基于声发射技术的聚乙烯自增强复合材料损伤模式识别研究

摘要

超高分子量聚乙烯(UHMWPE)纤维是一类具有高度取向伸直链结构的高性能有机纤维，具有轴向比强度、比模量高，韧性、耐磨性能和抗冲击性能优异，以及抗化学腐蚀性、电绝缘性和生物相容性等特点，广泛应用于各类行业。近年来随着热塑性复合材料的快速发展，其结构在工程领域中的应用已越来越广泛，其中基于“OnePolymerComposites”概念的PE自增强复合材料，由于化学相容性改善了界面性能，并更好地发挥了纤维的综合性能。同时，原料丰富、价格低廉及回收便利性，使其相对其它复合材料在成本和性能等方面更具竞争优势而受到广泛的重视。对PE自增强复合材料损伤机理的研究是保证其服役过程的安全以及合理设计的基础。在对玻纤、碳纤增强热固性复合材料损伤机理的研究表明，声发射(Acousticemission，AE)技术能够为材料损伤过程提供丰富和实时的信息，是进行材料损伤机制研究的有效工具。目前该领域已有的研究工作主要集中于热固性复合材料，而针对热塑性复合材料的研究尚不多见。PE自增强复合材料是典型的热塑性复合材料，本文将采用AE技术对其损伤过程的AE特征进行研究，以建立损伤机制和AE信号的关系并对损伤源进行分类和鉴别，为工程实际应用中基于AE技术的热塑性复合材料损伤机制鉴别提供简便有效的方法。
　　 纤维增强复合材料的损伤机理十分复杂，包括纤维断裂、基体开裂、界面脱粘、分层等。为了揭示PE自增强复合材料各种不同损伤机制的AE时域和频域特征，建立损伤机制和AE信号的对应关系，实现对AE信号的分类和鉴别，并最终建立基于神经网络方法的AE信号模式识别系统，本文主要开展了以下研究工作。首先，针对热塑性基体复合材料的破坏特点，采用简单模型试样来激发产生预期损伤模式的AE信号，结合模型试样在损伤过程中的力学性能变化并通过FFT讨论典型损伤模式AE信号的时域和频率特征;其次，根据简单模型试样的破坏过程研究了AE信号的聚类分析，包括相似性测度、聚类变量的选择、聚类结果的确认，以此建立PE自增强复合材料典型损伤模式AE信号分类方法，并比较常用判别分析方法对典型损伤模式AE信号的判别效果;最后，建立实现PE自增强复合材料损伤AE信号分类和识别的神经网络系统，并比较多种优化算法对神经网络性能的影响。
　　 实验结果表明模型试样的拉伸破坏过程包括多种不同的损伤机制，伴随损伤过程的AE响应能较好地反映出损伤过程的阶段性特征。基体试样AE活动性低、信号数量少，损伤机制包括塑性变形和断裂;90°单层板产生不同程度的界面损伤AE信号;0°和[+45°/-45°]层合板结构复杂、损伤源多，AE活动性高、信号数量多，前者产生纤维断裂信号，后者产生层内剪切和层间损伤信号。基体塑性变形、界面初始损伤等破坏程度低的损伤机制，AE信号幅度低、持续时间短。基体断裂、界面脱粘、纤维断裂和分层等破坏程度严重的损伤机制，AE信号幅度高、持续时间长。从损伤进程上看，各试样早期损伤基本伴随持续时间短的低幅度信号，而持续时间长的高幅度信号主要发生在断裂阶段。AE信号的FFT分析表明，非损伤信号和损伤信号以及各类损伤信号间都具有不同的频率特征。虽然不同损伤机制的AE信号时域和频率参数存在差异，但其分布范围存在重叠，使得仅通过时域或频率参数进行损伤源的鉴别尚存在困难。
　　 伴随复合材料损伤过程的AE信号是多种损伤模式的混合信号。因此，对AE信号进行聚类分析的目的是建立典型损伤机制和AE信号的对应关系。为了获得可靠的聚类结果，分别对基体、90°单向层合板、纤维束试样、反对称层合板等简单模型试样破坏过程的AE信号进行聚类分析。首先，通过对8个常用AE信号参数进行变量聚类分析表明，不同损伤机制AE信号参数分为3类时，类内相似程度较大，类间相似度较小，且相似关系一致，分别从中选择幅度、峰值频率和持续时间作为模式特征，并采用k-means算法对各类模型试样的AE信号进行了聚类分析，结合SEM观察对聚类结果进行了验证，以此建立8种典型损伤机制的AE信号训练样本。以聚类分析的结果对AE信号进行了判别分析，模式特征组间均值相等的假设检验证明，各模式特征对AE信号判别均产生有效作用。此外，以识别正确率比较了欧氏、马氏距离判别法和k近邻法的判别效果，实验结果表明，马氏距离判别法对损伤AE信号具有较好的判别效果，超过90％的识别正确率说明以幅度、峰值频率和持续时间作为模式特征，可以实现不同损伤机制AE信号的模式识别。不同判别方法的判别错误均来自于基体断裂和界面脱粘，以及基体塑性变形-1和界面损伤之间的相互误判。各典型损伤信号在模式空间中的分布情况说明，当各类别信号的相互分离程度较好时识别率较好，而当各类别信号间存在重叠时就会出现相互的误判，从而导致识别正确率的降低。虽然通过聚类和判别分析的模式识别方法可以实现对AE信号的分类和识别，但是整个分析流程相对复杂、效率低且操作上不够方便。
　　 为进一步提高对AE信号源机制的分类和鉴别准确率和数据分析操作的便利性，更好地适应工程实际应用的需要，本课题进一步研究了基于神经网络技术的AE信号模式识别，包括分别建立竞争型SOC网络和多层前向BP网络实现对AE信号的聚类和识别。通过对相同数据集分别进行SOC网络分类和聚类分析的对比发现，两种方法分类的一致性达到98％以上，说明SOC网络对于AE信号的聚类分析是可行的和有效的。在相同结构的BP网络和实验数据的前提下，对标准BP算法及其改进算法的训练过程和识别正确率进行了比较，实验结果表明:标准BP算法训练时间长，训练结果易受到不同的网络初始值的影响，识别率最低，几乎没有实际应用价值。基于启发式的改进算法中，有动量可变学习速度法和弹性梯度下降法均能在一定程度上提高识别率，同时也能改善训练速度。基于标准数值优化的改进算法中Levenberg-Marquardt算法具有最佳的训练效果，该算法最适合作为BP网络的训练算法。

目录

声明

东华大学学位论文版权使用授权书

摘要

第一章 绪论

1．1 引言

1．1．1 PE／PE自增强复合材料的研究状况

1．1．2 基于声发射技术的复合材料损伤失效研究状况

1．1．3 PE／PE自增强复合材料损伤机理研究进展

1．2 课题的提出和研究内容

1．2．1 研究目的、方法和创新

1．2．2 论文的章节安排

第二章 PE／PE层合板拉伸损伤过程的声发射特征

2．1 声发射检测技术

2．1．1 声发射及声发射检测技术的原理

2．1．2 声发射波的传播

2．1．3 影响声发射特征的因素

2．1．4 声发射检测技术的特点

2．1．5 纤维增强复合材料的声发射源

2．1．6 声发射信号的类型和基本特征

2．1．7 声发射技术发展概况

2．2 声发射信号的参数分析

2．3 PE／PE复合材料层合板拉伸破坏实验和声发射特征

2．3．1 原材料性能

2．3．2 差示扫描量热法

2．3．3 复合材料样品制备

2．3．4 拉伸测试和声发射试验

2．4 试验结果与讨论

2．4．1 试样损伤过程中的AE响应

2．4．2 试样损伤过程AE信号幅度分布特征

2．4．3 试样损伤过程AE信号幅度和持续时间的关系

2．4．4 试样损伤进程中的AE信号特征变化

2．5 本章小结

第三章 PE／PE层合板损伤声发射信号的频率特征

3．1 Fourier变换的基本原理

3．1．1 连续Fourier变换

3．1．2 离散Fourier变换

3．2 声发射信号的频谱分析

3．2．1 声发射实验

3．2．2 结果和讨论

3．3 本章小结

第四章 声发射信号的聚类和判别分析

4．1 基于UPR方式的AE信号聚类分析

4．1．1 AE信号聚类分析过程

4．1．2 相似性测度和数据标准化

4．1．3 聚类变量的选择

4．1．4 基于k-means方法的AE信号聚类分析

4．2 试验结果与讨论

4．2．1 基体损伤信号的聚类结果

4．2．2 90°单层板损伤信号的聚类结果

4．2．3 浸有LDPE纤维束损伤信号的聚类结果

4．2．4 [+45°/-45°]层合板损伤信号的聚类分析

4．3 基于SPR方式的AE信号判别分析

4．3．1 各类损伤信号在模式空间的可分离性

4．3．2 基于距离测度的声发射信号判别分析方法

4．3．3 判别结果的分析和讨论

4．4 本章小结

第五章 基于神经网络方法的声发射信号模式识别

5．1 人工神经网络方法

5．1．1 多层前向BP网络的基本结构

5．1．2 神经网络的性能学习规则

5．1．3 性能指数的优化算法

5．1．4 BP法的基本原理和算法步骤

5．1．5 标准BP算法的缺点和改进方法

5．1．6 自组织竞争网络的基本结构和学习过程

5．2 基于SOC网络的声发射信号分类

5．2．1 基体试样AE信号聚类分析

5．2．2 90°单层板AE信号聚类分析

5．2．3 纤维束AE信号聚类分析

5．2．4 [+45°/-45°]层合板AE信号聚类分析

5．3 基于BP网络的AE信号识别

5．3．1 BP网络的构建

5．3．2 实验结果分析与讨论

5．4 本章小结

第六章 总结与展望

6．1 本文工作总结

6．2 后续研究工作展望

参考文献

附录

攻读学位期间发表论文情况

致谢