基于FFT和小波变换的焊缝缺陷AE信号识别

基于FFT和小波变换的焊缝缺陷AE信号识别
摘要：针对焊缝缺陷对风电塔筒运行过程中的危害问题，本文以预制有内部缺陷的塔筒原材料（Q345E钢）焊缝为研究对象，对引起塔筒结构损伤的不同类型焊缝缺陷声发射（Acoustic Emission）信号进行了快速傅里叶变换（FFT）和小波变换分析，探讨焊缝内部裂纹、气孔和夹渣与AE信号之间的相互关系。

研究结果表明，不同焊缝缺陷AE信号的差异，除表现在AE信号的不同特征参数外，还表现在频率和相同频率段内的能量所占比例的不同；通过对缺陷原始特征信号的降噪和重构，可有效提高缺陷信号的信噪比，使焊缝缺陷AE信号的特征反映更加真实。

关键词：风电塔筒，声发射检测，小波分析，FFT分析
Acoustic emission signal identification of weld defects based on Wavelet and FFT transform
CHANGHAI WUJINGJING
CRRC YANGTZE CO.,LTD,Rail Transit Freight Equipment Engineering ,HuBei WuHan 430212,P. R. China)
Abstract: For weld defect of wind tower turbine damage problem in the process of operation, the weld of raw materials(Q345 steel) with internal defects is studied in this paper. Fast Fourier transform(FFT) were used to analyze the different types of weld defect acoustic emission signals which caused the damage of tower turbine structure. The relationship between AE signal and crack, pore and slag inclusion in weld is discussed.The results show that the difference of AE signal in different weld defects is not only in the different characteristic parameters of AE signal, but also in the frequency and the proportion of energy in the same frequency segment. By denoising and reconstructing the original characteristic signal of the defect, the signal-to-noise ratio of the defect signal can be improved effectively, and the characteristic of AE signal of the weld defect can be reflected more truthfully.
Key words: wind power tower turbine, AE detection, wavelet analysis, FFT analysis Chinese drawing Classification number: TP2740.21
document Identification Code: A
National Standard subject Classification Code: 620.5040
随着全球环境的日益恶化和不可再生能源的枯竭，绿色、无污染的新能源开发已成为全球广泛关注的问题。

风能作为一种可再生的清洁无污染能源，被世界各国广泛关注和大力投资[1]。

在风电产业快速发展的同时，风电塔筒的倒塌事故却屡屡发生，给企业造成了巨大的经济损失，因此风电塔筒的健康监测技术显得越来越重要[2]。

虽然制造塔筒所需的焊接技术已经非常成熟，但是在实际的制造生产过程中，可能会因为某些不确定因素造成焊缝不同类型缺陷的产生。

并且风电机组运行的外部环境较为恶劣，塔筒作为风机的主要支撑部件，长期承受着风载荷、塔筒自重、机舱和叶片的重力以及高空叶片旋转所产生的周期性激励，在多种载荷的共同作用下，塔筒很容易因为焊缝缺陷而导致其结构的失效[3]，引发筒体倒塌事故的发生。

针对风电塔筒体积庞大，焊缝数目较多，传统的无损检测（NDT）方法存在检测效率低，工作量大，成本高等缺点，难以实现塔筒的全面监测。

由于AE检测技术可以实现动态监测，且对动态缺陷敏感，能够实时捕捉到不同类型缺陷的信息，可有效的对塔筒构件的缺陷类型进行辨别，评价缺陷对塔筒的实际危害程
度，为塔筒的修补提供了理论依据。

塔筒工作环境恶劣，利用AE仪检测记录的
AE信号含有大量的噪声，为了能有效的提高AE信号的信噪比，本课题首先对原
始的AE特征信号进行了小波降噪处理，并对降噪后的AE信号进行了参数分析、FFT分析和小波分析。

依据缺陷特有的频率分布及各频率段的占比和小波系数，
可以辨识出引起塔筒结构损伤的缺陷类型，避免风电事故的发生[4]。

1 实验材料与方法
本次试验为得到焊缝不同类型缺陷的特征AE信号参数，通过对风电塔筒常
用材料Q345E钢，在焊接过程中加入直径为Φ3的HS227焊丝和采用特殊方法，
预制出了焊缝不同类型缺陷（裂纹、气孔），并采用X射线胶片照相检测方法对
焊缝缺陷的类型进行了检测，如图1所示：
(a)裂纹（b）气孔
图1 不同类型的焊缝缺陷
试验采用SAEU2S声发射数据采集系统，对三点弯曲试验的全过程进行监测，完成不同类型缺陷AE信号的采集。

试验的全过程在万能试验机上完成，每种缺
陷类型各有20组标准弯曲试样，弯曲标准试块的几何尺寸为
200mm×30mm×16mm，表面粗糙度R＜3.2um，万能试验机加载速率为5mm/min。

声发射检测系统硬件参数设置如表1所示。

表1 AE信号采集系统参数设置
2 实验结果与分析
2.1 焊缝不同缺陷AE信号的频谱及功率谱分析
预制有不同类型缺陷的标准试件在三点弯曲过程中产生的特征AE信号的频
谱和功率谱如图2所示。

根据焊缝不同缺陷特征AE信号的频谱和功率
谱可以看出，裂纹所产生的特征AE信号频率主要分布在25kHz~400kHz，峰值频
率为85kHz，其频谱图及功率谱图如图2（a）所示；气孔所产生的特征AE信号
频率主要分布在50kHz~350kHz，峰值频率为185kHz，其频谱图及功率谱图如图2（b）所示；虽然焊缝不同类型缺陷的特征AE信号频率分布区间存在一定的重叠
和相似性，但是不同缺陷所表现出的峰值频率却存在一定的差异性，利用不同类
型缺陷在弯曲过程中的峰值频率特性，可对引起在役风电塔筒结构损伤的缺陷类
型进行初步的定性。

（a）裂纹（b）气孔
图2 不同缺陷在弯曲过程中AE信号频谱图
结合图2（a）和（b）可以得出，AE信号的幅值和功率谱密度成正比，随着幅值的增大和减小，功率谱密度也随之增大和减小；裂纹产生的特征AE信号的幅值和功率谱密度较气孔产生的特征AE信号的幅值和功率谱密度大很多，说明在相同的加载方式和受力状态下，裂纹处存在的应力较为集中，它是引起塔筒损伤的主要诱因。

依据不同缺陷所产生的特征AE信号幅值和功率谱密度之间存在特殊性，并结合其频率分布区间的不同与峰值的差异性，可以作为区分不同类型缺陷的依据。

2.2 焊缝不同缺陷AE信号的小波分析
小波分析具有多分辨率分析能力，较好的信号局部表征能力和较强的瞬态信号探测能力等，被广泛应用于工程检测过程中的信号时频分析领域[8]。

本研究选取db4的小波基函数，对引起塔筒结构损伤的焊缝缺陷特征AE信号进行4层小波分解，
通过将Matlab数据处理和小波分析相结合的方法，对不同类型缺陷分布在各频段内的能量比例进行了提取，缺陷特征AE信号分布在各频率段内能量比例见表2，形成的柱状图如图3所示。

从表2和图3可以明显看出不同缺陷的特征AE信号分布在各个频率段内的能量比例情况，其中裂纹特征AE信号的能量在d3，d4两个频率段内分布
较为集中，d3频率段能量所占比例最大，达到了 41.85%，其所对应的频率范围在125kHz~250kHz之间；气孔特征AE信号的能量在d3，d4两个频率段
内分布较为集中，而d4频率段能量所占比例最大，达到了46.42%，其所对应的频率范围在62.5kHz~125kHz之间；由上述特性可以发现，不同缺陷AE信号在相同的频率段内的能量所占比例存在差异，并且各自最大能量比例所对应的频率范围区间不同，该频率范围包含于快速傅里叶变换分析所得到的频率范围内，但其频率分布区间有所缩减，降低了不同缺陷特有频率分布范围的重叠，且与小波分析所得结果一致。

综上所述，通过对焊缝不同缺陷特征声发射信号进行小波变换分析，依据不同类型缺陷特有频率在各频率段内小波系数幅值的不同及能量比例系数占比的差异，可以实现焊缝缺陷类型的识别，并对其进行简单定性。

表2 不同缺陷AE信号各层能量百分比
（a）裂纹（b）气孔
图5 不同缺陷AE信号的能量系数
3 结论
本文通过对塔筒原材料（Q345E）焊接标准试块进行三点弯曲试验，利用小波分析法对不同类型缺陷的AE原始信号进行了降噪处理，并对降噪后的信号进行了参数分析、FFT分析、小波分析；采用小波分析法对不同类型缺陷AE信号在相同频率段内所占的能量比例系数进行了提取，得出以下结论：
（1）依据弯曲过程中AE信号的突变状况，可将塔筒焊缝损伤过程中的突发型AE信号分为：原始缺陷自身产生的AE信号，原始缺陷基础上产生新生裂纹发出的AE信号，新生裂纹稳定扩展和失稳扩展阶段产生的AE信号，试件断裂产生的AE信号。

（2）缺陷AE 信号的幅度和功率谱密度成正比关系，且裂纹缺陷AE信号的幅度是气孔缺陷AE信号幅度的100倍左右，而功率谱密度是气孔缺陷AE信号功率谱密度的8000倍左右，故在裂纹是引起塔筒损伤的主要原因。

（3）可依据不同类型缺陷特有频率分布区间的不同及对应峰值的差异，以及各频率段内小波系数幅值的不同及能量比例系数占比的差异，实现焊缝缺陷类型的识别，对缺陷类型进行准确定性。

参考文献：
[1] 邢帅恒, 周里群, 李玉平. 大型风力机复合材料叶片结构动力特点分析[J]. 机械强度, 2014, 36(1): 105-109
[2] 张鹏林,桑远,赵志强等.声发射技术在Q345E钢拉伸损伤破坏中的应用研究[J].甘科学学报,2015,27(2):83-87,133
[3] 单蕾. 风力机塔架结构选型与受力性能研究[D]. 哈尔滨:哈尔滨工业
大学, 2009: 12-15
[4] 耿荣生,沈功田,刘时风.声发射信号处理和分析技术[J].无损检测,2002,24(1):23-28
[5] Bibhisha Uprety.Acoustic emission-based sensor analysis and damage classification for structural health monitoring of composite structures[D].United States:The University of Utah ,2015:10-33。