一种预测复合材料疲劳寿命的方法与流程

本发明涉及复合材料疲劳寿命领域，具体涉及一种预测复合材料疲劳寿命的方法。

背景技术：

纤维增强复合材料具有高的比强度、比模量、可设计性、耐腐蚀性等优点，现已广泛应用于航空航天、建筑土木、能源交通、海洋工程等领域。在工程应用中，许多纤维增强复合材料构件或部件在工作中长期承受反复作用的交变载荷，材料内部会逐渐萌生裂纹，随着疲劳损伤的不断累积，复合材料的强度与刚度严重下降，材料的使用寿命大大缩短。因此，对复合材料的疲劳寿命进行预测，具有重要意义。

目前的疲劳寿命预测技术基本上都是通过变化着的机械性能(如剩余强度、剩余刚度)为参量来描述疲劳损伤的演化，并建立这些参量与疲劳寿命的联系，从而预测疲劳寿命。现有技术要测量剩余强度和剩余刚度这些参量来预测疲劳寿命，首先，测量复合材料的剩余强度和剩余刚度都无法在线进行，即需要将正在服役的复合材料构件拆下来再放到测试设备上进行测量；其次，测量这些参量需要借助较为昂贵的试验设备，如疲劳试验机；第三，测量剩余强度时还将破坏复合材料试件，属于破坏性的测试过程。

技术实现要素：

本发明的目的在于克服现有技术存在的不足之处而提供一种预测复合材料疲劳寿命的方法。

为实现上述目的，本发明采取的技术方案为：一种预测复合材料疲劳寿命的方法，所述方法包括以下步骤：

(1)对复合材料进行模态测试，得到频率值；

(2)将频率值代入疲劳寿命预测模型，得到预测的疲劳寿命，其中，所述疲劳寿命预测模型为关于交变循环次数与频率的疲劳寿命预测模型，所述交变循环次数与频率的数据通过交变疲劳载荷下同时进行疲劳试验和模态试验得到。

所述方法以振动频率为参量来预测疲劳寿命，只需借助常见易得的振动设备就可采集频率数据，且无需破坏试件，此外，振动频率还可以实现在线测量，即对正在服役的复合材料进行原位测试以获取振动信号，然后提取频率数据进行分析后便可以对复合材料的疲劳寿命进行评估。

优选地，所述交变疲劳载荷下进行疲劳试验得到由交变循环次数构成的集合a和由频率构成的集合b，所述集合a中的元素为交变循环次数，所述集合b中的元素为频率，所述疲劳寿命预测模型为所述集合a和集合b一一映射的模型。

优选地，所述疲劳寿命预测模型为关于交变循环次数与频率的多项式函数模型，所述多项式函数模型通过最小二乘法拟合得到。

优选地，所述多项式函数模型为以交变循环次数为因变量、频率为自变量的一元m次多项式，其中m为不小于1的整数。

优选地，所述疲劳寿命预测模型为关于交变循环次数与频率的训练人工神经网络模型，频率f作为人工神经网络的输入，交变循环次数n作为输出，对人工神经网络进行训练，通过训练人工神经网络建立人工智能预测模型。

优选地，所述进行疲劳试验和模态试验得到交变循环次数与频率数据的方法包括以下步骤：

(1)确定复合材料的静拉伸/压缩应力；

(2)对初始状态的复合材料试件进行振动测试，获得其初始频率；

(3)根据步骤(1)测得的复合材料最大应力，设定疲劳试验的应力水平，在设定的应力水平下，将复合材料试件在交变疲劳载荷下进行疲劳试验，每隔一定的交变循环次数，停止疲劳试验，测试复合材料在该交变循环次数下的振动频率，重复此步骤至复合材料试件断裂，由此得到由交变循环次数作为元素构成的集合a和由频率作为元素构成的集合b，集合a与集合b一一映射。

优选地，所述设定的应力为最大应力的65％-85％。

优选地，所述频率为1-n阶频率中随交变循环次数增加而衰减的趋势最显著的频率，其中，n为大于1的正整数。

优选地，所述进行疲劳试验得到交变循环次数与频率的方法的步骤(3)中，每隔一定的交变循环次数，停止疲劳试验，测试复合材料在该交变循环次数下的振动频率，所述每隔一定的交变循环次数的间隔相同或者不同。

优选地，集合a中的元素个数的范围为6-12个。

当集合a中的元素个数的范围为6-12个时，可以使本发明实现通过采集较少的数据得到更好预测模型。

本发明的有益效果在于：本发明提供了一种预测复合材料疲劳寿命的方法采用频率来预测复合材料的疲劳寿命，本发明的方法只需采用简便易得的振动采集设备就能实现频率的采集，并进而预测疲劳寿命，简便易行；频率可以在复合材料构件处于服役状态时进行测试，不干扰复合材料试件的实际使用，本发明属于一种在线预测疲劳寿命的先进方法；相对于基于剩余强度的模型，本发明不需要对结构进行剩余强度破坏实验，所需的试件数量较少，大大减少了实验的成本；本发明具有较大的预测精度，相对于剩余刚度模型而言，剩余刚度的缺点之一便是对复合材料内部微小损伤不太敏感，而往往在复合材料疲劳寿命的后期，会出现刚度迅速下降，即材料“突然死亡”段，而基于频率的预测模型对复合材料微小损伤较为敏感，频率的变化存在一种基于刚度变化后的放大效应，且频率有很多阶，可以从中选取对损伤最敏感的某一阶频率用于疲劳寿命预测，这样可以保证疲劳寿命预测的精度。

附图说明

图1为本发明实施例的构建疲劳寿命预测模型的趋势图。

图2为本发明实施例的构建疲劳寿命预测模型的趋势图。

图3为本发明实施例的构建的二次多项式的疲劳寿命预测模型图。

具体实施方式

为更好的说明本发明的目的、技术方案和优点，下面将结合具体实施例对本发明作进一步说明。

实施例1

作为本发明实施例的一种预测复合材料疲劳寿命的方法，所述方法包括以下步骤：

(1)使用万能材料试验机进对复合材料试件进行静态拉伸/压缩实验以确定复合材料的静拉伸/压缩应力；

(2)使用振动采集设备(如加速度传感器、激光扫描测振仪)对初始状态(尚未进行疲劳实验)的复合材料试件进行振动测试，获得其初始频率；

(3)根据步骤(1)测得的复合材料最大应力，设定疲劳试验的应力水平，在设定的应力水平下，设定的应力为最大应力的75％，将复合材料试件在交变疲劳载荷下进行疲劳试验，每隔一定的交变循环次数，停止疲劳试验，测试复合材料试件在该疲劳状态下的振动频率，重复此步骤至复合材料试件断裂，由此得到多个“交变循环次数”与“频率”一一对应的数据点；

(4)基于测试得到的多个数据点构建疲劳寿命预测模型，所述构建疲劳寿命预测模型方法：利用疲劳试验和振动测试得到的“频率-交变循环次数”(f-n，frequency-numberofcycles)数据，采用最小二乘法拟合得到多项式(如y＝ax²+bx+c，其中y为循环次数，x为频率，a，b，c三个系数的值由拟合得到)；

(5)使用振动采集设备(如加速度传感器、激光扫描测振仪)对复合材料进行模态测试，得到频率值；

(6)将频率值代入疲劳寿命预测模型即可实现对疲劳寿命的预测。

实施例2

作为本发明实施例的一种预测复合材料疲劳寿命的方法，本实施例的方法与实施例1的区别为：基于试验得到的“f-n”数据，训练人工神经网络ann(artificialneuralnetwork)，将频率f作为人工神经网络的输入，交变循环次数n作为输出，对人工神经网络进行训练，最终，通过训练人工神经网络建立人工智能预测模型。

实验例1

将依据疲劳测试规范设计和制作好的复合材料试件在初始状态下先进行振动测试(当前采用psv-500激光扫描测振仪)，得到初始频率值，然后对复合材料试件进行疲劳试验(当前采用mts810万能试验机)，并每隔一定的循环次数停止疲劳试验，将试件取下，再采用激光扫描测振仪进行频率采集，如此按照“疲劳试验-采集频率”的重复过程直至试件完全失效，得到一系列“频率值-循环次数”的数据点。

结果表明，采用0/90正交铺层复合材料梁试件进行了43000余次轴向拉-拉疲劳测试后发生断裂，其中，前六阶振动频率分别在初始状态(0次循环)，3000，6000，12000，18000，30000，42000次循环下采集得到。如表1所示：

表10/90正交铺层复合材料梁频率数据表

各阶频率随循环次数趋势如图1所示，由图知，随着疲劳循环次数的增加，复合材料梁的频率出现下降，除第一阶外，频率的下降趋势稳定和明显，在42000次循环后，频率的下降幅度超过8.5％，因此，频率随着疲劳循环次数的增加有显著下降，将频率和疲劳寿命具有特定的相关性。

对单铺层层合梁角度的复合材料进行试验，发现频率随疲劳循环次数的增加而衰减。90度单向铺层复合材料的测试数据如表2所示，趋势图如图2所示，90度最终失效是12621次循环。

表290度单向层合梁频率数据表

对数据进行拟合(80％的数据用于拟合，剩下20％的数据用于验证拟合公式的准确性)，使用实施例1的构建疲劳寿命预测模型的方法，得到一个多项式，并验证了采用该多项式可以由频率来预测疲劳循环的次数，即可以通过频率来预测疲劳寿命。

对于表2的结果，任意取其中一阶的频率值进行多项式拟合。以二阶频率为例，基于已采集的数据，进行了线性拟合，二次项拟合，插值线性拟合，插值二项式拟合等4种拟合方案，如表3所述，结果表明，通过二次项拟合的公式预测精度最高，达2.04％，因此后期预测都使用二次项拟合的公式来进行。

表3疲劳寿命预测模型

表4可见，通过由频率拟合的疲劳寿命预测公式预测出的疲劳寿命与实测的疲劳寿命吻合较好，表明本发明的方法具有比较准确的预测精度。

表4二次项拟合公式实际寿命与预测寿命数据表

最后所应当说明的是，以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。