论文部分内容阅读
声发射(AcousticEmission,AE)是无损检测和评估中的一种重要方法,可广泛应用在石油化工、航天航空、材料实验和交通运输等领域。大型工业基础设施的运行安全性和可靠性是当前研究的热点问题,如果不能对其在服役过程中的性能和寿命给予有效的检测和评估,就很难避免灾难性事故的发生。本文针对声发射检测过程中的关键技术进行了研究,主要包括以下几个方面的工作:(1)从声发射信号的共性出发,分析声发射信号的传播、衰减和散射模型,以及噪声对特征参数分形维的影响。基于快速独立分量分析算法(FastICA)降噪理论,对比分析4种不同判据的FastICA模型对降噪结果的影响。与其它降噪算法比较,结果表明FastICA降噪效果更好,并将FastICA降噪后的声发射特征参数和原信号的特征参数进行比对,进一步验证FastICA算法在声发射信号降噪中的可行性和有效性。(2)针对声发射检测过程中事件判定不准的问题,本文采用基于聚类分析的声发射信号处理方法,提高了声发射事件提取准确率。根据声发射定位要求,研究三角定位算法和超定定位算法,并根据算法不同特点采用牛顿迭代法和信赖域法对定位方程进行求解。通过蒙特卡洛模拟实验对比研究两种算法在理想和非理想情况下的计算性能和定位性能,并分析速度误差和时间误差对两种算法的影响。通过断铅实验比较了 AEWin、三角定位和超定定位的定位结果,分析结果表明,基于超定定位算法具有更高的定位精度和更好的算法稳定性。(3)设计完整和V型槽两种Q235B板材试样的弯曲实验,采用时频历程和相关分析对损伤过程中的声发射信号特征参数进行分析。通过机理分析得出,当材料存在损伤时AE信号的活性会增强的更迅速,更易达到屈服点,并且会伴随新的特征频率出现;AE特征参数之间的相关关系只对声发射源敏感,而与产生该信号的结构损伤形式无关。基于AR模型对Q235材料拉伸过程中的声发射信号进行特征提取,将AR模型参数作为BP神经网络的输入,实现了试样在不同损伤阶段的识别。通过与其它方法进行对比分析,发现基于AR和BP神经网络的模式识别方法识别率更高。(4)自主开发一套“声发射检测数据分析系统”的软件,其主要功能包括:声发射信号采集模块、信号处理模块、显示模块和文档保存模块。该系统能够完成声发射信号波形分析,声发射源定位和模式识别等工作。