基于声发射信号分析的热障涂层损伤模式识别研究

摘要

热障涂层(Thermal barrier coatings，简称TBCs)以其良好的隔热、耐磨与耐腐蚀性能被广泛应用在航空、航天涡轮发动机中。然而，热障涂层实际服役环境非常苛刻，且自身结构非常复杂，导致热障涂层体系极易发生表面开裂与界面分离，并最终导致涂层发生剥落失效。对热障涂层损伤模式识别研究是进行热障涂层失效无损评价的主要内容之一，基于此，本文采用声发射技术(Acoustic emission，简称AE)对轴向载荷下热障涂层的失效过程进行实时检测，通过聚类分析找出识别损伤模式的声发射信号关键参数，应用小波包变换提取智能识别声发射信号的特征向量，并应用神经网络技术实现损伤模式的智能识别。主要研究内容如下：
　　第一，采用k-means聚类法方法对轴向载荷下声发射信号进行聚类分析，找出最能表征不同损伤模式的声发射信号特征参数。首先，针对热障涂层体系的损伤特点，采用拉伸加载与压缩加载产生预期损伤模式的声发射信号。根据拉伸与压缩试样的破坏过程，采用幅值、持续时间、计数、能量、上升时间与峰频作为聚类变量，对声发射信号进行聚类分析。结果表明，声发射信号频率参数最能表征热障涂层不同的损伤模式，陶瓷层表面垂直裂纹信号频谱范围为0.20-0.23MHz，剪切型界面裂纹信号频谱范围为0.27-0.30MHz，张开型界面裂纹信号频谱范围为0.41-0.46MHz，基底塑性变形型信号频谱范围为0.13-0.16MHz。
　　第二，通过小波包分析提取识别信号模式的特征参数。根据不同信号频率分布范围，选择合适的小波基函数与分解尺度，对四类声发射信号进行小波包分析。根据小波包方法得出信号的时频分布图，分析四类声发射信号的时频分布差异。提取小波能谱系数作为声发射信号的特征向量，作为声发射信号的模式识别特征向量，并以此建立神经网络的输入样本集。结果表明，不同类型声发射信号的能量在频域分布上存在明显的差别，提取小波能谱系数能够很好的实现对信号的识别。
　　第三，应用神经网络技术建立热障涂层损伤模式智能识别系统。采用三层BP网络，通过随机采样将100组信号分成所占百分比为60％、20%、20%的训练集、验证集、测试集对网络进行训练。采用附加动量算法经过175次学习训练，网络的最小期望误差达到0.01，经过20组测试样本对网络进行测试发现识别率达到了95%。这表明神经网络的设计合理，泛化能力高，能够达到自动识别热障涂层损伤声发射信号的模式类别，具有很好的工程应用价值。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1引言

1.2热障涂层概念及失效机理

1.3热障涂层失效声发射检测发展现状

1.4本文选题依据和主要研究内容

第2章 基于聚类分析的声发射信号特征参数选取

2.1声发射信号聚类分析过程与方法

2.2热障涂层损伤裂纹模式分析

2.3拉伸载荷下声发射信号聚类分析

2.4压缩载荷下声发射信号聚类分析

2.5声发射信号聚类结果分析与讨论

2.6本章小结

第3章 基于小波包变换提取声发射信号的特征向量

3.1小波分析

3.2小波包分析

3.3热障涂层损伤声发射信号小波分析

3.4本章小结

第4章 基于神经网络的声发射信号模式智能识别

4.1人工神经网络概述

4.2 BP神经网络结构与原理

4.3 热障涂层损伤声发射信号的BP网络模式识别

4.4 应用BP网络对拉伸与压缩载荷下声发射信号模式识别

4.5 本章小结

第5章 总结与展望

5.1 工作总结

5.2 展望

参考文献

致谢

附录A：文中主要程序的实现

附录B：攻读硕士学位期间发表的专利及学术论文