基于声发射信号的钢桶泄漏检测

陈阳阳

【摘要】目的：研究基于声发射信号的钢桶泄漏检测方法。方法：利用声发射传感器、前置放大器、采集卡和计算机搭建采集系统,分析漏孔直径为0.2mm和无泄漏状况下泄漏频率特点。对采集的声发射信号采用小波包分解,提取了泄漏信号的3个特征频段(16～30kHz,33～47kHz,95～102kHz)的能量特征,将其作为支持向量机的输入特征向量,对已经训练好的支持向量机进行测试,判断钢桶是否泄漏。结果经试验测试,判断准确率达100%。结论：通过小波包能量与支持向量机相结合的方法, 可以成功地对直径0.2mm及以上漏孔的钢桶泄漏进行检测。

【关键词】钢桶泄漏;声发射;小波包能量;支持向量机

钢桶是重要的包装容器,其以高强度、耐腐蚀、安全可靠等功能而广泛用于化工、石油、轻工、食品等行业的产品包装。钢桶的在线泄漏检测尤为重要,工厂传统的检测方法包括肥皂法、听声法等。笔者对钢桶泄漏使用声发射技术进行检测。钢桶泄漏点处的流体在压力的作用下,由破损处喷射而出,与桶壁相互作用,在桶壁激发应力波。这种应力波带有钢桶泄漏的信息,在桶壁以声速传播。根据泄漏理论以及数值模拟,漏孔直径在5mm以内的泄漏孔径越大,信号特征越明显。在桶壁上安装声发射传感器,采集该应力波信号,采用基于时域、频域和时频域理论提取泄漏特征,对该特征向量进行模式识别,判断钢桶泄漏状况。通过小波包能量特征提取和支持向量机模式识别方法实现了对直径为0.2mm钢桶漏孔的检测。

1 小波包分解和支持向量机理论

1.1 小波包分解能量提取原理

小波包分解是在小波变换多分辨思想基础上形成的一种更精细的正交分解方法,可以把信号无泄漏、不重叠地分解到相邻的独立频段上,以更高的分辨率展示信号在不同频段的时域信息。能量提取是提取信号频段的能量信息,比较各个频段信号能量的特征。小波包信号能量特征提取步骤如下所述。

1)将采集的信号进行N层小波包分解,得到N层从低频到高频各频段成分系数构成的特征信号SNJ(N=I,j=1,2,...,2n);

2)计算信号的频段局部能量ESJ:

3)构造特征向量。对信号进行小波包分解,计算各频段的局部能量,得到与特定频段相对应的能量（Eij|j=1,2,…,2n），则可确定该信号的特征向量P(E1,E2 ,... ,E n)。

1.2 支持向量机理论

支持向量机(SVM,Support Vector Machines)是在以解决小样本机器学习问题为目标的统计学习理论(SLT)的基础上发展起来的。在分类和模式识别等方面取得了很好的效果,将其应用于泄漏检测中可以提高准确率。

支持向量机是从线性可分情况下的最优分类面发展而来的,通过合理选择核函数(包括线性核函数、多项式核函数、径向基内积函数和Sigmoid核函数),并将输入向量映射到一个高维空间,在这个空间中构造一个最优分类超平面,即构造一个目标函数将各模式分开,输出类别。

2 钢桶泄漏试验及分析

2.1 试验方案

以无泄漏钢桶和漏孔直径为0.2mm的泄漏钢桶为测试对象,搭建实验装置及测试系统见图1。其中,采集系统由发射传感器、前置放大器、采集卡和计算机构成。钢桶壁厚为1mm,为典型的薄壁结构。声发射传感器选择中心频率为150kHz的声华 SR150、放大倍数为40dB的前置放大器和最大采样率为1MS/s的NI-PCI6251采集卡。

图1 钢桶泄漏实验装置示意图

泄漏声发射信号频率较高,取采样频率为信号最高频率的5～10倍,设置为1000kHz。实验时,气体从左侧进气口进入桶内,钢桶两端加压密封,气体压力设置为0.15MPa,待加压稳定后分别对无泄漏钢桶和漏孔直径为0.2 mm的泄漏钢桶进行泄漏数据采集,每隔1min采集1组数据。

2.2 泄漏特征提取

采集的特征信号频率范围为0～500kHz,通过比较泄漏信号和无泄漏信号的频谱,发现声发射信号在16～30kHz,33～47kHz和95～102kHz这3个频段上有明显的差异。采用db9小波对信号进行5层小波包分解,提取第(5,1)和(5,3)层的系数,对16～30kHz和33～47kHz频段的信号进行重构;再对信号进行6层分解,提取第(6,10)层的系数,对95～102kHz的信号进行重构。
漏孔直径为0.2mm的泄漏钢桶和无泄漏钢桶在16～30kHz频段的功率谱比较见图2a,可以看出泄漏钢桶的功率谱比无泄漏的钢桶功率谱大。0.2 mm的泄漏钢桶和无泄漏钢桶都在23kHz时达到峰值。理想状态下无泄漏时应没有峰值,但在实验条件下,压缩空气由钢桶注液口进入,在此处引起激流振动噪声,并通过桶壁传播。其机理类似泄漏,但孔径较大,气体紊流和激振不明显,因而无泄漏桶在该频段处虽有峰值但较弱。大量实验表明,无泄漏时检测信号的功率远小于泄漏时的功率,不会对泄漏判断产生影响,此频段的泄漏能量和无泄漏能量有明显的区分。 同理,见图2b及图3,泄漏和无泄漏钢桶在33～47kHz和95～102kHz频段的功率谱有明显的区别。图2-3表明,钢桶泄漏声发射信号频率并不是一个特定的频率,而是以频段形式出现,因此,分析声发射信号时应以特征频段为对象。

图2 0.2mm泄漏和无泄漏的功率比较

图3 0.2mm泄漏和无泄漏在95～102kHz频段的功率谱比较

取无泄漏和0.2mm泄漏钢桶的信号各7组,通过公式(1)计算3个频段能量,结果见表1(16～30kHz,33～47kHz和95～102kHz频段的能量分别记作E1,E2, E3)。比较表 1中的无泄漏状态和0.2mm泄漏状态可以看出,无泄漏状态信号的3个频段的能量都小于0.2 mm泄漏时的能量,并且3个频段的能量有明显的差别,因此,可以将这3个频段的能量作为0.2mm泄漏和无泄漏的判别特征。

表1 0.2mm泄漏和无泄漏钢桶3个频段能量

2.3 泄漏识别

试验中选取了无泄漏和漏孔直径为0.2mm泄漏钢桶各20组声发射信号进行处理,提取其中3个频段能量作为特征向量,数据量属于小样本情况。在小样本情况下,支持向量机作为分类器,分类的训练时间、收敛速度以及测试精度都要比其他分类器性 能好,具有良好的预测推广能力。核函数选择径向基内积函数:

取核函数参数为2,惩罚因子为0.5。取实验钢桶泄漏和无泄漏各50组数据的3个频段的能量作为支持向量机分类器的训练样本,通过对这50个样本进行训练,建立合适的分类模型;再分别各取10组泄漏和无泄漏数据作为测试样本,将无泄漏钢桶类别定义为+1,0.2mm泄漏钢桶类别定义为-1,将20组数据的3个频段的能量作为测试样本的特征向量输入支持向量机分类器中,其结果见表2。

表2 20组测试样本SVM的分类结果

从表2中可以看出,以3个频段的能量作为特征向量,支持向量机分类结果达到100%,说明支持向量机能够对测试样本进行正确率很高的泄漏识别,基于小波包能量和支持向量机分类器的钢桶泄漏检测方法是有效的。

3 结语

钢桶泄漏声发射信号频率并不是一个特定的频率,而是以频段形式出现,特定的频段小波包能量有很大的差异。找出了钢桶声发射信号的3个特定频段,并且将这3 个频段的能量作为识别的特征向量。针对小样本数据采用支持向量机进行识别,将3个频段的特征能量输入到支持向量机进行了训练,对已经训练好的支持向量机进行测试,判断准确率达到100%。