基于聲發射的鋁蜂窩板超高速撞擊損傷模式識別方法

劉源， 龐寶君， 遲潤強， 才源

哈爾濱工業大學 航天學院， 哈爾濱 150080

基于聲發射的鋁蜂窩板超高速撞擊損傷模式識別方法

劉源， 龐寶君， 遲潤強*， 才源

哈爾濱工業大學 航天學院， 哈爾濱 150080

為通過聲發射技術識別鋁合金蜂窩板超高速撞擊(HVI)的損傷狀態，提出一種基于神經網絡的損傷模式識別方法。通過超高速撞擊實驗獲取聲發射信號，結合精確源定位技術、時頻分析技術、小波分析技術及模態聲發射技術，提出了10個與損傷相關的特征參數，通過非參數檢驗分析其與損傷的關系，設計了一種基于貝葉斯正則化BP神經網絡的超高速撞擊損傷模式識別方法。建立最優網絡模型，通過不同參數組合識別能力分析，優選出2種特征參數組合，通過非同源樣本對其損傷模式識別能力進行驗證。結果表明：傳播距離與損傷模式無關，卻是識別損傷模式的重要參數；125～250 kHz頻域的自動加窗小波能量比會降低損傷模式的識別能力；采用貝葉斯正則化的BP神經網絡可以較好地識別蜂窩板超高速撞擊損傷模式，參數組合為傳播距離、上升時間、持續時間、截止頻率、4個自動加窗小波能量比及小波能量熵，共9個參數，對任意選取非同源樣本識別錯分率僅為9.38%。

空間碎片； 超高速撞擊； 聲發射； 損傷模式識別； 神經網絡

空間碎片對航天器在軌安全運行構成嚴重威脅[1]，其中毫米級空間碎片的準確運行軌道難以觀測，無法進行有效規避，具有較大的撞擊威脅。為保障航天器的在軌安全，人們提出一種能夠實現對空間碎片超高速撞擊(HVI)事件進行感知的系統，稱為“在軌感知系統”，主要具有感知撞擊事件發生、定位撞擊源及撞擊損傷模式識別等能力，其中損傷模式識別是目前研究的重點和難點。基于聲發射技術的在軌感知系統具有較好的可實現性及較高的定位能力，美國國家航空航天局(NASA)和歐洲空間局(ESA)等機構已開發了 LAD -C (Large Area Debris Collector)、DIDS (Distributed Impact Detector System)、MDD (Micrometeoroid/space Debris Detector)、沖擊傳感網絡(Impact Sensor Network)、DEBIE (DEBris In-orbit Evaluator)等[2-6]基于聲發射技術的在軌感知系統；國內也針對多種典型航天器結構受空間碎片超高速撞擊在軌感知技術進行研究[7-8]，開發了多種超高速撞擊源定位技術[9-11]，并針對平板結構初步提出了超高速撞擊損傷模式識別方法[12-13]。

蜂窩板主要由雙層蒙皮和蜂窩芯構成，特點是質量輕、比強度和比剛度高、隔熱性能好，常用在衛星結構中。目前研究人員對蜂窩板的超高速撞擊極限特性進行了研究[14-15]，但針對蜂窩板超高速撞擊聲發射信號特性研究較少。

超高速撞擊導致材料中產生彈、塑性形變及相變等物理過程，形成的超高速撞擊聲發射信號包含信息復雜，難以通過個別參數建立與損傷的對應關系，尤其是蜂窩板的各向異性性，進一步增加了其受超高速撞擊損傷模式識別的難度。本文通過超高速撞擊實驗，獲得蜂窩板在不同損傷程度時的超高速撞擊聲發射信號，采用多種時頻分析手段獲得信號的特征參數，設計和優選與損傷相關的特征參數組合，建立針對蜂窩板超高速撞擊聲發射信號的BP神經網絡損傷模式識別模型，并通過非同源樣本對模型進行驗證。

1 超高速撞擊實驗

利用二級輕氣炮發射?3.2 mm的2017鋁合金球形彈丸撞擊實驗蜂窩板，通過在實驗板面上安裝傳感器獲取信號。

實驗蜂窩板的面板尺寸為600 mm×600 mm。前后蒙皮面板的厚度為0.8 mm，鋁蜂窩芯的高度為20 mm，由邊長為4 mm的正六邊形構成，蜂窩芯壁厚為0.025 mm，蒙皮面板及蜂窩芯的材料均為5A06鋁合金，結構示意圖如圖1所示。

將8枚OLYMPUS公司的V182傳感器安裝在蜂窩板后蒙皮面板上，以板面幾何中心為原點，傳感器順時針排列，布局如圖2所示。使用多路數據采集系統采集傳感器輸出的信號，采樣頻率為20 MHz，采集時間為1 ms。

圖1 蜂窩板結構示意圖 Fig.1 Schematic diagram of honeycomb core sandwich structure

圖2 傳感器布局圖 Fig.2 Sensor installing layout

獲得有效信號的實驗42次，因此總計包括超高速撞擊信號336組。采用磁測速和激光測速測量彈丸撞擊的速度，撞擊速度及實驗編號如表1所示。

根據是否威脅航天器內部組件區分損傷模式。當蜂窩板后蒙皮面板被擊穿時，會在航天器內部形成二次碎片，直接威脅內部組件，影響其在軌安全性，因此根據蜂窩板后蒙皮面板的損傷定義2種典型損傷模式：

1) 成坑。蜂窩板后蒙皮面板被撞擊損傷后其撞擊位置不透光，主要包括背側未彎曲、背側彎曲、發生層裂等，在表1中用“0”表示。

2) 穿孔。蜂窩板后蒙皮面板被撞擊損傷后撞擊位置透光，為了安全起見將臨界情況也歸入該類，在表1中用“1”表示。

采用AUTODYN數值仿真得到蜂窩板的撞擊極限曲線如圖3所示，表明在上述損傷定義下，蜂窩板后蒙皮面板產生穿孔損傷時彈丸直徑和撞擊速度的臨界條件，曲線下方工況呈成坑損傷，上方呈穿孔損傷。

通過對實驗蜂窩板的觀察得到損傷模式，如表1所示，典型的成坑、穿孔損傷工況如圖4所示。根據實驗共得到成坑損傷10次；穿孔損傷32次，其中包括臨界穿孔1次。實驗中包括2次實驗(2013102806和2013102809)雖超過臨界速度，但彈丸在發射過程中破碎，變為2～3枚彈丸碎片撞擊實驗板，結果仍為成坑損傷，實驗工況與圖3中的擬合曲線基本吻合。

表1 實驗工況Table 1 Experiment condition

Notes: 0—Pit damage; 1—Hole damage.

圖3 蜂窩板彈道極限曲線 Fig.3 Ballistic limit curve of honeycomb core sandwich

圖4 蜂窩板后蒙皮面板超高速撞擊損傷情況 Fig.4 Hypervelocity impact damage on back panel of honeycomb core sandwich

2 特征參數提取

2.1 傳播距離

傳播距離應為信號特征的重要影響因素。因為超高速撞擊聲發射信號強度在蜂窩板面上是以指數衰減的，衰減的系數與信號頻率和傳播方向相關[16]。

傳播距離為蜂窩板后蒙皮面板形成損傷的位置與傳感器的中心位置的距離，通過撞擊源定位獲得。選擇2、5、7號傳感器進行3點定位，采用基于虛擬波陣面的精確源定位算法[10]計算撞擊的位置，分別針對42次撞擊實驗進行定位，計算得到平均誤差為3.68 mm，最大誤差為7.35 mm，全部實驗的誤差分布如圖5所示。

根據板面上板波衰減規律，毫米級別的距離誤差遠小于信號在板面上的傳播距離，因此定位誤差對波動中各個頻率分量幅值的影響可以忽略不計。

圖5 實驗定位誤差 Fig.5 Location error in experiments

2.2 時域特征參數

聲發射信號波形的上升時間和持續時間是聲發射檢測的重要特征參數。

通過對蜂窩板面上的波速進行測量[16-17]，理論上1 ms內中心位置附近產生的超高速撞擊聲發射信號可在板面邊界發生約2次反射，傳感器應采集3次聲發射事件，但由于蜂窩板面較薄，信源強度弱，且在蜂窩板面上衰減較快，導致實際采集的信號中僅1次聲發射信號清晰可識，蜂窩板面超高速撞擊聲發射信號波形如圖6所示。

由圖6可知，該信號是由波速較快的超聲部分和波速較慢的非超聲部分構成的。非超聲部分的傳播速度遠低于超聲部分，當傳播距離較遠時難以采集其完整的波形，導致該非超聲部分信息缺失，通過設計截止頻率為20 kHz的高通濾波器，獲得超聲部分波形，如圖7所示。

從濾波后的波形可以識別出，濾波后的波形頭部主要由2個波包構成，對應了2個波速不同的模態分量，后端主要由反射信號構成，信號的幅值隨時間不斷減小。蜂窩板面的撞擊聲發射信號包含2個板波模態[16]，通過信號中各峰值擬合可知，第1個波包的峰值與后端波形的各峰值近似呈指數關系，這也說明2個波包為兩種波速、衰減均不同的模態，其中第1個波包為對稱模態，第2個為反對稱模態，反對稱模態在蜂窩板面上的衰減較快。

基于此，采用上升時間和持續時間作為損傷模式識別的特征參數。

1) 上升時間

信號上升時間：從信號到達到第1個波包的峰值到達所用時間長度。計算信號高通濾波后的包絡線如圖8所示，可以看到信號由頭部的2個波包及后端4個頻散波包構成，滿足信號在板面上發生2次反射的推測。

采用自動門檻閾值法獲取信號的到達時刻。

圖6 超高速撞擊聲發射信號 Fig.6 Acoustic emission signal of hypervelocity impact

圖7 高通濾波后的波形 Fig.7 High-pass filtered waveform

首先，調平高通濾波后的信號，在信號前端選取500個數據點，計算其絕對值的平均值，記為Mt；當信號的絕對值連續5個采樣點超過5Mt時，記這個時刻為信號的到達時刻。

蜂窩板后蒙皮面板形成成坑和穿孔等損傷程度與撞擊速度呈單調的關系，分析特征參數與撞擊速度的關系。336組實驗信號的上升時間與撞擊速度的關系如圖9所示，由圖9可知上升時間較為離散，撞擊速度小于1 km/s時，上升時間一部分小于50 μs，一部分在150 μs附近；撞擊速度大于1 km/s，上升時間多集中于150 μs附近。

2) 持續時間

信號持續時間：前2個波包持續的時間長度，其為信號到達時刻與第2個波包截止時刻的時差，如圖10所示。其到達時刻與上升時間的選取方式相同；截止時刻的取法是：在到達時刻后，信號的絕對值第2次出現連續5個采樣點低于30Mt的時刻。

336組實驗信號的持續時間與撞擊速度的關系如圖11所示，持續時間與撞擊速度的關系比較離散，總體趨勢是隨著撞擊速度上升而增加。

圖8 信號上升時間 Fig.8 Rise time of signal

圖9 信號上升時間與撞擊速度的關系 Fig.9 Relationship between rise time of signal and impact velocity

圖10 信號持續時間 Fig.10 Hold time of signal

圖11 信號持續時間與撞擊速度的關系 Fig.11 Relationship between hold time of signal and impact velocity

2.3 頻域特征參數

信號的截止頻率可作為損傷模式識別的重要特征參數。

雖然超高速撞擊聲發射信號的中心頻率不隨撞擊速度的變化而改變，但是其截止頻率與撞擊速度存在一定關系[13]。根據實驗可知蜂窩板面上的超高速撞擊聲發射信號主要在500 kHz以內，兩個不同模態的中心頻率均在100 kHz附近，因此整體分析信號的頻域特征，將信號的截止頻率作為特征參數。

超高速撞擊聲發射信號的頻率在低于截止頻率范圍是始終存在的，尾部的非超聲部分能量遠大于超聲部分，因此截止頻率的獲取針對濾波后信號，以便于分析。

截止頻率的選取采用自動門檻閾值法。首先，對信號進行傅里葉變換，計算信號的頻譜，抽取2 MHz以上部分，計算其平均值Mf，以頻譜第一次高于5Mf作為起始頻率，第一次低于5Mf作為截止頻率，信號高通濾波后的截止頻率取法如圖12所示。

截止頻率與撞擊速度的關系如圖13所示，截止頻率與撞擊速度在1.5 km/s以下呈單調遞增趨勢；當撞擊速度高于1.5 km/s后，截止頻率變化范圍趨于穩定。

圖12 信號截止頻率 Fig.12 Cut-off frequency of signal

圖13 信號截止頻率與撞擊速度的關系 Fig.13 Relationship between cut-off frequency of signal and impact velocity

2.4 小波特征參數

小波變換是時間頻率的局部化分析，通過伸縮平移計算對信號進行逐步多尺度細化，可以將信號中各不同頻率分量分離。根據2.3節的分析可知，蜂窩板面的超高速撞擊聲發射信號截止頻率低于500 kHz，實驗中數據采集設備的采樣率為20 MHz，遠高于信號的奈奎斯特采樣頻率，可將原始信號重采樣至1 MHz，信號頻率和波形特征與原信號吻合，因此可以降低小波分解次數，提高運算效率。采用小波變換對信號進行4層分解，第i層分解的系數進行重構可得到高頻重構系數Di(n)和低頻重構系數Ai(n)，則信號序列f(n)可以表示為各個重構系數之和，即

f(n)=D(n)+A(n)=D1(n)+(D2(n)+

(1)

重構信號將信號序列f(n)分解為不同尺度的5個分量。通過對比Ciofct、Haar、Symmlet、Daubechies、Demyer等小波基，發現采用4層Daubechies小波分解的結果最能反映信號各模態特征，分解結果如圖14所示，分解后小波尺度如表2所示。

圖14 超高速撞擊聲發射信號Daubechies 4小波4層分解 Fig.14 Daubechies 4 wavelet decomposition at level 4 of hypervelocity impact acoustic emission signal

表2 信號頻帶劃分Table 2 Frequency band division of signal

WaveletcoefficientFrequencyrange/kHzD1(n)0?62．5D2(n)62．5?125D3(n)125?250D4(n)250?500D5(n)500?1000

提出2種基于小波的特征參數：小波能量比和小波能量熵。

1) 自動加窗小波能量比

由于每次實驗的安裝有差異，各個傳感器裝置的預應力不同，且信號各個成分的能量隨著傳播距離的增加而不斷變小，因此無法將信號能量的大小作為識別的參數，故提出一種小波能量比。

為了有效分析反射前的信號特征，采用2.2節如圖10所示范圍對前2個波包內的信號加窗，在自動時窗內能量滿足E(f)=∑|f(n)|2<∞的前提下，各尺度的小波能量比可以寫為

(2)

根據式(2)計算全部336組實驗數據各小波各尺度的能量比，各能量比與撞擊速度的關系如圖15所示。

加窗后的小波能量比，D1(n)變化的范圍最大，且分布較為分散，這主要是由于傳播距離不同導致非超聲部分信號的耦合程度不同，該值的大小受傳播距離、撞擊速度影響；D2(n)的分布比較特殊，其在1.5 km/s附近相對集中，越遠離該速度越分散；D3(n)、D4(n)與D2(n)的分布規律相反，但3個分量的分布范圍均主要在0～0.5；

圖15 各尺度小波能量比與撞擊速度的關系 Fig.15 Relationship between wavelet energy ratio of every scalogram and impact velocity

D5(n)的變化范圍最小，但在1 km/s以下明顯有隨著速度增大而范圍增加的趨勢，根據圖3中撞擊極限曲線可知，此時為成坑損傷，而1 km/s以上范圍趨于穩定。

2) 小波能量熵

薄板中傳播的超聲波各個頻率的分量衰減規律不同，且蜂窩板是各向異性材料，因此蜂窩板面上超高速撞擊聲發射信號是隨著傳播方向和距離變化的。假設信號經小波分解后，某尺度包含了Q個信號分量，頻率分別為f1,f2,…，fQ，則各尺度下信號的能量比Pi可以寫成方向di和角度θi的函數，即

(3)

每一個頻率分量的能量比都是隨著傳播方向和距離變化的。反之，針對已知載荷，若知道各尺度下信號的能量比，則傳播距離及方向可以推測。

信息熵是信號不確定度的度量，用于表征信源輸出的平均信息量大小。為了分析信號能量隨頻率范圍分布的不確定度，用小波能量比代替信源各取值的概率，形成小波能量熵[18]，表征小波重構系數矩陣的稀疏程度。對超高速撞擊聲發射信號進行小波分解。小波分解后各尺度的能量比為Pi，則小波能量熵為

(4)

采用Daubechies 4小波對信號進行4層分解，得到5個尺度的重構信號，根據式(2)和式(4)計算得小波能量熵H，其與撞擊速度的關系如圖16 所示。

圖16 小波能量熵與撞擊速度的關系 Fig.16 Relationship between wavelet energy entropy and impact velocity

小波能量熵是隨著撞擊速度變化中心對稱分布的，其中在1～2.2 km/s范圍內變化范圍最大。當撞擊速度在1 km/s以下時形成成坑損傷，隨著速度的不斷增加小波能量熵變化的范圍逐漸變大，說明隨著損傷不斷加劇，信號的復雜程度也不斷增加；在1～2.2 km/s范圍內，撞擊的動能主要作用于蒙皮面板上，信源強度和振動的復雜程度都保持在一個較穩定的范圍；當撞擊速度大于2.2 km/s 時，一部分能量以碎片云的形式與蜂窩板脫離，導致信號的復雜程度降低了。

3 參數檢驗

根據第2節對各特征參數的分析，無法直接建立各特征參數與損傷之間的聯系，因此需要使用模式識別方法建立特征多參數組合與損傷的關系。為評價各特征參數在損傷模式識別中的作用，優選損傷模式識別參數，使被選擇的參數既能體現同一類別的相似性，又能體現不同類別的差異性，采用Kruskal-Wallis(KW)檢驗對參數進行評價。

Kruskal-Wallis檢驗對于區分總體分布未知的多個量是否存在顯著差異有一定優越性，其原理是選取各特征中每個類別的編號均值，通過比較每個類別平均值之間的距離評價該樣本對分類的貢獻，即評價某個特征參數分類能力的相對大小。

分別檢驗本文提出的9個特征參數，選擇樣本為第2節中對全部336組實驗信號分析所得各個參數的計算值，采用SPSS軟件計算每個參數的KW檢驗統計量和漸進顯著性指標，結果如表3 所示。其中KW值為Kruskal-Wallis檢驗

表3 Kruskal-Wallis(KW)檢驗結果Table 3 Results of Kruskal-Wallis (KW) test

的結果，該值越大表示分類能力越好；漸進顯著性指標表征樣本分布是否滿足正態分布，參數的顯著性水平越低，置信度越高，分類能力越好。

上升時間、持續時間、截止頻率、D2(n)、D4(n)和D5(n)這6個參數的漸進顯著性指標為0，符合正態分布，且KW檢驗值較高；H的顯著性水平為0.042，滿足正態分布；D1(n)的顯著性水平為0.054，近似滿足正態分布；D3(n)顯著性水平為0.111，不滿足正態分布。

綜上可知，上升時間、持續時間、截止頻率、小波能量比(D2(n)、D4(n)、D5(n))和小波信息熵共7個特征參數差異性較小，可作為損傷模式識別中的參數；小波能量比(D1(n)、D3(n))能否作為損傷模式識別參數，需要在算法中驗證得知。

4 損傷模式識別

4.1 算法設計

采用貝葉斯正則化的神經網絡模型處理該多參數的損傷模式識別問題。

BP神經網絡指的是基于BP算法的多層向前神經網絡，通過誤差控制信息的傳遞，當輸出結果誤差大于期望值時，誤差以一種形式通過隱含層向輸入層返回，修正網絡權值。

正則化方法可以很好地提高網絡的泛化能力，貝葉斯正則化算法是在一種變形的牛頓法(Levenberg-Marquardt，LM)基礎上進行修正的網絡算法，通過修正神經網絡的性能函數來提高優化能力[19-21]。該算法在LM算法的性能函數誤差反饋的基礎上，加入權值的反饋，其網絡的訓練函數可以寫成

F=αEω+βED

(5)

式中：Eω為全部網絡權值平方和；ED為每層網絡輸出值與真實值之間的誤差值；α和β分別為性能函數的正則化系數，表達式為式(6)。系數的值代表網絡訓練的側重，當α<β時，隨著訓練次數的增加，訓練樣本的誤差逐漸變小；當α>β時，隨著訓練次數的增加，權值逐漸變小，平滑網絡輸出。

(6)

式中：γ為有效參數的數量，表征能夠降低訓練誤差的神經網絡的連接權值數量；n為全部的訓練樣本數量。

γ=n-2αtr(H-1)

(7)

其中：H為性能函數的海森矩陣，且

(8)

優選網絡結構，經對比測試發現，當選擇貝葉斯正則化神經網絡結構，網絡包含4個隱含層，每層10個節點，學習函數為S型對數函數，傳遞函數為梯度下降法時，網絡識別能力最優，運算效率最高。

對損傷模式識別特征參數進行優選，根據各特征參數的類型和表4中的檢驗結果，設計了9個參數組合方式，用于對比和提煉最優參數組合，如表4所示。

為評估神經網絡的識別能力及由識別誤差帶來的風險，深入分析對成坑、穿孔2種損傷模式的區分能力，使用4個識別指標：穿孔識別率、成坑識別率、錯分率和風險，并用誤差平方和表示計算結果的穩定性，網絡計算值與期望值間允許的最大誤差K取0.2。其中成坑識別率Ppit代表了全部成坑樣本中識別正確的百分比，即

表4 輸入參數列表Table 4 List of input parameters

(9)

穿孔識別率Phole代表了全部穿孔樣本中識別正確的百分比，即

(10)

式中：n1為成坑樣本數；n2為穿孔樣本數；r1為識別成坑正確的樣本數；r2為識別穿孔正確的樣本數。

錯分率Erate代表全部識別樣本中未能正確識別的百分比，是損傷模式識別中的一個重要指標，主要考慮錯誤分類后的不同結果，其為

(11)

風險Risk是基于最小風險準則的一個指標，指靶板發生穿孔被誤識別為成坑損傷的百分比，其為

(12)

對336組實驗數據進行自識別，表5為損傷模式識別方法對表4中參數組合的20次訓練后的最優識別結果。

分析表5可得結論如下：

1) 對比參數組合1、組合2和組合6的識別結果可知，當單獨使用小波能量比或時頻參數識別時，誤差平方和較大，算法穩定性低，但對穿孔

表5訓練樣本損傷模式識別結果的識別能力較高，這主要是因為穿孔樣本數遠多于成坑樣本。

Table5Damagepatternrecognitionresultsoftrainingsamples

No．Recognitionrateofholedamage/%Recognitionrateofpitdamage/%Rateofwrongpoints/%Risk/%Squaresumofresidues195．7975．818．053．4187．27295．4061．2911．153．72132．56398．4787．103．721．2443．21498．8587．103．410．9342．70598．0883．874．641．5554．21698．8585．483．720．9344．54797．3290．324．022．1746．14899．2393．551．860．6222．95997．3291．943．722．1747．66

2) 對比參數組合3和組合4的識別結果可知，在不考慮傳播距離的前提下，D1(n)對損傷模式識別影響較小，使穿孔識別能力有小幅下降，但對比組合4和組合7可知，加入傳播距離參數后，成坑識別能力提升較大。

3) 對比參數組合6和組合8的識別結果可知，特征參數D3(n)在與傳播距離參數同時存在時，使組合的成坑和穿孔識別能力均有一定程度的降低，因此將其認作為干擾參數。

4) 加入傳播距離參數后，各組的成坑識別能力均有一定提升，識別結果多數高于90%，因此認為傳播距離是有效的參數。

5) 對比參數組合8和組合9的識別結果可知，小波能量熵對信號的識別能力有較小的提升，去掉后成坑、穿孔的識別能力均下降約2%。

由于特征參數均是隨著傳播距離變化的量，但傳播距離自身與損傷無關，針對是否使用傳播距離選取2個識別結果較好，且算法穩定性較高的參數組合為組合4和組合8。

4.2 算法驗證

為評價損傷模式識別算法的能力，需使用非同源樣本進行驗證。從表1中隨機抽取4次實驗作為驗證數據，包含3次穿孔損傷和1次成坑損傷，如表6所示，共32組實驗數據，神經網絡訓練選取余下的304組數據。

采用本文的損傷模式識別方法，驗證結果如表7所示，表7中No.1和No.2分別為表4中No.4和No.8特征參數組合的識別結果。

結果表明，本文建立的貝葉斯正則化BP神經網絡可以用于識別非同源的蜂窩板超高速受超高速撞擊事件。對于非同源的實驗數據，選擇由傳播距離、上升時間、持續時間、截止頻率、自動加窗小波能量比(D1(n)、D2(n)、D4(n)、D5(n))、小波信息熵構成的特征參數組合識別的結果比較好。

表6 驗證實驗工況Table 6 Confirmatory experiment condition

表7最優參數損傷模式識別結果

Table7Damagepatternrecognitionresultsoftheoptimalparametercombination

No．Recognitionrateofholedamage/%Recognitionrateofpitdamage/%Rateofwrongpoints/%Risk/%187．550．0021．889．38296．4375．009．383．13

由于在實驗環境中獲得1 km/s以下撞擊速度較困難，使針對成坑損傷的實驗量不充分，導致了成坑識別準確率始終低于穿孔，在此基礎上如進一步補充該范圍實驗，可以有效提高對成坑損傷的識別能力。

5 結 論

在實驗的基礎上，提出了一種基于聲發射技術的蜂窩板受超高速撞擊損傷模式識別方法，并通過非同源樣本驗證識別方法的有效性，得主要結論如下：

1) 傳播距離是蜂窩板面超高速撞擊損傷模式識別的重要參數，在算法中必須予以考慮。

2) 加窗后的小波能量比是損傷模式識別的重要參數，與傳播距離組合可以有效提高識別能力，但其中的D3(n)對識別有一定干擾。

3) 小波能量熵對損傷模式識別有一定的提升作用，可以作為損傷模式識別的參數。

4) 0～62.5 kHz頻域的加窗小波能量比對穿孔識別能力有一定提升，但會降低對成坑的識別能力。

5) 蜂窩板受超高速撞擊損傷模式識別的最優參數組合為傳播距離、上升時間、持續時間、截止頻率和自動加窗小波能量比(D1(n)、D2(n)、D4(n)、D5(n))及小波能量熵，基于該組合的貝葉斯正則化神經網絡可以有效識別成坑和穿孔2種損傷模式。

[1] Upper stage explosion places LEO satellites at risk[N]. Orbital Debris Quarterly News, 2013-01-17.

[2] LIOU J C, GIOVANE F, CORSARO R, et al. LAD-C—A large area debris collector on the ISS[C]//36th COSPAR Scientific Assembly. Paris: Committee on Space Research (COSPAR), 2006.

[3] PROSSER W H, MADARAS E I. Distributed impact detector system (DIDS) health monitoring system evaluation: NASA/TM-2010-216694[R]. Hampton, VA: Langley Research Center, 2010.

[4] SPENCER G, SCHAFER F, TANAKA M, et al. Design and initial calibration of micrometeoroid space debris detector (MDD)[C]//Proceedings of the 4th European Conference on Space Debris. Pairs: European Space Agency, 2005, 587: 2275.

[5] SCHAFER F, JANOVSKY R. Impact sensor network for detection of hypervelocity impacts on spacecraft[J]. Acta Astronautica, 2007, 61(10): 901-911.

[6] SCHWANETHAL J P, MCBRIDE N, GREEN S F, et al. Analysis of impact data from the DEBIE (debris in-orbit evaluator) sensor in polar low earth orbit[C]//Proceedings of the 4th European Conference on Space Debris. Pairs: European Space Agency, 2005, 587: 177.

[7] 唐頎, 龐寶君, 韓增堯, 等. 單層板超高速撞擊聲發射波的頻譜特征分析[J]. 宇航學報, 2007, 28(4): 1059-1064.

TANG Q, PANG B J, HAN Z Y , et al. Analysis of frequency spectrum character of acoustic emission wave from hypervelocity impact on single-sheet plate[J]. Journal of Astronautics, 2007, 28(4): 1059-1064 (in Chinese).

[8] 王曉宇, 張超, 孫維, 等. 航天器密封艙加筋壁板碎片撞擊監測技術研究[J]. 實驗流體力學, 2014, 28(4): 70-77.

WANG X Y, ZHANG C, SUN W, et al. Research on structural health monitoring method for locating space debris impact on spacecraft seal structure[J]. Journal of Experiments in Fluid Mechanics, 2014, 28(4): 70-77 (in Chinese).

[9] 劉武剛, 龐寶君, 韓增堯, 等. 基于小波分析技術的高速撞擊聲發射源定位[J]. 高技術通訊, 2009, 19(2): 181-187.

LIU W G, PANG B J, HAN Z Y, et al. Acoustic emission detection and location for hypervelocity impacts based on wavelet transform[J]. Chinese High Technology Letters, 2009, 19(2): 181-187 (in Chinese).

[10] LIU Z D, PANG B J. A method based on acoustic emission for locating debris cloud impact[C]//Proceedings of the SPIE 7522, 4th International Conference on Experimental Mechanics. Bellingham, WA: SPIE, 2010.

[11] 龐寶君, 劉治東, 唐頎. 基于HHT變換的聲發射源平面定位方法[J]. 無損檢測, 2010(1): 1-5.

PANG B J, LIU Z D, TANG Q. A method based on HHT for acoustic emission source location[J]. Nondestructive Testing, 2010(1): 1-5 (in Chinese).

[12] 張凱, 龐寶君, 林敏. 碎片云撞擊聲發射信號能量特征小波包分析[J]. 振動與沖擊, 2012, 31(12): 125-128.

ZHANG K, PANG B J, LIN M. Wavelet packet analysis for acoustic emission signals caused by debris cloud impact[J]. Journal of Vibration and Shock, 2012, 31(12): 125-128 (in Chinese).

[13] 熊秋鵬. 基于神經網絡技術的空間碎片損傷模式識別研究[D]. 哈爾濱: 哈爾濱工業大學, 2012: 31-35.

XIONG Q P. Research on space debris damage pattern recognition based on neutral network technology[D]. Harbin: Harbin Institute of Technology, 2012: 31-35 (in Chinese).

[14] EMMA A T, JONATHAN P G, CLEGG R A, et al. Hypervelocity impact on spacecraft honeycomb: Hydrocode simulation and damage laws[J]. International Journal of Impact Engineering, 2003, 29(1-10): 691-702.

[15] ALAVI N A, RAZAVI S B, MAJZOOBI H H. Ballistic limit determination of aluminum honeycombs—Experimental study[J]. Materials Science and Engineering A, 2008, 488(1): 273-280.

[16] LIU Y, PANG B J, JIA B, et al. Modal acoustic emission based location method in honeycomb core sandwich structure[C]//Proceedings of the 6th European Conference on Space Debris. Pairs: European Space Agency, 2013, 723: 183.

[17] CHAKRABORTY N, RATHOD V T, MAHAPATRA D R, et al. Guided wave based detection of damage in honeycomb core sandwich structures[J]. NDT&E International, 2012, 49(7): 27-33.

[18] ROSSO O A, BLANCO S, YORDANOVA J, et al. Wavelet entropy: A new tool for analysis of short duration brain electrical signals[J]. Journal of Neurosci Methods, 2001, 105(1): 65-75.

[19] MACKAY D J C. Bayesian interpolation[J]. Neural Computation, 1992; 4(3): 415-447.

[20] ORRE R, LANSNER A, BATE A, et al. Bayesian neural networks with confidence estimations applied to data mining[J]. Computational Statistics & Data Analysis, 2000, 34(4): 473-493.

[21] WONG B M L， LEE S Y， LEUNG K S. Data mining of Bayesian networks using cooperative coevolution[J]. Decision Support Systems, 2004, 38(3): 451-472.

(責任編輯： 徐曉)

URL：www.cnki.net/kcms/detail/11.1929.V.20170303.1902.002.html

Adamagepatternrecognitionmethodforhypervelocityimpactonaluminumhoneycombcoresandwichbasedonacousticemission

LIUYuan,PANGBaojun,CHIRunqiang*,CAIYuan

SchoolofAstronautics,HarbinInstituteofTechnology,Harbin150080，China

Adamagepatternrecognitionmethodbasedonneuralnetworkisproposedtorecognizethedamagestateofaluminumhoneycombcoresandwichunderhypervelocityimpact(HVI)throughacousticemission.Avarietyofexperimentalsignalsareobtained,10characteristicparametersrelatedtodamagearepresentedbytestofnonparametricanalysistherelationshipwithdamagepattern,combiningwithprecisesourcelocalization,time-frequencyanalysis,wavelettransformationandmodalacousticemissiontechnology.TheBPneuralnetmodebasedonBayesianregularizationisestablishedbyanalyzingtherelationshipwithdamagepatternusingnonparametricanalysis.Afterestablishingtheoptimalnetworkmodel,twooptimalcombinationsareselectedbyanalyzingtherecognitionabilityofdifferentparametercombinations,thedamagepatternrecognitionabilityisverifiedwithnon-samesourcesample.Theresultshowsthatpropagationdistanceisasignificantparameterbutirrelevanttodamagepattern.Automaticwindowwaveletenergyratiowithin125-250kHzfrequencyrangedecreasetheabilityofdamagepatternrecognition.UsingaBayesianregularizationneuralnetworkwithcombinationof9parameters,includingpropagationdistance,risetime,holdtime,cut-offfrequency,4kindsofautomaticwindowwaveletenergyratioandwaveletenergyentropy,presents9.38%wrongpointratetoagroupofrandomnon-samesourcesample.

spacedebris;hypervelocityimpact(HVI);acousticemission;damagepatternrecognition;neuralnetwork

2016-05-05；Revised2016-10-19；Accepted2017-02-13；Publishedonline2017-03-031902

s：NationalSpecialProjectforSpaceDebrisduringtheTwelfthFive-yearPlanPeriod(K0203210);theFundamentalResearchFundsforCentralUniversities(HIT.NSRIF.2015029)

.E-mailchirq@hit.edu.cn

2016-05-05；退修日期2016-10-19；錄用日期2017-02-13； < class="emphasis_bold">網絡出版時間

時間：2017-03-031902

www.cnki.net/kcms/detail/11.1929.V.20170303.1902.002.html

國家“十二五”空間碎片專項 (K0203210)； 中央高校基本科研業務費專項資金 (HIT.NSRIF.2015029)

.E-mailchirq@hit.edu.cn

劉源， 龐寶君， 遲潤強， 等． 基于聲發射的鋁蜂窩板超高速撞擊損傷模式識別方法J． 航空學報,2017,38(5):220401.LIUY,PANGBJ,CHIRQ,etal.AdamagepatternrecognitionmethodforhypervelocityimpactonaluminumhoneycombcoresandwichbasedonacousticemissionJ.ActaAeronauticaetAstronauticaSinica,2017,38(5):220401.

http://hkxb.buaa.edu.cnhkxb@buaa.edu.cn

10.7527/S1000-6893.2017.220401

V19； X949

A

1000-6893(2017)05-220401-13