图 1 试验过程中的典型声发射信号波形
编辑：无损检测证书挂靠网 时间：2024-11-29 09:06:24
作者简介:
王煜鑫（1990—）,男,本科,主要研究方向为智能算法、无损检测技术
陶瓷基复合材料（Ceramic Matrix Composite,CMC）继承了陶瓷材料耐高温、抗腐蚀等优点,克服了陶瓷材料的脆性,相较于高温合金材料,其密度更低、高温持久强度更优、可设计性更强,是最具潜力的热结构材料之一,在航空航天等领域有重要应用[1-2]。同时,陶瓷基复合材料具有摩擦性能优异、吸热能力强、方便维修等优点,从而不断取代金属基制动材料,成为高速列车、大型汽车制动的首选材料[3]。但是,陶瓷基复合材料与金属材料不同,没有较为明显的塑性变形阶段,在服役过程中承载能力的下降不易预测,极易造成严重的安全隐患[4]。
材料在损伤过程中存在应变能释放产生瞬态弹性波的现象,又称声发射（Acoustic Emission,AE）[5-6],其与材料的损伤过程密切相关,能获得相对宏观的材料失效信息。AE技术作为一种可以实时监测材料状态的无损检测技术,能够直接反映材料内部的损伤缺陷和裂纹扩展[7-8]。同时,材料内部的损伤与其剩余承载能力之间存在本质关系[9]。因此,有效监测并利用材料损伤过程中的AE信号,是实现材料剩余承载能力预测的一种有效途径。
针对陶瓷基复合材料损伤声发射信号分析,常岩军等[10]通过声发射信号的能量与幅值识别了3D-C/SiC材料在拉伸载荷作用下的微观损伤模式。童小燕等[11]通过K均值聚类方法对C/SiC材料拉伸过程中的声发射信号进行聚类分析,并基于无监督聚类结果分析了材料微观损伤的演化过程。张勇祯等[4]采用基于改进遗传算法的无监督聚类模式识别方法,研究了基于声发射信号的C/SiC拉伸损伤演化过程,分析了损伤发展历程。LYU等[12]通过模糊聚类的分析方法,研究了CMC材料应力氧化寿命与材料损伤机制间的关系。刘武刚等[13]结合AE与计算机断层扫描技术,研究了不同工艺陶瓷基复合材料拉伸载荷下的损伤信号特征。以上研究表明AE信号在CMC材料损伤状态识别方面有明显的优势。但尚未开展基于AE信号的CMC材料剩余强度预测。
无损检测证书挂靠网看文章针对C/SiC陶瓷基复合材料进行拉伸和压缩试验,通过声发射信号采集设备记录材料加载过程中的声发射信号,再基于声发射信号关键特征构建材料剩余强度预测数据集；然后采用极端梯度提升回归、自适应提升回归等先进机器学习方法,构建陶瓷基复合材料剩余强度预测模型,并结合SHAP系数开展模型的可解释性研究,分析声发射数据特征对模型性能的贡献,实现基于声发射信号的材料剩余强度有效预测。
试验材料为先驱体浸渍-裂解工艺（PIP）C/SiC复合材料板,材料中纤维的质量占比约为40%,孔隙率约为15%,材料密度为2.4~2.6 g/cm3。试件形状为直条形,长度、宽度、厚度分别为160,18,4 mm。
材料的力学试验包括拉伸试验和压缩试验,为有效接收试件加载过程中的AE信号,AE传感器紧贴试件中心位置,同时AE传感器与试件间涂抹耦合剂,并用电工胶带固定。试验在室温环境下进行,通过位移控制的方式进行加载,加载速率为0.5 mm/min。
在试验过程中,使用美国物理声学公司的PCI-II 型AE监测系统进行实时在线监测。AE探头为WD传感器,前置放大增益为40 dB,信号门槛值为40 dB,信号采样率为 2 MSPS,带通滤波为20 kHz~1 MHz。
AE特征参数分析是AE信号分析的重要手段,其中主要的特征参数有计数（Counts）,绝对能量（Absolute Energy）,能量（Energy）,上升时间（Rise Time）、持续时间（Duration）,幅值（Amplitude）,峰值频率（Peak Frequency）等。试验过程中收集的典型突发型AE信号如图1所示。试件加载过程中AE计数的时间历程图如图2所示,可以看出加载前期AE信号较少,随着加载的进行,AE信号逐步增多且计数逐步增加。C/SiC加载过程中AE信号绝对能量和峰值频率的分布情况如图3所示,可以看出较多AE信号的峰值频率分布在0~50 kHz,该频率区间的AE信号包括了绝对能量从高到低的不同信号,50 kHz以上的AE信号绝对能量都较大。
材料在加载过程中产生的AE信号由AE系统记录。AE部分参数特征的时间历程可以反映材料损伤的演变。在材料加载试验中,从加载开始到材料加载应力预测的当前阶段,AE信号伴随着加载的进行持续产生。因此,在材料剩余强度预测方面,当前AE信号和前期加载产生的AE历史信号都包含着预测所需的有效信息。AE参数特征中,计数、持续时间、绝对能量、峰值频率等参数特征能够反映对应损伤的物理信息,累积绝对能量又可代表材料损伤发展的累积效应,反映材料损伤发展历程。因此,文章选择AE信号的计数、绝对能量、持续时间、峰值频率及累积绝对能量作为构成材料剩余强度预测数据集合的一部分。进一步地,材料的承载方式不同,其剩余载荷状态也不一致,所以,将材料的拉伸状态和压缩状态通过加载模式数据列加入数据集合,0表示压缩加载,1表示拉伸加载。
在确定以上数据项后,引入预警函数（Sentry Function）作为预测模型的数据特征之一。预警函数F(x)为
式中：ES（x）为存储的应变能；EAE为累积的AE信号能量；x为函数自变量,通常为位移或应变。文中加载试验是在位移控制模式下进行的,因此,x代表位移。
预警函数将材料加载过程中的AE信息与力学载荷信息结合起来,能够为预测模型提供更丰富的信息,试件拉伸试验过程中的预警函数值如图4所示,可以看出,在加载前期,预警函数值有较短暂的上升趋势,随后开始逐步下降。
在构建数据集合后,为了将数据集特征缩放相同尺度,以提升后续机器学习模型预测能力,文章选择数据标准化方法为
式中：
（1）机器学习模型选择
为了实现有效的数据驱动建模,文章选择4种不同类型的机器学习算法构建陶瓷基复合材料剩余强度预测模型。4种模型分别为：① 自适应提升回归（Adaptive Boost Regressor,AdaBoost）,该模型根据低级模型的错误率调整训练示例的权重,以提高整个模型的准确性[14],其比其他算法更不容易过拟合,但是,对噪声数据和异常值敏感；② 极端梯度提升回归（Extreme Gradient Boosting Regressor,XGBoost）[15],是一种高效的梯度提升决策树算法,其核心是采用Boosting的整合思想,通过一定的方法将多个弱学习者整合成一个强学习者；③ K邻近回归（KNeighbors Regressor,KNR）,是一种非参数方法,能直观地通过对同一邻域内的观测值进行平均来近似表达自变量与连续结果之间的关联；④ 线性回归（Linear Regression,LR）,可用于预测连续的数值变量,其主要优点是线性回归模型系数具有明确的物理意义,可以解释自变量对因变量的影响,但处理非线性关系时效果不佳。
（2）模型评价准则
用于衡量模型有效性和进行比较的性能指标是平均绝对误差（Mean Absolute Error,MAE）,平均相对误差（Mean Relative Error,MRE）和均方误差（Mean Square Error,MSE）。
平均绝对误差由式（3）定义为
式中：yi为实际值；
（3）基于夏普系数的模型可解释性分析
夏普系数（Shapley Additive Explanation,SHAP）的目标是通过计算每个特征对预测的贡献来解释实例的预测。SHAP解释方法根据博弈论计算夏普值（Shapley Value）[16],被表示为一种加性特征归因方法,其核心是计算特征对模型输出的边际贡献。
通过陶瓷基复合材料C/SiC的加载试验,文章收集了有效的声发射信号,然后,对用于预测的声发射信号数据集进行了设计,形成了包含计数、绝对能量、持续时间、峰值频率、累积绝对能量、预警函数值及对应材料剩余强度的数据集合。材料剩余强度为数据标签,是预测模型的预测目标,其他数据列为数据特征列。文章共收集了75 131个数据点,其中70 581条声发射数据作为模型的训练及测试集,训练、测试集的比例为8∶2；其余4 550条数据作为新试件的声发射数据,验证模型的泛化性能。
采用不包括预警函数值的数据集合进行模型训练,对比基于不同机器学习算法构建的剩余强度模型性能,结果如表1所示。由表1可以看出,基于XGBoost的模型在3个数据集上的模型性能指标均优于其他3种算法,其在测试集和新试件测试集上的预测结果如图5所示（特征不包括预警函数）。由表1和图5可以看出,在两个测试集上模型预测结果的平均绝对误差分别为2.25 MPa和7.75 MPa。
| 学习算法 | 训练集（56 464） | 测试集（14 117） | 新试件数据（4 550） | ||||||
|---|---|---|---|---|---|---|---|---|---|
| MSE | MRE/% | MAE/Mpa | MSE | MRE/% | MAE/Mpa | MSE | MRE | MAE/Mpa | |
| XGBoost | 12.023 | 13.9 | 1.892 7 | 18.704 7 | 21.64 | 2.254 6 | 88.050 2 | 181.49 | 7.7463 |
| KNN | 124.596 4 | 43.4 | 7.8 | 197.928 | 69.35 | 9.957 5 | 185.853 1 | 374.66 | 11.606 5 |
| AdaBoost | 202.201 | 195.16 | 12.181 | 203.111 5 | 230.15 | 12.269 7 | 119.971 1 | 439.11 | 9.211 7 |
| LR | 494.090 9 | 231.84 | 17.283 | 504.472 9 | 233.43 | 17.494 7 | 284.287 4 | 584.41 | 14.527 |
为提升基于XGBoost的剩余强度预测模型性能,在数据特征中加入预警函数值,其测试结果如表2所示。
| 学习算法 | 训练集（56 464） | 测试集（14 117） | 新试件测试集（4 550） | ||||||
|---|---|---|---|---|---|---|---|---|---|
| MSE | MRE/% | MAE/Mpa | MSE | MRE/% | MAE/Mpa | MSE | MRE/% | MAE/Mpa | |
| XGBoost | 0.27 | 4.34 | 0.34 | 0.52 | 8.63 | 0.40 | 34.97 | 50.70 | 4.61 |
数据特征中加入预警函数后,训练获得的基于XGBoost算法的新剩余强度预测模型在测试集和新试件测试集上的预测结果如图6所示（特征包括预警函数）。进一步地,为分析构建数据特征对整个剩余强度模型的贡献,计算模型可解释性分析的SHAP值,结果如图7所示。由图7可以看出模型中累积绝对能量、加载模型和预警函数值对模型的贡献最大,之后是其他特征。同时,结合图6,对比表1和表2发现,预警函数的加入,使得剩余强度预测模型在训练集、测试集和新试件测试集上的平均绝对误差分别下降至0.34,0.40,4.61 MPa,模型性能在均方误差和平均相对误差上的表现也大幅提升,表明预测函数的加入对模型的性能提升有较大作用。
剩余强度预测模型在新试件拉伸加载过程中的预测结果如图8所示,其是图6（b）的时序化展示,该新试件材料为PIP工艺C/SiC,试件拉伸强度为68 MPa。可以看出预测模型的预测趋势与加载过程中的剩余强度降低趋势几乎一致。在加载前期,由于收集到的AE信号较少,模型预测平均绝对误差较大,但是随着加载的进行,AE信号逐步丰富,预测的平均绝对误差开始减小,尤其是加载进入后期,剩余强度为拉伸强度10%以内时,基于当前模型的剩余强度预测平均绝对误差仅为0.698 MPa,表明文章建立的基于AE信号的预测模型能够较好地实现剩余强度预测,防止材料在加载过程中灾难性失效。
（1）采用声发射信号数据特征（计数、绝对能量、持续时间、峰值频率、累积绝对能量）结合力学载荷与声发射信息的预警函数、材料加载模式等数据列构成的数据特征集合,结合XGBoost算法,能够较为有效地实现陶瓷基复合材料剩余强度预测。
（2）基于SHAP值的模型可解释分析表明,累积绝对能量、加载模式和预警函数对材料剩余强度预测模型的贡献度高,通过在基于声发射的剩余强度预测模型数据特征中引入结合材料加载过程中AE信息与力学载荷信息的预警函数,能够有效提升剩余强度预测在平均绝对误差、均方根误差及平均相对误差方面的性能表现。
