CN117191952A - 基于声发射信号小波包分解频带能量谱的疲劳损伤识别与寿命预测方法 - Google Patents
基于声发射信号小波包分解频带能量谱的疲劳损伤识别与寿命预测方法 Download PDFInfo
- Publication number
- CN117191952A CN117191952A CN202311461005.XA CN202311461005A CN117191952A CN 117191952 A CN117191952 A CN 117191952A CN 202311461005 A CN202311461005 A CN 202311461005A CN 117191952 A CN117191952 A CN 117191952A
- Authority
- CN
- China
- Prior art keywords
- fatigue
- fatigue damage
- acoustic emission
- wavelet
- wavelet packet
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000001228 spectrum Methods 0.000 title claims abstract description 13
- 239000007769 metal material Substances 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000003466 welding Methods 0.000 claims abstract description 13
- 239000000463 material Substances 0.000 claims abstract description 10
- 230000009471 action Effects 0.000 claims abstract description 5
- 238000012544 monitoring process Methods 0.000 claims description 15
- 239000002184 metal Substances 0.000 claims description 9
- 229910052751 metal Inorganic materials 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005336 cracking Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 206010016256 fatigue Diseases 0.000 abstract description 126
- 238000005516 engineering process Methods 0.000 abstract description 9
- 230000008859 change Effects 0.000 abstract description 7
- 230000005236 sound signal Effects 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 23
- 238000011156 evaluation Methods 0.000 description 10
- 229910000831 Steel Inorganic materials 0.000 description 8
- 239000010959 steel Substances 0.000 description 8
- 238000005070 sampling Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000009661 fatigue test Methods 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 239000006247 magnetic powder Substances 0.000 description 4
- 238000009659 non-destructive testing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101100368081 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) sym-1 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开一种基于声发射信号小波包分解频带能量谱的疲劳损伤识别与寿命预测方法,包括:S10,获取疲劳加载试验的全过程中疲劳荷载作用下金属材料或焊接结构的声发射信号;S20,确定疲劳损伤识别的小波包分解的最佳小波基;S30,应用最佳小波基对声发射信号进行多层分解,分解为频率子带;S40,计算其小波包分解系数的能量;S50,拟合得到疲劳损伤演化方程;S60,根据疲劳损伤演化方程判断监测对象所处的疲劳寿命阶段。本发明采用声发射技术能够敏锐的捕捉到金属材料或焊接结构在发生内部变化时的声音信号,并通过小波包分解频带能量谱进行疲劳损伤识别与寿命预测,大大提升了早期疲劳损伤的识别能力,为材料和结构的安全使用提供了有力的保障。
Description
技术领域
本发明涉及土木工程钢结构疲劳研究领域,具体为一种基于声发射信号小波包分解频带能量谱的疲劳损伤识别与寿命预测方法。
背景技术
我国钢结构工程应用领域广泛,在建筑结构、桥梁工程、输电塔电信塔等塔桅结构、海洋结构和其他基础设施中均有大量的应用。钢结构工程结构体系、荷载条件和服役环境复杂,疲劳问题十分突出,因性能不足导致结构在远低于设计寿命时发生疲劳开裂、服役性能大幅度降低、甚至引发灾难性事故的风险极为突出。因此对重要的工程结构进行疲劳损伤的检测和寿命评估对其安全服役和风险预警有着重要的意义。
传统的无损检测方法主要有液体渗透、磁粉、涡流以及超声等技术,是评价工程结构构件制造阶段、安装阶段和服役阶段性能的重要手段。“液体渗透、磁粉、涡流”对疲劳损伤检测,是通过这些外部的手段,用肉眼的方式看到疲劳裂纹,然后拍照留存,主要通过记录裂纹的长度来表达损伤的大小,非常不准确。“超声”是对连续介质进行声音信号的发射和接受,只有当裂纹出现了,才能有信号的变化,也无法定量的表达损伤的大小。在疲劳损伤检测方面,这些方法对检测人员的操作技术和经验判断能力的依赖程度较高,而且缺乏对于早期金属内部的微纳尺度损伤的检测能力,当发现细观或宏观裂纹时结构往往已经处于疲劳寿命的末期,一旦对于处于疲劳寿命晚期的结构漏检错检,可能造成结构服役性能评估的重大偏差,造成严重的安全事故。
发明内容
针对现有技术的不足,本发明提出一种基于声发射信号小波包分解频带能量谱的疲劳损伤识别与寿命预测方法。声发射技术能够敏锐的捕捉到金属材料或焊接结构在发生内部变化时的声音信号,并通过小波包分解频带能量谱进行疲劳损伤识别与寿命预测,大大提升了早期疲劳损伤的识别能力,提高了对疲劳寿命的预测范围,为结构安全性评估提供了更充分的裕度。
为实现以上目的,本发明通过以下技术方案予以实现:
本发明提供一种基于声发射信号小波包分解频带能量谱的疲劳损伤识别与寿命预测方法,包括如下步骤:S10,获取疲劳加载试验的全过程中疲劳荷载作用下金属材料或焊接结构的声发射信号;S20,对声发射信号数据进行小波包分解,确定疲劳损伤识别的小波包分解的最佳小波基;S30,应用最佳小波基对声发射信号进行多层分解,分解为频率子带;S40,选取对应的一个或多个频率子带作为特征频率子带,计算其小波包分解系数的能量;S50,对疲劳加载全过程的特征频率子带小波包分解系数的能量和疲劳寿命进行归一化处理,拟合得到疲劳损伤演化方程;S60,结合监测对象的声发射监测数据根据疲劳损伤演化方程判断监测对象所处的疲劳寿命阶段。
在一些实施例中,所述步骤S10包括:S101,在金属材料或焊接结构的潜在疲劳裂纹萌生位置布置声发射信号采集传感器;S102,在疲劳加载试验的全过程中,采集金属材料或焊接结构的声发射信号,获得疲劳寿命内的疲劳损伤演化的声发射数据。
在一些实施例中,所述步骤S20包括:S201,对声发射信号数据采用不同小波基函数进行小波包分解;S202,根据分解效果参数香农熵和分解效率参数香农熵时积,确定疲劳损伤识别的小波包分解的最佳小波基。
在一些实施例中,选择的小波基函数满足:选择的小波基函数具备正交性,以保证小波包分解后不同频率子带的能量互不干扰;选择的小波基函数具备紧支撑性,以保证小波包分解对大量声发射信号的计算效率;选择的小波基函数能进行离散小波变换。
在一些实施例中,所述步骤S30包括:S301,应用最佳小波基通过小波包变换对声发射信号进行多层分解;S302,将信号在频率总带宽范围内等宽分解为频率子带。
在一些实施例中,采用小波包分解层数n,将信号在频率总带宽F分解为2n个等宽的频率子带,分解后的频率子带宽度对应包含金属材料开裂声音的固有特征频率。
在一些实施例中,所述步骤S40包括:根据金属断裂的声发射信号特征,选取对应的一个或多个频率子带作为特征频率子带。
在一些实施例中,所述步骤S50包括:S501,对疲劳加载全过程的频率子带能量和疲劳寿命进行归一化处理;S502,基于损伤力学原理拟合得到疲劳损伤演化曲线,确立疲劳损伤演化方程。
在一些实施例中,将频率子带能量进行归一化处理后得到疲劳损伤D,并将疲劳寿
命N/Nf归一化后,按照疲劳损伤演化方程进行数据拟合,
其中α是与疲劳损伤演化速度相关的调控参数,β是与材料类别相关的材料固有参数。
在一些实施例中,所述步骤S60包括:S601,对监测得到声发射信号应用最佳小波基进行小波包分解,分解为频率子带;S602,选取对应的一个或多个频率子带作为特征频率子带,计算其小波包分解系数的能量;S603,将频率子带能量进行归一化处理后得到疲劳损伤D,带入疲劳损伤演化方程,计算得到监测对象所处的疲劳寿命阶段N/Nf。
本发明相对于现有技术的有益效果是:本发明提出的基于声发射信号小波包分解频带能量谱的疲劳损伤识别与寿命预测方法,通过布置声发射传感器进行无损检测,对直接承受动力荷载的工程钢结构的疲劳损伤进行准确和高效的识别,减少了传统检测方法人工经验判断的影响。通过对工程金属材料或焊接结构所处疲劳损伤阶段和剩余寿命进行预测,大大提升了早期疲劳损伤的识别能力,提高了对疲劳寿命的预测范围,为结构安全性评估提供了更充分的裕度。本发明的具体优点至少包括如下一个或多个:
(1)本发明基于声发射技术的疲劳损伤识别技术属于无损检测方法,对原有的金属材料和焊接结构不会造成破坏性的影响,对实际工程结构的正常服役几乎没有影响;
(2)本发明可用于对新建结构进行全寿命周期的损伤监测,也可用于对既有结构进行服役现状的疲劳损伤检测和性能评估;
(3)实际工程结构一般服役环境、承受荷载情况复杂,本发明所用传感器体积小便于安装,实际操作方法简便快捷,克服了传统的检测方法器械操作空间要求高等人机交互困难的问题;
(4)本发明可用于定量的疲劳损伤评价,克服了传统检测方法依赖于肉眼观察、性能评估依赖人工经验判断等问题;
(5)本发明采用的声发射技术对微纳尺度的疲劳损伤(晶***错、滑移等)及其演化具备有效的识别能力,可以在金属材料或焊接结构出现细观或宏观裂纹之前识别损伤变化,也就是通过声发射技术处理原始信号,检测到从早期到晚期的疲劳损伤,大大提高了对早期疲劳损伤的识别能力。
应当理解,本发明任一实施方式的实现并不意味要同时具备或达到上述有益效果的多个或全部。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引申获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容涵盖的范围内。
图1为本发明疲劳损伤检测与寿命预测方法的流程图;
图2为本发明小波包分解法对信号频带划分的示意图;
图3为本发明小波包分解频率子带能量谱图;
图4为本发明不同寿命阶段频率子带能量演化图;
图5为本发明疲劳损伤演化曲线图;
图6为本发明与位移监测法疲劳损伤演化曲线对比图。
在各个附图中,相同或对应的标号表示相同或对应的部分。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明实施例作进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
应当理解,术语“包括/包含”、“由……组成”或者任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的产品、设备、过程或方法不仅包括那些要素,而且需要时还可以包括没有明确列出的其他要素,或者是还包括为这种产品、设备、过程或方法所固有的要素。在没有更多限制的情况下,由语句“包括/包含……”、“由……组成”限定的要素,并不排除在包括所述要素的产品、设备、过程或方法中还存在另外的相同要素。
还需要理解,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置、部件或结构必须具有特定的方位、以特定的方位构造或操作,不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
本发明提出基于声发射信号小波包分解频带能量谱的疲劳损伤识别与寿命预测方法,该方法为无损检测方法,尤其适用各类承受疲劳荷载的工程钢结构的疲劳损伤检测剩余寿命评估,对工程结构的正常使用几乎无影响,操作简便,损伤识别与寿命预测具有更高的精度。
为了更好的理解上述技术方案,下面将结合附图以及具体的实施方式对上述技术方案进行详细的说明。
本发明提出的基于声发射信号小波包分解频带能量谱的疲劳损伤识别与寿命预测方法,包括如下步骤:S10,获取疲劳加载试验的全过程中疲劳荷载作用下金属材料或焊接结构的声发射信号;S20,对声发射信号数据进行小波包分解,确定疲劳损伤识别的小波包分解的最佳小波基;S30,应用最佳小波基对声发射信号进行多层分解,分解为频率子带;S40,选取对应的一个或多个频率子带作为特征频率子带,计算其小波包分解系数的能量;S50,对疲劳加载全过程的特征频率子带能量和疲劳寿命进行归一化处理,拟合得到疲劳损伤演化方程;S60,结合监测对象的声发射监测数据根据疲劳损伤演化方程判断监测对象所处的疲劳寿命阶段。本发明提供的方法通过获取金属材料或焊接结构声发射信号进行无损检测,对直接承受动力荷载的工程钢结构的疲劳损伤进行准确和高效的识别,减少了传统检测方法人工经验判断的影响。通过对工程金属材料或焊接结构所处疲劳损伤阶段和剩余寿命进行预测,大大提升了早期疲劳损伤的识别能力,提高了对疲劳寿命的预测范围,为结构安全性评估提供了更充分的裕度。
参见图1,本发明所提出的方法包括两个阶段。第一阶段为疲劳损伤演化方程的参数标定阶段,通过建模方法确定模型参数并建立疲劳损伤演化方程;第二阶段为损伤识别与寿命预测阶段,获得监测对象的声发射数据,代入第一阶段建立的疲劳损伤演化方程,判断监测对象所处的疲劳寿命阶段。
步骤S10中,首先获取疲劳加载试验的全过程中疲劳荷载作用下金属材料或焊接结构的声发射信号,包括两个子步骤。
在S101中,首先要确立监测对象,一般是金属材料或结构焊接细节,在其潜在疲劳裂纹萌生位置附近布置声发射信号采集传感器。在S102中,需要在疲劳加载试验的全过程中,采集金属材料或焊接结构的声发射信号,获得疲劳寿命内的疲劳损伤演化的声发射数据。
对于不同的金属材料或结构焊接细节,其潜在疲劳裂纹萌生位置从已有的研究已经能够准确的判断,为传感器的布置位置提供参考,在此不做详细阐述。
步骤S20中,对声发射信号数据进行小波包分解,确定疲劳损伤识别的小波包分解的最佳小波基,包括两个子步骤。
在S201中,需要对声发射信号数据采用不同小波基函数进行小波包分解。由于需要将声发射信号的宽频信号通过小波包分解的方法划分为等宽的频率子带信号,并对单个或多个频率子带的信号做进一步处理,因此选择的小波基应具备如下的特点:保证小波包分解后不同频率子带的能量互不干扰,选择的小波基应具备正交性;为保证小波包分解对大量声发射信号的计算效率,选择的小波基应具备紧支撑性;选择的小波基应能进行离散小波变换。
例如,基于以上要求,可以选用编号为1-45的Daubechies小波(db1~db45),编号为1-45的Symlets小波(sym1~sym45)等。
在S202中,进一步选择最佳小波基函数。为确定不同小波基函数对信号的分解效果,
应用香农熵对小波包分解效果进行评价,其计算公式为,
其中Ei是每个频率子带的信号能量,相同条件下更小的香农熵代表更好的分解效果。
为确定不同小波基函数对信号的分解效率,应用香农熵时积对小波包
分解效率进行评价,其中Ttrans是小波包分解需要消耗的计算时间,相同条件下更小的香农
熵时积代表更高的分解效率。通过以上香农熵和香农熵时积选取出最佳小波基。
步骤S30中,应用最佳小波基对声发射信号进行多层分解,分解为频率子带,包括两个子步骤。
参见图2,在S301中,应用最佳小波基通过小波包变换对声发射信号进行多层分解。在S302中,将信号在频率总带宽范围内等宽分解为频率子带。
本发明采用小波变换的方法建立模型,小波变换是一种变换分析方法,能够提供一个随频率改变的“时间-频率”窗口,是进行信号时频分析和处理的理想工具。小波基函数是用于小波变换的一类基函数。小波基函数是一组用于分析和处理信号的函数,可以在不同时间和频率上对信号进行分解和重建。
具体而言,采用小波包分解层数n,原始信号为第0层。在第1层将信号在频率总带宽F等宽分解为2段频率子带,每段频率子带带宽为F/2。在第2层将上一层的每个频率子带宽F/2等宽分解为2段频率子带,每段频率子带带宽为F/4。继续分解,直到第n层,将上一层的每个频率子带宽F/2n-1等宽分解为2段频率子带,每段频率子带带宽为F/2n。最终共计分解为2n个等宽的频率子带,分解后的频率子带宽度应能够对应包含金属材料开裂声音的固有特征频率。例如,对钢材的疲劳试验声发射采样频率为3000kH,则声发射信号的总带宽为1500kH,对声发射信号进行6层小波包分解,即将1500kH的带宽划分为64(26)个等宽频率子带,子带宽为23.4375(1500/64)kH。
需要说明的是,子带就是将原信号的总带宽拆成多个互不干扰的不同频段,然后找到金属材料开裂声音的固有特征频率相对应的频段。
参见图3,以一个具体信号的实例进行的小波包分解,绘制了6层小波包分解后第1-16阶频率子带的能量分布(由于第17-64阶高频频段的频率子带的能量几乎为0,未绘制在图中)。由图中可见,6层小波包分解后,第10阶以后的能量已经很小,说明在通常情况下,金属受到荷载发出的声音频率主要集中在1-9阶,较少出现更高频率。由此也提示我们,实践中没必要用那么高频的采样频率去采集数据,可能1/3甚至1/4的采样频率就够用了。但是,容易理解,采样频率当然是越高越好,万一有更高频的信号,低频传感器捕捉不到,可能造成数据采集误差或错误。
在步骤S40中,根据金属断裂的声发射信号特征,选取对应的一个或多个频率子带作为特征频率子带,计算其小波包分解系数的能量。
所谓对应的一个或多个频率子带,是因为不同的金属断裂时会有自己特定的声音范围。例如,钢材裂纹扩展的声发射信号频率约为90kH~180kH,超过这个频率范围,声发射的能量较低或可忽略不计,这是由于金属断裂的声音信号不会有如此高频的能量,如图3所示,第10阶以后的频率子带能量接近0;低于这个频率范围的声音成分大部分为环境噪声,和金属的内部损伤及断裂无关。而小波包分解是一个连续的范围,从0到90kHz这段按照本实施例中23.4375kH的子带宽,从第1阶到第4阶共93.75kH的带宽可以不考虑,本实施例选择第5(93.75kH~117.1875kH)到第9(164.0625kH~187.5kH)频率子带作为特征频率子带,并计算能量。
具体如何计算,对于每一个频率子带,通过小波包分解都会得到一个和信号原始长度一样的小波包系数,能量为该系数每个元素的平方和。例如,声发射测试的采样频率是3000kH,疲劳试验的加载频率为10Hz,即每个加载周期内的声发射信号长度0.1s,每个频率子带的小波包系数是一个包含30万个元素数的向量,能量即为30万元素数的平方和。
如图4所示,计算得到的频率子带能量,应随着疲劳荷载加载次数的增加具备显著的演化特征,形成在不同寿命阶段的递增差异,越接近寿命终点能量相对越高。
步骤S50中,对疲劳加载全过程的特征频率子带能量和疲劳寿命进行归一化处理,拟合得到疲劳损伤演化方程,包括两个子步骤。
在S501中,将频率子带能量进行归一化处理后得到疲劳损伤D,同时将疲劳寿命N/Nf也进行归一化处理。
例如,一种简单的线性归一化方法可以把频率子带能量的数值范围从最大值Emax到最小值Emin转化到0~1,具体为:D=(E-Emin)/(Emax-Emin)。横坐标转化为N/Nf,N的取值是从0~Nf。
在S502中,按照疲劳损伤演化方程进行数据拟
合,并建立疲劳损伤演化方程。其中α是与疲劳损伤演化速度相关的调控参数,β是与材料类
别相关的材料固有参数。
需要说明的是,由于选择了“一个或多个”频率子带,每个频率子带能量进行归一化后得到的疲劳损伤D与疲劳寿命均能拟合出一条曲线,这里可以只选取一条曲线生成疲劳损伤演化方程,例如只选第5阶频率子带拟合而成的曲线;也可以全选5个阶生成5条曲线,然后将5条曲线取平均值生成1条曲线;再或者把5条曲线包络成一个条带。总而言之,可以从应用的角度出发,选取不同频率子带能量所生成的疲劳演化曲线。
还需要说明的是,疲劳加载试验就是一直重复加载,直至破坏。N是周期计数,Nf是最终寿命。举例说明,一个试验加载了125000次,对象被破坏,试验停止。N就是不断计数的一个变量,Nf是最终寿命125000,因此可以定义N/Nf为金属材料或焊接结构的疲劳寿命阶段。一般来说,金属材料或焊接结构疲劳损伤有三个阶段:第一阶段,N/Nf≤0.2,金属材料或焊接结构只是初期变形;第二阶段,0.2<N/Nf<0.8,金属材料或焊接结构发生微纳损伤,金属晶格之间出现相互错动,宏观上没有任何变化;第三阶段:N/Nf≥0.8,金属材料或焊接结构出现宏观裂纹。
在疲劳试验过程中,由于声发射信号的能量在N/Nf较小时就有显著变化,到临近破坏时(N/Nf≥80%),能量增长的更为剧烈。因此,可以将声发射信号的能量强度作为识别损伤指标,N/Nf为疲劳寿命阶段,本发明基于这种特性,通过探求两者之间的联系,可以实现全寿命阶段定量损伤监测。
所谓定量损伤监测,相对于传统方法而言,传统疲劳损伤检测方法有:液体渗透、磁粉、涡流以及超声等。“液体渗透、磁粉、涡流”对疲劳损伤检测是通过这些外部的手段,用肉眼的方式看到疲劳裂纹,然后拍照留存,主要通过记录裂纹的长度来表达损伤的大小,非常不准确。“超声”是对连续介质进行声音信号的发射和接收,只有当裂纹出现了,才能有信号的变化,也无法定量的表达损伤的大小。这些传统方法都只能在裂纹出现了才能检测到,此时N/Nf至少在80%以上,已经处于疲劳寿命的末期,一旦对于处于疲劳寿命晚期的结构漏检错检,可能造成结构服役性能评估的重大偏差,造成严重的安全事故。
而声发射技术是一种捕捉记录材料或结构自身变化发出声音的技术。声发射信号在疲劳试验过程中N/Nf很小的时候就有显著变化,到临近破坏的时候(N/Nf=80%及以后)增长的更加剧烈,因此可以将声发射信号的能量强度作为损伤指标(D=1时认为达到破坏),达到全寿命定量损伤检测的效果,这是不同于传统检测方法的显著优势。
参见图5、图6,图5示出了本发明疲劳损伤演化曲线图,图6是基于本发明方法与基于位移监测的疲劳损伤演化曲线对比图。显然可见,采用本发明的声发射技术能够识别出早期的损伤变化,而其他基于宏观裂纹的传统疲劳损伤检测技术,例如常规的声发射时域处理方法,有其短板,且都缺乏对N/Nf=0.8以前的早期疲劳损伤的识别能力,早期损伤识别却尤为重要。而价格昂贵的原位X射线成像设备,一般用于实验室条件下的测试,无法在工程实践中得到应用。
还需要说明的是,在进行疲劳损伤演化方程调参的过程中,应通过调整拟合参数α的置信水平,使疲劳损伤演化曲线向下包络住更多的试验点,在同一损伤程度D的情况下得到的更大的N/Nf值,以保证在后续疲劳损伤程度判定和剩余寿命预测时得到更保守的结果,进而保障材料和焊接结构安全使用的需求。本发明提供的方法能够识别出金属材料或焊接结构早期的损伤变化,这在传统的技术方法是很难实现的。
步骤S60中,结合监测对象的声发射监测数据根据疲劳损伤演化方程判断监测对象所处的疲劳寿命阶段,包括三个子步骤。
首先进行疲劳损伤识别,在S601中,采集监测对象的声发射信号数据,应用最佳小波基进行小波包分解,分解为频率子带。在S602中,选取对应的一个或多个频率子带作为特征频率子带,计算其小波包分解系数的能量,将频率子带能量进行归一化处理后得到疲劳损伤D。然后进行金属材料或焊接结构的寿命预测,在S603中,将疲劳损伤D代入第一阶段步骤S50建立的疲劳损伤演化方程,计算得到监测对象所处的疲劳寿命阶段N/Nf。
综上可知,通过声发射技术及小波变换的数据处理方式,最终实现检测对象的疲劳损失识别与寿命预测,本发明大大提升了早期疲劳损伤的识别能力,提高了对疲劳寿命的预测范围,为结构安全性评估提供了更充分的裕度,为材料和结构的安全使用提供保障。
虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本发明的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地,在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种基于声发射信号小波包分解频带能量谱的疲劳损伤识别与寿命预测方法,其特征在于,包括如下步骤:
S10,获取疲劳加载试验的全过程中疲劳荷载作用下金属材料或焊接结构的声发射信号;
S20,对声发射信号数据进行小波包分解,确定疲劳损伤识别的小波包分解的最佳小波基;
S30,应用最佳小波基对声发射信号进行多层分解,分解为频率子带;
S40,选取对应的一个或多个频率子带作为特征频率子带,计算其小波包分解系数的能量;
S50,对疲劳加载全过程的特征频率子带小波包分解系数的能量和疲劳寿命进行归一化处理,拟合得到疲劳损伤演化方程;
S60,结合监测对象的声发射监测数据根据疲劳损伤演化方程判断监测对象所处的疲劳寿命阶段。
2.根据权利要求1所述的疲劳损伤识别与寿命预测方法,其特征在于,所述步骤S10包括:
S101,在金属材料或焊接结构的潜在疲劳裂纹萌生位置布置声发射信号采集传感器;
S102,在疲劳加载试验的全过程中,采集金属材料或焊接结构的声发射信号,获得疲劳寿命内的疲劳损伤演化的声发射数据。
3.根据权利要求1所述的疲劳损伤识别与寿命预测方法,其特征在于,所述步骤S20包括:
S201,对声发射信号数据采用不同小波基函数进行小波包分解;
S202,根据分解效果参数香农熵和分解效率参数香农熵时积,确定疲劳损伤识别的小波包分解的最佳小波基。
4.根据权利要求3所述的疲劳损伤识别与寿命预测方法,其特征在于,选择的小波基函数满足:
选择的小波基函数具备正交性,以保证小波包分解后不同频率子带的能量互不干扰;
选择的小波基函数具备紧支撑性,以保证小波包分解对大量声发射信号的计算效率;
选择的小波基函数能进行离散小波变换。
5.根据权利要求1所述的疲劳损伤识别与寿命预测方法,其特征在于,所述步骤S30包括:
S301,应用最佳小波基通过小波包变换对声发射信号进行多层分解;
S302,将信号在频率总带宽范围内等宽分解为频率子带。
6.根据权利要求5所述的疲劳损伤识别与寿命预测方法,其特征在于:
采用小波包分解层数n,将信号在频率总带宽F分解为2n个等宽的频率子带,分解后的频率子带宽度对应包含金属材料开裂声音的固有特征频率。
7.根据权利要求1所述的疲劳损伤识别与寿命预测方法,其特征在于,所述步骤S40包括:
根据金属断裂的声发射信号特征,选取对应的一个或多个频率子带作为特征频率子带。
8.根据权利要求1所述的疲劳损伤识别与寿命预测方法,其特征在于,所述步骤S50包括:
S501,对疲劳加载全过程的频率子带能量和疲劳寿命进行归一化处理;
S502,基于损伤力学原理拟合得到疲劳损伤演化曲线,确立疲劳损伤演化方程。
9.根据权利要求8所述的疲劳损伤识别与寿命预测方法,其特征在于:
将频率子带能量进行归一化处理后得到疲劳损伤D,并将疲劳寿命N/Nf归一化后,按照疲劳损伤演化方程进行数据拟合,其中α是与疲劳损伤演化速度相关的调控参数,β是与材料类别相关的材料固有参数。
10.根据权利要求1所述的疲劳损伤识别与寿命预测方法,其特征在于,所述步骤S60包括:
S601,对监测得到声发射信号应用最佳小波基进行小波包分解,分解为频率子带;
S602,选取对应的一个或多个频率子带作为特征频率子带,计算其小波包分解系数的能量;
S603,将频率子带能量进行归一化处理后得到疲劳损伤D,带入疲劳损伤演化方程,计算得到监测对象所处的疲劳寿命阶段N/Nf。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311461005.XA CN117191952B (zh) | 2023-11-06 | 2023-11-06 | 基于声发射信号小波包分解频带能量谱的疲劳损伤识别与寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311461005.XA CN117191952B (zh) | 2023-11-06 | 2023-11-06 | 基于声发射信号小波包分解频带能量谱的疲劳损伤识别与寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117191952A true CN117191952A (zh) | 2023-12-08 |
CN117191952B CN117191952B (zh) | 2024-01-23 |
Family
ID=88990872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311461005.XA Active CN117191952B (zh) | 2023-11-06 | 2023-11-06 | 基于声发射信号小波包分解频带能量谱的疲劳损伤识别与寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117191952B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117783294A (zh) * | 2024-02-26 | 2024-03-29 | 西南林业大学 | 一种基于声发射能量熵的木材损伤动态检测方法与*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170052060A1 (en) * | 2014-04-24 | 2017-02-23 | Alstom Transport Technologies | Method and system for automatically detecting faults in a rotating shaft |
CN107228772A (zh) * | 2017-06-09 | 2017-10-03 | 华中科技大学 | 一种盾构隧道结构损伤评估方法 |
CN108760890A (zh) * | 2018-04-03 | 2018-11-06 | 北京理工大学 | 一种使用信号能谱系数监测脆性材料损伤演化过程的方法 |
CN110208377A (zh) * | 2019-06-19 | 2019-09-06 | 南京邮电大学 | 一种基于Lamb波的多特征参数损伤程度评估方法 |
-
2023
- 2023-11-06 CN CN202311461005.XA patent/CN117191952B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170052060A1 (en) * | 2014-04-24 | 2017-02-23 | Alstom Transport Technologies | Method and system for automatically detecting faults in a rotating shaft |
CN107228772A (zh) * | 2017-06-09 | 2017-10-03 | 华中科技大学 | 一种盾构隧道结构损伤评估方法 |
CN108760890A (zh) * | 2018-04-03 | 2018-11-06 | 北京理工大学 | 一种使用信号能谱系数监测脆性材料损伤演化过程的方法 |
CN110208377A (zh) * | 2019-06-19 | 2019-09-06 | 南京邮电大学 | 一种基于Lamb波的多特征参数损伤程度评估方法 |
Non-Patent Citations (3)
Title |
---|
左宪章 等: "基于小波包最优基子带能量的裂纹特征提取", 机械强度, vol. 32, no. 02, pages 212 - 217 * |
贺银芝 等: "小波包分解及其能量谱在发动机连杆轴承故障诊断中的应用", 振动工程学报, vol. 14, no. 01, pages 72 - 75 * |
陈侃 等: "钛合金车削加工过程中刀具磨损状态监测的小波包子带能量变换特征提取新方法", 组合机床与自动化加工技术, no. 01, pages 35 - 38 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117783294A (zh) * | 2024-02-26 | 2024-03-29 | 西南林业大学 | 一种基于声发射能量熵的木材损伤动态检测方法与*** |
CN117783294B (zh) * | 2024-02-26 | 2024-04-26 | 西南林业大学 | 一种基于声发射能量熵的木材损伤动态检测方法与*** |
Also Published As
Publication number | Publication date |
---|---|
CN117191952B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117191952B (zh) | 基于声发射信号小波包分解频带能量谱的疲劳损伤识别与寿命预测方法 | |
US10175070B2 (en) | Selective decimation and analysis of oversampled data | |
Yuan et al. | Percussion-based bolt looseness monitoring using intrinsic multiscale entropy analysis and BP neural network | |
CN101509604B (zh) | 一种金属管内堆积物的检测和评定方法及装置 | |
US9523661B2 (en) | Method and apparatus for locating a source of damage in a large composite material structure | |
Wu et al. | The use of partial discharges as an online monitoring system for underground cable joints | |
US9726618B2 (en) | Sensing system and method | |
US8091427B2 (en) | Nondestructive inspection apparatus and nondestructive inspection method using guided wave | |
KR101716877B1 (ko) | 자가 압전센싱 기반의 비선형 초음파 피로균열 검사 장치 및 방법 | |
CN111208206A (zh) | 一种温度变化环境下的复合材料超声导波结构健康监测方法 | |
CN103792287A (zh) | 一种基于Lamb波的大面积结构损伤检测方法 | |
KR101039593B1 (ko) | 검사 신뢰성이 제고된 초음파 가진 열화상을 이용한 물체의 결함검출장치 및 결함검출방법 | |
CN113819401A (zh) | 基于光纤振动及温度测试的沙漠埋地管道监测***与方法 | |
Chen et al. | A novel method for enhanced demodulation of bearing fault signals based on acoustic metamaterials | |
CN103926324A (zh) | 一种超声表面波检测主汽管道蠕变损伤的方法 | |
Shahid et al. | Novel health diagnostics schemes analyzing corona discharge of operational aerial bundled cables in coastal regions | |
CN103954628B (zh) | 联合eemd和近似熵的钢管损伤监控方法 | |
CN109059813A (zh) | 一种起重机械钢结构腐蚀强度检测方法 | |
CN110082493A (zh) | 一种高温导汽管的蠕变寿命现场快速无损评估方法 | |
JP2012127774A (ja) | 腐食発生検知方法、腐食発生検知装置、および腐食発生検知システム | |
KR101131996B1 (ko) | 증기발생기 전열관 외경축 균열에 대한 모터구동 회전 탐촉자 와전류 탐상검사방법 | |
CN113763679B (zh) | 气体绝缘封闭式组合电器异响监测方法及装置 | |
Abdelrahman | Evaluation of concrete degradation using acoustic emission: Data filtering and damage detection | |
KR102525367B1 (ko) | 아이오티 기반 초음파를 이용한 라이닝 코팅 접합 상태 진단, 고온 측정 두께의 보정과 임계 두께 결정에 의한 위험 예측 시스템 및 그 방법 | |
Park et al. | Piezo-sensor self-diagnostics using electrical impedance measurements. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |