直升機復合材料試件聲發(fā)射信號處理算法研究.pdf

1、在直升機部件的疲勞試驗中,開展直升機部件聲發(fā)射檢測技術(shù)的研究,更早發(fā)現(xiàn)損傷的萌生、位置、類型等情況,改進和提高疲勞試驗狀態(tài)下?lián)p傷檢測的效率和精度,對準確評估直升機各重要部件壽命及安全性是非常有意義的。本文以直升機關(guān)鍵部件常用復合材料試件為研究對象,針對聲發(fā)射信號在直升機復合材料試件上的衰減問題、去噪問題、定位問題和聲發(fā)射源類型識別問題展開深入研究,并且利用斷鉛模擬試驗數(shù)據(jù)和試件壓斷試驗數(shù)據(jù)對所研究算法進行了驗證,解決了直升機關(guān)鍵部件試樣

2、聲發(fā)射檢測中的若干關(guān)鍵技術(shù)問題。
　　研究聲發(fā)射信號在直升機關(guān)鍵部件常用復合材料試件上的衰減特性。通過對直升機關(guān)鍵部件常用的碳纖維材料試件和蜂窩材料試件進行斷鉛試驗,獲取衰減特性數(shù)據(jù),利用能量和幅值參數(shù)分析了聲發(fā)射信號的距離衰減特性。針對傳統(tǒng)小波包分析存在的能量泄露、不同層分辨率不同、頻帶選取不靈活問題,利用諧波小波包分析聲發(fā)射信號在各個頻帶上的衰減特性,獲取兩種試件上聲發(fā)射信號的特征頻帶,為聲發(fā)射傳感器布置提供依據(jù)。
　　

3、為解決聲發(fā)射信號的去噪問題,針對小波去噪存在的去噪效果受信號特點及小波基函數(shù)的影響和只適用于高信噪比的缺點,研究基于經(jīng)驗模態(tài)分解和小波閾值去噪相結(jié)合的聲發(fā)射信號去噪方法,包括IMF-Wavelet去噪方法,EMD-Wavelet去噪方法和Wavelet-EMD去噪方法,這些方法利用EMD對信號的自適應分解特性及適合于低信噪比去噪的優(yōu)點彌補小波去噪的不足,通過標準信號和斷鉛模擬聲發(fā)射信號下幾種去噪方法的去噪性能對比,表明Wavelet-E

4、MD方法無論在高信噪比情況下,還是在低信噪比情況下,都具有較穩(wěn)定的去噪效果。
　　為解決聲發(fā)射源定位問題,針對基于神經(jīng)網(wǎng)絡智能定位方法中存在的局部最優(yōu)、大樣本、過學習及網(wǎng)絡結(jié)構(gòu)難以確定等缺點,研究基于最小二乘支持向量回歸的聲發(fā)射源線性定位方法和基于多輸出支持向量回歸的聲發(fā)射源平面定位方法。該方法利用支持持向量機在全局尋優(yōu)、收斂速度及小樣本預測上的優(yōu)勢彌補神經(jīng)網(wǎng)絡的不足,通過對直升機關(guān)鍵部件常用碳纖維材料試件斷鉛定位試驗結(jié)果表明,L

5、S-SVM回歸線性定位方法和M-SVR平面定位算法均達到了一定的精度,并且在收斂速度和定位精度上都優(yōu)于神經(jīng)網(wǎng)絡定位器,并且在小樣本下更具優(yōu)勢。
　　為解決聲發(fā)射源類型識別問題,研究基于諧波小波包特征提取和支持向量機多分類的聲發(fā)射源識別方法。諧波小波包分解克服了傳統(tǒng)小波包分解能量泄露、頻帶選取不靈活、不同層頻率分辨率不同的缺點,更精確的提取了聲發(fā)射源類型特征。利用聚類算法設計層次支持向量多分類器。通過碳纖維材料試件壓斷試驗聲發(fā)射信號

6、識別結(jié)果表明,諧波小波包特征提取方法有效地提取了聲發(fā)射類型特征,在計算效率和特征區(qū)分度上均優(yōu)于傳統(tǒng)小波包特征提取方法,模型優(yōu)化后SVM多分類器具有更好的整體性能,有效地解決了聲發(fā)射源識別的小樣本問題。
　　針對支持向量機的模型參數(shù)優(yōu)化問題,研究基于小生境粒子群算法的支持向量回歸線性定位器和支持向量二分類器的參數(shù)優(yōu)化方法。前者利用k-遍歷交叉檢驗來評價LS-SVM回歸的泛化能力,優(yōu)選的參數(shù)保證LS-SVM回歸線性定位器的定誤差最小。