基于Simulink的木塑材料声发射信号模式识别

　　1引言

　　声发射技术作为一种动态无损检测技术, 是检测材料损伤的有力工具, 也是对无法目测的材料内部结构状态进行动态监测的重要方法。但在应用该技术过程中,对被检材料的损伤模式进行有效识别是公认的难题。木塑材料是一种新型的复合材料,经高温、挤压、成型等工艺制成的复合型材存在五种典型的缺陷及损伤机制,即:纤维断裂、基材开裂、界面分离、界面摩擦和空洞。每一种缺陷及损伤均对应于可测的声发射源,有不同模式的声发射信号与之对应。

　　小波分析是提取波形特征信息的重要手段, 具有同时在时域和频域表征信号局部特征的能力。近年来,小波分析开始应用于声发射领域的研究,并取得了一定进展。同时,人工神经网络模式识别对数据量多、特征复杂的信号可提供自动分类能力。Simulink 仿真环境通过图形界面可以方便的搭建模块化的仿真模型,仿真参数的设置与修改很灵活,仿真结果可以直观的通过图形显示,还能监视系统中各个环节的信号,便于分析问题产生的原因。

　　本文组合应用小波分析及特征量提取、人工神经网络和Simulink 等技术, 构建了基于 Simulink 的木塑材料声发射信号模式识别系统。

　　2小波分解及提取特征量模型

　　木塑材料的每一种缺陷或损伤状态均对应着某一类声发射信号。将声发射信号进行小波包分解,得到各叶子能量占信号总能量的比值, 并以此作为声发射信号的特征量。本文选择Coifman 系列小波中的 coif4 作为正交小波包的小波函数, 对采集到的声发射信号进行5 层小波包分解(共32 个数据),以此作为人工神经网络模式识别的一个输入。利用Simulink 的 SignalProcessing 模块库建立小波分解及提取特征量模型, 如图1 所示。模型首先采用 From File 模块引入声发射信号(.mat 格式),并通过Frame Status Conversion 模块指定信号的帧状态,然后利用Dyadic Synthesis Filter Bank 模块构建小波分解模型 , 再采用Matrix Square 模块、Sum 模块和Product 模块计算各个叶子的能量以及能量比,最后应用Display 模块将能量比显示。

　　3 BP神经网络模式识别模型

　　声发射信号模式识别的BP网络结构如图2 所示。本文设计一个三层BP 神经网络, 其中输入层为声发射信号的特征值,隐含层为数据处理单元,输出层为待测声发射信号的类别。输入层节点数j=32,Pj为输入层节点的输入,隐含层神经元数目i=38,w1ij为连接权值,b1i为节点阈值,a1i为隐含层节点的输出, 输出层节点数 k=3,w2ki为连接权值,b2k为节点阈值,a2k为输出层节点的输出;隐含层采用双曲正切S 型激活函数,输出层采用对数S 型激活函数;初始权值取(-1,1)之间的随机数;学习率η=0.3;采用附加动量的权值修正,权值调节的动量因子 mc=0.95;网络实际输出和目标输出的最小期望均方误差定为mse=0.001。