張 劍,周 瑾,湯彤彤,周 超

(1.南京航空航天大學(xué) 機(jī)電學(xué)院, 江蘇 南京 210016;2.江蘇省特種設(shè)備安全監(jiān)督檢驗(yàn)研究院, 江蘇 南京 210016)

0 引 言

在日常的運(yùn)輸作業(yè)中, 起重機(jī)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(jī)越來越大型化,裂紋這種微小且通常存在結(jié)構(gòu)內(nèi)部的損傷很難發(fā)現(xiàn)[1]。 因此, 對(duì)主梁裂紋進(jìn)行及時(shí)地識(shí)別, 防止發(fā)生巨大的人員、 經(jīng)濟(jì)損失是十分必要的。

針對(duì)裂紋這類微小結(jié)構(gòu)損傷, 利用超聲波檢測(cè)等無損檢測(cè)方法盡管可以有效地識(shí)別, 但這類無損檢測(cè)的操作流程復(fù)雜且需要停產(chǎn)進(jìn)行專門檢測(cè), 會(huì)造成非必要的時(shí)間成本浪費(fèi)且不能實(shí)時(shí)監(jiān)測(cè)[2]。 利用模態(tài)參數(shù)等動(dòng)力學(xué)的識(shí)別方法便于實(shí)時(shí)地在線監(jiān)測(cè)診斷, 但是其建立的損傷指標(biāo)(如柔度矩陣、 振型)識(shí)別的敏感度有一定限制, 針對(duì)微小的裂紋識(shí)別較為困難[3-4]。 動(dòng)應(yīng)變信號(hào)則整合了模態(tài)參數(shù)識(shí)別和超聲檢測(cè)識(shí)別的優(yōu)點(diǎn), 便于實(shí)時(shí)采集且識(shí)別敏感性高;Nwosu等對(duì)焊接接頭處的裂紋進(jìn)行研究, 發(fā)現(xiàn)離裂紋較遠(yuǎn)的位置仍能檢測(cè)出應(yīng)變變化; 顧培英等[5]對(duì)懸臂工字梁多損傷物理模型進(jìn)行應(yīng)變?cè)囼?yàn), 驗(yàn)證了基于應(yīng)變方法識(shí)別的有效性。 通過經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)方法可以提取動(dòng)應(yīng)變信號(hào)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(hào)后, 很難定義準(zhǔn)確的人為損傷識(shí)別指標(biāo)。 支持向量機(jī)(Support Vector Machine,SVM)是一種性能強(qiáng)大的模式識(shí)別方法, 尤其在數(shù)據(jù)樣本不足的情況, 識(shí)別性能優(yōu)于絕大數(shù)機(jī)器學(xué)習(xí)算法; 對(duì)于EMD 分解后的信號(hào)數(shù)據(jù), 通過SVM 建立識(shí)別模型是模式識(shí)別領(lǐng)域一種高效的新興方法[6]; 文獻(xiàn)[7-8]采用該方法進(jìn)行了齒輪裂紋的識(shí)別, 準(zhǔn)確識(shí)別出齒輪中不同的裂紋深度; 陳丙安[9]則通過該方法進(jìn)行了離心機(jī)葉片的故障診斷, 準(zhǔn)確識(shí)別出了葉片裂紋的出現(xiàn)位置。 因此, 本文將該方法應(yīng)用于起重機(jī)主梁的裂紋識(shí)別。

本文通過對(duì)實(shí)驗(yàn)室的起重機(jī)主梁樣機(jī)實(shí)際加工模擬出微小裂紋損傷, 通過采集貼片處的動(dòng)應(yīng)變信號(hào), 利用EMD和SVM 分別對(duì)動(dòng)應(yīng)變信號(hào)分解處理和建立結(jié)構(gòu)損傷辨識(shí)模型, 準(zhǔn)確識(shí)別出貼片位置是否存在裂紋損傷, 并驗(yàn)證了該方法的實(shí)用性。

1 動(dòng)應(yīng)變信號(hào)的采集

實(shí)驗(yàn)對(duì)象為有損傷的起重機(jī)主梁樣機(jī)若干,電路選用簡(jiǎn)易的四分之一橋路, 設(shè)備包括:120Ω 5AA型電阻應(yīng)變片若干、 激振力錘、 力錘傳感器、多通道信號(hào)采集儀以及PC機(jī)各1個(gè)。 實(shí)驗(yàn)采集流程為: 通過對(duì)主梁上翼緣板不同位置的錘擊激勵(lì),貼于下翼緣板的應(yīng)變片會(huì)相應(yīng)地產(chǎn)生動(dòng)應(yīng)變, 通過多通道采集儀和PC機(jī)實(shí)時(shí)地收集和保存各個(gè)應(yīng)變片的動(dòng)應(yīng)變信號(hào), 實(shí)驗(yàn)現(xiàn)場(chǎng)布置如圖1所示。

圖1 實(shí)驗(yàn)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(gòu)相同的主梁, 主梁貼的應(yīng)變片數(shù)在4和5之間隨機(jī), 貼片位置則根據(jù)相應(yīng)的應(yīng)變片數(shù)均布于主梁的下翼緣板處, 力錘的激勵(lì)位置隨機(jī)分布在主梁的上翼緣板處, 方向豎直向下, 對(duì)主梁進(jìn)行一次力錘激勵(lì)可獲得與應(yīng)變數(shù)相同的多組動(dòng)應(yīng)變信號(hào), 同一主梁可根據(jù)錘擊點(diǎn)的不同位置得到不同的動(dòng)應(yīng)變信號(hào), 對(duì)采集的所有信號(hào)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(jī)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(shí)驗(yàn)對(duì)多組起重機(jī)樣機(jī)進(jìn)行多次力錘激勵(lì),采集了83組應(yīng)變片信號(hào), 其中33組為有損類,50組為無損類。 圖4為某次錘擊實(shí)驗(yàn)所獲得的力錘信號(hào)和動(dòng)應(yīng)變信號(hào)。

圖4 動(dòng)應(yīng)變實(shí)驗(yàn)的信號(hào)Fig.4 Signal of dynamic strain experiment

2 基于EMD的信號(hào)分析和處理

EMD方法提出于上世紀(jì)末, 常用于非平穩(wěn)時(shí)變信號(hào)的分解。EMD將原信號(hào)自適應(yīng)地分解成一組數(shù)據(jù)序列集, 集合中的每個(gè)序列稱為本征模函數(shù)(IMF)。 每個(gè)IMF代表不同特征尺度下的平穩(wěn)信號(hào), 信號(hào)的能量表征機(jī)械結(jié)構(gòu)的損傷狀況。 為消除力錘激勵(lì)信號(hào)大小差異, 對(duì)每個(gè)IMF的能量除以激勵(lì)信號(hào)幅值, 得到單位力錘激勵(lì)下的能量值。

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

以實(shí)驗(yàn)中某一應(yīng)變片采集到的動(dòng)應(yīng)變信號(hào)為例,EMD 對(duì)原信號(hào)分解后的前5階IMF分量如圖5所示。

圖5 原動(dòng)應(yīng)變信號(hào)與各階IMF信號(hào)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(duì)上圖的IMF分量求能量, 并進(jìn)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(shí)別

SVM 是一種強(qiáng)大的機(jī)器學(xué)習(xí)算法, 于20世紀(jì)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(gè)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(dòng)應(yīng)變信號(hào)分為50組訓(xùn)練樣本(20組有損,30組無損)和33組測(cè)試樣本(13組有損,20組無損), 訓(xùn)練樣本和測(cè)試樣本的部分?jǐn)?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(xùn)練集部分?jǐn)?shù)據(jù)Tab.2 Partial data of training set

表3 測(cè)試集部分?jǐn)?shù)據(jù)Tab.3 Partial data of test set

在Python中導(dǎo)入相應(yīng)的SVM 庫和評(píng)估指標(biāo), 用訓(xùn)練樣本訓(xùn)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(píng)價(jià)機(jī)器學(xué)習(xí)的常見評(píng)估指標(biāo): 準(zhǔn)確率、F1分?jǐn)?shù)以及AUC面積, 模型訓(xùn)練的效果如表4所示。

表4 訓(xùn)練完成的3種SVM 識(shí)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(xùn)練的準(zhǔn)確率均達(dá)到了90%以上, 將訓(xùn)練好的3種SVM 應(yīng)用于33組測(cè)試樣本, 識(shí)別效果如表5所示。

表5 3種SVM 模型在測(cè)試集的識(shí)別效果Tab.5 Recognition effect of three SVM models in test set

3種SVM 模型在測(cè)試集上識(shí)別的準(zhǔn)確率均達(dá)到84.8%, 即模型在未訓(xùn)練的樣本上識(shí)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?jǐn)?shù)和AUC 2個(gè)指標(biāo)上優(yōu)于其余2種SVM 模型。

4 結(jié)束語

針對(duì)工程中起重機(jī)主梁上微小裂紋識(shí)別效果差, 難以實(shí)時(shí)監(jiān)測(cè)的問題, 本文采用的動(dòng)應(yīng)變信號(hào)對(duì)損傷敏感且便于實(shí)時(shí)采集, 通過EMD 和SVM 建立的裂紋損傷辨識(shí)模型所需數(shù)據(jù)量少, 識(shí)別效果好, 具備一定的泛化能力。 因此, 對(duì)同型號(hào)大批量生產(chǎn)的起重機(jī), 可采用本文方法預(yù)先建立裂紋辨識(shí)模型, 在服役時(shí)可對(duì)主梁上的裂紋進(jìn)行初步識(shí)別。