前言：中文期刊網精心挑選了審計法新版范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
審計法新版范文1
做好“心育”的前提首先是要善于與學生溝通，取得學生的信任。但是由于家庭及環境原因，部分學生生活獨立性相對較弱，再加上學習成績不好，逐漸喪失了學習興趣，但內心又希望得到老師的肯定與贊許。由于他們平時表現不出色，這個強烈的愿望往往得不到實現，再加上時不時還會遇到其它的學習人際上的失敗，這樣多次的挫折讓他們感到學生的無望，并逐漸產生了痛苦、怨恨、自卑的心理。這時候班主任要俯下身姿，真正地以朋友與傾聽者的心態與學生交流。開始時，學生一般都有芥蒂心里，不習慣與老師進行心與心的交流，但是班主任相信自己的能力并要長時間堅持真心相待，相信老師的誠意學生一定會感受到的。
以前班上有一名家住在城里學生，學生自身各方面條件都不錯，就是學習成績很差。他認為學校、班級、宿舍所有的規章制度都是不好的，上課、自習、午晚休就開始違犯紀律，于是班主任、老師逮住機會就批評他。次數多了他就覺得無所謂了，認為犯錯誤就成了自己的專利。針對這種情況，我經常在課間當著學生的面和他談論一些生活新聞、時事、就業等輕松的話題，捎帶著提及學習、紀律等敏感的話題，對他進行旁敲側擊。這種做法讓他的自尊心目獲得了極大的滿足：班主任很重視他。慢慢地由開始的不樂意交談，變成接受相互的交流，我慢慢地與他的交流直接到了學習、紀律等等各個方面。結合他自身的情況最后建議他改成理改體，這樣既可以鍛煉身體，發揮他的特長，又能根據他的目前學習的實際，可以再完善一些基礎的文化知識。最后我又根據情況讓他親自參與所在宿舍的管理。經過這樣一次次的談話與交流，這名學生不但再也沒有出現違犯紀律的情況。
第二要和學生一起活動，這樣才能增進師生的感情，完成對學生信息的捕捉。高中生喜好運動，特別是那些調皮的學生。這些調皮的學生如果成績差一些，他們往往存在一些不良的習慣與作風，時間久了會和班級中的絕大部分的學生有了隔閡，形成不良的人際交往。就比如我班今年的一名學生，在衣服上亂寫亂畫彰顯自己與別人不同的個性，甚至在胳膊上刻字，平時違犯紀律那更是家常便飯。開始我按常規處理：找他的家長家長管不了，也不見效，其他任課老師也是睜一只眼閉一只眼。面對這種情況，我也苦惱了好一陣子，不知道怎么處理他。
在與別的同學交流過程中，我得知他特別喜歡NBA，有了這個突破口，我就有意識地組織一些競技活動，把他編在其中，讓一些優秀的學生影響他，經過長時間的磨合，他能夠和這些隊員配合默契，表現得很突出，很積極。結果在后續的接力中，他與別的同學配合默契取得了第一名的好成績。過后他自己悄悄地把不應該有的衣著服飾改了過來，自覺地遵守各項的規定，家長高興地說沒想到孩子會大變樣。
有了良好的信息收集方式與渠道，班主任要隨時地在課堂教學滲透心理健康教育。老師不僅在知識上影響著學生，而且老師的人格也會在師生的互動中起到潛移默化的作用。教師面帶微笑進教室，學生就會感到老師有親切感，這樣學生會處于一種和諧的氛圍中，身在這種環境中的學生，哪怕思想上有一些極端行為，修正起來相對要容易一些。首先我為全體的學生創設一個和諧的課堂氣氛：面帶微笑，說希望大家在愉悅中領會這節課，過程中經常來一點小幽默，讓學生對我進行點評。這樣通過一系列課上的行動，在課后我常不經意地提醒他們：平時的學習要扎實，基礎打牢固，成績一般會不差。學習的過程中，有點挫折是好事，有利于自己反省，查漏補缺，而學習不但一帆風順的時候很少，就是能一帆風順，我覺得未必是好事，這樣不能發現自己的缺點，不能提高自己。人要正視自己，更要善待自己，努力才是成功的前提。
審計法新版范文2
關鍵詞：膠合板； 聲發射； 小波包變換； 神經網絡
中圖分類號：TN911.7-34; TB52+9文獻標識碼：A文章編號：1004-373X(2011)21-0096-04
Wavelet Feature Extraction and Neural Network Pattern
Recognition of Plywood Acoustic Emission Signals
XU Feng， ZHAO Ming-zhong, LIU Yun-fei
(College of Information Science and Technology, Nanjing Forestry University, Nanjing 210037, China)
Abstract：
To identify the different damage types of plywood, a feature extraction method of plywood acoustic emission signal based on time-frequency and proportion of energy is proposed by combining wavelet-packet time-frequency analysis with energy spectrum. The research indicates that dilatational wave and flexural wave are main modes of plywood matrix cracks signal with wide frequency spectrum, and the energy of signal is mainly concentrated in the first, second, third, fourth and seventh-band of the wavelet power spectrum. Delamination and fiber fracture signals of five-story plywood are mainly dominated by dilatational wave and flexural wave mode respectively, the former frequency is unitary and amplitude is higher, the latter energy mostly focus on the first, second band. Degumming signal waveform are composed of dilatational wave and flexural wave， and the flexural wave is dominant, whose signal energy focus on the first, second, third and fourth band of the wavelet power spectrum. An intelligent pattern classifier with BP neural network was used in recognition of those four kinds of AE signals, the recognition accuracy of flaws amounted to 92.6%.
Keywords： plywood； acoustic emission； wavelet package transform； neural network
0 引 言
聲發射(Acoustic Emission,AE)是材料受外力或內力作用產生變形或斷裂時，以彈性波的形式釋放出應變能的現象［1］。目前聲發射技術作為一種成熟的無損檢測方法，已被廣泛應用于石油化工工業、電力工業、材料試驗等多個領域，但對膠合板的損傷監測，AE技術鮮有報道。
膠合板(也稱夾板)是按相鄰層木紋方向互相垂直的單板，經組坯膠合而成的板材，在我國已廣泛應用于家具工業和建筑工業。膠合板的損傷模式主要包括基體開裂、纖維斷裂、脫膠、分層等，每一種損傷都對應特定的聲發射信號。然而，不同的損傷模式通常以組合形式出現，類別特征相互重疊［2］，同時由于傳播介質的各向異性和多源性噪聲的污染，加大了AE信號鑒別的難度。因此，提取各聲源信號特征與識別其損傷模式是聲發射應用的首要任務和核心技術。
由于小波分析同時具有時域和頻域表征信號局部特征的能力，所以特別適合分析瞬態特性的聲發射信號。文獻［3］用小波變換的方法分析了薄板中的彈性波，指出在波的傳播過程中，多模式和頻散的特性、模式的分離有助于準確提取信號中的信息。文獻［4］用Daubechies離散小波進行了多尺度分解，利用頻率能量分析玻璃纖維增強復合材料的不同損傷模式。通過區分能量的大小和不同能量所處的頻率范圍揭示了材料的破損模式。同時，近年來的研究發現，人工神經網絡可對數據量多、特征復雜的信號提供準確度較高的自動分類能力。因此，本文結合小波分析和人工神經網絡技術對膠合板不同損失聲發射信號進行特征提取和模式識別。
1 小波包能量特征提取算法
1.1 小波包定義［5］
給定正交尺度函數Е(t)和小波函數(t)，其中：
1.2 基于小波包分解的能量特征提取算法
小波包分解是在多分辨率基礎上構成的一種更精細的正交分解方法。它根據被分析信號本身的特點，自適應地選擇頻帶，確定信號在不同頻段的分辨率。分解得到的各個頻段分量既包含了信號的局部特征，也包含了不同的時間尺度信息，從而精確地給出信號能量隨頻率和時間的聯合分布情況，即各頻帶能量的變化表征了各種信源的特征。因此，本文提取各尺度下各頻段分量的能量占比作為各信號特征向量來識別聲源類型?；谛〔ò纸獾哪芰刻卣魈崛〔襟E如下：
(1) 對原始信號進行k層小波包分解，分別選擇第k層從低頻到高頻包含主要信息的前n(n≤2k)個頻段分量的信號特征；
(2) 對小波包分解系數重構(重構信號設為Ski)，提取各頻段范圍的信號；
(3) 求各頻帶信號的總能量Eki：
И
И
2 人工神經網絡模式識別方法
2.1 神經網絡的選擇
人工神經網絡是一個高度非線性的自適應并行分布處理信息系統，其信息處理由神經元之間的相互作用來實現。信息的存貯表現為神經元之間的物理聯系。網絡的學習取決于神經元連接權系的動態演化過程。神經網絡的類型多種多樣，但與模式識別的結合最成功的是多層前饋網絡，也就是通常簡稱的BP(Back-propagation Network)網絡［6］，本文即選其進行模式識別。
2.2 BP網絡結構的設計
由BP定理可知, 一個帶S型激活函數的三層BP網絡，只要隱節點數足夠多，能以任意精度逼近有界區域上的任意連續函數，即一個三層的BP網絡就能完成任意的n維到m維的映射。BP神經網絡最重要的是隱含層的確定。雖然隱層神經元數目的選擇不存在一個理想的解析式，但隱單元數目與問題的要求、輸入/輸出單元的數目都有著直接關系。綜合現有文獻，隱含層元個數的計算公式為:
И
n1=n+m+a
(7)
И
式中:n1為隱單元數；m為輸出神經元數；n為輸入單元數；a是［0，10］之間的常數。
輸入層節點數一般由一組特征值樣本的數據量決定。在分類網絡中輸出層節點數可取類別數x或┆log x。П疚囊含層采用雙曲正切S型激活函數，輸出層采用對數S型激活函數。
2.3 訓練函數的選擇
采用不同的訓練函數對網絡的性能可能會有影響，比如收斂速度等。本文應用各種典型訓練函數對網絡進行訓練，觀察各種訓練算法的收斂速度和誤差，最后確定Levenberg-Marquardt算法為本識別的最優訓練函數。
3 實驗和分析
3.1 實驗方法［7］
試驗對普通膠合板的膠合強度進行測試研究。樣品選用德華裝飾有限公司的“兔寶寶”牌5層膠合板，其內部為雜木夾芯，外覆桃花芯面板，由環保脲醛膠粘合而成。試樣(如圖1所示)按GB9846.9定義的普通膠合板力學性能測試試件方法鋸制，尺寸為250 mm×25 mm×5 mm。試驗測試溫度為25 ℃，樣品為氣干狀態。加載系統為深圳新三思有限公司SANS-CMT6104臺式萬能試驗機；采集系統選用美國PAC公司PCI-2聲發射采集系統，用兩個寬帶傳感器S9208組成線定位陣列方式，同時采集各個波擊的波形。
試驗中為保證傳感器與材料表面良好耦合，選用真空脂作為耦合劑，傳感器采用透明膠帶固定在試樣的表面。試樣兩端夾緊于試驗機的一對活動夾具中，使其成一直線，試樣中心通過活動夾具的軸線，拉伸沿試樣長度方向進行，等速加荷，速度為3 mm/min，最大破壞荷重的讀數精確到5 N，拉伸過程在準靜態條件下進行，直到試樣斷裂為止。拉伸模型如圖2所示。
圖1 五層膠合板拉伸試樣圖(單位：mm)
3.2 膠合板加載聲發射信號特征分析
對于厚度方向尺寸遠小于其他兩個方向的板而言，相應于一定的激勵條件，在其中主要形成的是板波(Lamb波)。由文獻［8-9］可知，受激勵后，板中存在多種模式的板波，但當板厚遠小于波長時，主要以兩種模式的波為主，即最低階的對稱波S0和最低階的反對稱波A0。前者即是膨脹波，其傳播速度是一個定值，沒有頻散效應；后者亦稱彎曲波，它的傳播速度與角頻率的平方根成正比，有頻散效應。一般情況下，板中的波是這兩種波的組合，這兩種波位移的相對幅度同激勵方式有關。研究發現［8］，當激勵力源作用方向與板平面垂直時，在板中主要產生的是彎曲波。相反，當力源作用方向沿板方向時，產生的主要是膨脹波。一般而言，膨脹波的高頻成分要比彎曲波豐富。膠合板受載形變作為強聲發射源，其聲源有基體開裂、纖維斷裂、脫膠、分層等。理想上，纖維斷裂總在平面內完成，其類似于一個沿板平面方向的力源，因此，激發的聲發射信號應以膨脹波為主，無頻散效應；而分層損傷則明顯沿板厚方向發生，類似于一個沿板平面垂直方向的力源，因此，所激發的聲信號波形當以彎曲波為主，存在頻散效應；基體開裂、脫膠產生的聲發射信號，其特征介于兩者之間，┮話閿ν時表現為膨脹波和彎曲波兩種組合形式。
3.3 實驗結果分析
本文選用db3小波［10-12］對采集的聲發射信號做5層小波包分解，并進行第五層系數重構，計算各葉子能量占比，繪制時頻、小波包譜和頻譜圖，比較各典型信號的特征差異。由實驗結果得知，聲發射源主要集中在主損傷區或斷裂部位?？紤]到聲源的位置、材料物理特性及波的傳播對類別特征的復雜影響［2］，將所有樣本取自主損傷區寬20 mm范圍內的事件。對比四種典型的聲發射源波形、頻譜和小波包譜圖，篩選出四類樣本數據集，并應用小波閾值法消噪，得到各類別信號的典型波形如圖3～圖6所示。觀察圖3～圖6中信號的傅立葉頻譜發現，膠合板破壞損傷多以低于300 kHz以下的頻率信號為主，且難以區分其特征差別。為獲取各損傷信號的特征，必須結合小波包時頻和小波包譜圖分析。
圖2 五層膠合板拉伸模型示意圖
基體開裂如圖3所示，波形以低幅度較寬脈沖為主，頻段較寬，膨脹波和彎曲波模式并舉。FFT主峰頻率位于40～180 kHz，小波時頻圖特征峰約集中在100 kHz以下和200 kHz處，發生的時間約在0.5～1.2 ms之間。小波包譜峰位于第一至第四和第七頻段內，其中第一、第二頻段的能量接近，總和約占總能量的60％，剩余40％幾乎集中于第三、四、七段。
圖3 膠合板基體開裂原始信號(去噪)
及其頻譜、時頻、小波包能量譜圖
圖4為五層膠合板纖維斷裂圖，由圖中得出的信號主要以高幅度較寬脈沖形式出現，頻率較低且單一，無頻散現象。纖維斷裂的FFT峰值主要集中在22～40 kHz，時頻圖特征峰位于40 kHz處，持續時間約為1 ms，小波譜峰值主要位于第二頻段，能量占到總能量的70％以上，第一、四頻段能量約占20％。結合樣品斷口紋理分析，斷裂主要沿垂直于纖維方向擴展，呈剪切斷裂方式，波形以膨脹波為主導，基本與第3.2節的信號分析一致。
五層膠合板脫膠信號如圖5所示，信號以中低幅窄脈沖為主，波形為彎曲波模式和膨脹波模式的混合型，且彎曲波模式占主導。受膨脹波成分的影響，在200 kHz頻率處也出現峰值，能量在大于100 kHz頻域上有所分布，但主要集中在小于50 kHz的頻域。從失效樣品查看，明顯存在分層和互相滑移現象，與上述分析基本一致。
圖4 膠合板纖維斷裂原始信號(去噪)
及其頻譜、時頻、小波包能量譜圖
圖5 膠合板脫膠原始信號(去噪)
及其頻譜、時頻、小波包能量譜圖
觀察圖6發現，五層膠合板分層信號中傅里葉頻譜的峰值主要位于11～55 kHz，小波時頻圖的特征峰主要集中在40 kHz處，持續時間約為1.2 ms，小波包譜能量主要集中在第一、二、三、四段，且第一、二段能量所占比重接近，總和占到了總能量的85％。信號多以中幅度寬脈沖形式為主，信號持續時間較長。分層是典型的垂直板平面方向的力源作用，信號明顯存在頻散現象，波形以彎曲波模式為主，能量主要集中在40 kHz以下。
圖3～圖6表明，信號的波形、頻譜和小波包譜等類別特征均有不同程度的重疊，但對5種類別的信號均顯示出一定的鑒別能力，尤其以小波包分析提取的特征更為明顯，以該特征作為樣本可為后續使用神經網絡進行識別提供依據。
3.4 模式識別
按照第1.2所述方法對聲發射信號進行5層小波包分解，將整個頻段分成32個頻帶，考慮反應聲源信號特征的能量主要集中在前10個頻段，因此提取前10個葉子的能量分布為聲發射信號特征，以此作為BP網絡的訓練樣本。樣本包含膠合板脫膠10組、纖維斷裂10組、分層12組和基體開裂8組共計40組。網絡在經過81次訓練后達到設定的最小期望誤差0.001(見┩7)。采用網絡對訓練數據進行識別，識別正確率達到 100%。證明該網絡具有較強的學習能力，能夠按照給定的輸入/輸出正確建模。
圖6 膠合板分層原始信號(去噪)
及其頻譜、時頻、小波包能量譜圖
為檢驗網絡的推廣應用性能，采用該網絡對118組測試樣本(脫膠30組、纖維斷裂30組、分層28組和基體開裂30組)進行檢驗，識別正確率達到 92.6%。這表明該人工神經網絡的范化能力較高，設計結構合理，達到自動識別聲發射信號類別的目標，具有良好的推廣價值。
4 結 論
(1) 針對聲發射這種瞬間的突變信號，小波分析確實能很好地同時表現出時域和頻域的局部特征;
(2) 綜合各類模式信號的波形、頻譜、小波包時頻圖和小波包能譜圖分布等特征，可確定不同損傷機制所對應的聲發射信號特征，為神經網絡模式識別提供質量較高的模式樣本;
(3) 設計的BP人工神經網絡能準確度較高地識別出4種不同損傷機制造成的聲發射信號。
由于木質膠合板的聲發射研究國內開展的不多，對該類材料的聲發射特征的分析及識別還待進一步研究，尤其對多層膠合板聲發射特征的定量研究還有待于大量實驗數據的積累和歸納。
參考文獻
［1］袁振明，馬羽寬，何澤云．聲發射技術及其應用［M］．北京：機械工業出版社，1985.
［2］殷冬萌，王軍，劉云飛．木塑復合材料缺陷及損傷的聲發射信號特征分析及神經網絡模式識別［J］．應用聲學，2007，26(6)：352-356．
［3］JIAO Jing-pin， HE Cun-fu， WU Bin，et al．Application of wavelet transform on modal acoustic emission source location in thin plates with one sensor \[J\]. International Journal of Pressure Vessels and Piping, 2004, 81: 427-431.
［4］QI Gang. Wavelet-based AE characterization of composite materials \[J\]. NDT& E International, 2000, 3(3): 133-144.
［5］胡昌華，張軍波，夏軍，等．基于Matlab的系統分析與設計:小波分析［M］．西安：西安電子科技大學出版社，1999.
［6］毛漢穎，成建國，黃振峰．基于BP神經網絡的金屬裂紋聲發射信號特征參數的提?。跩］．機械設計，2010，27(2)：84-86．
［7］陸仁書．膠合板制造學［M］．2版.北京：中國林業出版社，1993.
［8］耿榮生，沈功田，劉時風．基于波形分析的聲發射信號處理技術［J］．無損檢測，2002，24(6):257-261．
［9］LOWE M J S， DILIGENT O． Low-frequency reflection characteristics of the s0 Lamb wave from a rectangular notch in a plate \[J\]. Acoustical Society of America, 2002, 111 (1): 64-74.
［10］徐長發，李國寬．實用小波方法［M］．2版.武漢：華中科技大學出版社，2004.
［11］楊曉楠，唐和生，陳榮，等．鋼結構損傷識別中db族小波函數選擇［J］．同濟大學學報，2006，34(12):1568-1572．
［12］周小勇，葉銀忠．故障信號檢測的小波基選擇方法［J］．控制工程，2003，10(4):308-311．
