• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于聲發(fā)射多特征融合的攪拌摩擦焊缺陷監(jiān)測

      2022-07-13 07:32:26孫屹博龍海威鄒麗楊鑫華
      焊接學報 2022年6期
      關鍵詞:梅爾傅里葉特征向量

      孫屹博,龍海威,鄒麗,楊鑫華

      (1.大連交通大學,大連,116028;2.遼寧省軌道交通裝備焊接與可靠性重點實驗室,大連,116028)

      0 序言

      攪拌摩擦焊(friction stir welding,F(xiàn)SW)于1991 年英國焊接研究院提出,是利用高速旋轉(zhuǎn)的攪拌頭與工件摩擦產(chǎn)生的熱量使被焊材料局部熔化,從而在攪拌頭的擠壓下形成致密焊縫的一種焊接技術[1].在FSW 焊接過程中,由于工藝參數(shù)選擇不當或焊具尺寸不合適,焊縫將出現(xiàn)隧道、未焊透、飛邊等缺陷,無法保證焊接工件的質(zhì)量,因此對焊接過程監(jiān)測是必要的[2-4].聲發(fā)射檢測是一種根據(jù)工件內(nèi)部結構反饋進行動態(tài)無損檢測的新型方法,可直接檢測和判斷工件內(nèi)部缺陷,保證焊接過程的高效性.聲發(fā)射技術在FSW 無損檢測方面逐漸得到廣泛關注和研究.

      聲發(fā)射技術在工業(yè)領域中是常用的在線監(jiān)測手段.Dmitriev 等人[5]開展了鋁合金薄板FSW 試驗,對聲發(fā)射信號進行了多元分析,研究了不同塑性變形的聲發(fā)射信號頻譜特征,應用聲發(fā)射頻譜特征對FSW 焊接接頭進行診斷.Gaja 等人[6]開展了基于聲發(fā)射信號的金屬間激光焊接試驗,對聲發(fā)射信號進行了時域分析,并使用時域特征結合邏輯回歸對激光金屬沉積進行檢測.Nasir 等人[7]開展了銑刀磨損試驗,使用功率、聲音、振動和聲發(fā)射傳感器監(jiān)測電鋸切割過程,并通過訓練隨機森林模型預測電鋸溫度.但未對采集到的數(shù)據(jù)進行時域、頻域、時頻域分析,僅僅對傳感器特征融合.He 等人[8]研究了多傳感器刀具磨損檢測技術,并在時域、頻域和時頻域上進行了多特征提取,建立多傳感器融合特征與工具磨損之間的預測模型.徐彥偉等人[9]研究了基于單一振動、聲發(fā)射信號的薄壁軸承故障診斷,并采用自組織映射(self-organizing map,SOM)與反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡將振動和聲發(fā)射信號的特征信息進行融合,對軸承診斷做出預測.高向東等人[10]提出了主成分分析-反向傳播(principal component analysis-back propagation,PCA-BP)缺陷分類模型,并應用該缺陷分類模型對焊接缺陷磁光成像圖進行分類,對焊接缺陷做出了預測.

      國內(nèi)外學者對FSW 焊接過程中的聲發(fā)射信號進行采集與分析來研究焊接質(zhì)量與聲發(fā)射信號之間的關系.葉趙偉等人[11]搭建了一套FSW 在線監(jiān)測系統(tǒng),并對采集到的數(shù)據(jù)進行時域、頻域、時頻域?qū)崟r分析從而達到改善焊接質(zhì)量目的.胡懷輝[12]將超聲波衍射時差法(time of flight diffraction,TOFD)成像檢測技術與BP 神經(jīng)網(wǎng)絡相結合,使用圖像特征對FSW 焊接質(zhì)量進行評估,對FSW近表面缺陷進行了預測.Rajaprakash 等人[13]研究聲發(fā)射信號在FSW 中的監(jiān)測技術,從時域角度對聲發(fā)射信號進行了分析,確定了焊接過程中缺陷的發(fā)生位置,達到了缺陷監(jiān)測的目的.徐蔣明等人[14]研究小波分解將超聲波進行特征提取,并使用BP 神經(jīng)網(wǎng)絡對攪拌摩擦焊接缺陷進行識別,達到了缺陷監(jiān)測的目的.

      大多數(shù)FSW 焊接缺陷模型僅對單一特征進行提取,未能有效提升焊接缺陷識別準確率.文中研究了基于聲發(fā)射多特征融合的FSW 缺陷監(jiān)測方法,開展了預制缺陷試驗,使用聲發(fā)射傳感器對FSW 焊接過程進行監(jiān)測,通過短時傅里葉變換、梅爾頻譜、小波變換分析得出整個焊接過程中信號頻率會集中在固定頻段上,且在預制缺陷處功率明顯增加.獲取固定頻段的功率分布構建特征向量,通過concat 融合方法構建多特征向量,并基于單一特征、多特征向量建立多層神經(jīng)網(wǎng)絡識別模型,使用多特征識別模型能夠?qū)附舆^程中的缺陷進行高效準確的識別.

      1 FSW 聲發(fā)射檢測試驗

      開展6061-T6 鋁合金對接預制缺陷FSW 試驗,對接板尺寸為150 mm×100 mm×2.5 mm.試驗設備為航天工程設備(蘇州) 有限公司生產(chǎn)的HT-JM20×8/2 型攪拌摩擦焊機,額定功率6 kW,最大轉(zhuǎn)速2 000 r/min.攪拌頭型號為AEE/PB/2.3/002,攪拌針長2.3 mm,軸肩直徑為10 mm.焊接工藝參數(shù)如表1 所示.試驗前預制隧道缺陷,在距板材起始端10 mm 處設置30 mm×(1~ 5) mm 的不規(guī)則鋸齒狀對接縫.

      表1 FSW 焊接工藝參數(shù)Table 1 FSW process parameters

      在FSW 過程中,聲發(fā)射信號具有平穩(wěn)周期性,當出現(xiàn)缺陷時,局部的應力釋放轉(zhuǎn)換為高頻聲信號.應用高頻聲發(fā)射傳感器檢測焊接工件中傳播的聲發(fā)射信號,如圖1 所示,聲發(fā)射傳感器通過磁性吸座固定于焊接壓板一側.應用美國物理聲學公司R15 α型寬頻帶聲發(fā)射傳感器,其頻帶范圍為0.05~ 1 000 kHz.

      圖1 FSW 聲發(fā)射在線檢測示意圖Fig.1 Schematic diagram of FSW acoustic emission online detection

      2 基于多特征向量的缺陷識別模型

      針對聲發(fā)射信號,應用短時傅里葉變換、梅爾頻譜、小波變換進行分析,選取功率譜中功率集中頻段作為特征向量,通過concat 融合方法構建多特征向量,進而應用多層神經(jīng)網(wǎng)絡建立基于多特征向量的焊接缺陷識別模型.

      2.1 特征提取算法

      短時傅里葉變換能有效地提取出不同時間段的特征信息.短時傅里葉變換定義為

      式中:F(ω)為短時傅里葉變換頻率分布;f(t)為時域信號;ω為傅里葉變換后頻率;t′為短時傅里葉變換起始時間;t為時間;j為虛數(shù)單位;Δt為窗的時間長度.

      梅爾頻率將信號經(jīng)過不同的濾波器組后計算得到梅爾頻率.梅爾頻率曲線公式,即

      式中:f為頻率;fmel為梅爾頻率.

      小波變換是最新線性時頻分析方法.對于信號x (t)的小波變換定義為

      式中:WT(α,τ)為小波變換頻率分布;f(t)為時域信號;ψ為小波基函數(shù);α為尺度因子;τ為時移因子.

      2.2 特征融合與多層神經(jīng)網(wǎng)絡

      針對聲發(fā)射信號,應用短時傅里葉變換、梅爾頻譜、小波變換特征提取方法得到3 種時頻譜.聲發(fā)射信號為平穩(wěn)周期信號,時頻譜中頻率會集中在特定頻段上,針對特定頻段提取特征向量,該向量能反應焊接過程的變化,采用concat 融合方法對三種特征向量進行線性融合,得到基于短時傅里葉、梅爾頻譜、小波變換的多特征向量.

      式中:T為concat 方法拼接后的線性融合向量;T1為短時傅里葉特征向量;T2為梅爾頻譜特征向量;T3為小波特征向量.

      多層神經(jīng)網(wǎng)絡是一種人工神經(jīng)網(wǎng)絡模型,將輸入的多個數(shù)據(jù)集映射到單一的輸出的數(shù)據(jù)集上,相較于傳統(tǒng)的分類方法具有良好的容錯性.多層神經(jīng)網(wǎng)絡基本實現(xiàn)原理如下.

      式中:x為輸入向量;W為神經(jīng)元連接權重;b為偏置;i為網(wǎng)絡層數(shù);函數(shù)G、函數(shù)s為激活函數(shù).

      多層神經(jīng)網(wǎng)絡由4 個全連接層構成,前3 個隱藏層分別含有32,64 和32 個神經(jīng)元,1 個Soft-Max 分類層含有4 個神經(jīng)元.神經(jīng)元通過可學習權重相互連接起來,通過ReLU 激活函數(shù)激活神經(jīng)元,輸入信號和權重的乘積之和為隱藏層的輸出.輸入的特征向量含有焊接缺陷信息,通過神經(jīng)網(wǎng)絡學習后,應用SoftMax 層區(qū)分焊接有無缺陷.

      2.3 模型評價指標

      在機器學習領域中,模型評估是一個最重要的部分,而準確率是常見的評價指標之一,針對于測試樣本來說,就是分類正確的樣本數(shù)除以總樣本數(shù),正確率越高,分類器越好.準確率計算方法為

      式中:Acc為準確率;T為分類正確樣本數(shù);F為分類錯誤樣本數(shù).

      3 試驗結果與分析

      為保證試驗結果的嚴謹性和準確性,基于相同的工藝參數(shù),進行了5 組FSW 焊接試驗(試驗數(shù)據(jù)1~ 5).試驗數(shù)據(jù)1~ 3 構建單一特征、多特征缺陷識別模型的數(shù)據(jù)集,試驗數(shù)據(jù)4,5 構建模型新測試集,其中一組典型焊接工件及聲發(fā)射時域信號如圖2 所示.通過焊接狀態(tài)將信號劃分為焊接起始區(qū)(I)、缺陷焊接區(qū)(II)、過渡區(qū)(III)、穩(wěn)定焊接區(qū)(IV)、焊接終止區(qū)(V).

      圖2 焊接結果與聲發(fā)射信號Fig.2 Welding results and acoustic emission signals

      FSW 聲發(fā)射信號總計時115 s,0~ 10 s 焊接未開始出現(xiàn)的噪聲,10~ 14 s 焊接開始并進入I 區(qū),攪拌頭緩慢下壓,聲發(fā)射信號幅值穩(wěn)定在2 V;14~ 58 s焊接進入II 區(qū),幅值急劇上升達到7 V,并在20 s時突降到3 V,在中間40 s 時,幅值又再次突變到9 V,主要原因是攪拌頭從I 區(qū)進入II 區(qū)時,接觸到預制缺陷,使焊接熱輸入不均勻,導致信號幅值出現(xiàn)多次突變;58~ 70 s 焊接進入III 區(qū),信號幅值緩慢下降最終穩(wěn)定在3 V,主要原因是攪拌頭從II 區(qū)進入III 區(qū)時,板材無預制缺陷,攪拌頭需要一定的緩沖時間進入穩(wěn)定焊接狀態(tài),聲發(fā)射信號會逐漸趨于穩(wěn)定;70~ 111 s 焊接進入IV 區(qū),聲發(fā)射信號幅值穩(wěn)定在2~ 3 V,焊接正常進行;111~ 115 s 焊接進入V 區(qū),攪拌頭緩慢抬起,聲發(fā)射信號穩(wěn)定在4 V,至此焊接結束.

      3.1 聲發(fā)射信號的短時傅里葉分析

      短時傅里葉分幀時間長度設為50 ms,窗重疊時間長度設為25 ms.聲發(fā)射信號頻率集中在20 kHz頻段,選取20 kHz 頻段的時頻譜功率分布構建短時傅里葉特征向量.短時傅里葉時頻圖如圖3 所示,可觀察到在不同焊接狀態(tài)下功率變化較明顯,在焊接進入I 區(qū)時,短時傅里葉功率穩(wěn)定在-60 dB;焊接進入II 區(qū)時,由于預制焊接缺陷的影響,功率達到-40 dB 以上;焊接進入III 區(qū)時,攪拌頭在經(jīng)過一定時間的緩沖后,功率緩慢由-40 dB 降低至-50 dB;焊接進入IV 區(qū)時,焊接時功率大小在-50~-40 dB.焊接進入V 區(qū)時,功率重新穩(wěn)定在-60 dB.

      圖3 短時傅里葉分析結果Fig.3 Short time Fourier analysis results

      3.2 聲發(fā)射信號的梅爾頻譜分析

      梅爾頻譜分幀時間長度設為50 ms,窗重疊時間長度設為25 ms,梅爾濾波器組選用梅爾等高器濾波組.聲發(fā)射信號頻率集中在3.5 kHz 頻段,選取3.5 kHz 頻段的時頻譜功率分布構建梅爾頻譜特征向量.梅爾頻譜如圖4 所示,可觀察到在不同焊接狀態(tài)下功率變化較明顯,在焊接進入I 區(qū)時,梅爾頻譜功率穩(wěn)定在-50 dB;焊接進入II 區(qū)時,由于預制焊接缺陷的影響,功率達到-40 dB 以上;焊接進入III 區(qū)時,攪拌頭在經(jīng)過一定時間的緩沖后,功率由-40 dB 緩慢降低至-45 dB;焊接進入IV 區(qū)時,焊接進入穩(wěn)定階段,功率為-45~-42 dB.焊接進入V 區(qū)時,功率重新穩(wěn)定在-50 dB.

      圖4 梅爾頻譜分析結果Fig.4 Mel spectrum analysis results

      3.3 聲發(fā)射信號的小波分析

      小波變換分幀時間長度設為50 ms,窗重疊時間長度設為25 ms,母小波設為 cmor4-4,中心頻率設為4 Hz,將頻帶64 等分.聲發(fā)射信號頻率集中在20 kHz 頻段,選取20 kHz 頻段的時頻譜功率分布構建小波特征向量.小波變換時頻圖如圖5 所示,可觀察到在不同焊接狀態(tài)下功率變化較明顯,在焊接進入I 區(qū)時,小波功率穩(wěn)定在0.4 dB;焊接進入II 區(qū)時,由于預制焊接缺陷的影響,功率達到0.8 dB 以上;焊接進入III 區(qū)時,攪拌頭在經(jīng)過一定時間的緩沖后,功率緩慢降低至0.4 dB;焊接進入IV 區(qū)時,焊接功率大小在0.4~ 0.6 dB.焊接進入V 區(qū)時,功率重新穩(wěn)定在0.4 dB.

      圖5 小波變換分析結果Fig.5 Wavelet transform analysis results

      3.4 缺陷識別模型構建

      從試驗數(shù)據(jù)1~ 3 中等概率同分布的抽取并制作數(shù)據(jù)集,數(shù)據(jù)集分為訓練集(7 000 個樣本)、驗證集(1 000 個樣本)、測試集(2 000 個樣本).設置未焊接區(qū)標簽為1,焊接起始區(qū)、焊接終止區(qū)標簽為2,穩(wěn)定焊接區(qū)標簽為3,缺陷焊接區(qū)標簽為4,使用one-hot 編碼對標簽進行處理.

      利用短時傅里葉變換、梅爾頻譜、小波變換對試驗數(shù)據(jù)1~ 3 進行單一特征提取構建單一特征向量,結合多層神經(jīng)網(wǎng)絡建立單一特征缺陷識別模型.多層神經(jīng)網(wǎng)絡由1 個輸入層、3 個隱含層和1 個SoftMax 分類層組成,網(wǎng)絡結構設計為輸入層8 個神經(jīng)元,隱含層共為3 層分別為32,64,32 個神經(jīng)元,輸出層為5 個神經(jīng)元,神經(jīng)元通過ReLU 激活函數(shù)計算激活狀態(tài),最后通過SoftMax 對焊接狀態(tài)進行分類并識別缺陷.短時傅里葉變換對試驗數(shù)據(jù)3 的缺陷識別準確率最高,為76.65%;梅爾頻譜對試驗數(shù)據(jù)1 的缺陷識別準確率最高,為80.61%;小波變換對試驗數(shù)據(jù)2 的缺陷識別準確率最高,為77.89%.

      基于3 組試驗數(shù)據(jù)特征融合的向量集建立多特征缺陷識別模型.模型識別準確率如表2 所示,多特征缺陷識別模型在3 組試驗數(shù)據(jù)的平均識別率達97%,比單一特征提取模型提高了18%.

      表2 單特征與多特征識別模型準確率(%)Table 2 Accuracy of single feature and multi feature recognition models

      基于梅爾頻譜單一特征向量的識別模型對焊接狀態(tài)進行分類,以試驗數(shù)據(jù)1 為例,結果如圖6所示.模型將0~ 10 s 的紅色數(shù)據(jù)劃分為未焊接區(qū);10~ 14 s 與111~ 115 s 的綠色數(shù)據(jù)劃分為攪拌頭起始、終止區(qū);14~ 115 s 的藍色數(shù)據(jù)劃分為缺陷焊接區(qū)、紫色數(shù)據(jù)劃分為穩(wěn)定焊接區(qū).從圖6 可觀察到,經(jīng)過分類后在II 區(qū)紫色與藍色區(qū)域仍有重疊部分,V 區(qū)未識別正確,該模型未能對缺陷進行有效分類.

      圖6 單一特征識別模型分類結果Fig.6 Classification results of single feature recognition model

      基于多特征向量的缺陷識別模型對試驗數(shù)據(jù)1 的分類結果如圖7 所示,模型將聲發(fā)射信號14~58 s 劃分為藍色缺陷區(qū),58~ 66 s 劃分為過渡區(qū),66~ 111 s 劃分為紫色穩(wěn)定焊接區(qū).藍色缺陷區(qū)與紫色穩(wěn)定焊接有明顯界限,在III 區(qū),由于攪拌頭緩慢恢復到正常狀態(tài),藍色與紫色有8 s 重疊部分,基于多特征向量缺陷識別模型能夠準確識別試驗中焊接狀態(tài).

      圖7 多特征識別模型分類結果Fig.7 Classification results of multi feature recognition model

      為驗證基于單一特征、多特征向量缺陷識別模型對新測試數(shù)據(jù)的準確性,對試驗數(shù)據(jù)4,5 開展基于新測試集的缺陷識別模型測試分析,各模型在新測試數(shù)據(jù)的準確率如表3 所示.短時傅里葉變換、梅爾頻譜、小波變換方法平均識別準確率分別為51%,41%,64%,多特征識別模型的平均準確率達86%.由此可見,針對新測試集,基于多特征向量的缺陷識別模型對各種焊接狀態(tài)的識別更為準確.

      表3 單特征與多特征識別模型準確率(%)Table 3 Accuracy of single feature and multi feature recognition model

      4 結論

      (1) 采用3 種分析方法對FSW 聲發(fā)射信號進行分析并提取特征向量,其中短時傅里葉、小波變換的主要頻段集中在20 kHz,出現(xiàn)缺陷時功率分別達到-40,0.8 dB 以上,梅爾頻譜的主要頻段集中在3.5 kHz 出現(xiàn)缺陷時功率達到-40 dB 以上.

      (2) 基于時頻分析的特征向量應用concat 融合方法得到多特征向量,通過多層神經(jīng)網(wǎng)絡分別建立基于單特征、多特征向量的焊接缺陷識別模型.試驗結果表明,基于多特征向量的焊接缺陷識別模型的平均準確率達到97%,比單一特征提取模型提高了18%.針對于新測試集焊接缺陷識別模型平均準確率達到86%,比單一特征提取模型高34%.

      (3)若焊接板材不同,根據(jù)聲發(fā)射檢測原理與FSW 焊接原理,3 種時頻分析方法的主要頻段會有所變化,但一定會集中在主要頻段附近且該頻段會隨隧道缺陷的出現(xiàn)功率大幅增加,應用特征向量所構建的多特征識別模型同樣可以達到較高的準確度.

      (4) 目前只針對攪拌摩擦焊中最常見的隧道缺陷與FSW 各個階段進行了識別監(jiān)測,通過計算不同焊接區(qū)發(fā)生時間與時間長度可以計算出焊接階段發(fā)生的位置與尺寸.

      猜你喜歡
      梅爾傅里葉特征向量
      二年制職教本科線性代數(shù)課程的幾何化教學設計——以特征值和特征向量為例
      基于梅爾頻譜分離和LSCNet的聲學場景分類方法
      克羅內(nèi)克積的特征向量
      雙線性傅里葉乘子算子的量化加權估計
      女詩人梅爾詩集《十二背后》三人談
      基于小波降噪的稀疏傅里葉變換時延估計
      測控技術(2018年7期)2018-12-09 08:58:26
      一類特殊矩陣特征向量的求法
      EXCEL表格計算判斷矩陣近似特征向量在AHP法檢驗上的應用
      中華建設(2017年1期)2017-06-07 02:56:14
      基于傅里葉變換的快速TAMVDR算法
      快速離散傅里葉變換算法研究與FPGA實現(xiàn)
      電測與儀表(2015年5期)2015-04-09 11:30:44
      惠水县| 邛崃市| 绵阳市| 商城县| 神木县| 门源| 南汇区| 山丹县| 广元市| 贵溪市| 武川县| 天津市| 五华县| 青州市| 金川县| 交口县| 东平县| 吉安县| 湘阴县| 石城县| 泽库县| 宝山区| 阳高县| 龙陵县| 淮南市| 同德县| 密山市| 台山市| 蛟河市| 都兰县| 吐鲁番市| 墨江| 佛教| 凤凰县| 海安县| 旅游| 洪泽县| 蕉岭县| 横山县| 句容市| 满城县|