基于磁测量的金属构件残余应力检测关键技术研究

来源 :国防科技大学 | 被引量 : 0次 | 上传用户:Superumts
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
残余应力检测是装备关键构件状态评估和寿命预测的重要基础,也是应力调控的前提条件。残余应力产生于产品全寿命周期中,很难预测,其大小和状态随加工和工作条件的不同而存在较大差异。材料中的残余应力会严重影响其强度、硬度、疲劳和稳定性,极端情况下会导致脆性断裂和应力腐蚀开裂。目前,得到行业认可的残余应力检测方法主要是X射线法和中子衍射法。但X射线对人体有一定危害性,并且只能测量表层30 um内的残余应力,如果要测量更深层的应力,则需要对试件进行电化学腐蚀剥层,这会破坏试件。中子衍射法的设备昂贵,操作极其复杂。针对上述问题,本文提出一种“空间周期激励线圈+磁电阻阵列”的残余应力检测方法,从理论建模、传感器设计、反演算法和实验验证等方面展开了深入研究,论文的主要工作和创新点如下:1、阐述了不同金属材料的应力检测机理,建立了电导率/磁导率与应力的关系模型。对非铁磁性材料,从微观角度分析了应力对电导率的影响,基于压阻效应建立了非铁磁性材料应力与电导率的关系模型。对铁磁性材料,基于磁力耦合理论分析了应力对磁畴与磁畴壁的影响,基于磁弹效应(逆磁致伸缩效应)建立了铁磁性材料应力与磁导率的关系模型,为残余应力的检测提供理论指导。2、建立了平面阵列式电磁传感器的理论模型,推导了涡流渗透深度与传感器结构参数和材料物理属性的数学表达式。首先将分层介质上的平面阵列式电磁传感器简化为二维模型,然后从时谐电磁场理论出发,通过引入磁矢位求得传感器在正弦信号激励时的磁场扩散方程。基于磁场扩散方程和涡流趋肤深度的定义,推导得到涡流渗透深度与传感器空间波长、激励电流频率、被测对象磁导率和电导率的关系,为传感器的结构设计提供理论指导。3、针对金属构件内部应力难以检测的问题,提出了一种基于空间周期性激励线圈和磁电阻阵列的应力传感器设计方案,克服了检测灵敏度随深度增加而降低的难题。在涡流检测中,为了增加检测深度,需要降低信号频率;传统检测线圈是通过测量磁场的变化率来获取磁场信息,在低频时输出的感应电压会很微弱,而采用磁电阻作为检测单元直接测量磁场大小可以克服传感器输出信号微弱的问题,从而克服检测灵敏度随深度增加而降低的难题,因此提出了一种基于空间周期性激励线圈和磁电阻阵列的应力传感器设计方案。然后,基于COMSOL有限元仿真,分析了空间周期性激励线圈的磁场分布,优化了激励线圈的空间波长、线宽等参数,并确定了磁电阻的最佳安装位置,实现了传感器的优化设计。研究了传感器激励线圈与检测单元之间的电磁耦合问题,提出了有效的干扰抑制方法,并通过仿真进行了验证。4、针对金属构件内部残余应力反演问题,提出了基于材料分层模型和被测对象等效阻抗的应力分布反演算法,实现了不同深度应力值的精确反演。首先假设被测对象由N个厚度相同的金属薄层组成,推导了被测对象等效阻抗与传感器线圈折合阻抗的关系;然后根据趋肤效应,合理改变工作频率使得涡流的渗透深度以金属薄层的厚度为固定步长增加,采用扫频技术完成材料阻抗特性的测量。通过分析涡流在金属材料内部的衰减规律,建立分层电导率反演模型,根据测量到的材料阻抗特性就可以计算出金属内部不同深度处的电导率。针对反演模型系数矩阵病态问题,提出以应力经验分布作为约束条件的参数估计方法,得到了更精确的解。最后根据电导率与残余应力的对应关系(近似为线性关系),就可以得到薄层金属内部残余应力的分布。5、搭建了残余应力检测系统,开展了残余应力检测实验,验证了所设计的新型应力传感器和应力分布反演方法的有效性。设计了U型可变应力试块,通过激光冲击强化制备了应力定值试块,基于传感器、前置放大电路和数字锁定放大器搭建了应力检测系统,并开展了程控拉伸实验。实验结果表明所设计的传感器能有效检测出金属构件2 mm深度内的应力变化,沿深度方向的空间分辨率约为0.2 mm,检测分辨率约10 MPa,反演得到的应力分布和X射线衍射测量结果基本一致,验证了所提方法的有效性和正确性。
其他文献
无线传感器网络(Wireless Sensor Network,WSN)具有灵活多变的拓扑结构和对复杂战场环境的强大适应能力,以WSN为搭载平台的精确干扰技术成为新一代电子对抗技术研究核心。然而,其庞大的传感器节点数目也为算法处理时效性带来巨大挑战。针对该问题,本文建立了具有高效运算性能的精确干扰框架并提出了具有分布式运算能力的合作定位算法和精确功率传输算法。具体工作和创新点如下:一、搭建了以分布
本文主要研究自主驾驶汽车的场景感知和局部路径规划这两项关键技术。其中,场景感知由于输入数据的维数较高且包含大量噪声,因此是一项极具挑战的任务。目前的场景感知算法主要利用了计算机视觉和模式识别技术。通过使用机器学习,尤其是深度学习,可大幅提高场景感知的性能。然而,深度学习中所存在的(a)数据需求量大,(b)人工标签需求量大,以及(c)缺乏可解释性这三个问题,却严重地限制了其在场景感知中的应用。为此,
近年来,以深度学习为代表的核心技术引发了第三次人工智能的浪潮。从互联网巨头到中小规模企业、从研究所到各个高校,学术界和工业界都围绕深度学习技术开展了广泛的研究和探索。虽然以TPU为代表的深度学习专用硬件层出不穷,但是GPU集群仍然是开展深度学习研发的主流平台。相比于巨头互联网公司推出的大规模定制化深度学习平台,广大科研院校和中小规模企业由于预算有限,更偏向于采用高性价比的小规模GPU集群,来构建多
城市作为区域经济、政治和文化的中心,城市居民的日常出行需求呈多样化高频次的特点,如通勤、购物、娱乐等。但公共交通拥挤、公共场所人群密集、道路交通拥堵等低出行舒适度的问题也日益突出。当前,多个城市推出实时“拥挤度”、“交通指数”等出行参考指标,城市居民可据此合理选择出行,人流密集管控、道路交通疏导等措施的实施有了较好的针对性。但这些实时监控的出行参考指标,只反映当前而没有预测其即将产生的变化,作用相
判定布尔公式的可满足性(SAT)是计算机科学领域经典的NP完全问题之一,由于众多领域的实际问题都可以转换为布尔可满足问题来求解,例如VLSI设计与验证、软件的形式验证、人工智能规划与优化等领域,因此几十年来一直是计算机理论领域的研究热点。近年来,随着布尔可满足求解技术的不断发展,软件实现的SAT求解器也逐渐走向成熟与完善,但针对某些类型的SAT实例,例如复杂3-SAT实例,存在学习时间长、求解效率
合成孔径雷达在军用领域和民用领域中都发挥着重要的作用。作为合成孔径雷达应用的重要方面,目标识别一直是研究的热点。基于机器学习的合成孔径雷达目标识别方法已经取得了非常优秀的性能。目前的合成孔径雷达目标识别技术都是以完整的目标作为处理对象。实际应用中经常出现遮挡等导致的目标残缺现象。传统的机器学习目标识别技术识别这些遮挡目标的性能会严重恶化。因此需要研究针对合成孔径雷达遮挡目标的目标识别技术。本文重点
数据聚类是最基础和最重要的数据分析手段,实现对海量数据快速智能的聚类分析对于帮助整理、摘要和储存数据具有重要意义。在大数据和人工智能快速发展的背景下,传统聚类算法逐渐不能满足人们的实际需求,基于深度神经网络的聚类方法成为当前领域的热门研究方向。现有的深度聚类算法普遍存在目标函数易退化、泛化能力弱、训练不稳定和无监督神经网络表达性不足等问题。如何设计具有强表达性、泛化性、稳定性的深度聚类算法是人工智
随着城镇化进程的持续推进以及人们生活水平的提高,城市人口和交通出行需求快速增长,失衡的交通供需关系引发了交通拥堵、交通事故、能源浪费等诸多问题。在缓解交通拥堵方面,单纯限制交通出行需求或新建交通基础设施的方法面临日益增大的压力,潜力越来越小。智能交通系统立足科技的进步平衡交通供需,在提升交通系统运行效率,保障交通安全,减少尾气排放等方面发挥着不可替代的作用,是城市交通未来发展的方向。对道路交通系统
计算机视觉系统作为许多智能平台的核心组成部分,将在工业4.0、智慧城市、自动驾驶以及军事领域的无人化作战中发挥极其重要的作用。视觉目标检测和跟踪是计算机视觉领域重要的基础任务,也是实现许多高级视觉应用的前提。近年来,随着计算机硬件性能的提升、大数据技术的进步以及深度学习技术的发展,视觉目标检测和跟踪技术取得了较大的进步。然而,由于噪声等诸多因素的影响,现有的视觉目标检测与跟踪技术还不能满足实际的应
当前,移动机器人已经应用到工业、服务、军事等各个领域。在探测、巡逻等多种任务场景中,移动机器人都需要自主导航以完成规定任务,其运动的基础是机器人定位。由于在城市高楼环境或复杂电磁干扰环境下,GPS信号误差过大无法用于定位,机器人需要寻求新的定位方式。而现有的单传感器的定位方式鲁棒性不强,机器人需要综合应用多种异构传感数据提高定位能力。因此,本文针对机器人定位的具体应用展开研究,提出了基于图像-点云