鋁合金彎曲損傷實(shí)驗(yàn)與BP神經(jīng)網(wǎng)絡(luò)識(shí)別

孫昌立,　朱榮華

(1.黑龍江科技學(xué)院 計(jì)算機(jī)與信息工程學(xué)院, 哈爾濱 150027; 2.哈爾濱工業(yè)大學(xué) 材料科學(xué)與工程學(xué)院,哈爾濱 150001)

?

鋁合金彎曲損傷實(shí)驗(yàn)與BP神經(jīng)網(wǎng)絡(luò)識(shí)別

孫昌立1,2,朱榮華2

(1.黑龍江科技學(xué)院 計(jì)算機(jī)與信息工程學(xué)院, 哈爾濱 150027; 2.哈爾濱工業(yè)大學(xué) 材料科學(xué)與工程學(xué)院,哈爾濱 150001)

為準(zhǔn)確識(shí)別鋁合金的彎曲損傷，通過(guò)鋁合金7N01三點(diǎn)彎曲實(shí)驗(yàn)，根據(jù)所提取聲發(fā)射信號(hào)特征，采用三層BP神經(jīng)網(wǎng)絡(luò)對(duì)鋁合金進(jìn)行損傷識(shí)別。結(jié)果表明，鋁合金彎曲損傷檢測(cè)正確率達(dá)87.5%。BP神經(jīng)網(wǎng)絡(luò)技術(shù)與聲發(fā)射方法能夠準(zhǔn)確識(shí)別7N01的彎曲損傷,為多參數(shù)、大數(shù)據(jù)量智能檢測(cè)技術(shù)提供了參考依據(jù)。

神經(jīng)網(wǎng)絡(luò); 鋁合金; 聲發(fā)射; 損傷識(shí)別

鋁合金是一種重要的輕量化材料,在高速鐵路以及航空、航天、汽車(chē)等領(lǐng)域有廣泛的應(yīng)用。鋁合金構(gòu)件服役過(guò)程中受力形成彎曲損傷直至斷裂過(guò)程的判斷，是無(wú)損檢測(cè)領(lǐng)域的重要研究?jī)?nèi)容。

聲發(fā)射技術(shù)能夠根據(jù)材料或結(jié)構(gòu)的微觀變形及斷裂過(guò)程中產(chǎn)生的瞬態(tài)彈性波判斷結(jié)構(gòu)損傷程度[1]。該技術(shù)能夠?qū)Ω鞣N結(jié)構(gòu)形狀進(jìn)行檢測(cè),包括動(dòng)態(tài)檢測(cè)，但通常依賴于工程人員的實(shí)際經(jīng)驗(yàn)來(lái)判斷結(jié)構(gòu)損傷類型及損傷程度。隨著聲發(fā)射技術(shù)的智能化發(fā)展,缺陷檢測(cè)及其定性與定量分析、檢測(cè)結(jié)果的可靠性成為研究重點(diǎn)。

人工神經(jīng)網(wǎng)絡(luò)在無(wú)損檢測(cè)技術(shù)智能化方面有很好的應(yīng)用價(jià)值[2-5]。聲發(fā)射檢測(cè)中的損傷模式可以采用人工神經(jīng)網(wǎng)絡(luò)技術(shù)來(lái)進(jìn)行識(shí)別。筆者將損傷程度與聲發(fā)射信號(hào)特征參數(shù)關(guān)聯(lián)起來(lái),然后采用BP神經(jīng)網(wǎng)絡(luò)對(duì)鋁合金7N01三點(diǎn)彎曲損傷識(shí)別進(jìn)行研究。

1　彎曲損傷信號(hào)采集

1.1實(shí)驗(yàn)過(guò)程

材料選用鋁合金7N01[6],試樣長(zhǎng)280 mm、寬50 mm、高15 mm的長(zhǎng)方體條形鋁板,在板的一側(cè)中部開(kāi)3 mm的槽,試樣加載時(shí)加載機(jī)的壓頭正對(duì)板的另一側(cè)與槽的頂端相距12 mm。選用IN-STRON-1195型萬(wàn)能材料實(shí)驗(yàn)機(jī)加載。數(shù)字聲發(fā)射監(jiān)測(cè)系統(tǒng)是美國(guó)PAC公司的PCI-2型,主要包括聲發(fā)射傳感器、前置放大器和主機(jī),如圖1所示。將聲發(fā)射傳感器用耦合劑凡士林黏于試件表面,并用夾具將其固定。將準(zhǔn)備好的試樣裝入三點(diǎn)彎曲加載機(jī)中,加載機(jī)的加載速度設(shè)為3.5 mm/min。

圖1　試樣及實(shí)驗(yàn)過(guò)程示意

打開(kāi)聲發(fā)射軟件AEWin,設(shè)置相關(guān)采集參數(shù),聲發(fā)射檢測(cè)參數(shù)增益40 dB,閾值40 dB;信號(hào)峰值定義時(shí)間PDT 300 μs;撞擊定義時(shí)間HDT 600 μs;撞擊閉鎖時(shí)間HLT 1 000 μs。連接數(shù)據(jù)線,確定各連接正常后,對(duì)試件開(kāi)始加載,同時(shí)啟動(dòng)聲發(fā)射裝置開(kāi)始采集數(shù)據(jù)。

1.2損傷信號(hào)特征

鋁合金7N01試件三點(diǎn)彎曲過(guò)程中聲發(fā)射信號(hào)有上升時(shí)間tR、計(jì)數(shù)C、能量E、持續(xù)時(shí)間tD、幅值A(chǔ)、有效電壓URAM六個(gè)特征參數(shù),計(jì)數(shù)/載荷-時(shí)間曲線如圖2所示。由圖2可見(jiàn),材料受力變形至斷裂損傷有五個(gè)階段,結(jié)合聲發(fā)射信號(hào)特征參數(shù)歷程如圖3所示,可以觀察到各階段聲發(fā)射活動(dòng)的密集程度。

圖2　鋁合金彎曲過(guò)程聲發(fā)射計(jì)數(shù)/加載力-時(shí)間歷程

Fig. 2Acoustic emission count/load force-time history of aluminum bending process

圖3　聲發(fā)射信號(hào)特征參數(shù)歷程

Fig. 3Characteristic parameters history of acoustic emission signal

I:線彈性階段0～76 s,聲發(fā)射信號(hào)量少;II:塑性變形階段77～93 s,聲發(fā)射信號(hào)強(qiáng)度提高;III:微裂紋成核、長(zhǎng)大階段94～101 s,產(chǎn)生了大量的聲發(fā)射信號(hào),這是因?yàn)轭A(yù)置裂紋尖端形成微孔,隨著載荷的增加,微孔長(zhǎng)大并形成新的微孔,微孔借助于彼此之間的小單元的頸縮與斷裂而匯聚形成新的裂紋,能量急劇釋放;IV:裂紋穩(wěn)定擴(kuò)展階段102～125 s,聲發(fā)射信號(hào)的強(qiáng)度保持大的幅值,微小裂紋不斷匯合成大的裂紋,向前穩(wěn)定擴(kuò)展;V:裂紋失穩(wěn)擴(kuò)展斷裂階段126～349 s,聲發(fā)射有效值電壓、能量等參數(shù)值急劇下降,原因是裂紋的急劇擴(kuò)展,導(dǎo)致材料抵抗外力的能力急劇下降。

2　彎曲損傷BP神經(jīng)網(wǎng)絡(luò)模型

2.1數(shù)據(jù)處理

從7N01鋁合金三點(diǎn)彎曲實(shí)驗(yàn)中取得100個(gè)聲發(fā)射數(shù)據(jù),其中60個(gè)數(shù)據(jù)用于訓(xùn)練網(wǎng)絡(luò),40個(gè)數(shù)據(jù)作為測(cè)試數(shù)據(jù)集。部分訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù),分別如表1和表2所示。

表1部分BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)

Table 1Parts BP neural network training data

2.2BP神經(jīng)網(wǎng)絡(luò)識(shí)別

分析鋁合金7N01三點(diǎn)彎曲過(guò)程中聲發(fā)射信號(hào)的特征,將上升時(shí)間tR、計(jì)數(shù)C、能量E、持續(xù)時(shí)間tD、幅值A(chǔ)、有效電壓URAM六個(gè)聲發(fā)射特征參數(shù)歸一化后作為輸入神經(jīng)元,線彈性變形(10000)、塑性變形(01000)、微裂紋成核長(zhǎng)大階段(00100)、裂紋穩(wěn)定

表2　部分測(cè)試數(shù)據(jù)

擴(kuò)展(00010)、裂紋失穩(wěn)擴(kuò)展斷裂(00001)五個(gè)階段作為輸出神經(jīng)元,采用BP神經(jīng)網(wǎng)絡(luò)對(duì)鋁合金7N01三點(diǎn)彎曲過(guò)程中聲發(fā)射源進(jìn)行了識(shí)別(圖4)。

圖4　BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖5　BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線

神經(jīng)網(wǎng)絡(luò)的編程采用MATLAB軟件, 隱含層數(shù)為1,激勵(lì)函數(shù)為tansig,訓(xùn)練函數(shù)使用Levenberg-Marquadt反傳算法,學(xué)習(xí)函數(shù)為梯度下降動(dòng)量學(xué)習(xí)算法,網(wǎng)絡(luò)的誤差利用均方誤差函數(shù)計(jì)算[7],學(xué)習(xí)步長(zhǎng)為0.01,其他參數(shù)取默認(rèn)值。

由圖5可見(jiàn),訓(xùn)練樣本曲線隨著橫軸訓(xùn)練步數(shù)的增加逐漸下降,即從縱軸可見(jiàn)與目標(biāo)的誤差在逐漸縮小。經(jīng)過(guò)452步訓(xùn)練后,訓(xùn)練曲線與目標(biāo)線交匯于縱軸10-3高度,也就是BP神經(jīng)網(wǎng)絡(luò)達(dá)到目標(biāo)誤差0.001。經(jīng)過(guò)訓(xùn)練的網(wǎng)絡(luò)具較高的精度和較高的泛化能力。網(wǎng)絡(luò)訓(xùn)練完成后,輸入測(cè)試數(shù)據(jù)(部分見(jiàn)表2)得到網(wǎng)絡(luò)的輸出值,如表3所示。

由表3數(shù)據(jù)可見(jiàn)，測(cè)試樣本輸出值與期望輸出值具有很好的一致性,正確率達(dá)到87.5%,說(shuō)明在鋁合金彎曲損傷聲發(fā)射檢測(cè)這種大數(shù)據(jù)量的處理識(shí)別中,神經(jīng)網(wǎng)絡(luò)能夠起到良好作用。

表340個(gè)聲發(fā)射數(shù)據(jù)的測(cè)試輸出值

Table 3Output of BP neural network test on 40 data

3　結(jié)束語(yǔ)

采用BP神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)7N01鋁合金彎曲損傷識(shí)別,測(cè)試樣本輸出值與期望輸出值具有很好的一致性,正確率達(dá)到87.5%。實(shí)驗(yàn)結(jié)果說(shuō)明：鋁合金彎曲損傷的聲發(fā)射信號(hào)數(shù)據(jù)可以采用神經(jīng)網(wǎng)絡(luò)對(duì)其固有特征來(lái)進(jìn)行分類識(shí)別,通過(guò)BP神經(jīng)網(wǎng)絡(luò)技術(shù)把檢測(cè)信號(hào)特征智能地非線性映射到損傷模式,這對(duì)于聲發(fā)射檢測(cè)特征參數(shù)多、數(shù)據(jù)量大具有重要意義。

[1]楊明緯. 聲發(fā)射檢測(cè)[M]. 北京: 機(jī)械工業(yè)出版社, 2005.

[2]萬(wàn)振凱, 王占剛. 基于神經(jīng)網(wǎng)絡(luò)的復(fù)合材料缺陷超聲波檢測(cè)研究[J]. 紡織學(xué)報(bào), 2010, 31(2): 54-59.

[3]王俊英, 馮華勇. 基于BP神經(jīng)網(wǎng)絡(luò)的脈沖渦流無(wú)損檢測(cè)分析[J]. 制造業(yè)自動(dòng)化, 2011, 33(5): 25-28.

[4]田志勇, 張耀, 譚繼文. 基于BP神經(jīng)網(wǎng)絡(luò)的鋼絲繩斷絲定量檢測(cè)[J]. 煤炭學(xué)報(bào), 2006, 31(2): 245-249.

[5]陳玲莉, 田紹華, 陳振茂. 基于振動(dòng)信號(hào)神經(jīng)網(wǎng)絡(luò)層合板分層損傷檢測(cè)研究[J]. 力學(xué)與實(shí)踐, 2011(1): 24-33.

[6]ELSNER OLAF. Welded structures of the railway vehicles, rail technology international[M]. New York: Pergamon Press, 1992: 111-120.

[7]周開(kāi)利, 康耀紅. 神經(jīng)網(wǎng)絡(luò)模型及其Matlab仿真程序設(shè)計(jì)[M]. 北京: 清華大學(xué)出版社, 2004.

(編輯李德根)

Aluminum alloy bend damage test and BP neural network identification

SUNChangli1,2,ZHURonghua2

(1.College of Computer & Information Engineering, Heilongjiang Institute of Science & Technology, Harbin 150027, China; 2.College of Material Science & Engineering, Harbin Institute of Technology, Harbin 150001, China)

Aimed at an accurate identification of the bending damage of aluminum alloy, this paper discusses the extraction of acoustic emission signals through three-point bending experiments on aluminum alloy 7N01 and the identification of the bending damage of aluminum alloy according to the signal characteristics and using BP neural network. The results show the correct detection rate of 87.5%. BP neural network technology, combined with acoustic emission method, enables accurate identification of 7N01 bending damage, significantly contributing to intelligent detection technologies designed for large amount of data and multiple parameters.

neural network; aluminum alloy; acoustic emission; damage identification

1671-0118(2012)06-0589-04

2012-09-11

孫昌立(1976-),男,黑龍江省尚志人,講師、碩士,研究方向:超聲檢測(cè)圖像處理、焊接無(wú)損檢測(cè)等,E-mail:cheery_sun2003@yahoo.com.cn。

TG115.28; TP183

A