【www.zhangdahai.com--其他范文】
张 剑,周 瑾,汤彤彤,周 超
(1.南京航空航天大学 机电学院, 江苏 南京 210016;2.江苏省特种设备安全监督检验研究院, 江苏 南京 210016)
在日常的运输作业中, 起重机主梁承受着大物件频繁地起吊和卸载,其失效破坏往往从裂纹处开始。随着工业的发展,起重机越来越大型化,裂纹这种微小且通常存在结构内部的损伤很难发现[1]。
因此, 对主梁裂纹进行及时地识别, 防止发生巨大的人员、 经济损失是十分必要的。
针对裂纹这类微小结构损伤, 利用超声波检测等无损检测方法尽管可以有效地识别, 但这类无损检测的操作流程复杂且需要停产进行专门检测, 会造成非必要的时间成本浪费且不能实时监测[2]。
利用模态参数等动力学的识别方法便于实时地在线监测诊断, 但是其建立的损伤指标(如柔度矩阵、 振型)识别的敏感度有一定限制, 针对微小的裂纹识别较为困难[3-4]。
动应变信号则整合了模态参数识别和超声检测识别的优点, 便于实时采集且识别敏感性高;Nwosu等对焊接接头处的裂纹进行研究, 发现离裂纹较远的位置仍能检测出应变变化; 顾培英等[5]对悬臂工字梁多损伤物理模型进行应变试验, 验证了基于应变方法识别的有效性。
通过经验模态分解(Empirical Mode Decomposition,EMD)方法可以提取动应变信号的有效内容, 减少采集过程中的噪声干扰; 但仅提取有效信号后, 很难定义准确的人为损伤识别指标。
支持向量机(Support Vector Machine,SVM)是一种性能强大的模式识别方法, 尤其在数据样本不足的情况, 识别性能优于绝大数机器学习算法; 对于EMD 分解后的信号数据, 通过SVM 建立识别模型是模式识别领域一种高效的新兴方法[6]; 文献[7-8]采用该方法进行了齿轮裂纹的识别, 准确识别出齿轮中不同的裂纹深度; 陈丙安[9]则通过该方法进行了离心机叶片的故障诊断, 准确识别出了叶片裂纹的出现位置。
因此, 本文将该方法应用于起重机主梁的裂纹识别。
本文通过对实验室的起重机主梁样机实际加工模拟出微小裂纹损伤, 通过采集贴片处的动应变信号, 利用EMD和SVM 分别对动应变信号分解处理和建立结构损伤辨识模型, 准确识别出贴片位置是否存在裂纹损伤, 并验证了该方法的实用性。
实验对象为有损伤的起重机主梁样机若干,电路选用简易的四分之一桥路, 设备包括:120Ω 5AA型电阻应变片若干、 激振力锤、 力锤传感器、多通道信号采集仪以及PC机各1个。
实验采集流程为: 通过对主梁上翼缘板不同位置的锤击激励,贴于下翼缘板的应变片会相应地产生动应变, 通过多通道采集仪和PC机实时地收集和保存各个应变片的动应变信号, 实验现场布置如图1所示。
图1 实验布置Fig.1 Experimental layout
为了使采集的数据样本充分, 本文采用了9根结构相同的主梁, 主梁贴的应变片数在4和5之间随机, 贴片位置则根据相应的应变片数均布于主梁的下翼缘板处, 力锤的激励位置随机分布在主梁的上翼缘板处, 方向竖直向下, 对主梁进行一次力锤激励可获得与应变数相同的多组动应变信号, 同一主梁可根据锤击点的不同位置得到不同的动应变信号, 对采集的所有信号按照贴片的位置是否有裂纹损伤分为有损和无损两类, 某主梁的贴片位置和力锤敲击位置如图2所示。
图2 贴片位置和力锤敲击位置Fig.2 Patch position and hammer strike position
本文所用的某一样机的裂纹损伤和贴片情况如图3所示。
图3 裂纹模拟及贴片情况Fig.3 Crack simulation and patch strain gauge
实验对多组起重机样机进行多次力锤激励,采集了83组应变片信号, 其中33组为有损类,50组为无损类。
图4为某次锤击实验所获得的力锤信号和动应变信号。
图4 动应变实验的信号Fig.4 Signal of dynamic strain experiment
EMD方法提出于上世纪末, 常用于非平稳时变信号的分解。EMD将原信号自适应地分解成一组数据序列集, 集合中的每个序列称为本征模函数(IMF)。
每个IMF代表不同特征尺度下的平稳信号, 信号的能量表征机械结构的损伤状况。
为消除力锤激励信号大小差异, 对每个IMF的能量除以激励信号幅值, 得到单位力锤激励下的能量值。
归一化的能量值反映了主梁结构的损伤特征,本文将更新后IMF能量值作为识别模型的输入特征向量。
以实验中某一应变片采集到的动应变信号为例,EMD 对原信号分解后的前5阶IMF分量如图5所示。
图5 原动应变信号与各阶IMF信号Fig.5 Original strain signal and each order IMF signal
由于主要的损伤信息包含在前几阶IMF分量中, 因此, 本文考虑前5阶IMF分量, 对上图的IMF分量求能量, 并进行归一化后得到的输入特征向量如表1所示。
表1 输入特征向量Tab.1 Input eigenvectors
SVM 是一种强大的机器学习算法, 于20世纪90年代由Vapnik提出[11], 其基本原理是将在低维空间线性不可分的两组向量, 利用核函数的方法映射在高维空间上, 找到一个最大间隔的分隔超平面将两组向量区分出来[12]。
将采集到的83组动应变信号分为50组训练样本(20组有损,30组无损)和33组测试样本(13组有损,20组无损), 训练样本和测试样本的部分数据(分别取前5组)特征如表2, 表3所示,其中, 输出值为1, 表示有裂纹损伤, 输出值为0,则没有裂纹损伤。
表2 训练集部分数据Tab.2 Partial data of training set
表3 测试集部分数据Tab.3 Partial data of test set
在Python中导入相应的SVM 库和评估指标, 用训练样本训练SVM 模型。
本文分别比较了线性核函数、 高斯核函数和寻优后的高斯核函数3种SVM 模型, 采用评价机器学习的常见评估指标: 准确率、F1分数以及AUC面积, 模型训练的效果如表4所示。
表4 训练完成的3种SVM 识别效果Tab.4 Three SVM recognition effects after training
由表4结果可以得到,3种SVM 训练的准确率均达到了90%以上, 将训练好的3种SVM 应用于33组测试样本, 识别效果如表5所示。
表5 3种SVM 模型在测试集的识别效果Tab.5 Recognition effect of three SVM models in test set
3种SVM 模型在测试集上识别的准确率均达到84.8%, 即模型在未训练的样本上识别表现良好, 存在一定的泛化能力, 其中寻优高斯核函数的SVM 模型在F1分数和AUC 2个指标上优于其余2种SVM 模型。
针对工程中起重机主梁上微小裂纹识别效果差, 难以实时监测的问题, 本文采用的动应变信号对损伤敏感且便于实时采集, 通过EMD 和SVM 建立的裂纹损伤辨识模型所需数据量少, 识别效果好, 具备一定的泛化能力。
因此, 对同型号大批量生产的起重机, 可采用本文方法预先建立裂纹辨识模型, 在服役时可对主梁上的裂纹进行初步识别。
猜你喜欢翼缘板贴片起重机贴片电阻银离子迁移失效分析及工艺优化装备制造技术(2021年5期)2021-08-14心脏细胞微针贴片，可治疗心肌梗死东西南北(2019年6期)2019-04-30对起重机“制动下滑量”相关检验要求的探讨中国特种设备安全(2018年10期)2018-12-18MYQ型5000t门式起重机简介石油化工建设(2018年2期)2018-07-11长悬臂混凝土箱梁翼缘板荷载有效分布宽度计算分析石家庄铁道大学学报(自然科学版)(2017年4期)2017-12-18微型的皮肤贴片 让你不运动就能减肥小康(2017年34期)2017-12-08长悬臂混凝土箱梁翼缘板受力分析国防交通工程与技术(2016年5期)2016-10-13大型起重机集中润滑的研究与改善船舶标准化工程师(2015年5期)2015-12-03钢梁省材设计研究中国新技术新产品(2014年2期)2014-12-25特雷克斯 拓能Powerlift 3000履带式起重机筑路机械与施工机械化(2014年4期)2014-03-01本文来源：http://www.zhangdahai.com/shiyongfanwen/qitafanwen/2023/0916/655135.html
