基于智能传感器的高温蠕变非线性超声自适应检测方法与流程
本技术涉及高温无损检测,尤其涉及基于智能传感器的高温蠕变非线性超声自适应检测方法。
背景技术:
1、目前,能源结构主要以煤为主,火电占比高,需高效清洁利用煤炭资源,一般认为700℃煤电机组热效率较600℃提升约10%,新一代钢种如g115、ht700、gh984等耐高温材料陆续被研制成功,加上600度常用钢材如传统耐热钢p92、p91和p22钢,高温蠕变检测采用常规非线性超声检测方式,使用固定布设的传感器发射与接收超声信号,通过常规时频分析手段提取基波与高次谐波分量,依靠人工或固定阈值计算谐波非线性系数,按照预设参数完成超声激励与全域均匀扫描,通过单次信号处理完成蠕变损伤判定。
2、传统时频分析对高温下材料非线性畸变特征提取效果有限,谐波非线性系数仅能单点计算无法形成空间分布,难以反映试样全域损伤状态。固定阈值与人工判定方式无法适配蠕变损伤动态演化特性,损伤阶段判定偏差明显。超声激励参数与传感器扫描路径保持恒定,无法针对损伤区域调整检测策略,微小损伤易出现漏检,检测过程无迭代修正机制,整体检测精度与靶向性较差。
3、传统检测手段无法通过深度学习实现非线性特征与蠕变损伤演化阶段的自适应匹配,无法依据损伤阶段动态调整超声激励参数与阵列扫描路径,难以对损伤特征区域实现聚焦式精细化检测。
技术实现思路
1、本技术的目的是解决现有技术中存在的缺点,而提出的基于智能传感器的高温蠕变非线性超声自适应检测方法。
2、为了实现上述目的,本技术采用了如下技术方案:基于智能传感器的高温蠕变非线性超声自适应检测方法,包括:
3、布设智能传感器阵列于耐热钢试样表面,所述智能传感器阵列用于发射超声波激励信号与接收经过试样的非线性超声响应信号;
4、基于所述智能传感器阵列的接收信号,通过改进的时频分析算法,提取包含非线性畸变特征的基波分量与高次谐波分量的时频谱图;
5、根据所述基波分量与高次谐波分量的时频谱图,计算谐波非线性系数的空间分布图谱;
6、将所述谐波非线性系数的空间分布图谱输入预先构建的耐热钢高温蠕变特征参数库,利用深度学习模型,自适应匹配与当前非线性特征相对应的蠕变损伤演化阶段;
7、依据匹配到的所述蠕变损伤演化阶段,自适应调整下一检测周期的超声激励信号参数与智能传感器阵列的扫描路径规划,以聚焦于损伤特征区域进行检测;
8、对聚焦检测获取的非线性超声信号进行迭代处理,更新所述谐波非线性系数的空间分布图谱与蠕变损伤演化阶段的判定结果,直至完成对试样全域的蠕变损伤状态评估。
9、作为本技术的进一步方案,所述布设智能传感器阵列于耐热钢试样表面,所述智能传感器阵列用于发射超声波激励信号与接收经过试样的非线性超声响应信号,包括:
10、在恒温加热装置中固定所述耐热钢试样,使试样处于预设的蠕变实验温度环境中;
11、在试样表面预设的二维扫描网格节点位置,布设多个微型化的集成式智能传感器,每个智能传感器集成有压电换能晶片、前端信号调理电路与局部温度补偿单元;
12、向指定的发射智能传感器施加预设波形的电脉冲,生成入射的超声波激励信号,所述超声波激励信号进入耐热钢试样内部传播;
13、由接收智能传感器同步采集穿透试样或从试样表面反射的超声响应信号,所述超声响应信号包含由于材料微观损伤引起的非线性波动成分;
14、启动所述局部温度补偿单元,对采集到的原始超声响应信号进行温度漂移补偿,得到标准化的非线性超声响应信号。
15、作为本技术的进一步方案,基于所述智能传感器阵列的接收信号,通过改进的时频分析算法,提取包含非线性畸变特征的基波分量与高次谐波分量的时频谱图,包括:
16、所述改进的时频分析算法在经典短时傅里叶变换的框架内,引入了基于信号局部特征的自适应窗函数调节机制;
17、对所述智能传感器阵列接收到的非线性超声响应信号进行去噪与归一化预处理,得到待分析信号序列;
18、利用所述改进的时频分析算法,计算所述待分析信号序列在时频二维平面上的能量分布,生成初始时频谱图;
19、在所述初始时频谱图上,根据激励信号的中心频率,识别并分离出基波频带范围的能量聚集区,提取为基波分量时频谱图;
20、在高于所述中心频率的整数倍频带位置,识别并分离出由材料非线性效应产生的能量聚集区,提取为二次谐波分量时频谱图,以及更高次的谐波分量时频谱图。
21、作为本技术的进一步方案,所述改进的时频分析算法的工作原理如下:
22、所述改进的时频分析算法首先对输入信号进行局部平稳性检验,通过计算信号片段的香农熵值来判断信号的平稳程度;
23、根据所述信号的平稳程度动态选择窗函数的类型与宽度,对于平稳信号片段采用宽的矩形窗以获取更高的频率分辨率,对于非平稳信号片段则采用窄的高斯窗以获取更高的时间分辨率;
24、在选定的窗函数基础上,对信号进行加窗短时傅里叶变换计算;
25、对变换得到的初步时频矩阵,应用基于邻域能量比的重分配技术,将每个时频点的能量重新分配至其局部能量重心位置,以锐化时频分布的轮廓;
26、最后,对重分配后的时频矩阵进行阈值滤波,滤除背景噪声能量,输出高分辨率的时频分析结果。
27、作为本技术的进一步方案,根据所述基波分量与高次谐波分量的时频谱图,计算谐波非线性系数的空间分布图谱,包括:
28、在所述基波分量时频谱图上,沿时间轴对基波频带内的能量进行积分,计算出每个时间点对应的基波振幅值;
29、在所述二次谐波分量时频谱图上,沿时间轴对二次谐波频带内的能量进行积分,计算出与基波时间点相对应的二次谐波振幅值;
30、将每个空间扫描点对应的所述二次谐波振幅值与其对应的所述基波振幅值的平方进行比值运算,得到扫描点的绝对谐波非线性系数;
31、对试样表面所有扫描网格节点重复计算过程,得到所有节点的绝对谐波非线性系数;
32、将所述所有节点的绝对谐波非线性系数映射到试样表面的二维空间坐标上,通过空间插值形成连续的所述谐波非线性系数的空间分布图谱。
33、作为本技术的进一步方案,将所述谐波非线性系数的空间分布图谱输入预先构建的耐热钢高温蠕变特征参数库,利用深度学习模型,自适应匹配与当前非线性特征相对应的蠕变损伤演化阶段,包括:
34、所述耐热钢高温蠕变特征参数库存储有不同材料牌号、不同温度应力条件下、不同蠕变损伤演化阶段的标准谐波非线性系数分布模式及其特征向量;
35、从当前获取的所述谐波非线性系数的空间分布图谱中,提取全局统计特征与局部纹理特征,构成当前检测的特征向量;
36、将所述当前检测的特征向量输入训练好的深度学习模型,所述深度学习模型为基于注意力机制的多层卷积神经网络;
37、所述深度学习模型将所述当前检测的特征向量与所述耐热钢高温蠕变特征参数库中的标准特征向量进行多层次相似度比对与模式识别;
38、输出识别结果,所述识别结果以概率分布的形式指示当前试样所处的蠕变损伤演化阶段,以及蠕变损伤演化阶段对应的典型微观损伤机制。
39、作为本技术的进一步方案,所述依据匹配到的所述蠕变损伤演化阶段,自适应调整下一检测周期的超声激励信号参数与智能传感器阵列的扫描路径规划,包括:
40、根据深度学习模型输出的所述蠕变损伤演化阶段与典型微观损伤机制,查询预设的信号参数调整策略表;
41、从所述信号参数调整策略表中,获取针对当前损伤阶段推荐的超声激励信号的中心频率调整量、脉冲宽度调整量及电压幅值调整量;
42、依据所述中心频率调整量、脉冲宽度调整量及电压幅值调整量,生成下一检测周期将使用的超声激励信号参数集;
43、分析所述谐波非线性系数的空间分布图谱,识别出非线性系数值高于预定阈值的空间区域,将其标记为疑似损伤集中区域;
44、以所述疑似损伤集中区域为中心,规划智能传感器阵列的聚焦扫描路径,聚焦扫描路径控制智能传感器在所述疑似损伤集中区域内采用更小的扫描步距进行密集检测,而在其他区域采用常规步距进行普查。
45、作为本技术的进一步方案,所述对聚焦检测获取的非线性超声信号进行迭代处理,更新所述谐波非线性系数的空间分布图谱与蠕变损伤演化阶段的判定结果,包括:
46、按照所述聚焦扫描路径,使用调整后的超声激励信号参数集驱动智能传感器阵列,对所述疑似损伤集中区域进行新一轮的信号采集;
47、对聚焦采集到的非线性超声信号进行时频分析与非线性系数计算,得到更新后的局部谐波非线性系数分布数据;
48、将所述更新后的局部谐波非线性系数分布数据,融合替换到全域的所述谐波非线性系数的空间分布图谱中的对应区域,生成更新版本的谐波非线性系数的空间分布图谱;
49、将所述更新版本的谐波非线性系数的空间分布图谱,再次输入所述深度学习模型进行模式识别;
50、根据新的识别结果,判断所述蠕变损伤演化阶段是否发生变化,若发生变化,则依据新的阶段重新调整后续检测策略;若未发生变化,则继续完成试样其余未扫描区域的普查检测。
51、作为本技术的进一步方案,所述方法还包括在检测过程中同步构建与扩充所述耐热钢高温蠕变特征参数库的步骤:
52、在每次完成对一个试样的全域蠕变损伤状态评估后,将试样的全部检测数据,包括实验温度应力条件、全周期的谐波非线性系数空间分布图谱序列,以及最终经金相验证的微观组织状态与蠕变断裂寿命,打包为一个数据样本;
53、对所述数据样本进行特征提取与标准化标注,生成一个标准特征向量及其对应的真实损伤阶段标签;
54、将新生成的所述标准特征向量与真实损伤阶段标签,添加至所述耐热钢高温蠕变特征参数库中;
55、定期使用扩充后的所述耐热钢高温蠕变特征参数库的全部数据样本,对所述深度学习模型进行再训练与参数微调;
56、通过不断地迭代扩充与模型再训练,使所述耐热钢高温蠕变特征参数库与所述深度学习模型的自适应评估能力持续增强。
57、作为本技术的进一步方案,所述方法还包括检测结束后的数据综合输出步骤:
58、整合整个自适应检测过程中产生的所有数据,包括不同检测周期的原始超声信号、时频谱图、各版本的谐波非线性系数空间分布图谱、深度学习模型输出的各阶段判定结果,以及自适应调整的信号参数与扫描路径日志;
59、将整合后的数据按时间线与空间坐标进行对齐和关联,生成一份结构化的高温蠕变非线性超声自适应检测报告;
60、所述高温蠕变非线性超声自适应检测报告记录耐热钢试样从初始状态到当前状态的蠕变损伤时空演化完整信息,用于材料的寿命预测与可靠性分析。
61、与现有技术相比,本技术的优点和积极效果在于:
62、改进的时频分析算法可精准提取包含非线性畸变特征的基波分量与高次谐波分量的时频谱图,基于时频谱图计算得到谐波非线性系数空间分布图谱,可完整反映耐热钢试样全域的非线性特征分布状态。将空间分布图谱输入耐热钢高温蠕变特征参数库,通过深度学习模型可直接匹配对应蠕变损伤演化阶段,规避固定阈值判定与人工分析带来的误差,弱化高温环境对信号解析的干扰,贴合材料蠕变损伤动态渐变的特性,提升损伤演化阶段判定的精准性与稳定性。
63、依据蠕变损伤演化阶段自适应调整后续超声激励信号参数与智能传感器阵列扫描路径,可定向聚焦损伤特征区域开展信号采集,改变传统全域均匀扫描的检测形式,强化局部损伤区域的信号获取能力。对聚焦检测得到的非线性超声信号进行迭代处理,可持续更新谐波非线性系数空间分布图谱与损伤演化阶段判定结果,逐步修正单次检测存在的判定偏差,适配蠕变损伤渐进发展的特征。检测参数与扫描路径随损伤状态动态调整,可提升检测过程的针对性,迭代优化可使损伤状态评估更贴合试样实际蠕变情况,增强检测结果的真实性与全域覆盖性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com