一种基于压电和智能涂层传感器的疲劳裂纹综合监测方法与流程

本发明属于结构健康监控领域，涉及对金属、复合材料等结构损伤监测，具体涉及一种用于压电和智能涂层传感器对铝合金薄板疲劳裂纹扩展情况的综合监测判断方法。

背景技术：

结构健康监控技术已经在民用工程和航空工程领域都得到了广泛应用，结构健康监控技术就是通过智能传感器网络在线实时监测结构健康状况。目前，在结构健康监控技术中使用的传感器主要有压电传感器、光纤传感器、mems传感器、智能涂层传感器等。其中压电传感器是通过自身的压电效应，激励和接收导波信号，并通过信号处理技术实现对结构损伤监测；智能涂层传感器是由驱动层、传感层和保护层组成，通过结构裂纹扩展到智能涂层传感器布贴位置引起传感层电阻值的变化，从而实现对结构裂纹的监测。

有研究表明，针对结构健康监测的不同传感器设备，由于传感器的监测原理不同，其信号的数据类型和处理方式也不尽相同，对损伤监测各有优势。目前，根据不同传感器对结构损伤监测采集的信号，其数据类型主要分为signalresponse数据和hit/miss数据。signalresponse数据是指通过检测到的电信号或振动信号(如：电压、电流、频率、应变等)的连续变化用于表征结构损伤的变化(如：裂纹长度，损伤面积等)。针对离散的响应信号，传感器采集的数据直接能够反应其检测结果(hit＝1，miss＝0)，1表示损伤被检测到，0表示损伤未被检测到。通过裂纹检出概率比较压电和智能涂层传感器对损伤的能力。裂纹检出概率，即pod(probabilityofdetection)模型是传感器检测能力的一种表征方式。pod模型结果不仅与损伤大小有关，还受到如被监测结构的材料、几何尺寸、损伤形式、监测环境和监测人员等不确定性因素的影响。

在相关文献和试验中发现，智能涂层传感器在监测疲劳裂纹扩展时会发生漏检的情况，所谓漏检则指的是当裂纹已经穿过智能涂层传感器的监测区域时，传感器未检测到的现象。

技术实现要素：

本发明为了解决上述问题，充分考虑到智能涂层传感器的漏检问题，提出一种基于压电和智能涂层传感器的疲劳裂纹综合监测方法。本发明是通过压电传感器的损伤监测原理，建立结构裂纹定量模型监测疲劳裂纹扩展情况，结合智能涂层传感器的监测结果，分别建立相应的pod模型，绘出pod曲线。本发明是通过两种传感器的监测结果所建立的pod模型，综合比较压电和智能涂层传感器对疲劳裂纹扩展的检出概率，选择在不同疲劳裂纹长度下更能够准确监测该结构疲劳裂纹扩展的传感器类型。

本发明采用了两种传感器对疲劳裂纹扩展监测结果进行综合判断，通过疲劳试验机对试验件加载，使试验件产生疲劳裂纹扩展，两种传感器通过对监测信息的分析处理获得相应的pod模型，实现两种传感器的对疲劳裂纹扩展的综合判断，克服了两种传感器自身的不足。

本发明是分别基于压电和智能涂层传感器对疲劳裂纹的监测结果，提出了信息融合方法，实现对裂纹扩展的综合判断。以铝合金薄板的疲劳裂纹扩展试验为平台，在薄板上同时布置智能涂层和压电传感器对疲劳裂纹扩展进行监测，具体分以下步骤：

步骤1：选择试验件。

步骤2：在铝合金薄板上布贴压电传感器和智能涂层传感器。

步骤3：确定压电传感器的激励信号。

步骤4：将以上贴有智能涂层和压电传感器的铝合金薄板安装在疲劳试验机上进行疲劳裂纹扩展试验。在疲劳试验机加载前，分别采集压电和智能涂层传感器的初始信号。

步骤5：通过光学显微镜实时记录不同循环周次下的裂纹长度，在平均加载应力水平停止循环加载时采集压电传感器接收的lamb波信号。同时，在每次智能涂层传感器报警时，记录智能涂层传感器的数据和压电传感器的lamb波信号。

步骤6：完成试验后，对传感器采集的信号进行处理。主要是分析处理压电传感器采集的lamb波信号，对该信号进行滤波，截取lamb波信号s0模式的时间窗。因为lamb波在传播路径中随着裂纹扩展，信号能量发生衰减即幅值减小、传播路径变化即相位变化等，提取损伤特征归一化幅值x、相位角变化y，建立裂纹长度与损伤特征参数的函数模型f(·)。

步骤7：重复步骤2-6，针对压电传感器采集的lamb波信号进行分析处理，提取损伤特征参数，验证步骤5中建立的函数模型，并对模型参数加以修正，获得修正后的模型g(·)。

步骤8：根据步骤7中确定的压电传感器裂纹监测模型和智能涂层传感器的历史数据，选择相应的pod模型，绘制pod曲线，判断两种传感器对铝合金结构疲劳裂纹扩展的监测能力。

本发明的优点在于：

提出了一种基于压电传感器对疲劳裂纹扩展的损伤定量模型，结合智能涂层和压电传感器对铝合金板疲劳裂纹监测的试验数据，获得相应传感器的pod模型，判断两种传感器对不同裂纹长度的监测能力。通过综合智能涂层和压电传感器的pod模型，判断两种传感器在不同裂纹长度下的监测能力。

附图说明

图1为试验件规格示意图；

图2传感器布置示意图；

图3压电传感器激励信号；

图4压电传感器接收的lamb波信号；

图5不同裂纹长度下，s0模式曲线；

图6智能涂层和压电传感器裂纹监测的pod曲线。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

本发明在于提供一种多传感器对疲劳裂纹扩展的综合监测方法。通过智能涂层和压电传感器对铝合金薄板的疲劳裂纹扩展进行监测，分析监测结果，绘制两种传感器的pod模型曲线。

上述铝合金薄板如图1所示，其规格:600*300*2(mm)。为了在疲劳试验过程中使结构能够较快地沿指定方向进行疲劳裂纹扩展，在铝合金薄板的中心开有一直径10mm的圆孔，并在平行于短边的两个方向上分别预制长3mm，宽0.2mm的裂纹。

将布置有传感器的铝合金薄板(如图2所示)装载到疲劳试验机进行试验前，需要对压电和智能涂层传感器进行调试，并获取初始信号。其中，传感器的调试包括测试传感器信号的激励和采集是否正常，本方法实现过程中压电传感器选择的激励信号是五波峰正弦调制信号，中心频率160khz，如图3所示。考虑到lamb波的频散特性，在采集到的lamb波信号中，根据布置的压电传感器之间距离和lamb波的飞行时间(tof,time-of-flight)即t2，如图4所示，计算lamb波s0模式群速度，截取不同裂纹长度下s0模式时间窗。由于lamb波在传播过程中遇到损伤时会出现信号的反射和散射现象，能量就会耗散。本方法选择用lamb波s0模式的幅值和相位的变化来表征疲劳裂纹的扩展情况。在所截取的时间窗中，提取表征裂纹扩展情况的归一化幅值x和相位角的变化y，并建立相应的函数模型。

通过智能涂层传感器的历史数据和压电传感器建立的裂纹扩展定量模型，分别建立相应的pod模型，比较分析获得两种传感器对不同裂纹长度的监测效果。

本发明的一种基于压电和智能涂层传感器的疲劳裂纹综合监测方法，包括以下几个步骤：

步骤1：选择试验件。在验证本方法中，考虑到lamb波的传播特性和疲劳裂纹的扩展，选择铝合金薄板，规格：600*300*2(mm)，在铝合金薄板的中心开有φ10mm的圆孔，同时在孔的两边垂直于长边方向各预制3mm长，0.2mm宽的小裂纹。

步骤2：在薄板上布贴压电传感器和智能涂层传感器，其中智能涂层传感器从沿着预制裂纹的尖端起布置16个传感器，两压电陶瓷片之间的中心距离是200mm，如图2所示。

步骤3：确定压电传感器的激励信号，根据lamb波在铝合金板中传播的频散曲线可知，当频厚积较小时lamb波s0模式群速度较大且稳定，激励信号每个激励脉冲的周期数一般选择3.5～13.5个周期，周期数不能过多，也不能过少。这是因为信号的周期数越多，不同模式的波包就会发生串扰，不利于信号的分析。激励信号的周期数过少，信号所携带的能量就越少，且带宽越宽，信号易受干扰。这里选择五周期正弦调制波信号，中心频率160khz。

步骤4：将以上贴有智能涂层和压电传感器的铝合金薄板安装在疲劳试验机上进行疲劳裂纹扩展试验。在疲劳试验机加载前，分别采集压电和智能涂层传感器的初始信号。设定疲劳试验机的加载参数，包括应力比、最大应力、加载频率、加载波形等。

步骤5：通过光学显微镜实时记录不同循环周次下的裂纹长度，在平均加载应力水平停止循环加载的情况下采集压电传感器接收的lamb波信号。同时，在每次智能涂层传感器报警时，记录智能涂层传感器的数据和压电传感器的lamb波信号。

步骤6：试验结束后，对智能涂层和压电传感器的采集信号进行处理。针对压电传感器接收的lamb波信号进行窄带滤波，从滤波后的信号中截取s0波包相应的时间窗(见图5)，并根据以下公式从时间窗中提取损伤参数。公式3中ai和a0分别表示图5虚线框中第i条曲线的波峰值和基准信号即裂纹长度为零的波峰值，公式4中pi和p0分别表示第i条曲线的波峰值和基准信号的波峰值所对应的时刻。通过裂纹扩展的实测值和损伤特征参数建立疲劳裂纹的损伤定量模型。

y(i)＝pi-p0(4)

其中：上式中x表示归一化幅值，y表示相位角变化，αi(i＝0,1,2,3)表示模型参数，模型监测的裂纹长度。

步骤7：使用相同规格的试验件，重复步骤2-6六次，验证步骤5中建立的函数模型，并对模型参数使用贝叶斯统计方法中mcmc抽样方法进行修正，获得修正后的模型。

其中：上式中α′i(i＝0,1,2,3)是更新后模型参数。

步骤8：根据模型公式(7)、(8)和(9)，建立压电传感器的pod模型，绘制pod曲线。

其中：式(7)中lna是实际裂纹长度的对数形式，是模型监测结果的对数形式，γ是服从均值为零，标准差为σγ误差变量，α、β是模型参数。式(8)中裂纹监测阈值。

将多次试验中智能涂层传感器的监测结果进行处理，每一个智能涂层传感器监测结果作为一个hit/miss数据类型，当裂纹扩展到两个传感器之间时，前一智能涂层传感器报警，则前一智能涂层传感器检测到裂纹，否则该传感器没有检测到裂纹。根据检测结果，得到智能涂层传感器裂纹监测的样本均值和样本方差。由公式(10)得到智能涂层传感器裂纹监测的pod模型，其中m是样本均值，σ是样本标准差。最后，根据模型绘制智能涂层传感器的pod曲线。

其中：上式中m、σ分别是智能涂层传感器监测结果的样本均值和标准差。

根据上面绘制的两个pod模型，判断两种传感器对铝合金结构疲劳裂纹扩展的监测能力，如图6所示。