Содержание к диссертации
Введение
Глава 1. Задачи акустико-эмиссионного контроля при прочностных испытаниях машиностроительных конструкций
1.1. Особенности использования метода акустической эмиссии в прочностном эксперименте 13
1.2. Задачи исследования 17
Глава 2. Разработка методов повышения точности определения координат источников сигналов акустической эмиссии
2.1. Обзор методов определения координат источников сигналов акустической эмиссии 26
2.2. Методы определения времени прихода сигнала акустической эмиссии по его оцифрованной форме 34
2.3. Определение координат источников сигналов акустической эмиссии по разности времен прихода 48
2.4. Метод динамической кластеризации для повышения точности определения координат источника сигналов акустической эмиссии 71
Выводы по главе 2: 87
Глава 3. Разработка методики акустико-эмиссионной диагностики и прогнозирования состояния машиностроительных конструкций
3.1. Анализ информативных параметров сигналов акустической эмиссии.. 89
3.2. Определение статистических взаимосвязей параметров сигналов акустической эмиссии с процессом разрушения материала 95
3.3. Разработка методики прогнозирования развития дефектов в элементах авиационных конструкций из композиционных материалов 103
Выводы по главе 3: 109
Глава 4. Использование разработанных методик при прочностных испытаниях машиностроительных конструкций
4.1. Акустико-эмиссионный контроль при усталостных испытаниях металлических образцов 111
4.2. Акустико-эмиссионный контроль при прочностных испытаниях литых деталей тележки грузового вагона 127
4.3. Прочностные испытания тонкостенных авиационных конструкций с использованием распределенной акустико-эмиссионной системы 136
Выводы по главе 4: 144
Выводы 146
Литература 148
- Методы определения времени прихода сигнала акустической эмиссии по его оцифрованной форме
- Метод динамической кластеризации для повышения точности определения координат источника сигналов акустической эмиссии
- Определение статистических взаимосвязей параметров сигналов акустической эмиссии с процессом разрушения материала
- Акустико-эмиссионный контроль при прочностных испытаниях литых деталей тележки грузового вагона
Введение к работе
Актуальность работы:
В настоящее время метод акустико-эмиссионного (АЭ) контроля активно используется в различных областях машиностроения. Успехи в области микроэлектроники и компьютерной технологии позволили разработать более совершенные микропроцессорные диагностические системы для АЭ контроля. Одним из главных преимуществ метода АЭ является возможность локализации дефекта в процессе диагностирования конструкции. Известные методы определения координат дефектов, основанные на разности времен прихода (РВП) сигнала АЭ на датчики пьезоантенны, приводят к большому разбросу точек локализации и погрешностям до 5-Ю %. Современные быстродействующие АЭ-системы наряду с записью формы сигналов и ее анализом в режиме реального времени, позволили уменьшить погрешность локализации развивающихся дефектов до 5 %, поскольку по цифровой реализации более точно находится начало сигнала АЭ. Таким образом, до сих пор актуальной остается задача, связанная с повышением точности локализации дефектов машиностроительных конструкций, а, следовательно, и достоверности АЭ-контроля.
Для решения этой задачи необходимо разработать методики повышения точности определения координат дефектов и оценки степени их опасности при диагностике машиностроительных конструкций методом АЭ. В настоящей работе поставленная задача решалась с использованием кластерного анализа. Использование вероятностного подхода к расчету времени прихода сигнала АЭ на преобразователи акустической эмиссии (ПАЭ) позволило осуществить переход к определению координат источника сигнала АЭ от точки к зоне на поверхности объекта контроля (ОК). С использованием метода кластеризации осуществляется совместный анализ координат источников отдельных сигналов, и с высокой точностью определяются координаты дефектов.
Значительный вклад в усовершенствование метода АЭ внесли работы таких отечественных и зарубежных ученых, как В.И. Иванов, СИ. Буйло, Ю.Б. Дробот, И.В. Гулевский, С.А. Недосека, Б.Е. Патон, P.P. Скальский, В.В. Шип и др.
В известных работах развитие дефектов оценивалось, как правило, путем сравнении изменения определенного параметра сигналов АЭ с эталонной кривой. Исследования, проведенные в настоящей работе, показали, что комплексный подход и совместное использование нескольких параметров сигналов АЭ повышают надежность прогнозирования разрушения. Дополнительные возможности метода разработаны на основе анализа основных параметров сигналов АЭ (амплитудное распределение (АР), спектральные характеристики, время нарастания сигнала, скорость нарастания переднего фронта и т.д.).
В авиационной технике метод АЭ применяется, в основном, при контроле образцов из авиационных материалов, стоек шасси, элементов крыла, клепаных панелей. Использование метода АЭ для контроля элементов авиационных конструкций имеет ряд особенностей. Во внимание должна быть принята невозможность повторения эксперимента, а также требование проведения контроля в режиме реального времени, с выдачей заключения. При ресурсных испытаниях стойки шасси нагружаются в нескольких точках силами, изменяющимися по определенной программе. Трение в соединительных элементах и в местах крепления стоек шасси к нагружающим устройствам является источником шумов. При испытаниях авиационных панелей дополнительными источниками шумов являются заклепочные соединения. При этом акустическая активность может быть вызвана некачественным соединением, люфтом или срезанием заклепки. При переходе через клепаное соединение акустический сигнал испытывает очень сильное затухание, поэтому зоны контроля формируются та ким образом, чтобы все ПАЭ, образующие пьезоантенну, находились на одной панели.
К фильтрации шумов применяются два подхода. Первый, менее надежный подход, основан на анализе характеристик сигнала и сопряжен со значительными трудностями, такими как зависимость формы сигнала АЭ от расстояния от источника до ПАЭ, влияние качества установки ПАЭ на ОК, акустические характеристики ОК и т.д. Во втором подходе сигналы от шумов исключаются по месту возникновения. Для пространственной селекции сигналов необходимо разработать новые методы, направленные на повышение точности локализации и надежности контроля.
При разработке технологии контроля литых деталей (элементы тележки грузового железнодорожного вагона) следует учитывать, что надрессорные балки и боковые рамы представляют собой коробчатые конструкции с множеством ребер жесткости и технологических отверстий. Литые детали характеризуются большим затуханием, а сложная форма поверхности в зонах контроля затрудняет локализацию с применением простых методов определения координат источника по РВП сигнала АЭ. Для надежного диагностирования подобных деталей требуется методика, позволяющая с высокой точностью определять координаты дефектов на ОК.
Цель работы:
Разработка методов повышения точности определения координат дефектов и оценки степени их опасности при диагностике машиностроительных конструкций методом акустической эмиссии с использованием кластерного анализа.
Методы исследований:
Для достижения цели диссертационной работы использовался математический аппарат высшей алгебры, теории вероятностей, математической статистики, кластерного анализа, ряд методов вычислительной техники и математического моделирования.
Достоверность полученных результатов подтверждается значительным объемом проведенных экспериментальных исследований процесса разрушения материала на металлических образцах и элементах металлических и композиционных авиационных и железнодорожных конструкций с применением современной сертифицированной аппаратуры АЭ-контроля.
Научная новизна:
1. Дана оценка влияния погрешностей определения времени прихода сигнала на датчики пьезоантенны и неточности установки преобразователей на погрешность определения координат источника сигналов.
2. Предложен способ обработки сигналов акустической эмиссии в процессе проведения эксперимента, включающий в себя кластеризацию сигналов, позволяющий повысить точность определения координат источника сигналов.
3. Предложена методика, позволяющая с помощью кластерного анализа по изменению параметров сигналов акустической эмиссии определить момент изменения характера разрушения в металлических образцах.
4. Разработана методика прогнозирования развития макродефекта в элементах конструкций на основе анализа изменения плотности вероятности распределения амплитуд сигналов акустической эмиссии внутри одного кластера.
Практическая ценность и значимость:
По результатам работы подготовлена и реализована комплексная методика обработки АЭ-информации при статических и циклических испытаниях элементов машиностроительных металлических и композиционных конструкций, вошедшая в состав программных комплексов АЭ-контроля СЦАД-16.02, СЦАД-16.03, СЦАД-16.09Р. Методика соответствует аппаратным возможностям комплекса и позволяет в режиме реального времени определять места возникновения дефектов с минимальным разбросом точек локализации дефекта. АЭ-системы СЦАД-16.02, СЦАД-16.03 сертифицированы (сертификат Федерального агентства по техническому регулированию и метрологии РФ RU.C.28.007.A №19913/2, зарегистрированы в Государственном реестре средств измерений №18892-05). Распределенная АЭ-система СЦАД-16.09Р также сертифицирована (сертификат Федерального агентства по техническому регулированию и метрологии РФ RU.C.27.007.A №21988, зарегистрирована в Государственном реестре средств измерений №30141-05). АЭ-комплексы СЦАД-16.02, СЦАД-16.03, СЦАД-16.09Р используются в работе ФГУП «Сибирский научно-исследовательский институт авиации (СибНИА) им. С.А.Чаплыгина» при циклических испытаниях образцов из авиаматериалов, ресурсных испытаниях элементов самолетов Су-27, Су-30МКИ, С-80ГП, Ту-154Б, Ту-204, RRJ, тяжелого самолета. Кроме того, они внедрены в 39 вагоноремонтных предприятиях железных дорог РФ.
Апробация работы:
Основные результаты работы докладывались на XVI, XVII Всероссийских конференциях «Неразрушающий контроль и диагностика», на XXII Уральской конференции по неразрушающему контролю.
Публикации:
По результатам исследований подготовлено в соавторстве и опубликовано 13 статей в центральных технических журналах «Дефектоскопия», «Контроль. Диагностика», в соавторстве опубликована в издательстве «Машиностроение-Полет» книга, подготовлено в соавторстве 4 доклада на конференциях по НК, при участии автора написано 4 отчета по НИР.
На защиту выносятся:
1. Метод обработки сигналов акустической эмиссии с использованием кластерного анализа, позволяющий повысить точность определения координат дефекта.
2. Метод обработки сигналов акустической эмиссии при испытаниях металлических образцов и элементов авиационных конструкций, позволяющий производить фильтрацию сигналов и разделять сигналы от различных механизмов разрушения.
3. Способ оценки степени опасности усталостных трещин с использованием основных параметров зарегистрированных сигналов при акустико-эмиссионном контроле элементов металлических машиностроительных конструкций.
Структура и объем диссертации:
Диссертационная работа изложена на 160 страницах, включает в себя 7 таблиц и 61 рисунков, состоит из введения, четырех глав, основных выводов, списка литературы из 117 наименований.
Методы определения времени прихода сигнала акустической эмиссии по его оцифрованной форме
При решении одной из главных задач АЭ-диапюстики, а именно опреде ления координат развивающихся дефектов осуществляется измерение РВП сиг налов АЭ, поступивших на датчики пьезоантенны. Расчет времени прихода производится по реализации сигнала АЭ в виде JV отсчетов аналого-цифрового преобразователя (АЦП). Первоначально время прихода рассчитывалось по мо менту превышения сигналом некоторого порогового уровня, который опреде лялся уровнем шума в предыстории. Причем, для определения времени прихо да необходимо бло иметь несколько пересечений сигналом порогового уровня, на которые накладывались дополнительные условия по временным интервалам между ними. Таким образом, временной интервал между соседними пересече ниями не мог превышать некоего заранее заданного временного интервала, а, из алгоритма исключались единичные выбросы в сигнале. Однако такой алгоритм определения времен прихода имеет и некоторые недостатки (сильная зависи мость точности от уровня порога, недостаточная устойчивость к паразитным сигналам и т.д.) П / Самым простым методом определения начала сигнала АЭ является пороговый, в котором за начало сигнала принимается момент его превышения жестко установленного порога дискриминации.
Во всех системах АЭ-контроля, производящих счет импульсов, данный метод реализуется на аппаратном уровне. Программная запись формы сигнала, применяющаяся во многих современных акустических системах, предоставляет возможности по уточнению начала сигнала за счет применения более совершенных алгоритмов обработки. Таким образом, метод жесткого порога при записи формы сигнала является наихудшим. Известны методы, обеспечивающие при незначительных затратах времени на обработку существенно большую достоверность в определении начала сигнала. Для усовершенствования метода предлагаетя ввести автоматическое определение порогового уровня, в котором порог вычисляется по уровню шума непосредственно перед началом сигнала, в так называемой области предыстории. Пороговый уровень для амплитуды сигнала Апор задается в виде где Ашум - амплитуда шума, рассчитанная в области предыстории; А обш - добавка к амплитуде шума. При этом Адоош в (2.3) может быть задана в абсолютных единицах или в отношении к Ашм. Более совершенные методы основываются на концепции так называемого «скользящего окна», суть которой заключается в следующем. На сигнал накладывается «окно» определенного размера, как правило, длиной несколько мкс. По части сигнала, представленного в цифровой форме, в данном «окне» рассчитывается некоторый параметр, реагирующий на локальное изменение его структуры. Далее «окно» передвигается по цифровой форме сигнала, а для параметра устанавливается пороговый уровень, по превышению которого регистрируется его начало. Метод «скользящего окна» с подсчетом числа пересечений порогового уровня является наиболее быстрым (после порогового метода).
При этом он дает хорошую точность в определении начала сигнала и при соответствующем подборе параметров позволяет фильтровать сигналы типа электрических помех и межканальных наводок. При определении времени прихода используется следующий алгоритм. Допустим, что имеем цифровое представление сигнала длиной N. Число точек предыстории - Nnped. Вычисляем среднее Аср значение сигнала: В программной реализации алгоритма производится суммирование А, в цикле по /. По окончанию цикла сумма делится на N. Помимо этого, при выполнении цикла находятся такие необходимые для дальнейшего анализа характеристики как максимальная амплитуда сигнала в цифровом представлении A max, минимальная амплитуда сигнала Ami„, номера отсчетов, соответствующих Ami,, и Атах, максимальная и минимальная амплитуды сигнала по предыстории АтахпредН Атіппред. Порог селекции А1юр определяется как где А доб - добавка по амплитуде к порогу по предыстории, определяемая как где А)обтт - заданный минимальный запас по амплитуде; у„прео - коэффициент привязки к предыстории; у„ аш - коэффициент привязки к амплитуде сигнала. После того, как найден пороговый уровень, производится определение начала сигнала. Для этого на сигнал начиная с Г, = /-S/ (/ - номер отсчета; St -шаг дискретизации) накладывается «окно» размером ЛТок (рис.2.1). Далее «окно» продвигается по реализации от / = 0 до / = N - —— Сигнал считается зарегистрированным, если количество его переходов через установленный пороговый уровень Л,юр в диапазоне i-bKKyi dt + dJ1 ) превышает заданную величину В этом случае время прихода сигнала полагается Т„р = Ш. Если на всем продвижении «окна» условие не выполнено, то считается, что данный цифровой массив не содержит сигнала АЭ. Типовые значения констант, используемые в системе СЦАД-16.03, Применение данного алгоритма значительно повышает степень достоверности определения времен прихода сигналов АЭ по сравнению с методом, основанном на простой пороговой дискриминации. В то же время, метод не требует значительных вычислений и применяется в системе СЦАД-16.03 для вычислений в режиме реального времени при приеме сигналов.
Эксперименты показали, что разработанный пороговый метод, как правило, срабатывает на самой ранней стадии появления сигнала на фоне шума. При этом иногда захватываются отдельные выбросы в области предыстории сигнала [82]. Рассмотрим погрешности определения начала сигнала АЭ по его оцифрованной форме. В стандартном режиме работы АЭ-систем типа СЦАД-16.02, СЦАД-16.03, СЦАД-16.05 с записью формы сигналов АЭ определение времени прихода сигналов производится по оцифровому эквиваленту его формы, с помощью разработанного алгоритма определения сигнала АЭ методом «скользящего окна». Особенностью данного алгоритма является то, что при неудачно подобранных параметрах фильтра ошибка определения времени прихода сигнала может достигать значительной величины. Па рис. 2.2 иллюстрируется ситуация неудачного выбора комбинации частотного и временного параметров фильтра, из которого видно, что, хотя пороговый уровень был выставлен по предыстории сигнала правильно, три локальных максимума в форме сигнала, располагающиеся по оси времени в точках 170, 195, 205 мкс относительно начала цифрового массива, и относящиеся к началу сигнала, были ошибочно распознаны как случайные выбросы. Другой класс ошибок определения времени прихода сигнала по его цифровому эквиваленту обуславливается спецификой сигналов. Так, у слабых сигналов и сигналов с малой крутизной переднего фронта (рис.2.3) точность определения времени прихода априорно не может быть высокой. Таким образом, становится очевидной необходимость учета вероятных ошибок в определении времени прихода сигналов АЭ.
Метод динамической кластеризации для повышения точности определения координат источника сигналов акустической эмиссии
Задача кластеризации источников сигналов АЭ предшествует в последовательности обработки АЭ-данных заключительной стадии процесса контроля, а именно - принятию системой решения о пригодности ОК к дальнейшей эксплуатации. Кластеризация решает задачу обоснованной группировки сигналов АЭ из разнородного набора сигналов с выделением источников АЭ. Достоверное выделение источников сигналов является основным требованием для проведения расчетов по оценки их степени опасности и определению остаточного ресурса ОК в целом. При этом группировка сигналов в приложении к рассматриваемой задаче существенно отличается от традиционных задач статистического распознавания. Процесс распознавания образов обычно классифицируют как процедуру отнесения исследуемого объекта, заданного совокупностью наблюдений, к одному из взаимоисключающих классов [109]. Для данного процесса характерны стадии формирования пространства признаков ,,...,/ для распознавания, формирования эталонных описаний классов {,,.../ } (обучение), и стадия принятия решений об отнесении контрольного объекта к одному из взаимоисключающих классов на основе принятого решающего правила. Динамическая кластеризация сигналов АЭ, т.е. выделение групп сигналов АЭ в процессе поступления новых сигналов, напротив, характеризуется тем, что процесс обучения фактически идет параллельно процессу принятия решений. Как следствие, результирующая картина расположения кластеров сигналов АЭ, полученных при анализе завершенного набора сигналов (по окончании эксперимента), в отличие от динамической группировки, будет более полно соответствовать реальному размещению источников сигналов на поверхности ОК [101], Однако кластеризация источников вне зависимости от метода, на который она опирается, представляет собой довольно трудоемкий вычислительный процесс, включающий в себя значительное количество операций [42]. Для сие тем контроля, работающих в режиме реального времени, группировка сигналов «с нуля» по приходу каждого следующего сигнала неприемлема. Более эффективной является методика корректировки эталонных описаний классов АГ,,..Х., в которой приходящий сигнал, отнесенный к классу АГ„ изменяет своим приходом портрет класса. Далее обсуждаются некоторые принципиальные моменты динамической кластеризации сигналов АЭ, а также рассматриваются сам метод, подходящий для практического применения.
Задача выделения источников сигналов АЭ существенно отличается от классических задач распознавания образов тем, что образы классов, соответствующих определенным источникам АЭ в данном ОК, в пространстве признаков (параметров сигналов) оказываются взаимно перекрывающимися. Поэтому кластеризация сигналов должна производиться с учетом геометрического фактора - положения источника сигнала, рассчитанного по РВП сигнала на ПАЭ зоны контроля. В обратном случае вместо задачи кластеризации и выделения источников сигналов будет решаться задача распознавания образов сигналов и выделения определенных типов сигналов. Таким образом, очевидна исключительная важность решения задачи по повышению точности локализации источника сигнала, которая может быть достигнута только с помощью программного уточнения времен прихода сигналов АЭ на регистрирующие ПАЭ каналов системы контроля по их оцифрованной форме. При этом локализация источника сигнала производится по РВП сигнала АЭ на ПАЭ, составляющие локационную антенну. Кластеризация сигналов, которая как раз имеет своей целью выделение групп источников сигналов на основе неточных данных о локализации каждого конкретного сигнала, вероятно, может дать приемлемые результаты и в случае, когда время прихода сигналов определяется аппаратно по превышению сигналом порогового уровня. Однако запись формы сигнала с определением времени его прихода по оцифрованной форму (которое, к тому же может производиться сигнальным процессором в канале системы, при этом центральный процессор (ЦП) не будет загружен) может значительно повысить достоверность локализации источников.
Еще одним требованием для рассматриваемой методики группировки является включение в алгоритм определения времени прихода сигнала на канал / системы дополнительного выходного параметра - меры достоверности определения времени прихода 5/, (погрешность, стандартное отклонение) как: Ц = t0; ± 8//. Для сигналов с неявно выраженной предысторией погрешность локализации будет высокой. Такие сигналы также необходимо локализовать, но при этом функция локализации должна быть изменена путем добавления входных параметров - ошибки определения РВП. Выходными параметрами при этом должны являться координаты источника сигнала вместе с ошибкой выходных данных. Геометрически это означает следующее. Точка локализации источника сигнала определяется пересечением гипербол, соответствующих геометрическому месту точек, разность расстояния до которых от мест установки ПАЭ есть постоянная величина, равная rtJ =c[t0i 0J), где с - скорость распространения сигналов АЭ в материале, (/„, , ) разность времен прихода сигнала на ПАЭ / и у. Гиперболы имеют конечную ширину, определяемую б/у. Каждый сигнал, таким образом, характеризуется областью локализации и точкой локализации г о (гх,гу), определяемой через toi, fa, кз (рис.2.10).
Определение области локализации источника сигнала представляет собой отдельную задачу. Можем считать, что каждый сигнал АЭ характеризуется неким вероятным отклонением 8/w, таким, что с вероятностью Р Ргр {Ргр = 0,9...0,95) действительное местоположение источника сигнала попадает в область локализации глок
Определение статистических взаимосвязей параметров сигналов акустической эмиссии с процессом разрушения материала
В основу разработки методики определения взаимосвязей параметров сигналов АЭ с процессом разрушения положен анализ формы плотности вероятности распределения амплитуд сигналов АЭ. Данный параметр претерпевает относительно небольшие искажения в процессе распространения сигнала АЭ и его преобразования в приемно-регистрирующем тракте. Действительно, хотя регистрируемая энергия сигнала АЭ, пропорциональная квадрату его абсолютной амплитуды, сильно отличается от энергии элементарного акта АЭ, форма распределения регистрируемых амплитуд должна быть близка к исходному распределению. Для практической реализации предлагаемой методики требуется выполнить следующие условия эксперимента: - длительность строба при приеме сигналов должна соответствовать длитель ности сигнала АЭ. Невыполнение данного условия приведет к получению распределения, представляющего собой суперпозицию плотностей распре деления амплитуд внутри отдельных сигналов АЭ (то есть суперпозицию
Рэлеевских распределений): - где сг/ - дисперсия плотности вероятности выбросов внутри отдельного сигнала АЭ; а - параметр функции распределения амплитуд; к - нормиро вочная константа. - из анализа должны быть исключены сигналы, не имеющие четко выражен ной предыстории (спадающие участки длинных сигналов АЭ), регистрируе мые аппаратурой в условиях, когда выполняется неравенство: - где т - длительность сигнала АЭ; tst - длительность строба; tj - «мертвое» время. период следования сигналов должен быть меньше длительности одного сигнала АЭ. Необходимо учитывать, что сигналы АЭ с меньшей амплитудой следуют чаще и могут частично перекрываться, что приводит к искажению формы АР. Такие сигналы могут быть отброшены повышением порогового уровня системы. Однако это вызывает уменьшение общего количества принятых сигналов и может сделать невозможным применение данной методики. Баланс находится на основе визуального анализа формы принимаемых сигналов. Таким образом, необходимым условием для методики является запись в условиях эксперимента формы сигналов АЭ с последующей отбраковкой части из них. Сигналы АЭ должны, по возможности, усиливаться в приемном тракте до максимального соответствия динамическому диапазону последнего. При этом ситуация превышения амплитудой сигнала динамического диапазона является недопустимой и ведет к потере в полученном распределении полезной информации. Характерный вид АР сигналов АЭ от слабо развитого макродефекта представлен на рис.3.2. В [18] показано, что, исходя из предположений о случайном характере акта АЭ, АР для одной группы микроисточников описывается соотношением: где А - амплитудный параметр распределения.
Из анализа экспериментальных данных следует, что в области больших амплитуд данная функция имеет заниженные значения. Если предположить, что зарождающийся макродефект состоит из нескольких групп микроисточников, то ожидаемая плотность вероятности распределения амплитуд будет определяться как: где N- число групп микроисточников. Расчеты численными методами для №=10 и нормального распределения w(Aj) дают зависимость, близкую к обратной степенной w(a) к а . Появление локальных максимумов на фоне спадающего АР, соответствует, как правило, развивающемуся макродефекту. Ограничение сигналов по минимальной амплитуде, перекрытие части сигналов приводят к тому, что в АР появляется максимум, несколько сдвинутый относительно порогового уровня в область больших амплитуд. Таким образом, анализ изменения плотности вероятности распределения амплитуд сигналов АЭ позволяет прогнозировать момент зарождения макродефекта, а также наблюдать его развитие. В результате обработки файла с массивом форм сигналов АЭ определяется набор кластеров - групп источников. При этом отбрасываются ложные сигналы (помехи), спадающие части сигналов и т.д. Дальнейший анализ плотности АР производится внутри каждого кластера. После обработки ряда гистограмм, полученных путем вариации шага выборки и начального сдвига, находится форма АР, Далее определяется пространство параметров АР А, в качестве которых используются степень корреляции спадающей части распределения (рис. 3.2) с обратной экспонентой К, относительная ширина на полувысоте максимума hni, нормированный максимум плотности распределения w(a)max, определяемый как NmJNtot (где Nmax - общее число сигналов, находящихся в полосе шириной, равной шагу выборки h с центром в максимуме АР; Ntot- общее число сигналов в кластере). Кроме того, пространство параметров АР дополняется параметром D, который является обобщенным диагностическим признаком всех сигналов АЭ, относящихся к данному кластеру. Диагностический признак D является мерой опасности данной группы сигналов, полученной на основании анализа всех других параметров, не зависящих от формы АР (наиболее вероятной абсолютной амплитуды сигнала в кластере, количества сигналов в кластере, крутизны переднего фронта, времени нарастания, частоты сигнала).
Таким образом, каждый кластер представляется точкой в пространстве AuD, перемещающейся с развитием дефекта. Пространство AuD должно быть отображено в линейное диагностическое пространство L( W, t), где t - число циклов (время службы ОК) путем отображения Т: {К, ho wfaJm Dj). Основу применяемой в системе СЦАД-16.03 методики оценки степени опасности дефекта составляют результаты статистической обработки банка данных, полученных при АЭ-контроле. Основная оценка производится по наиболее развитой группе источников, обладающей максимальным коэффициентом опасности R. Для определения степени опасности дефекта используются найденные экспериментально зависимости параметров сигналов АЭ от степени развития дефекта усталостного типа. Для каждого из таких макроисточников рассчитывается интегральный коэффициент опасности R. В качестве исходных данных для расчета коэффициента опасности R используют вид ОК, тип сигнала АЭ, основные параметры (максимальная амплитуда А, частота/ время нарастания переднего фронта іпф сигнала АЭ). Скорость нарастания определяется как da(t)/dt(t=t0), где -огибающая сигнала АЭ; to -время, соответствующее точке начала сигнала.
Акустико-эмиссионный контроль при прочностных испытаниях литых деталей тележки грузового вагона
В формуле (3.3) присутствует параметр d, зависящий от числа сигналов в группе. Он необходим для того, чтобы скорректировать вид зависимости R(N). В случае d = \, коэффициент опасности R для сигналов с одинаковыми значениями A, F и інараст, зависит от JV линейно. Если ввести, например, линейную зависимость d (iV), то зависимость R от N станет квадратичной, т. е. источнику с большим количеством сигналов будет присвоен и больший коэффициент опасности. Рассмотрим процесс постановки диагноза: 1) Имеем некоторое количество локализованных сигналов, В зависимости от порядка прихода сигнала на различные каналы системы определяется его принадлежность одной из предопределенных зон контроля. 2) Для каждой зоны контроля берется соответствующая ей браковочная сетка. Для каждого из квадратов сетки, разрешенного для локализации, определяется количество сигналов из данной зоны, попавших в квадрат сетки. 3) Проематриваются все локализованные сигналы. Для каждого сигнала определяется количество сигналов, попавших в смежные квадраты браковочной сетки (рис.4.15). ЛОБ. Далее для каждого из обнаруженных программой источников рассчитывается интегральный коэффициент опасности R. Рассмотрим примеры диагностики боковых рам в вагонном депо станции Инская. На рисунках 4.16 - 4.25 показаны выделенные системой источники сигналов и диагноз по данным объектам. Для боковой рамы № 16627 (рис. 4.20-4.21) система выделила три источника. Сигналы, не вошедшие в выделенные источники, представляли собой помехи.
Для выделенных источников интегральный коэффициент опасности оказался невысоким, рама была признана годной к эксплуатации до следующего освидетельствования. Для надрессорной балки № 8166 (рис. 4.22 - 4.23) был поставлен диагноз «брак». В дальнейшем при визуальном осмотре был обнаружен дефект в наклонной плоскости в районе первого датчика. Распределенные АЭ-системы, предназначенные для прочностных испытаний протяженных ОК, по сравнению с сосредоточенными АЭ-системами, имеют существенно меньшую пропускную способность по объему принимаемой информации [94]. При этом предполагается, что каждый канал представляет собой отдельный законченный функциональный узел и выполняет роль автономного устройства, работающего на один кабель связи, который располагается на испытываемом изделии вблизи места установки ПАЭ (рис.4.26). В распределенных АЭ-системах каналы последовательно соединены между собой и работают на одну линию (рис.4.27). Поэтому методы преобразования и передачи информации в них отличаются от тех, что используются при создании сосредоточенных АЭ-систем. В данных системах, как правило, в рабочем режиме вместо формы сигнала сохраняется ряд его параметров. При этом сохраняется
