已满18三秒自动进入观看,成品短视频在线免费入口

北京工业大学

无损检测与评价研究所

2020 年度研究进展

北京工业大学无损检测与评价研究所成立于1998年，隶属于学校机械工程与应用电子学院，重点招收机械工程、仪器科学与技术等两个一级学科的硕士生和博士生，主要研究方向为如何利用声、光、电的波动特性对机械结构、功能材料等进行无损检测与结构健康监测。

研究所现有教授7名，副教授1名，讲师6名，博、硕士研究生100余名，其中，北京市拔尖创新人才3人，北京市创新团队1个，北京市科技新星3人，校“京华人才”2人。

自成立以来，研究所承担各类科研项目70余项，包括国家重点研发计划项目、国家自然科学基金国家重大科研仪器研制项目、国家自然科学基金重点项目、科技部863计划项目和国家科技支撑计划项目等，科研经费累计达6000余万元。

研究所在无损检测和结构健康监测新技术、新型传感器测试技术、高端检测设备及仪器开发等方面取得了丰硕的成果，针对企业需求，提供了多种定制化的解决方案，其中“防撞护栏钢立柱埋置深度无损检测技术研究与设备研制”项目获得浙江省科学技术奖二等奖。

研究所已培养博士研究生40余人，硕士研究生200余人，出版专(译)著5部，在国内外学术期刊及会议上发表论文700余篇，其中SCI和EI检索500余篇，多篇获得国际会议最佳论文奖，申请专利100余项，授权发明专利70余项。

2020年，北京工业大学无损检测与评价研究所针对国家重大工程中的关键构件健康问题开展了一系列的监检测技术研究。在基础理论、方法研究、仪器开发、工程应用等方面均取得了一定进展，发表学术论文40余篇，申请和获批专利及软件著作权10余项;获批国家、省部级自然科学基金项目3项;横向课题若干项。

科学成果概述

1 超声导波信号参数化表征方法研究

基于Chirplet模型的参数化信号表征技术已经在超声导波的材料性能识别和结构完整性评估中引起了广泛地关注。使用高斯窗或线性调频函数建立的模型与实际情况不一致。在实际情况中，常采用汉宁窗调制的正弦信号作为激励信号，由于波的色散，接收到的信号具有非线性相位和不对称包络等特性。为了消除上述矛盾，提出了一种非线性汉宁窗线性调频模型，设计了一个非线性相位调制项来调制经典的汉宁窗和正弦函数。用双曲正切函数建立相位调制项，对非线性调制项和NHWC(非线性汉宁窗线性调频)模型的性质进行了数学分析，包括时间的可变性、奇偶性和凹凸性。这些性质用于指导信号表征中的参数设置。NHWC模型可以表征导波信号的各种特性，包括对称或不对称的汉宁包络以及相位非线性。最后，采用自适应遗传算法来验证NHWC模型在试验测量的超声信号参数表征中的有效性。非线性Chirp的IF(瞬时频率)曲线和波形如图1所示。

(a) 非线性Chirp的IF (b) 带有IF的非线性Chirp的波形映射

(d) α=-1.5016时的非线性Chirp的波形

图1 非线性Chirp的IF曲线和波形

在Journal of Nondestructive Evaluation期刊上发表了题为A nonlinear Hanning-windowed chirplet model for ultrasonic guided waves signal parameter representation的论文。

2 声发射源定位方法研究

时差映射(TDM)方法是一种检测复杂结构缺陷的有效方法。该方法的核心是在时差数据库中搜索距验证点最近的点。在传统的时差映射(T-TDM)方法和改进的时差映射(I-TDM)方法中，更大的数据集和更密集的网格可以实现更高的定位精度。如果数据集中不包含定位点，则T-TDM和I-TDM方法的定位精度将受到很大影响。

针对上述问题，提出了一种新的声源定位方法，即基于时差映射的广义回归神经网络(GRNN-TDM)方法，以实现更高的定位精度。该方法将时差映射中所有节点上传感器路径的时差数据作为训练输入数据，并将网格节点的坐标作为训练输出数据。经过多次训练后，神经网络模型会使用从验证点收集到的时差数据来预测其可能的源位置。为了研究GRNN-TDM方法对声发射源的定位效果，对4种纤维层不同的复合板和带孔的铝板进行了研究。定位结果表明，GRNN-TDM方法的定位精度高于T-TDM和I-TDM方法，GRNN-TDM方法的声发射源定位示意如图2所示。

图2 GRNN-TDM方法的声发射源定位示意

在Experimental Mechanics期刊上发表了题为Acoustic emission source localization using generalized regression neural network based on time difference mapping method 的论文。

3 超声导波电磁声传感器结构设计

为了提高电磁声换能器(EMAT)激发超声导波模态的单一性，研制了一种先进的指向型磁集中器式电磁声传感器(D-MC-EMAT)，用于在平板中激发出单一的S0模态信号。磁集中器被添加到传统的EMAT中，以引导和聚集由永磁体提供的偏置静磁场，改变磁通密度的分布，消除了不需要的A0模态。有限元仿真和试验结果表明，所提出的D-MC-EMAT通过添加磁集中器改善了传统EMAT的模态选择性和缺陷检测能力，同时D-MC-EMAT具有较好的频率响应特性和声场指向性。指向型磁集中器式电磁声换能器结构如图3所示。

图3 指向型磁集中器式电磁声换能器结构示意

在Sensors and Actuators A: Physical 期刊上发表了题为Development of a directional magnetic-concentrator-type electromagnetic acoustic transducer for ultrasonic guided wave inspection 的论文。

4 电磁声传感器的磁声复合检测研究

为了提高电磁超声测试的效率和鲁棒性，提出了针对铁磁性材料的磁声复合检测方法。通过电磁声换能器的一次检测可同时获得超声和脉冲涡流(PEC)信号。EMAT利用磁致伸缩效应和洛伦兹力机制的耦合所产生的超声波来检测铁磁性材料。在保持模型几何形状和EMAT其他参数不变的条件下，通过耦合不同的物理场，建立了3个EMAT仿真模型。其中，横波可以由磁致伸缩力产生，纵波可以由洛伦兹力产生。对仿真结果进行时频分析发现，超声波和PEC的信号能量分布在不同的频率范围内。利用滤波器和时域信号分离方法，可以从EMAT信号中分离出磁致伸缩力超声波(MFUW)、洛伦兹力超声波(LFUW)和PEC对应的信号等成分。所提方法实现了一次EMAT检测即可提取多个参数，提高了电磁超声传感器的检测能力。铁磁性材料EMAT检测信号分离示意如图4所示。

(a)分离前 (b)分离后

图4 铁磁性材料EMAT检测信号分离示意

在IEEE Sensors Journal期刊上发表了题为Numerical decoupling study of EMAT testing signal for ferromagnetic materials 的论文。

5 基于超声衍射波的风机主轴表面裂纹量化方法研究

对风力发电机主轴表面开口横向裂纹量化表征的问题进行了研究。利用中心孔内壁作为超声信号的接收面，提出了一种利用衍射纵波确定的双椭圆轨迹计算裂纹位置和扩展深度的新方法。该方法通过在主轴端面和中心孔位置处设置多个“传感器组合”来采集裂纹衍射波的渡越时间，并形成包含衍射点的椭圆曲线，从而达到测量裂纹尖端位置的目的。利用有限元方法建立了一激多收式检测模型，对30个不同位置、深度的裂纹进行了仿真研究。基于仿真结果，分析了影响裂纹量化精度的因素，并提出了提高裂纹评价精度的时间校准方法。为验证新方法实际的应用效果，在主轴试样上开展了试验研究。结果表明，在长距离检测小裂纹时，裂纹量化的最大误差小于5mm。该研究为风机主轴表面开口横向裂纹的量化表征提供了一种有效的检测方法。主轴表面横向裂纹尖端衍射声波传播路径如图5所示，主轴试样中的裂纹检测结果如图6所示。

图5 主轴表面横向裂纹尖端衍射声波传播路径示意

(a)结果一 (b)结果二

图6 主轴试样中的裂纹检测结果

在Smart Materials and Structures期刊上发表了题为Method for evaluation of surface crack size of wind turbine main shaft by using ultrasonic diffracted waves的论文。

6 基于圆形贴片天线的应变全向检测技术

根据应变花测量原理，确立贴片天线应变传感器对结构应变的全向检测方法，即只需获取贴片天线3个角度上频率的变化值，便可确定结构的主应变大小及方向。建立了应变全向检测系统(见图7)，并结合试验条件设计制作了拉伸试件。在拉伸试件上表面的受力均匀区域黏贴微带贴片天线，同时，在试件下表面的相同区域黏贴电阻应变片。在加载不同主应力的情况下，分别利用圆形微带贴片天线应变传感器和电阻应变片测量了不同平面夹角方向的应变变化曲线。由测量结果可知，2种检测方法测量结构应变的数值一致，表明利用圆形贴片天线可表征结构应变的大小及方向，并且试验中最小可分辨的平面夹角为15°。应变随角度变化关系如图8所示。此外，相较于电阻应变片，圆形贴片天线应变传感器只需1组即可实现结构应变大小及方向的无源无线测量。

图7 应变全向性检测系统外观

(a)0?∼90?范围 (b)0?∼360?范围

图8 应变随角度变化关系示意

在Sensors and Actuators A: Physical期刊上发表了题为Strain omnidirectional detection based on circular patch antenna的论文。

7 基于勒让德正交多项式方法的锂离子电池超声反射特性研究

锂离子电池的内部信息，如材料性能和电化学状态，可以通过电池的充电状态(SOC)反映出来。超声无损检测方法可以用来表征电池的SOC，获取超声波传播信息与SOC之间的关系。在电池充电过程中，正极的锂离子会脱出，并穿过隔膜，嵌入到负极中，使得内部电极材料的杨氏模量和密度发生变化，这将影响超声波在电池中的传播。锂电子电池充电过程如图9所示，负极石墨和正极钴酸锂的电极材料密度与杨氏模量随SOC的变化如图10和图11所示。

图9 锂离子电池充电过程示意

(a) 密度随SOC变化

(b) 杨氏模量随SOC变化

图10 负极石墨的电极材料密度与杨氏模量随SOC的变化

(a) 密度随SOC变化

(b) 杨氏模量随SOC变化

图11 正极钴酸锂电极材料密度与杨氏模量随SOC的变化

该研究对锂离子电池中超声波的反射特性做出了清晰与全面的表述，首次提出了用勒让德正交多项式法求解一单元与多单元锂离子电池的反射系数。理论结果表明，反射系数的角频谱和频谱随SOC呈现规律性偏移，因此其可以用来表征SOC。有限元模拟得到的结果与该方法高度吻合，验证了该方法的可行性(见图12～14)。

(a) 入射频率f=0.8MHz

(b) 入射频率f=1MHz

图12 单元电池反射系数角度谱

(a) 入射角度θ=45°

(b) 入射角度θ=60°

图13 单元电池反射系数频谱

(a) 入射频率f=0.8MHz

(b) 入射频率f=1MHz

图14 电池反射系数角度谱理论、仿真对比

发表论文：Ultrasonic reflection characteristics of lithiumion battery based on Legendre orthogonal polynomial method. Wave motion, 2020(In press).

8 声波在厚胶层(FRP)黏接结构中的反射/透射特性理论分析

理论推导了液体负载下超声波在厚胶层FRP黏接结构中传播时的反射/透射系数表达式，并基于此分析了黏接结构发生单黏接界面弱化、双黏接界面弱化时，超声反射系数频谱、角度谱的偏移特征。研究发现，黏接界面弱化时，对应的超声反射系数频谱将向低频方向偏移，而超声反射系数角度谱将向大角度方向偏移。另外，当厚胶层FRP黏接结构中的两个黏接界面分别发生同等程度弱化、非同等程度弱化时，超声反射系数频谱曲线中的极小值点将按照不同的偏移规律移动。厚胶层FRP黏接结构理论分析模型如图15所示，双黏接界面弱化时的超声反射系数频谱如图16所示。

图15 厚胶层FRP黏接结构理论分析模型

图16 双黏接界面弱化时的超声反射系数频谱

在Theoretical analysis. Composite Structures期刊上发表了Ultrasonic reflection characteristics of FRP-to-FRP bonded joints with thick adhesive layers for bonding evaluation 论文。

仪器研制与平台搭建

1 制氢炉管内壁蠕变裂纹超声原位自动检测系统

该系统包括计算机、多通道超声系统控制电路、电机驱动板、空心杯电机、旋转电机、爬管机器、多通道压电换能器检测环等(见图17)。其中，多通道压电换能器沿炉管周向布置，用于检测炉管的内壁裂纹;计算机通过无线网络向多通道超声系统控制电路发送检测指令;多通道超声系统控制电路控制多路同时激励压电换能器，并接收来自压电换能器的回波信号，然后将回波信号通过无线的方式传回计算机，同时，系统控制电路向电机驱动板发送运动指令;电机驱动板驱动空心杯电机带动爬管机器运动，并接收电机编码器传回的运动参数，通过系统控制电路发回至计算机，实现自动检测。爬管检测机械结构如图18所示。该发明解决了制氢炉管内壁蠕变裂纹原位检测的问题，实现了对炉管内壁蠕变裂纹的无线、远程超声自动检测。

图17 爬管检测机械结构外观

图18 爬管检测机械结构示意

同时申请了一篇题为《一种制氢炉管内壁蠕变裂纹超声原位自动检测系统》的专利。

2 密封电子器件多余物自动检测系统

针对现有颗粒碰撞噪声检测(PIND)系统存在的检测精度低、误判漏判率较高、不能实时判断内部多余物材料等问题，提出了一种基于神经网络的多余物自动检测与识别方法，研制了密封电子器件多余物自动检测系统(见图19)。该系统采用大功率电磁式振动台为多余物检测提供振动激励，利用多通道融合传感器采集碰撞噪声信号，通过高速数据采集系统将信号传递至上位机。上位机采用短时能量门限检测法提取信号脉冲;提取多种时频域特征，并与小波域特征相结合;通过训练多输出的神经网络预测模型自动判断被测件内部是否存在多余物颗粒，并自动给出多余物材料信息。试验结果表明，该系统判断质量为0.1mg以上多余物有无的准确率可达99%，对多余物材料识别的准确率可达91%。