（机械设计及理论专业论文）基于k均值聚类和bp神经网络的耐火材料损伤模式识别.pdf

武汉科技大学硕士学位论文 第1 页 摘要 耐火材料是保障高温设备安全运行的关键，其微观损伤模式识别一直是研究的重点。 本文采用声发射技术监测耐火材料三点弯曲损伤试验过程，综合运用声发射参量分析方法 和k 均值聚类方法为耐火材料损伤分类提供试验样本数据库，最后运用b p 人工神经网络 对耐火材料的损伤类型和损伤程度进行识别和预测。本文所做的主要工作总结如下： ( 1 ) 采用示差高温应力应变试验机h m o r s t r a 工n 和美国p a c 公司的d 工s p 声发射采集 系统完成了耐火材料三点弯曲试验过程中的声发射信号采集，结合耐火材料微观损伤理论 得到材料两种损伤类型：基质损伤和界面损伤。 ( 2 ) 综合运用声发射参量分析和聚类分析技术对耐火材料三点弯曲试验过程中的声 发射信号分析，得到每类损伤的声发射特征，此特征可为人工神经网络模式识别系统建立 样本数据库。 ( 3 ) 利用幅度、振铃计数、上升时间、持续时间和质心频率等声发射特征参数建立 了基于b p 神经网络的耐火材料模式识别系统，实现了耐火材料损伤模式识别。b p 神经网 络对材料损伤类型的总识别率高达9 5 ，并且对损伤程度的预测误差相对较小，最大预测 误差不足0 2 。该方法在耐火材料微观损伤类型的识别和损伤程度的识别方面具有推广应 用的价值。 关键词：耐火材料；声发射：参量分析；k 均值聚类；b p 神经网络；模式识别 第1 i 页武汉科技大学硕：上学位论文 a b s t r a c t r e f h c t o r ym a t e r i a l sa r eo fg ，e a ti m p o r t a n c et om en o m l a lr u m l i n go ff a c i l i t i e su n d e rb i g h t e n 叩e r a ：t u r e ，a n dt h em i c r o d 啪a g ep a t t e mr e c o 舯i t i o no f ，h i c hh a sa l w a y sb e e nm ee m p h a s i s o fr e s e a r c h t h ed 锄a g ep r o c e s so ft h r e e - p o i n tb 锄d i n gt e s to fr e 台a c t o r ) rm a t 嘶a l si sm o n i t o r 。d b yu s i n go fa c o u s t i ce m i s s i o nt e c h n i q u e ( a e t ) t l l e n ，ad a t a b a s eo fe x p e n m e n ts 锄p l e s 斯 d 锄a g ec l a s s i f i c 撕o no fr e 疗a c t o r i e si sb u i l tb ya c o u s t i c 锄i s s i o n ( a e ) p 觚a 1 1 l e t e r sa 1 1 a l y s i sa 1 1 d k 锄e a n sc l u s t e r i n ga n a l y s i s f i n a l l 弘t h et 弹ea n d 如铲e eo fd 锄a g ei sr e c o 印i z e db yb p a n i f i c i a ln e u r ，a ln e t w o r k 7 n l em a i nw o r k 柚dc 0 n c l u s i o n so f t b j sd i s s e r t a t i o n i r ea sf b l l o w s ： ( 1 ) u s ed i 胁e n t i a lk 曲t e m p e r a _ 哳es t r e s sa n ds 拄a i nt e s t i n gm a c h i n c ( h m 删s t r a 磷 a n dd i s pa c o u s t i c 锄i s s i o nt e s t i n gs y s t 锄o fp a ct oc o l l e c ta es i g n a l so ft h r e e - p o i r l tb 锄d i n g t e s to fr e 矗a ( 舡戚e s t w ot y p e so fd a m a g ea r eo b t a i n e db yt h et h e o r yo fm i c r o d a m a g e ：m a t r i x d 锄a g ea n di n t e m c ed 撇a g e ， ( 2 ) t h ea ec h a u r a c t 谢s t i c sc o r r e s p o n d i n gt oe a c ht y p eo fd 锄a g ea r ed e t e h n i n e db y c o m b “n ga ep 缀i i i l e t e r sa n a l y s i s 雠dk m e a n sc l u s t 嘶n ga i l a l y s i so fs i 即a l sc o l l e c t e di n 也e p r o c c s so ft h r e e p o i n tb e n d i n gt e s to fr c 仔a c t o r i e s ，w h i c hc a nb u i l dad 砸b a s eo fe x p e d m e n t s 锄p l e sf o rd a m a g ec l a s s i f i c a t i o no fr e 触c t o r i e s ( 3 ) n ep a t t e r nr e c o 伊i t i o ns y s t e mb a s e do nb pa n i f i c i a ln e u r a ln e t w o r k ( a n n ) i s e s t a b l i s h c db yu s i n g 也ea ep a r a m e t e r ss u c ha sa 1 1 叩1 i t u d e ，c o u n t s ，r i s e t i m e ，d u r a t i o na n d c e i l t r o i d 行e q u e n c mw h i c hc a nr e c o g n i z et h ed 锄a g ep a t t e mo fr e 舶c t o n e s t h e t o t a lr e c o g n i t i o n r a t eo ft h ed a m a g et y p e si su pt o9 5 ，a i l dt h ep r e d i c t i o n 踟 0 ro fm ed a m a g ed e 萨e ei sr e l a t i v e l y s m a l la 1 1 dt h em a x i m 啪v a l u ei sn om o r et h a l l0 2 np r c i v e dm a tt h i sm e t h o dh a sm ev a l u eo f a p p l i c a t i o n a n dd i s s e m i n a t i o ni nt h ea s p e c to fm i c r o d 咖a g et y p er e c o 印i t i o na n dd 锄a g e d e 罂e ep r e d i c t i o n k e yw o r d s ：r e 矗a c t o r ym a t 砸a l s ；a c o u s t i ce m i s s i o n ；p a r 锄e t e r sa i l a l y s i s ；k - m e a n sc l u s t c i 证g ； b pa l t i 矗c i a ln e u r a ln e t w o r k ；p a t t e mr e c o 班i t i o n 武汉科技大学硕士学位论文 第1 页 1 1 课题背景 第1 章绪论 耐火材料是冶金、玻璃、水泥、陶瓷、机械热加工、石油化工、动力和国防工业等高 温工业所必须的重要基础材料 1 】。耐火材料由于其具有较好的抗热冲击和化学侵蚀的能力、 导热系数低和膨胀系数低等优点而被广泛用于冶金、机械制造、石油、化工、动力、硅酸 盐等工业领域。作为高温容器件的隔热保温材料，耐火材料是保障高温设备的安全运行关 键，但同时也是高温炉衬结构中最薄弱的易损环节，其结构一旦发生损坏而未能及时发现 处理，将造成无法挽回的巨大人员和财产损失。目前我国每年都要消耗大量的耐火材料， 其中约有6 5 7 0 的耐火材料用于钢铁冶金行业【2 】。据统计，2 0 1 1 年，我国钢产量约为 6 8 3 6 2 5 万吨1 ，按照目前吨钢耐火材料消耗约为2 5 3 0 k g 【4 】计算，我国每年耐火材料的消 耗量是相当惊人的。因此，研究如何减少耐火材料的消耗量对节能降耗方面具有十分重要 的意义。 耐火材料在使用过程中会发生多种形式的损伤，如果能采用有效的手段对耐火材料使 用过程的损伤进行在线实时监测，不仅可以充分利用耐火材料，而且还可以避免因为耐火 材料未能及时更换造成的巨大人员和财产损失。因此，耐火材料的损伤模式识别一直是耐 火材料研究的重点和难点。 为了实现耐火材料的损伤模式识别，必须具备有效的检测技术和分析方法。声发射技 术作为无损检测中的一种新方法，具有实时监测性好、检测覆盖面广和应用面宽等优点， 已被广泛应用于各行业的无损检测中，可以对耐火材料进行在线实时监测；人工神经网络 是最常用的模式识别方法之一，可以用于耐火材料损伤模式识别。 本文拟将运用声发射技术监测耐火材料的损伤过程，综合运用声发射参量分析方法和 k 均值聚类方法为耐火材料损伤分类提供试验样本数据库，虽后运用b p 人工神经网络对耐 火材料的损伤类型和损伤程度进行识别和预测。 1 2 相关领域国内外发展状况 1 2 1 声发射检测技术的发展状况 声发射( a c o u s t i ce m i s s i o n ，简称a e ) 是材料( 或结构) 内由于局部能量快速释放产 生瞬态弹性波的现象，这种技术被广泛用于控制结构质量监测缺陷演化。这种技术被广泛 用于控制结构质量监测缺陷演化。当材料受到机械应力或热应力时，如裂纹的形核与扩展， 协同位错运动，双晶形成，晶界滑移，巴克豪森效应( 磁畴重组或增长) ，合金内无扩散 相变，复合材料纤维断裂，金属合金内夹杂物破裂或孪生等各种各样的损伤机理就会产生 声发射【5 】。声发射技术( a c o u s t i ce m i s s i o nt e c h n i q u e ，简称a e t ) 是一种根据声发射原理制 定合理的试验方案后，采集材料内部产生的声发射信号，并对这些信号进行处理分析以评 第2 页武汉科技大学硕士学位论文 价缺陷发生、发展的演化过程并完成缺陷定位的技术f 6 】。 作为一种无损检测手段，声发射技术已具有较长的历史。2 0 世纪5 0 年代，德国人凯 瑟对金属及木材进行试验发现，试件在循环加载过程中，当载荷未达到之前所施加的应力 级之前不会出现可探测声发射现象，此即k a i s e r 效应【7 1 。k a i s e r 效应的发现也标志着现代 声发射技术的诞生。直到6 0 年代，g r e c n 首先将声发射技术应用到无损检测领域，并将声 发射技术从基础研究扩展到实际应用，接着d u n e g 觚更是将声发射技术延伸到压力容器方 面。整个6 0 年代，声发射技术已开始应用到材料学科等无损检测领域了。7 0 8 0 年代，声 发射技术取得了重大进展，并开始从实验室研究阶段向生产现场应用方面发展。d u i l e g a l l 【8 】 等人通过将声发射测试频率提高到l o o k h z 1 m h z ，极大地减少了背景噪声对声发射检测 结果的影响，为大型构件的在线监测提供了理论基础。进入9 0 年代，声发射检测技术得 到进一步发展。从研究范围来看，声发射技术几乎覆盖所有工业领域，既包括交通运输、 石油化工、民用工程等基础工业领域，又包括材料试验、岩石力学等基础研究领域，还包 括航天、航空等国防科技工业领域。与此同时，声发射分析方法也从最初的特征参量分析、 谱估计分析发展到现在的小波分析、相关性分析和人工神经网络识别等方法，这为声发射 源定位和材料损伤破坏定性描述的准确性奠定了理论基础p 1 0 1 。 我国声发射技术从1 9 7 3 年引入以来，在理论研究和实际应用方面都取得了较大发展。 目前我国声发射技术研究者已在压力容器、飞机、岩石、过程监测、金属材料、复合材料、 磁声发射等领域开展了广泛的研究和应用工作o 2 | 。 目前声发射技术作为一种新兴的动态无损检测方法，已被广泛应用于诸多领域，主要 包括石油化工工业、交通运输业、航天航空、电力工业及材料试验等领域。 1 2 2 声发射技术在耐火材料检测中国内外发展状况 耐火材料是大型高温工业炉装备重要基础材料，工作环境极其恶劣，易受各种化学腐 蚀、物理冲击及机械应力等因素的作用而最终导致破坏失效。无损检测可以在非破坏条件 下对其质量和性能进行检测与评定。声发射技术具有实时监测性好、检测覆盖面广和应用 面宽等优点，因此可以用于耐火材料无损检测。早在7 0 年代，国外已开始将声发射技用 于耐火材料性能评价的无损检测中。目前声发射在耐火材料检测中的应用主要集中在耐火 材料热震稳定性的评价、材料的破坏性状研究、特定使用环境下耐火材料的改进和晶型转 变的检测等方面【l 引。 k 眩y s z t o fj k o n s z t o w i c z 【1 4 】等人用声发射技术连续监测耐火材料三种典型耐火标准热 稳定疲劳测试中的性能衰退，并运用声发射技术评定循环加载时耐火材料的抗热震性能。 gb f i c h e ，n t e s s i e r d o y e n f l 5 】等人综合运用声发射和超声波技术研究了耐火材料模型材料 在高温下的破坏特性，得出了材料微观结构对耐火材料的显微裂纹的破坏特性和弹性性能 变化的影响。c p a t a p mc g a u l t 【1 6 】等人利用声发射技术研究了两种用于玻璃熔炉制造的高 氧化锆耐火材料的微观组织和热机械性能演化，研究结果可以用于耐火材料性能改进，为 武汉撇大学硕士学位论文第3 页 开发新型的电熔耐火材料提供了实验研究条件。白岩俊男【1 7 】运用声发射技术研究了硅砖在 加热冷却循环过程产生的破坏形式，检测结果表明方石英的u p 型晶型转变温度下附近声 发射现象明显。 虽然目前声发射技术在耐火材料方面已得到广泛应用，但由于耐火材料是一种微观结 构相当复杂的复合材料，其微观结构的损伤形式多样，且声发射信号波形复杂、干扰源多， 使得准确检测发射源相当困难。因此单凭声发射技术是远远不够的，还需要借助有效的手 段对检测到的声发射信号进行深层次分析，找到材料微观损伤的声发射信号特征并利用声 发射信号的特征信息实现耐火材料损伤模式识别。 1 2 3 神经网络用于耐火材料损伤模式识别的国内外发展状况 模式识别被广泛应用于字符( 字母或数字) 识别、计算机辅助诊断、语音识别、数据 库中的挖掘和知识探索等领域【l 引。目前主要的模式识别方法有统计模式识别、结构模式识 别、模糊模式识别、神经网络模式识别和多分类器融合等【1 9 】。由于人工神经网络具有高度 的并行性和非线性全局作用、良好的“容错性”以及自学习、自组织、自适应的能力等优 点，因而被广泛应用到模式识别领域【2 刚。其中b p 网络是目前在模式识别中应用最广泛的 神经网络，其网络结构和网络性能均已非常成熟。 人工神经网络( a n i 6 c i a ln e u r a ln e 伽o r k s ，简称a n n ) 是一种旨在模仿人脑结构及其功 能的脑式智能信息处理系统【2 。作为一门重要的交叉学科，人工神经网络已被广泛应用于 智能控制、信号处理、计算机视觉、辅助决策和模式识别等领域。 人工神经网络的发展并不是帆风顺的。现代人工神经网络从2 0 世纪4 0 年代开始， 经历了启蒙时期、低潮时期、复兴时期和新时期四个时期。 启蒙时期最具代表性的人物是s m c c u l l o c h 、w p i t 和o h e b b 。1 9 4 3 年，心理学家 s m c c u l l o c h 和数学家w p i t 从信息处理的角度出发合作提出的形式神经元的m - p 模型开 创了神经科学理论研究的新时代，也为之后的人工神经网络研究提供了依据。1 9 4 9 年，心 理学家d o h e b b 提出的通过改变神经元之间的连接强度完成神经元学习过程的理论至今 仍用于神经网络研究中。 人工神经网络的低潮时期持续了十年之久。1 9 6 9 年，感知器的出现使人工神经网 络的研究陷入了低谷。m i n s k y 和p a p e n 在感知器中从数学角度，对以感知器为代表的 网络原理及其局限性做了深入研究，否定了神经网络非线性问题求解能力。这种极具影响 力的悲观结论直接导致人工神经网络的研究停滞不前。尽管如此，仍有不少学者坚持这一 领域的研究并提出了许多有价值的理论和方法，最具代表性的有s g r o s s b e r g 及其夫人提出 的自适应共振理论模型和k 0 h o n e n 提出的自组织映射理论，这些都为此后的人工神经网络 研究奠定了理论基础。 进入2 0 世纪8 0 年代以后，由于传统的人工智能理论和计算机技术面临重重困难，神 经网络的研究又开始复兴。1 9 8 2 年，美国的h o p f i e l d 总结前人的研究，将各种网络结构和 算法结合起来并在网络训练中引入了能量函数的概念，提出一种新颖的网络模型一 第4 页武汉科技大学硕士学位论文 h o p 6 e l d 网络。h o p j 6 i e l d 网络的出现立刻掀起了各学科对人工神经网络研究的热潮。1 9 8 6 年，风吼e l h a r t 等人在多层感知器的基础上提出了多层前向神经网络模型的反向传播算法 ( b p 算法) 并解决了非线性的学习问题。 1 9 8 7 年以后，随着世界上第一份神经网络杂志n e l l r a ln e 呻o r k 的问世，标志着人 工神经网络的研究进入了新的时期。在这个时期，神经网络在各方面的研究都取得了飞跃 的发展。从应用领域来看，人工神经网络的研究己渗透到模式识别、图像处理、信号处理、 非线性优化计算、语音处理、自动目标识别、机器人、自然语言解释、生物医学工程以及 专家系统等诸多领域。 耐火材料在不同的损伤机制显示出的声发射特征也是不同的，而同一阶段的声发射特 征是相似的。由于耐火材料微观结构的复杂性和微观损伤机理的不确定性，且声发射信号 与声发射源的之间的对应关系为非线性的，因此要通过传统的数学建模方法对他们之间的 关系进行准确地描述是非常困难的。人工神经网络是目前解决这类复杂的非线性问题的最 常见的一种方法。人工神经网络可以将声发射信号特征与耐火材料损伤种类和损伤程度联 系起来，即实现耐火材料损伤的声发射信号模式识别。多年来，国内很多外学者都致力于 此领域研究，运用神经网络对声发射信号进行模式识别，并取得了令人瞩目的成果。 s b 鳓剥2 2 】等人应用b p 神经网络识别了飞机框架模拟试件中产生的裂纹增长和摩擦声 发射信号；b h a t 【2 3 】等人结合有监督和无监督方法对模拟噪声源进行了分类并且运用人工神 经网络对其进行训练，进而对复合材料的失效模式的声发射特征进行描述，研究表明这种 方法可以用于飞机飞行过程的监测。t p 。p h i l i p p i d i s 【2 4 j 等人运用人工神经网络技术对碳碳 复合材料声发射信号的损伤特征进行模式识别，建立了实际的失效模式与声发射现象之间 的相互关系。b o d i n e 【2 5 采用人工神经网络技术从压力容器无损检测过程中产生的包含多种 干扰噪声的声发射信号中识别出了导致裂纹产生的信号，其中识别率高达9 3 。 相对于国外来说，国内学者对神经网络在声发射信号模式识别方面的研究还是远远不 够的。王健【2 6 】等人用多分辨小波变换提取了c e 复合材料的声发射信号特征向量，采用 b p 神经网络成功地识别出与材料损伤有关的六类声发射信号，识别效果良好。孙建平【2 7 】 利用神经网络建模对木材受力过程产生的声发射信号的累积能量和载荷的时间序列进行 预测，构建的网络具有良好的推广性。 虽然大量的研究表明神经网络可以实现声发射信号模式识别，但实际上研究工作很少 涉及到工程应用方面。因此，实际的声发射技术应用中采用神经网络对声发射信号进行模 式识别还必须进行更深入的研究。尽管如此，运用人工神经网络识别声发射信号的方法还 是值得借鉴，所以人工神经网络可作为耐火材料声发射检测的辅助手段。 1 3 本课题研究内容 本文将声发射信号分析技术和k 均值聚类结合起来，为耐火材料损伤分类提供实验样 本数据库，并用声发射仪对耐火材料进行在线无损动态监测，通过人工神经网络方法对耐 火材料的损伤类型和损伤程度进行识别和预测。本文主要研究内容如下： 武汉科技大学硕士学位论文 第5 页 ( 1 ) 制定出合理的声发射试验方案，采集耐火材料损伤过程中的声发射信号； ( 2 ) 以耐火材料三点弯曲损伤试验过程中的声发射信号为研究对象，采用k 均值聚 类和声发射参量分析为研究手段，实现了耐火材料损伤分类模式识别，为建立耐火材料模 式识别系统提供了样本数据库； ( 3 ) 建立了耐火材料损伤模式识别系统一基于b p 神经网络的耐火材料损伤模式识别 系统，该系统可以实现耐火材料损伤类型和损伤程度的识别和预测。 第6 页 武汉科技大学硕士学位论文 2 1 声发射技术基本原理 第2 章声发射技术概述 声发射是指材料( 或结构) 受外力作用而产生变形断裂或是其内部发生塑性变形快速 释放瞬态弹性波的现象。 如图2 1 所示，从声发射源内产生的弹性波引起声发射传感器可探测的机械位移，声 发射传感器将其转化为电信号，在信号放大器的作用下被放大、处理后，再通过声发射记 录仪记录这些信号的波形和特征参数。最后对记录的声发射信号进行分析与解释就可以评 定声发射源的特性。 图2 1 声发射检测原理图 一般而言，不同的材料的声发射信号特征也不一样，按频率范围，声发射波有几h z 的次声频信号，也有2 0 h 乙之o k h z 的声频信号还有数删z 超声频信号；按传感器的输出， 声发射波的幅度从数h v 的微观位错运动到数百m v 的大规模宏观断裂。 声发射检测主要用于声发射源的部位、类型和严重性的评定以及声发射发生的时间与 载荷的确定。 2 2 声发射技术的优点及局限性 与超声波等其他常规无损检测方法相比，声发射技术具有明显的优点，具体表现在以 下几个方面晒1 ： ( 1 ) 声发射探测到的信号来自缺陷本身，而不需：要通过外部输入对缺陷进行探测。 声发射技术可以检测缺陷动态信息，并据此评价缺陷对结构的实际危害程度； ( 2 ) 不易受构件尺寸影响，对大型构件，只需要一次试验过程就可以实现整体或大 范围检测，易于提高检测效率； ( 3 ) 可获得缺陷随时问、温度、载荷等外部变量变化的瞬态或连续信息，适二于二工业 过程在线监控和早期破坏预测； 武汉科技大学硕士学位论文 第7 页 ( 4 ) 不易受构件工作环境影响，由于对被检测构件的接近要求不高，适于高低温、 易燃易爆、核辐射及剧毒等其它无损检测方法难以或不能接近环境下的检测； ( 5 ) 与其他检测方法易受被检测构件形状影响不同，声发射检测可以对任何形状的 构件进行检测； ( 6 ) 绝大多数材料在破坏时都会产生声发射信号，因此，声发射检测技术几乎可以 用于包括金属材料、木塑复合材料、岩石矿物材料等所有材料的无损检测。 由于声发射探测的是机械应力波，是一种动态检测方法，因此在实际应用中也具有局 限性： ( 1 ) 材料的成分差异、噪声干扰等都会影响声发射特性即会造成声发射数据的变化， 因此，对数据的正确解释需要研究者具有丰富的数据库和现场检测经验。 ( 2 ) 一般而言，声发射检测需要制定适当的试验方案，对构件的加载过程不能超过 两次，有时还需要制定的加载程序。 ( 3 ) 目前的声发射检测只能得到声发射源的位置、活动性和强度，而不能不能得到 缺陷本身的性质和大小，因此要得到缺陷的定性定量分析，仍需依赖于其它无损检测方法。 声发射技术的特点决定了声发射检测技术的应用，目前声发射检测的应用可以归纳为 以下三个方面： 被检测构件形状复杂或检测环境恶劣； 重大构件的综合评估； 由于经济性和安全性而无法采用其他方法检测的构件。 因此，声发射检测技术并不能完全替代传统的检测方法，而是对传统方法的一种补充。 目前，声发射检测技术作为一种新方法用于无损检测还需传统检测方法的辅助。 2 3 声发射信号处理分析方法 声发射检测的重点是对声发射信号的分析处理，目前声发射信号处理分析方法可以分 为两类。第一类为特征参量分析法，另一类是波形分析法，即对记录的声发射波形进行频 谱分析。 ( 1 ) 声发射信号的特征参量分析法 声发射信号特征参量分析法是一种利用简化波形的特征参量表征声发射信号特征，即 对声发射信号特征参量进行分析和处理的经典声发射信号处理方法。声发射特征参数可以 从不同的角度表征单个声发射信号特征。声发射信号特征参量分析法主要包括：列表显示 与分析法、单参数分析法、经历图分析法、分布分析法和关联分析法等口0 1 。 声发射信号分为突发型和连续型。突发型声发射信号参数有幅度、能量计数、撞击计 数、振铃计数、上升时间、持续时间等；而连续型声发射信号参数只有振铃计数、能量、 平均信号电压和有效值电压等。实际上，所有的声发射信号都可以看作是突发的。本试验 所采集的声发射信号都是突发型的。 如图2 2 所示为突发型声发射信号参数定义。 第8 页 武汉科技大学硕士学位论文 图2 2 突发型声发射信号参数定义 幅度( a m p l i t u d e ) ：事件信号波形的最大振幅值，单位为d b ，规定当传感器输出为 l 时，幅度值为o d b 。幅度不受门槛的影响，虽与事件没有直接关系，但直接决定事件 的可测性。常用于波源的强度和衰减测量以及波源的类型鉴别。设信号的电平为u ( ) ，则 幅度p 可表示为： 蹦o l o g 警一 ( 2 1 ) 式中p 一声发射信号的幅度； u ( f ) 懈一电平u ( f ) 的最大值； g ，。一前置放大器增益。 振铃计数( c o u n t ) ：反映了声发射信号的能量大小，指超过预先规定的门槛信值的声 发射信号的计数。在一定程度上也反映了声发射信号的幅度，因而广泛用于声发射活动性 评价，但甚受门槛影响。 质心频率( c e n t r o i df r e q u e n c y ) ：倍频谱大小之和除以作用于该处等价一次惯性矩， 以k h z 为单位。质心频率f 可以表示为凸1 ： 工：掌型 ( 2 2 ) 【s ( 厂) 矽 式中厂每个采样点的频率值； s ( 门一每个采样点频谱的快速傅里叶表示。 上升时间( r i s e t i l n e ) ；信号从第一次超过门槛值至最大振幅所经历的时间，单位为p s 。 武汉科技大学硕士学位论文第9 页 可用于噪声鉴别，因易受传播的影响，实际很少用于评价声发射特性。 持续时间( d u r a t i o n ) ：信号从第一次超过门槛值到最后一次降至门槛值所经历的时间， 单位为肛s 。可用于特殊波源类型和噪声鉴别。 ( 2 ) 声发射信号的谱估计方法 声发射信号的谱估计方法是一种分析声发射信号在时域和频域内的特征，以描述声发 射源特性的分析方法，可分为经典谱估计和现代谱估计两种。布莱克曼一图基法( 又称谱 估计自相关法) 和周期图法是经典谱估计法中最常用的两类方法。由于经典谱估计法应用 到了傅里叶变换理论，导致该分析方法具有方差性能差、谱分辨率低的缺点。现代谱估计 法的出现很好地解决了经典谱估计法的这些缺点，提高了估计谱的准确性3 。现代谱估计 法是一种采用参数模型来模拟声发射信号的方法，目前常用的现代谱估计法包括a r 谱估 计、预测滤波器谱估计和a r m a 谱估计、最大似然估计和最大熵法等方法。 ( 3 ) 常规模式识别方法 简而言之，声发射模式识别方法即是根据声发射源特性的不同，利用人工智能算法确 定每个样本所属模式的过程。常规模式识别方法主要包括统计模式识别方法和结构模式识 别方法。图2 3 所示为模式识别系统示意图。 图2 3 所示为模式识别系统示意图 ( 4 ) 人工神经网络模式识别方法 人工神经网络是目前声发射信号分析处理方法中应用最为广泛的方法之一。人工神经 网络模式识别方法用于声发射信号处理分析是利用人工神经网络技术对声发射信号进行 分析和研究以判断声发射源的性质，即实现声发射信号的模式识别。目前，对声发射信号 进行分析和处理，应用最多的人工神经网络是b p 神经网络。 ( 5 ) 小波分析方法 第1 0 页 武汉科技大学硕：士学位论文 小波分析方法是声发射信号处理分析方法中最常用的方法之一，是一种利用小波变换 对声发射信号进行分析处理的方法。由于小波变换既可以表征信号在某个局部时间段的频 谱信息，又可以描述信号的某一频谱信息对应的时域上信息。因此，小波分析被广泛用于 分析和处理含有瞬态现象的声发射信号。 2 4 本章小结 本章主要介绍了声发射技术的基本原理、声发射技术的优点和局限性及声发射信号处 理分析方法。声发射技术作为无损检测中的一种新方法，具有实时监测性好、检测覆盖面 广和应用面宽等优点，已经广泛应用于各行业的无损检测中。因此，声发射技术可以用于 耐火材料的损伤检测。 声发射信号的特征参量分析法可以表征声发射信号特征，进而描述耐火材料的损伤状 态，而声发射模式识别方法可以根据声发射源特性的不同判断材料的损伤状况。因此本文 拟采用声发射特征参量分析方法和模式识别方法对耐火材料损伤过程的声发射信号进行 处理分析，以实现耐火材料损伤模式识别。 武汉科技大学硕士学位论文 第1 l 页 3 1 器材准备 3 1 1 耐火材料的制备 第3 章耐火材料声发射信号采集试验 本试验选用的m g o c 耐火材料是由武汉科技大学材料冶金学院提供，该材料是以烧 结镁砂为骨料，镁砂细粉，石墨，金属铝粉为基质，树脂结合剂为原料。通过压力试验机 压制成型( 成型压力为1 5 0 m p a ) ，最后将成型的试样放置在恒温鼓风干燥箱中保温( 温度设 置为1 1 0 ) 2 4 小时得到。材料的基本尺寸为1 2 5 n u n 2 5 m 珈2 5 m m 。表3 1 所示为材料各 组分体积百分比。 表3 1 材料各组分的体积百分比 试验选用的m g o - c 耐火材料添加了体积分数为3 的金属铝粉作为抗氧化剂。图3 1 为试验材料的显微结构图。图中白色颗粒为金属铝粉，无规则的多边形颗粒为镁砂，条状 物为石墨。金属铝粉均匀分布在镁砂和石墨之间，这些物质通过树脂胶结在一起。 图3 1 试验材料的显微结构图 第1 2 页 武汉科技大学硕士学位论文 3 1 2 试验仪器的选择 由于m g o c 耐火材料的抗拉强度不高，且拉伸试验夹具不易加工，而三点弯曲试验 不易受加载点的噪声干扰，易于控制损伤部位，因而选择三点弯曲试验作为试验类型。本 试验采用示差高温应力应变试验机h m o 刚s t r a i n ( 图3 2 ) 对m g o c 耐火材料进行三点 弯曲加载实验，在加载的同时采用美国p a c 公司的d i s p 声发射采集系统( 图3 3 ) 实时 采集声发射信号。材料的加载过程为线性加载，加荷速率为o 2 5 ( 埘2 s ) 。 图3 2 示差高温应力应变试验机聊o 刚s t r a 矾 3 2 声发射采集参数设定 图3 3 d l s p 系列声发射仪 在声发射信号采集之前必须合理地设置声发射采集系统各参数以保证采集到的信号 有效并且能够反映声发射源的真实信息。声发射检测关键的参数主要有：门槛值、前置放 武汉科技大学硕士学位论文第1 3 页 大器增益、采样频率、系统定时参数设置等。 门槛值又称阈值，是信号被视为声发射信号的幅度值的临界值，只有幅度超过门槛值的 信号才会被记录。合理的门槛值不仅可以排除噪声干扰，而且还可以提高声发射检测的灵 敏度。门槛值过高，有用的信号会被过滤，门槛值过低，有些噪声信号会被采集，因此合 理地选择门槛值要综合考虑灵敏度和噪声干扰等因素。在实际的声发射试验中，可根据表 中表3 2 所示的门槛值的适用范卧2 8 】合理地选择门槛值。 表3 2 门槛值的适用范围 门槛值( d b )适用范围 2 5 3 5 3 5 5 5 5 5 6 5 适于灵敏度要求较高的无损检测 用于大多数的无损检测及材料研究 适于噪声强度高的检测 本试验的对象为耐火材料，属于材料研究范畴，门槛值设置范围为3 5 5 5 d b 。因此， 本次声发射检测的门槛值设为5 0 d b 。 增益是仪器主放大器对声发射波形信号放大倍数的设置，合适的增益可以获得较高的 灵敏度，本试验设置前置放大器的增益值为4 0 d b 。 采样频率的确定可根据奈奎斯特定理确定。当采样频率疋2 ( 厶为信号最高频率) 时，则采样之后的信号才能完整地保留原信号中的信息。经验表明，采样频率一般为信号 最高频率的5 1 0 倍。预采集的信号来自耐火材料基质损伤和界面损伤产生的声发射应力 波，而基质损伤和界面损伤对应的质心频率集中在4 1 0 0 k h z 。因此，本试验采样频率设 为l m h z 。 系统定时参数包括峰值定义时间( p d t ) 、撞击定义时间( h d t ) 和撞击闭锁时间( h l t ) ， 定时参数的设置主要是根据实际波形。表3 3 示为一般常用材料的定时参数设置。 表3 3 定时参数设置范围 试验材料m g o c 耐火材料是一种复合材料，因此，按照表3 3 推荐设置范围，可设 p d t = 5 0 u s ，h d t = 2 0 0 p s ，h i t = 3 0 0 p s 。 3 3 声发射信号采集 由于声发射检测需要适当的加载程序，并且至多有两次加载检测的机会，因此材料的 加载显得尤为重要。三点弯曲试验中，加载仪与试件只有三个接触点，两个支点和一个加 第1 4 页武汉科技大学硕士学位论文 载头。如图3 4 所示为声发射检测试验原理图，在开始试验前，校准声发射仪并确认传感 器耦合良好后，同时启动示差高温应力应变试验机和声发射采集系统即可。声发射采集系 统采集的信号参数包括上升时间、峰值计数、振铃计数、能量、持续时间、幅度和a s l 等。 3 4 本章小结 图3 4 声发射检测试验原理图 由于选用的声发射试验材料m g o - c 耐火材料的抗拉强度不高，且拉伸试验夹具不易 加工，因而采用三点弯曲试验作为声发射试验类型。本章采用示差高温应力应变试验机 h m o 刚s n 认i n 和美国p a c 公司的d i s p 声发射采集系统成功地采集了耐火材料在三点弯 曲损伤试验过程中的声发射信号。试验采集到的上升时间、峰值计数、振铃计数、能量、 持续时间、幅度和a s l 等的声发射信号参数可以用于耐火材料的损伤表征。 武汉科技大学硕士学位论文 第1 5 页 第4 章基于k 均值聚类的耐火材料损伤声发射信号分析 声发射信号的处理分析方法有很多种，常用的处理方法有特征参量分析法、谱估计方 法、常规模式识别法、人工神经网络模式识别法及小波分析等。但是由于耐火材料是一种 微观结构相当复杂的复合材料，其微观结构的损伤形式多样，声发射信号波形复杂、干扰 源多，使得准确检测发射源相当困难，因此如何通过声发射信号的深层次分析，找到材料 微观损伤的声发射信号特征成为了耐火材料声发射信号处理分析的关键。 研究表明口卜4 1 | ，声发射技术和多变量分类方法为无损评估领域提供了一种模式识别工 具。综合聚类分析技术和声发射参量分析的方法可以描述耐火材料损伤过程中声发射信号 特性，进而表征耐火材料损伤微观损伤，实现耐火材料微观损伤模式识别。 k 均值聚类是目前聚类分析中最常用的方法之一。本章首先利用声发射参量分析对耐 火材料三点弯曲试验过程中采集的声发射信号进行分析，找到材料微观损伤过程的声发射 特性；然后采用k 均值聚类方法将采集到的声发射信号划分为能够反映损伤内部特征的几 类；最后根据材料的微观损伤理论，判断每类信号所对应的损伤形式。综合声发射参量分 析和k 均值聚类分析探寻耐火材料在三点弯曲损伤试验过程中的损伤声发射特性，最终实 现耐火材料的微观损伤分类模式识别，为建立耐火材料损伤模式识别系统提供实验基础。 4 1 聚类分析概述 聚类分析是一种常规的、无监督的模式识别方法，常被用于声发射信号处理。聚类技 术可以在不受先验知识的干扰和约束下将样本中的数据划分为能够反映数据内部结构的 几类，从而获取属于数据集合中原有信息，最终将观测样本聚类到同类中，完成聚类过程。 一个完整的聚类过程必须包括特征选择、近邻测度、聚类准则、结果验证、结果判定的等 步骤。 聚类分析可以将一组数据集分为能够反映数据内部结构的几类。目前，没有任何一种 通用聚类算法可以用于揭示各类多维数据集所呈现出来的多种结构 4 2 1 ，聚类算法也有很多 种分类方法。s e 晤o st h e o d o r i d i s 将聚类算法分为顺序算法( s e q u e n t i a la l g o r i t l l i l l ) 、层次聚 类算法( h i 鼬i c a lc l u s t 嘶n ga l g o r i 廿1 1 1 1 ) 、基于代价函数最优的聚类算法( c l u s t 耐n g a 1 9 0 r i t l nb a s e do nc o s t 缸l c t i o no p t i m i z a l i o n ) 和其他算法四大类。如图4 1 所示为具体的聚 类算法划分。 在所有的聚类算法中，基于代价函数最优中的硬聚类算法是目前最常用的算法之一， 而硬聚类算法中的k 均值聚类算法是最常用且最著名的算法。 k 均值聚类是一种数据集的所有的向量与数据集中心的距离平方最小的聚类方法。该 算法使用误差平方和准则作为聚类准则，通过反复迭代优化聚类结果，使所有样本到各自 所属类别中心的距离平方和最小。 如图4 2 所示为k 均值聚类算法流程图，其具体步骤如下： 第1 6 页 武汉科技大学硕士学位论文 ( 1 ) 从所有样本数据中任选k 组数据作为初始聚类中心： z ：n ，z 乳乏1 ( 4 1 ) 式中上角标( 1 l 一迭代运算次数； l 卜聚类数 ( 2 ) 按各样本距聚类中心的欧氏距离最小原则，将所有样本分配到k 个聚类中。假设对 ：某一样本工的第r 次迭代有： d ( 石，矽) = m m 埘( x ，矽) ，f = 1 ，2 ，k ( 4 2 ) 式中砖一以才为聚类中心的样本子集。 则x 。 ( 3 ) 重新计算各聚类中心：雩+ 1 k 者x ( j = 1 ，2 k ) ( 4 3 ) “j x e 砖” 式中n ：一样本子集s ；一中所包含的样本总数。 ( 4 ) 如果聚类后的中心满足z y + 1 = z ，j = l ，2 k( 4 4 ) 则结束：否则转至步骤( 2 ) 。 图4 1 聚类算法分类图 武汉科技大学硕士学位论文 第1 7 页 图4 2k 均值聚类算法流程图 4 2 耐火材料声发射信号参量分析 由于耐火材料是一种微观结构相当复杂的复合材料，其微观结构的损坏形式有多种。 在弯曲加载过程中，材料的损伤是多种损伤断裂源叠加的结果，而声发射波的传播比较复 杂，接收到的声发射信号畸变严重，加之声发射信号波形复杂、干扰源多，因此仅仅依靠 单个声发射参量分析表征材料的弯曲断裂过程是不够的。耐火材料的声发射信号多参量分 析可以通过对多个声发射信号参数进行分析处理，并用声发射参数表征声发射特性以描述 耐火材料微观损伤机理，采用多参量分析可以大大提高分析结果的准确性。 因此，本文采用多参量分析方法对弯曲试验过程中采集到的声发射信号进行分析处 理。为了确定m g o c 耐火材料在弯曲试验过程中的声发射信号内在规律和特性，对幅度、 持续时间、质心频率、上升时间、振铃计数等声发射参数作关联图分析，以找出信号的内 在规律，进一步区分不同声发射信号对应的损伤模式。 声发射振铃总计数和累计能量可以清楚地反映声发射过程材料的损伤活动性。因此， 根据材料加载过程中的声发射累计振铃计数和累计能量时间变化曲线就可以确定耐火材 料的声发射活动性。如图4 3 所示为累计能量和累计振铃计数时间变化曲线。 第1 8 页 武汉科技大学硕士学位论文 图4 3 累计能量和累计振铃计数时间变化曲线 由图4 3 可以看出：材料在弯曲试验过程中，随着载荷的增加，声发射信号的累计能 量和累计振铃计数随时间的变化趋势基本一致。由于累计振铃计数和累计能量等声发射特 征参数可反映材料的损伤时的声发射活动性，进而表征材料的损伤过程。材料在弯曲试验 过程中声发射过程是材料微观损伤过程的体现，按照图4 3 中曲线的变化趋势，可以将材 料弯曲过程的声发射过程( 即微观损伤过程) 划分为以下三个阶段： ( 1 ) 第一阶段为损伤孕育阶段( 2 1 3 3 6 6 s ) ：在这个阶段，材料开始出现少量的损伤， 材料处于弹性变形阶段。由图4 3 明显可以看出，声发射信号的累计能量和累计振铃计数 曲线并无明显变化。由图4 4 可以看出，该阶段内单个声发射信号的质心频率集中在 8 4 0 k h z ，没有幅度大于7 0 d b 的声发射信号产生。很明显，材料在这个阶段内的声发射 的活动性很弱。 ( 2 ) 第二阶段为损伤累积发展阶段( 3 3 6 6 “2 1 4 s ) ：这个阶段试件内部受弯曲加载所 引起的声发射明显增强，