基于小波神经网络的水轮机叶片裂纹源的定位技术

    混流式水轮机转轮担负着把水能转化为机械能的重要任务,也是最易因设计不当或运行不合理等原因而遭受破坏的部件之一.水轮机转轮工作过程中承受的载荷较大,自身几何形状复杂,加上工况的变化,使其受力状况复杂.另一方面,水轮机在运行过程中,经常受到各种因素造成的稳定和非稳定的水流激振作用力,使水轮机叶片产生振动,而长时间的机组振动可能引起其结构的疲劳破坏.当激励源频率与水轮机在水中的固有频率接近或相同时可能引发共振,成为叶片产生裂纹的一个最重要的原因.裂纹的出现严重危及电站运行的稳定性和运行安全,停机检查和维护又必将带来巨大的经济损失.因而发展适合此类工况下动态无损检测技术,及时发现结构中产生裂纹的部位,具有重要的现实意义.

    在材料裂纹的产生和扩展过程中,同时伴随有声发射现象.利用检测这种现象发展起来的声发射技术已成为一种新的动态无损检测方法,它的主要目标之一就是确定裂纹声发射源的位置,其准确程度反映了声源的检测位置和实际活动缺陷源位置的符合程度.因而定位精度的高低直接显示了检测方法的有效性,较高的定位精度能提高无损检测的效率.

    声发射信号在传播过程中存在不同传播模式和不同衰减率,且在界面形成反射、折射、模式转换及叠加现象,以不同速度、不同时序传到传感器.因而在结构较复杂以及外界噪声干扰较大的场所,采用时差定位[1, 2]、能量定位[3]等传统的定位方法以及模态声发射[4]定位方法都不能取得满意的定位结果.

    随着计算机和人工智能技术的发展,定位方法开始采用神经网络方法[5-7].神经网络的信息分布存储连接权系数中,使网络具有很高的容错性和鲁棒性.它将输入信号的状态特征参量非线性地映射到识别空间中,完成复杂的源位置识别.因而,在材料的各向异性、结构复杂等特性情况下,以神经网络为主体的智能定位方法是实行准确定位的一个发展方向.但目前普遍采用的BP模型训练过程容易陷入局部极小点,定位精度难以进一步提高.而小波神经网络是小波分析和神经网络结合的产物,它继承了两者的优点,即具有较好的时频域分辨能力,同时具有较强的函数逼近能力、容错能力和模式分类能力.本文对小波神经网络在水轮机叶片裂纹的声发射定位中的应用进行探讨.针对网络结构较大,在网络学习过程中采用标度共轭梯度算法(SCG),减少训练的时间,提高定位精度.

    1 小波神经网络原理及算法

    由于小波重构理论保证了连续小波基具有逼近L2(R)中任意函数的能力,因而可用连续小波函数替代前馈神经网络中隐含层的传递函数,构成小波神经网络.其基本思想是:利用误差函数极小化原理,由SCG算法自适应地调整小波基的波形、尺度和网络权值.