UHMWPE/LDPE层合板损伤声发射信号聚类分析研究

王 旭，杜增锋，倪庆清，刘新华



UHMWPE/LDPE层合板损伤声发射信号聚类分析研究

王 旭1，杜增锋1，倪庆清2，刘新华1

（1. 安徽工程大学 纺织行业科技公共服务平台，安徽 芜湖 241000；2. 日本信州大学 纤维学部机能机械学科，日本 长野 386-8567）

为揭示UHMWPE/LDPE层合板损伤机理，运用声发射技术对源于基体损伤、纤维断裂、纤维/基体界面损伤的声发射信号进行聚类分析。以距离为相似性测度，按分层聚类方法提取幅度、持续时间和峰值频率为模式特征，并按k-means聚类算法实现UHMWPE/LDPE层合板声发射信号源机制的分类。实验结果表明，基体损伤、纤维断裂和界面损伤等不同损伤机制产生的声发射信号，在幅度、持续时间和峰值频率等参数上不同，研究结果对UHMWPE/LDPE层合板损伤模式识别具有参考价值。

UHMWPE/LDPE层合板；声发射；损伤机理；聚类分析

和传统材料相比纤维增强复合材料损伤机理十分复杂，损伤形式包括基体损伤、纤维断裂、纤维/基体界面损伤和分层等。大量研究表明，复合材料的损伤都伴随明显的声发射（Acoustic Emission, AE）现象。AE是材料中局域源快速释放能量产生瞬态弹性波的现象。目前，AE技术已成为复合材料损伤机理研究的有效工具之一。通过对材料损伤过程AE信号的分析，可建立损伤模式和AE信号的关系。通常不同损伤机制对应的AE信号特征不同，如玻璃纤维复合材料[1]、碳纤维复合材料[2]纤维断裂、界面脱粘和分层产生的AE信号参数有明显区别，一般基体开裂AE信号幅度较低，而纤维断裂AE信号幅度较高[3]。同时，不同损伤AE信号其频率特征不同[4-7]。由于复合材料损伤具有不同模式，故采集的AE信号也包含不同损伤模式。研究发现，源于相同损伤模式的AE信号具有相似性，而源于不同损伤模式的AE信号存在一定的差异[8,9]。但不同损伤模式的某些AE信号参数分布的重叠性[10]，使得依靠单一的AE参数进行损伤机制源的鉴别尚存在困难。研究不同损伤模式AE信号的分类方法，对建立AE信号和损伤模式的对应关系十分重要。本文以超高分子量聚乙烯（Ultra High Molecular Weight Polyethelene, UHMWPE）纤维增强低密度聚乙烯（Low Density Polyethelene, LDPE）层合板为对象，通过对LDPE树脂、0°单层板、90°单层板的拉伸破坏，诱导产生基体损伤、纤维断裂、纤维/基体界面损伤AE信号，并对混合损伤模式的AE信号进行聚类分析。研究结果为基于AE信号进行复合材料损伤机制鉴别提供参考。

1 实验部分

1.1 主要原料及仪器

UHMWPE纤维，宁波大成新材料股份有限公司，规格1680D/240F，密度0.97g/cm3。LDPE薄膜，市售，厚度0.05mm，密度0.92g/cm3。平板硫化机，XLB-D25，湖州宏久橡胶机械厂。材料试验机，DNS-100，长春试验机研究所。声发射测试系统，PCI-2，美国物理声学公司。

1.2 试样拉伸及声发射实验

采用熔融模压法制备3种矩形试样LDPE树脂，0°单层板、90°单层板，尺寸均为：120mm×20mm×0.4mm。试样制备参数：温度130℃，压力1.5MPa，时间10分钟。

所有试样在材料试验机上进行拉伸，并同步实时采集AE信号。材料试验机夹头间距60mm，拉伸速度LDPE树脂20mm/min；0°单层板、90°单层板均1mm/min。用松紧带固定WD型宽带式传感器在试样的中心，并涂真空脂耦合。设定PCI-2声发射系统门槛40dB。前置放大器40dB。AE信号采样频率1024kHz，频率分辨率1kHz，其中基体塑性变形和基体断裂AE信号分别取自LDPE树脂屈服和断裂时的信号，纤维断裂AE信号取自0°单层板断裂时的信号，界面损伤AE信号取自90°单层板破坏过程产生的信号。

2 结果与讨论

聚类分析是复合材料AE源机制分类研究的一种有效方法。聚类分析是基于数据集客观存在的若干个自然类，每个自然类数据的某些属性具有较强的相似性而建立的一种数据描述方法。试样破坏产生的AE波形信号，经AE测试系统数字化处理，可得到幅度、上升时间、持续时间、计数、能量等时域参数，如图1所示。通过时频转换可得到峰值频率、平均频率等反映频率特征的参数。通过选择合适的信号特征、相似性测度和聚类算法，可把相似信号归为一类。

图1 声发射信号参数示意图

本文对AE信号聚类分析的分两个步骤，首先按照R型分层聚类，将AE参数作为聚类对象，目的是按性质相近程度将参数聚类，并从中找出代表参数，以消除参数间相关性并达到降维的效果。然后对AE信号进行Q型聚类，按相似性将AE信号分类。具体流程如下：

（1）选择欧氏距离为相似性测度，按照离差平方和法对AE特征参数进行R型分层聚类分析，并选择具有代表性的、相似程度低的参数作为聚类变量。

（2）对AE信号进行Q型聚类分析，聚类算法选择以误差平方和函数作为聚类准则的k-means算法。

2.1 相似性测度和数据标准化

相似性测度是各模式之间相似程度的量度，其中距离最为常用。对于AE信号聚类，距离远近反映了信号所属类型有无差异，如果模式特征选择适当，那么同类损伤模式的AE信号就会分布在一个相对密集的区域，而不同类损伤模式的AE信号就会远离。为消除AE信号不同参数量纲差异对距离计算的影响，预先按式（1）对数据进行Z标准化处理。

2.2 聚类变量的选择

聚类变量的选择对聚类效果产生重要影响，如果同类模式在特征空间相距较近且分布密集，不同类模式在特征空间相距较远，则说明聚类变量对分类是有效的。AE信号最常用的参数有8个：上升时间(RISE，us)，计数(COUNTS，次)，持续时间(DURATION，us)，幅度(AMP，dB)，峰值前振铃计数(PCNT，次)，平均频率(AF，kHz)，频率重心(CF，kHz)和峰值频率(PF，kHz)。本文以欧氏距离为相似性测度，按照离差平方和法的R型分层聚类分析，根据参数之间的相似性，把8个AE参数分为若干类别，并从中选择相似性低的参数作为AE信号的聚类变量。

基于离差平方和的分层聚类方法，通常先将n个样品各自成一类，此时总类内离差平方和SSw=0。然后每次缩小一类，则总类内离差平方和SSw会相应增大ΔS。不同的归类方法会导致ΔS不同。合理的分类应该使归类后总的类内离差平方和SSw较小，而类间离差平方和SSb较大，即每次使ΔS最小的两类合并，直到所有的样品归为一类为止。

图2是AE信号参数R型分层聚类的聚类结果。可以看出，源于试样LDPE基体、90°单层板、0°单层板的AE信号分层聚类分析的结果具有一致性，即8个信号参数在分为3类：时域参数RISE、COUNTS、PCNT和AMP被聚为一类，频域参数AF、CF和PF被聚为一类，持续时间DURATION为一类，类内相似度较大而类间相似度较小。根据上述结果，选择AMP，PF和DURATION作为聚类变量，进一步对AE信号进行Q型聚类分析。

图2 AE信号参数聚类变量的选择 (a)LDPE基体 (b)90°单层板 (c)0°单层板

2.3 AE信号的聚类分析

k-means是一种动态聚类算法，和分层聚类相比，该算法具有不需要存储距离矩阵、存储空间小、计算量小的特点，在对复合材料AE信号进行Q型聚类分析时被普遍采用。k-means算法包括以下4个步骤：

（1）对于具有n个样品的混合样本，令迭代次数I=1，选择k个初始聚类中心Zj(I)，j=1,2,…,k;

（2）计算每个样品与k个聚类中心的距离，并将其分类到距离它最近的聚类中心的类别；

（3）所有样品分类完毕后，重新计算各类别的聚类中心，Zj(I+1)；

（4）若满足一定的算法终止条件(如Zj(I+1)= Zj(I))算法结束，否则I= I+1，返回（2）。

该算法的特点是每次迭代均根据最近邻准则考察每个样品的分类是否正确，若不正确则调整，全部调整完毕再修改聚类中心，进入下一次迭代。若全部样品都分类正确，则聚类中心不再变化，表明算法收敛，聚类过程结束。

图3 AE信号的Q型聚类分析 (a)LDPE基体 (b)90°单层板 (c)0°单层板

图3分别是LDPE基体、90°单层板、0°单层板拉伸破坏过程产生AE信号，在以AMP、PF和DURATION为坐标的空间分布情况。其中图3(a)是源于LDPE基体的AE信号，根据聚类结果63个AE信号，被聚为G1、G2和G3三类，分别有7个、28个和28个信号。从聚类中心来看，G1类信号幅度AMP和持续时间DURATION明显高于其他两类，而峰值频率PF较低。G2、G3类信号在幅度AMP和持续时间DURATION上较为接近，但G3类信号峰值频率PF明显高于其他两类。从信号发生时间上看，G1类发生在PE-LD基体断裂瞬间，而G2、G3类伴随在整个塑性变形区域。因此，可以推测G1类信号源于基体断裂，而G2、G3类信号源于基体的塑性变形。由于LDPE塑性变形很大，应变能大部分以塑性变形的形式释放，只有少量以AE形式释放，故伴随基体塑性变形产生的AE信号通常具有低幅度、短延时特征。只有当发生断裂时，才会出现高幅度、长延时的AE信号特征。

图3(b)是90°单层板拉伸损伤过程AE信号的分布情况，根据聚类结果，227个信号被聚为G4、G5和G6三类，分别有14个、32个和181个信号。从聚类中心来看，G4类信号幅度和持续时间明显高于G5、G6两类，而G6类信号峰值频率明显高于G4、G5两类。G4类信号幅度高、持续时间长，反映出该信号源于某种严重的损伤。试样拉伸测试发现，LDPE基体的拉伸强度（约9MPa）高于90°单层板的拉伸强度（约7MPa），说明界面损伤先于基体断裂发生。从发生时间上看，此类信号全部发生于损伤末期，即界面完全脱粘时刻。因此，可以推测G4类信号源于界面完全脱粘。G5类和G6类信号幅度和持续时间均较低，说明信号源于程度较低的损伤，如界面的初始损伤或者基体塑性变形。单向层合板处于横向拉伸状态时，一旦形成界面损伤，由于缺乏有效的阻止损伤扩展的机制，损伤将沿界面处迅速扩展而导致材料最终在界面处发生断裂。

图3(c)是0°单层板拉伸损伤过程AE信号的分布情况，根据聚类结果，127个信号被聚为G7和G8两类，分别有93个和34个信号。从聚类中心来看，G8类信号幅度和持续时间明显高于G7类信号，而峰值频率两者差异不大。G7类信号为幅度相对较低、延时相对较短的信号。G8类信号为幅度相对较高、延时相对较长的信号。这两类信号都具有峰值频率相对集中的特点。从发生信号时间上看，G7类信号在材料拉伸的全过程均有发生，而G8类信号则主要出现在材料临近断裂的时刻。单层板纵向拉伸过程中，载荷几乎全部由纤维承担，由于纤维束中难免会存在部分有缺陷的单纤维以及试样制作过程各纤维伸直状态难免会存在一定的差异，从而导致各纤维的承载情况也各不相同。实际的损伤过程通常是从含缺陷的单纤维逐步断裂开始，并逐渐发展成为多根纤维同时断裂，直至剩余纤维不能承担外部载荷而发生整体断裂的过程。因此，0°单层板损伤模式可以分为单纤维断裂G7和多根纤维同时断裂G8两种，其中后者将产生幅度高、持续时间长的AE信号。

表1是根据上述聚类结果得到的不同损伤模式AE信号的特征参数的均值，可以看出程度严重的损伤如基体断裂、界面脱粘、多纤维断裂都具有信号幅度高、持续时间长的特点。而伴随材料损伤过程中的信号如塑性变形、界面初始损伤则具有幅度低，持续时间短的特征。且不同损伤模式信号的峰值频率不同，其中纤维断断裂的峰值频率分布最为集中，是区别其他损伤信号的主要特征。

表1 不同损伤模式的AE信号特征

3 结论

对UHMWPE/LDPE层合板损伤过程的AE信号参数进行分层聚类分析的基础上，选择幅度、峰值频率和持续时间作为聚类变量，通过k-means聚类对不同试样损伤过程的AE信号进行聚类分析，研究表明：

（1）幅度、持续时间和峰值频率适合作为AE信号聚类分析的模式特征；

（2）基于k-means算法的Q型聚类分析，可将源于基体损伤、纤维损伤和界面损伤的AE信号分类；

（3）源于基体损伤、纤维损伤和界面损伤的AE信号在幅度、持续时间和峰值频率上不同。

[1] Yamaguchi K，Oyaizu H，Hirai J, et al．Recognition of fracture modes in fiber reinforced plastics by acoustic emission waveform parameters[A]．Progress in Acoustic Emission(IV)[C]．Kobe，Japan，1988．

[2] Jeng JS，Ono K，Yang JM．Fracture mechanism studies of carbon fiber reinforced thermoplastic composites by acoustic emission[A]．Progress in acoustic emission(IV)[C]．Kobe，Japan，1988．

[3] Barre S，Benzeggagh ML．On the use of acoustic emission to investigate damage mechanisms in glass-fiber-reinforced polypropylene[J]．Composite science and technology，1994，52：369-376．

[4] Qing-Qing NI，Yasuharu MISAD． Analysis of AE Signals by Wavelet Transform[J]．J. Soc. Mat. Sci，1998，47：305-311．

[5] Qing-Qing NI，Eiichi JINEN．Fracture behavior and acoustic emission of SFC[J]．J. Soc. Mat. Sci，1993，42：561-567．

[6] Yu YH，Choi JH，Kweon JH，et al．A study on the failure detection of composite materials using an acoustic emission[J]．Composite Structures，2006，75：163-169．

[7] Woo SC，Goo NS．Analysis of the bending fracture process for piezoelectric composite actuators using dominant frequency bands by acoustic emission[J]．Composite science and technology，2007，67：1499-1508．

[8] Mikael J，Peter G．Broad-band transient recording and characterization of acoustic emission events in composite laminates[J]. Composite science and technology，2000，60：2803-2818．

[9] Mikael J. Waveform based clustering and classification of AE transients in composite laminates using principal component analysis[J]. NDT&E Int，2002，35(3)：367-376．

[10]Zhuang XM，Yan X．Investigation of damage mechanisms in self-reinforced polyethylene composites by acoustic emission[J]．Composite Science and Technology，2006，66：444-449．

Cluster Analysis on AE Signal during Damage Process of UHMWPE/LDPE Laminates

WANG Xu1, DU Zeng-feng1, NI Qing-qing2, LIU Xin-hua1

（1. The Science and Technology Public Service Platform for Textile industry, Anhui Polytechnic University, Wuhu Anhui 241000, China；2. Department of Functional Machinery and Mechanics, Shinshu University, Nagano 386-8576, Japan）

To reveal damage mechanism of UHMWPE/LDPE laminates, this study investigated cluster analysis on acoustic emission (AE) signals generated from matrix damage, fiber breakage and interface damage by use of AE technology. Pattern features such as amplitude, duration time and peak frequency could be extracted by hierarchical clustering with distance measure, then the AE signals resulted from different damage mechanisms of UHMWPE/LDPE laminates could be identified by k-means cluster analysis. The result revealed parameters of AE signal such as amplitude, duration time and peak frequency resulted from different damage mechanisms were different. This result can be used to investigate pattern recognition on damage mechanisms of UHMWPE/LDPE laminates.

UHMWPE/LDPE laminates；acoustic emission；damage mechanism；cluster analysis

王旭（1973-），男，副教授，博士，研究方向：复合材料损伤机理.

安徽工程大学国家自然科学基金预研项目（2015）；安徽工程大学科研启动基金项目（2012YQQ008）；安徽省高校优秀青年骨干人才国内外访学研修资助项目（gxfx2017045）.

TB332

A

2095－414X(2018)03－0021－05