欧美电影免费观看高清,日韩精品黄色网,国产亚洲精品一区二区

北京工業大學

無損檢測與評價研究所

2020 年度研究進展

北京工業大學無損檢測與評價研究所成立于1998年，隸屬于學校機械工程與應用電子學院，重點招收機械工程、儀器科學與技術等兩個一級學科的碩士生和博士生，主要研究方向為如何利用聲、光、電的波動特性對機械結構、功能材料等進行無損檢測與結構健康監測。

研究所現有教授7名，副教授1名，講師6名，博、碩士研究生100余名，其中，北京市拔尖創新人才3人，北京市創新團隊1個，北京市科技新星3人，校“京華人才”2人。

自成立以來，研究所承擔各類科研項目70余項，包括國家重點研發計劃項目、國家自然科學基金國家重大科研儀器研制項目、國家自然科學基金重點項目、科技部863計劃項目和國家科技支撐計劃項目等，科研經費累計達6000余萬元。

研究所在無損檢測和結構健康監測新技術、新型傳感器測試技術、高端檢測設備及儀器開發等方面取得了豐碩的成果，針對企業需求，提供了多種定制化的解決方案，其中“防撞護欄鋼立柱埋置深度無損檢測技術研究與設備研制”項目獲得浙江省科學技術獎二等獎。

研究所已培養博士研究生40余人，碩士研究生200余人，出版專(譯)著5部，在國內外學術期刊及會議上發表論文700余篇，其中SCI和EI檢索500余篇，多篇獲得國際會議最佳論文獎，申請專利100余項，授權發明專利70余項。

2020年，北京工業大學無損檢測與評價研究所針對國家重大工程中的關鍵構件健康問題開展了一系列的監檢測技術研究。在基礎理論、方法研究、儀器開發、工程應用等方面均取得了一定進展，發表學術論文40余篇，申請和獲批專利及軟件著作權10余項;獲批國家、省部級自然科學基金項目3項;橫向課題若干項。

科學成果概述

1 超聲導波信號參數化表征方法研究

基于Chirplet模型的參數化信號表征技術已經在超聲導波的材料性能識別和結構完整性評估中引起了廣泛地關注。使用高斯窗或線性調頻函數建立的模型與實際情況不一致。在實際情況中，常采用漢寧窗調制的正弦信號作為激勵信號，由于波的色散，接收到的信號具有非線性相位和不對稱包絡等特性。為了消除上述矛盾，提出了一種非線性漢寧窗線性調頻模型，設計了一個非線性相位調制項來調制經典的漢寧窗和正弦函數。用雙曲正切函數建立相位調制項，對非線性調制項和NHWC(非線性漢寧窗線性調頻)模型的性質進行了數學分析，包括時間的可變性、奇偶性和凹凸性。這些性質用于指導信號表征中的參數設置。NHWC模型可以表征導波信號的各種特性，包括對稱或不對稱的漢寧包絡以及相位非線性。最后，采用自適應遺傳算法來驗證NHWC模型在試驗測量的超聲信號參數表征中的有效性。非線性Chirp的IF(瞬時頻率)曲線和波形如圖1所示。

(a) 非線性Chirp的IF (b) 帶有IF的非線性Chirp的波形映射

(d) α=-1.5016時的非線性Chirp的波形

圖1 非線性Chirp的IF曲線和波形

在Journal of Nondestructive Evaluation期刊上發表了題為A nonlinear Hanning-windowed chirplet model for ultrasonic guided waves signal parameter representation的論文。

2 聲發射源定位方法研究

時差映射(TDM)方法是一種檢測復雜結構缺陷的有效方法。該方法的核心是在時差數據庫中搜索距驗證點最近的點。在傳統的時差映射(T-TDM)方法和改進的時差映射(I-TDM)方法中，更大的數據集和更密集的網格可以實現更高的定位精度。如果數據集中不包含定位點，則T-TDM和I-TDM方法的定位精度將受到很大影響。

針對上述問題，提出了一種新的聲源定位方法，即基于時差映射的廣義回歸神經網絡(GRNN-TDM)方法，以實現更高的定位精度。該方法將時差映射中所有節點上傳感器路徑的時差數據作為訓練輸入數據，并將網格節點的坐標作為訓練輸出數據。經過多次訓練后，神經網絡模型會使用從驗證點收集到的時差數據來預測其可能的源位置。為了研究GRNN-TDM方法對聲發射源的定位效果，對4種纖維層不同的復合板和帶孔的鋁板進行了研究。定位結果表明，GRNN-TDM方法的定位精度高于T-TDM和I-TDM方法，GRNN-TDM方法的聲發射源定位示意如圖2所示。

圖2 GRNN-TDM方法的聲發射源定位示意

在Experimental Mechanics期刊上發表了題為Acoustic emission source localization using generalized regression neural network based on time difference mapping method 的論文。

3 超聲導波電磁聲傳感器結構設計

為了提高電磁聲換能器(EMAT)激發超聲導波模態的單一性，研制了一種先進的指向型磁集中器式電磁聲傳感器(D-MC-EMAT)，用于在平板中激發出單一的S0模態信號。磁集中器被添加到傳統的EMAT中，以引導和聚集由永磁體提供的偏置靜磁場，改變磁通密度的分布，消除了不需要的A0模態。有限元仿真和試驗結果表明，所提出的D-MC-EMAT通過添加磁集中器改善了傳統EMAT的模態選擇性和缺陷檢測能力，同時D-MC-EMAT具有較好的頻率響應特性和聲場指向性。指向型磁集中器式電磁聲換能器結構如圖3所示。

圖3 指向型磁集中器式電磁聲換能器結構示意

在Sensors and Actuators A: Physical 期刊上發表了題為Development of a directional magnetic-concentrator-type electromagnetic acoustic transducer for ultrasonic guided wave inspection 的論文。

4 電磁聲傳感器的磁聲復合檢測研究

為了提高電磁超聲測試的效率和魯棒性，提出了針對鐵磁性材料的磁聲復合檢測方法。通過電磁聲換能器的一次檢測可同時獲得超聲和脈沖渦流(PEC)信號。EMAT利用磁致伸縮效應和洛倫茲力機制的耦合所產生的超聲波來檢測鐵磁性材料。在保持模型幾何形狀和EMAT其他參數不變的條件下，通過耦合不同的物理場，建立了3個EMAT仿真模型。其中，橫波可以由磁致伸縮力產生，縱波可以由洛倫茲力產生。對仿真結果進行時頻分析發現，超聲波和PEC的信號能量分布在不同的頻率范圍內。利用濾波器和時域信號分離方法，可以從EMAT信號中分離出磁致伸縮力超聲波(MFUW)、洛倫茲力超聲波(LFUW)和PEC對應的信號等成分。所提方法實現了一次EMAT檢測即可提取多個參數，提高了電磁超聲傳感器的檢測能力。鐵磁性材料EMAT檢測信號分離示意如圖4所示。

(a)分離前 (b)分離后

圖4 鐵磁性材料EMAT檢測信號分離示意

在IEEE Sensors Journal期刊上發表了題為Numerical decoupling study of EMAT testing signal for ferromagnetic materials 的論文。

5 基于超聲衍射波的風機主軸表面裂紋量化方法研究

對風力發電機主軸表面開口橫向裂紋量化表征的問題進行了研究。利用中心孔內壁作為超聲信號的接收面，提出了一種利用衍射縱波確定的雙橢圓軌跡計算裂紋位置和擴展深度的新方法。該方法通過在主軸端面和中心孔位置處設置多個“傳感器組合”來采集裂紋衍射波的渡越時間，并形成包含衍射點的橢圓曲線，從而達到測量裂紋尖端位置的目的。利用有限元方法建立了一激多收式檢測模型，對30個不同位置、深度的裂紋進行了仿真研究。基于仿真結果，分析了影響裂紋量化精度的因素，并提出了提高裂紋評價精度的時間校準方法。為驗證新方法實際的應用效果，在主軸試樣上開展了試驗研究。結果表明，在長距離檢測小裂紋時，裂紋量化的最大誤差小于5mm。該研究為風機主軸表面開口橫向裂紋的量化表征提供了一種有效的檢測方法。主軸表面橫向裂紋尖端衍射聲波傳播路徑如圖5所示，主軸試樣中的裂紋檢測結果如圖6所示。

圖5 主軸表面橫向裂紋尖端衍射聲波傳播路徑示意

(a)結果一 (b)結果二

圖6 主軸試樣中的裂紋檢測結果

在Smart Materials and Structures期刊上發表了題為Method for evaluation of surface crack size of wind turbine main shaft by using ultrasonic diffracted waves的論文。

6 基于圓形貼片天線的應變全向檢測技術

根據應變花測量原理，確立貼片天線應變傳感器對結構應變的全向檢測方法，即只需獲取貼片天線3個角度上頻率的變化值，便可確定結構的主應變大小及方向。建立了應變全向檢測系統(見圖7)，并結合試驗條件設計制作了拉伸試件。在拉伸試件上表面的受力均勻區域黏貼微帶貼片天線，同時，在試件下表面的相同區域黏貼電阻應變片。在加載不同主應力的情況下，分別利用圓形微帶貼片天線應變傳感器和電阻應變片測量了不同平面夾角方向的應變變化曲線。由測量結果可知，2種檢測方法測量結構應變的數值一致，表明利用圓形貼片天線可表征結構應變的大小及方向，并且試驗中最小可分辨的平面夾角為15°。應變隨角度變化關系如圖8所示。此外，相較于電阻應變片，圓形貼片天線應變傳感器只需1組即可實現結構應變大小及方向的無源無線測量。

圖7 應變全向性檢測系統外觀

(a)0?∼90?范圍 (b)0?∼360?范圍

圖8 應變隨角度變化關系示意

在Sensors and Actuators A: Physical期刊上發表了題為Strain omnidirectional detection based on circular patch antenna的論文。

7 基于勒讓德正交多項式方法的鋰離子電池超聲反射特性研究

鋰離子電池的內部信息，如材料性能和電化學狀態，可以通過電池的充電狀態(SOC)反映出來。超聲無損檢測方法可以用來表征電池的SOC，獲取超聲波傳播信息與SOC之間的關系。在電池充電過程中，正極的鋰離子會脫出，并穿過隔膜，嵌入到負極中，使得內部電極材料的楊氏模量和密度發生變化，這將影響超聲波在電池中的傳播。鋰電子電池充電過程如圖9所示，負極石墨和正極鈷酸鋰的電極材料密度與楊氏模量隨SOC的變化如圖10和圖11所示。

圖9 鋰離子電池充電過程示意

(a) 密度隨SOC變化

(b) 楊氏模量隨SOC變化

圖10 負極石墨的電極材料密度與楊氏模量隨SOC的變化

(a) 密度隨SOC變化

(b) 楊氏模量隨SOC變化

圖11 正極鈷酸鋰電極材料密度與楊氏模量隨SOC的變化

該研究對鋰離子電池中超聲波的反射特性做出了清晰與全面的表述，首次提出了用勒讓德正交多項式法求解一單元與多單元鋰離子電池的反射系數。理論結果表明，反射系數的角頻譜和頻譜隨SOC呈現規律性偏移，因此其可以用來表征SOC。有限元模擬得到的結果與該方法高度吻合，驗證了該方法的可行性(見圖12～14)。

(a) 入射頻率f=0.8MHz

(b) 入射頻率f=1MHz

圖12 單元電池反射系數角度譜

(a) 入射角度θ=45°

(b) 入射角度θ=60°

圖13 單元電池反射系數頻譜

(a) 入射頻率f=0.8MHz

(b) 入射頻率f=1MHz

圖14 電池反射系數角度譜理論、仿真對比

發表論文：Ultrasonic reflection characteristics of lithiumion battery based on Legendre orthogonal polynomial method. Wave motion, 2020(In press).

8 聲波在厚膠層(FRP)黏接結構中的反射/透射特性理論分析

理論推導了液體負載下超聲波在厚膠層FRP黏接結構中傳播時的反射/透射系數表達式，并基于此分析了黏接結構發生單黏接界面弱化、雙黏接界面弱化時，超聲反射系數頻譜、角度譜的偏移特征。研究發現，黏接界面弱化時，對應的超聲反射系數頻譜將向低頻方向偏移，而超聲反射系數角度譜將向大角度方向偏移。另外，當厚膠層FRP黏接結構中的兩個黏接界面分別發生同等程度弱化、非同等程度弱化時，超聲反射系數頻譜曲線中的極小值點將按照不同的偏移規律移動。厚膠層FRP黏接結構理論分析模型如圖15所示，雙黏接界面弱化時的超聲反射系數頻譜如圖16所示。

圖15 厚膠層FRP黏接結構理論分析模型

圖16 雙黏接界面弱化時的超聲反射系數頻譜

在Theoretical analysis. Composite Structures期刊上發表了Ultrasonic reflection characteristics of FRP-to-FRP bonded joints with thick adhesive layers for bonding evaluation 論文。

儀器研制與平臺搭建

1 制氫爐管內壁蠕變裂紋超聲原位自動檢測系統

該系統包括計算機、多通道超聲系統控制電路、電機驅動板、空心杯電機、旋轉電機、爬管機器、多通道壓電換能器檢測環等(見圖17)。其中，多通道壓電換能器沿爐管周向布置，用于檢測爐管的內壁裂紋;計算機通過無線網絡向多通道超聲系統控制電路發送檢測指令;多通道超聲系統控制電路控制多路同時激勵壓電換能器，并接收來自壓電換能器的回波信號，然后將回波信號通過無線的方式傳回計算機，同時，系統控制電路向電機驅動板發送運動指令;電機驅動板驅動空心杯電機帶動爬管機器運動，并接收電機編碼器傳回的運動參數，通過系統控制電路發回至計算機，實現自動檢測。爬管檢測機械結構如圖18所示。該發明解決了制氫爐管內壁蠕變裂紋原位檢測的問題，實現了對爐管內壁蠕變裂紋的無線、遠程超聲自動檢測。

圖17 爬管檢測機械結構外觀

圖18 爬管檢測機械結構示意

同時申請了一篇題為《一種制氫爐管內壁蠕變裂紋超聲原位自動檢測系統》的專利。

2 密封電子器件多余物自動檢測系統

針對現有顆粒碰撞噪聲檢測(PIND)系統存在的檢測精度低、誤判漏判率較高、不能實時判斷內部多余物材料等問題，提出了一種基于神經網絡的多余物自動檢測與識別方法，研制了密封電子器件多余物自動檢測系統(見圖19)。該系統采用大功率電磁式振動臺為多余物檢測提供振動激勵，利用多通道融合傳感器采集碰撞噪聲信號，通過高速數據采集系統將信號傳遞至上位機。上位機采用短時能量門限檢測法提取信號脈沖;提取多種時頻域特征，并與小波域特征相結合;通過訓練多輸出的神經網絡預測模型自動判斷被測件內部是否存在多余物顆粒，并自動給出多余物材料信息。試驗結果表明，該系統判斷質量為0.1mg以上多余物有無的準確率可達99%，對多余物材料識別的準確率可達91%。