基于聲發(fā)射技術(shù)的聚乙烯自增強(qiáng)復(fù)合材料損傷模式識(shí)別研究.pdf

1、超高分子量聚乙烯(UHMWPE)纖維是一類具有高度取向伸直鏈結(jié)構(gòu)的高性能有機(jī)纖維，具有軸向比強(qiáng)度、比模量高，韌性、耐磨性能和抗沖擊性能優(yōu)異，以及抗化學(xué)腐蝕性、電絕緣性和生物相容性等特點(diǎn)，廣泛應(yīng)用于各類行業(yè)。近年來隨著熱塑性復(fù)合材料的快速發(fā)展，其結(jié)構(gòu)在工程領(lǐng)域中的應(yīng)用已越來越廣泛，其中基于“OnePolymerComposites”概念的PE自增強(qiáng)復(fù)合材料，由于化學(xué)相容性改善了界面性能，并更好地發(fā)揮了纖維的綜合性能。同時(shí)，原料豐富、價(jià)格低

2、廉及回收便利性，使其相對(duì)其它復(fù)合材料在成本和性能等方面更具競(jìng)爭(zhēng)優(yōu)勢(shì)而受到廣泛的重視。對(duì)PE自增強(qiáng)復(fù)合材料損傷機(jī)理的研究是保證其服役過程的安全以及合理設(shè)計(jì)的基礎(chǔ)。在對(duì)玻纖、碳纖增強(qiáng)熱固性復(fù)合材料損傷機(jī)理的研究表明，聲發(fā)射(Acousticemission，AE)技術(shù)能夠?yàn)椴牧蠐p傷過程提供豐富和實(shí)時(shí)的信息，是進(jìn)行材料損傷機(jī)制研究的有效工具。目前該領(lǐng)域已有的研究工作主要集中于熱固性復(fù)合材料，而針對(duì)熱塑性復(fù)合材料的研究尚不多見。PE自增強(qiáng)復(fù)合材

3、料是典型的熱塑性復(fù)合材料，本文將采用AE技術(shù)對(duì)其損傷過程的AE特征進(jìn)行研究，以建立損傷機(jī)制和AE信號(hào)的關(guān)系并對(duì)損傷源進(jìn)行分類和鑒別，為工程實(shí)際應(yīng)用中基于AE技術(shù)的熱塑性復(fù)合材料損傷機(jī)制鑒別提供簡(jiǎn)便有效的方法。
　　 纖維增強(qiáng)復(fù)合材料的損傷機(jī)理十分復(fù)雜，包括纖維斷裂、基體開裂、界面脫粘、分層等。為了揭示PE自增強(qiáng)復(fù)合材料各種不同損傷機(jī)制的AE時(shí)域和頻域特征，建立損傷機(jī)制和AE信號(hào)的對(duì)應(yīng)關(guān)系，實(shí)現(xiàn)對(duì)AE信號(hào)的分類和鑒別，并最終建立基

4、于神經(jīng)網(wǎng)絡(luò)方法的AE信號(hào)模式識(shí)別系統(tǒng)，本文主要開展了以下研究工作。首先，針對(duì)熱塑性基體復(fù)合材料的破壞特點(diǎn)，采用簡(jiǎn)單模型試樣來激發(fā)產(chǎn)生預(yù)期損傷模式的AE信號(hào)，結(jié)合模型試樣在損傷過程中的力學(xué)性能變化并通過FFT討論典型損傷模式AE信號(hào)的時(shí)域和頻率特征;其次，根據(jù)簡(jiǎn)單模型試樣的破壞過程研究了AE信號(hào)的聚類分析，包括相似性測(cè)度、聚類變量的選擇、聚類結(jié)果的確認(rèn)，以此建立PE自增強(qiáng)復(fù)合材料典型損傷模式AE信號(hào)分類方法，并比較常用判別分析方法對(duì)典型損

5、傷模式AE信號(hào)的判別效果;最后，建立實(shí)現(xiàn)PE自增強(qiáng)復(fù)合材料損傷AE信號(hào)分類和識(shí)別的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，并比較多種優(yōu)化算法對(duì)神經(jīng)網(wǎng)絡(luò)性能的影響。
　　 實(shí)驗(yàn)結(jié)果表明模型試樣的拉伸破壞過程包括多種不同的損傷機(jī)制，伴隨損傷過程的AE響應(yīng)能較好地反映出損傷過程的階段性特征?；w試樣AE活動(dòng)性低、信號(hào)數(shù)量少，損傷機(jī)制包括塑性變形和斷裂;90°單層板產(chǎn)生不同程度的界面損傷AE信號(hào);0°和[+45°/-45°]層合板結(jié)構(gòu)復(fù)雜、損傷源多，AE活動(dòng)性高

6、、信號(hào)數(shù)量多，前者產(chǎn)生纖維斷裂信號(hào)，后者產(chǎn)生層內(nèi)剪切和層間損傷信號(hào)?；w塑性變形、界面初始損傷等破壞程度低的損傷機(jī)制，AE信號(hào)幅度低、持續(xù)時(shí)間短?；w斷裂、界面脫粘、纖維斷裂和分層等破壞程度嚴(yán)重的損傷機(jī)制，AE信號(hào)幅度高、持續(xù)時(shí)間長(zhǎng)。從損傷進(jìn)程上看，各試樣早期損傷基本伴隨持續(xù)時(shí)間短的低幅度信號(hào)，而持續(xù)時(shí)間長(zhǎng)的高幅度信號(hào)主要發(fā)生在斷裂階段。AE信號(hào)的FFT分析表明，非損傷信號(hào)和損傷信號(hào)以及各類損傷信號(hào)間都具有不同的頻率特征。雖然不同損傷機(jī)

7、制的AE信號(hào)時(shí)域和頻率參數(shù)存在差異，但其分布范圍存在重疊，使得僅通過時(shí)域或頻率參數(shù)進(jìn)行損傷源的鑒別尚存在困難。
　　 伴隨復(fù)合材料損傷過程的AE信號(hào)是多種損傷模式的混合信號(hào)。因此，對(duì)AE信號(hào)進(jìn)行聚類分析的目的是建立典型損傷機(jī)制和AE信號(hào)的對(duì)應(yīng)關(guān)系。為了獲得可靠的聚類結(jié)果，分別對(duì)基體、90°單向?qū)雍习?、纖維束試樣、反對(duì)稱層合板等簡(jiǎn)單模型試樣破壞過程的AE信號(hào)進(jìn)行聚類分析。首先，通過對(duì)8個(gè)常用AE信號(hào)參數(shù)進(jìn)行變量聚類分析表明，不同損

8、傷機(jī)制AE信號(hào)參數(shù)分為3類時(shí)，類內(nèi)相似程度較大，類間相似度較小，且相似關(guān)系一致，分別從中選擇幅度、峰值頻率和持續(xù)時(shí)間作為模式特征，并采用k-means算法對(duì)各類模型試樣的AE信號(hào)進(jìn)行了聚類分析，結(jié)合SEM觀察對(duì)聚類結(jié)果進(jìn)行了驗(yàn)證，以此建立8種典型損傷機(jī)制的AE信號(hào)訓(xùn)練樣本。以聚類分析的結(jié)果對(duì)AE信號(hào)進(jìn)行了判別分析，模式特征組間均值相等的假設(shè)檢驗(yàn)證明，各模式特征對(duì)AE信號(hào)判別均產(chǎn)生有效作用。此外，以識(shí)別正確率比較了歐氏、馬氏距離判別法和k

9、近鄰法的判別效果，實(shí)驗(yàn)結(jié)果表明，馬氏距離判別法對(duì)損傷AE信號(hào)具有較好的判別效果，超過90％的識(shí)別正確率說明以幅度、峰值頻率和持續(xù)時(shí)間作為模式特征，可以實(shí)現(xiàn)不同損傷機(jī)制AE信號(hào)的模式識(shí)別。不同判別方法的判別錯(cuò)誤均來自于基體斷裂和界面脫粘，以及基體塑性變形-1和界面損傷之間的相互誤判。各典型損傷信號(hào)在模式空間中的分布情況說明，當(dāng)各類別信號(hào)的相互分離程度較好時(shí)識(shí)別率較好，而當(dāng)各類別信號(hào)間存在重疊時(shí)就會(huì)出現(xiàn)相互的誤判，從而導(dǎo)致識(shí)別正確率的降低。

10、雖然通過聚類和判別分析的模式識(shí)別方法可以實(shí)現(xiàn)對(duì)AE信號(hào)的分類和識(shí)別，但是整個(gè)分析流程相對(duì)復(fù)雜、效率低且操作上不夠方便。
　　 為進(jìn)一步提高對(duì)AE信號(hào)源機(jī)制的分類和鑒別準(zhǔn)確率和數(shù)據(jù)分析操作的便利性，更好地適應(yīng)工程實(shí)際應(yīng)用的需要，本課題進(jìn)一步研究了基于神經(jīng)網(wǎng)絡(luò)技術(shù)的AE信號(hào)模式識(shí)別，包括分別建立競(jìng)爭(zhēng)型SOC網(wǎng)絡(luò)和多層前向BP網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)AE信號(hào)的聚類和識(shí)別。通過對(duì)相同數(shù)據(jù)集分別進(jìn)行SOC網(wǎng)絡(luò)分類和聚類分析的對(duì)比發(fā)現(xiàn)，兩種方法分類的一致

11、性達(dá)到98％以上，說明SOC網(wǎng)絡(luò)對(duì)于AE信號(hào)的聚類分析是可行的和有效的。在相同結(jié)構(gòu)的BP網(wǎng)絡(luò)和實(shí)驗(yàn)數(shù)據(jù)的前提下，對(duì)標(biāo)準(zhǔn)BP算法及其改進(jìn)算法的訓(xùn)練過程和識(shí)別正確率進(jìn)行了比較，實(shí)驗(yàn)結(jié)果表明:標(biāo)準(zhǔn)BP算法訓(xùn)練時(shí)間長(zhǎng)，訓(xùn)練結(jié)果易受到不同的網(wǎng)絡(luò)初始值的影響，識(shí)別率最低，幾乎沒有實(shí)際應(yīng)用價(jià)值?；趩l(fā)式的改進(jìn)算法中，有動(dòng)量可變學(xué)習(xí)速度法和彈性梯度下降法均能在一定程度上提高識(shí)別率，同時(shí)也能改善訓(xùn)練速度。基于標(biāo)準(zhǔn)數(shù)值優(yōu)化的改進(jìn)算法中Levenberg-