0 引言
复合材料的多相结构及损伤的多种形式,导致其损伤机理及演化过程十分复杂。断口分析能有效提供损伤的微观形貌,但无法提供损伤过程的动态信
息[1] 。近年来,声发射(Acoustic Emission,AE)技术逐渐成为复合材料损伤机理研究的有效工具之一。研究表明,复合材料损伤过程的载荷历程和AE信号参数历程具有一致性[2] ,通过分析伴随损伤产生的AE信号,可掌握损伤对应的AE特征,并在此基础上揭示材料的损伤演化过程[3,4,5] 。通常复合材料不同损伤模式的AE信号在存在一定的差异。黄文亮等[6] 发现CFRP切削过程入口和出口处撕裂的AE信号RMS参数不同。Q.Q.NI和I.YANG等等[9] 以AE信号的近似熵谱特征识别出层压板基体开裂、界面脱胶及纤维断裂等损伤。识别不同损伤模式的AE信号是掌握损伤机理及其演化的关键。童小燕等[10] 运用K均值聚类得到基体开裂、界面层脱粘、分层及纤维断裂等损伤模式的AE信号。H.A.SAWAN等[11] 分别对±45°、0°及准各向同性碳纤/环氧层合板拉伸及弯曲过程的AE信号聚类,得到不同损伤机制的AE信号。张卫东等[12] 以AE信号的累积撞击数、累积振铃计数和累积能量计数等为特征,运用神经网络识别出材料在弹性、屈服、塑性和断裂等力学行为。王健等[13] 以运用神经网络对碳纤维增强复合材料纤维断裂、基材开裂、界面分离、分层等6种典型损伤形式的AE信号进行了识别,总的识别正确率高达93.9%。上述基于AE技术的复合材料损伤研究大多是热固性基体,而针对热塑性基体复合材料损伤的研究尚不多见,同时损伤形式或程度的判定还部分依赖于人为经验。为此本文以UHMWPE/LDPE层合板为研究对象,由模型试样拉伸破坏诱导产生预期损伤形式的AE信号并聚类产生训练样本,借助神经网络方法实现对不同损伤AE信号的识别,并比较了不同网络结构、传递函数、训练算法等的识别正确率,以寻求客观、高效的复合材料损伤识别方法。1 实验
1.1 材料制备
UHMWPE纤维规格145tex/240F,密度0.97 g/c
m3 ,拉伸强度3 013 MPa,弹性模量91 GPa,断裂应变3.3%。基体LDPE,密度0.92 g/cm3 。纤维束均匀缠绕在铺有LDPE薄膜的不锈钢芯板上,由硫化机热压制备成复合材料层合板。DSC(Modulated DSC 2910)测定纤维和基体熔融温度分别为147和112℃。硫化机设定温度120℃,压力1.5 MPa,热压10 min后保压冷却固化成型。1.2 拉伸及声发射试验
为了诱导产生特定的损伤,制备了4种拉伸试样,规格、测试速度及预期损伤如表1所示。
表1 试样测试及预期损伤
Tab.1 Specimen test and damage mode
类别 规格/mm 速度/mm·mi n-1 预期损伤 S1 180×20×0.8 20 基体损伤 S2 180×20×0.8 1 界面损伤 S3 180,145tex/240F 1 纤维断裂 S4 180×20×1.6 1 层间损伤 表1中S1~S4,分别表示纯LDPE树脂、90°单层板、纤维束及[±45°]层合板。图1所示为拉伸及AE测试示意图,材料试验机为长春试验机研究所DNS-100型,试样工作距离均为120 mm。每类试样均重复5次拉伸试验并同步采集AE信号。AE系统为美国PAC公司PCI-2型,2个R15型传感器间距60 mm沿试样中心线对称布置,传感器和试样间用真空脂耦合并用松紧带固定于试样表面。AE信号触发门槛值为40 dB。由断铅时差法分别得到各类试样AE信号的波速,其中S1为2 800 m/s,S2为3 470 m/s,S3为2 780 m/s,S4为3 160 m/s。记录发生在传感器之间的AE信号供分析使用,其中峰值鉴别时间50 μs,波击鉴别时间100 μs,波击闭锁时间300 μs,事件定义时间100 μs,事件闭锁时间110 μs,前置放大器40 dB。
2 结果与分析
2.1 AE信号模式特征的确定
聚类分析是根据数据集客观存在的多个类,以类内数据具有较强相似性而建立的一种数据描述方法。若聚类变量选择合适则由其构成的模式特征空间中同类数据相距较近且分布密集,不同类数据相距较远。聚类变量越多并非对聚类效果越有利,尤其是当变量间存在较强的相关性时,不仅不能提高聚类效果反而增加计算量。AE参数是对AE波形信号的量化描述,如图2所示时域参数如幅度、振铃计数、峰值前振铃计数、上升时间、持续时间。此外通过时频转换得到频域参数,如频率质心、峰值频率、平均频率等。
对上述AE参数进行系统聚类,从中选择合适的AE参数作为模式特征。从试样S1、S2、S3、S4采集的AE信号数量分别为63、227、127、166,输入SPSS软件执行分类/系统聚类命令,选择变量聚类方式,以欧氏距离为相似性测度,按照离差平方和法(Ward method)聚类结果如图3所示。
由图3将8个AE参数分为3类,其中第1类包括幅度、振铃计数、峰值前振铃计数和上升时间,第2类包括频率质心、峰值频率和平均频率,第3类为持续时间。由于类内的AE参数具有更大的相似性,可选择幅度、峰值频率和持续时间作为AE信号的模式特征。
2.2 AE信号训练样本的建立
训练样本是已标记分类标签的AE信号。基于同类损伤模式AE信号具有更大相似性的原则,分别对试样S1~S4拉伸破坏过程的AE信号进行K-means聚类分析,从而得到不同损伤模式AE信号的训练样本。影响K-means聚类的因素包括聚类数k的确定和初始聚心,参照预备试验及文献[14]确定试样S1~S4的k值分别为3、3、2、3,并确定相应的初始聚心,为消除量纲的影响,原始数据先进行Z标准化。执行SPSS软件分类/K-均值聚类,读入初始聚心文件,选择迭代与分类方式,分别对试样S1~S4的AE信号进行聚类,聚类完成后,各类别的AE信号个数及相应的最终聚心如表2所示。
表2 试样AE信号最终聚心
Tab.2 Final cluster center of AE signal of specimen
类别 个数 幅度 峰值频率 持续时间 S1-1 7 2.499 -0.927 2.702 S1-2 28 -0.267 -0.862 -0.209 S1-3 28 -0.345 1.094 -0.467 S2-1 14 3.317 -1.942 3.324 S2-2 32 0.342 -1.933 0.32 S2-3 181 -0.317 0.491 -0.314 S3-1 34 1.42 -0.337 1.524 S3-2 93 -0.519 0.123 -0.557 S4-1 49 0.727 -1.517 0.317 S4-2 94 -0.723 0.719 -0.652 S4-3 23 1.408 0.292 1.987 表3为LDPE基体的3类损伤及AE信号特征。由于拉伸过程应变能主要以塑性变形的释放,故AE信号具有幅度低、持续时间短的特征,仅在断裂时产生幅度高、持续时间长的AE信号。
表3 基体损伤模式的AE信号特征
Tab.3 AE features of matrix damage modes
类别 损伤类型 AE信号特征 S1-1 基体断裂 幅度高、持续时间长、峰值频率低 S1-2 塑性变形 幅度低、持续时间短、峰值频率较低 S1-3 塑性变形 幅度低、持续时间短、峰值频率较高 表4为界面的3类损伤及AE信号特征。其中S2-2,S2-3伴随加载的全过程均有产生,而S2-1仅在临近断裂时产生。UHMWPE纤维的表面惰性导致界面强度低,伴随加载过程,界面损伤不断累积,最终导致材料因界面脱粘而破坏。
表4 界面损伤模式的AE信号特征
Tab.4 AE features of interface damage modes
类别 损伤类型 AE信号特征 S2-1 界面脱粘 幅度高、持续时间长、峰值频率低 S2-2 界面损伤 幅度低、持续时间短、峰值频率较低 S2-3 界面损伤 幅度低、持续时间短、峰值频率较高 表5为纤维的2类损伤及AE信号特征,其中S3-2类加载过程均有发生,该类信号源于损伤早期的单纤维随机断裂,具有幅度低、持续时间短的特征。S3-1类主要发生于临近断裂大量纤维集中断裂时,具有幅度高、持续时间长的特征。
表5 纤维断裂损伤模式的AE信号特征
Tab.5 AE features of fiber damage modes
类别 损伤类型 AE信号特征 S3-1 纤维集中断裂 幅度高、持续时间长、峰值频率低 S3-2 部分纤维断裂 幅度低、持续时间短、峰值频率高 表6为层间的3类损伤及AE信号特征。观察试样发现侧边明显的分层且层内有界面剪切破坏。综合幅度和持续时间判断,S4-3、S4-1分别源于较大、中等程度的损伤,S4-2则源于较低程度的损伤。界面强度低是导致层内和层间破坏的重要原因。
表6 层间损伤模式的AE信号特征
Tab.6 AE features of interlayer damage modes
类别 损伤类型 AE信号特征 S4-1 层间中等损伤 幅度中、持续时间中、峰值频率低 S4-2 层间较低损伤 幅度低、持续时间短、峰值频率高 S4-3 层间较大损伤 幅度高、持续时间长、峰值频率中 综上分析,AE信号分别对应为11种不同的损伤模式,则训练样本可由输入向量p和对应的目标向量t构成,每个AE信号均为含有3个元素(幅度、峰值频率和持续时间)的列向量p,并分别对应一个目标向量t,t为具有11个元素的列向量,其中只有一个非零元素1所在的行代表损伤模式类型,其他元素均为0。
2.3 BP神经网络的建立
BP(back propagation)网络是基于误差逆向传播算法的多层前馈神经网络,它由多个神经元层构成,每层包含多个神经元,神经元是多输入单输出的信息处理单元。BP网络结构如图4所示。
图4中Input为网络输入,R为输入节点数,p为R行1列输入向量。隐层Layer1和输出层Layer2中,S1、S2分别为各层神经元数,W1、W2分别为各层网络权值,b1、b2分别为各层偏置值,f1、f2分别为各层f传递函数,a1、a2分别为各层输出。MatLab软件的神经网络工具箱nntool可以方便的建立并训练BP网络。
2.4 网络参数对网络性能的影响
2.4.1 影响网络性能的网络参数
影响网络效果的网络参数包括网络结构、传递函数、训练算法等。图4所示的网络结构可记为R-S1-S2,其中R由p的维数确定,S2由目标向量t的维数决定。由AE信号的训练样本可知,R=3,S2=11。隐层Layer1神经元数S1一般通过试探的方式确定,为减少计算量在满足要求时S1以少为宜,根据预备试验和训练样本量,S1范围定在10~90之间。传递函数f不同会引起网络输出a的变化,进而影响网络性能,其关系见式(1)。
式中,p为输入向量,W、b分别为网络权值矩阵和偏置值向量,nntool提供的f包括阶跃函数hardlim、线性函数purelin和非线性函数logsig、tansig
等[15] 。网络训练的实质是通过训练样本不断调整W和b,使输出a和目标t更加接近,通常以两者的均方误差作为网络性能指数,其值越小说明网络性能越好。训练函数不同网络性能也存在差异,nntool提供多种训练函数可供选择,训练后的网络分类效果可借助混淆矩阵(Confusion Matrix)评
价[15] 。2.4.2 训练函数和传递函数对网络性能的影响
表7为不同训练函数对同一网络结构3-50-11,隐层和输出层传递函数均为logsig,每种执行10次,以训练时间和识别率均值反映的网络性能。5种训练函数分别为traingd(标准梯度下降法)、traingdx(动量及可变学习率法)、trainrp(弹性梯度法)、trainoss(一步正割法)、traincgf(共轭梯度法
)[15] 。终止训练条件为迭代5 000次或性能指数小于等于10-4 。所有训练均以完成5 000次迭代而停止,其中以traingdx为训练函数训练时间最短71 s,以trainoss为训练函数训练时间最长191 s,其他在71~191 s之间。从识别率上看,标准梯度下降算法traingd最低仅为36.0%,对于损伤识别几乎没有应用价值。经过一步正割法改进的trainoss和共轭梯度法改进的traincgb识别率有较大提高,分别达到79.1%和83.9%。经弹性梯度下降算法改进的trainrp和动量及可变学习率改进的traingdx是识别率最好的两种训练函数,分别达96.2%和96.6%。标准梯度下降算法受网络初始权值W和偏置值b的影响较大,且当学习率设置较小时算法容易陷入局部极小,学习率设置较大时算法又会变得不稳定。经过优化改进的训练函数识别率有较大的提高。综合识别率和训练时间分析,选择traingdx作为网络训练函数。表7 不同训练函数的网络性能
Tab.7 Network performance of different training functions
训练函数 时间/s 识别率/% traingd 74 36.0 traingdx 71 96.6 trainrp 79 96.2 trainoss 191 79.1 traincgb 87 83.9 表8为隐层/输出层的6种不同传递函数搭配,对训练函数为traingdx,结构为3-50-11网络的训练结果。从识别率看,当隐层/输出层是非线性/非线性传递函数时,识别率均优于非线性/线性传递函数搭配的情况,其中以tansig/logsig搭配时识别率高达96.9%,训练时间55 s也相对较短,更适合作为隐层/输出层传递函数。
2.4.3 网络结构对网络性能的影响
表9为以traingdx为训练函数、隐层/输出层传递函数为tansig/logsig时,不同隐层神经元数时的网络性能。根据预备实验,隐层神经元数量选择10、30、50、70、90。终止训练条件为迭代5 000次或性能指数小于等于1
0-4 。由表9看出,识别率随隐层神经元数量增加而逐渐提高,但数量达50后继续增加对提高识别率作用有限且训练时间增加。说明适当增加隐层神经元数量,有利于提高网络性能,但隐层神经元过多有可能使网络出现过拟合现象导致识别率降低。表9 不同网络结构的网络性能
Tab.9 Network performance of different architecture
隐层神经元 时间/ s 识别率/ % 10 35 87.3 30 43 96.6 50 55 96.9 70 76 97.2 90 83 96.7 图5为网络结构为3-70-11,隐层/输出层传递函数为tansig/logsig,训练函数为traingdx时,某次训练后输出结果的混淆矩阵,其中对角线上为各类别识别正确的信号个数,最下行及右下角分别为各类别及总识别率。583个AE信号有566个被正确识别,总识别率达97.1%,其中试样S1的3类AE信号全部识别正确。试样S2的3类AE信号中,S2-1和S2-3全部识别正确,S2-2的32个信号有29个识别正确,识别率90.6%。试样S3的2类AE信号S3-1、S3-2识别率分别为97.1%,91.4%。试样S4的3类AE信号中,S4-1和S4-3全部识别正确,S4-2的94个信号有89个识别正确,识别率94.7%。部分信号被错分是由于模式空间中信号参数存在重叠所导致。混淆矩阵的结果表明,合适网络参数训练后的BP神经网络能够实现损伤AE信号的正确识别。
3 结论
(1)AE信号参数系统聚类结果可选择出AE信号损伤模式特征为幅度、峰值频率和持续时间。
(2)对AE信号进行K-means聚类可建立损伤模式的AE信号训练样本。
(3)运用BP网络可实现对不同损伤模式的识别,网络性能和训练函数、传递函数和网络结构有关,当训练函数为traingdx,隐层/输出层传递函数为tansig/logsig,隐层神经元为70时,网络识别率可达97.2%。
参考文献
- 1
龙宪海,阳能军,王汉功.炭/环氧复合材料拉伸损伤声发射特性及细观力学分析[J].高分子材料科学与工程,2011,27(02):50-54.
- 2
周伟,孙诗茹,冯艳娜,等.风电叶片复合材料拉伸损伤破坏声发射行为[J].复合材料学报,2013(02):240-246.
- 3
严实,李冬华,泮世东,等.基于声发射技术的三维编织复合材料压缩破坏分析[J].材料工程,2013(02):22-28.
- 4
严实,赵金阳,陆夏美,等.基于声发射技术的三维编织复合材料低速冲击损伤分析[J].材料工程,2014(07):92-97.
- 5
孟松鹤,田晓晓,杜善义,等.三维编织碳/环氧复合材料力学性能测试及破坏机制[J].复合材料学报,2012(02):115-120.
- 6
黄文亮,李鹏南,邱新义,等.CFRP在钻削加工中的声发射特性[J].宇航材料工艺,2017,47(06):46-50.
- 7
NI Q Q, KURASHIKI K, IWAMOTO M. AE technique for identification of micro failure modes in CFRP composites[J]. Materials Science Research International, 2001,7(1): 67-71.
- 8
YANG L, KANG H S, ZHOU Y C, et.al. Frequency as a key parameter in discriminating the failure types of thermal barrier coatings: Cluster analysis of acoustic emission signals[J]. Surface and Coatings Technology, 2015;264:97-104.
- 9
袁忠,黄频波,耿文霞.基于近似熵谱的碳纤维复合材料层压板拉伸损伤声发射分析[J].宇航材料工艺,2014,44(04):73-77.
- 10
童小燕,张佳丽,姚磊江,等.2D-C/SiC拉伸损伤的声发射信号聚类分析[J].固体力学学报,2014,(02):109-114.
- 11
SAWAN H A, WALTER M E, MARQUETTE B. Unsupervised learning for classification of acoustic emission events from tensile and bending experiments with open-hole carbon fiber composite samples[J]. Composites Science and Technology. 2015;107:89-97.
- 12
张卫冬,张习文,杨斌,等.基于声发射信号的铝合金材料损伤表征识别[J].北京科技大学学报,2013,35(5):626-633.
- 13
王健,金周庚,刘哲军.C/E复合材料声发射信号小波分析及人工神经网络模式识别[J].宇航材料工艺,2001,31(01):49-57.
- 14
张素洁,赵怀慈.最优聚类个数和初始聚类中心点选取算法研究[J].计算机应用研究,2017,34(06):1617-1620.
- 15
MARTIN T H, HOWARD B D, MARK H B.神经网络设计[M].北京:机械工业出版社,2002.
- 1
摘要
为了掌握UHMWPE/LDPE复合材料的损伤机理,运用声发射技术结合聚类分析方法建立不同损伤形式的声发射信号训练样本,通过神经网络实现损伤信号的识别,并分别探讨了训练函数、传递函数、网络结构等因素对识别率的影响。研究表明,由系统聚类可提取幅度、峰值频率、持续时间为模式特征,结合K-means聚类可建立11个类别共583信号的训练样本。以混淆矩阵为识别率指标,当训练函数为traingdx、隐层/输出层传递函数为tansig/logsig、隐层神经元数量为70时,网络的识别率达97.2%,为基于声发射技术的热塑性基体复合材料损伤识别提供参考。
Abstract
In order to master damage mechanism of UHMWPE/LDPE composite material，training sample of acoustic emission signal with different damage modes was established by clustering analysis and acoustic emission technology. Acoustic emission signal generated from different damage modes were identified by neural network. The factors affecting the recognition accuracy of network such as training function, transfer function and network architecture were discussed respectively. The results revealed pattern characteristic consisting of amplitude, peak frequency and duration can be selected by hierarchical clustering method. The training sample consisting of 583 signals with 11 classes can be established by K-means clustering method. Using the confusion matrix as the recognition accuracy index, when the training function is traingdx, the hidden layer/output layer transfer function is tansig/logsig, and the number of hidden layer neurons is 70, the recognition accuracy of the network is 97.2%. The results provide reference for the damage identification of thermoplastic matrix composites based on acoustic emission technology.
