金属与非金属粘接结构微声激励融合检测技术

摘要

金属与非金属粘接由于具有连接质量轻、应力分布均匀、密封性好等优点，被广泛应用于航空、航天以及汽车等领域。金属与非金属粘接结构的力学性能够直接反映其粘接强度，因此，对这种材料粘接结构的力学性能测试，能够反映粘接质量的好坏，进而预防事故发生及提高产品质量。而现有的无损检测都只注重检测粘接结构的脱粘情况，无法对粘接强度进行有效检测，且检测方法易污染试件、检测速度慢，不适合在线检测，不能满足生产的实时需求。
　　本文中采用的微声激励检测方法是对粘接部位进行微声激励，通过阵列传感器获取粘接声信号，利用小波包变换对单个传感器的声信号进行分层，计算各层的能量，选取合适层的小波系数能量作为特征量，并通过时域和频域选取相应的特征量，BP神经网络对选取的特征量进行有关拉托力的网络训练，将训练后的阵列传感器作为阵列传感器的参考模型，得到粘接结构的拉托力数据，提出数据支持度加权融合算法，得到粘接部位力学性能的综合描述。该算法是通过对建立传感器数据间相互支持函数来对阵列传感器的各个传感器附加权值，避免因门限或阀值等人为因素带来的影响，使预报的拉托力范围与真实值相贴近。实验结果表明，本文提出的微声激励融合检测技术能够有效的获取粘接部位的拉托力范围，贴近真实值，可实现在线快速、实时检测。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 课题的背景及意义

1.2 国内外研究现状及发展趋势分析

1.3 多传感器信息融合在无损检测中的应用

1.4 本文主要内容及论文安排

第2章 微声激励融合检测原理

2.1 微声激励融合检测技术

2.2 检测工作台的设计

2.3 声阵列传感器分布与噪声屏蔽技术

2.4 多路微声信号放大与采集系统

2.5 本章小结

第3章 单传感器信号粘接特征提取

3.1 声激励信号的采集

3.2 声激励信号的粘接特征提取

3.3 本章小结

第4章 人工神经网络对粘接特征的处理

4.1 人工神经网络简介

4.2 基于BP神经网络的粘接特征量训练

4.3 本章小结

第5章 金属与非金属粘接力的多传感器数据融合预报方法

5.1 数据融合

5.2 基于数据支持度加权融合算法

5.3 本章小结

第6章 总结及展望

参考文献

攻读硕士学位期间发表的论文和研究成果

致谢