[发明专利]基于PCA和TDF对16锰钢承力件进行疲劳损伤状态的识别系统

说明书

技术领域

本发明涉及一种对在役16Mn钢承力件服役期间的疲劳损伤状态进行识别的方法。更特别地说，是指一种对声发射换能器采集的数据首先采用主成分分析（PCA）根据其损伤类别构建不同的数据空间，在数据空间中进行神经网络的训练得到各换能器在数据空间中的损伤度标志模块，然后应用该模块对在役16Mn钢承力件实时采集的声发射数据进行两级数据融合（TDF），从而识别出在役16Mn钢承力件属于何种疲劳损伤状态。

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锰钢作为关键承力件。岸边设备在使用一段时间后，作为主要承力件的16锰钢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钢结构在服役一定的时间后，时常会发生一些失效事故，而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钢承力件的损伤程度，为其安全运行及寿命预测提供依据。

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，材料在疲劳过程的不同阶段，其声发射特征会发生一系列不同的变化，也就是说16Mn钢承力件不同的疲劳损伤阶段，将有不同的声发射信号，而损伤状态的转变，往往引起声发射多个参数的变化，同时某一参数变化又可以是由多种损伤状态引起的，所以有必要采用多声发射换能器的数据融合技术，即充分利用不同时间与空间的多声发射换能器数据资源,采用计算机技术对按时间序列获得的多声发射换能器观测数据，在一定准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息。因此本发明将数据融合技术引入16Mn钢承力件损伤状态识别系统中，建立主成分分析，数据融合和人工神经网络相结合的诊断系统对16Mn钢承力件损伤状态进行识别、诊断。

主成分分析也称主分量分析。主成分分析利用降维的思想，在损失很少信息的前提下把多个指标转化为几个综合指标的多元统计方法。通常把转化成的指标称为主成分，其中每个主成分都是原始变量的线性组合，且各个主成分间互不相关，使主成分比原始变量具有某些更优越的性能。“主成分分析”引用中国人民大学出版社于2008年9月第2版出版的《多元统计分析》，第152页至第154页的内容介绍。

神经网络是一种模拟人思维的一个非线性系统。径向基函数（RBF）神经网络是根据在人脑皮层中具有局部调节和交叠的感受域提出的，又称为局部感受域神经网络。它是一种包括输入层、隐层和输出层的三层前馈型网络模型。由于RBF网络结构简单，且具有以任意精度逼近任意连续函数的能力，学习速率快，所以越来越广泛应用于各个领域。

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承力件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，须对承力件进行检测、判断承力件的疲劳损伤状态，从而进行安全评估。

发明内容