金属疲劳微损伤的非线性超声检测技术研究

《金属疲劳微损伤的非线性超声检测技术研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、中北大学学位论文金属疲劳微损伤的非线性超声检测技术研究摘要金属材料是汽车、船舶、航空航天、核工业等领域机械设备零部件的主要材料之一。这些设备在长期使用过程中，受到拉伸、压缩或交变载荷的作用，内部微结构逐渐产生变化，起初表现为位错、滑移带和微裂纹，随着微裂纹的成长形成宏观裂纹，导致金属材料的断裂失效。因此，本论文采用非线性超声技术，研究金属疲劳微损伤的检测技术具有现实意义。本文介绍了金属疲劳损伤的非线性超声检测原理，针对铝材料拉伸疲劳损伤试件，研究了非线性超声检测方法，分析了激励信号、耦合剂和加窗处理对非线性超声参数的影响；通过分析相对

2、超声非线性系数与拉伸应力之间关系，采用二次多项式和指数函数，拟合了两者之间的关系，从拟合误差数据表明，采用单一相对超声非线性系数不能很好的表征拉伸疲劳微损伤程度。针对这一问题，分别提取了试件中三个典型位置的基波幅值、二次谐波幅值和相对超声非线性系数，以不同组合方式作为特征量，采用了BP神经网络进行疲劳损伤程度的识别，识别的结果表明，采用多位置基波幅值和二次谐波幅值作为特征量的BP神经网络模型具有更好的识别效果，识别最大误差率达0.8%。关键字：无损检测，非线性超声，金属疲劳损伤，BP神经网络中北大学学位论文Researchonultr

3、asonicnonlineardetectiontechnologyformicrometalfatiguedamageAbstractAsoneofthemainmaterialofmachineryandequipmentparts,metalmaterialiswidelyusedinautomotive,marine,aerospace,nuclearindustryandotherfields.Duetotheeffectoftensile,compression,thealternateloadinginthelong-t

4、ermuseprocess,thesedevicesinternalmicrostructurechangesgradually.Intheearlystage,theyappeardislocations,slipbandsandfatiguecrack,however,withthecracksbecomingmorenumerousandlarge,thestructureofmetalmaterialiseventuallydestructed.Therefore,thisthesisusesultrasonicnonline

5、artechniquetoresearchmicrometalfatiguedamage,andhasthecertainrealitymeaning.Thisthesisdescribestheprincipleoftheultrasonicnonlineartestingofmetalfatiguedamage,andresearchesthewayofultrasonicnonlineartechniqueforthealuminumspecimentensilefatiguedamage,atthesametime,analy

6、zestheultrasonicnonlinearparameterseffectscausingbysignalstimulus,couplantandwindowfunction.Throughtheanalysisofrelationshipofultrasonicnonlinearparametersandstress,thisthesisfitstherelationshipusingsecondarypolynomialandexponential.Thefittingerrordatashowthatthesingleu

7、ltrasonicnonlinearparametersarenotwellcharacterizationoffatiguedamage.Aimingatthisproblem,thisthesisselectsthreetypicalpositionofspecimenfundamental,secondharmonicsmagnitudesandultrasonicnonlinearparameterstobecharacteristicsthroughdifferentcombinations,andusesBPneuraln

8、etworktorecognizethefatiguedamage.TheresultsshowthatBPneuralnetworkmodelwhichadoptsdifferentpositionfundamenta