劉 鴻， 陳宏志， 蘆永明， 王麗娜， 張云貴， 于立業(yè)

(中國鋼研冶金自動化研究設(shè)計院混合流程工業(yè)自動化系統(tǒng)及裝備技術(shù)國家重點實驗室 北京，100071)

?

狀態(tài)熱圖在AGC伺服缸早期振動辨識中的應(yīng)用*

劉 鴻， 陳宏志， 蘆永明， 王麗娜， 張云貴， 于立業(yè)

(中國鋼研冶金自動化研究設(shè)計院混合流程工業(yè)自動化系統(tǒng)及裝備技術(shù)國家重點實驗室 北京，100071)

通過對軋制自動厚度控制系統(tǒng)(automated gauge control,簡稱AGC)伺服缸分別模擬3個階段的保載和振動加載下所收集到的聲發(fā)射信號，依托前期研究，探索基于狀態(tài)熱圖的AGC伺服缸早期振動的辨識方法。通過在遷安滬久660 mm軋機的AGC伺服缸上模擬保載和早期振動狀態(tài)，采集聲發(fā)射信號，對所采集信號的累計概率分布進行分析，選取可表征伺服缸加載狀態(tài)變化的聲發(fā)射特征?；趯λx特征進行組合并施加一定的值域約束和邏輯運算條件，構(gòu)建了AGC伺服缸保載和早期振動的聲發(fā)射熱圖。對狀態(tài)熱圖的分析結(jié)果顯示，AGC伺服缸在同等加載狀態(tài)下的振動和保載狀態(tài)可較好地通過此類狀態(tài)熱圖予以呈現(xiàn)，為AGC伺服缸的早期振動狀態(tài)提供一種快速、便捷的可視化辨識方案。

AGC伺服缸； 聲發(fā)射； 狀態(tài)熱圖； 振動辨識

1 問題的引出

作為生產(chǎn)高品質(zhì)鋼材工藝過程的最后一道工序，不斷增長的工業(yè)制造需求對軋制裝備的設(shè)備性能、可靠性和精度提出了更為苛刻的要求[1]。AGC伺服系統(tǒng)以其響應(yīng)快速、控制精準(zhǔn)、過載保護可靠、維護工作量少以及可在重載和復(fù)雜力學(xué)環(huán)境下實現(xiàn)持續(xù)位置控制的特點，在軋機輥縫控制上得到了廣泛的應(yīng)用[2]。伺服液壓缸作為AGC系統(tǒng)的執(zhí)行部件直接與支承輥接觸，其性能直接決定了軋制過程的控制精度和產(chǎn)品質(zhì)量。由于鋼鐵企業(yè)的生產(chǎn)線多為7×24 h不間斷連續(xù)工作模式，故障和失效時有發(fā)生。寶鋼的統(tǒng)計數(shù)據(jù)顯示，在軋制類機械裝備故障、失效的發(fā)生率方面，伺服液壓缸達到33.36%[3],如圖1所示。然而，對軋機液壓系統(tǒng)故障和失效的狀態(tài)監(jiān)測與故障診斷方面，現(xiàn)場仍是通過監(jiān)測整個液壓系統(tǒng)的運行狀況，再結(jié)合經(jīng)驗對系統(tǒng)各部件逐個排查的方式進行，已難以滿足目前工業(yè)應(yīng)用的需求。

圖1 寶鋼軋制設(shè)備故障發(fā)生概率Fig.1 Probability distributions of the faults for the rolling hydraulic components

振動是AGC伺服缸最常見的功能異常之一，導(dǎo)致伺服缸發(fā)生振動的原因主要是缸內(nèi)進入空氣或空穴、機械系統(tǒng)異常引起振動、壓力和流量脈動大、元件異?；蚱茐牡?，這些將引起AGC系統(tǒng)對輥縫控制精度的下降，干擾對軋制產(chǎn)品質(zhì)量的精確控制[3]。然而，伺服缸是否發(fā)生振動需要在伺服缸的振動達到較為顯著的狀態(tài)時才可通過監(jiān)測AGC系統(tǒng)的輸入輸出進行判別[4]?；趯χC振噪聲更好的魯棒性以及故障在萌生狀態(tài)的精準(zhǔn)辨識能力，聲發(fā)射(acoustic emission,簡稱AE)在復(fù)雜機械結(jié)構(gòu)的故障萌生、發(fā)展過程的識別以及健康監(jiān)測中有了較廣泛的應(yīng)用[5-6]。狀態(tài)熱圖在筆者前期的研究中，從醫(yī)學(xué)和鋼鐵冶金領(lǐng)域的應(yīng)用證實了其可通過較小的計算量為復(fù)雜結(jié)構(gòu)的狀態(tài)辨識提供一種可視化的解決方案[7-8]。本研究的目的是為AGC伺服缸在故障發(fā)生前的早期振動提供一種可視化的監(jiān)測方案，同時考慮以AE為檢測媒介，以狀態(tài)熱圖為狀態(tài)表征的方法。利用液壓實驗平臺，對AGC伺服液壓缸進行保載和早期振動模擬實驗，采集并記錄產(chǎn)生的AE信號，通過對信號特征的累計概率分布分析，選取具備統(tǒng)計顯著性的6個特征，并基于這6個特征，構(gòu)建伺服缸在保載和早期振動狀態(tài)下的AE狀態(tài)熱圖模型[9-11]，實現(xiàn)對AGC伺服缸早期振動的可視化監(jiān)測。

2 AE數(shù)據(jù)采集實驗方案

2.1 測試對象和測試平臺

本研究以遷安滬久660 mm軋機的壓下厚度控制液壓伺服缸為測試對象，活塞直徑為550 mm，內(nèi)徑為600 mm，外徑為850 mm；缸體材質(zhì)為碳鋼；活塞密封圈材質(zhì)為聚四氟乙烯；最大工作壓力為25 MPa。伺服缸的狀態(tài)模擬和AE數(shù)據(jù)采集在45 MN液壓伺服缸實驗平臺上進行，該平臺可完成對伺服缸保載、頻率響應(yīng)、啟動壓力及振動等關(guān)鍵靜、動態(tài)性能指標(biāo)的測試和模擬。

2.2 AGC伺服缸數(shù)據(jù)采集實驗方案

數(shù)據(jù)采集實驗的設(shè)置如圖2所示，數(shù)據(jù)采集系統(tǒng)由5個壓電傳感器(型號為PAC-R15i，頻率響應(yīng)為100 kHz～400 kHz，內(nèi)置固定增益40 dB的前置放大器)、磁性夾具、PAC SH-II型全天候聲發(fā)射監(jiān)測系統(tǒng)以及PC機構(gòu)成。

為保證對測試過程中產(chǎn)生的AE信號進行全方位采集，傳感器S2,S3,S4和S5通過磁性夾具固定在缸體表面，與伺服缸活塞等高的位置(離地25 mm)，4個傳感器相對于伺服缸橫截面圓心呈90°夾角，傳感器S1通過磁性夾具固定在距離進油口最近的位置。5個傳感器采集到的AE信號通過PAC SH-II全天候聲發(fā)射監(jiān)測系統(tǒng)進行信號預(yù)處理，SH-II系統(tǒng)通過USB口與PC機相連，完成AE信號的儲存和顯示。鑒于AGC伺服缸的工作機理，一方面可將其視為重載設(shè)備，另一方面可將其視為壓力容器。依據(jù)ASTM650/650M-12和ASTM E1930/1930M-12標(biāo)準(zhǔn)對壓力容器和重載設(shè)備的AE檢測建議，設(shè)定如下AE檢測參數(shù)：每個AE撞擊的總長度為2 ms，采樣頻率為1 MHz，信號采集門限值為40 dB，峰值定義時間(peak definition time,簡稱PDT)為200 μs，撞擊定義時間(hit definition time,簡稱HDT)為800 μs。PDT，HDT以及撞擊鎖定時間(hit lockout time,簡稱HLT)的具體定義和AE信號的詳細采集方案見文獻[12]。

工況模擬方面，實驗分別采集AGC伺服缸在保載和早期振動狀態(tài)(發(fā)生振動，但未引起失效)下的AE信號。為使實驗過程盡可能接近軋制現(xiàn)場工況，且不損壞受測試伺服缸的性能，保載狀態(tài)下的AE信號通過對伺服缸通入液壓油，使伺服缸分別加載至5 MPa(L1)，10 MPa(L2)和15 MPa(L3)，并分別保持300 s的方式采集。為保證在實驗過程中不影響受測試樣品的性能，伺服缸早期振動狀態(tài)的AE信號通過對伺服缸分別加載至5 MPa(V1)，10 MPa(V2)和15 MPa(V3)，并對活塞施加20 Hz振蕩信號，分別保持300 s的方式進行模擬和采集。

圖2 數(shù)據(jù)采集實驗示意圖Fig.2 Demonstration of AE data acquisition experiment from the cylinder under examination

3 聲發(fā)射信號的定量分析

完成信號采集實驗后，首先對6種狀態(tài)下產(chǎn)生的AE信號數(shù)量進行分析。筆者選取了從傳感器S3中獲取的AE信號進行定量分析，在前期進行的研究中已證實從傳感器通道S3中所獲得的AE信號可較好地反映油缸的加載變化情況[8]。

在本研究中的6種狀態(tài)下，伺服缸產(chǎn)生的AE信號數(shù)量的柱圖如3所示，圖中橫坐標(biāo)為受測試對象的加載狀態(tài)，縱坐標(biāo)為每秒產(chǎn)生的AE撞擊數(shù)的平均值。保載方面，當(dāng)伺服缸處于狀態(tài)L1時，產(chǎn)生的AE信號數(shù)量在所有測試狀態(tài)中最少，每秒AE信號數(shù)量隨著加載壓力的增大而增大。保載狀態(tài)的AE信號數(shù)量的最大值出現(xiàn)在15 MPa時，此狀態(tài)下產(chǎn)生的平均AE信號撞擊數(shù)每秒達到10.4個。

早期振動狀態(tài)下產(chǎn)生的AE信號在數(shù)量上同樣呈現(xiàn)隨壓力增長而增加的趨勢。與保載狀態(tài)不同的是，當(dāng)伺服缸加載至V1狀態(tài)時，產(chǎn)生了約5倍于L1的AE撞擊數(shù)。隨著加載的不斷增大，AE信號數(shù)量相對于5 MPa時有一定的增加，且高于同等壓力下伺服缸處于保載狀態(tài)時所產(chǎn)生的AE信號。保載和早期振動狀態(tài)下的AE信號數(shù)量的最大值出現(xiàn)在V3狀態(tài)，在此狀態(tài)下，300s振動產(chǎn)生的平均AE撞擊數(shù)每秒達到12.24個，略高于伺服缸在L3狀態(tài)下每秒產(chǎn)生的AE撞擊數(shù)。

圖3 伺服缸在6種工況下每秒產(chǎn)生的平均AE信號數(shù)量Fig.3 Average number of hits per second for the cylinder under 6 experimental conditions

4 AE信號的統(tǒng)計分析與特征選取

通過對每一個AE撞擊提取時、頻域特征，并進行累計概率分布分析[13]。根據(jù)概率分布曲線重疊度盡可能小，并且特征值域隨加載狀態(tài)的變化體現(xiàn)差異化分布的這個規(guī)則，筆者選取了峰值(每個AE撞擊的峰幅值(peak amplitude,簡稱Amp)、脈沖計數(shù)(每個AE撞擊越過門檻值的脈沖數(shù)，簡稱Counts)、峰值計數(shù)(信號脈沖從第1次越過門檻值到峰值出現(xiàn)之間，越過檢測門檻的信號脈沖數(shù)(counts to peak ，簡稱CTP))、持續(xù)時間(每個AE撞擊第1次越過門檻值和最后1次越過門檻值的時間間隔，簡稱Dur)、上升時間(信號脈沖首次越過門檻值到峰值出現(xiàn)的時間(rise-time,簡稱RIST))和平均幅值(每個AE撞擊在信號持續(xù)時間內(nèi)的信號平均幅值(average signal level over duration,簡稱ASLOD))6個具有統(tǒng)計顯著性的AE特征，用于進一步實現(xiàn)對伺服缸的狀態(tài)監(jiān)測。

6個信號特征的累計概率分布如圖4所示，從圖中可以看出，伺服缸在同等加載情況下，超過95%的信號的Amp值域分布出現(xiàn)重疊，但是在累計概率分布圖的尾部，可以觀察到約1%的信號特征分布曲線出現(xiàn)分離的情況。CTP的累計概率分布在所選6個特征中呈現(xiàn)最大程度的顯著性，雖然約90%的信號特征遵循相似的分布軌跡，但是無論在保載還是早期振動狀態(tài)下，各狀態(tài)CTP分布曲線的最大值呈現(xiàn)隨壓力增大而增大的現(xiàn)象。由RIST的分布曲線可見，有超過50%的累計概率分布曲線出現(xiàn)不重合。伺服缸6種加載狀態(tài)所產(chǎn)生AE信號的Dur分布曲線的兩個端點值具有很高的相似度，都在0～2 000 μs之間變化，但6種狀態(tài)的累計概率分布曲線在0～1 500 μs這個值域范圍內(nèi)出現(xiàn)了一定程度的分離。在ASLOD的分布圖中可觀測到相似的現(xiàn)象，約75%的ASLOD值分布在20～40 dB之間，且分布曲線呈現(xiàn)出分離的現(xiàn)象。AE信號脈沖數(shù)的累計概率分布隨著加載的增大，最大值呈現(xiàn)增大的趨勢。此外，從各狀態(tài)下所采集的AE信號的累計概率分布曲線看，約有25%的曲線呈現(xiàn)出不重合的分布。

綜上，伺服缸在各狀態(tài)下產(chǎn)生的AE信號在特征分布上呈現(xiàn)相似度高、但小部分特征分布隨著伺服缸加載狀態(tài)的變化而出現(xiàn)差異的特點，這與受測試對象的實際狀態(tài)匹配，即伺服缸雖然出現(xiàn)了早期振動的現(xiàn)象，但振動仍處于容錯范圍內(nèi)。

5 AGC伺服缸的聲發(fā)射熱圖

依據(jù)上面的分析，雖然所選取的6個信號特征的累計概率分布在一定程度上呈現(xiàn)出差異化分布，但所選取特征的累計概率分布仍呈現(xiàn)了很高的相似度，直接使用單一特征仍然難以實現(xiàn)對所測試6個狀態(tài)的辨識和監(jiān)測，直接分析所獲取的全部特征或全波形，也會產(chǎn)生較大的計算開銷[9]。為此，筆者引入了狀態(tài)熱圖模型[9-11]，最早在生物醫(yī)學(xué)工程領(lǐng)域應(yīng)用于基于聲發(fā)射的人體膝關(guān)節(jié)老化趨勢的可視化。冶金工業(yè)領(lǐng)域的應(yīng)用中，狀態(tài)熱圖模型也已證明可用于表征AE信號與AGC伺服缸加載變化間的關(guān)聯(lián)[8]。狀態(tài)熱圖的基本構(gòu)建思路是通過對受測試對象在受加載狀態(tài)下產(chǎn)生的AE信號，選取具備關(guān)聯(lián)性的特征，并加入一定的邏輯運算條件，以滿足條件的AE信號數(shù)量來表征熱圖中每個像素的亮度，在二維空間內(nèi)構(gòu)建可視化熱圖。狀態(tài)熱圖的數(shù)學(xué)表達式如下

(1)

其中：N為根據(jù)特征值域約束返回的AE信號數(shù)量；V1,V2,…，Vi分別為所選取的伺服缸AE特征；Fψj為所選特征值域約束的集合。

從累計概率分布分析的結(jié)果可見，伺服缸AE信號隨著加載壓力和工作狀態(tài)的變化，Amp，Counts，

圖4 信號特征的累計概率分布Fig.4 Cumulative probability distribution of the selected features

CTP，Dur，RIST，ASLOD 6個特征呈現(xiàn)一定的差異化分布。為此，筆者通過對這6個特征增加值域限定條件的方式構(gòu)建狀態(tài)熱圖。鑒于一個二維平面內(nèi)最多可容納4類的特征組合，且從數(shù)據(jù)可視的角度，每一類組合最多可包含兩種特征維度，為此，在每個子熱圖中，圖像的每個像素按照式(2)所示的規(guī)則進行定義

(2)

其中：Fψj(V1)和Fψj(V2)表示在ψj象限(子熱圖區(qū)間)中所包括的特征。

各個子熱圖中，每個圖像的像素值(特定值域約束下返回的AE撞擊數(shù))可通過式(3)進行定義

(3)

其中：k(n)為包含AE特征值域的向量。

為了能更清晰地通過可視化的方式展示AGC伺服缸AE信號與其狀態(tài)變化間的關(guān)系，與文獻[5, 9-11]的研究成果類似，將所選特征的4種不同組合方式考慮成在一個二維平面內(nèi)，分布在4個象限內(nèi)的4幅子熱圖的拼接，如圖5所示。圖像中每個像素點的像素值(撞擊熱度)表示滿足兩個特定特征值域約束的AE信號撞擊數(shù)，各特征的值域以原點為中心，向四象限的方向增加。

圖5 AE熱圖構(gòu)成示意圖Fig.5 Configuration of the AE hits density model

6 基于狀態(tài)熱圖的伺服缸狀態(tài)辨識

圖6為本研究中所測試6種狀態(tài)下的AGC伺服缸的AE信號熱圖，6個AE信號特征在圖中的分布如5 MPa保載的熱圖所示。所選的6個特征的值域分別定義如下：峰值kAmp=[40 50 60 70 75 80 85]T；峰值計數(shù)kCTP=[1 250 500 750 1 000 1 250 1 500]T；上升沿時間kRIST=[0 300 600 900 1 200 1 500 1 800]T；持續(xù)時間kDur=[0 300 600 900 1 200 1 500 1 800]T；平均幅值kASLOD=[0 10 20 30 40 50 60]T；脈沖計數(shù)kCounts=[1 250 500 750 1 000 1 250 1 500]T。

圖6中伺服缸的3個保載狀態(tài)(L1～L3)和早期振動狀態(tài)(V1～V3)的AE熱圖分別排列在圖的左右兩列，狀態(tài)熱圖的顯著差異如圖中的標(biāo)記所示。從總體上分析，保載和振動狀態(tài)下所產(chǎn)生的AE熱圖從圖像熱度以及非零像素的類型上，都具有較高的相似度(即AE信號類型和數(shù)量都具有較高的相似度)，這與被測試伺服缸的實際狀態(tài)相符，即該伺服缸雖然由于加載及工作狀況的變化產(chǎn)生了AE信號，但是伺服缸并未發(fā)生故障。結(jié)合現(xiàn)場工況，伺服缸的工作原理是向其通入液壓油，并加載至指定的保載狀態(tài)，以保證可提供持續(xù)的輥縫控制[1]，而伺服缸的振動將直接影響到輥縫的控制精度。作為AE狀態(tài)熱圖在AGC伺服缸早期振動監(jiān)測上的探索性研究，筆者首先考慮基于狀態(tài)熱圖實現(xiàn)同加載狀態(tài)下保載和振動的可視化辨識。

圖6 保載和早期振動狀態(tài)下的伺服缸狀態(tài)熱圖模型Fig.6 Hits density images of the cylinder under 6 loading conditions

比較伺服缸在 5 MPa狀態(tài)下的保載和振動的狀態(tài)熱圖可見，伺服缸只在未發(fā)生振動時，產(chǎn)生了峰值在50～60 dB，CTP值在500～750范圍內(nèi)的AE信號。分析熱圖的第二象限可見，狀態(tài)L1產(chǎn)生了峰值為50～60 dB，Rist值在600～900、峰值在50～60 dB，Rist值在1 200～1 500以及峰值在70～80 dB，Rist值在900～1 200的AE信號。

比較伺服缸在10 MPa狀態(tài)下的AE熱圖，在熱圖的上半部分，總體上L2產(chǎn)生信號的數(shù)量要顯著多于V2。在由Amp和Rist構(gòu)成的子區(qū)域內(nèi)可見，伺服缸在L2狀態(tài)下產(chǎn)生了峰值在50～60 dB，CTP分別在250～500以及500～750的AE信號。更為顯著的差異出現(xiàn)在由Amp和Rist構(gòu)成的狀態(tài)熱圖子區(qū)間，在50～60 dB的峰值帶可見，L2狀態(tài)所產(chǎn)生的AE信號沿著Rist的增長方向增加。此外，部分的細微差異可在熱圖的下半部分觀測到，在由Counts和ASLOD構(gòu)成的熱圖子區(qū)間里，Counts值在750～1 000且ASLOD值在50～60 dB的AE信號，以及Counts值在250～500，ASLOD值大于60 dB的AE信號只在L2狀態(tài)下產(chǎn)生；而Dur值在600～900 μs且ASLOD大于60dB的AE信號只在V2狀態(tài)下產(chǎn)生。

類似的，比較伺服缸狀態(tài)L3及V3，如圖6中最底部兩幅熱圖及圖中的標(biāo)記所示，在圖像的第一、三、四象限可見細微的不同，L3狀態(tài)下產(chǎn)生Amp在50～60 dB，CTP在750～1 000的AE信號，而此類信號并未在V3狀態(tài)下出現(xiàn)；具有最大ASLOD值且Counts值在750～1 000的AE信號僅在V3狀態(tài)下出現(xiàn)；具備ASLOD最大值且600～900 μs和1 200～1 500 μs的AE信號僅出現(xiàn)在V3狀態(tài)。

綜上，分析伺服缸在同等加載狀態(tài)下產(chǎn)生的AE狀態(tài)熱圖可見，信號峰值在50～60 dB，且峰值計數(shù)在250～750的AE信號，以及峰值在50～60 dB，且上升沿時間在600～1 500 μs的AE信號可作為辨識伺服缸在5 MPa和10 MPa加載狀態(tài)下的早期振動。ASLOD值在40～60 dB，且Counts值和Dur值分別在750～1 000和600～1 500 μs的AE信號可作為辨識伺服缸在10 MPa和15 MPa加載狀態(tài)下的早期振動。

7 結(jié) 論

1) 討論了AE狀態(tài)熱圖模型在AGC伺服液壓缸早期振動辨識中的探索性應(yīng)用，為AGC伺服缸的早期振動監(jiān)測提供了一種可視化的方案。通過對伺服缸在5 MPa～15 MPa加載下，常規(guī)的保載以及伺服缸的早期振動狀態(tài)下獲取的AE信號進行累計概率分布分析可見，雖然峰值、脈沖計數(shù)、峰值計數(shù)、平均幅值、持續(xù)時間和上升沿時間在累計概率分布上呈現(xiàn)分布相似度高，但是特征的累計概率分布在局部呈現(xiàn)出了統(tǒng)計顯著性。這與受測試伺服缸的實際狀態(tài)相符，即伺服缸雖然出現(xiàn)了早期振動的現(xiàn)象，但振動仍處于容錯范圍內(nèi)。

2) 通過分析與伺服缸狀態(tài)變化具有一定顯著性相關(guān)的6個特征(Amp，CTP，Counts，Dur，Rist，ASLOD)構(gòu)建的伺服缸保載和早期振動的狀態(tài)熱圖可見，在同等加載狀態(tài)下，保載和早期振動狀態(tài)的熱圖雖然呈現(xiàn)很高的相似度，但在熱圖的某些特定區(qū)域內(nèi)仍可觀測到差異。特別是在50～60 dB峰值帶，具備不同Rist值的AE信號，以及在高平均幅值帶，具備不同Counts和Dur值的AE信號。狀態(tài)熱圖上顯示出的這些細微的差異證實了依托AE信號，使用此類模型可視化辨識AGC伺服缸早期振動的可能性。

[1] Gajdzik B, Sitko J. An analysis of the causes of complaints about steel sheets in metallurgical product quality management systems [J]. Metalurgija, 2013, 53(1): 135-138.

[2] Liu Hong. Application of predicted extrapolation control strategy in hot strip rolling mills gauge system [C]∥World Automation Congress (WAC). Mexico: IEEE, 2012:1-4.

[3] 葉維明，徐致讓，鄧克. 冶金設(shè)備液壓系統(tǒng)的故障及診斷 [J]. 中國高新技術(shù)企業(yè)，2008，24：124-129.

Ye Weiming, Xu Zhirang, Deng Ke. The fault and diagnosis for hydraulic system of metallurgical machinery[J]. China High Technology Enterprises, 2008, 24: 124-129. (in Chinese)

[4] 鄧克，席素奕. 冶金設(shè)備液壓系統(tǒng)的常見故障及診斷技術(shù)[J]. 機械工程師，2006，8：123-124.

Deng Ke, Xi Suyi. Diagnosis techniques for common faults of metallurgical hydraulic systems [J]. Mechanical Engineer, 2006,8: 123-124. (in Chinese)

[5] Chen Hongzhi. Discovery of acoustic emission based biomarker for quantitative assessment of knee joint ageing and degeneration[D]. Preston: University of Central Lancashire, 2011.

[6] 操禮林，李愛群，鄧揚,等. 聲發(fā)射和小波包分析在損傷狀態(tài)監(jiān)測中的應(yīng)用 [J]. 振動、測試與診斷，2012，32(4)：591-595.

Cao Lilin, Li Aiqun, Deng Yang, et al. Degeration monitoring based on acounstic emission and wavelet packets[J]. Journal of Vibration, Measurement and Diagnosis, 2012, 32(4): 591-595. (in Chinese)

[7] 陳宏志，蘆永明，王麗娜,等.較小樣本動態(tài)聲發(fā)射信號多元統(tǒng)計分析技術(shù)[J]. 振動、測試與診斷，2013，33(2)：199-203.

Chen Hongzhi, Lu Yongming, Wang Lina, et al. Analysis of dynamic acoustic emission signals using multivariate statistical technique for smaller dataset [J]. Journal of Vibration, Measurement and Diagnosis, 2013, 33(2): 199-203. (in Chinese)

[8] Chen Hongzhi, Wu Chao, Sun Yanguang, et al. State identification of automatic gauge control hydraulic cylinder using acoustic emission[C]∥Proceedings of 2013 Chinese Intelligent Automation Conference. Yangzhou: Springer, 2013: 585-594.

[9] Shark L K, Chen Hongzhi, Goodacre J. Knee acoustic emission: a potential biomarker for quantitative assessment of joint ageing and degeneration[J]. Medical Engineering & Physics,2011, 33(5): 534-545.

[10]Shark L K, Chen Hongzhi, Goodacre J. Discovering differences in acoustic emission between healthy and osteoarthritic knees using a four-phase model of sit-stand-sit movements[J]. The Open Medical Informatics Journal,2010, 4: 116-125.

[11]Mascaro B, Prior J, Shark L W, et al. Exploratory study of a non-invasive method based on acoustic emission for assessing the dynamic integrity of knee joints[J]. Medical Engineering & Physics,2009, 31(8): 1013-1022.

[12]Physical Acoustics Corporation. PCI-2 based AE system user′s manual[R]. NJ:Physical Acoustic Corporation, 2007.

[13]Jessica U.Seeing through statistics[R]. United States of America: Thomson Brooks/Cooe, 2005.

10.16450/j.cnki.issn.1004-6801.2016.03.017

*國家自然科學(xué)基金資助項目(61401104)

2014-07-02；

2014-09-16

TN911.72； TP274.2； TP29

劉鴻，男，1982年4月生，工程師。主要研究方向為冶金重大裝備故障診斷、故障預(yù)測以及故障信息可視化、基于數(shù)據(jù)驅(qū)動的網(wǎng)頁用戶行為分析、追蹤及推送預(yù)測。

E-mail：13701188594@126.com