同时有源声发射源的智能定位； 第一部分

相似文件 换一批

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

摘要翻译：
第一部分介绍了智能声发射定位器，第二部分讨论了盲源分离、时延估计和两个同时有源的连续声发射源的定位。复杂飞机框架结构声发射定位是无损检测中的一个难题。本文介绍了一种智能声发射源定位器。该智能定位器由传感器天线和广义回归神经网络组成，解决了基于示例学习的定位问题。在不同的试件上测试了定位器的性能。试验表明，定位的准确性取决于试样中的声速和衰减，测试区域的尺寸，以及存储数据的性质。该智能定位器的定位精度与传统三角法相当，但由于避免了对声线路径的分析，使智能定位器的适用性更广。这是一种很有前途的飞机框架结构声发射无损检测方法。
---
英文标题：
《Intelligent location of simultaneously active acoustic emission sources:
  Part I》
---
作者：
T. Kosel and I. Grabec
---
最新提交年份：
2007
---
分类信息：

一级分类：Computer Science        计算机科学
二级分类：Neural and Evolutionary Computing        神经与进化计算
分类描述：Covers neural networks, connectionism, genetic algorithms, artificial life, adaptive behavior. Roughly includes some material in ACM Subject Class C.1.3, I.2.6, I.5.
涵盖神经网络，连接主义，遗传算法，人工生命，自适应行为。大致包括ACM学科类C.1.3、I.2.6、I.5中的一些材料。
--
一级分类：Computer Science        计算机科学
二级分类：Artificial Intelligence        人工智能
分类描述：Covers all areas of AI except Vision, Robotics, Machine Learning, Multiagent Systems, and Computation and Language (Natural Language Processing), which have separate subject areas. In particular, includes Expert Systems, Theorem Proving (although this may overlap with Logic in Computer Science), Knowledge Representation, Planning, and Uncertainty in AI. Roughly includes material in ACM Subject Classes I.2.0, I.2.1, I.2.3, I.2.4, I.2.8, and I.2.11.
涵盖了人工智能的所有领域，除了视觉、机器人、机器学习、多智能体系统以及计算和语言（自然语言处理），这些领域有独立的学科领域。特别地，包括专家系统，定理证明（尽管这可能与计算机科学中的逻辑重叠），知识表示，规划，和人工智能中的不确定性。大致包括ACM学科类I.2.0、I.2.1、I.2.3、I.2.4、I.2.8和I.2.11中的材料。
--

---
英文摘要：
  The intelligent acoustic emission locator is described in Part I, while Part II discusses blind source separation, time delay estimation and location of two simultaneously active continuous acoustic emission sources.   The location of acoustic emission on complicated aircraft frame structures is a difficult problem of non-destructive testing. This article describes an intelligent acoustic emission source locator. The intelligent locator comprises a sensor antenna and a general regression neural network, which solves the location problem based on learning from examples. Locator performance was tested on different test specimens. Tests have shown that the accuracy of location depends on sound velocity and attenuation in the specimen, the dimensions of the tested area, and the properties of stored data. The location accuracy achieved by the intelligent locator is comparable to that obtained by the conventional triangulation method, while the applicability of the intelligent locator is more general since analysis of sonic ray paths is avoided. This is a promising method for non-destructive testing of aircraft frame structures by the acoustic emission method.
---
PDF下载：
--> English_Paper.pdf (100.18 KB)

2022-4-14 11:33:28 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：SIMULTANEOUS Presentation Conventional Intelligence Evolutionary

同时活动声发射源的智能定位：卢布尔雅那大学机械工程学院，aéskeréceva 6,POB 394,SI-1001卢布尔雅那，斯洛文尼亚-邮件:tadej.Kosel@guest.arnes.si；第一部分介绍了智能声发射定位器，第二部分讨论了盲源分离、时延估计和两个同时活动的连续声发射源的定位。复杂飞机框架结构声发射定位是无损检测中的一个重要问题。本文介绍了一种智能声发射源定位器，该智能定位器由传感器天线和广义回归神经网络组成，通过实例学习解决了定位问题。定位仪性能浪费在不同的测试样本上。测试表明，定位的准确性取决于试样中的声速和衰减，测试区域的尺寸，以及存储数据的性质。智能定位器的定位精度与传统的三角测量法相当，但由于避免了声线路径的分析，因此智能定位器的适用性更广。声发射法是飞机框架结构无损检测的一种很有前途的方法。介绍声发射法是一种无损检测方法，用于对材料中出现的裂纹和缺陷进行定位和表征。在航空框架结构的无损检测中，声发射是一种公认的方法[8]。定位问题通常是在分析超声射线轨迹的基础上采用多种测量技术来解决[10]、[1]、[3]。当试件结构几何复杂时，求解和编制程序是相当麻烦的，不能简单地执行。飞机结构声发射检测是一个具有挑战性和多样性的问题。该结构涉及螺栓，紧固件和板，所有这些由于不同的结构载荷在受损时相对于彼此移动。机体的复合几何结构导致声发射源信号的多模解，使源事件与探测信号的相关性变得更加复杂。为了避免方程求解和三角剖分程序编程的差异，已经提出了几种基于从实例中学习的经验方法[5]。我们开发了一个从例子中学习的智能定位器，因此我们称之为智能定位器。IntelligentMustript：2007年1月31日Locator的开发目的是用模拟声发射事件直接获得的信息代替声射线轨迹分析获得的信息。这样，无论如何都必须进行的校准过程可以概括为智能定位器的训练。这种智能定位器的发展在其他地方已经描述过[4]。在所开发的定位器中，采用了广义回归神经网络(GRNN)，该网络在学习过程中获取有关探测到的声发射信号及其源参数的数据。GRNN利用这些数据检验从检测到的AE信号中估计未知源位置。为此，使用了关联GRNNoperation。这种运算的基础是由条件平均值决定的统计估计[6]。因此，智能定位器的准确性也取决于学习过程，在测试前必须进行检查。本文描述了在实验连续声发射源上测试智能定位器的结果。

本研究的目的是测试和检验智能定位器与传统定位器相比的优势。如第一部分所述，第二部分将解释一个使用智能定位器对泄漏空气流产生的同时有源连续声发射源进行定位的实验。同时在试件上定位多个声源是一种新的声发射测试方法，在飞机和空域结构测试中是一种很有前途的方法。在准备实验时，我们侧重于定位受力材料和结构中不断发展的缺陷以及容器的泄漏。因此，我们用三种不同的方法对四种不同的标本进行了定位实验。试样由带、板、环和容器组成，声发射源通过铅笔芯断裂（笔试验）、拉伸试验中材料变形和试样小孔漏气来模拟。对测试中使用的声发射源的位置进行了详细的规定，将实际位置与估计位置进行了比较，并用差异来描述定位器的不准确性。本文只对漏气通过样品小孔的实验进行了说明。第一部分解释了一个连续声发射源的位置。本文旨在更好地理解第二部分并比较结果。第二部分阐述了两个同时活动的连续声发射源定位的一种新方法。下面，文章解释了条件平均应用于定位问题的理论背景，然后描述了辅助声发射信号处理，并详细演示了实验智能定位器的性能。理论背景在这一部分，我们描述了一种非参数方法，用于声发射现象的经验建模和解决定位问题。这个模型源于对物理定律的概率分布的描述。由于它在别处已经有了详细的解释，我们在这里只提出它的基本概念[6]，[5]。经验建模的对象是由一组传感器同时测量的变量之间的关系。在我们的例子中，变量是源坐标和声发射信号特征。设它们由M个分量的avector表示:x=(ζ,...,ζM）。在对一个声发射现象的经验描述中，我们重复观察n次以建立一个原型向量数据库{x,...,xN}，而不是将xwe的各分量之间建立关系，而是把这个向量看作一个随机变量，用estimatorf(x)=nnxn=1δ(x-xn)来表示联合概率密度函数f。（1）这里δ表示狄拉克的δ函数。为了建模的目的，我们还必须估计原型点之间空间的概率密度。这是通过在EQS中表达奇异delta函数来实现的。1通过平滑函数，例如高斯(x-xn，σ)=exp-kx-xnk2σ，n=1，。其中σ表示平滑参数。数据向量决定了概率密度函数的经验模型。它们的获得对应于经验建模的学习阶段。让我们进一步假定，对声发射现象的观察只提供由截断向量g=(ζ,...,ζs；),（3）所给出的部分信息，其中，:表示缺失的分量。关于缺失或隐藏成分的互补向量的估计问题:h=(ζ；ζs+1,...,ζm）；（4）使得完整的数据向量由级联x=gíh=(ζ,...,ζs,ζs+1,...,ζm）确定。（5）该问题的统计最优解由条件平均估计量确定，条件平均估计量由项[6]h=nxn=1Bn(g)hn表示，其中(6)Bn(g)=w(G-gn,σ)pnk=1w(G-gk,σ)。

（7）基函数Bn(g)表示由特定观测给出的截断向量g与来自数据库GN的截断向量之间的相似性度量。Bn(g)值越高，HN对估计H的和7的贡献越大。因此，对Hiddenvector H的估计类似于联想回忆，这是智力的特征。条件平均表示一般的非参数回归[6]，智能声发射源定位器在操作的学习阶段接受声发射信号和源坐标并存储原型数据向量，而在应用阶段只接受声发射信号并估计对应的源位置。每一个阶段都可以在无级单元中进行，无级单元可以解释为一个感觉神经网络的一层。为了保证定位器的可接受特性，必须适当地选择平滑参数σ[2]。δ函数平滑的目的是估计原型数据点之间的概率密度函数。平滑参数的最优指定的唯一方法尚不为人所知。在这种情况下，用到最近邻点的一半距离来指定σ在数值上更简单:σn=0.5minikgi-gnk，对于所有i6=n。（8）信号预处理智能定位器由传感器天线、信号预处理单元和信源定位单元组成，如图所示。1.第一单元根据信号y(t)和y(t)计算时间延迟Δt，而第二单元根据时间延迟Δt估计源位置Z。AE信号(t)和y(t)由传感器检测，并使用aButterworth带通滤波器进行处理。如果没有带通器，时间延迟不能很容易地映射到该频带上的源位置，因此这种方法的适用性取决于带通器函数H(f)的正确选择。我们在色散样本上发现，连续声发射信号中关于源位置的信息位于一个箭头频带内。沿着试样的波速近似为恒定的波包必须用这种装填器提取出来。在定位仪的训练过程中确定了定位仪函数H(f)。测试样本PSFRAG替换(t)y(t)y(t)y(t)y(t)y(t)y(t)RYY)TCrossScorrelatorPeakDetectorLocatorZSensorSensorBandpassfieldTerTest样本#1#2H(f)信号预处理单元源定位FIG。1.智能定位器对声发射信号的处理常用的两种时延估计方法：门限函数法和互相关函数法。用阈值函数估计时延是简单的，但只适用于离散情况。从声发射信号的互相关函数进行时间延迟估计是更一般的，但也是要求更高的[11]。互相关函数Ryy(τ)=txt=1y(t)y(t+τ)，(9)一般在参数τ对应于信号y(t)和y(t)之间的时延时出现峰值。因此，从该ecross-相关函数的峰值位置确定时间延迟。应用互相关函数的一个优点是它不依赖于声发射信号的离散或连续特性。这种时延估计方法只适用于检测时oneAE源处于活动状态的情况。在两个或更多同时活动的连续声发射源的情况下，应该使用不同的方法，这将在第二部分中讨论。在智能定位器的校准过程中，计算出一个参数函数，如下所示。在校准过程中，在已准备好的坐标网[8]上，通过pentest在试样上生成一组原型源。这个网络在大多数情况下都有线性部分，其中原型源位于一条直线上。在这种情况下，我们知道信号之间的时间延迟也是线性相关的。

如果我们有一个几何结构复杂的测试样品，那么就必须进行预校准过程，在这个过程中，我们必须选择样品的一个几何简单的部分，并对该部分进行预校准，以使信号之间的时间延迟线性相关。我们从两个传感器获得了12对声发射信号。模拟源在试件上的位置沿直线均匀分布。在这种情况下，时延ΔT与源位置Z线性相关。这对于最佳确定带通器是有利的，因为参考是一条直线。对同一组原型声发射信号的时间延迟计算重复70次。在从5到75 kHz的每一次重复中，Δf=10 kHz的带通滤波器移动了1 kHz。每一次计算时延，并将得到的时延分布与一条直线进行比较，如图所示。2.当均方根误差(RMSE)最小时，频率带宽被认为是最优的，如图所示。3(a).该试样的最佳频带为35～45kHz，弹性波速度为1.7kms-1。此外，还进一步使用该程序对原型样品和测试源进行了预处理。如图所示。3(b)，根据实测信号估计出的对(z，t)，除一个由实验误差引起的异常值外，为一条直线。实验智能声发射源定位器如图所示。4.它包括一个自动数据采集系统-1 0 1-2-1012 psfrag替换SL[m]5-15 kHz-1 0 1psfrag替换SL[m]t[ms]5-15kHz15-25kHz25-35kHz-1 0 1psfrag替换SL[m]t[ms]5-15kHz15-25kHz25-35kHz35-45kHz-1 0 1psfrag替换SL[m]t[ms]5-15kHz15-25kHz25-35kHz35-101psfrag替换SL[m]t[ms]5-15kHz15-25kHz25-35kHz35-45kHz-101psfrag替换-1 0 1psfrag替换SL[m]t[ms]5-15kHz15-25kHz25-35kHz35-45kHz45-55kHz55-65kHzfig。2.时延分布及其沿带样本的线性近似。由计算机和声发射传感器网络组成的声发射传感器为压电传感器，其作用区直径为1.3mm，可视为点状传感器。来自传感器的信号被馈送到数字示波器，在那里它们被数字化并传送到PC。智能定位器的工作由PC机控制数据采集和估计未知声发射源位置的软件决定。定位器工作在两种不同的模式：1）在学习或校准模式下，进行一组N个pen测试，获得关于声发射源的完整信息。操作者必须准备无取向网，其形状取决于试样的形状。建议的形状是不等距网，因为原型源的位置使定位器的误差最小。2）在应用模式下，只给出了源坐标和预处理后的AEsignals之间的时间延迟，建立了原型向量，并将其存储在神经网络的内存中作为数据库；2）在应用模式下，只给出了AEsignals之间的时间延迟。在离散AE的情况下，时间延迟可以从AE信号的突发中的标记跳变直观地估计，或者可以使用阈值函数来仪器地确定。因此，在连续AE的情况下，时间延迟不能简单地估计，尽管已经为此目的使用了互相关函数。因此，在我们的方法中，我们应用了互相关函数。本实验的目的是确定连续声发射源在一维试样上定位的准确性。本文叙述了两个在铝带试样上的实验。

我们在尺寸为4000×40×5mm的铝带试样上测试了定位器。通过锐化端部，减少了带状样品端部对AE信号的反射。为了进行测试，我们选择了测试区域15-25-35-45-55-65-75-8500.10.20.30.40.5psfrag替换量@f[kHz]-频带@fopt(a)-1000-5000-5001000-1.5-1-0.5000.511.5psfrag替换量z[mm]-实际位置-离群值(b)图。3.使用频率为35～45kHz的带通器对原型源和测试源进行时间延迟。a）在不同的频率带宽下，原型源位置偏离直线。b）原型和测试源的时间延迟；图注:+原型源，测试源位于带样中间，其中准备了23个孔。孔间距100mm，孔径2mm。两个声发射传感器安装在离终端孔100mm的地方。为了训练定位器，我们产生了12个间隔200mm的原型源，所有23个孔都用于定位器的测试。在本实验中，我们通过笔测试对定位器进行了校准，并通过空气传输线产生的连续声发射对定位器进行了测试。压缩空气通过直径1mm的喷嘴进行膨胀，产生空气流。喷嘴安装在带状试样表面上方1mm，进行了两个实验。第一个实验中，只有一个连续的声发射源在带样上活动，而第二个实验中，两个连续的声发射源在带样上同时活动。第二部分说明了两个连续的声发射源的连续同时定位。1.stepin处理主要是计算声发射信号的互相关函数。相应的信号通过带通35～45kHz的abandpass Butterworth检测仪发送，检测仪的测试结果如图所示。5(a).每个测试源的绝对位置误差显示在INFIG中。5(b).实验中的定位误差范围为1.3～60mm，平均值εa=20mm（忽略离群值）。如果用传感器间距(2.4m)来描述误差，相对值小于1%，增加原型源的数量可以减小误差。尽管连续声发射信号具有复杂性，但就无损检测所要求的精度而言，定位问题得到了令人满意的解决。结果还表明，用pen测试产生的离散声发射信号的标准校准程序可以用于定位仪的训练。PSFRAG替换sensorsoperatoranalogsignalspropeen#1#2DigitalOscilscope#Parameter设置计算机校准模拟声发射源。4.智能定位器的实验设置-1000-500-500 1000-1000-50005001000 PSFRAG替换x[mm]-实际位置-离群值(a)-1000-500-500 10002020406080PSFRAG替换x[mm]-实际位置εa-离群值(b)图。5.频带上连续声发射源定位结果。a）测试源的估计和实际位置；图例:+原型源，+测试源。b）绝对定位误差；εa-平均误差。讨论与结论用条件平均法估计源坐标会受到delta函数平滑引起的系统误差的影响[5]。这种误差可以通过增加原型源的数量来减小。由于实验的复杂性，不可能总是增加原型源的数量，因此必须通过试验和错误来找到折衷的方法。实验误差是可以接受的，因此我们决定进行额外的测试，将在第二部分讨论。本研究表明，通过从实例中学习的智能定位器可以成功地取代传统的三角剖分方法的声发射定位器。

结果表明，该智能定位器对（1）带板上的离散声发射，(2)带板上的连续声发射，(3)带孔（环）板上的离散声发射，(4)拉伸试验中试样破裂产生的离散声发射，(5)压力容器上的离散声发射，均能以令人满意的精度定位。比较所有实验的平均误差和原型源之间的距离，我们发现平均误差始终小于原型源之间距离的30%，而最大误差始终小于原型源之间距离的50%。在训练过程中，可以通过激发原型源的数量来控制定位器的精度。定位器的实验误差是波在作为波导的试件上的色散、边界上的回射和衰减的结果。我们发现，对于色散波，必须找到一个沿试件速度近似恒定的最佳波包。用互相关函数估计声发射源之间的时延仅适用于一个主动声发射源。如果同时存在几个活动源，则应使用盲源分离，这将在第二部分中说明[1]Chan,Y.T.Ho,K.C.1994,一个简单的双曲定位估计器，IEEE Signal Processing Transactions on Signal Processing 42（8）,1905-1915.[2]Cherkassky,V.Mulier,F.1998,Leraning from Data：概念、理论和方法，John Wiley&Sons Inc.,New York.[3]Friedlander,B.1987,一种被动定位算法及其精度分析，IEEE海洋工程杂志OE-12(1)，234-245.[4]Grabec,I.Kishi,Y.Mori M.Enoki,编辑，第12届国际声发射研讨会，第二卷。7声发射进展，日本无损检测，东京，第565-570页。[5]Grabec,I.Sachse,W.1991,“物理现象的自动建模：在超声波数据中的应用”,J.Appl.菲斯。69（9）,6233-6244.[6]Grabec,I.Sachse,W.1997,测量、预测和控制的协同学，Springer-Verlag,Berlin.[7]Kosel,T.Grabec,I.1998,离散和连续声发射源的智能定位器，载J.Grum编，工程中当代无损检测的应用，第5届斯洛文尼亚无损检测学会国际会议，斯洛文尼亚无损检测学会，斯洛文尼亚卢布尔雅那，第39-54页。[8]McIntire,P.Miller,R.K.编辑，1987,声发射检测，第1卷。《无损检测手册》2 edn,美国无损检测协会，费城，美国。[9]Specht,D.F.1991,一种通用回归神经网络，IEEE Trans.on neural Networks 2（6）,568-576。[10]Tobias,A.1976,三传感器阵列二维声发射源定位，无损检测9（2）,9-12。[11]Ziola,S.M.Gorman,M.R.1991,利用互相关在薄板中定位，J.Acoust。SOC.上午90(5)，2551-2556。