论文部分内容阅读
疲劳断裂是工业设备故障失效的主要形式，自19世纪中叶以来，人们就开始了对这类问题的研究。随着研究的深入，人们渐渐发现疲劳裂纹是导致疲劳断裂的主要因素。起先，因为应力分布不均匀，构件内部开始出现微裂纹。接着，在外部载荷的作用下，微裂纹逐步扩展增大，最终导致构件出现断裂失效。由于工业设备故障失效往往会造成巨大的损失，因此对其进行实时监测具有重要的意义。声发射技术因其众多优势，是设备无损检测和实时监测中最常用的方法。本文基于声发射技术，围绕人造金刚石压机顶锤疲劳裂纹的实时监测问题展开研究。本文的主要内容和创新之处如下: 1.声发射是一种在固体中传播的应力波，需要将声发射传感器粘贴在被测构件。然而，金刚石压机顶锤通常工作在高温高压的环境下，传统的声发射传感器无法直接粘贴在顶锤上使用。为此，本文提出通过使用传声器（一种非接触传感器）采集脉冲声波（声发射波由固体传入空气后形成的压力波）的方法。为了降低采集信号中的噪声信号干扰，从物理和信号两个层面开展研究，即从声学的角度，设计了声管以提高传声器的指向性。从信号处理的角度，采用谱减法对信号进行预处理，降低噪声的干扰，同时提出了一种基于短时能量的脉冲提取方法，用于信号提取，并提出连续脉冲的分离方法和参数。 2.故障监测与识别的核心在于信号特征参数提取，有效的特征参数可以显著提高识别的准确率。本文在深入分析了脉冲声信号的基础上，提出了三种新的特征参数——嵌套谱重心，经验模态分解能量熵和双谱加权值。嵌套谱重心是根据信号的频域信息，以谱重心为频段划分标准，提取信号频谱不同频域段的谱重心得到的特征参数;经验模态分解能量熵是利用经验模态分解技术分解原始信号，得到本征模态函数后，计算本征模态函数的能量分布得到的特征参数;双谱加权值是通过不同的权值赋予方式，提取正常信号和故障信号双谱图中的信息，以此作为脉冲声信号的识别依据。以上三种特征参数分别从不同角度反映了脉冲声信号的特征，建立BP神经网络模型，并通过实验验证了其有效性。针对EMD分解过程中出现的边界效应问题，提出利用反向传播神经网络技术对原始信号进行延拓后再进行分解的方法。 3.开展基于深度学习的监测数据分析方法研究。卷积神经神经网络技术的日益成熟为监测系统的智能化、自主地提取特征参数带来了可能。本文基于卷积神经神经网络技术，在充分考虑了信号特征，样本数据量和算法计算量的基础上，提出了一种智能监测网络。通过合理的设计和验证，实现了压机顶锤裂纹的实时监测，并保持了较高的识别准确率。提出了空间金字塔池化层的方法解决输入信号变长度问题，并针对监测领域中经常遇到的样本类不平衡问题，提出了一种基于特征空间分布欧氏距离的自适应代价权值法，新方法在保证了对正常信号识别率的基础上，大大提高了对故障信号的识别率，总体识别率平均达到了99.2％。 全文以金刚石压机顶锤信号为研究对象，提出了一套从信号采集到特征提取，再到故障识别的完整算法，并解决了实际应用中遇到的问题，为实现工业设备的实时监测提供了一定的研究思路和方法。