金属材料损伤趋势预测研究

沈阳工业大学 程子靖 于 洋

对金属材料进行了静载实验，以对金属材料损伤进行趋势预测，通过声发射传感器采集加载过程中金属材料释放出的声发射信号，提取出声发射信号的RMS值，针对声发射信号RMS值时间序列建立NAR神经网络预测模型，可以很好地预测出声发射信号的变化趋势。

声发射检测作为一种动态无损检测技术，可以利用传感器接收金属结构变化内部产生的弹性波，无需外部激励，对被检测材料不造成任何的影响。声发射信号可以用于金属材料结构的失效实时监测。张一辉等利用声发射检测技术Q235B材料的拉伸过程进行监测，研究发现了该材料的损伤状态与其声发射信号之间存在着映射关系。彭国平等对Q345R疲劳损伤过程产生的声发射信号特征参数进行分析，找出了各阶段声发射信号的特征。

1 金属材料损伤实验声发射信号分析及处理

用某金属材料进行循环加卸载的静载试验，采用气动油压千斤顶通对金属材料进行轴向力加载，持续增加轴向力直到金属材料产生裂纹，最后金属材料断裂。传感器为物理声学公司窄带谐振式传感器，中心频率设定为150kHz。声发射仪器采集门槛设置为35dB，峰值定义时间设置为300μs，撞击定义时间设置为600μs，撞击锁闭时间设置为1000μs。

1.1 声发射信号分析

声发射信号RMS值的变化曲线可以直接反映出金属材料损伤趋势，并且不会受到环境噪声的影响。当被测设备处于运行阶段也可进行监测。图1为金属材料损伤过程的RMS与时间关系图。

图1 RMS值随时间变化曲线

将本试验下的金属材料损伤阶段划分为三个，0到500s为线弹性变形阶段、800到1300s为塑性变形阶段、1300s后为硬化及断裂阶段。

1.2 声发射信号处理

根据静力加载周期对声发射信号的RMS值每50s取一次最大值，并对硬化及断裂阶段进行异常值处理，将得到的数据点进行三次样条插值，得到500个数据点，即金属材料损伤声发射信号RMS值变化趋势。如图2所示。由图2可以看出0到500s时RMS值缓慢增长，800到1300s材料由于颈缩现象RMS值先减小后线性增长，1300s后RMS值急剧增长达到最大值，材料断裂后RMS值随之减小。

图2 三次样条插值后的RMS值随时间变化曲线

2 声发射信号趋势预测

2.1 NAR神经网络

NAR神经网络模型主要包含输入层、中间层和输出层，是一种主要用于统计分析时间序列的动态神经网络模型。如果在单向传递信息过程中该信息只是单向地从一个输入层传递信息到下一个输出层，中间层的信息没有任何信息反馈，则该网络是静态的；如果在单向传递信息过程中，输出层的信息作为输入信息反馈传递到上一个输入层中，则这个网络是动态的。由此看出，动态神经网络的这一基本性质非常适用于时间序列的分析。

2.2 NAR神经网络预测模型的建立

样本总量为500，将数样本的训练集比例划分为为80%、测试集比例划分为20%，神经网络模型的最佳回归阶数为6，神经网络模型的最佳隐层节点数为15。用设置好的nar神经网络模型对样本训练。

2.3 预测结果

对金属材料塑形变形阶段结束前开始预测，取前400个数据点作为训练集，预测值与真实值对比如图3。从图3可以看出，预测值与真实值的趋势变化基本吻合，进入硬化及断裂阶段后RMS值急剧增长达到最大值，随后材料断裂，RMS值随之减小。符合金属材料损伤硬化及断裂阶段的声发射信号RMS值变化趋势。

图3 nar神经网络预测结果

结论：本文对静载试验下的金属材料进行了声发射监测，利用NAR神经网络建立了金属材料损伤的声发射信号时间序列预测模型，并对金属材料损伤的声发射信号变化趋势进行了短期趋势预测。金属材料损伤过程的声发射信号变化趋势具有高度的非线性，由于NAR神经网络通过机器学习非线性的内在影响规律，NAR神经网络模型不包含输入值，不会受到输入数据的影响，因此，NAR神经网络对金属材料损伤的声发射信号变化趋势预测周期相对较长。使其在金属材料损伤过程的声发射信号时间序列趋势预测中有着较高的预测精度。