【技术实现步骤摘要】
本专利技术涉及一种基于金属件声发射技术的状态检测及故障诊断方法,特别涉及用 于在拉深状态下对金属制件的早期微小裂纹的识别方法。
技术介绍
拉深是利用专用模具将平板毛坯支撑开口空心零件的一种冲压工艺方法。用拉深 方法可以制成筒形、阶梯形、锥形、球形和其它不规则形状的薄壁零件,如果和其它冲压成 型工艺配合,还可以制造形状极为复杂的零件。用拉深方法来制造薄壁空心件,生产效率 高,省材料,零件的强度和刚度好,精度较高,拉深可加工范围非常广泛,直径从几毫米的小 零件直至2 3m的大型零件,因此,拉深在汽车、航空航天、国防、电器和电子等工业部门以 及日用品生产中占据相当重要的地位。在拉深件的加工检测中,应用最为普遍的是目测。但利用目测只能判断拉深件产 品显而易见的质量问题,如圆角拉裂、凸缘起皱等变形严重的问题。而金属材料在拉深成形 过程中,其不同区域的变形程度、受力情况以及摩擦与润滑等情况千差万别,拉深件在成形 过程中产生裂纹在所难免,由于这些裂纹是在材料内部产生,所以肉眼难以察觉。一旦制件 内部产生裂纹,如果不及时察觉,将导致大量次品的出现。由于早期裂纹比较细小,在产品 使用初期可能并不会影响到产品的性能,但在使用一段时间后,会因为受力、振动、环境等 因素使裂纹进一步扩展,当裂纹扩展到一定程度会造成较大的安全事故和经济损失。金属件拉深过程裂纹声发射的频率较高且在时域上是突发性的非平稳时序信号, 信号频率在100 300KHZ之间,属于高频率声发射信号。此外,金属微观裂纹扩展成为宏 观裂纹之前,需要经过裂纹的慢扩展阶段,理论计算表明,裂纹扩展所需要的能量比裂纹形 成 ...
【技术保护点】
一种金属拉深件微小裂纹冲击性信号的识别方法,采用声发射传感器对金属拉深件微小裂纹声发射冲击性信号进行采集,对采集的信号进行前置放大、滤波和A/D转换预处理,将预处理的信号输入计算机中,其特征是采用如下步骤:(A)将计算机中的预处理信号进行小波包分析,对小波包分解后的不同频段的数据进行重构,根据分解所得不同频带的信号,将环境噪声信号、摩擦磨损信号对应频带的权数置零,合成其它所有频带的信号,完成对声发射信号去噪;(B)在计算机中采用时间序列的方法对去噪后的声发射信号进行时序分析,[1],x↓[2],…,x↓[n]};2)根据金属拉深件各种资料和实际的经验统计出各种故障状态构成的集合为Ω={w↓[1],w↓[2],…,w↓[m]};3)首先对Ω中的一个故障w↓[i](i=1,2,...,m)作单故障模糊评判,确定被评判对象对征兆集x↓[j](j=1,2,…,n)的隶属度r↓[ij],得出第i个故障w↓[i]的单故障模糊集:r↓[i]=(r↓[i1],r↓[i2],…,r↓[in])由m个故障的评价集构造出一个总的评价模糊矩阵R=[***]R即是故障论域U到征兆域X的一个模糊关系,μ↓[R]( ...
【技术特征摘要】
一种金属拉深件微小裂纹冲击性信号的识别方法,采用声发射传感器对金属拉深件微小裂纹声发射冲击性信号进行采集,对采集的信号进行前置放大、滤波和A/D转换预处理,将预处理的信号输入计算机中,其特征是采用如下步骤(A)将计算机中的预处理信号进行小波包分析,对小波包分解后的不同频段的数据进行重构,根据分解所得不同频带的信号,将环境噪声信号、摩擦磨损信号对应频带的权数置零,合成其它所有频带的信号,完成对声发射信号去噪;(B)在计算机中采用时间序列的方法对去噪后的声发射信号进行时序分析,建立时序模型,建模内容如下1)采用式(1)的自回归模型研究声发射信号的时域、频域及能量特征,估计自回归模型的参数;xk=φ1xk 1+φ2xk 2+…+φnxk n+ak,式中xk,xk 1,…,xk n表示信号幅值,φ1,φ2,…,φn表示自回归模型参数,ak表示白噪声,表示ak的方差;采用尤耳 沃克方程估计法估计出和这n+1个参数;2)根据最小最终预报误差准则由样本对模型定阶,根据模型的预报误差来判明自回归模型的阶数是否合适,最终预报误差定义为 <mrow><mi>FPE</mi><mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo></mrow><mo>=</mo><msubsup> <mi>σ</mi> <mi>a</mi> <mn>2</mn></msubsup><mo>·</mo><mfrac> <mrow><mi>N</mi><mo>+</mo><mi>n</mi> </mrow> <mrow><mi>N</mi><mo>-</mo><mi>n</mi> </mrow></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo></mrow> </mrow>式中N是观测数据长度,n为自回归模型的阶数,FPE(n)表示模型阶数的函数,当n增大时,模型残差方差下降,但(N+n)/(N n)值增大,取使FPE(n)最小的n值作为模型的最佳阶数;3)根据式(3)的系统输入、输出的自功率谱与传递函数的关系,得出时间序列{xk}的自回归谱图Sout(w)=Sin(w)|Hx(w)|2 (3)式中Sin(w)为输入白噪声的功率谱密度,Sout(w)为输出白噪声的功率谱密度,Ts为采样时间,Δ为采样间隔,Hx(w)为传递函数,也称为频率响应特性函数,其中Sin(w)=σa2·Ts (4)4)根据时间序列{xk}的自回归谱图,提取声发射信号时序模型的特征参数,在自回归谱图中要提取的特征参数有总能量、高频能量、高频能量比、谱峰峰值和中心频率;从自回归谱图提取能量由下式(6)实现 <mrow><mi>E</mi><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>N</mi></munderover><mi>PSD</mi><mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo></mrow><mi>Δf</mi><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo></mrow> </mrow>式中N为自回归谱图上特定分析频带内谱线的数目;PSD(i)为对应于第i条谱线的功率谱密度函数值;Δf为频率分辨率;(C)在计算机中结合模糊综合评判方法与最大隶属度原则实现对金属拉深件的状态辨别,步骤如下1)根据金属拉深件各种资料统计出故障发生时所有可能表现出的各种征兆,构成征兆集X={x1,x2,…,xn};2)根据金属拉深件各种资料和实际的经验统计出各种故障状态构成的集合为Ω={w1,w2,…,wm};3)首先对Ω中的一个故障wi(i=1,2,...,m)作单故障模糊评判,确定被评判对象对征兆集xj(j=1,2,…,n)的隶属度rij,得出第i个故障wi的单故障模糊集ri=(ri1,ri2,…,rin)由m个故障的评价集构造出一个总的评价模糊矩阵 <mrow><mi>R</mi><mo>=</mo><mfenced open='[' close=']'> <mtable><mtr> <mtd><msub> <mi>r</mi> <mn>11</mn></msub> </mtd> <mtd><msub> <mi>r</mi> <mn>12</mn></msub> </mtd> <mtd><mo>·</mo><mo>·</mo><mo>·</mo> </mtd> <mtd><msub> <mi>r</mi> <mrow><mn>1</mn><mi>n</mi> </mrow></msub> </mtd></mtr><mtr> <mtd><msub> <mi>r</mi> <mn>21</mn></msub> </mtd> <mtd><msub> <mi>r</mi> <mn>22</mn></msub> </mtd> <mtd><mo>·</mo><mo>·</mo><mo>·</mo> </mtd> <mtd><msub> <mi>r</mi> <mrow><mn>2</mn><mi>n</mi> </mrow></msub> </mtd></mtr><mtr> <mtd><mo>·</mo><mo>·</mo><mo>·</mo> </mtd> <mtd><mo>·</mo><mo>·</mo><mo>·</mo> </mtd> <mtd><mo>·</mo><mo>·</mo><mo>·</mo> </mtd> <mtd><mo>·</mo><mo>·</mo><mo>·</mo> </mtd></mtr><mtr> <mtd><msub> <mi>r</mi> <mrow><mi>m</mi><mn>1</mn> </mrow></msub> </mtd> <mtd><msub> <mi>r</mi> <mrow><mi>m</mi><mn>2</mn> </mrow></msub> </mtd> <mtd><mo>·</mo><mo>·</mo><mo>·</mo> </mtd> <mtd><msub> <mi>r</mi> <mi>mn</mi></msub> </mtd></mtr> </mtable></mfenced> </mrow>R即是故障论域U到征兆域X的一个模糊关系,μR(ωi,xj)=rij表示ωi和xj之间隶属关系的程度;4)用ai(i=1,2,.....
【专利技术属性】
技术研发人员:骆志高,胥爱成,何鑫,陈强,
申请(专利权)人:江苏大学,
类型:发明
国别省市:32[中国|江苏]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。