基于渦流檢測信號的航空發(fā)動機葉片缺陷分類與評估方法

于　霞，張衛(wèi)民，邱忠超，秦　峰

(北京理工大學 機械與車輛學院, 北京 100081)

?

基于渦流檢測信號的航空發(fā)動機葉片缺陷分類與評估方法

于霞，張衛(wèi)民，邱忠超，秦峰

(北京理工大學 機械與車輛學院, 北京 100081)

摘要:航空發(fā)動機渦輪葉片的缺陷檢測對于保障飛機安全運行至關重要. 由于葉片屬于非規(guī)則小曲率零件，難以保證嚴格的提離距離和檢測法向方向，由此產(chǎn)生了不可忽視的干擾和噪聲，加之缺陷變化信息微弱，給檢測帶來了實質性困難. 本文設計研制了一種尺寸小、 靈敏度高的差激勵渦流檢測探頭，可以安裝在數(shù)控多自由度掃查臺上，對葉片曲面零件表面缺陷進行快速掃查檢測； 利用總體平均模態(tài)經(jīng)驗模態(tài)分解技術(EEMD)和小波變換相結合的方法，來有效抑制強背景噪聲，提取信號特征，并結合支持向量機(SVM)方法實現(xiàn)裂紋缺陷的分類.

關鍵詞:發(fā)動機葉片； 差激勵； 渦流傳感器； 裂紋檢測； EEMD； SVM

0引言

渦輪發(fā)動機是高性能飛機的核心動力部件，它依靠葉片對氣體壓縮的推力進行工作. 葉片數(shù)量眾多且屬于高速旋轉件，所受載荷復雜、 使用環(huán)境惡劣，是發(fā)動機中需重點檢測的關鍵零件之一[1-4].

由于葉片的重要性，在產(chǎn)品裝配前應進行檢測. 傳統(tǒng)方法一般采用磁粉檢測，結合人工目視進行. 這種方法檢測結果在一定程度上可信，但人工因素高，自動化程度低，難以適應現(xiàn)代化飛機制造業(yè)的高效生產(chǎn).

渦流檢測是一種重要的無損檢測方法，其原理是根據(jù)電磁感應，借助傳感器的激勵裝置在試件中感應出的渦流場變化進行工作，具有簡便高效，可實現(xiàn)非接觸和自動化檢測的優(yōu)勢，其特點是對試件表面或亞表面缺陷敏感，和超聲等檢測方法有效組合，有望取代目前生產(chǎn)中的傳統(tǒng)檢測方法，滿足葉片零件自動化批量生產(chǎn)的檢測需求[5-7].

渦流傳感器主要分為絕對式和差動式兩種結構. 其中差動式傳感器利用差動線圈對相同信號進行抵消、 差異信號進行疊加的特點，可有效抑制溫度、 提離效應等共模干擾信號，更適于識別葉片中微小裂紋. 差動式傳感器又可設計成檢測部分差動式(簡稱差測量式)和激勵部分差動式(簡稱差測量式)兩種結構，本文根據(jù)葉片缺陷檢測實際需求，設計并研制了一種小尺寸、 差激勵式渦流傳感器. 實驗結果表明，這種傳感器抑制干擾能力較強、 靈敏度高，可用于葉片缺陷單探頭自動掃查檢測. 基于該差激勵式渦流傳感器檢測結果，應用現(xiàn)代信號處理技術，進行了葉片表面缺陷(裂紋)的分類識別研究，結果表明，該方法可初步實現(xiàn)幾種典型裂紋形態(tài)的有效識別[8，9].

1差激勵渦流傳感器設計

圖1　差激勵測量系統(tǒng)框圖Fig.1　Difference incentive measurement system

差激勵式渦流傳感器由兩個激勵線圈和一個測量線圈組成，如圖1 所示. 當試件中沒有缺陷時，兩個激勵線圈產(chǎn)生的渦流場能量相同，方向相反，相互抵消，測量線圈中沒有感應電壓輸出； 當試件中存在缺陷時，兩個激勵渦流場能量平衡被破壞，測量線圈中產(chǎn)生感應電壓信號.

如圖2 所示，兩個結構尺寸相同的差動式傳感器，在相同電源電壓激勵下，對于同一尺寸的人工預制裂紋，差激勵式傳感器輸出電壓值明顯高于差測量式傳感器，且信噪比顯著改善.

圖2　葉片試件裂紋兩種差動式檢測結果對比Fig.2　Comparison results of two differential testing

2支持向量機(SVM)分類方法簡介

支持向量機方法(Support Vector Machine，SVM)是20世紀90年代中期在統(tǒng)計學習理論基礎上的一種新型分類算法[10]，它克服了神經(jīng)網(wǎng)絡分類和傳統(tǒng)統(tǒng)計分類方法的一些缺點，較好地解決了小樣本的分類問題. 由于發(fā)動機葉片成本較高，存在裂紋缺陷的葉片樣本較少，給缺陷分類研究帶來實質性困難，屬于典型的小樣本分類問題，用SVM方法較為適合.

為了在多維特征空間構造最優(yōu)分類超平面，只需以核函數(shù)的方式計算特征空間與支持向量中的向量內積. 利用核函數(shù)可以將輸入空間的非線性分類面轉化為高維特征空間F中的線性超平面來處理. 應用較多的核函數(shù)有3類：多項式核函數(shù)，徑向基(RBF)核函數(shù)和神經(jīng)網(wǎng)絡核函數(shù). 考慮到RBF核函數(shù)可以使SVM模型復雜度較低，且對非線性問題適應度較好，因此本文采用RBF核函數(shù).

RBF核函數(shù)形式如式(1)所示

(1)

式中：σ為相應核參數(shù).

由于單一SVM是二元分類器，只能對兩類模式進行識別，要對多種模式進行識別，必須構造一種多元分類器，本文采用“一對一”方法構造多元分類器. “一對一”算法由Kressel提出，該算法在類訓練樣本中構造所有可能的二值分類器，每個二值分類器只取N類中的兩類訓練樣本進行訓練，結果共構造K=N(N-1)/2個分類器，在第k個二值分類器中，用第k類的訓練樣本作為正例，另一類樣本作為反例進行訓練，以獲取該分類器參數(shù)的具體數(shù)值. 這種方法的優(yōu)點是單個SVM訓練規(guī)模較小，分類器的推廣能力較強.

3基于EEMD-小波分析的信號特征處理研究

渦輪葉片試件上部分預制微裂紋位置及尺寸關系如圖3 所示.

圖3　微裂紋以及位置和尺寸關系示意圖Fig.3　Micro cracks and position and size relations diagram

渦輪發(fā)動機葉片由于表面非平面，在檢測過程中，葉片的曲率變化勢必會影響渦流檢測的提離因素，從而帶來大量的噪聲.

總體平均經(jīng)驗模態(tài)分解(Ensemble empirical mode decomposition，EEMD)方法是在經(jīng)驗模態(tài)分解(Empirical Mode Decomposition，EMD)的基礎上發(fā)展而來的、 能有效消除模態(tài)混疊的一種非線性時頻分析方法. 對于葉片來說，裂紋缺陷在渦流檢測中表現(xiàn)為突發(fā)非平穩(wěn)信號，且屬于一種空域信號. 但從傳感器檢測角度來說，信號的拾取又存在一個先后順序，也可以理解為一時序信號，且檢測時一般認為速度是均勻的. 在信號從空域到時域的轉換過程中，相當于一個常量，因此一些基本的時頻變換方法，在渦流信號處理中是可以有效應用的.

本文利用EEMD和小波變換相結合的方法，可以有效抑制強背景噪聲，提取信號特征，并結合SVM方法，實現(xiàn)裂紋分類.

EEMD分解是將白噪聲加入待分解信號來平滑異常事件，利用白噪聲具有頻率均勻分布的統(tǒng)計特性，當信號加入高斯白噪聲后，附加的白噪聲均勻分布在整個時頻空間時，該時頻空間就由濾波器組分割成的不同尺度成分組成. 不同尺度的信號區(qū)域將自動映射到與背景白噪聲相關的適當尺度上去，使信號在不同尺度上具有連續(xù)性，改變了信號極值點的特性，促進抗混疊分解，有效地避免了模式混疊現(xiàn)象. 同時，運用白噪聲的零均值特性，通過多次平均使噪聲相互抵消，從而抑制甚至完全消除噪聲對信號的干擾. 信號x(t)的EEMD方法分解的步驟：

1) 在原始信號x(t)中疊加一組高斯白噪聲信號w(t)獲得一個總體信號

(2)

2) 對X(t)進行EMD分解，得到信號各階本征模態(tài)函數(shù)(IMF)分量

(3)

3) 給原始信號加入不同的白噪聲wi(t)，重復步驟2)和步驟3)得

4) 利用高斯白噪聲頻譜的零均值原理，消除高斯白噪聲作為時域分布參考結構帶來的影響，原始信號對應的IMF分量

(4)

EEMD中所加高斯白噪聲的次數(shù)服從式(5)的統(tǒng)計規(guī)律

(5)

式中：N為總體的個數(shù)；ε為高斯白噪聲的幅度；εn為原始信號與由最終的IMF加和得到的信號之間的誤差. 也就是說，在噪聲幅度一定的情況下，總體個數(shù)越多，最終分解得到的結果越接近真實值. 對于所加噪聲的幅度，如果幅度過小，信噪比過高，噪聲將無法影響到極點的選取，進而失去補充尺度的作用. 一般情況下，εn取0.2，N取100. 為保證算法快速收斂并有效檢測，ε不應取得太小.

5) 原始信號x(t)可分解為

(6)

由于發(fā)動機葉片的曲率變化會產(chǎn)生大量的噪聲，通常主要通過信號的奇異性來判斷葉片表面是否出現(xiàn)損傷，如果裂紋處在葉片較平整處，則檢測獲得的信號信噪比大，容易識別出缺陷位置，但是如果裂紋恰好出現(xiàn)于曲率過渡處，或者由于操作不當?shù)仍颍敲礄z測出的微弱信號有可能存在多處突變，導致很難準確判斷裂紋所在. 將EEMD的白噪聲系數(shù)設為0.1，然后剔除掉一些干擾選出分解后與原信號相近的n個分量重構再進行小波分析，所得結果如圖4 所示.

從圖4 中可以看出，如果只進行小波濾波，則濾波后仍然有1，2，3位置處出現(xiàn)明顯的信號突變，究竟哪個是裂紋或是存在3個裂紋很難判斷，但是經(jīng)過EEMD分解后取IMF3，IMF4分量(IMF4分量與IMF3相似在此略去)可以發(fā)現(xiàn)2，3處的畸變已經(jīng)消除，將兩個分量重構后再進行db5小波分解取d4細節(jié)，可以看出相對EEMD-小波處理后效果更好.

4利用SVM方法的葉片裂紋分類研究

根據(jù)采集得到的葉片裂紋信號的特點，發(fā)現(xiàn)不同類別信號之間最突出的差異主要存在3個方面： ① 信號峰值的大小，即最大值不同； ② 信號谷值的大小，即最小值有區(qū)別； ③ 信號的峰-峰值，即最大值與最小值之間的差值互異. 因此，提取EEMD-小波分解重構后信號的正、 負峰值及峰-峰值這3個特征值作為信號描述子，用來表征每個信號. 將每個信號提取出的前述3個特征構成分類的特征向量，組成完備的樣本集，然后在樣本中隨機抽取80%作為訓練樣本，其余樣本作為預測樣本，利用SVM算法結合“一對一”的多類分類策略，建立了3種分類器.

第1種分類器建立對應葉片表面走向平行、 長度均為3 mm、 寬度均為0.1 mm、 深度分別為0.3 mm，0.2 mm，0.1 mm的裂紋； 第2種分類器設計是依據(jù)尺寸相同，即為長5 mm×寬0.1 mm×深0.2 mm 而角度分別為30°，45°，90°的裂紋構成的； 第3種分類器是針對葉片表面裂紋尺寸依次為長5 mm×深0.3 mm、 長5 mm×深0.15 mm、 長10 mm×深0.3 mm、 長10 mm×深0.15 mm且寬度相同為0.1 mm 的裂紋建立的.

研究表明，由EEMD-小波處理后提取的3個特征量構成的樣本集，通過采用SVM一對一算法策略能有效地對葉片裂紋缺陷進行分類. 但是在建立的3類分類器中，第3種分類器的分類效果最好，從圖5上明顯看出不同長度和深度的裂紋都分到了各自所屬類別，分類準確率高達100%. 而在第1類分類器中有少量被誤分到了其他兩種類中，分類效果稍遜于第3類分類器. 第2類分類器結果相對其他兩種來說，錯分的比率要大一些，其中30°的裂紋缺陷個別被分到了90°的裂紋缺陷中，而 90°的裂紋缺陷少量也被分到了30°裂紋缺陷中，因此，說明第2類分類器對不同角度裂紋的識別效果不夠理想，分類結果如圖5 所示.

圖5　各類缺陷在各個特征截面上的分布Fig.5　Defects distribution on each feature section

根據(jù)分類結果，本文采用敏銳度(MR)、 特殊度(TS)、 分類準確度(GZQ)以及總體分類準確度(ZZQ)等4個指標對分類器性能進行評估，其中分類準確度為每一種分類器分別計算得到的，總體分類準確度即所有缺陷分類的準確度，其值為3個個體分類準確度相加取平均值計算獲得，其表達式可以表示為

式中：K表示屬于該類且被分類器分為該類的樣本數(shù)；B表示屬于該類且被分類器分為不屬于該類的樣本數(shù)；T表示不屬于該類且被分類器分為該類的樣本數(shù)；N表示不屬于該類且被分類器分為不屬于該類的樣本數(shù).

根據(jù)上述評價指標，通過計算可得EEMD小波-SVM分類性能統(tǒng)計結果. 該分類方法在葉片各個裂紋信號識別過程中，對于第1種分類模式特殊度達100%，第2種分類模式敏銳度為84.75%，特殊度達98．83%，第3種分類模式，敏銳度與特殊度以及分類準確度都達到100%； 而整體分類準確度為89.41%.

分析上述結果可能存在以下原因：葉片曲面各處曲率相差較大，對于葉尖部位曲面變化較平緩，因此采集到的信號較一致，受提離、 裂紋角度及其他因素影響較小，一些少數(shù)具有多個奇異點的信號也經(jīng)過信號處理后消除了較大的差異，所以分類準確度最高達100%； 然而對于第1種長度寬度角度相同而深度不同的裂紋，由于是集中在葉片中部，且只有一個深度參數(shù)改變，因此獲得的分類效果也較好； 但是，由于第3種中角度不同的裂紋信號包含了葉片上葉根部位、 葉背部位及葉尖部位的多個裂紋，盡管它們尺寸不同，可是它們角度的不同受葉片曲面曲率差異的影響很大，檢測數(shù)據(jù)結果也存在較大的不同，所以，相對準確率稍低.

5結論

支持向量機SVM方法結構簡單，泛化能力強，采用該方法進行分類，相對于神經(jīng)網(wǎng)絡及其他分類方法具有獨特優(yōu)勢. 為了獲得更好的分類效果，更好的檢測信號——干擾小信噪比大的信號，如何分類至關重要，而信噪比高的信號需要可靠高效的檢測方法、 檢測手段支撐，這就需要繼續(xù)研究和改進完善的檢測及信號處理方法； 其次，是要找出更多的適合葉片裂紋信號的特征量，構成樣本集的特征量，其選取的差異也會對分類結果造成較大的影響； 最后，還需要對如何選擇更適合的SVM分類策略，選取更合適的核函數(shù)及其參數(shù)進行深一步的研究.

參考文獻：

[1]謝小榮, 楊小林. 飛機損傷檢測[M]. 北京： 航空工業(yè)出版社, 2006.

[2]Yilmaz O, Gindy N, Gao J. A repair and overhaul methodology for aeroengine components[J]. Robotics and Computer-Integrated Manufacturing, 2010, 26(2)： 190-201.

[3]Li Xueqin, Jiang Honghai, Yin Guofu. Detection of surface crack defects on ferrite magnetic tile[J]. NDT&E, 2014, 62： 6-13.

[4]Yang Bin. Blade containment evaluation of civil aircraft engines[J]. Chinese Journal of Aeronautics, 2013, 26(1)： 9-16.

[5]林俊明.電磁(渦流)檢測設備的研究現(xiàn)狀及發(fā)展趨勢[J]. 南昌航空大學學報, 2007，29(8)： 59-62.

Lin Junming. Research status and development trend of electromagnetic testing equipment[J]. Journal of Nanchang Aviation University, 2007，29(8)： 59-62. (in Chinese)

[6]Godbole U, Gokh A. Eddy current inspection in aircraft industry[C]. Proceeding of National Seminar on Non-Destructive Evaluation, Hyderabad, 2006： 319-325.

[7]Heuer H, Schulze M H, Meyendorf. Non-Destructive Evaluation (NDE) of Composites： Eddy Current Techniques [J]. Robotics and Computer-Integrated Manufacturing，2010，26(2)： 190-201.

[8]趙秀梅，段建剛，李勇. 渦流陣列探頭在高壓渦輪葉片原位檢測中的應用[J]. 無損檢測，2014, 36(4)： 21-24.

Zhao xiumei, Duan jiangang, Liyong. Application of eddy current array probe in the In-situ detection of high pressure turbine blade[J]. Nondestructive Testing, 2014, 36(4)： 21-24. (in Chinese)

[9]宋凱，劉堂先，王嬋, 等. 航空發(fā)動機渦輪葉片裂紋的陣列渦流檢測仿真研究[C]. 第十屆無損檢測學會年會論文集, 2013.

[10]Huang N E，Shen Z，Long S R．The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[C]∥Proceedings of the Royal Society of London，The Royal Society, 1998： 903-995.

Study on Classifying and Evaluating Defects of the Aviation Engine Blade Based on Eddy Current Detection Signals

YU Xia, ZHANG Weimin, QIU Zhongchao, QIN Feng

(School of Mechanical Engineering, Beijing Institute of Technology, Beijing 100081, China)

Abstract:It is very important to detect blade defects of aero engine turbine for protecting the safety of aircraft operation. Because the blade belongs to irregular curvature parts, It is difficult to ensure strict lift off distance and normal detection, which results in considerable interference and noise since the blade belongs to irregular curvature parts, otherwise weak defect information brings substantive difficulties to detection. A differential incentive eddy current detection probe of small size and high sensitivity is designed and developed, which can be installed on the CNC multi-freedom scanning table and detect defects on blade surface parts rapidly; The combination of overall average modal and empirical mode decomposition technique (EEMD)as well as wavelet transform were used to suppress the strong background noise effectively and extract signal feature,then combined with support vector machine (SVM) method to achieve defect classification.

Key words:engine blade; difference incentive; eddy current sensor; crack detection; EEMD; SVM

中圖分類號:TG115.28

文獻標識碼:A

doi:10.3969/j.issn.1671-7449.2016.02.002

作者簡介：于霞(1977-)，女，博士生，主要從事電磁無損檢測方面的研究.

基金項目：總裝預研基金資助項目(9140A17080610BQ×××)

收稿日期:2015-07-02

文章編號:1671-7449(2016)02-0099-07