基于声发射和神经网络的木材受力损伤过程检测

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于声发射和神经网络的木材受力损伤过程检测范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

【摘 要】在目前的林业生产技术检测工作中，基于声发射和神经网络技术为主的木材检验方法采用越来越广泛，已成为各种木材检验工作中最为常见的一种，尤其是在木材受力损伤检测工作中，应用更为普遍。本文主要针对受理木材的声发射信号进行检测和研究，实现了木材损伤过程的全面、深入检测。在研究的过程中所采用的序列号是一种以神经网络模型作为主要基础，对声发射信号的积累以及时间序列号的累积进行仿真检测的。截至目前，就众多的检测结果表明：利用声发射和神经网络技术为主的木材检验误差率仅为5.6%，而采用误差较大的样本进行检测的时候，其局部误差极大的提升，甚至高达10%，因此就需要在工作中对局部检测技术进行合理分析和归纳，从而实现综合、系统的检测标准。

【关键词】木材检验；声发射；受力损伤；神经网络

自上个世纪中期以来，德国人首先在林业检测中开始利用声发射和神经网络技术进行材料性能的研究和检测，由于在工作中声发射现象和神经网络技术对于各种木材缺陷的形成有着极强的敏感性，因此其具备着极高的动态检测优势和评估材料使用性能的作用。在社会发展中，国内外学者对于木材检测工作的研究越来越深入，也逐步形成了一套综合、系统、深入的研究流程，这也是目前林业生产工作中，业内工作人员研究的核心话题。

1.声发射和神经网络技术分析

在目前的木材检验工作中，利用神经网络建模方式对声发射累积下的各种能量参数以及所能够承受的时间序列进行了合理的预测，研究了其中木材检验工作在受力状态下所发生的种种情况，然后利用人工神经网络对声发射信号、时间序列参数进行深入的总结和归纳，从而针对材料内部的状态进行了实时检测，使得木材受力破坏现象能够提前得到遏制。

1.1声发射分析

所谓的声发射可以定义为物体或者材料在发生变化的时候，内部迅速释放能量而产生的瞬态弹性波动，这种弹性波动的存在是一种极为突出的物理现象，而声发射信号则表示是一个或者多个声发射模式，并且进过传感器验收并接受神经系统处理而形成的某种特定的形式以及电信号。一般来说，材料在受力作用下极容易产生破坏，而在这个时候所产生的声发射现象也极为突出，有着频率范围广、从次声频、声频乃至超声频都能够出现。通常，我们在工作中所常说的声发射信号主要是集中在材料内部所产生的种种问题和现象，这些现象的存在一方面会随着时间的推移和变化而不断的变动，另外也会受到外界因素的干扰而发生一定的变动，如内部裂缝的出现时间、位置、变化趋势等严重扰动会引起声频发生错误的评估问题，进而造成评估损坏的影响。

1.2神经网络

神经网络技术也被普遍的称之为人工圣经网络，是一种模仿动物的神经网络系统为主的一种检测手段和数学模型方法。这种网络系统和技术的生产与应用都是以算法数学为主，以计算机、信息技术为平台进行内部节点之间联系互换，从而达到各种信息的处理要求。一般来说，神经网络系统的应用主要是采用逻辑推理为主要的手段，利用各种技术手段将所收集到的参数转变成为信息化符号，并针对这些符号存在的机理来进行逻辑推算，最终形成一串可以编写的指令。

2.声发射和神经网络技术在木材受力损伤检测中的应用

时至今日，在社会发展中人们对于声发射和神经网络技术的研究越来越深入，各种新技术、新方法也不断的涌现了出来。在声发射和神经网络技术的应用中，主要的环节有以下几个方面：

2.1发射信号的采集

AE又称应力波发射，是材料内部局部区域在外部因素（如受力、温度等）改变时，产生变形、断裂时内部应力超过屈服极限而进入不可逆的塑性变形，以瞬态弹性波形式释放应变能的现象。AE信号的强度一般都比较弱。频率范围也是远大于声波的超声波，人耳不能直接听见，需要借助于包括灵敏的传感器在内的声发射检测系统才能检测出来。声发射检测系统主要由接受AE信号的传感器、前置放大器、数据采集卡和工程计算机等组成。

2.2经网络模型模拟仿真时间序列

人工神经网络是一个具有高度非线性时间动力系统，较其他预测方法而言，神经网络能从数据样本中自动地学习以前的经验而无需繁复的查询和表述过程，并自动地逼近那些最佳刻画了样本数据规律的函数，而不论这些函数具有怎样的形式，且所考虑的系统表现的函数形式越复杂，非线性程度越高.神经网络这种特性的作用就越明显。

2.2.1针对声发射信号累积能最随时间变化的序列进行神

经网络模型仿真预测，构建输入层节点为5，输出层节点为l，隐含层节点为5的神经网络，利用累积能茸时间序列的前5个值，预测下一个累积能量值，实现神经网络的1步预测。设置日标误差为0.1，利用200个样本对构建的神经网络进行学习训练，网络的实际输出与理想的目标输出仿真回归的相关系数R为0.994。利用44个验证样本对训练好的网络模型的推广性能验证，发现模型对44个样本预测准确性很高。

2.2.2载荷序列仿真分析

针对声发射信号载荷随时间变化的序列进行神经网络预测，构建输入层节点为6，输出层节点为l，隐含层节点为5的神经网络，利用载荷时间序列的前6个值，预测下一个载荷值，实现神经网络的1步预测。设置目标误差为0.1，利用1000个样本对构建的神经网络进行学习训练，网络的实际输出与理想的目标输出仿真回归的相关系数R为0.98。53个没有经过训练的样本对训练网络的推广性能验证情况如图所示。从图中可以发现，训练好的网络模型的推广性能很好，对53个验证样本的仿真预测中，模型的实际输出和目标输出值之间的误差较小，能很好地吻合。

2.2.3为了验证

模型的正确性，采集红松试件加载三点弯曲过程的声发射信号，分别利用声发射累积能量和载荷对结构为5×5×l的网络和6×5×l的网络模型进行训练，然后验证模型预测的正确性。累积能量预测模型实际输出和目标输误差；从图中可以看出，模型仿真预测的最大误差不超过0.1%，最大为0.056%。载荷预测模型实际输出和目标输出误差如图所示；从图中可以看出，利用97个样本验证网络模型.载荷模型仿真预测的最大误差不超过4%，模型对其中4个样本的预测误差较大分别为3.7l%、3.73%、3.22%和1.86%。

3.结束语

总之，利用神经网络建模对材料载倚时间序列进行分析，所构建的神经网络对验证样的预测可知.网络输出与目标输出的误差很小，最大误差不到0.1%。所构建的网络模型能根据载荷序列前面的数值准确的预测木材承受的载荷。

【参考文献】

[1]钱华明，王雯升.遗传小波神经网络及在电机故障诊断中的应用[J].电子测量与仪器学报，2009，23（3）：81-86.

[2]殷冬萌.木塑复合材料缺陷及损伤的声发射信号特征分析及神经网络模式识别[D].南京：南京林业大学，2007.

[3]邵卓平，陈品，查朝生，等.木材损伤断裂过程的声发射特性与Felicity效应[J].林业科学，2009，45（2）：86-91.

[4]赵东，朱红娟.木材缺陷声发射信号的小波包分析处理[J].计算机工程与应用，2010（11）.