張 劍,周 瑾,湯彤彤,周 超

(1.南京航空航天大學 機電學院, 江蘇 南京 210016;2.江蘇省特種設備安全監(jiān)督檢驗研究院, 江蘇 南京 210016)

0 引 言

在日常的運輸作業(yè)中, 起重機主梁承受著大物件頻繁地起吊和卸載,其失效破壞往往從裂紋處開始。隨著工業(yè)的發(fā)展,起重機越來越大型化,裂紋這種微小且通常存在結(jié)構內(nèi)部的損傷很難發(fā)現(xiàn)[1]。 因此, 對主梁裂紋進行及時地識別, 防止發(fā)生巨大的人員、 經(jīng)濟損失是十分必要的。

針對裂紋這類微小結(jié)構損傷, 利用超聲波檢測等無損檢測方法盡管可以有效地識別, 但這類無損檢測的操作流程復雜且需要停產(chǎn)進行專門檢測, 會造成非必要的時間成本浪費且不能實時監(jiān)測[2]。 利用模態(tài)參數(shù)等動力學的識別方法便于實時地在線監(jiān)測診斷, 但是其建立的損傷指標(如柔度矩陣、 振型)識別的敏感度有一定限制, 針對微小的裂紋識別較為困難[3-4]。 動應變信號則整合了模態(tài)參數(shù)識別和超聲檢測識別的優(yōu)點, 便于實時采集且識別敏感性高;Nwosu等對焊接接頭處的裂紋進行研究, 發(fā)現(xiàn)離裂紋較遠的位置仍能檢測出應變變化; 顧培英等[5]對懸臂工字梁多損傷物理模型進行應變試驗, 驗證了基于應變方法識別的有效性。 通過經(jīng)驗模態(tài)分解(Empirical Mode Decomposition,EMD)方法可以提取動應變信號的有效內(nèi)容, 減少采集過程中的噪聲干擾; 但僅提取有效信號后, 很難定義準確的人為損傷識別指標。 支持向量機(Support Vector Machine,SVM)是一種性能強大的模式識別方法, 尤其在數(shù)據(jù)樣本不足的情況, 識別性能優(yōu)于絕大數(shù)機器學習算法; 對于EMD 分解后的信號數(shù)據(jù), 通過SVM 建立識別模型是模式識別領域一種高效的新興方法[6]; 文獻[7-8]采用該方法進行了齒輪裂紋的識別, 準確識別出齒輪中不同的裂紋深度; 陳丙安[9]則通過該方法進行了離心機葉片的故障診斷, 準確識別出了葉片裂紋的出現(xiàn)位置。 因此, 本文將該方法應用于起重機主梁的裂紋識別。

本文通過對實驗室的起重機主梁樣機實際加工模擬出微小裂紋損傷, 通過采集貼片處的動應變信號, 利用EMD和SVM 分別對動應變信號分解處理和建立結(jié)構損傷辨識模型, 準確識別出貼片位置是否存在裂紋損傷, 并驗證了該方法的實用性。

1 動應變信號的采集

實驗對象為有損傷的起重機主梁樣機若干,電路選用簡易的四分之一橋路, 設備包括:120Ω 5AA型電阻應變片若干、 激振力錘、 力錘傳感器、多通道信號采集儀以及PC機各1個。 實驗采集流程為: 通過對主梁上翼緣板不同位置的錘擊激勵,貼于下翼緣板的應變片會相應地產(chǎn)生動應變, 通過多通道采集儀和PC機實時地收集和保存各個應變片的動應變信號, 實驗現(xiàn)場布置如圖1所示。

圖1 實驗布置Fig.1 Experimental layout

為了使采集的數(shù)據(jù)樣本充分, 本文采用了9根結(jié)構相同的主梁, 主梁貼的應變片數(shù)在4和5之間隨機, 貼片位置則根據(jù)相應的應變片數(shù)均布于主梁的下翼緣板處, 力錘的激勵位置隨機分布在主梁的上翼緣板處, 方向豎直向下, 對主梁進行一次力錘激勵可獲得與應變數(shù)相同的多組動應變信號, 同一主梁可根據(jù)錘擊點的不同位置得到不同的動應變信號, 對采集的所有信號按照貼片的位置是否有裂紋損傷分為有損和無損兩類, 某主梁的貼片位置和力錘敲擊位置如圖2所示。

圖2 貼片位置和力錘敲擊位置Fig.2 Patch position and hammer strike position

本文所用的某一樣機的裂紋損傷和貼片情況如圖3所示。

圖3 裂紋模擬及貼片情況Fig.3 Crack simulation and patch strain gauge

實驗對多組起重機樣機進行多次力錘激勵,采集了83組應變片信號, 其中33組為有損類,50組為無損類。 圖4為某次錘擊實驗所獲得的力錘信號和動應變信號。

圖4 動應變實驗的信號Fig.4 Signal of dynamic strain experiment

2 基于EMD的信號分析和處理

EMD方法提出于上世紀末, 常用于非平穩(wěn)時變信號的分解。EMD將原信號自適應地分解成一組數(shù)據(jù)序列集, 集合中的每個序列稱為本征模函數(shù)(IMF)。 每個IMF代表不同特征尺度下的平穩(wěn)信號, 信號的能量表征機械結(jié)構的損傷狀況。 為消除力錘激勵信號大小差異, 對每個IMF的能量除以激勵信號幅值, 得到單位力錘激勵下的能量值。

歸一化的能量值反映了主梁結(jié)構的損傷特征,本文將更新后IMF能量值作為識別模型的輸入特征向量。

以實驗中某一應變片采集到的動應變信號為例,EMD 對原信號分解后的前5階IMF分量如圖5所示。

圖5 原動應變信號與各階IMF信號Fig.5 Original strain signal and each order IMF signal

由于主要的損傷信息包含在前幾階IMF分量中, 因此, 本文考慮前5階IMF分量, 對上圖的IMF分量求能量, 并進行歸一化后得到的輸入特征向量如表1所示。

表1 輸入特征向量Tab.1 Input eigenvectors

3 基于SVM 的裂紋損傷識別

SVM 是一種強大的機器學習算法, 于20世紀90年代由Vapnik提出[11], 其基本原理是將在低維空間線性不可分的兩組向量, 利用核函數(shù)的方法映射在高維空間上, 找到一個最大間隔的分隔超平面將兩組向量區(qū)分出來[12]。

將采集到的83組動應變信號分為50組訓練樣本(20組有損,30組無損)和33組測試樣本(13組有損,20組無損), 訓練樣本和測試樣本的部分數(shù)據(jù)(分別取前5組)特征如表2, 表3所示,其中, 輸出值為1, 表示有裂紋損傷, 輸出值為0,則沒有裂紋損傷。

表2 訓練集部分數(shù)據(jù)Tab.2 Partial data of training set

表3 測試集部分數(shù)據(jù)Tab.3 Partial data of test set

在Python中導入相應的SVM 庫和評估指標, 用訓練樣本訓練SVM 模型。 本文分別比較了線性核函數(shù)、 高斯核函數(shù)和尋優(yōu)后的高斯核函數(shù)3種SVM 模型, 采用評價機器學習的常見評估指標: 準確率、F1分數(shù)以及AUC面積, 模型訓練的效果如表4所示。

表4 訓練完成的3種SVM 識別效果Tab.4 Three SVM recognition effects after training

由表4結(jié)果可以得到,3種SVM 訓練的準確率均達到了90%以上, 將訓練好的3種SVM 應用于33組測試樣本, 識別效果如表5所示。

表5 3種SVM 模型在測試集的識別效果Tab.5 Recognition effect of three SVM models in test set

3種SVM 模型在測試集上識別的準確率均達到84.8%, 即模型在未訓練的樣本上識別表現(xiàn)良好, 存在一定的泛化能力, 其中尋優(yōu)高斯核函數(shù)的SVM 模型在F1分數(shù)和AUC 2個指標上優(yōu)于其余2種SVM 模型。

4 結(jié)束語

針對工程中起重機主梁上微小裂紋識別效果差, 難以實時監(jiān)測的問題, 本文采用的動應變信號對損傷敏感且便于實時采集, 通過EMD 和SVM 建立的裂紋損傷辨識模型所需數(shù)據(jù)量少, 識別效果好, 具備一定的泛化能力。 因此, 對同型號大批量生產(chǎn)的起重機, 可采用本文方法預先建立裂紋辨識模型, 在服役時可對主梁上的裂紋進行初步識別。