时间： 2021-06-10    信息来源: 黑龙江省科技成果转化中心    

 项目简介：
本项目以直升机关键部件常用复合材料试件为研究对象，针对声发射信号在复合材料试件上的衰减问题、去噪问题、定位问题和声发射源类型识别问题展开深入研究，并且利用断铅模拟试验数据和试件压断试验数据对所研究算法进行了验证，解决了直升机关键部件试样声发射检测中的若干关键技术问题。项目取得的研究成果如下：(1) 通过对传播特性断铅试验数据进行分析，获取了声发射信号在直升机部件常用复合材料试件上的距离衰减特性和特征频带，为声发射传感器布置提供了依据。以碳纤维材料及蜂窝材料试件为研究对象，利用谐波小波包提取了声发射信号五个频带的信号进行频谱分析，克服了传统小波包分析存在的精度低和频带选取不灵活等问题。(2) 针对声发射信号小波去噪存在的受信号特点及小波基函数的影响和对信噪比要求较高的问题，提出了基于经验模态分解和小波阈值去噪相结合的声发射信号去噪方法，利用经验模态分解的自适应分解和低信噪比去噪能力克服小波阈值去噪的缺陷，同时保留小波阈值去噪的优势。(3) 针对基于神经网络的声发射信号智能定位方法中存在的局部最优、大样本、过学习及网络结构难以确定等问题，提出了LS-SVM回归声发射源线性定位方法和M-SVR声发射源平面定位方法，充分发挥支持向量机良好的泛化性能和小样本预测能力。该项目创新性：(1) 提出了基于经验模态分解和小波阈值去噪相结合的声发射信号去噪方法。该方法充分发挥了EMD的信号自适应分解及其优良的小信噪比去噪能力，解决了小波去噪依赖于信号特点及小波基和对信噪比要求较高的问题，同时保留了小波阈值去噪优良的高信噪比去噪能力。(2) 提出了NPSO优化的LS-SVM回归声发射源线性定位方法和基于M-SVR的声发射源平面定位方法。所研究方法利用支持向量机良好的小样本预测能力实现声发射源线性和平面定位，多输出支持向量回归算法用于声发射信号的平面定位提高了抗噪声能力，真正实现了整体优化的目标。实验结果表明，在相同的定位参数条件下，M-SVR训练时间为0.137s，定位平均误差为11.2%，而训练时间为0.340s，RBF网络定位平均误差为24.9%，支持向量机回归定位器在收敛速度和定位精度上都明显优于神经网络定位器。(3) 提出了基于HWPT特征提取与H-SVM多分类器相结合的声发射源类型识别方法。该方法合理的选取了谐波小波包分解频带，利用聚类算法设计了H-SVM多分类器。

更多内容! 欢迎扫描上方二维码 关注“黑龙江省博览发展促进中心微新闻”微信订阅号