压力容器声发射信号人工神经网络模式识别方法的研究

采用人工神经网络模式识别技术对现场压力容器各种声发射源信号特征参数进行了模式识别分析,提出了采用人工神经网络分类方法对压力容器声发射源信号进行定量分析的概念,从而找到了评价声发射源严重程度的方法,设计和培训的人工神经网络可以给出一个多种因素产生的复合声发射源中裂纹扩展、氧化夹渣断裂、残余应力释放和机械摩擦信号所占的百分比,这一结果使声发射技术对压力容器安全状态的无损评价成为可能。     

基于SVM的碳纤维/环氧复合材料声发射源识别

对单丝碳纤维/环氧树脂复合材料的试样以及碳布/环氧树脂试样拉伸,对其拉伸过程中产生的声发射源信号利用声发射波形参数作为不同神经网络的输入对其进行模式识别,发现SVM神经网络比BP神经网络在对声发射源信号进行模式识别时具有更高的预测准确率。在增加SVM网络训练集时,SVM网络的预测准确率有较大的提高。利用声发射波形参数与SVM对碳/环氧树脂复合材料进行模式识别得到较好的效果。     

基于BP神经网络的混流式水轮机裂纹声发射源定位方法

提出使用基于BP神经网络的智能定位方法,用于混流式水轮机的裂纹声发射源定位。理论和实验证明,该方法较好地解决了声发射源定位问题,为进行混流式水轮机裂纹在线监测提供依据。     

基于声发射信号的桥式起重机主梁结构裂纹损伤检测

为了对桥式起重机的损伤情况进行判断，提出了一种基于声发射信号强度与持续时间关系的裂纹损伤检测方法。该方法通过对不同工况下声发射信号的持续时间和信号强度的关联点图的对比分析，提出了一种用于检测裂纹损伤的斜率趋势指标，并对桥式起重机主梁完整结构和与其材料相同的预制裂纹试验件进行了试验。结果表明，无缺陷起重机结构与缺陷起重机结构获得的关联图具有不同的斜率趋势，可以为起重机损伤情况的判断提供参考。     

基于谐波提取的焊接过程声发射信号特性分析

通过试验掌握焊接过程中声发射信号特性是实现焊接裂纹声发射在线检测的前提。提出了一种基于谐波提取的声发射信号特性分析方法,结合焊接过程中声发射信号测试试验,对焊接过程中的声发射信号进行有效提取与频谱分析,获取了焊接过程中摩擦激励源、焊接电弧冲击激励源和焊接结构裂纹激励源声发射信号的频域特性。为实现焊接过程中的结构裂纹声发射在线检测提供了基础数据及参考依据。     

起重机箱形梁结构表面裂纹扩展的声发射特性

采用声发射技术监测带有表面焊接裂纹的箱形梁结构的三点弯曲试验。分析了箱形梁试件受载弯曲过程中裂纹扩展的声发射信号特征,比较了加载过程中不同载荷水平下定位源信号的声发射参数特征。研究发现,表面裂纹扩展的声发射信号为突发型信号,其幅度主要为45～60dB,频率主要分布在100～450kHz。试验结果表明,线定位方法可以对箱形梁试件中的裂纹缺陷进行准确定位。     

不同裂纹尺寸铝板的电磁声发射特性

利用电磁学电致涡流原理,采用有限元方法,建立了电磁声发射数学模型,对含裂纹的铝板进行了电磁场数值模拟,分析了裂纹尺寸对裂纹尖端洛伦兹力的影响,并在实验室条件下,对不同尺寸裂纹进行了电磁声发射试验。结果表明,通过幅值参数可以判断试件有无缺陷,在频谱分析时,信号的高频成分有峰值现象。利用小波包分析方法对声发射信号波形进行了分解与重构,发现在裂纹长度或者深度增加时,高频信号的波形和频谱的峰值电压也逐渐变大,仿真分析与试验结果一致。     

声发射技术在疲劳裂纹监测中的应用

主要介绍了声发射技术在金属结构试件疲劳试验中的应用,对带孔金属铝板的疲劳裂纹萌生的声发射监测进行了研究,并且对采集到的声发射信号进行了处理与分析。声发射监测技术可以实现结构疲劳裂纹萌生的早期实时监控和扩展趋势的判断。     

长管拖车气瓶声发射检测技术

为发现长管拖车气瓶实际使用中存在的裂纹、腐蚀等危险缺陷,保障长管拖车的安全运行,根据长管拖车气瓶结构、尺寸和材料特点,制定了相应的声发射检测方案。加工了裂纹和腐蚀减薄等人工缺陷,对长管拖车气瓶进行了整体声发射检测试验。模拟了裂纹、线腐蚀、点腐蚀和面腐蚀等四种不同缺陷的监测过程和定位结果,并对这些声发射源的定位、分布和关联特性分别进行了分析。     

6H-SiC脆性切削声发射响应的分子动力学研究

采用分子动力学方法研究了6H-SiC脆性切削的声发射响应。研究了原子尺度下6H-SiC的微变形和裂纹形核,同时对加工过程中的声发射源进行了识别,分析了其相应的声发射特征。结果表明,6H-SiC在77 nm切削深度下的脆性变形过程简单但不寻常;在6H-SiC切削过程中位错不会连续扩展,变形后的工件在刀具挤压作用下被分割成块,并由位错的快速扩展引发裂纹。对于影响声发射源特征的因素研究发现：初始压应力会导致声发射功率的下降;频率-能量分析中可见的3种声发射源分别是晶格振动、位错扩展和裂纹扩展。此外,在1 K温度下,2次明显的位错传播的声发射响应比晶格振动具有更高的频率特性,但总能量水平最低。相反地,裂纹扩展的声发射响应具有更为明显的频率分布特性和能量特性。     

Determining the stress intensity factor of a material with an artificial neural network from acoustic emission measurements

An artificial neural (ANN) network was trained to recognize the stress intensity factor in the interval from microcrack to fracture from acoustic emission (AE) measurements on compact tension specimens. The specimens were made from structural steel SWS490B whilst the ANN had a 5-14-1 structure. The number of neurons in the input layers was five inputs of the AE parameters such as ring-down counts, rise time, energy, event duration and peak amplitude. The performance of the ANN was tested using a specific set of the AE data. The ANN is a promising tool for predicting the stress intensity factor of material using AE data.     

泄漏声发射传感器的标定研究

介绍了声发射传感器标定原理及几种常用标定方法的模拟声源的特性。提出了将比较法应用于管道泄漏检测的声发射传感器的标定。建立了基于脉冲表面波声场的声发射传感器标定系统，对商用和自制的几种声发射传感器进行了标定。标定结果和探头使用效果证明，比较法标定声发射传感器是可行的。     

声发射检测中用人工神经网络剔噪的分析与研究

提出一种利用人工神经网络模型组成的软件进行滤波,实现高背景噪声下声发射信号检测的方法.首先研究利用计算机进行软件模拟来处理信号的方法,然后再实现硬件,其中部分工作有待将来开展.     

螺旋肋钢丝与混凝土粘结滑移的声发射检测

声发射技术作为一种新型动态无损检测方法,可动态检测在役钢筋混凝土结构的粘结滑移性能。对螺旋肋钢丝与混凝土拔出试件进行拔出试验,利用声发射技术对其拔出过程中的声发射特征信号进行处理与分析,得出这两种材料粘结滑移的声发射特征;通过三维时差定位方法对拔出过程的声发射源进行定位,由定位结果可知,声发射源点主要分布在粘结滑移界面,证明与实际受力结果吻合;最后结合试验数据,建立了粘结破坏过程的受力状态与声发射能量参数间的对应关系。     

声发射技术在金属电化学腐蚀与应力腐蚀研究中的应用

    综述了金属电化学腐蚀、应力腐蚀以及高温高压水环境下腐蚀过程中的声发射信号特征与产生机制,及目前研究现状与存在的问题,探讨了进一步研究的方向和思路.        

声发射技术在氧化膜破裂监测中的应用

在高温腐蚀领域,声发射技术是一种最有效且具有极高灵敏度的监测氧化膜破裂的技术.通过分析声发射计数,可以判断氧化膜首次发生破裂的时间及最后破裂的程度.如对声发射频谱进行分析,则可以判别氧化膜内发生塑性变形、开裂及剥落的过程.利用声发射技术还可以测量氧化膜/合金界面处预存物理缺陷大小及分布.此外,将声发射技术与其它技术结合,可建立全新的分析测试系统.综述了声发射技术用于监测氧化膜破裂的原理和方法,以及多种性能测试方面的应用与新发展.     

一种立方体监测网络的声发射源和微震源解析定位方法(英文)

通过选取合理的坐标原点及传感器位置简化声发射源定位方程, 得到声发射源或微震源三维定位方法的解析解。算例研究表明,对于传感器阵列内、外的声发射源事件, 解析方法定位结果完全与实际坐标一致;对于传感器阵列内的声发射源事件,传统方法略有误差,一般为 0.010.03m, 而对于传感器阵列外的微震源, 传统时差定位方法的定位误差很大,最大的达到 1080986 m;采用横截面为 100mm×98mm、长度为350mm 的花岗岩试样, 进行 5 次断铅定位实验,分别用传统方法和解析方法进行定位,结果发现在监测网络外的4个声发射事件, 解析定位的误差亦小于传统方法的定位误差。可见解析定位精度较传统方法有明显提高,最高可提高 17.61mm;利用解析解定位, 无需确定拟合初值和拟合迭代算法, 仅通过简单的四则运算即可定位,用常规的计算器或Microsoft Excel 即可求解。     

Neural network detection of grinding burn from acoustic emission

An artificial neural network (ANN) approach is proposed for the detection of workpiece “burn”, the undesirable change in metallurgical properties of the material produced by overly aggressive or otherwise inappropriate grinding. The grinding acoustic emission (AE) signals for 52100 bearing steel were collected and digested to extract feature vectors that appear to be suitable for ANN processing. Two feature vectors are represented: one concerning band power, kurtosis and skew; and the other autoregressive (AR) coefficients. The result (burn or no-burn) of the signals was identified on the basis of hardness and profile tests after grinding. The trained neural network works remarkably well for burn detection. Other signal-processing approaches are also discussed, and among them the constant false-alarm rate (CFAR) power law and the mean-value deviance (MVD) prove useful.