Page 78 - 无损检测2022年第一期
P. 78
霍林生, 等:
高强螺栓应力锈蚀的声发射特征
样本进行数据预处理, 使样本各特征处于相同的尺
度中, 避免因某一特征数值过大导致聚类效果变差。
文章选择归一化的数据预处理方式来解决这一问
题, 通过将特征数据映射到( 0 , 1 ) 之间, 将有量纲参
数转换为无量纲参数, 使特征数据具备可比性。此
外, 归一化处理不仅可以提高聚类精度, 还加快了求
最优解的梯度下降速度。归一化公式为
x - mean ( X )
图 2 加载装置外观 x nor= ( 2 )
max ( X ) min ( X )
-
在恒载时 几 乎 不 产 生 声 发 射 信 号, 且 能 满 足 高 强 式中: X 为全部样本中特征x 的集合; x nor 为特征x
度恒载的要求。 的归一化结果。
试验用 NaCl溶液( 浓度为 5% ) 模拟海边高强 文章采用声发射信号的计数、 上升时间、 持续时
螺栓被海水浸泡的腐蚀环境, 通过外加 0.2A 直流 间、 幅值、 能量、 峰频作为聚类的参数, 代表信号在多
电流的方式加速高强螺栓的电化学锈蚀( 正极连接 维度下特征的投影。
高强螺栓丝杆, 负极连接铜棒放入腐蚀液中, 温度恒
3 试验结果分析
定不变)。
3.1 试验结果与参数选取
2 K 均值算法的改进方法
应用声发射技术对3种工况进行分析, 根据声发
在众多成熟的聚类方法中, K 均值聚类法属于 射撞击累计计数可宏观了解高强螺栓的损伤情况, 单
无监督算法, 其不需要样本标签即可对数据进行筛 位时间声发射撞击计数可反映高强螺栓锈蚀的活跃
选归类, 基本原理为: 在待聚类样本中随机选取几个 程度。以每种工况随机抽取一组为例进行分析。
聚类中心, 基于紧邻准则比较样本与样本、 样本与类 工况 1 为全预紧力状态, 试验荷载为 50kN ; 工
别、 类别与类别之间的距离, 对样本进行归类; 归类 况 2 为 20% 松 弛 状 态, 荷 载 为 40kN ; 工 况 3 为
后重新计算各类别的聚类中心, 重复上述流程直到 40% 松弛状态, 荷载为 30kN 。 3 种工况的声发射
来确定 K 均值聚类 累计撞击计数曲线如图 3 所示, 可见, 声发射撞击伴
聚类中心不再变化。采用 D B
中类别的数量, 该 指 数 是 由 DAVIES 等 [ 18 ] 提 出 的 随整个锈蚀过程, 但声发射撞击累计总数不同, 3 种
评估聚类结果优劣的指标, 其通过式( 1 ) 求取每个类 工况分别为17600 , 13900 和43300 , 这与传感器自
别最大相似程度的均值。 身、 距离高强螺栓损伤的远近以及与高强螺栓耦合
N 的情况有关。
1 S i +S j
D B = ∑ j=1 ∶ N ( 1 ) 声发射累计撞击计数仅能从宏观的角度把控高
max
N i = 1 A i -A j P
分别为第 i 类和第 j 类( ≠ i ) 样本到 强螺栓的损伤程度, 如若需更精准地掌握高强螺栓
式中: S i 和S j j
分别为第 i 类和第 j 类 损伤的演化, 应对声发射信号的特征进行分析。由
聚类中心的距离; A i 和 A j
样本的聚类中心; N 为样本的类别个数; P 为范数 于多种声发射源相互混合, 影响了高强螺栓的锈蚀
类型, 通常取 2 。 损伤判断, 所以对信号进行聚类分析和模态识别十
文章采用二分 K 均值算法弱化聚类中心对类 分必要。
别划分的影响, 主要思路为: 将所有样本划分为两个 选取前文所述声发射信号的参数来描述信号源
类别, 然后计算各个类别的离散指数, 取离散指数最 的强度和活度, 将其作为 K 均值聚类参数进行分
大的一类继续进行二分, 重复迭代直至满足条件时 析。由于参数之间数据相差较大, 例如振铃计数与
停止。 持续时间相差数个数量级, 对分析结果产生较大影
王平光 [ 19 ] 、 宫羽丽 [ 20 ] 证实了可使用 K 均值聚 响, 为弥补 K 均值的这一局限, 先对各个参数进行
类法对金属应力锈蚀的声发射信号进行声发射源的 归一化预处理, 使所有参数皆分布在( 0 , 1 ) 之间。通
划分。高强螺栓属于金属材料, 其应力锈蚀声发射 过 D B 确定聚类个数k , 当声发射信号分为3 类时, 3
源的分布特征是不均匀的。当声发射源信号的特征 种工况的 D B 均最小, 聚类效果最好, 因此k 取3 , 迭
相差很大时, 划分结果与实际情况相差较大。需对 代次数设置为 1000 。
4
4
2022 年 第 44 卷 第 1 期
无损检测
