駱志高，葉紅英，胥愛成

（江蘇大學 機械工程學院，江蘇 鎮(zhèn)江 212013）

在薄板成型過程中，變形程度、受力情況以及摩擦與潤滑等情況千差萬別，制件在成型過程中產生裂紋在所難免，而當裂紋擴展到一定程度則可能造成經濟損失亦或災難性的事故。因此，從經過處理的聲發(fā)射信號中提取到相關的特征參數，成為本研究的主要目的。

近年來，在聲發(fā)射信號特征參數提取方面國內外均取得了相當的成果。Khamedi等［1］采用小波技術研究了不同馬氏體含量的雙相鋼在拉伸試驗中產生的聲發(fā)射信號能量基本上集中在兩個或三個不同組成部分的頻率范圍，每個頻率范圍與單獨的微觀故障結構相關。Chen等［2］采用聲發(fā)射技術對磨削燒傷與振動進行了分析，采用小波包分解與短時傅里葉變換對聲發(fā)射信號進行預處理并分解至不同頻段，得到了較好研究成果。Mohanty等［3］采用高斯時間序列模型對金屬結構進行壽命預測，結果表明與其他組合方法相比，采用高斯時間序列模型的預測誤差要小得多。何正嘉等［4］采用第二代小波變換對數控機床銑削過程產生的聲發(fā)射信號進行分析，最終有效地提取并識別出立銑刀破損狀態(tài)特征以及對工件表面加工質量的影響，為故障診斷、誤差溯源、質量控制提供了科學的依據。吳小?。?］對焊接裂紋聲發(fā)射監(jiān)測系統(tǒng)進行了軟、硬件設計，并開發(fā)了一套基于虛擬儀器技術的焊接裂紋聲發(fā)射監(jiān)測分析系統(tǒng)平臺。成建國［6］采用神經網絡模式識別法對混流式水輪機轉輪產生裂紋時的聲發(fā)射信號進行識別，并通過所設計的特征提取器提取出五個特征參數，從而成功識別出金屬裂紋聲發(fā)射信號。

本文將聲發(fā)射技術應用在對金屬拉伸件的成形質量進行實時在線檢測尚處于萌芽階段，同時由于該類型信號的樣本采集及特征識別比較困難等特點，若能發(fā)現裂紋產生的聲發(fā)射信號并對其進行識別，則對于金屬板料加工有重要意義，所以對其研究具有很高的學術價值和經濟價值。同時，本文在采用小波包技術與時序分析相結合的方法提取反映制件裂紋特征參數的準確性方面取得了較大的提高。本文選取ST14材料盒形拉伸成型件為研究對象，研究板材在深拉伸狀態(tài)下裂紋聲發(fā)射信號特征參數的提取。采用時序分析和MATLAB相結合，從經過小波包分解的聲發(fā)射信號中提取出相關的特征參數。

1 時間序列分析

1.1 時間序列分析概論

時間序列是一種處理動態(tài)數據的參數化時域分析方法。其主要手段是選擇恰當的數學模型來近似描述動態(tài)數據，通過研究分析，更本質地了解數據的內在結構和復雜特性，以達到控制和預報的目的［7］。本研究中的聲發(fā)射信號是將已經小波包分解后的平穩(wěn)信號通過時間序列分析來提取其特征參數，從而使提取到的特征參數值更加的精確。由于聲發(fā)射傳感器的頻率帶寬為100～300 kHz，故采集的信號為高頻信號，因此可以忽略其他復雜信號。

1.2 時間序列模型類型的選擇

時間序列模型一般分為三種：ARMA（n，m）模型、AR（n）模型和MA（m）模型。一般來說，AR模型與ARMA模型的自相關函數ρk具有拖尾特性，MA模型的ρk具有截尾特性；而MA模型與ARMA模型的偏自相關函數具有拖尾性質，AR模型的偏自相關函數具有截尾性質。因此，可根據需要建模的時序數據的自相關函數與偏自相關函數的性質進行建模類型的選擇［8］。

1.3 時間序列模型定階準則

FPE準則（最小最終預報誤差準則）是由樣本對模型定階。它是以模型輸出的一步預報誤差方差來判定模型階次：一步預報誤差方差陣的行列式越小，就認為模型擬合得越理想，這時的模型階次認為是最佳的階次，即FPE（n）最小的n值作為模型的最佳階數。

1.4 時間序列模型參數的估計

模型參數估計是建立時間序列模型必不可少的重要內容，常用的方法分為兩類：AR模型的參數估計方法分為兩類：一類稱為直接估計法，包括最小二乘估計法、自相關法（即解Yule-Clayton方程估計法）等；另一類稱為遞推估計法，包括矩陣遞推估計法、參數遞推估計法、實時遞推估計法等［9］。在本研究中，主要采用最小二乘估計法來進行模型參數的估計。

2 MATLAB在特征參數提取中的應用

Matlab是Math Work公司于1984年推出的功能強大的大型工程軟件，其科學計算功能的強大和開放式的開發(fā)思想使其成為當今最為流行的、最為優(yōu)秀的科技應用軟件之一，在數值分析、科學計算、算法開發(fā)、建模和仿真等方面具有獨特的優(yōu)勢。特別是在一些常用的復雜的矩陣運算以及仿真運算上，Matlab充分體現了其優(yōu)越［10］。

將聲發(fā)射原始信號進行數據處理并檢驗合格后，在MATLAB軟件中計算各數據的自相關系數與偏相關系數，確定模型類型，圖1和圖2是一組分解信號的自相關系數與偏相關系數連線圖。

由圖可知：該組信號的偏自相關系數具有明顯的截尾特性，而自相關系數則是拖尾特性，所以該組信號的時序模型確定為模型。同理，可確定其他各組信號的時序模型。根據檢驗結果，所有分解信號都滿足建立模型的條件。

對8組分解信號采用FPE準則確定模型的最佳階次。在MATLAB軟件中的命令為：

按上述程序生成各分解信號的FPE分布線圖，并求取與各分解信號最小FPE值對應的階數。

根據軟件計算所得最佳階數分別對各組信號進行時序建模，得到各組信號的自回歸模型。對于AR模型的參數估計，MATLAB中采用 ar函數，具體調用格式為：

其中，y為需要建模的時間序列信號，n為模型階數，＇approach＇表示采用的參數估計方法，包括向前反饋法、最小二乘法、Yule-Walker法、Burg法等。本研究采用最小二乘法估計模型參數。

經檢驗，模型殘差符合正態(tài)分布，說明所建立的時序模型是正確的。

最后采用E=trapz（f0，px0）命令提取時序譜能量值作為反映裂紋信號的特征參數。

3 金屬拉伸制件聲發(fā)射信號數據分析

3.1 測試方法

3.1.1 實驗過程

本實驗對金屬板料ST14（尺寸為400×600×1.5 mm）在拉伸模具上進行拉伸試驗。在板料拉伸成型之前，需將板料放置壓邊圈的中間位置，故需要將在板料上標出其對稱線，方便放置于壓邊圈中央。在拉伸過程中，板料始終與卸料板相接觸，故將聲發(fā)射傳感器分別置于卸料板的周圍，并用聲發(fā)射儀采集全過程聲發(fā)射信號。

本研究的主要實驗步驟如下：

（1）根據模具尺寸裁剪板料，并對板料進行標定；標定目的是在數據采集時，將板料放置在凸模的正中間位置；

（2）將聲發(fā)射傳感器安裝在板料上，測定斷鉛信號，以判定聲發(fā)射檢測設備的完整性；

（3）根據模具結構及制件裂紋可能產生的位置，安裝聲發(fā)射檢測設備；并在聲發(fā)射傳感器所在零部件上進行斷鉛信號測定，以確保聲發(fā)射檢測設備可以采集到聲發(fā)射信號；

（4）對液壓機的運行速度、模具壓邊力等參數進行調整，確保制件產生不明顯的小裂紋以及不產生明顯裂紋；

（5）對采集到的信號進行分析處理和裂紋信號的識別。

3.1.2 實驗參數的設置

（1）聲發(fā)射傳感器的選擇及參數設置

針對金屬裂紋產生的聲發(fā)射信號的特點，選取鵬翔科技的PXR15諧振式聲發(fā)射傳感器，其主要性能參數為：頻率帶寬：100～300 kHz，靈敏度＞65 dB，諧振頻率：150 kHz，使用溫度范圍：-20～80℃，尺寸：φ18×17 mm。

（2）前置放大器的選擇及參數設置

本次實驗采用PXPAIV前置放大器，其優(yōu)點是高帶寬、抗沖擊、體積小、低噪音以及較高的兼容性，其主要性能參數為：

頻率帶寬：15 kHz～1.5 MHz，增益：34/40 dB，噪聲：2.8 μVRMS，使用溫度范圍：-30 ～ 80℃，電源功耗：28 V/30 mA，主要尺寸：90×35×30 mm。

（3）聲發(fā)射采集卡的選擇及參數設置

本次實驗采用的是PXDAQ12254型號聲發(fā)射卡，集成在數據處理系統(tǒng)中，其主要性能參數為：

聲發(fā)射輸入通道數：4通道/卡，輸入電阻：40 Ω，信號帶寬：5 kHz～4 MHz，采樣分辨率：12字節(jié)，采樣速度：20 MSps/S，噪聲最小閥值：28 dB，最大信號幅度：100 dB，通道隔離度：≥90 dB。

3.2 實驗數據處理

3.2.1 數據采集

在金屬中，裂紋產生的頻率可達100 kHz以上，為增大信號的分辨率，設定采樣頻率為1 000 kHz。圖3和圖4是分別是有明顯裂紋與無明顯裂紋的聲發(fā)射信號圖。

圖3 制件有明顯裂紋聲發(fā)射信號圖Fig.3 Parts of AE signals with significant crack

3.2.2 數據處理

本研究將處理過的2組聲發(fā)射信號S1，S2分別導入到MATLAB軟件中，通過時序分析得到各分解信號的自回歸譜，如下圖5和圖6所示：

圖4 制件無明顯裂紋聲發(fā)射信號圖Fig.4 Parts of AE signals with no significant crack

圖5 信號S1的各分解頻帶時序譜值圖Fig.5 The timing spectrum value figure of each decomposed band for the signal S1

3.2.3 能量參數的提取

由于大多數金屬都具有一定的塑性，裂紋向前擴展一步，則將積蓄的能量釋放出來，而裂紋尖端區(qū)域卸載。這樣，裂紋擴展產生的聲發(fā)射很可能比裂紋形成的聲發(fā)射還大得多。故聲發(fā)射信號的能量值對裂紋特征十分敏感。

為直觀的將聲發(fā)射信號的能量分布從頻率由高到低顯示，將聲發(fā)射信號S1，S2各通道的時序譜能量值連成平滑的曲線，如圖7、圖8所示：

圖6 信號S2的各分解頻帶時序譜值圖Fig.6 The timing spectrum value figure of each decomposed band for the signal S2

3.3 實驗結果分析

從有裂紋信號的各頻帶能量分布圖（圖7）與無裂紋信號的各頻帶能量分布圖（圖8）可以看出這兩種信號的明顯區(qū)別為：

（1）有裂紋聲發(fā)射信號各分解頻帶能量值之和遠大于無裂紋聲發(fā)射信號能量值；而且自125 kHz到300 kHz頻段，各分解頻段的能量值都比無裂紋聲發(fā)射信號的大很多；

（2）有裂紋聲發(fā)射信號能量分布是先增大后減小趨勢；而無裂紋聲發(fā)射信號能量分布是漸減小的趨勢；

（3）有裂紋聲發(fā)射信號與無裂紋聲發(fā)射信號的第一分解頻帶的能量值百分數呈現相反的比例趨勢，很明顯：有裂紋聲發(fā)射信號的第一分解頻帶的時序譜值占整段信號時序譜值的比值較小，而無裂紋聲發(fā)射信號的第一分解頻帶的時序譜值占整段信號時序譜值的比值較大；同理，這兩組分解信號的第三分解頻段的時序譜值呈現相同的規(guī)律，不同的是有裂紋聲發(fā)射信號所占比值較大，而無裂紋聲發(fā)射信號所占比值較小。

4 結論

根據金屬拉伸制件在成型過程中產生的聲發(fā)射信號特點，對經過小波包分解的聲發(fā)射信號進行時序分析和MATLAB處理，成功的得到了各信號的自回歸譜圖。同時，為直觀的將聲發(fā)射信號的能量分布從頻率由高到低顯示，將聲發(fā)射信號各通道的時序譜能量值連成平滑的曲線，從而得到了聲發(fā)射信號的能量分布圖。這為判斷成型制件的質量提供了有利的依據。

［1］ Khamedi R，Fallahi A，Oskouei A R.Effect of martensite phase volume fraction on acoustic emission signals using wavelet packet analysis during tensile loading of dual phase steels［J］.Materials and Design，2010，31：2752-2759.

［2］ Chen X，Griffin J.Grinding burn and chatter classification using genetic programming［J］.Source：Key Engineering Materials，2009，389-390：90-95.

［3］ Mohanty S，Das S，Chattopadhyay A，et al.Gaussian process time series model for life prognosis of metallic structures［J］.Journal of Inteuigent Material Systems and Stvuctures，2009，20（8）：887-896.

［4］何正嘉，曹宏瑞，李 臻，等.銑削刀具破損檢測的第二代小波變換原理［J］.中國科學 E輯：技術科學，2009，39（6）：1174-1184.

［5］吳小俊.聲發(fā)射技術在焊接裂紋檢測中的應用研究［D］.重慶：重慶大學，2008.

［6］成建國.金屬裂紋聲發(fā)射信號識別及報警的方法研究［D］.廣西：廣西大學，2008.

［7］尹光志，岳 順，鐘 燾，等.基于ARMA模型的隧道位移時間序列分析［J］.巖土力學，2009，30（9）：2727-2732.

［8］王振龍，胡永宏.應用時間序列分析［M］.北京：科學出版社，2007.

［9］任 欣，萬新南.基于MATLAB的AR及BP模型在礦井涌水量預測中的應用與比較［J］.煤炭技術，2009，28（3）：64-66.

［10］杜欣慧，張麗芳，李 青，等.電力系統(tǒng)負荷預測軟件中VB與Matlab的接口方法研究［J］.電力系統(tǒng)保護與控制，2010，38（19）：208-211.