[发明专利]一种增材产品残余应力测试方法在审
| 申请号: | 202010083066.7 | 申请日: | 2020-02-07 |
| 公开(公告)号: | CN111207869A | 公开(公告)日: | 2020-05-29 |
| 发明(设计)人: | 郭金花 | 申请(专利权)人: | 航天科工防御技术研究试验中心 |
| 主分类号: | G01L5/00 | 分类号: | G01L5/00;G01N23/2005;G01N23/20 |
| 代理公司: | 北京风雅颂专利代理有限公司 11403 | 代理人: | 李翔 |
| 地址: | 100085*** | 国省代码: | 北京;11 |
| 权利要求书: | 查看更多 | 说明书: | 查看更多 |
| 摘要: | |||
| 搜索关键词: | 一种 产品 残余 应力 测试 方法 | ||
本发明公开了一种增材产品残余应力测试方法,先通过电解抛光,将粗糙的增材产品表面进行抛光,然后通过控制电解的腐蚀电流和时间参数,实现对产品的逐层深入的剥层,然后在逐层深入剥层的过程中,通过X射线衍射方法测量沿剥层深度方向残余应力,本发明实施例提供的测试方法,不仅解决增材产品表面粗糙,无法直接测量的问题,同时克服了单纯X射线测量技术只能测表面的局限性,实现了增材产品深度方向残余应力的测量,同时具有操作简单,深度可控的优点。
技术领域
本发明涉及残余应力测试方法技术领域,特别是指一种增材产品残余应力测试方法。
背景技术
材料中发生不均匀的弹性形变或不均匀的弹塑性形变会产生残余应力,残余应力是材料弹性各向异性和塑性各向异性的反映。单晶材料是各向异性体,多相多晶体材料虽然在宏观上表现为各向同性,但在微区,由于晶界的存在和晶粒的不同取向,弹塑性变形是不均匀的。实际工程应用中,造成材料不均匀变形的原因主要有:(1)冷热变形时沿截面弹塑性变形不均匀;(2)加热或冷却时其内部温度分布不均匀,从而导致热胀冷缩不均匀;(3)热处理时不均匀的温度分布引起相变过程的不同步性。材料在加工和处理过程中上述因素都难以避免,因而在机件中残余应力是必然存在的。
增材制造是近年来新型的产品成型过程,属于快速凝固加工过程,但又比传统工艺过程复杂,层层堆叠的过程使得产品的热分布处于不断变化的过程,因此,增材产品成型后存在较大的残余应力,需要经过后处理,消除产品残余应力后才能应用。目前对增材产品残余应力的测试方法有超声法、磁性法、X射线衍射法、盲孔法和中子衍射法。
申请人研究发现,上述测量方法中超声法测量可靠性还没达到广泛应用的程度;磁性法仅适用于铁磁性材料,有一定的局限性;盲孔法对产品造成二次破坏,产生新的残余应力;中子衍射法由于设备昂贵,很难工业化推广应用;X射线衍射法为最广泛应用的测试方法,但由于X射线穿透深度有限,只能局限于表面残余应力测量,无法实现产品内部残余应力的测量,同时增材产品的表面粗糙度也限制了上述方法的直接应用。
发明内容
有鉴于此,本发明的目的在于提出一种增材产品残余应力测试方法,实现对增材产品内部残余应力的测量。
基于上述目的本发明提供的一种增材产品残余应力测试方法,包括如下步骤,
样品安装:将样品与电解装置的一极相连,电解装置的另一极与电解液相连;
电解抛光:调节电解装置电流为0.5~3.5A,先对样品表面进行电解抛光处理10~30s,然后对样品逐层进行电解剥层处理;
残余应力测量:采用X射线对样品沿剥层深度方向进行残余应力测量,其中,残余应力满足如下关系式,
E为弹性模量,μ为泊松比,θ0为无应力时的布拉格角,θ为有应力时的布拉格角,k为应力常数,m为应力因子。
在一些可选实施例中,所述对样品逐层进行电解剥层处理中,电解液为饱和的氯化钠溶液,电压为6.5~10.5V,电流为0.5~1.25A,每层处理时间为1.5~2.5min。
在一些可选实施例中,所述对样品逐层进行电解剥层处理中,单次剥层的深度为80~150μm。
在一些可选实施例中,所述残余应力测量中,X射线的入射角为25~45°。
在一些可选实施例中,所述残余应力测量中,X射线的穿透深度为10.3~11.5μm。
在一些可选实施例中,所述先对样品表面进行电解抛光处理10~30s,抛光后的样品表面粗糙度Ra<10μm。
在一些可选实施例中,所述增材产品为具有晶体结构的金属产品。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于航天科工防御技术研究试验中心,未经航天科工防御技术研究试验中心许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010083066.7/2.html,转载请声明来源钻瓜专利网。
- 上一篇:一种共信时间戳链的构建方法
- 下一篇:一种基于深度学习的短时交通流预测方法





