[發明專利]采用神經網絡和耦合迭代對16Mn鋼承力件進行拉伸損傷狀態的識別系統

無效

• 申請號: 200910083342.3
• 申請日: 2009-05-04
• 公開（公告）號: CN101566601A
• 公開（公告）日: 2009-10-28
• 發明（設計）人: 駱紅云;王宏偉;張崢;韓志遠;鐘群鵬
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G01N29/14
• 分類號: G01N29/14;G01N3/08;G06N3/02;G06N3/08
• 代理公司: 北京永創新實專利事務所
• 代理人: 周長琪

技術領域

本發明涉及一種對在役16Mn鋼承力件服役期間的失效狀態進行識別的方法。更特別地說，是指一種對聲發射換能器采集的數據首先進行神經網絡的訓練得到一個損傷度標志模型，然后應用該模型對在役16Mn鋼承力件實時采集的聲發射數據進行耦合迭代處理，從而識別出在役16Mn鋼承力件屬于何種拉伸損傷狀態。

背景技術

港口大型機械設備中的岸邊設備：如裝船機、卸船機、抓斗機，常應用16錳鋼作為關鍵承力件。岸邊設備在使用一段時間后，作為主要承力件的16錳鋼的損傷狀態對整個岸邊設備的使用壽命將造成重要影響。

16Mn鋼(16錳鋼)是結合我國資源情況發展起來的一種低合金鋼，已被廣泛使用。16Mn鋼結構在服役一定的時間后，時常會發生一些失效事故，而損傷是造成其失效的主要原因，為此要對其損傷狀態作出有效的識別，及時、正確地評價16Mn鋼承力件的損傷程度，為其安全運行及壽命預測提供依據。

聲發射技術(Acoustic?Emission?Technique)因具有動態、實時檢測等優點，已廣泛的應用于結構和構件的損傷檢測。實踐表明，材料在受力(形變)過程的不同階段，其聲發射特征會發生一系列不同的變化，也就是說16Mn鋼承力件不同的損傷階段，將有不同的聲發射信號，而損傷狀態的轉變，往往引起聲發射多個參數的變化，同時某一參數變化又可以是由多種損傷狀態引起的，所以有必要采用多聲發射換能器的信息融合技術，即充分利用不同時間與空間的多聲發射換能器數據資源，采用計算機技術對按時間序列獲得的多聲發射換能器觀測數據，在一定準則下進行分析、綜合、支配和使用，獲得對被測對象的一致性解釋與描述，進而實現相應的決策和估計，使系統獲得比它的各組成部分更充分的信息。因此本發明將信息融合技術引入16Mn鋼承力件損傷狀態識別系統中，建立信息融合和人工神經網絡相結合的診斷系統對16Mn鋼承力件損傷狀態進行識別、診斷。

神經網絡是一種模擬人思維的一個非線性系統。BP神經網絡學習算法可以描述為：首先標準化訓練樣本，初始化權值、閾值，然后輸入訓練樣本，對每個樣本計算其輸出狀態，得到其誤差，并根據誤差反向傳播調整網絡各層的權值與閾值，如此反復調整直到網絡誤差滿足設置的條件為止。樣本訓練完成之后，輸入檢驗樣本，若此時網絡誤差小于檢驗誤差，則該網絡可以用于實際預測。

隨著現代工業日益向大規模、高效率發展，作為港口重要物流裝備的大型岸邊起重機械，具有以下幾個特點：

(1)設備老，有很多大型起重機是60年代至70年代我國自行設計制造或從東歐進口，還有少數是從美、日等國進口的二手設備，按設計壽命20～25年考慮，很多設備也已進入服役后期或超期服役階段；

(2)任務重，隨著生產規模的擴大，以及起重機更新的滯后，許多起重機的工作日趨繁重，超載的情況也時有發生；

(3)目前的損傷檢測方法不成熟，超聲波檢測和磁粉檢測等方法對起重機進行的部分抽樣檢測，盲目性大、易出現漏檢且檢測的周期長，工作量大，費用昂貴；

(4)預警評估系統不完善，目前應用的分析判別技術還不能對起重機承力件的損傷做出準確的預警和安全評估。

因此，為確保起重機安全可靠的運行，須對承力件進行檢測、判斷承力件的損傷狀態，從而進行安全評估。

發明內容

為了減少岸邊設備在使用過程中突發斷裂造成的人員傷害、設備損失和經濟損失，本發明提出一種采用神經網絡和耦合迭代的組合方法來識別在役16Mn鋼承力件的不同拉伸損傷狀態。該狀態識別首先采用神經網絡方法對多路聲發射換能器采集得到的信息進行神經網絡訓練，獲得用于判斷16Mn鋼承力件不同拉伸損傷狀態的損傷度標志模型；然后用該模型的神經網絡輸出結果構造耦合迭代模型，獲得數據融合模塊，進而將數據融合模塊內嵌在16Mn鋼承力件識別系統中。內嵌有本發明的數據融合模塊在工作狀態下，能夠對在役16Mn鋼承力件不同損傷狀態進行識別，并對識別出的結果作出預警。

本發明的一種采用神經網絡和耦合迭代對16Mn鋼承力件進行拉伸損傷狀態的識別系統，該系統包括有多個聲發射換能器(4)、多路前置放大器(3)、一個聲發射儀(2)，其特征在于：還包括有一個16Mn鋼承力件無損檢測單元(1)；

16Mn鋼承力件無損檢測單元(1)包括有過濾模塊(11)和數據融合模塊(12)，其中，過濾模塊(11)有數據濾波處理模塊(11A)和波形濾波處理模塊(11B)，數據融合模塊(12)有損傷度標志模型(12A)和耦合迭代模型(12B)；