CN104634879B

CN104634879B - 一种金属材料疲劳加载试验与疲劳损伤无损检测分析方法

Info

Publication number: CN104634879B
Application number: CN201510059474.8A
Authority: CN
Inventors: 张卫冬; 艾轶博; 孙畅; 吕涛; 张习文
Original assignee: University of Science and Technology Beijing USTB
Current assignee: University of Science and Technology Beijing USTB
Priority date: 2015-02-04
Filing date: 2015-02-04
Publication date: 2017-07-18
Anticipated expiration: 2035-02-04
Also published as: CN104634879A

Abstract

一种金属材料疲劳加载试验与疲劳损伤无损检测分析方法，同时属于声发射技术领域和材料智能表征领域，该方法包括搭载声发射仪的疲劳试验与疲劳损伤无损检测分析两部分，搭载声发射仪的疲劳试验包括材料试样疲劳加载、搭载声发射系统和声发射信号采集，疲劳损伤无损检测分析包括对疲劳过程声发射信号进行特征提取、损伤识别和安全预警。该方法将声发射技术与传统疲劳试验相结合，利用模式识别、统计分析等方法，确定金属材料疲劳过程中声发射信号的特征并做出损伤识别与安全预警，为金属材料疲劳损伤的无损检测分析提供研究方法，具有广泛推广应用价值。

Description

一种金属材料疲劳加载试验与疲劳损伤无损检测分析方法

技术领域

本发明涉及声发射无损检测领域与材料智能表征领域，具体涉及一种金属材料疲劳加载试验与疲劳损伤无损检测分析方法。

背景技术

高速铁路在我国发展迅速，高速铁路的运行状态监测、服役安全评价问题也随之而来，保障高速列车的运行安全，具有重大政治、经济和科学意义。高速列车齿轮箱属于A类关键部件，在发现齿轮箱存在安全隐患后应立即停车检查，箱体作为齿轮箱的重要部分，若存在裂纹而爆裂，将造成巨大的损失。根据实际条件情况，选择合适的无损检测技术，识别金属材料在服役过程中的状态并做出安全预警，对保障构件的服役安全具有重要意义。

对于失效形式主要由疲劳产生的金属构件，传统分析方法是对金属试样采用加速疲劳试验，通过试验来确定金属材料的疲劳寿命。但这种方法是破坏性试验，不能对服役过程中的金属材料的疲劳寿命进行分析与预测。对于金属材料，当受到外力作用时，金属键会逐步发生塑性形变，发生断裂，金属键的断裂会伴随声现象的产生，当有较大金属键断裂时，声发射现象明显，可以采用声发射仪测得相应的信号，能够保证实时、在线对金属材料的服役过程进行监测。

发明内容

本发明目的在于提供一种金属材料疲劳加载试验与疲劳损伤无损检测分析方法，采用声发射仪对金属材料的疲劳过程进行监测，为了准确识别金属材料疲劳失效时的声发射信号特征，设计搭载声发射仪的疲劳试验，采集声发射信号，对声发射信号进行特征提取，进而实现对疲劳损伤的识别与安全预警。

为实现上述目的，本发明提出如下技术方案：

一种金属材料疲劳加载试验与疲劳损伤无损检测分析方法，所述方法包括搭载声发射仪的疲劳试验与疲劳损伤无损检测分析两部分，所述疲劳损伤无损检测分析将所述搭载声发射仪的疲劳试验中测得的参数计算分析，所述搭载声发射仪的疲劳试验包括材料试样疲劳加载、搭载声发射系统和声发射信号采集，所述疲劳损伤无损检测分析包括声发射信号特征提取、损伤识别和安全预警。

进一步的，所述搭载声发射仪的疲劳试验具体步骤如下：

(1)材料试样疲劳加载，将试验所用金属材料加工成标准试样的形状，试样中部有初始裂纹，在采集信号前对试样进行裂纹的预制，将预制疲劳裂纹后的试样安装到疲劳加载设备上，然后根据不同的金属材料，选择合适的加载载荷，设置加载的应力比，选择合适的加载频率；

(2)搭载声发射系统，在金属试样的预制裂纹前端放置声发射传感器，并在金属试样与声发射传感器之间涂抹耦合剂，保障二者之间的有效接触，然后将探头固定在试样上面，并根据材料不同设置适当的声发射仪采集参数。

(3)第三步，采集声发射信号，对试件开始进行疲劳加载，同时触发声发射仪，不断采集声发射参数信号，并保存在声发射工作站中。

进一步的，所述疲劳损伤无损检测分析具体步骤如下：

(1)声发射信号特征提取，将测得的参数信号——上升时间、能量和持续时间与做计数的比值，按照步长n对数据进行参数的均值统计和相关系数分析；

(2)损伤识别，首先对临界点前后的数据进行分类，确定每类样本的数量，将稳定扩展阶段的数据量设定为n₁，快速扩展阶段的数据量为n₀，对于不同阶段的数据根据数据量的差别，赋予不同的权值，对样本进行分类器的训练和测试，按照留一验证的方法进行测试和训练样本的选择，在训练过程中，利用粒子群优化算法PSO对训练集进行参数寻优，并结合最优参数建立最佳损伤识别分类，最后对测试样本进行损伤识别分类。

(3)安全预警，以能量/计数作为安全预警的输入进行建模，最小二乘支持向量机LSSVM采用最小二乘系统作为损失函数，将粒子群寻优算法PSO和LSSVM进行结合，采用PSO优化的LSSVM算法计算，并实时动态地进行数据更新和预测及预警。

进一步的，所述搭载声发射仪的疲劳试验步骤(3)中参数信号包括上升时间、计数、能量、持续时间。

进一步的，所述疲劳损伤无损检测分析步骤(1)参数的均值统计和相关系数分析具体如下：

其中：

x_(1,j)、x_(2,j)、x_(3,j)分别表示：上升时间、能量和持续时间与计数的比值；

x_(4,j)表示：上升时间/计数与能量/计数之间的相关系数；

x_(5,j)表示：上升时间/计数与持续时间/计数之间的相关系数；

x_(6,j)表示：持续时间/计数与能量/计数之间的相关系数；

R_i、C_i、E_i和D_i分别表示第i个采样点对应的上升时间、计数、能量和持续时间，j表示步长区间的编号。

进一步的，所述疲劳损伤无损检测分析步骤(2)判断临界点的条件为：裂纹扩展速率大于10^-3mm/次循环加载。

进一步的，所述搭载声发射仪的疲劳试验步骤(2)中的耦合剂为凡士林。

本发明的有益效果在于，实现用声发射信号对材料服役状态的智能表征，得到金属材料在疲劳各阶段的声发射信号的变化规律，为金属材料的疲劳裂纹扩展的监测和分析提供了基础，并通过利用信号处理和模式识别方法，形成金属材料在疲劳过程中基于声发射信号的损伤识别与安全预警方法，为金属材料服役过程的安全评价奠定基础。

附图说明

图1为本发明流程示意图；

图2为本发明疲劳加载示意图；

图3为声发射信号参数示意图；

图4金属材料疲劳过程中的声发射信号损伤识别流程示意图；

图5为PSO优化的LSSVM声发射信号安全预警流程示意图；

图6(a)为特征参数中上升时间与计数比值的参数统计图；

图6(b)为特征参数中能量与计数比值的参数统计图；

图6(c)为特征参数中持续时间与计数比值的参数统计图；

图7(a)为上升时间/计数与能量/计数之间的相关系数图；

图7(b)为上升时间/计数与持续时间/计数之间的相关系数图；

图7(c)为持续时间/计数与能量/计数之间的相关系数图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。

相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。下面结合附图与具体实施方式，对本发明进一步说明。

如图1所示，一种金属材料疲劳加载试验与疲劳损伤无损检测分析方法，所述方法包括搭载声发射仪的疲劳试验与疲劳损伤无损检测分析两部分，所述搭载声发射仪的疲劳试验包括材料试样疲劳加载、搭载声发射系统和声发射信号采集，所述疲劳损伤无损检测分析包括声发射信号特征提取、损伤识别和安全预警，所述疲劳损伤无损检测分析将所述搭载声发射仪的疲劳试验中测得的参数计算分析，利用特征识别、系统分析等方法，确定金属材料疲劳过程中声发射信号的特征并作出损伤识别与安全预警。

所述搭载声发射仪的疲劳试验具体如下：

第一步，材料试样疲劳加载。首先对金属材料进行加工，将试验所用金属材料加工成现行国标标准CT试样的形状，实际试样尺寸和厚度根据自己加载的实际需要进行不同的更改，加载孔的大小根据所用试验机的不同也略有不同，本实施例中对高铁齿轮箱体材料进行取样，加工成现行国标标准CT试样，试样其中一侧的两端有圆形孔，方便后续的疲劳试验的加载，中部有初始裂纹，本实施例以高强度铝合金材料为例，加工成标准试样，试样的初始裂纹为8mm。由于出厂合格的金属材料是不存在裂纹缺陷的，要想得到裂纹扩展数据，需要在采集信号前对试样进行裂纹的预制，一般是将裂纹加载到比初始试样初始裂纹长1mm，因此在实验前首先预制疲劳裂纹，裂纹由8mm预制到9mm，将预制疲劳裂纹后的试样安装到疲劳加载设备上，本发明中疲劳加载设备选用MST-810试验机，然后根据不同的金属材料，选择合适的加载载荷，设置加载的应力比，选择合适的加载频率，本实例中，设置疲劳加载频率为15Hz，加载载荷为3.8KN，应力比为0.1。

第二步，搭载声发射系统。在金属试样的预制裂纹前端放置声发射传感器，并在金属试样与声发射传感器之间涂抹凡士林作为耦合剂，保障二者之间的有效接触，并用胶带将探头固定在试样上面，并根据材料不同设置适当的声发射仪采集参数，对金属材料释放的声发射信号进行采集，声发射系统采用的是美国PAC公司的PCI-2型声发射仪，采集声发射信号的声发射传感器为声发射仪自带的R15A传感器，声发射系统参数设置如下：

表1声发射信号参数设置

声发射系统	参数幅值
		传感器	R15A
前置增益	40dB
		阈值电压	45dB(251.2μV)
峰值鉴别时间(PDT)	300μs
		撞击鉴别时间(HDT)	600μs
撞击闭锁时间(HLT)	1000μs
		采样频率	1MHz
撞击文件长度	2k(2048)

第三步，采集声发射信号。如图2、图3所示，对试件开始进行疲劳加载，同时触发声发射仪，不断采集声发射信号，并保存在声发射工作站中。声发射是指材料或结构受外力或内力作用产生变形或断裂，以弹性波形式释放出应变能的现象，在疲劳加载过程中，伴随着裂纹的扩展，材料内部会释放出弹性波能量，这些能量可以被声发射传感器捕捉并采集，声发射信号包括波形信号和参数信号，波形信号为声发射仪获取的初始信号，参数信号是设置阈值之后对声发射信号的统计结果，本发明中所用的声发射参数信号包括上升时间、计数、能量、持续时间，具体含义如下所述：

上升时间(R)：声发射信号越过门槛值到达到最大值所用时间；

计数(C)：声发射信号在一个持续时间内越过门槛值的次数；

能量(E)：声发射信号能量包络线和门槛值围成的区域的面积的积分值；

持续时间(D)：声发射信号第一次越过门槛值到下次下降到门槛值之下所用的时间。

金属试样疲劳裂纹的扩展过程可分为三个阶段：萌生阶段、稳定扩展阶段和快速扩展阶段，本发明针对稳定扩展阶段和快速扩展阶段的分类进行研究。稳定扩展阶段和快速扩展阶段的临界条件是裂纹扩展速率是否大于10^-3mm/次循环加载，根据临界条件，计算得到临界时间，找到对应于声发射信号临界点，有针对性地进行计算和分析。

所述疲劳损伤无损检测分析通过对疲劳过程声发射信号的采集和分析，得到能够表征金属材料疲劳过程中裂纹扩展规律的特征参数，并通过人工智能的分析方实现对金属试样疲劳损伤所处阶段的识别和对未来一段时间内的安全预警，所述疲劳损伤无损检测分析具体如下：

第一步，声发射信号特征提取。原始的声发射信号数据较为庞大且规律性不强，为了能够增强损伤前后的识别度，对声发射信号进行特征提取，分别将测得的上升时间(R)、能量(E)和持续时间(D)与做计数(C)的比值，按照步长n对数据进行参数的均值统计和相关系数分析。

上述公式给出了参数的计算方法，其中：

x_(1,j)、x_(2,j)、x_(3,j)分别表示：上升时间(R)、能量(E)和持续时间(D)与计数(C)的比值；

x_(4,j)表示：上升时间(R)/计数(C)与能量(E)/计数(C)之间的相关系数；

x_(5,j)表示：上升时间(R)/计数(C)与持续时间(D)/计数(C)之间的相关系数；

x_(6,j)表示：持续时间(D)/计数(C)与能量(E)/计数(C)之间的相关系数。

按照步长n对数据进行参数的均值统计，R_i、C_i、E_i和D_i分别表示第i个采样点对应的上升时间、计数、能量和持续时间，j表示步长区间的编号。

如图6(a)、6(b)、6(c)、7(a)、7(b)、7(c)所示，上升时间和持续时间与计数的比值统计结果呈现出一个前期的平稳波动趋势，后期出现下降趋势，当达到分界点附近时，会忽然间增大或者有其他比较特殊的变化；能量与计数比值的统计结果呈现出稳定变化的趋势，在分界点附近会出现比较大的数值或者是波动，这些特征可以作为后期安全预警的一个趋势或者以此值作为阈值进行预测。

第二步，损伤识别。如图5所示，由于人为的观测不易区分出声发射信号在临界时间点附近的变化情况，而声发射信号的获取和处理及识别是个非常庞大的工作量，所以必须引入机器学习的方法对损伤过程进行识别。本发明中，考虑金属材料疲劳过程中稳定扩展阶段与快速扩展阶段数据量不平衡，即处于稳定扩展阶段的时间长、声发射信号数据量大，快速扩展阶段时间短、声发射信号数据量小，和安全与预警分界点处界限不明显等特点，选用加权支持向量机(WSVM)作为分类器，并利用粒子群(PSO)算法对疲劳过程中的声发射信号进行处理，实现金属材料疲劳过程中的损伤识别。

首先对临界点前后的数据进行分类，确定每类样本的数量，将稳定扩展阶段的数据量设定为n₁，快速扩展阶段的数据量为n₀。对于不同阶段的数据根据数据量的差别，赋予不同的权值，对样本进行分类器的训练和测试。按照留一验证的方法进行测试和训练样本的选择。留一验证法的原理是用一个样本做测试，用其余样本去做训练，然后重复这个步骤，直到每个样本都做了一次测试。在训练过程中，利用粒子群优化算法(PSO)对训练集进行参数寻优，并结合最优参数建立最佳损伤识别分类，最后对测试样本进行损伤识别分类。传统的权值计算一般是将侧重分类的阶段快速扩展阶段权值设置为1，稳定扩展阶段的权重设置为快速扩展阶段数据量与稳定扩展阶段数据量的比值，本方法中考虑传统的权重设置方法之后对其做出改进，将快速扩展阶段的权值设置为2n₁/n₀稳定扩展阶段的权重设置为n₁/n₀，即将临界点附近的稳定扩展阶段数据也考虑为快速扩展阶段，增加了分类的保守程度。最终得到的分类准确率为快速扩展阶段100％，稳定扩展阶段平均达到90％以上。

第三步，安全预警。在金属材料的疲劳过程中，当金属材料在运行过程中进入快速扩展阶段之后，很快就会产生断裂失效，所以适当的安全预警措施是必要的，用来确定一个合理的更换时间，减少不必要的损失。对上述损伤识别的结果进行分析和分类，选择分类效果好且规律性较强的数据进行安全预警模型的构建和预警工作，根据本实验数据的分析结果，可以得到能量/计数的统计结果规律性较强，所以以能量/计数作为安全预警的输入进行建模。最小二乘支持向量机LSSVM采用最小二乘系统作为损失函数，相对传统的二次规划的损失函数，在数据的回归预测上，具有更高的预测精度。本研究中，将粒子群寻优算法PSO和LSSVM进行结合，并实时动态地进行数据更新和预测及预警，使预测精度大大提高。

PSO优化的LSSVM算法步骤如下所示：

1初始化，加载数据x＝(x₁,x₂,…,x_m)

2设置初始数据步长k和模型type

3k＝20

4do k←k+l(l表示预测数据长度)

5定核函数，确定参数寻优范围，对数据进行PSO参数寻优

6利用寻优结果，对数据进行训练

7利用训练得到模型，得到预测参数y

8until k＝kmax ory>阈值

9return location(y)

10end

11给出预测时间

其中，x表示的是参数中能量与计数的比值(E/C)，m表示的是参数的数量，设定的核函数为高斯核函数，1.05是阈值，当参数大于阈值时进行安全预警。计算结果表明，相对于整个疲劳至断裂的全过程，设置阈值进行预警能够在预测结果的前75-150s做出合理的判断，确定接下来一段时间材料服役的安全状况，为及时停车检修提供一个依据。

Claims

1.一种金属材料疲劳加载试验与疲劳损伤无损检测分析方法，其特征在于，所述方法包括搭载声发射仪的疲劳试验与疲劳损伤无损检测分析两部分，所述疲劳损伤无损检测分析将所述搭载声发射仪的疲劳试验中测得的参数计算分析，所述搭载声发射仪的疲劳试验包括材料试样疲劳加载、搭载声发射系统和声发射信号采集，所述疲劳损伤无损检测分析包括声发射信号特征提取、损伤识别和安全预警；

所述疲劳损伤无损检测分析具体步骤如下：

(2)损伤识别，首先对临界点前后的数据进行分类，确定每类样本的数量，将稳定扩展阶段的数据量设定为n₁，快速扩展阶段的数据量为n₀，对于不同阶段的数据根据数据量的差别，赋予不同的权值，对样本进行分类器的训练和测试，按照留一验证的方法进行测试和训练样本的选择，在训练过程中，利用粒子群优化算法PSO对训练集进行参数寻优，并结合最优参数建立最佳损伤识别分类，最后对测试样本进行损伤识别分类；

2.根据权利要求1所述的方法，其特征在于，所述搭载声发射仪的疲劳试验具体步骤如下：

(2)搭载声发射系统，在金属试样的预制裂纹前端放置声发射传感器，并在金属试样与声发射传感器之间涂抹耦合剂，保障二者之间的有效接触，然后将探头固定在试样上面，并根据材料不同设置适当的声发射仪采集参数；

3.根据权利要求2所述的方法，其特征在于，所述搭载声发射仪的疲劳试验步骤(3)中参数信号包括上升时间、计数、能量、持续时间。

4.根据权利要求1所述的方法，其特征在于，所述疲劳损伤无损检测分析具体步骤(1)参数的均值统计和相关系数分析具体如下：

x_{(1, j)} = \frac{Σ_{i = n (j - 1) + 1}^{n j} R i}{Σ_{i = n (j - 1)}^{n j} C i} - - - (1 - 1)

x_{(2, j)} = \frac{Σ_{i = n (j - 1) + 1}^{n j} E i}{Σ_{i = n (j - 1)}^{n j} C i} - - - (1 - 2)

x_{(3, j)} = \frac{Σ_{i = n (j - 1) + 1}^{n j} D i}{Σ_{i = n (j - 1)}^{n j} C i} - - - (1 - 3)

\begin{matrix} x_{(4, j)} = cov < \frac{R_{i}}{C_{i}}, \frac{E_{i}}{C_{i}} > \\ = \frac{n Σ_{i = n (j - 1) + 1}^{n j} \frac{R_{i}}{C_{i}} \cdot \frac{E_{i}}{C_{i}} - Σ_{i = n (j - 1) + 1}^{n j} \frac{R_{i}}{C_{i}} \cdot Σ_{i = n (j - 1) + 1}^{n j} \frac{E_{i}}{C_{i}}}{\sqrt{n Σ_{i = n (j - 1) + 1}^{n j} {(\frac{R_{i}}{C_{i}})}^{2} - {(Σ_{i = n (j - 1) + 1}^{n j} \frac{R_{i}}{C_{i}})}^{2}} \sqrt{n Σ_{i = n (j - 1) + 1}^{n j} {(\frac{E_{i}}{C_{i}})}^{2} - {(Σ_{i = n (j - 1) + 1}^{n j} \frac{E_{i}}{C_{i}})}^{2}}} \end{matrix} - - - (1 - 4)

\begin{matrix} x_{(5, j)} = cov < \frac{R_{i}}{C_{i}}, \frac{D_{i}}{C_{i}} > \\ = \frac{n Σ_{i = n (j - 1) + 1}^{n j} \frac{R_{i}}{C_{i}} \cdot \frac{D_{i}}{C_{i}} - Σ_{i = n (j - 1) + 1}^{n j} \frac{R_{i}}{C_{i}} \cdot Σ_{i = n (j - 1) + 1}^{n j} \frac{D_{i}}{C_{i}}}{\sqrt{n Σ_{i = n (j - 1) + 1}^{n j} {(\frac{R_{i}}{C_{i}})}^{2} - {(Σ_{i = n (j - 1) + 1}^{n j} \frac{R_{i}}{C_{i}})}^{2}} \sqrt{n Σ_{i = n (j - 1) + 1}^{n j} {(\frac{D_{i}}{C_{i}})}^{2} - {(Σ_{i = n (j - 1) + 1}^{n j} \frac{D_{i}}{C_{i}})}^{2}}} \end{matrix} - - - (1 - 5)

\begin{matrix} x_{(6, j)} = cov < \frac{D_{i}}{C_{i}}, \frac{E_{i}}{C_{i}} > \\ = \frac{n Σ_{i = n (j - 1) + 1}^{n j} \frac{D_{i}}{C_{i}} \cdot \frac{E_{i}}{C_{i}} - Σ_{i = n (j - 1) + 1}^{n j} \frac{D_{i}}{C_{i}} \cdot Σ_{i = n (j - 1) + 1}^{n j} \frac{E_{i}}{C_{i}}}{\sqrt{n Σ_{i = n (j - 1) + 1}^{n j} {(\frac{D_{i}}{C_{i}})}^{2} - {(Σ_{i = n (j - 1) + 1}^{n j} \frac{D_{i}}{C_{i}})}^{2}} \sqrt{n Σ_{i = n (j - 1) + 1}^{n j} {(\frac{E_{i}}{C_{i}})}^{2} - {(Σ_{i = n (j - 1) + 1}^{n j} \frac{E_{i}}{C_{i}})}^{2}}} \end{matrix} - - - (1 - 6)

其中：

x_(4,j)表示：上升时间/计数与能量/计数之间的相关系数；

x_(6,j)表示：持续时间/计数与能量/计数之间的相关系数；

5.根据权利要求1所述的方法，其特征在于，所述疲劳损伤无损检测分析具体步骤(2)判断临界点的条件为：裂纹扩展速率大于10^-3mm/次循环加载。

6.根据权利要求2所述的方法，其特征在于，所述搭载声发射仪的疲劳试验步骤(2)中的耦合剂为凡士林。