[发明专利]基于SNF策略和DSD策略的16Mn钢焊接部位疲劳损伤状态识别系统

说明书

技术领域

本发明涉及一种对在役16Mn钢焊接部位服役期间的失效状态进行识别的方法。更特别地说，是指一种基于SNF滤波策略和DSD判断策略，采用声发射技术及神经网络方法，对港口大型机械设备中在役16Mn钢焊接部位的疲劳损伤状态进行表征及定量评估的系统。

背景技术

港口大型机械设备中的岸边设备：如装船机、卸船机、抓斗机，常应用16锰钢焊接部位作为关键承力件。岸边设备在使用一段时间后，作为16锰钢焊接部位的损伤状态对整个岸边设备的使用寿命将造成重要影响。

16Mn钢(16锰钢)是结合我国资源情况发展起来的一种低合金钢，已被广泛使用。16Mn钢承力件在服役一定的时间后，时常会发生一些失效事故，而焊接部位的损伤是造成其失效的主要原因。16Mn钢承力件中的焊接部位由于其组织，性能的不均匀性以及焊接应力，焊接缺陷的存在，成为最容易产生损伤的薄弱部位。而形变损伤是造成其失效的主要原因，为此要对其损伤状态作出有效的识别，及时、正确地评价16Mn钢焊接部位的形变损伤程度，为其安全运行及寿命预测提供依据。

焊接部位声发射技术(Acoustic Emission Technique)因具有动态、实时检测等优点，已广泛的应用于结构和构件的损伤检测。实践表明，不同组织材料在受载荷作用时会发生不同程度的损伤，而损伤状态的不同发出的声发射信号特征也将不同。例如在受循环载荷作用的初期和末期发生的弹塑性损伤等。这些不同损伤状态的声发射波形信号幅度、相位、频率等参数都会各有区别。因此可以利用声发射技术作为监测16Mn钢焊接部位疲劳损伤状态的工具。

神经网络是一种模拟人思维的一个非线性系统。BP神经网络学习算法可以描述为：首先标准化训练样本，初始化权值、阈值，然后输入训练样本，对每个样本计算其输出状态，得到其误差，并根据误差反向传播调整网络各层的权值与阈值，如此反复调整直到网络误差满足设置的条件为止。样本训练完成之后，输入检验样本，若此时网络误差小于检验误差，则该网络可以用于实际预测。

随着现代工业日益向大规模、高效率发展，作为港口重要物流装备的大型岸边起重机械，具有以下几个特点：

(1)设备老，有很多大型起重机是60年代至70年代我国自行设计制造或从东欧进口，还有少数是从美、日等国进口的二手设备，按设计寿命20～25年考虑，很多设备也已进入服役后期或超期服役阶段；

(2)任务重，随着生产规模的扩大，以及起重机更新的滞后，许多起重机的工作日趋繁重，超载的情况也时有发生；

(3)目前的损伤检测方法不成熟，超声波检测和磁粉检测等方法对起重机进行的部分抽样检测，盲目性大、易出现漏检且检测的周期长，工作量大，费用昂贵；

(4)预警评估系统不完善，目前应用的分析判别技术还不能对起重机焊接部位的损伤做出准确的预警和安全评估。

因此，为确保起重机安全可靠的运行，须对焊接部位进行检测、判断焊接部位的损伤状态，从而进行安全评估。

发明内容

为了减少大型机械焊接部位在使用过程中突发疲劳断裂造成的人员伤害、设备损失和经济损失，本发明提出一种基于SNF策略和DSD策略的神经网络方法来预测在役16Mn钢焊接部位的疲劳损伤参数，并对疲劳损伤状态进行判断的系统。该状态识别首先采用SNF策略对多路声发射换能器采集得到的信息进行多维滤波，并采用人工神经网络方法对滤波后的信号进行训练和预测，获得16Mn钢焊接部位的疲劳损伤参数；然后采用DSD策略对神经网络输出结果进行判定，确定被测件的疲劳损伤状态。该系统在工作状态下，能够对在役16Mn钢焊接部位的疲劳损伤参数进行拾取，对不同损伤状态进行识别，并对识别出的结果作出预警。

本发明是一种基于SNF策略和DSD策略的16Mn钢焊接部位疲劳损伤状态识别系统，该系统包括有多个声发射换能器(4)、多路前置放大器(3)、一个声发射仪(2)和一个16Mn钢焊接部位疲劳损伤无损检测单元(1)；

16Mn钢疲劳损伤无损检测单元(1)包括有SNF过滤模块(11)、样本抽取模块(12)、神经网络预测模块(13)和DSD疲劳损伤识别模块(14)；SNF过滤模块(11)包括有SNF能量滤波处理模块(11A)、SNF幅值滤波处理模块(11B)和SNF波形滤波处理模块(11C)。