发展噪声信号中大幅值概率密度增加，信号幅值的分布偏离正态分布，峭度值随之变化，峭度指标越大，说明设备故障越严重。

陈军堂、廖世勇等结合连续小波变换的优越性和峭度对噪声信号瞬时特性的敏感性，对信号小波变换系数进行了峭度分析，提取了信号的故障特征。

声发射信号的特征提取方法,黄惟公、罗中先用包络分析法求取刀具磨损中声发射信号的包络线，用其时序模型参数作为特征值，采用神经网络对刀具磨损状态进行分析。

二、小波分析小波分析包括小波变换和小波包变换。

小波分析的思想来源于伸缩和平移方法，克服了了傅里叶变换在频域中实现完全局部化，但在时域却没有任何分辨能力的缺点。

小波变换能够把任何信号映射到由一个母小波伸缩、平移而成的一组基函数上去，实现信号在不同频带、不同时刻的合理分离，这相当于使用低通滤波器和若干带通滤波器而不丢失信息。

小波变换具有正交性和多分辨性。

小波函数的正交性保证信息无冗余、无疏漏的分解到独立的频带中。

小波包变换为信号提供了一种更加精细的分析方法，在全频带对信,声发射信号的特征提取方法,继续对小波变换没有再分解的高频频带作进一步分解，从而提高频率分辨率。

小波分析在刀具声发射的特征提取中应用最广泛。

李小俚、姚英学等将小波变换提取各频段能量作为特征值输入模糊神经网络进行学习。

对信号进行小波变换后频谱能量分析，通过频谱能量变化，发现状态故障。

信号按某一函数族展开，即信号表示为不同尺度时移的小波函数的线性组合，其中系数称小波系数。

陈晓智、李蓓智等用小波系数的2-范数表征信号的奇异性，将小波系数2-范数的的方差作为刀具状态的判据。

试验数据表明此方法受切削状态的影响较小并具有很好的区分度。

通过奇异性指数建立与刀具磨损的对应关系。

刀具磨损时相应的信号存在奇异性，用Lip指数描述奇异程度。

向文江、赵学智等利用奇异性指数作为衡量刀具磨损的参量，小波变换的模极大值反映了刀具磨损或破损的时刻，奇异性指数大小反映了刀具的磨损状况。

声发射信号的特征提取方法,经典频谱分析存在频谱分辨率低。

频谱能量泄露、需要较长的原始数据，上世纪70年代出现现代谱分析方法，参数模型频谱估计是现代谱分析中的主要内容。

，模型是一个预测器，不仅适用于有限长度的观测数据，还具有外延特性，可利用其对系统状态的发展趋势进行预测，对隐患进行早期诊断,常用的有自回归模型（AR）、滑动平均模型（MA）、自回归滑动平均模型（ARMA）。

声发射信号的特征提取方法,三、分形理论分形是一门以不规则事物为研究对象，探索复杂寻根的科学，描述事物的粗糙、不规则程度。

分形的基本特性：

1、自相似性，局部与整体在形态、功能、信息等方面具有某种意义下的相似性。

2、标度不变性，分形集固有的属性，无论测量的尺度如何改变，所测对象的特性（如形态特性、复杂程度、不规则性、统计特性等）均不发生变化。

分形维数是分形理论的基本量，常见的方法有相似维数、信息维数、计盒维数、关联维数。

分形维数反映信号的不规则程度，不受信号能量大小的影响，与普通统计特征相比，不许考虑加工条件、切削参数的化。

分形维数刻画了曲线的“粗糙”程度，分形维数越大，曲线越曲折，越不规则；分形维数越小，曲线越光滑，也就是分维能定量的表征曲线的不规则度。

从图中可以看出，随着刀具磨损量的增加，分形维数不断增大。

刀具磨损初期，由于刀具磨损快，声发射信号的分形维数增加也快。

声发射信号分形维数反映了声发射信号的几何特征，受切削参数变化的影响较小，随着刀具磨损量的增加，刀具与工件之间的磨损量加剧，声发射信号的波形变得越来越不规则，声发射信号的分形维数逐渐变大。

声发射信号的特征提取方法,声发射信号的特征提取方法,分形理论与其他方法的结合使用紧靠分形理论来进行分析，可以确定信号的复杂程度，但难以找出更深层次的规律和特征，如果需要找信号中的奇异信号，或者需要对信号进行频域细化分析，紧靠分形分析难以实现。

小波变换可以对复杂的机械振动信号进行分解和对任意频段信号进行细化分析，而且能对对奇异信号进行检测。

小波分析和分形理论在自相似性的本质上和认识事物由粗到细的过程上是一致的。

小波分形理论通过比较小波分解后不同频带内信号盒维数的大小及其变化，来反映信号的不规则度和复杂度，刻画信号的非平稳性。

我校紫艳阳、何正嘉教授提出用小波变换将信号分解到独立频带，然后分别计算每个频带信号的维数，信号越复杂维数越大。

声发射信号的特征提取方法,陈岳良、郭红阳根据波形的分形维数与波形的关系，提出了一种利用分形维数来自动调整模糊控制参数，从而改善噪声滤波效果的方法。

多数噪声为白噪声或有色噪声，具有宽频带或全频带，大多数噪声振幅与真实信号相比频率高振幅低，噪声信号可以看做具有维数大于1的分形结构，根据分形维数自适应调整滤波参数，从而使信号维数降低，变得平滑，限制和滤除噪声信号。

声发射信号的特征提取方法,四、EMD分解经验模式分解（EmpiricalModeDecomposition，EMD）由美籍华人NordenE.Hhuang1998年提出，与传统的傅里叶变换、小波变换相比,EMD方法具有直观性、直接性、后验性、及自适应性，其分解所用的基是基于原始信号，尤其适用于非线性和非平稳性的信号。

EMD认为每组数据可以分解为有限个本征模态函数（IMF）之和，每个IMF分量描述数据的局部特征，对其分析可以更准确地把握原数据的特征信息。

对各个IMF分量进行Hilbert变换，得到对应的Hilbert频谱图，然后进行分析。

EMD分解需要满足的条件：

1、在整个数据序列中，极值点数量与过零点数量必须相等或至多相差一个。

2、上下包络线均值为零，即分量关于时间轴对称。

声发射信号的特征提取方法,经EMD分解后原始信号可表示为：

EMD的优点：

1、截止频率和带宽都随信号的变化而变化，可看作是一个自适应滤波器。

2、不像小波分解需要预先选择基函数，依据信号本身的信息进行分解，在整个“筛分过程中是直接的、自适应的。

3、EMD方法可实现自适应的多分辨率分析，IMF分量包含不同的特征时间尺度，可以使信号特征在不同的分辨率下显示。

同时，EMD方法也存在一定缺陷，使用中存在异常干扰和断点效应。

EMD在声发射检测中的应用：

1、基于EMD去噪，赵华武等发现所有IMF服从正态分布，各个傅里叶谱一致，提出将含噪声的信号进行EMD分解得IMFs，确定置信级，根据扩展函数画出能量密度扩展限，最后将其与含噪声的信号IMFs的能量密度比较，超过或低于扩展限的IMFs将被认为在此置信级下含有信号。

可以判定从哪一个含噪声的信号得到的IMF含有用信息，哪一个为纯噪声不含信息。

声发射信号的特征提取方法,2、基于EMD的故障特征信息提取，原信号进行EMD分解，得到的IMF分量再进行Hilbert变换，Hilbert谱能精确描述信号的幅值在整个频率段上随频率和时间变化的规律，对Hilbert谱分析可以提出信号所含的故障特征信息。

综上，目前故障特征提取方法很多，各有优势和不足，所以人们一般结合使用两种或两种以上的方法，如小波变换和峭度分析相结合是借用了小波变换对信号的无冗余无疏漏正交划分和峭度对信号瞬时特性的敏感度。

分形理论和小波变换结合，对小波变换的分解到各频带量进行分形，计算其维数，判断不同频带下的粗糙程度。

对于不同的问题要采用不同的方法，找出最能反映故障状态的特征提取方法和特征量。

同时要考虑到方法的一般性，在不同的工况下都能适用，或者具有自适应性，会随着状态变化作出调整。

机器学习模式识别方法,机器学习根据给定训练样本求对某系统输入输出之间依赖关系的估计，使对未知输出尽可能准确预测。

机器学习还没有人们共同接受的里理论框架，实现方法大致分为三种：

经典的参数统计估计方法（即传统统计模式识别中的参数法）机器学习经验非线性方法，如人工神经网络统计学习理论（statisticallearningtheory，slt），如支持向量机,机器学习模式识别方法,一、人工神经网络人工神经网路是基于模仿生物大脑的结构和功能而构成的一种信息处理系统，由若干单元联结而形成的复杂网络。

由于人工神经网络能对信息进行大规模并行处理，具有很强的容错性、善于联想、概括、类比和推理，在模式识别。

控制和预测等方面得到广泛应用。

该方法善于从大量统计资料中分析提取宏观统计规律，通过某种非线性处理来建立模型，进而对系统未来状态做出科学定量的估计。

BP神经网络即误差反向传播神经网络是一种纠正学习的多层前馈网络。

该网络由输入层、输出层和隐含层组成，神经元间的连接强度反映不同的输入输出关系。

网络学习过程包括正向传播和反向传播，正向传播中信息经加权传向输出层，输出值与期望值比较，若有误差反向传播通过修改各层权重系数来减少误差。

机器学习模式识别方法,BP网络设计一般从网络层数、每层神经元个数、学习效率来考虑。

神经网络诊断系统知识库存放是神经元之间的连接权值，非直接的规则。

知识库的建立过程就是确定神经网络权系数和阀值的过程，包括知识获取和知识存储两个过程。

知识获取表现为训练样本的获得与选择，知识存储是将由训练样本对神经网络进行性训练获得的连接权值和阀值进行存储，从而形成知识库。

BP神经网络存在训练周期长的缺点，为此人们提出了模糊神经网络，在训练样本、收敛误差相同的情况下，提高了训练速度。

基于径向基函数（Radial-BasisFunction）的RBF神经网络对于每个训练样本，只需对少量权值和阀值进行修正，具有训练时间短、收敛速度快的特点。

Hamming网络仅由输入层和竞争层组成，输入层计算标准模式和输入模式之间的Hamming距离，竞争层完成对输入层的分类，该网络收敛速度快，由于标准模式难以确定应用受到限制。

一般与BP网络结合使用。

机器学习模式识别方法,神经网络也存在一下不足：

1、网络节点数、初始权值、网络结构确定困难，需要设计人员具有一定的经验积累。

2、存在过学习问题，训练误差小却得不到预测效果，某些情况下训练误差小会导致推广能力下降。

出现过学习的原因，一是样本不充分，使网络记住了所有样本，二是结构设计不合理。

3、神经网络还存在局部收敛出现极小点的问题。

4、人工神经网络分类器具有较强的自组织、自学习和非线性识别能力，但需要大量的典型故障样本或经验知识。

在实际中，很难获得大量典型的故障样本。

机器学习模式识别方法,统计学习理论是一种专门研究小样本情况下机器学习规律的理论。

上世纪六、七十年代开始研究，九十年代中期理论趋于成熟，也由于神经网络等学习方法理论上缺乏实质性进展，统计学习理论收到重视。

可以解决神经网络结构选择问题、局部极小点问题。

统计学习理论：

专门研究有限样本情况下机器学习规律的理论，考虑对渐进性的要求，而且希望在有限信息的条件下得到最优结果。

学习目标在于使期望风险最小化，由于人们只有样本可用，传统学习方法采用经验风险最小化（ERM），ERM不成功的例子是神经网络的过学习问题，试图用一个复杂的模型拟合有限的样本，导致丧失了推广能力。

传统方法中，选择学习模型和算法的国学就是调整置信范围的过程，这种选择只能依赖先验知识和经验，造成如神经网络等对使用者技巧的依赖。

统计学习理论提出的结构风险最小化（SRM），把函数集分成子集，在子集中寻找最小经验风险，子集间考虑经验风险和置信范围，使实际风险最小。

机器学习模式识别方法,支持向量机（svm）是统计学习理论的一种方法，从线性可分情况下最优分类面发展而来，上世纪九十年代提出目前人在不断完善，支持向量机较好地解决了小样本、非线性、高维识别问题，并克服神经网络学习中网络结构难以确定、收敛速度慢、过学习欠学习以及训练需要大量样本数据的不足，具有良好的推广能力。

机器学习模式识别方法,支持向量机训练速度的提高：

支持向量机的训练速度是限制其应用的主要方面。

速度慢的原因有：

大量的矩阵运算。

存储核函数矩阵占用很大内存。

大多数改进算法的共同特点是循环迭代，将原问题分解为若干子问题，按照某种迭代策略，通过反复求解子问题，最终使结果收敛到原问题的最优解。

但没有考虑训练向量集的结构信息，支持向量机的目的就是寻找支持向量，它们只占所有训练样本的一部分，SVM以支持向量机的加权组合来构造最优分类面，求取支持向量的二次优化问题运算速度又受到训练样本数的直接影响。

基于聚类方法的支持向量机迭代算法：

解决样本点占用很大内存的问题，通常采用一些快算法，将原问题分解成为若干子问题，按照某种迭代策略，通过反复求解子问题来获得最优解。

信息融合技术,传感器信息融合又称数据融合，是对多种信息的获取、表示及其内在联系进行综合处理和优化的技术。

传感器信息融合技术从多信息的视角进行处理及综合，得到各种信息的内在联系和规律，从而剔除冗余的和错误的信息，保留正确的和有用的成分，最终实现信息的优化。

单一传感器只能获得环境或被测对象的部分信息段，而多传感器信息经过融合后能够完善地、准确地反映环境的特征。

经过融合后的传感器信息具有以下特征：

信息冗余性、信息互补性、信息实时性、信息获取的低成本性。

信息融合的一般方法：

基于贝叶斯理论的信息融合方法：

由于检测的不确定性、系统噪声、以及传感器的测量误差，单一传感器提供的信息一般不完整、不精确和模糊的。

贝叶斯方法是一种基于高铝统计的推理方法，以概率密度函数为基础，综合刀具的各种信息，来描述刀具的磨损状态。

信息融合技术,基于D-S证据理论的信息融合方法：

把证据集合划分为若干个不相关的部分，并分别利用他们对识别框架独立进行判断，然后利用组合规则把它们组合起来。

信息融合技术,基于神经网络的信息融合方法:

与神经网络进行模式识别类似，只是每一个传感器测得的信号提取的特征作为一个输入，通过训练学习建立多个传感器间的内在联系。

信息融合技术,此外还有基于信息熵的信息融合方法、基于模糊集的信息融合方法、基于灰度理论的信息融合方法等。

信息融合技术可以克服单传感器在刀具磨损状态识别中存在的片面性和不确定性，基于多传感器信息融合技术在刀具磨损状态识别中的有效应用，可以得到更准确更全面的状态信息，有利于刀具磨损状态的准确识别。

其他检测方法,基于模糊数学的诊断理论基于模糊数学是诊断方法是运用模糊数学的概念解决设备的故障诊断问题的理论，主要内容是用模糊数学的隶属度函数来描述设备故障与症状之间的关系，用模糊综合评判来判断设备的某种症状属于某种故障的隶属度。

基于灰色洗牙的诊断理论灰色系统利用存在的已知信息区推知含有故障模式的不可知信息的特性、状态和发展趋势，并对未来的发展做出预测和决策。

灰色理论在故障诊断的应用包括灰色系统建模、关联度分析、灰色模型预测等。

基于专家系统的智能诊断方法专家系统是人工智能最活跃的分支之一，包括：

知识库、知识获取、推理机、解释部分。

目前机械故障诊断专家系统主要解决知识的获取问题，设备的复杂化、故障的多样化使“知识瓶颈”是故障诊断专家系统的一大难题。

THEENDTHANKYOU!