基于多元声发射特征的2.25Cr1Mo0.25V钢拉伸损伤评估

李昊; 谢旭梦; 李清山; 王俊杰; 吴桐宇; 雷博宇; 柴孟瑜

doi:10.11973/wsjc240275

基于多元声发射特征的2.25Cr1Mo0.25V钢拉伸损伤评估

李昊¹,
谢旭梦^{2, 3},
李清山^{2, 3},
王俊杰¹,
吴桐宇¹,
雷博宇¹,
柴孟瑜^1, ,

1.
西安交通大学化学工程与技术学院,西安 710049
2.
浙江省特种设备科学研究院,杭州 310020
3.
浙江省特种设备安全检测技术研究重点实验室,杭州 310020

基金项目:

国家自然科学基金青年基金项目 22208258

浙江省市场监督管理局重点科技计划项目 ZD2025012

详细信息

作者简介:
李昊（2000—）,男,硕士研究生,主要研究方向为金属材料的疲劳与断裂

通讯作者:
柴孟瑜,副教授,chaimy@xjtu.edu.cn

中图分类号: TG115.28
计量
- 文章访问数: 5
- HTML全文浏览量: 1
- PDF下载量: 4
出版历程
- 收稿日期: 2024-06-19
- 刊出日期: 2025-03-09

Tensile damage assessment of 2.25Cr1Mo0.25V steel based on multivariate acoustic emission features

LI Hao¹,
XIE Xumeng^{2, 3},
LI Qingshan^{2, 3},
WANG Junjie¹,
WU Tongyu¹,
LEI Boyu¹,
CHAI Mengyu^1, ,

1.
School of Chemical Engineering and Technology, Xi'an Jiaotong University, Xi'an 710049, China
2.
Zhejiang Academy of Special Equipment Science, Hangzhou 310020, China
3.
Key Laboratory of Special Equipment Safety Testing Technology of Zhejiang Province, Hangzhou 310020, China

摘要

摘要:
基于声发射技术开展了2.25Cr1Mo0.25V钢的单轴拉伸原位监测试验,利用多元声发射特征参数实现了拉伸损伤状态演变的全面准确评价。结果表明,多元声发射特征可以显著区分材料在拉伸过程中经历的不同损伤阶段。利用声发射质心频率与幅值、信息熵等时域参量的关联方法,可以为拉伸断裂失效提供可靠的安全预警指标。研究成果能够为金属材料与结构的声发射监测与失效预警提供参考。
- 声发射 /
- 拉伸 /
- 损伤识别 /
- 特征参数 /
- 2.25Cr1Mo0.25V钢
Abstract:
Insitu monitoring of uniaxial tensile tests for 2.25Cr1Mo0.25V steel was carried out based on the acoustic emission (AE) technology. The evolution of the tensile damage state was comprehensively and accurately evaluated by utilizing multivariate AE features. The results indicated that multivariate AE features could significantly distinguish different damage stages of materials during the tensile process. The correlation method between the AE centroid frequency and amplitude, information entropy, and other time-domain parameters could provide reliable safety warning indicators for tensile fracture failure. The research findings could serve as a reference for AE monitoring and failure warning of metallic materials and structures.
- acoustic emission /
- tensile /
- damage identification /
- characteristic parameter /
- 2.25Cr1Mo0.25V steel

HTML全文

随着我国电力工业的高速发展,绝缘子的使用量大幅增加。硅橡胶复合绝缘子因耐污闪性能高、比强度高、性价比高等特点,较其他类型绝缘子的使用更为广泛^[1]。然而,复合绝缘子由于材料、结构以及制作工艺的特殊性,在生产过程中容易产生端部密封不良、芯棒-护套黏接不良等缺陷；在使用过程中,受到酸雨等自然因素的影响,其内部缺陷会进一步扩大,最终导致断串及芯棒击穿故障^[2-4],对输电线路的安全稳定运行构成严重威胁。因此,有必要在生产端对复合绝缘子的黏接质量进行检测评估,防患于未然。

目前,相关学者针对复合绝缘子内部缺陷的检测提出了诸多方法,如太赫兹无损检测法^[5]、微波致热检测法^[6]、超声导波检测法^[7]、错位散斑干涉检测法^[8]等。但上述检测方法普遍检测效率低且实际应用的难度较大,而相控阵超声检测技术具有安全性高、灵敏度高、检测速度快、成本较低等突出优点,较为适用于廉价且用量大的复合绝缘子检测。谢从珍等^[9]利用相控阵超声波检测仪对4种复合绝缘子典型内部缺陷进行了定性识别。陈海燕等^[10]提出了一种基于水囊柔性耦合的相控阵检测方法,该方法适用于带电现场检测。梁进祥等^[11]采用了仿真模拟与试验相结合的方式对复合绝缘子的内部破损和贯穿缺陷进行了定性分析。然而,上述研究均未对脱黏缺陷信号进行深入研究。

在实际检测中发现,复合绝缘子的直径较小,相控阵换能器难以精确对准绝缘子中心,且声能会被曲面部分反射,同时硅橡胶材料声能的高衰减性会导致回波信号幅度大幅下降^[12]。因此,为了提升分层界面的回波幅值,需将采集增益调到最大才能分辨出有效信号,但也产生了较大的固有电路噪声和结构噪声,严重影响信号分析及成像。另外,由于复合绝缘子的黏接结构特点,一旦涂胶过量,硅橡胶/玻璃纤维双层结构会转变为硅橡胶/黏接胶层双层结构,从而导致C扫描成像中出现异常高亮区域,严重影响对缺陷的判断^[13]。故亟需一种信号处理方法消除这些影响。

曹弘毅等^[14]利用相控阵超声技术对复合材料层压板的分层缺陷进行了C扫描成像和定量评估,但未提出C扫描图像的优化方法。常青等^[15]为了提高对钛合金扩散焊接界面中微小缺陷的识别,提出基于小波变换的C扫描图像融合算法,提高了图像的对比度,但不适用于黏接界面异常信号的消除。吴杰等^[16]为提升玻璃纤维复合材料的C扫描成像效果,提出一种基于VMD的相关性分析成像算法,提升了成像质量,但是VMD参数需要人工试验,且其相关性分析只用到了信号合成,并不能解决异常高亮图像的问题。

综上所述,文章采用相控阵超声检测方法对复合绝缘子的脱黏缺陷进行试验,针对C扫描图像中存在异常高亮区域、对比度低的问题,提出一种基于SSA-VMD的DTW相关性分析方法。

1. 原理

1.1 绝缘子脱黏缺陷检测基本原理

由于异质材料的声学性质不同,超声波P₀从一种物质透射进入另一种物质时,除了产生透射声波P_t外,还会在异质界面处返回一种界面回波P_r,其简化模型如图1所示。

图 1 超声传播简化模型

下载: 全尺寸图片幻灯片

声压反射率r和声压透射率T与介质阻抗的关系^[17]为

{\begin{array}{l} r = \frac{Z_{2} - Z_{1}}{Z_{2} + Z_{1}} \\ T = \frac{2 Z_{2}}{Z_{2} + Z_{1}} \end{array}

(1)

式中：Z₁为介质1的阻抗；Z₂为介质2的阻抗。

查阅资料可知,常温下空气的声阻抗为0.000 41 g/(cm²·s)；硅橡胶的声阻抗为1.4 g/(cm²·s)；玻璃纤维的声阻抗为6.04 g/(cm²·s)。根据式（1）可计算出从橡胶到空气的声压反射率约为−1,从橡胶到玻璃纤维的声压反射率约为0.62,所以脱黏处界面回波的相位应与黏接良好处界面回波的相位相反并且幅值更大。

1.2 信号去噪原理

1.2.1 变分模态分解原理

变分模态分解（Variational mode decomposition,VMD）是在2014年由DRAGOMIRETSKIY等^[18]提出的一种信号处理算法。

首先构造约束变分模型,经典约束变分模型为

\min_{_{{u_{k}}, {ω_{k}}}} {\sum_{k} {‖ \partial_{t} [(δ (t) + \frac{j}{π t}) u_{k} (t)] e^{-j ω_{k} t} ‖}_{2}^{2}}

(2)

s .t . \sum_{k = 1}^{K} u_{k} = f

(3)

式中：f为原始输入信号；K为信号分解的模态个数； ${u_{k}} = {u_{1}, \dots, u_{k}}$ , ${ω_{k}} = {ω_{1}, \dots, ω_{k}}$ 分别为各模态分量及其中心频率；t为时间；δ(t)为狄拉克函数；∂_t为u_k(t)的单边频谱。

引入拉格朗日乘子λ和二次惩罚项α,原始模型转换为非约束问题,得到增广拉格朗日表达式

\begin{array}{l} L ({u_{k}}, {ω_{k}}, λ) = α \sum_{k} {‖ \partial_{t} [(δ (t) + \frac{j}{π t}) u_{k} (t)] e^{-j ω_{k} t} ‖}_{2}^{2} + \\ {‖ f (t) - \sum_{k} u_{k} (t) ‖}_{2}^{2} + 〈 λ (t), f (t) - \sum_{k} u_{k} (t) 〉 \end{array}

(4)

通过交替方向乘子算法（ADMM）求解式的鞍点,即可求得各模态及其中心频率,结果为

{\hat{λ}}^{n + 1} (ω) = {\hat{λ}}^{n} (ω) + γ (\hat{f} (ω) - \sum_{k} {\hat{u}}_{k}^{n + 1} (ω))

(5)

{\hat{u}}_{k}^{n + 1} (ω) = \frac{\hat{f} (ω) - \sum_{i ≠ k} {\hat{u}}_{i} (ω) + \frac{\hat{λ} (ω)}{2}}{1 + 2 α {(ω - ω_{k})}^{2}}

(6)

ω_{k}^{n + 1} = \frac{\int_{0}^{\infty} ω {| {\hat{u}}_{k} (ω) |}^{2} d ω}{\int_{0}^{\infty} {| {\hat{u}}_{k} (ω) |}^{2} d ω}

(7)

式中：n为迭代收敛次数； ${\hat{u}}_{k}^{} (ω)$ , $\hat{f} (ω)$ , $\hat{λ} (ω)$ 分别为 ${\hat{u}}_{k}^{} (t)$ , $\hat{f} (t)$ , $\hat{λ} (t)$ 的傅里叶变换；γ为噪声容忍度。

将式（6）结果进行傅里叶反变换,即可求得各IMF分量。

1.2.2 麻雀搜索算法原理

麻雀搜索算法（Sparrow search algorithm,SSA）是在2020年由薛建凯等^[19]提出的一种元启发式算法。该算法模仿自然界中麻雀的群体觅食和反觅食行为,将觅食群体划分为探索者和追随者,探索者为能够寻找较好食物的麻雀,其余麻雀为追随者。受到探索者影响,反觅食群体会进行侦察并根据觅食者动作做出相应行为。其算法模型大致如下。

群体位置初始化

X = l_{b} + r a n d * (u_{b} - l_{b})

(8)

式中：u_b和l_b分别为种群上下位置边界；rand为（0,1）之间的随机数。

在d维空间的探索者位置更新表达式为

X_{i, j}^{m + 1} = {\begin{array}{l} X_{i, j}^{m} \cdot \exp (\frac{- i}{α M_{\max}}) & R_{2} < S_{T} \\ X_{i, j}^{m} + Q \cdot L & R_{2} \geq S_{T} \end{array}

(9)

式中：m为当前迭代次数；M_max为最大迭代次数；X_i,j为当前迭代中第i只麻雀在第j维的位置信息；α为（0,1]中的随机数；S_T和R₂分别为安全值和预警值参数；Q为均值为0、方差为1的随机数；L为元素均为1的1×d矩阵。

追随者的位置更新表达式为

X_{i, j}^{m + 1} = {\begin{array}{l} Q \cdot \exp (\frac{X_{worst, j}^{m} - X_{i, j}^{m}}{i^{2}}) & i > N_{p o p} / 2 \\ X_{p, j}^{m + 1} + | X_{i, j}^{m} - X_{p, j}^{m + 1} | \cdot A^{+} \cdot L & i \leq N_{p o p} / 2 \end{array}

(10)

式中：X_p,j为发现者的最佳位置；X_worst,j为当前迭代中的全局最差麻雀位置；N_pop为麻雀种群规模；A为1×d的矩阵,且 $A^{+} = A^{T} {(A A^{T})}^{- 1}$ 。

侦察者的位置更新表达式为

X_{i, j}^{m + 1} = {\begin{array}{l} X_{best, j}^{m} + β \cdot | X_{i, j}^{m} - X_{best, j}^{m} | & f_{i} ≠ f_{g} \\ X_{i, j}^{m} + K' \cdot (\frac{∣ X_{i, j}^{m} - X_{worst j}^{m}}{(f_{i} - f_{w}) + ε}) & f_{i} = f_{g} \end{array}

(11)

式中：X_best,j为当前迭代中的最佳麻雀位置；β为步长控制参数；K′为[-1,1]中的随机数；ε为极小的常数；f_i为预警者的适应度；f_g和f_w分别为当前麻雀个体的最优和最差适应度。

1.2.3 SSA-VMD算法原理

VMD算法的困难性在于K和α的确定,不合适的参数会导致出现模态混叠问题。由此引入SSA算法进行VMD分解参数的寻优,同时采用排列熵作为SSA的适应度函数。设有一长度为L的时间序列 $X = {x (1), x (2), x (3), \dots, x (L)}$ ,其排列熵计算公式为

H (m) =- \sum_{j = 1}^{K} P_{j} \ln P_{j}

(12)

式中；P_j为第j种排列模式在整个时间序列中出现的概率。

SSA-VMD算法具体的寻优步骤为：①设置SSA算法参数,包括寻优的上下限值,种群规模和最大迭代数；②调用排列熵作为适应度函数,得到初始化后的排列熵和对应的最佳参数；③以初始化的参数组合为基础,更新麻雀的位置和速度；④在不同麻雀的位置下对信号进行VMD分解,计算当前位置下的排列熵；⑤对比各个排列熵大小,确定当下最小排列熵,并更新个体极值和全局极值；⑥更新麻雀的位置和速度,重复步骤④,⑤。循环迭代直到迭代数到达预定最大值,跳出循环得到最小排列熵和最佳参数组合。

1.3 SSA-VMD-DTW算法原理

动态时间规整（Dynamic time warping,DTW）是一种衡量两个时间序列之间相似度的方法,主要应用于比较语音信号的相似性。其最大的优点是能够摆脱序列长度的影响,主要比较两段序列的趋势相似性。文章引入DTW距离作为脱黏信号和非脱黏信号的相似性判断方法,设要计算相似度的两个时间序列为A和B,采用递归算法计算最短路径长度。两个序列各点之间的距离矩阵M(i,j)为

M (i, j) = | A (i) - B (j) |

(13)

式中：A(i)和B(j)分别为时间序列对应点的值。

DTW距离矩阵为

L_{\min} (1, 1) = M (1, 1)

(14)

\begin{matrix} L (i, j) = \min {L_{\min} (i, j - 1), L_{\min} (i - 1, j), \\ L_{\min} (i - 1, j - 1)} + M (i, j) \end{matrix}

(15)

式中：L(i,j)为两个时间序列的规整路径距离,即DTW距离。

通过对比不同信号和参考信号的DTW距离,设定合适的阈值,即可实现对不同信号的相似度评估。文章算法的总体流程图如图2所示。

图 2 文章算法的整体流程图

下载: 全尺寸图片幻灯片

2. 试验结果与分析

2.1 聚焦法则的确定

为确定合适的聚焦法则,使用CIVA软件构建水/硅橡胶双层介质模型,模拟使用频率为10.0,5.0,2.5 MHz的相控阵换能器（阵元中心距为0.3 mm）。在32阵元,16阵元,8阵元的聚焦条件下,分别距离硅橡胶表面10,20,30,40,50 mm处进行声场模拟,虚拟聚焦点均设置在硅橡胶5 mm深处。得到换能器参数、聚焦阵元个数与预设聚焦点处横向分辨率的关系曲线如图3所示。文章试验要求精度为1 mm,为了兼顾计算机性能,故,采用频率为10 MHz的相控阵换能器进行8阵元聚焦的线性扫查较为合适。

图 3 换能器参数与预设点处横向分辨率的关系曲线

下载: 全尺寸图片幻灯片

2.2 试验装置

试验对象为不带伞裙的复合绝缘子试件（直径为34 mm）,其硅橡胶护套厚度为5 mm,在其中埋入一个直径约为10 mm的圆形缺陷。整体的试验装置如图4所示,该装置主要由上位机控制系统、机械臂运动控制装置和信号采集装置组成。试验使用的信号采集设备为M2M公司生产的Multi 2000型便携式相控阵超声采集卡,使用的相控阵换能器型号为10L64-0.3×10,试验主机的CPU型号为i9-13900HX,GPU型号为RTX4070,内存大小为32 G。共进行了3组试验,分别在距绝缘子表面10,30,50 mm处采集信号。

图 4 整体试验装置

下载: 全尺寸图片幻灯片

2.3 信号分析及模态分解

试验所获得的典型信号如图5所示,可见,脱黏信号之间的波形都极为相似,且与界面信号波形差距较大；异常高亮信号之间的波形也极为相似,且其波形几乎为界面信号的放大版。

图 5 距绝缘子表面10,30,50 mm处的典型信号

下载: 全尺寸图片幻灯片

图5中原始信号的噪声较大,很可能会对信号的互相关性判断造成影响,因此,采用SSA-VMD算法对10 mm处的界面信号进行模态分解,得到的VMD分解图和SSA算法适应度曲线分别如图6,7所示。

图 6 界面信号各分解模态及其频谱

下载: 全尺寸图片幻灯片

图 7 SSA算法适应函数收敛曲线

下载: 全尺寸图片幻灯片

由图6可知,原始信号被分解为两个模态,IMF1模态为噪声的主要存在模态,频率集中在8 MHz,IMF2模态为有效信号的主要存在模态,频率集中在2 MHz。

由图7可知,算法在12次迭代时适应度达到最小,说明当K=2,α=6 892时,分解效果最好。为验证参数普适性,对脱黏信号和异常高亮信号进行了测试,得到模态分解图如图8,9所示。

图 8 脱黏信号各分解模态及其频谱

下载: 全尺寸图片幻灯片

图 9 异常高亮信号各分解模态及其频谱

下载: 全尺寸图片幻灯片

由图8,9可知,脱黏信号被分解为IMF1和IMF2,IMF2为所需模态；异常高亮信号被分解为IMF1和IMF2,IMF2为所需模态。综上所述,K=2,α=6 892为较佳的VMD参数。

2.4 信号相关性分析

将脱黏信号、界面信号和异常高亮信号的有效回波进行归一化后的对比如图10所示,可以看到界面信号和异常高亮信号的形状走势极为相似,而脱黏信号与界面信号波形差距较大。

图 10 3种典型信号的IMF2模态对比

下载: 全尺寸图片幻灯片

为有效判断3种信号的互相关程度,分别在异常高亮区域和脱黏区域采集5组信号,与正常界面信号的DTW距离如表1所示。将阈值设定为5,大于5即判定为脱黏区域,相关系数矩阵计算公式为

C_{M} = s g n (D_{T W} - 5)

(16)

式中：C_M为相关系数矩阵；sgn(·)为符号函数；D_TW为DTW距离。

Table 1. 5组信号的DTW距离

编号	异常高亮区域信号与正常界面信号的DTW距离	脱黏区域信号与正常界面信号的DTW距离
1	1.514 4	8.812 6
2	1.741 8	8.236 4
3	1.652 4	8.127 8
4	1.977 7	8.897 7
5	1.687 3	7.987 8

下载: 导出CSV

| 显示表格

2.5 试验结果对比

对整幅图像的A扫描信号进行相关性分析,得到相关系数矩阵,再与原始C扫描图进行加权成像,得到优化后的C扫描图像,将其二值化后发现,原始图像的异常高亮区域已经被完全消除。优化前后及二值化后的C扫描图如图11所示。

图 11 优化前后及二值化后的C扫描图对比

下载: 全尺寸图片幻灯片

3. 结语

文章提出一种基于SSA-VMD信号预处理和DTW相关性分析的C扫描成像方法。试验结果表明,该方法能够有效去除C扫描图像中的异常高亮信号,提高图像对比度,为后续的自动化缺陷判别奠定基础,同时也为相似构成工件的脱黏缺陷检测提供一种成像思路。

图 1 有缺口试件尺寸示意

下载: 全尺寸图片幻灯片

图 2 两种拉伸速率下,有缺口和无缺口试件的拉伸应力-位移曲线

下载: 全尺寸图片幻灯片

图 3 各试件的幅值和应力随时间的演变历程图

下载: 全尺寸图片幻灯片

图 4 各试件的能量和应力随时间的演变历程图

下载: 全尺寸图片幻灯片

图 5 各试件的声发射信息熵和应力随时间的演变历程图

下载: 全尺寸图片幻灯片

图 6 各试件的质心频率随加载时间的演变历程图

下载: 全尺寸图片幻灯片

图 7 阶段一和阶段二单位时间内的各试件声发射信号数量增长率

下载: 全尺寸图片幻灯片

Table 1 2.25Cr1Mo0.25V钢的各元素质量分数

C Si Mn P S Cr Mo V

0.15 0.10 0.54 0.009 0.01 2.30 0.98 0.30

下载: 导出CSV

参考文献(16)

[1]	CHU L ,CHEN X D ,FAN Z C ,et al. Characterization of heterogeneous creep deformation in vanadium-modified 2.25Cr1Mo steel weldments by digital image correlation[J]. Materials Science and Engineering：A,2021,816：141350．
[2]	ZHOU F F ,WANG Y ,LIU M ,et al. Acoustic emission monitoring of the tensile behavior of a HVOF-sprayed NiCoCrAlYCe coating[J]. Applied Surface Science,2020,504：144400．
[3]	WU W G ,WEI W ,WANG Y J ,et al. Monitoring damage progression in tensile tested SiCp/Al composites using acoustic emission[J].Frontiers in Materials,2022,9：918091．
[4]	王志刚,王萍,彭国平,等. 高温环境下钛合金拉伸损伤声发射试验[J]. 无损检测,2023,45（11）：35-41,71．
[5]	王博识,刘延川,李宏坤,等. 基于声发射信号的桥式起重机主梁结构裂纹损伤检测[J]. 无损检测,2023,45（7）：25-29．
[6]	ZHAO P J ,SUN Y D ,JIAO J P ,et al. Correlation between acoustic emission detection and microstructural characterization for damage evolution[J]. Engineering Fracture Mechanics,2020,230：106967．
[7]	HE J J ,FENG X H ,WANG X Y ,et al. Fatigue performance and acoustic emission behavior of remanufactured low-carbon steel made by wire and arc additive manufacturing[J]. International Journal of Fatigue,2022,165：107190．
[8]	黄华斌,彭智伟,王竹林.飞机复合材料拉伸过程损伤的声发射特性分析[J]. 无损检测,2022,44（5）：38-42．
[9]	CHAI M Y ,LAI C J ,XU W ,et al. Determination of fracture toughness of 2.25Cr1Mo0.25V steel based on acoustic emission technique[J]. International Journal of Pressure Vessels and Piping,2023,205：104998．
[10]	CHAI M Y ,HOU X L ,ZHANG Z X ,et al. Identification and prediction of fatigue crack growth under different stress ratios using acoustic emission data[J]. International Journal of Fatigue,2022,160：106860．
[11]	CHAI M Y ,ZHANG Z X ,DUAN Q. A new qualitative acoustic emission parameter based on Shannon's entropy for damage monitoring[J]. Mechanical Systems and Signal Processing,2018,100：617-629．
[12]	SEYED M H ,AHMAD G G ,MOHAMMAD A ,et al. Crack initiation detection in crankshaft ductile cast iron based on information entropy of acoustic emission signals under tensile loading[J]. Engineering Failure Analysis,2021,127：79-83．
[13]	SUN F F ,XIAO B ,ZHANG Y F. Quantitative damage evaluation of LY225 steel under monotonic tensile loading based on acoustic emission entropy[J]. Journal of Constructional Steel Research,2021,185：106860．
[14]	KONG X ,WANG Y M ,YANG Q ,et al. Damage identification in fiber reinforced titanium matrix composites using acoustic emission[J]. Journal of Alloys and Compounds,2020,826：153928．
[15]	钟斌,杨会,强轩轩,等. 含V型缺口钛合金圆棒拉伸过程声发射特性研究[J]. 锻压技术,2024,49（2）：247-254．
[16]	MOHAMMAD M ,OTHMAN A R ,ISMAIL M F. Influence of high temperature during tensile test for stainless steel using acoustic emission[J]. Process Safety Progress,2024,43（S1）：144-147．

施引文献

资源附件(0)

图(7) / 表(1)

计量

文章访问数: 5
HTML全文浏览量: 1
PDF下载量: 4
被引次数: 0

1. 原理
1.1 绝缘子脱黏缺陷检测基本原理
1.2 信号去噪原理
1.2.1 变分模态分解原理
1.2.2 麻雀搜索算法原理
1.2.3 SSA-VMD算法原理
1.3 SSA-VMD-DTW算法原理
2. 试验结果与分析
2.1 聚焦法则的确定
2.2 试验装置
2.3 信号分析及模态分解
2.4 信号相关性分析
2.5 试验结果对比
3. 结语

1. 原理
1.1 绝缘子脱黏缺陷检测基本原理
1.2 信号去噪原理
1.2.1 变分模态分解原理
1.2.2 麻雀搜索算法原理
1.2.3 SSA-VMD算法原理
1.3 SSA-VMD-DTW算法原理
2. 试验结果与分析
2.1 聚焦法则的确定
2.2 试验装置
2.3 信号分析及模态分解
2.4 信号相关性分析
2.5 试验结果对比
3. 结语

参考文献(16)

施引文献

资源附件(0)

基于多元声发射特征的2.25Cr1Mo0.25V钢拉伸损伤评估

作者简介: 李昊（2000—）,男,硕士研究生,主要研究方向为金属材料的疲劳与断裂

通讯作者: 柴孟瑜,副教授,chaimy@xjtu.edu.cn

计量

出版历程