飞机主起落架疲劳试验中的声发射信号处理

王丙阳，耿荣生，周炳如，李众城

（1.北京航空制造工程研究所，北京 100024；2.北京航空工程技术研究中心，北京 100076）

声发射是指材料或构件在外加载荷的作用下，局部源瞬间释放出弹性波的现象。声发射技术因其动态性和预警性，在压力容器、桥梁、混凝土、航空等工业部门得到了广泛应用。由于声发射源的多样性、声发射声波传递函数的复杂性、声发射信号自身的瞬态性和不确定性，以及信号的微弱性和易受机电噪声干扰，声发射技术已经在很大程度演变成信号处理问题。在飞机声发射技术监测的信号处理中，耿荣生等利用趋势分析及多参数综合识别技术实现了飞机疲劳裂纹萌生及扩展的监测［1－3］；张凤林等建立了声发射数据处理的统计模型，提出了结构损伤判据等［4］。在利用声发射技术监测某型飞机主起落架疲劳试验过程中，笔者通过基于相关分析的趋势分析方法对声发射信号进行再处理，验证了趋势分析、幅值分析及空间滤波分析的结果，得到了主起落架某部位的健康状况；并通过Fisher线性判别方法，提出正常信号与故障信号的判断依据，在保障疲劳试验顺利进行的同时，也为后期的声发射信号处理提供了指导作用。

1 相关分析

相关系数是用以反映变量之间相关关系密切程度的统计指标。相关系数是按积差方法计算，以两变量与各自平均值的离差为基础，通过两个离差相乘来反映两变量之间相关程度。积差相关（Pearson相关）公式为：

式中X为系列X的平均数；Y为系列Y的平均数；－1≤r≤＋1。当r＞0时，表示两变量正相关；r＜0时，两变量为负相关；当｜r｜＝1时，表示两变量为完全线性相关；当r＝0时，表示两变量间无线性相关关系；当0＜｜r｜＜1时，表示两变量存在一定程度的线性相关，且｜r｜越接近1，表示两变量间线性关系越密切，反之，两变量的线性相关越弱。

某型飞机主起落架疲劳试验载荷的施加是一个多状态载荷周期性加载过程。按一定顺序，模拟包括着陆、着陆滑跑、刹车、转弯等11种状态对起落架加载，约每12min循环一次。

图1 完整周期内AE信号随时间累加图

主起落架疲劳试验载荷共有11种状态，根据受力方式不同（图2），可细分为4种，即发动机试车、起飞滑跑、牵引、刹车。各状态的受力方向为：发动机试车fdjsc为Py，Fx；起飞滑跑qfhp 为Py，Px，Fz；牵引qy 为Px；刹车sc为Py，Fx，Fz；着陆滑跑zlhp为Py，Px，Fz；转弯zw 为Py，Fx，Fz。

图2 主起落架受力图

在一个加载循环周期内，因载荷变化很大，因此声发射信号统计参数变化也很大。由于是周期加载，如果系统本身稳定，从统计意义上讲，声发射信号应当能基本重复“自己”。也就是说，只要系统（即起落架）稳定，无论是一个周期内的声发射信号，还是各不同加载状态的声发射信号，在相同载荷及受力方式作用下，其统计数据之间应具有很大的关联性。因此可通过提取4种状态载荷并加上转弯、着陆滑跑这两个大载荷，构建一个六维向量［fdjsc，qfhp，qy，sc，zlhp，zw］，计算出声发射信号间的相关系数分析信号。

疲劳损伤判别：六维向量既包含了如转弯、刹车等大载荷，也有发动机地面试车、牵引等小载荷。在基于趋势分析的基础上，假设没有疲劳损伤出现，即系统处于稳定状态，各状态下的参数统计数据变化不大，数据间具有很高的相似性；如果出现疲劳损伤，大载荷对疲劳损伤的作用明显，声发射统计数据大；小载荷作用小，声发射统计数据少，数据间的相关性比较差，并随着损伤的逐步加深，相关性越来越差。

2 Fisher线性判别

基于趋势分析的幅值滤波、空间滤波等方法能够判断某一区域内存在异常信号，但无法构建出异常信号与正常信号之间的判据，而一个好的判别模式能够很好地区分开噪声信号、故障信号及疲劳损伤信号。Fisher线性判别法［5－6］是一种简单的线性判别法，简单易实现，需要的计算量和存储量比较小，因而得到了广泛的应用。

Fisher判别式是找到一个权值向量w和分界阈值y0，将d维空间中的样本投影到一维的Y空间，即y＝wTx。设在d维空间中的两类样本X1和X2，样本数分别为N1和N2。Fisher准则函数，广义Rayleigh商的公式为：

式中Sb为类内散度矩阵；Sw为类间散度矩阵；mi是d维空间中样本Xi的均值向量；w就是所要求的投影方向上的权值向量。

根据类内紧致、类间离散的原则，式（2）中JF（w）应尽可能大，利用拉格朗日乘子算法求解最大值，得：

式中Sw为非奇异类内散度矩阵是Y维空间中样本yi的均值向量；y0为分界阈值点，第i个样本的投影点yi与y0比较即可得出其所属类别，此处yi＞y0则属于第X1类，否则属于第X2类。

采用3类样本判别问题时，可先区别开第1类，再对剩下2类分类，区分方式如上。

3 AE监测

某型飞机主起落架疲劳试验过程中，重点监测部位主要有2，3墙间的主起落架梁、主起落架梁底部的钛合金下壁板、主起落架上下枢轴、主起落架外筒焊缝等20个点。右侧主起落架梁传感器布置（左侧传感器

的布置与右侧相同）具体参见图3。

采用美国PAC公司生产的DISP系统监测，固定门槛值40～50dB（依干扰情况而定），前置放大增益为40dB，预触发时间为32μs，记录数据长度为1k，峰值定义时间（PDT）、波击定义时间（HDT）和波击闭锁时间（HLT）分别为500，1000和3000μs。传感器1，2，3和4号使用的是宽带传感器，具有波形采集功能，带通是100k～1MHz，采样频率5MHz；其他则是以参数为主的谐振式窄带传感器，带通是100～400kHz，采样频率1MHz［7］。声发射源的定位都采用线性定位方式。

图3 右侧主起落架梁及梁底部钛合金板处传感器示意图

4 信号分析

4.1 趋势分析

主起落架疲劳试验声发射技术监测过程中，在X＋642h时，发现3，4通道的声发射信号的波击数突然增大。对该区域内的声发射信号跟踪监测，趋势图见图4～7。

图7 异常区域内的事件数随时间变化图

图4～7中可看出，在X＋642～X＋669h内，3，4通道的声发射波击数开始增长，在X＋669h处达到第4个峰值，波击数相对增量明显大于30%；声发射信号幅值分布中＞60dB的数据越来越多，且相对集中在离3通道200～300mm的区域内。以上说明在距离3通道200～300mm的区域内形成了一个不稳定的高能局部声发射源［2－3，7］。然而声发射Hits的增长趋势呈阶梯状，每一次峰值过后有一个很宽的谷值，谷值过后又是峰值，循环3次。基于周期载荷加载的疲劳试验，疲劳损伤信号不应该出现波动如此大的声发射波击数趋势图。

4.2 相关分析

根据主起落架梁的受力方式及受力大小，提取X＋639～X＋696h内每一次周期加载内6种加载状态下的声发射波击数，组成六维矩阵。设定X＋639h声发射信号为基准信号，将X＋639～X＋696h内每一个声发射信号与它一一做相关分析，得到的相关系数变化趋势见图8。

图8 4通道相关系数随时间变化图

从图8中可看出，在X＋639～X＋696h内X＋643，X＋647，X＋652，X＋669h的声发射信号，同X＋639h的声发射信号相关性很差，X＋643，X＋647，X＋652，X＋669h的声发射信号同基准信号的相关系数分别为59.29%（图中A点）、64.37%（图中B 点）、83.22%（图中C点）、75.69%（图中D点）；而其他的声发射信号同基准信号的相关性很好，相关系数都大于90%，由此可见相关系数变化趋势是一个波动分布图。

据疲劳损伤判别，说明离3，4通道250～300mm区域内，并没有疲劳损伤存在。同时排除了疲劳试验过程中出现泄漏以及存在其他明显机电噪声的可能性。综合以上信息，判断导致信号异常的主要原因来自加载系统自身故障，导致该区域断断续续地受到冲击载荷的作用。

由于异常信号一直存在且如此高强度的载荷作用会对此区域造成一定的损伤，通知现场工作人员排查故障。经过排查，发现主起落架筒内渗油，内外筒间润滑效果不好。经过工作人员作业处理，声发射信号逐渐下降回到初始状态。

图9可看出，在X＋696h时，声发射信号统计数据从峰值B开始下降，到X＋686h时C处，恢复到了1000左右，之后一直在1000水平上下浮动，浮动幅度最大为10.6%。从图10可知道250～300mm区域内在X＋686h的C处，事件不再集中，不稳定高能局部源消失。

4.3 Fisher线性判别

相关分析证实了X＋643，X＋652，X＋647，X＋669h的声发射信号没有疲劳损伤信号特征，是故障信号，同时确认了其它的声发射信号属于正常信号。然而故障信号与正常信号之间有着怎样的判别模式，图4，5中X＋643～X＋647，X＋647～X＋652，X＋652～X＋669h间的声发射信号是否真的是正常信号，有待于进一步做信号处理及验证。

Fisher线性判别法能够很好地解决这两个问题。步骤如下：

首先，提取X＋639～X＋696h内每一个声发射信号的上升时间值、能量值、幅值、持续时间值、计数值等5个参量，组成一个五维矩阵。

其次，根据图4，5，8，9，10及相关分析确定，X＋643，X＋647，X＋652，X＋669h的声发射信号是故障信号，与X＋639～X＋642，X＋686～X＋696 h内的正常声发射信号不属同一类。

再次，X＋639～X＋642，X＋686～X＋696h内的20个声发射信号是正常信号，设定它们为N1类；X＋643，X＋647，X＋652，X＋669h等4个声发射信号是故障信号，设定它们为N2类。设定X＋643～X＋647，X＋647～X＋652，X＋652～X＋669h内的声发射信号为未知类信号，属Nx类。

最后，利用已知的声发射信号属别，用Fisher线性判别方法判断出这12个数据的类别，并得出故障与正常信号之间的临界函数。

经过式（2）～（6）计算得到：

由式（7）和（8）可知，故障信号与正常信号之间的临界函数为y0＝－5.7652，比较y0与yi（i＝1，2…12），得到12个Nx类信号分类结果见表1。

表1 12个Nx类信号的分类情况

从表1可知，位于X＋643～X＋647，X＋647～X＋653，X＋653～X＋669h之间的12个数据属N1类，都是正常信号。这从另一个角度验证了相关分析的正确性。

声发射信号处理中，Fisher线性判别方法可以将疲劳损伤信号同非疲劳损伤信号区分开，同时还可以作为趋势分析及相关分析方法的一个验证方法。由于Fisher判别方法采用的是多参数综合处理方法，比普通的参数验证［2－3］方法有效得多，具有一定的实际应用价值。

5 结论

通过以上分析，可以得出以下结论：

（1）运用基于相关分析的趋势分析方法可以有效地鉴别故障信号与正常信号、故障信号与疲劳信号。

（2）运用Fisher线性判别法可以构建疲劳损伤信号同非疲劳损伤信号的判别依据，更有效、方便地找到裂纹萌生时的声发射信号特征信息。

（3）Fisher线性方法具有局限性，对于线性不可分的信号，效果不明显。后期信号处理过程中需着重研究Fisher非线性判别方法［8］。

［1］耿荣生，景鹏，雷洪，等.飞机主梁疲劳裂纹萌生声发射信号的识别方法［J］.航空学报，1996，17（3）：368－372.

［2］刘文斌，耿荣生，任吉林.某型飞机疲劳试验过程中关键结构的 AE监测［J］.无损检测，2009，31（10）：777－780.

［3］冯剑飞，邬冠华，耿荣生，等.某型飞机飞行载荷疲劳试验过程中的声发射监测［J］.无损检测，2008，30（8）：526－529.

［4］张凤林，韩维.机体结构AE信号的统计分析研究［J］.航空学报，2001，22（5）：203－206.

［5］边肈祺，张学工.模式识别［M］.北京：清华大学出版社，2000.

［6］贾宗艳，田立军.Fisher线性判别法在干酪分类鉴别中的应用［J］.食品科学，2008，29（06）：41－44.

［7］王丙阳，耿荣生，邬冠华.声发射技术在飞机主起落架疲劳试验中的应用［J］.无损检测，2011，33（4）：22－25.

［8］成新民，蒋云良，胡文军，等.基于核的Fisher非线性最佳鉴别分析在人脸识别中的应用［J］.中国图像图形学报，2007，12（8）：1395－1399.