道岔转换设备外锁闭装置及安装装置是保证提速和重载线路运输安全的重要设备,外锁闭装置及安装装置通过电动转辙机的牵引来实现道岔的解锁和锁闭。如果转辙机中重要结构出现损伤,将会直接影响转辙机的工作,甚至会导致转辙机失效而引发安全事故。为保证转辙机安全、可靠,在生产线上,转辙机的每个重要组成零件在铸造、加工过程中,主要工序之后都要继续进行多种结构损伤检测工序,来保证有结构损伤的试件被及时剔除掉。在生产线上,现在最普遍使用的有磁粉法、渗透法、超声波检测方法等三种损伤识别方法。但是这三种方法效率低,对零件进行全检非常困难。因此,生产现场需要一种方便、高效和快速的检测方法。声音信号采集具有非接触、方便、速度快等特点,基于声音信号的结构损伤识别方法简单、高效,适合于工业生产线上应用。从本质上来说,声音和振动一样,是能够反映机器零件工作状态的重要信息来源。
近年来,基于声音信号的结构损伤识别技术吸引了研究者越来越多的关注。声音信号分析方法开始于80年代的中期,在90年代发展较快,目前已经在许多领域获得了应用。从国外看,美国的Curtiss-Weight曾经组建了一套声学分析诊断系统,该系统主要用于诊断军用发动机及其相联的动力系统,Pride确定了柴油发动机的作用力与所发出的噪声之问的关系。另外Katsuhiko Shibata等人通过对称点阵、小波变换等方法将噪声信号用图表方式表示出来,在轴承故障诊断中取得了较好的效果;一些研究学者也都在尝试着从声音信号中提取出来机器的运行状况信息,利用有限的传统时域或者频域的方法来提取出相应的信号特征。例如采取发动机某些零件的声场信号,从中可以发现发动机某些零部件磨损、松动引起的异常冲击波形,或者根据某些特征频率来识别故障等。国内也有许多学者在基于声音信号方面做出了大量工作,但是利用声音信号对机器零件结构进行损伤识别目前还未见相关报道。
本文研究了基于核主分量分析的声音信号特征选择方法和基于支持向量机的结构损伤识别方法,构建了一种基于声音信号的结构损伤识别模型,并将该模型应用于现场零件的检测中。
1核主分量分析的基本原理
传统的主分量分析法(PcA)是基于原始特征的一种线性变换,当原始数据存在非线性属性时,使用PCA分析后留下的主要成分就有可能不会反映这种非线性的属性。为了解决这一问题,Scholkopf等人于1999年借鉴支持向量机(SVM)的核方法思想,将PCA拓展到非线性情景,提出了核主分量分析(KP CA)。
2支持向量机分类的基本原理
支持向量机是建立在统计学习理论基础上的针对有限样本而提出的方法。Vapnik于20世纪90年代中期首次提出支持向量机这一概念,支持向量机能在小样本的学习精度和泛化能力之问取得良好的平衡,从而获得比较好的推广能力。
3结构损伤识别模型构建
模型的步骤为:
1)通过声音信号采集实验获得数据。
2)提取数据时域特征(均值、方差、峭度等)、频域特征(均值频率、均方根频率、标准差等)以及每个频带的小波包能量。
3)利用核主分量分析的方法进行特征选择,选择出几组敏感特征。
4)以敏感特征作为输入,利用支持向量机进行识别。
其中,核心内容在于基于核主分量分析的声音信号特征选择方法和基于支持向量机的结构损伤识别方法。
3.1基于核主分量分析的声音信号特征选择方法
由于提取的特征比较多,会产生特征冗余、特征之问互相冲突的问题。而特征选择的目的是从原始特征中选出因为结构出现损伤而变化明显的特征来代替原始特征,从而使特征降维,提高识别精度。
利用核主分量分析对特征进行选取的步骤如下:
(1)选定适当的核函数和核函数参数。
(2)将采集到的数据特征作为输入样本,对其进行KPCA分析。
(3)选择降维后的维数,产生敏感特征。
(4)用敏感特征替代原有特征。
用KPCA进行特征选择后得到的敏感特征即可以作为识别过程的输入样本。
3.2基于支持向量机的结构损伤识别方法
基于支持向量机的分类识别步骤如下:
(1).选择敏感特征作为支持向量机的输入样本。
(2).初始化支持向量机的参数(核函数、核函数参数以及惩罚因了等),选择训练样本,训练支持向量机模型。
(3).选择测试样本,测试支持向量机模型。
(4).以测试得到的识别率为优化目标,用遗传模拟退火优化算法对支持向量机的参数进行优化。
(5).将优化后的参数作为模型参数,建立基于支持向量机的结构损伤识别模型。
4结构损伤识别模型的实验验证
4.1悬臂梁结构损伤识别
1)实验对象和装置
本实验的实验对象为3根裂纹梁试件和2根正常梁试件,裂纹梁试件上的裂纹是在线切割机切割而成,裂纹宽度为0.2 mm。
2)信号采集
声传感器采用MP201型号的传声器,灵敏度为49.Smv / Pa,采集器为LMS。
选择采样频率为41000Hz,采集到的数据长度为32768,测点距声源大约0.5 m。选择了距离固定端13 0mm处作为激励点,用力锤敲击作为激励。此次实验一共采集了42组正常悬臂梁、33组工况一有损伤悬臂梁、35组工况二有损伤悬臂梁和33组工况三有损伤悬臂梁的声音信号。
3)特征提取
在对采集得到的悬臂梁声音信号进行了降噪、去均值等预处理以后,提取其13个时域特征、16个频域特征和16个小波包能量。
4)特征选择
利用核主分量分析方法进行特征选择。
本文选择最常用的径向基函数作为核主分量分析的核函数,以第一主分量的贡献率为优化目标优选核函数参数。取降维后的维数为2,对时域特征进行核主分量分析,得到特征值和特征向量。
用原始数据X乘以特征向量的转置后可以得到一组新的2维向量即为降维后的敏感特征向量。
用此方法分别对三类有损伤零件和正常零件的声音信号的时域、频域特征向量和小波包能量特征向量进行降维,最后得到6维敏感特征向量。
5)构建识别模型
选择正常悬臂梁的32组数据和三个有损伤悬臂梁的60组数据作为支持向量机的训练样本,剩下的数据作为测试样本,用遗传模拟退火算法对支持向量机参数进行优化。
优化选取后的支持向量机参数为:核函数为径向基函数,惩罚因了C为665.59,核函数参数p为0.35313。
6)测试与分析
最终得到的识别率为0.98039,其中出现一处识别错误,将第5个测试样本由正常判定为有损伤。
在判别过程中,出现了一处判别错误。但是这一处错误是将正常的零件判断成了有损伤的零件。通常情况下,机器中重要的零件在加工过程中,出现损伤的概率很低,将正常的判为有损伤的只是误选出极少数的正常的零件,而且工厂的各个零件在加工过程中,要经过层层的检测,所以该模型要实现的主要任务是将正常的与不正常的(有裂纹)以较高的精度区别开,不排除有正常的被误判为不正常的,但是要保证没有不正常的被误判。所以,总体而言,该方法的识别结果还是令人满意的。
4.2转辙机动作杆结构损伤识别
1)实验对象和装置
此次实验对象为西安铁路信号工厂生产的转辙机中的动作杆:1根有损伤的动作杆试件和1根正常动作杆试件。其结构的损伤是在加工过程中产生的白然裂纹。动作杆的外形。实验装置和悬臂梁实验装置一样。
5结论
1)本文研究了基于核主分量分析的声音信号特征选择方法和基于支持向量机的结构损伤识别方法,构建了一种基于声音信号的结构损伤识别模型,并将该模型应用于现场零件的检测中。
2)本文将建立的模型分别应用在试验室的悬臂梁和生产现场中的动作杆中。最终的判别出现了几处判别错误。但是这几处错误都是将正常的零件判断成了有损伤的零件。通常情况下,机器中重要的零件在加工过程中,出现损伤的概率很低,将正常的判为有损伤的只是误选出极少数的正常的零件,而且工厂的各个零件在加工过程中,要经过层层的检测,所以该模型要实现的主要任务是将正常的与不正常的(有裂纹)以较高的精度区别开,不排除有正常的被误判为不正常的,但是要保证没有不正常的被误判。所以,总体而言,该方法的分类得到的结果还是令人满意的。
本文提出的方法能够对机器零件进行快速、有效的结构损伤识别。