花萼狀渦流陣列傳感器裂紋在線定量識別算法*

杜金強,李培源,何宇廷,武 衛,丁 華

(空軍工程大學航空航天工程學院,西安 710038)

?

花萼狀渦流陣列傳感器裂紋在線定量識別算法*

杜金強,李培源,何宇廷*,武 衛,丁 華

(空軍工程大學航空航天工程學院,西安 710038)

針對傳統渦流檢測逆向算法難以滿足結構健康監測技術對實時性、在線以及算法復雜性低的要求,介紹了一種花萼狀渦流陣列傳感器,分析了傳感器感應線圈輸出信號在裂紋擴展過程中的變化特點和規律,提出了基于裂紋特征在線提取的裂紋在線定量識別算法,并通過304不銹鋼和TC-4鈦合金的疲勞裂紋在線監測試驗對算法的有效性進行了驗證。研究表明:采用滑動窗口分析方式,對窗口內數據流進行最小二乘回歸和遞推最小二乘回歸,依據回歸參數和閾值可以對裂紋特征進行有效識別,進而實現裂紋的在線定量監測。

渦流陣列傳感器;定量識別算法;滑動窗口;裂紋特征;在線監測

飛機結構是決定飛機在規定服役期限內能否滿足規定功能和任務需求的基礎,一旦出現損傷(疲勞裂紋、腐蝕或外部沖擊等)將會影響飛機在服役期限內的安全可靠性、戰備完好率和使用壽命。為提高飛機結構的可靠性與安全性,在傳統的基于無損檢測技術(NDT)的周期性維修方式基礎之上,基于結構健康/損傷監測技術(SHM)的視情維修方式(或稱基于狀態的維修模式(CBM))作為具有誘人前景的全新理念被提出來并逐漸應用到飛機結構的精確維修中,而作為獲取裝備底層狀態信息的關鍵技術,SHM成為實現CBM的重點同時也是難點[1-2]。

國外在理論研究和工程實踐方面對飛機結構健康監測技術開展了較為廣泛的研究,多種監測技術已經較為成熟并在國外軍用和民用航空領域都得到不同程度的應用,例如傳統的光纖法、壓電法[3]和聲發射法[4]。同時國外多家公司研制了專用的飛機結構健康監測系統,如澳大利亞SMS公司的CVM系統(相對真空度系統)[5]、美國JENTEK公司的MWM(Meandering Winding Magnetometer)傳感器[6]以及空客公司的ETFS(Eddy Current Foil Sensor),這些系統日益展現出巨大的應用前景。在國內,空軍第一研究所在90年代就在全機疲勞實驗中采用聲發射技術監測飛機主梁結構的裂紋萌生[7];南京航空航天大學的基于壓電元件和主動Lamb波技術的結構健康監測系統[8]和西安交通大學的智能信息涂層[9]已進入工程驗證階段。國內的飛機結構健康監測技術面臨的主要瓶頸是如何將技術轉化為實際工程應用。例如,智能涂層使用中經常出現脫落、損壞等各種耐久性問題,而壓電和聲發射技術在實際使用過程中往往受到發動機等強噪聲源的嚴重影響。鑒于渦流檢測在高頻下對結構表面裂紋的高靈敏度以及傳感單元與結構非接觸等優點,筆者對一種花萼狀渦流陣列傳感器進行了研究,其在結構上具有規則化、柔性平面和陣列化等特點,該傳感器對金屬結構裂紋的定量監測能力已在實驗室條件下得到初步驗證[10-11]。

在渦流檢測技術中,渦流信號反演技術或逆向問題是關鍵,其通過對渦流檢測輸出信號進行分析處理,判斷結構中是否存在裂紋并識別出裂紋的位置和大小。逆向問題求解中的嚴重非線性和不適定性,使渦流的定量化檢測和評估成為渦流檢測技術一直面臨的難題[12]。傳統的渦流逆向問題求解算法主要是基于信號處理技術,有模式分類法[13],回歸分析法[14]和概率推理法[15]等。當將花萼狀渦流陣列傳感器應用到結構健康在線監測領域時,現有的渦流逆向求解算法難以滿足結構健康監測對損傷識別算法實時性、在線性以及復雜性低的要求。

為解決上述問題,本文在介紹花萼狀渦流陣列傳感器的基礎上,分析了傳感器在裂紋監測過程中的輸出信號特征,提出了基于最小二乘回歸的裂紋特征在線提取算法,并通過疲勞裂紋在線監測試驗驗證了算法的有效性。

1 花萼狀渦流陣列傳感器及其輸出信號特征

1.1 花萼狀渦流陣列傳感器的基本原理

圖1 花萼狀渦流陣列傳感器

花萼狀渦流傳感器是針對螺栓連接結構的孔邊裂紋監測需求而提出來的,如圖1所示[16-17]。激勵線圈從中心圓處呈輻射狀向四周螺旋展開,在激勵線圈的螺旋線間隔內分布著環狀感應線圈。激勵線圈中通以激勵電流I,用于在傳感器監測空間內產生激勵磁場,環狀感應線圈用于感應激勵磁場在監測空間內的反射場,而反射場跟傳感器監測空間內的電磁特性參數和空間邊界條件緊密相關。結構的損傷伴隨著結構電磁特性參數和邊界條件的改變,在其他條件不變的情況下,當結構損傷到達感應線圈1的檢測區域時,感應線圈1輸出信號發生變化,當結構損傷到達感應線圈2的檢測區域時,感應線圈2的輸出信號相應地發生變化,通過檢測各感應線圈的信號變化情況,就可以實現裂紋的定量檢測。相對于現有的結構健康監測技術,花萼狀渦流傳感器具有諸多優勢。比如電磁渦流的的非接觸式監測能力保證了傳感器與被監測結構的松耦合集成方式,不需要通過直接(例如基于電位法的隨附損傷效應)或間接(例如基于Lamb波的壓電效應)的結構傳遞方式將裂紋信息傳遞到傳感器中,使得傳感器與被監測部件能夠在物理結構上保證獨立性。同時傳感器的柔性平面制作工藝保證了傳感器與被監測部件在結構上的適應性,且可以大大提高傳感器的一致性。此外,基于類似分段監測的思路,通過傳感線圈的陣列化設計,將裂紋的定量識別轉化為各感應線圈輸出信號的裂紋特征識別,大大降低了逆向算法的復雜性。

圖2 傳感器輸出信號中的裂紋特征

1.2 傳感器輸出信號中的裂紋特征

選取傳感器各感應線圈的感應電壓信號與激勵線圈的驅動電流信號之間的幅值比作為傳感器監測輸出信號(為便于表述,在后續節中,將該輸出信號簡稱為幅值比)。將花萼狀渦流傳感器應用于結構疲勞裂紋的在線監測,當裂紋損傷進入某感應線圈的檢測區域時,其幅值比信號開始增加(如圖2所示),隨著裂紋的擴展,幅值比信號持續增加。以幅值比信號開始快速增加的“拐點”為結構表面裂紋前緣進入感應線圈的特征點,依據陣列化感應線圈所處的位置,即獲得裂紋的長度,顯然監測曲線中“拐點”F的在線提取是裂紋在線定量識別的關鍵。

1.3 傳感器實際輸出信號的典型特征

將花萼狀渦流陣列傳感器應用于金屬結構疲勞裂紋的在線監測時,受結構應力、振動等因素的影響,傳感器的實際輸出信號比較復雜,圖3～圖5為傳感器輸出信號的典型特征。

圖3 系統穩定工作時傳感器輸出信號特征

圖4是系統處于穩定工作狀態時的傳感器監測數據趨勢及信號特征,可知在穩定工作狀態下,監測數據流變化趨勢較為平緩。出現裂紋特征后幅值比信號快速上升。同時實際監測數據流的信噪比較低,信號的上下振蕩幅度跟數據流在裂紋特征點之后的上升幅度處于同一水平,這要求裂紋特征實時在線提取算法必須具有一定的抗噪能力。

系統處于啟動工作狀態時的傳感器監測數據趨勢及信號特征如圖4所示,與圖3不同的是監測數據流在系統啟動初始階段會呈現緩慢上升(上升監測數據流未示出)或下降趨勢,這可能與傳感器激勵及感應線圈溫度、系統組件中電子產品對環境溫度的適應性及整體系統組件的匹配工作有關。

圖5 系統外部工作狀態改變時傳感器輸出信號特征

圖5是系統外部工作狀態改變時傳感器監測數據趨勢及信號特征。可知監測系統在外部工作狀態改變時,如傳感器發生位置偏移、傳感器與系統之間的連接電纜受到較大幅度的振蕩、監測系統工作環境溫度發生較大幅度的變化等,監測數據流會發生瞬態階躍,而后趨勢平緩。同時,在實際監測過程中發現,監測數據流中有時會發現不可預測的數據異常點,異常點處的幅值比信號明顯高于理論信號值,雖然該類型異常點出現的概率較低,但是裂紋特征模式實時在線提取算法也必須考慮之類異常點的處理。

2 裂紋特征模式在線提取算法

2.1 傳感器多通道監測數據流的分析方式

監測數據流裂紋特征模式在線提取問題類似于傳統的動態數據流實時趨勢分析問題。由于動態數據流自身的特點,要求數據流分析算法計算效率高,滿足實時性或近似實時性的需求,并且計算過程資源消耗少[18-19],這種要求限制了小波變換、奇異譜分析、神經網絡等高級算法在動態數據流趨勢分析中的應用,在現有常用的趨勢提取算法[20-21]中滑動窗口算法和外推式在線數據分割算法得到較為廣泛的應用。滑動窗口(SW)算法是一種連續建模分析數據流分割算法。即在當前已建立回歸模型的數據段基礎上,用新到達的每一數據擴充當前數據段,并重新建立新的回歸模型。若該模型的擬合均方差大于預先給定的分割點閾值,則認為新到達的數據為當前數據段的分割點。而外推式在線數據分割(OSD)算法待到當前數據序列達到一定長度時,才對其建立回歸模型;此后對于新到達的數據,只將其代入已建立的模型,分析外推累積誤差。

花萼狀渦流傳感器監測數據流裂紋特征模式的在線提取可參考SW和OSD算法,但與動態數據流實時趨勢分析所不同的是,傳感器監測數據流裂紋特征在線提取不需要提取數據流在全部時間序列上的趨勢,而只需要在線提取特定的裂紋特征,即傳感器監測數據流裂紋特征模式問題提取在某種意義上是一種濾波器設計問題。考慮到單通道監測數據流上的裂紋特征模式及裂紋特征點在全部監測時間序列內只會出現一次,本文中傳感器監測數據流裂紋特征在線提取采取滑動窗口(SW)分析方式,如所圖6所示。

圖6 傳感器多通道監測數據流的滑動窗口分析方式

在圖6中,窗口在多通道監測數據流滑動,保證滑動窗口內的數據為實時更新的數據流集,而裂紋特征的實時提取即是針對滑動窗口內數據流集進行的。

2.2 裂紋特征的實時提取算法

在考慮實際監測數據流的趨勢流向、信號特征以及算法對實時性的要求后,本文提出了一種基于最小二乘回歸的裂紋特征實時提取算法,算法的流程框架如圖7所示。

圖7 裂紋特征實時提取算法流程框架圖

在圖7中,針對新流入滑動窗口的數據,首先進行異常點檢測,如果異常則剔除該異常點,重新滑動窗口;如果不是異常點,則對窗口內的數據流進行最小二乘回歸分析,根據回歸參數及預定閾值分析數據流趨勢,平滑、緩慢上升或緩慢下降趨勢則重新滑動窗口,明顯的上升趨勢則從該新數據點開始進行遞推最小二乘回歸分析;根據每次回歸分析參數判斷此后數據流是否是持續上升,如果不是持續上升,可以判定該滑動窗口內數據流的上升趨勢是由數據流發生瞬態階躍造成的,則繼續遞推至滑動窗口長度;如果判定是逐漸上升,則發現裂紋特征模式,同時鎖定該滑動窗口,對窗口內數據流進行回溯分析,尋找裂紋特征點。圖中P1、P2、P3、P4、P5、P6各階段的子算法描述如下:

P1:滑動窗口長度為n,窗口內數據流時間序列X=(x1,x2,…,xn),數據流的均值為μ,方差為σ,閾值h1。若xn+1≥h1·σ,數據異常,xn+1

P2:設X中數據流可用線性回歸模型描述,即x(t)=f(t,θ)+ε(t),t∈{1,2,…,n}。其中f(t,θ)=a·t+b為數據流的線性回歸模型,θ=[a,b]T為模型參數向量,ε(t)為獨立同分布零均值白噪聲,參數a為X的趨勢特征值。將數據流表示成向量形式X=[x1,x2,…,xn]T,則有X=Uθ+ε,其中ε為期望為0的隨機誤差向量。

(1)

以最小二乘法估計參數θ,即參數θ滿足min‖X-Uθ‖2,得

θ=(UTU)-1UTX=pq

(2)

其中,p=(UTU)-1,q=UTX。

P3:定義閾值h2,若a≥h2,滑動窗口內數據流趨勢明顯上升,若a

P4:設滑動窗口內子數據流Xm=[x1,x2,…,xm]T,其中m=2,3,…,n。根據P2算法,Xm和Xm+1的模型參數向量θm和θm+1滿足遞推關系。

(3)

式中:um+1=[m+1 1]

(4)

則

(5)

對式(3),根據矩陣反演公式有

(6)

(7)

結合式(3)、式(4)和式(7),得θm+1所滿足的遞推關系

(8)

P5:定義閾值h3和常數c

P6:Xk=[xn-k,xn-k+1,…,xn]T,k=1,2,…,n-1。定義閾值h4。若存在h4≥ak>0,則數據點xn-k+1即為裂紋特征點。

3 疲勞裂紋在線定量識別算法的有效性驗證

為驗證本文提出的損傷識別算法的有效性,搭建了疲勞裂紋在線監測系統。通過MTS810疲勞試驗機來對試件施加特定的循環載荷,實現裂紋的擴展;激勵信號源由AFG3101信號發生器和寬帶功率放大器產生,用于驅動花萼狀渦流傳感器;六通道高速采集卡(NI PXI-5124)采集經寬帶運算放大器放大后的傳感器輸出信號,并將數據流實時傳輸到信號處理計算機中;通過裂紋特征在線提取算法進行損傷的實時識別,檢驗算法的有效性。

本節進行了304不銹鋼和TC-4鈦合金試件的疲勞裂紋在線監測試驗,如圖8所示。試驗中使用的傳感器為FA-2型四通道花萼狀渦流陣列傳感器,由于傳感器的感應線圈較多,篇幅所限,文中僅以通道4為例,對304不銹鋼和TC-4鈦合金試件的疲勞裂紋特征點識別結果分別進行了分析,如圖9和圖10所示。

圖8 疲勞裂紋在線監測試驗

圖9 304不銹鋼疲勞裂紋特征點識別結果(通道4)

在圖9中,滑動窗口在2 270采樣次數處識別出幅值比信號持續上升的裂紋特征,經回溯識別出在2 230采樣次數處出現裂紋特征點,而實際裂紋特征點在2 200采樣次數處。在圖10中,滑動窗口在1 367采樣次數處識別出幅值比信號持續上升的裂紋特征,經回溯識別出在1 359采樣次數處的裂紋特征點,而實際裂紋特征點在1 348采樣次數處。兩次裂紋特征點識別結果均有所滯后,但已基本滿足工程實際應用的要求。實際使用中也可以通過降低算法閾值來減小滯后,但降低閾值大小會給算法的魯棒性帶來一定影響。在圖10中第100采樣次數處由于載荷改變出現信號階躍,而在線識別算法并沒有將其識別為裂紋特征,這也間接證明了本文算法的有效性。

4 結論

針對飛機金屬結構裂紋在線定量監測的需求,介紹了一種花萼狀渦流陣列傳感器,分析了傳感器感應線圈輸出信號在裂紋擴展過程中的變化特點和規律,提出了基于裂紋特征在線提取的裂紋在線定量識別算法,并通過304不銹鋼和TC-4鈦合金的疲勞裂紋在線監測對算法的有效性進行了驗證。研究表明:①基于花萼狀渦流陣列傳感器的金屬結構裂紋定量監測問題實質上是各感應線圈輸出信號的裂紋特征識別問題,即幅值比信號開始快速增加的“拐點”識別是實現裂紋定量識別的關鍵。②采用滑動窗口分析方式,對窗口內數據流進行最小二乘回歸和遞推最小二乘回歸,依據回歸參數和閾值可以對裂紋特征進行有效識別,進而實現疲勞裂紋的在線定量監測。

[1] Holger S,Henrik R. Structural Health Monitoring:A Contribution to the Intelligent Aircraft Structure[DB/OL]. http://www.ndt.net/article/ecndt2006/doc/Tu.1.1.1.pdf,2012-12-16.

[2]Goldfine. Damage Tolerance Using Adaptive Model-Based Methods[P]. United States:US 2004/022547 Al,2004.

[3]萬建國,朱紀軍,石立華,等. PVDF壓電薄膜在結構監測中的應用初探[J]. 傳感技術學報,1998,11(1):18-24.

[4]張濤,李一博,王偉魁,等. 聲發射技術在罐底腐蝕檢測中的應用與研究[J]. 傳感技術學報,2010,23(7):1049-1052.

[5]Roach D. Real Time Crack Detection Using Mountable Comparative Vacuum Monitoring Sensors[J]. Smart Structure and Systems,2009,5(4):317-328.

[6]Vladimir Zilberstein,Karen Walrath,Dave Grundy,et al. MWM Eddy-Current Arrays for Crack Initiation and Growth Monitoring[J]. International Journal of Fatigue,2003(25):1147-1155.

[7]耿榮生,景鵬,雷洪. 飛機主梁疲勞裂紋萌生聲發射信號的識別方法[J]. 航空學報,1996,17(3):368-372.

[8]袁慎芳,邱雷,王強,等. 壓電-光纖綜合結構健康監測系統的研究及驗證[J]. 航空學報,2009,30(2):348-356.

[9]戚燕杰,呂志剛,劉馬寶,等. 壽命無極限:飛機壽命管理的技術革命[J]. 中國民航大學學報,2011,29(1):52-57.

[10]丁華,何宇廷,焦勝博,等. 基于渦流陣列傳感器的金屬結構疲勞裂紋監測[J]. 北京航空航天大學學報,2012,38(12):1629-1633.

[11]丁華,何宇廷,杜金強,等. 花萼狀渦流傳感器及其飛機金屬結構疲勞損傷監測試驗研究[J]. 機械工程學報,2013,49(2):1-7.

[12]葉波. 多層導電結構深層缺陷電渦流檢測和定量化評估研究[D]. 杭州:浙江大學控制科學與工程學系,2009.

[13]Smid R,Docekal A,Kreidl M. Automated Classification of Eddy Current Signatures during Manual Inspection[J]. NDT&E International,2006,38:462-470.

[14]Bernieri A,Ferrignao L,Laracca M,et al. Crack Shape Reconstruction in Eddy Current Testing Using Machine Learning Systems for Regression[J]. IEEE Transactions on Instrumentation and Measurement,2008,57(9):1958-1968.

[15]Khan T,Ramuhalli P. A Recursive Bayesian Estimation Method for Solving Electromagnetic Nondestructive Evaluation Inverse Problems[J]. IEEE Transcations on Magnetics,2008,44(7):1845-1855.

[16]焦勝博,丁華,何宇廷,等. 基于半解析模型的花萼狀渦流傳感器損傷監測靈敏度分析[J]. 傳感技術學報,2013,26(2):205-210.

[17]丁華,何宇廷,杜金強,等. 渦流陣列傳感器半解析模型的直接FFT構建方法[J]. 傳感技術學報,2012,25(7):968-972.

[18]Beringer J,Hullermeier E. Online Clustering of Parallel Data Streams[J]. Data and Knowledge Engineering,2005,58(2):180-204.

[19]周黔,吳鐵軍. 一種動態數據流的實時趨勢分析算法[J]. 控制與決策,2008,23(10):1183-1185.

[20]王永利,徐宏柄,董逸生,等. 基于低階近似的多維數據流相關分析[J]. 電子學報,2006,43(10):293-300.

[21]Sylvie C,Carlos G B,Catherine C,et al. Trends Extraction and Analysis for Complex System Monitoring and Decision Support[J]. Engineering Applications of Artificial Intelligence,2005,18(1):21-36.

Crack Quantitative Identification Algorithm of Rosette Eddy Current Sensor Array for Cracks Online Monitoring*

DUJinqiang,LIPeiyuan,HEYuting*,WUWei,DINGHua

(Aeronautics and Astronautics Engineering College,Air Force Engineering University,Xi’an 710038,China)

Considering that the inverse algorithm of traditional eddy current testing can not meet the requirements of real-time,on-line,and simplification in structure health monitoring,an rosette eddy current sensor array was present,the output characteristics of the sensor while crack propagating were analyzed,and a crack quantitative identification algorithm based on extraction of crack-characteristics was proposed. Then crack monitoring experiments of 304 stainless steel and TC-4 titanium alloy specimen were carried out to validate the effective of the algorithm. It was shown that the sliding window analysis mode could be employed in signal processing. The data stream within sliding window was processed by least square regression algorithm and recursive least square regression algorithm. Then the crack characteristics in data stream could be detected through regression parameters and threshold,and the crack length could be identified on-line quantitatively.

eddy current sensor array;quantitative identification algorithm;sliding window;crack characteristic;on-line monitoring

杜金強(1984-),男,博士研究生,講師,研究方向為飛機結構健康監控;

何宇廷(1966-),男,教授,博士生導師,研究方向為飛機結構健康監控。

項目來源:國家高技術研究發展計劃項目(2009AA04Z406)

2014-10-29 修改日期:2015-01-29

C:7230

10.3969/j.issn.1004-1699.2015.05.013

V215.5

A

1004-1699(2015)05-0684-06