[发明专利]一种拉深件裂纹声发射信号的特征提取方法

说明书

技术领域

本发明涉及一种拉深件裂纹声发射信号的特征提取方法，，应用于金属拉深过程当中对拉深件的质量监测，也可应用于冷冲模具的质量检测与故障诊断系统，对金属挤压成形过程进行状态识别及质量监测。

背景技术

拉深件在成形过程中不仅要承受高接触压力和剧烈的摩擦，还有循环加载引起的应力、应变和温度的周期性变化，使制件产生裂纹，有些微小裂纹肉眼难以察觉，在生产过程中可能会产生成批的废品，给企业带来了巨大经济损失。目前，拉深件质量的好坏全靠现场人工经验来判断，属于事后检测，具有一定的时滞性。实际上，当发现制件产生裂纹时，前面可能已有相当数量的制件已经产生了裂纹。

对裂纹的识别最关键的问题是要准确提取裂纹的特征参数，从而在各种不同的声发射信号中识别出裂纹产生的特殊信号。目前，对于拉深件裂纹声发射信号的特征提取有以下两个方法：一是，根据金属裂纹及环境噪声的频率特性，剔除噪声及摩擦磨损信号，即对信号进行小波包分解，再对小波包分解后的不同频段的数据进行重构，然后采用时间序列的方法对去噪后的声发射信号进行时序分析，建立时序模型，选取能量参数组成识别裂纹声发射信号所需的特征向量。该方法的不足之处是：小波包变换需要选取小波基和分解层数，不具有自适应性，而且由于裂纹声发射信号是短时冲击信号，不能满足时序建模的平稳性要求，样本采集困难，提取裂纹声发射信号特征其实难以实现。二是，将声发射信号的上升时间、声发射事件计数，能量、持续时间、幅度、平均频率、有效值电压、平均信号电平、回响频率、初始化频率、强度、频率质心、峰值频率等13个特征参数作为BP神经网络的训练样本，计算各样本各个参数对裂纹特征的的灵敏度，最终得出几个能表征裂纹程度最为显著的特征参数。该方法的不足之处是：神经网络的训练需要采集大量的数据以进一步优化BP网络的结构，否则就影响网络识别的速度和准确度，在生产现场应用耗时耗力，难以实现快速准确诊断的目的。

发明内容

本发明的目的是为克服上述现有技术的不足，提供了一种基于局域波时频域局部能量法和遗传算法的特征参数自动重组再生的拉深件裂纹声发射信号的特征提取方法，准确有效地提取出识别拉深件裂纹的特征参数。

本发明采用的技术方案是：先在计算机中将采集到的原始声发射信号进行预处理，包括前置放大、滤波、A/D转换处理；再对经过预处理的声发射信号进行基于经验模式分解，得到n个内蕴模式函数分量及一个剩余分量；对每个内蕴模式函数分量进行希尔伯特变换，表示成解析信号形式，将信号的幅度在希尔伯特空间中表示为瞬时功率与时间的函数，即局域波时频谱；然后将局域波时频谱平面等分为m个区域，分别计算每一区域的时频域局部能量，再将这m个局域波局部能量进行归一化处理后作为初始特征参数；最后对初始特征参数进行遗传算法操作，包括生成初始遗传因子、计算适应度、经淘汰、交叉和变异运算；在多次迭代之后实现对初始特征参数的自动重组优化，将自动重组优化得到的最佳特征参数作为拉深件裂纹声发射信号的特征识别参数。

本发明的有益效果是：

1、由于拉深件裂纹产生时发出的声发射信号属于瞬态冲击性信号，难以捕捉，特征参数难以提取，而局域波时频域局部能量特征提取法是基于信号的局部特征时间尺度，对信号进行局域波分解之后能突出信号的局部特征，所以对其分析可以更准确有效地把握其中的裂纹特征信息。当声发射信号发生时，声发射信号各频带的能量会发生变化，在各频带信号的能量中包含了丰富的信息，因而可提取局域波时频域局部能量来分析裂纹特征。局域波法消除了其它成分的干扰，实现了系统状态特征的分离，同时有效去除了信号的噪声，提高了信噪比。

2、本发明采用遗传算法的特征参数自动重组生成法，相比传统的特征参数提取方法更加省时，在用局域波时频域局部能量特征提取法得到各个局部能量之后，将这些局部能量作为初始特征参数基于遗传算法进行自动重组，从而快速地找到可以准确识别出反映拉深件裂纹特征的最佳特征参数。遗传算法优化组合初始特征参数生成的最佳特征参数可以有效提高裂纹特征的识别率，显著缩短诊断时间，提高诊断效率，具有识别率高、效率高、计算速度快的特点。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细说明。

图1是本发明流程图；

图2是特征参数方程的树形图。

具体实施方式

如图1所示，本发明在计算机中将采集到的拉深件裂纹声发射原始信号先经过信号预处理，再进行局域波局部能量特征提取，最后通过遗传算法的特征参数自动重组生成得到有效识别拉深件裂纹声发射信号的最佳特征参数，具体说明如下：