[发明专利]基于声发射信号的金刚石压机顶锤裂纹在线检测方法

说明书

本发明提出一种新的金刚石压机顶锤裂纹在线检测新方法。利用回溯搜索优化算法(BSA)方法对支持向量机模型参数进行优化选择，避免了参数选择的盲目性；K‑SPWVD方法的应用，既利用模板匹配方法和K‑S检验，避免对每个待检测信号均进行复杂的时频分析，提高了算法的效率，又充分利用了平滑伪维格纳‑威利分布良好的时频分析性能。该方法准确性高，运算速度快，有利于金刚石压机顶锤裂纹的在线检测。

技术领域

本发明涉及硬质合金缺陷检测领域，具体涉及一种基于声发射信号的金刚石压机顶锤裂纹在线检测方法。

背景技术

人造金刚石硬度高、耐磨性好，可广泛用于切削、磨削、钻探等机械加工行业和半导体等电子工业。我国人造金刚石产量居世界第一位，主要应用六面顶压机进行生产制作。金刚石压机顶锤是由硬质合金材料合成，属于脆性材料，在高温高压环境下，易产生裂纹。如果不及时检测出裂纹，往往造成塌锤事故，给企业带来巨大的经济损失。

传统的金刚石压机顶锤裂纹检测方法主要有两种，一种是人工利用锯条在锤面划过，通过检修师的感官经验判断是否出现裂纹。这种方法要求停机拆卸，不仅效率低，而且对人工的经验依赖性强；另一种方法是检测金刚石压机顶锤工作状况下的电阻率，往往容易受到恶劣 工作环境的影响，电阻率测量误差大，裂纹检测准确率低。

为了对本专利申请的技术背景做更深入的了解，发明人对关于声发射信号对物体细微缺陷检测的专利情况进行了检索。

在中国专利中有申请号为201010259859.6，名称为一种金属拉深件微小裂纹冲击性信号的识别方法的发明专利，该方法先采用声发射传感器对金属拉深件微小裂纹声发射冲击性信号进行采集，对采集的信号进行预处理，将预处理的信号输入计算机中，再进行小波包分析，对小波包分解后的不同频段的数据进行重构，采用时间序列的方法对去噪后的声发射信号进行时序分析，建立时序模型，最后在计算机中结合模糊综合评判方法与最大隶属度原则实现对金属拉深件的状态辨别。

另外中国专利中还有申请号为201510271094.0，名称为一种使用声发射信号能量特征值预测脆性材料临界失稳的方法，其步骤为：①在待监测脆性材料上安装声发射传感器，采集声发射信号；②根据声发射信号的波形特征选取小波基；③对声发射信号进行1级小波包分解，分解成低频段信号和高频段信号；④分别计算低频段信号和高频段信号的能量特征值P1 和P2；⑤分别绘制低频段信号的能量特征值P1和高频段信号的能量特征值P2的统计图；⑥根据P1和P2的变化状态判断待监测脆性材料是否处于临界失稳状态。

上述两个专利中对获取到的信号数据的处理过程并没有建立智能识别的模式，没有自我学习的能力，其适用范围有限，对于金刚石压机顶锤来说，其在线检测过程中数据量大，上述两种专利方法，在数据量大的情况下其反应速度必然有局限性，不能够及时判断危险情况，难以直接借鉴使用。

发明内容

为了解决上述技术问题，本发明提供了一种基于声发射信号的金刚石压机顶锤裂纹检测方法。

为达到发明目的，本发明的技术方案是：

一种基于声发射信号的金刚石压机顶锤裂纹在线检测方法，其特征在于，综合利用 BSA-SVM智能检测方法和K-SPWVD时频信号分析方法进行顶锤裂纹检测，具体步骤如下：

第一部分检测依据的建立

步骤1：在已知是否有裂纹的顶锤上安装声发射传感器，首先对已知是否有裂纹的顶锤进行声发射信号采集，通过电路对传感器采集的信号进行预处理，将预处理后的信号输入计算机；在计算机中对顶锤正常状态下的声发射信号和裂纹状态下的声发射信号进行收集；

步骤2：计算机对上述顶锤正常状态下的声发射信号和裂纹状态下的声发射信号，利用回溯搜索优化算法(BSA)对支持向量机模型(SVM)进行参数的优化和训练，得到金刚石压机顶锤裂纹智能检测模型，该模型名词定为：基于回溯搜索优化算法的支持向量机模型(BSA-SVM)；