直升機(jī)復(fù)合材料試件聲發(fā)射信號(hào)處理算法研究.pdf

1、在直升機(jī)部件的疲勞試驗(yàn)中,開展直升機(jī)部件聲發(fā)射檢測(cè)技術(shù)的研究,更早發(fā)現(xiàn)損傷的萌生、位置、類型等情況,改進(jìn)和提高疲勞試驗(yàn)狀態(tài)下?lián)p傷檢測(cè)的效率和精度,對(duì)準(zhǔn)確評(píng)估直升機(jī)各重要部件壽命及安全性是非常有意義的。本文以直升機(jī)關(guān)鍵部件常用復(fù)合材料試件為研究對(duì)象,針對(duì)聲發(fā)射信號(hào)在直升機(jī)復(fù)合材料試件上的衰減問題、去噪問題、定位問題和聲發(fā)射源類型識(shí)別問題展開深入研究,并且利用斷鉛模擬試驗(yàn)數(shù)據(jù)和試件壓斷試驗(yàn)數(shù)據(jù)對(duì)所研究算法進(jìn)行了驗(yàn)證,解決了直升機(jī)關(guān)鍵部件試樣

2、聲發(fā)射檢測(cè)中的若干關(guān)鍵技術(shù)問題。
　　研究聲發(fā)射信號(hào)在直升機(jī)關(guān)鍵部件常用復(fù)合材料試件上的衰減特性。通過對(duì)直升機(jī)關(guān)鍵部件常用的碳纖維材料試件和蜂窩材料試件進(jìn)行斷鉛試驗(yàn),獲取衰減特性數(shù)據(jù),利用能量和幅值參數(shù)分析了聲發(fā)射信號(hào)的距離衰減特性。針對(duì)傳統(tǒng)小波包分析存在的能量泄露、不同層分辨率不同、頻帶選取不靈活問題,利用諧波小波包分析聲發(fā)射信號(hào)在各個(gè)頻帶上的衰減特性,獲取兩種試件上聲發(fā)射信號(hào)的特征頻帶,為聲發(fā)射傳感器布置提供依據(jù)。
　　

3、為解決聲發(fā)射信號(hào)的去噪問題,針對(duì)小波去噪存在的去噪效果受信號(hào)特點(diǎn)及小波基函數(shù)的影響和只適用于高信噪比的缺點(diǎn),研究基于經(jīng)驗(yàn)?zāi)B(tài)分解和小波閾值去噪相結(jié)合的聲發(fā)射信號(hào)去噪方法,包括IMF-Wavelet去噪方法,EMD-Wavelet去噪方法和Wavelet-EMD去噪方法,這些方法利用EMD對(duì)信號(hào)的自適應(yīng)分解特性及適合于低信噪比去噪的優(yōu)點(diǎn)彌補(bǔ)小波去噪的不足,通過標(biāo)準(zhǔn)信號(hào)和斷鉛模擬聲發(fā)射信號(hào)下幾種去噪方法的去噪性能對(duì)比,表明Wavelet-E

4、MD方法無論在高信噪比情況下,還是在低信噪比情況下,都具有較穩(wěn)定的去噪效果。
　　為解決聲發(fā)射源定位問題,針對(duì)基于神經(jīng)網(wǎng)絡(luò)智能定位方法中存在的局部最優(yōu)、大樣本、過學(xué)習(xí)及網(wǎng)絡(luò)結(jié)構(gòu)難以確定等缺點(diǎn),研究基于最小二乘支持向量回歸的聲發(fā)射源線性定位方法和基于多輸出支持向量回歸的聲發(fā)射源平面定位方法。該方法利用支持持向量機(jī)在全局尋優(yōu)、收斂速度及小樣本預(yù)測(cè)上的優(yōu)勢(shì)彌補(bǔ)神經(jīng)網(wǎng)絡(luò)的不足,通過對(duì)直升機(jī)關(guān)鍵部件常用碳纖維材料試件斷鉛定位試驗(yàn)結(jié)果表明,L

5、S-SVM回歸線性定位方法和M-SVR平面定位算法均達(dá)到了一定的精度,并且在收斂速度和定位精度上都優(yōu)于神經(jīng)網(wǎng)絡(luò)定位器,并且在小樣本下更具優(yōu)勢(shì)。
　　為解決聲發(fā)射源類型識(shí)別問題,研究基于諧波小波包特征提取和支持向量機(jī)多分類的聲發(fā)射源識(shí)別方法。諧波小波包分解克服了傳統(tǒng)小波包分解能量泄露、頻帶選取不靈活、不同層頻率分辨率不同的缺點(diǎn),更精確的提取了聲發(fā)射源類型特征。利用聚類算法設(shè)計(jì)層次支持向量多分類器。通過碳纖維材料試件壓斷試驗(yàn)聲發(fā)射信號(hào)

6、識(shí)別結(jié)果表明,諧波小波包特征提取方法有效地提取了聲發(fā)射類型特征,在計(jì)算效率和特征區(qū)分度上均優(yōu)于傳統(tǒng)小波包特征提取方法,模型優(yōu)化后SVM多分類器具有更好的整體性能,有效地解決了聲發(fā)射源識(shí)別的小樣本問題。
　　針對(duì)支持向量機(jī)的模型參數(shù)優(yōu)化問題,研究基于小生境粒子群算法的支持向量回歸線性定位器和支持向量二分類器的參數(shù)優(yōu)化方法。前者利用k-遍歷交叉檢驗(yàn)來評(píng)價(jià)LS-SVM回歸的泛化能力,優(yōu)選的參數(shù)保證LS-SVM回歸線性定位器的定誤差最小。