CN112907033B - 一种基于偏最小二乘法的耐热钢劣化状态评估方法 - Google Patents
一种基于偏最小二乘法的耐热钢劣化状态评估方法 Download PDFInfo
- Publication number
- CN112907033B CN112907033B CN202110085286.8A CN202110085286A CN112907033B CN 112907033 B CN112907033 B CN 112907033B CN 202110085286 A CN202110085286 A CN 202110085286A CN 112907033 B CN112907033 B CN 112907033B
- Authority
- CN
- China
- Prior art keywords
- heat
- resistant steel
- aging
- nondestructive testing
- parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 85
- 239000010959 steel Substances 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000015556 catabolic process Effects 0.000 title claims abstract description 43
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 43
- 238000011156 evaluation Methods 0.000 title claims abstract description 11
- 230000032683 aging Effects 0.000 claims abstract description 92
- 238000009659 non-destructive testing Methods 0.000 claims abstract description 76
- 239000000463 material Substances 0.000 claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 238000013210 evaluation model Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 54
- 238000012360 testing method Methods 0.000 claims description 38
- 238000007373 indentation Methods 0.000 claims description 14
- 230000001419 dependent effect Effects 0.000 claims description 11
- 230000001066 destructive effect Effects 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 230000006866 deterioration Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000005389 magnetism Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 9
- 230000035882 stress Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010998 test method Methods 0.000 description 5
- 239000002184 metal Substances 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000005489 elastic deformation Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000007769 metal material Substances 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000009864 tensile test Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009658 destructive testing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000001953 recrystallisation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000005482 strain hardening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/20—Metals
- G01N33/204—Structure thereof, e.g. crystal structure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Crystallography & Structural Chemistry (AREA)
- Artificial Intelligence (AREA)
Abstract
本发明公开了一种基于偏最小二乘法的耐热钢劣化状态评估方法，包括步骤：(1)选取n个老化状态参量已知、厚度一致的耐热钢材料作为定标样品，利用多种无损检测方法对定标样品进行检测，获取多维无损检测参数；(2)确定耐热钢材料的主要老化因素，并根据主要老化因素选择相关的无损检测参数建立主要成分模型，以描述老化状态参量与多维无损检测参数之间的物理关系；(3)对主要成分模型的残差进行修正，建立基于偏最小二乘法的耐热钢劣化状态评估模型；(4)对待评估耐热钢工件进行与定标样品相同的无损检测，将得到的所有无损检测数据代入步骤(3)中的评估模型中，计算得到耐热钢工件的老化状态参量。该方法可快速评估耐热钢的劣化状态。
Description
技术领域
本发明涉及耐热钢材料性能检测技术领域，具体涉及一种基于偏最小二乘法的耐热钢劣化状态评估方法。
背景技术
发电厂、化工厂的高温高压管道、管件、阀门等工件通常采用可以承受高温、高压工况的金属材料，随着服役时间延长，金属材料逐渐老化，其主要的性能劣化机制包括高温蠕变、热疲劳以及蠕变-疲劳交互作用。目前通常采用破坏性方法(如割管、整体剖切等)对金属工件取样，并通过长时高温蠕变试验(试验周期数千到数万小时)或短时高温拉伸试验等手段对其性能劣化情况进行评估，但除管道部件外的其他承受高温、高压的部件通常不允许破坏性取样，例如联箱、阀体、缸体等，目前尚无有效的性能劣化评估方法。
目前采用长时高温蠕变试验或短时高温拉伸试验等手段评估金属工件性能劣化情况的方法是将工件在近似服役工况条件下进行试验或者在比服役条件更严苛的条件下进行加速试验，试验结果可信度高，但试验成本高、检测周期过长、破坏性取样后的工件恢复难度较大，且除管道外不适用于联箱、阀体等部件。
发明内容
本发明的目的是提供一种基于偏最小二乘法的耐热钢劣化状态评估方法，构建了一种基于偏最小二乘法的耐热钢劣化状态评估模型，在对耐热钢工件的劣化状态进行评估时，只需获取耐热钢工件的微试样，并对微试样采用无损检测技术进行检测，将得到的无损检测数据代入评估模型中，即可计算耐热钢工件样品的老化状态参量，以评估其劣化状态，评估方法快速，且准确度高。
本发明具体采用如下技术方案：
一种基于偏最小二乘法的耐热钢劣化状态评估方法，包括以下步骤：
S1、选取n个老化状态参量已知、厚度一致的耐热钢材料作为定标样品，利用多种无损检测方法对定标样品进行检测，获取多维无损检测参数，构建自变量矩阵及因变量矩阵；
S2、确定耐热钢材料的主要老化因素，并根据主要老化因素选择相关的无损检测参数建立主要成分模型，以描述老化状态参量与多维无损检测参数之间的物理关系；
S3、对主要成分模型的残差进行修正，建立基于偏最小二乘法的耐热钢劣化状态评估模型；
S4、对待评估耐热钢工件进行与定标样品相同的无损检测，且根据主要老化因素选择相关的无损检测数据，将得到的所有无损检测数据及与主要老化因素相关的无损检测数据代入S3中的评估模型中，计算得到耐热钢工件的老化状态参量。
优选的，步骤S1具体为：
(1)利用k种无损检测方法对n个定标样品进行检测，每个定标样品获取k个无损检测参数，作为自变量矩阵E，即：
其中，xnk表示第n个定标样品的第k个无损检测参数；
(2)以n个定标样品的老化状态参量作为因变量矩阵F，即：
F＝[c1 c2 … cn]T
其中，cn表示第n个定标样品的老化状态参量。
优选的，步骤S2具体为：
(1)确定定标样品的主要老化因素，根据主要老化因素从矩阵E中选取相关的无损检测参数，并构建主要自变量矩阵E0，即：
其中，xnm表示第n个定标样品的第m个无损检测参数(m<k)；
(2)从E0中提取主成分使其代表数据变异信息，同时使得主成分与老化状态参量相关程度达到最大，根据交叉有效性，共提取g个主成分t1，…，tg，t1，…，tg均是E0矩阵元素的线性组合，并实施F在t1，…，tg上的回归，得因变量矩阵F的估计值
其中，r1，…，rg为相对应的回归系数；
(3)考虑老化状态参量与主要自变量矩阵E0中元素的非线性因素，基于泰勒展开的原理，将展开，建立老化状态参量主要成分的偏最小二乘回归方程，即老化状态的主要成分模型：
其中，C1表示ci、di、ei为拟合得到的系数，xi为E0中第i种无损检测参数对应的值中，i＝1,2,…m。
优选的，步骤S3具体为：
(1)计算主要成分模型的残差F′，然后对F′进行偏最小二乘修正，即以E为自变量矩阵，以残差F′为因变量矩阵，采用步骤S3中的偏最小二乘法拟合得到主要成分残差修正的回归方程，以C2表示F′的估计值/>即：
其中，bf为拟合得到的系数，b0为拟合得到的常数，xf为自变量矩阵E中的元素；
(2)建立最终的老化状态参量的偏最小二乘定标模型，即基于偏最小二乘法的耐热钢劣化状态评估模型C：
优选的，步骤S4具体为：
(1)获取待评估耐热钢工件的微试样，对微试样进行与定标样品相同的无损检测，并将得到的无损检测数据，作为自变量矩阵E；
(2)从矩阵E中选取与主要老化因素相关的无损检测数据得到矩阵E0，将矩阵E及E0代入耐热钢劣化状态评估模型C中，计算得到待评估耐热钢工件的老化状态参量的数值，以判断待评估耐热钢工件的劣化状态。
优选的，步骤S1及S4中无损检测方法包括非线性超声检测法、磁参数检测法、小冲杆试验法及仪器化压痕法。
优选的，所述非线性超声检测法所获取的无损检测数据为二阶、三阶非线性超声系数及整个超声频率谱的全谱积分面积；所述磁参数检测法所获取的无损检测数据为磁矫顽力和剩磁；所述小冲杆试验法所获取的无损检测数据为中心挠度，所述仪器化压痕法检测法获取的无损检测数据为抗拉强度和屈服强度。
优选的，步骤S2及S4中耐热钢材料的主要老化因素包括蠕变因素、疲劳因素。
优选的，步骤S2及S4中根据主要老化因素选择相关的无损检测参数的方法为：当主要老化因素为蠕变因素时，选取非线性超声检测法测得的无损检测参数，当主要老化因素为疲劳因素时，选取磁参数检测法测得的无损检测参数。
优选的，步骤S1、S2、S4中的老化状态参量包括蠕变时间、老化等级、热疲劳次数及硬度。
本发明的技术原理如下：
电厂的许多金属构件不允许采用破坏性试验对材料的老化状态进行评估，而随着锅炉运行日久，耐热钢材料的老化评估又具有很强的需求。研究发现，耐热钢材料的蠕变老化过程与材料的微观组织状态变化密切相关。蠕变过程可以分为三个阶段：
第一阶段：变形速率随时间而下降。
第二阶段：是稳态阶段。此时，变形产生的加工硬化和回复、再结晶同时进行，材料未进一步硬化，所以变形速率基本保持恒定。
第三阶段：愈来愈大的塑性变形便在晶界形成微孔和裂纹，试件也开始产生缩颈，试件实际受力面积减小而真实应力加大，因此在塑性变形速率加快，最后导致试件断裂。
本发明中通过以下无损检测方法进行测量，从而得到能够反映材料组织性能变化的多个维度的无损检测数据：
(1)非线性超声技术是一种新型无损检测技术，它对材料的早期损伤比较敏感，能够对微纳米尺度的缺陷进行检测，突破了传统无损检测方法的检测极限。通过非线性超声检测技术对耐热钢样品进行检测，其对蠕变过程中产生的析出相聚集以及塑性变形引起的微孔和裂纹的变化情况比较敏感，通过试验研究，发现非线性超声参数的变化趋势与蠕变曲线相似，非线性超声系数快速增加的拐点和蠕变曲线第二拐点基本一致，因此可以利用非线性超声系数的数据，以蠕变第二拐点时间为基准进行分类；
(2)磁参数检测法是继超声波法和X射线法后一种新的有效检测应力的方法，磁参数检测法能够反映样品内部的应力状态，对材料的结构变化也较为敏感，具有测量速度快和精度高等优点。饱和磁滞回线的矫顽力和剩磁均是材料的特征参量，对耐热钢所受应力有较好的检出性，在弹性变形范围内，磁矫顽力和剩磁仅有较小的改变，但应力在屈服点附近时，会引起磁矫顽力和剩磁急剧增大，从而判断工件是否处于弹性变形或塑形变形范围；
(3)仪器化压痕法是通过球形压头在电机驱动加载下，垂直压入材料已抛光被测表面，在同一作用点进行连续加载、部分卸载、重新加载、继续部分卸载反复循环至试验结束，试验中同步记录相互对应的载荷与位移变化值，并根据每一循环加载周期中卸载轨迹的斜率，计算每一周期的最终残留压痕深度，再通过经验公式将残留压痕深度转化为残留压痕直径，进而可以获得真塑性应变，对应的真应力通过经验公式获得。通过将载荷－压痕深度曲线转化成材料真应力应变曲线，然后由该曲线测算出材料的抗拉强度、屈服强度等力学性能。可以实现在不破坏材料的情况下获得材料的抗拉强度和屈服强度等力学性能；
(4)小冲杆试验法是利用冲杆以一定的速度(可根据要求而改变)冲压作用于薄片试样，同时记录下从冲杆接触到钢珠到试样失效断裂整个过程中的加载载荷和试样中心位移(变形挠度)数据变化曲线，并依据此分析得到材料的抗拉强度、屈服强度等数据的方法。
上述非线性超声检测技术、磁参数检测法、仪器化压痕法及小冲杆试验法所检测材料力学性能的特点可以与材料微观组织结构变化引起的劣化状态或老化等级建立对应关系，从而对耐热钢材料的劣化状态进行辅助判断。
本发明利用多种无损检测技术对耐热钢样品进行测量，从而得到能够反映材料组织性能变化的多个维度的无损检测数据。在试验过程中，发现每种无损检测技术参数能够从某一个侧面反映耐热钢样品的老化特点，非线性超声系数更能表征材料蠕变过程中的微观组织变化和位错的聚集情况，磁参数法主要跟材料的热疲劳损伤有关，仪器化压痕法及小冲杆试验法则能够直接反映材料的力学性能，多种技术之间既有相关性，又有互补性，因此本发明采用偏最小二乘法进行分析，一方面对无损检测参数进行“降维”，找出多维空间中变差最大的方向，代表了自变量中的主要成分信息，另一方面使得自变量和因变量的相关性达到最大，从而建立一个能反映多参数信息的数学模型，并利用主要成分模型的残差与自变量进行拟合，进一步对数据模型进行修正，提高了数学模型测量精度和准确度。
本发明具有如下有益效果：
(1)本发明利用多种无损检测技术对训练样本进行测量，从而得到能够反映材料组织性能变化的多个维度的无损检测数据，并利用偏最小二乘法进行分析，构建基于偏最小二乘法的耐热钢劣化状态评估模型，在对耐热钢工件的劣化状态进行评估时，只需获取耐热钢工件的微试样，并对微试样采用无损检测技术进行检测，将得到的无损检测数据代入评估模型中，即可计算耐热钢工件样品的老化状态参量，以评估其劣化状态，评估方法快速，且准确度高。
(2)本发明中微试样的采取不会对耐热钢工件造成破坏，采取微试样后可以通过对耐热钢工件进行修补以使其能够继续使用，降低检测成本，不仅适用于管道取样，还适用于联箱、阀体、缸体等取样。
附图说明
图1为本发明一个实施例的流程图。
具体实施方式
下面结合附图和具体实施例对本发明的具体实施方式做进一步说明：
实施例1
参照图1，一种基于偏最小二乘法的耐热钢劣化状态评估方法，用于铁素体耐热钢及奥氏体耐热钢的劣化状态评估，包括以下步骤：
S1、选取n个老化状态参量已知、厚度一致的耐热钢材料作为定标样品，利用多种无损检测方法对定标样品进行检测，获取多维无损检测参数，构建自变量矩阵及因变量矩阵。其中，老化状态参量包括蠕变时间、金相老化等级、热疲劳次数和硬度。
该步骤S1具体为：
(1)首先利用k种无损检测方法对n个定标样品进行检测，每个定标样品获取k个无损检测参数，作为自变量矩阵E，即：
其中，xnk表示第n个定标样品的第k个无损检测参数；
(2)以n个定标样品的老化状态参量作为因变量矩阵F，在计算过程中每次计算只采用一种老化状态参量，即：
F＝[c1 c2 … cn]T
其中，cn表示第n个定标样品的老化状态参量。
S2、确定耐热钢材料的主要老化因素，并根据主要老化因素选择相关的无损检测参数建立主要成分模型，以描述老化状态参量与多维无损检测参数之间的物理关系。
该步骤S2具体为：
(1)确定定标样品的主要老化因素，根据主要老化因素从矩阵E中选取相关的无损检测参数，并构建主要自变量矩阵E0，即：
其中，xnm表示第n个定标样品的第m个无损检测参数(m<k)；
(2)从E0中提取主成分使其代表数据变异信息，同时使得主成分与老化状态参量相关程度达到最大，根据交叉有效性，共提取g个主成分t1，…，tg，并实施F在t1，…，tg上的回归，得因变量矩阵F的估计值
其中，r1，…，rg为相对应的回归系数；
(3)考虑老化状态参量与主要自变量矩阵E0中元素的非线性因素，基于泰勒展开的原理，将展开，建立老化状态参量主要成分的偏最小二乘回归方程，即老化状态的主要成分模型：
其中，C1表示ci、di、ei为拟合得到的系数，由于t1，…，tg均是E0矩阵元素的线性组合，可用xi表示E0中第i种无损检测参数对应的值，i＝1,2,…m。
S3、对主要成分模型的残差进行修正，建立基于偏最小二乘法的耐热钢劣化状态评估模型。
该步骤S3具体为：
(1)计算主要成分模型的残差F′，其中然后对F′进行偏最小二乘修正，即以E为自变量矩阵，以残差F′为因变量矩阵，采用步骤S3中的偏最小二乘法拟合得到主要成分残差修正的回归方程，以C2表示F′的估计值/>即：
其中，bf为拟合得到的系数，b0为拟合得到的常数，xf为自变量矩阵E中的所有无损检测元素；
(2)建立最终的老化状态参量的偏最小二乘定标模型，即分别得到基于老化状态参量(蠕变时间、金相老化等级、热疲劳次数和硬度)的偏最小二乘法劣化状态评估模型C：
对于耐热钢材料，其主要老化因素主要包括蠕变因素、疲劳因素，老化状态参量分别对应蠕变时间、热疲劳次数，且非线性超声系数与材料蠕变过程中的微观组织变化和位错的聚集情况有关，磁参数法主要跟材料的热疲劳损伤有关，故根据主要老化因素选择相关的无损检测参数建立主要成分模型时，可分别选取非线性超声检测法测得的无损检测参数、磁参数检测法测得的无损检测参数，以建立基于蠕变时间或热疲劳次数的偏最小二乘法劣化状态评估模型。
而对于金相老化等级或硬度，其与蠕变因素也有关，且金相老化等级与非线性超声检测法测得的无损检测参数相关性较大，硬度与仪器化压痕法及小冲杆试验法测得的无损检测参数相关性较大，故也可建立基于金相老化等级或硬度的偏最小二乘法劣化状态评估模型。
S4、对待评估耐热钢工件进行与定标样品相同的无损检测，且根据主要老化因素选择相关的无损检测数据，将得到的所有无损检测数据及与主要老化因素相关的无损检测数据代入S3中的评估模型中，计算得到耐热钢工件的老化状态参量。
该步骤S4具体为：
(1)根据耐热钢工件的工作条件确定待评估耐热钢工件的主要老化因素；
(2)获取待评估耐热钢工件的微试样，对微试样进行与定标样品相同的无损检测，并将得到的无损检测数据，作为自变量矩阵E；
(3)从矩阵E中选取与主要老化因素相关的无损检测数据得到矩阵E0，将矩阵E及E0代入与该耐热钢工件的主要老化因素相同的耐热钢劣化状态评估模型C中，计算得到待评估耐热钢工件的老化状态参量的数值，以判断待评估耐热钢工件的劣化状态。如当待评估耐热钢工件的主要老化因素为蠕变因素时，从矩阵E中选取通过非线性超声检测法测得的无损检测数据得到矩阵E0，将矩阵E及E0代入基于蠕变时间的耐热钢劣化状态评估模型C中，计算得到该待评估耐热钢工件的蠕变时间；如当待评估耐热钢工件的主要老化因素为疲劳因素时，从矩阵E中选取通过磁参数法测得的无损检测数据得到矩阵E0，将矩阵E及E0代入基于热疲劳次数的耐热钢劣化状态评估模型C中，计算得到该待评估耐热钢工件的热疲劳次，以判断待评估耐热钢工件的劣化状态。
本实施例中，所采用的无损检测方法包括非线性超声检测法、磁参数检测法、小冲杆试验法及仪器化压痕法，其中非线性超声检测法所获取的无损检测数据为二阶、三阶非线性超声系数及整个超声频率谱的全谱积分面积；磁参数检测法所获取的无损检测数据为磁矫顽力和剩磁；小冲杆试验法所获取的无损检测数据为中心挠度，仪器化压痕法检测法获取的无损检测数据为抗拉强度和屈服强度。
需要说明的是，本申请中未述及的部分可通过现有技术实现。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
Claims (7)
1.一种基于偏最小二乘法的耐热钢劣化状态评估方法，其特征在于，包括以下步骤：
S1、选取n个老化状态参量已知、厚度一致的耐热钢材料作为定标样品，利用多种无损检测方法对定标样品进行检测，获取多维无损检测参数，构建自变量矩阵及因变量矩阵；
S2、确定耐热钢材料的主要老化因素，并根据主要老化因素选择相关的无损检测参数建立主要成分模型，以描述老化状态参量与多维无损检测参数之间的物理关系；
S3、对主要成分模型的残差进行修正，建立基于偏最小二乘法的耐热钢劣化状态评估模型；
S4、对待评估耐热钢工件进行与定标样品相同的无损检测，且根据主要老化因素选择相关的无损检测数据，将得到的所有无损检测数据及与主要老化因素相关的无损检测数据代入S3中的评估模型中，计算得到耐热钢工件的老化状态参量；
步骤S1具体为：
(1)利用k种无损检测方法对n个定标样品进行检测，每个定标样品获取k个无损检测参数，作为自变量矩阵E，即：
其中，xnk表示第n个定标样品的第k个无损检测参数；
(2)以n个定标样品的老化状态参量作为因变量矩阵F，即：
F＝[c1 c2 ... cn]T
其中，cn表示第n个定标样品的老化状态参量；
步骤S2具体为：
(1)确定定标样品的主要老化因素，根据主要老化因素从矩阵E中选取相关的无损检测参数，并构建主要自变量矩阵E0，即：
其中，xnm表示第n个定标样品的第m个无损检测参数(m<k)；
(2)从E0中提取主成分使其代表数据变异信息，同时使得主成分与老化状态参量相关程度达到最大，根据交叉有效性，共提取g个主成分t1，…，tg，t1，…，tg均是E0矩阵元素的线性组合，并实施F在t1，…，tg上的回归，得因变量矩阵F的估计值
其中，r1，…，rg为相对应的回归系数；
(3)考虑老化状态参量与主要自变量矩阵E0中元素的非线性因素，基于泰勒展开的原理，将展开，建立老化状态参量主要成分的偏最小二乘回归方程，即老化状态的主要成分模型：
其中，C1表示ci、di、ei为拟合得到的系数，xi为E0中第i种无损检测参数对应的值中，i＝1,2,…m；
步骤S3具体为：
(1)计算主要成分模型的残差F′，然后对F′进行偏最小二乘修正，即以E为自变量矩阵，以残差F′为因变量矩阵，采用步骤S3中的偏最小二乘法拟合得到主要成分残差修正的回归方程，以C2表示F′的估计值/>即：
其中，bf为拟合得到的系数，b0为拟合得到的常数，xf为自变量矩阵E中的元素；
(2)建立最终的老化状态参量的偏最小二乘定标模型，即基于偏最小二乘法的耐热钢劣化状态评估模型C：
2.根据权利要求1所述的一种基于偏最小二乘法的耐热钢劣化状态评估方法，其特征在于，步骤S4具体为：
(1)获取待评估耐热钢工件的微试样，对微试样进行与定标样品相同的无损检测，并将得到的无损检测数据，作为自变量矩阵E；
(2)从矩阵E中选取与主要老化因素相关的无损检测数据得到矩阵E0，将矩阵E及E0代入耐热钢劣化状态评估模型C中，计算得到待评估耐热钢工件的老化状态参量的数值，以判断待评估耐热钢工件的劣化状态。
3.根据权利要求1所述的一种基于偏最小二乘法的耐热钢劣化状态评估方法，其特征在于，步骤S1及S4中无损检测方法包括非线性超声检测法、磁参数检测法、小冲杆试验法及仪器化压痕法。
4.根据权利要求3所述的一种基于偏最小二乘法的耐热钢劣化状态评估方法，其特征在于，所述非线性超声检测法所获取的无损检测数据为二阶、三阶非线性超声系数及整个超声频率谱的全谱积分面积；所述磁参数检测法所获取的无损检测数据为磁矫顽力和剩磁；所述小冲杆试验法所获取的无损检测数据为中心挠度，所述仪器化压痕法检测法获取的无损检测数据为抗拉强度和屈服强度。
5.根据权利要求4所述的一种基于偏最小二乘法的耐热钢劣化状态评估方法，其特征在于，步骤S2及S4中耐热钢材料的主要老化因素包括蠕变因素、疲劳因素。
6.根据权利要求5所述的一种基于偏最小二乘法的耐热钢劣化状态评估方法，其特征在于，步骤S2及S4中根据主要老化因素选择相关的无损检测参数的方法为：当主要老化因素为蠕变因素时，选取非线性超声检测法测得的无损检测参数，当主要老化因素为疲劳因素时，选取磁参数检测法测得的无损检测参数。
7.根据权利要求1所述的一种基于偏最小二乘法的耐热钢劣化状态评估方法，其特征在于，步骤S1、S2、S4中的老化状态参量包括蠕变时间、老化等级、热疲劳次数及硬度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110085286.8A CN112907033B (zh) | 2021-01-22 | 2021-01-22 | 一种基于偏最小二乘法的耐热钢劣化状态评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110085286.8A CN112907033B (zh) | 2021-01-22 | 2021-01-22 | 一种基于偏最小二乘法的耐热钢劣化状态评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112907033A CN112907033A (zh) | 2021-06-04 |
| CN112907033B true CN112907033B (zh) | 2024-01-23 |
Family
ID=76117548
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110085286.8A Active CN112907033B (zh) | 2021-01-22 | 2021-01-22 | 一种基于偏最小二乘法的耐热钢劣化状态评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112907033B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000052433A1 (en) * | 1999-03-05 | 2000-09-08 | Sandia Corporation | Hybrid least squares multivariate spectral analysis methods |
| CN106706599A (zh) * | 2016-11-22 | 2017-05-24 | 广东电网有限责任公司电力科学研究院 | 一种锅炉受热面老化等级分析方法 |
| CN108152133A (zh) * | 2017-12-12 | 2018-06-12 | 国电锅炉压力容器检验中心 | 一种耐热钢部件劣化评估方法 |
| CN108872129A (zh) * | 2018-06-11 | 2018-11-23 | 深圳供电局有限公司 | 一种基于偏最小二乘法的绝缘纸近红外光谱解析方法 |
| CN111579634A (zh) * | 2020-05-21 | 2020-08-25 | 钢研纳克检测技术股份有限公司 | 一种铁磁性材料表面残余应力的抽样评估方法 |
| CN111931393A (zh) * | 2019-04-28 | 2020-11-13 | 沈阳工业大学 | 一种废旧机床关键零件剩余寿命预测评估方法 |
-
2021
- 2021-01-22 CN CN202110085286.8A patent/CN112907033B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000052433A1 (en) * | 1999-03-05 | 2000-09-08 | Sandia Corporation | Hybrid least squares multivariate spectral analysis methods |
| CN106706599A (zh) * | 2016-11-22 | 2017-05-24 | 广东电网有限责任公司电力科学研究院 | 一种锅炉受热面老化等级分析方法 |
| CN108152133A (zh) * | 2017-12-12 | 2018-06-12 | 国电锅炉压力容器检验中心 | 一种耐热钢部件劣化评估方法 |
| CN108872129A (zh) * | 2018-06-11 | 2018-11-23 | 深圳供电局有限公司 | 一种基于偏最小二乘法的绝缘纸近红外光谱解析方法 |
| CN111931393A (zh) * | 2019-04-28 | 2020-11-13 | 沈阳工业大学 | 一种废旧机床关键零件剩余寿命预测评估方法 |
| CN111579634A (zh) * | 2020-05-21 | 2020-08-25 | 钢研纳克检测技术股份有限公司 | 一种铁磁性材料表面残余应力的抽样评估方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于偏最小二乘特征提取的支持向量机回归算法;刘杰;甘旭升;高海龙;王美乂;;火力与指挥控制(09);全文 * |
| 多参数点焊质量的偏最小二乘综合评价方法;李锐华等;焊接学报(第2007年第3期);49-52页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112907033A (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101710046B (zh) | 仪器化微米压入测试材料杨氏模量的方法 | |
| US9702798B1 (en) | Method for evaluating fracture toughness using instrumented indentation testing | |
| Broggiato et al. | The Chaboche nonlinear kinematic hardening model: calibration methodology and validation | |
| Slota et al. | Determination of flow stress by the hydraulic bulge test | |
| CN102353595A (zh) | 一种高韧性材料j-r阻力曲线的测试方法 | |
| CN100573181C (zh) | 利用铁磁材料表面杂散磁场信号监测疲劳损伤的方法 | |
| CN112816553B (zh) | 一种基于支持向量机的耐热钢老化等级评估方法 | |
| CN108844824A (zh) | 一种基于圆锥形压头的已知材料残余应力测定方法 | |
| Hyde et al. | Some considerations on specimen types for small sample creep tests | |
| Hossain et al. | Probabilistic Minimum-Creep-Strain-Rate and Stress-Rupture Prediction for the Long-Term Assessment of IGT Components | |
| CN112907033B (zh) | 一种基于偏最小二乘法的耐热钢劣化状态评估方法 | |
| Sharma et al. | Numerical simulation with finite element and artificial neural network of ball indentation for mechanical property estimation | |
| CN108107111B (zh) | 一种耐热钢部件非线性超声波检测方法 | |
| JP4112830B2 (ja) | 構造材料健全性評価方法およびプログラム | |
| RU2339018C1 (ru) | Способ определения остаточного ресурса металла длительно эксплуатируемых стальных труб | |
| Li et al. | Study on mechanical properties and acoustic emission characteristics of metallic materials under the action of combined tension and torsion | |
| Zhang et al. | A macro-pillar compression technique for determining true stress-strain curves of steels | |
| Kwon et al. | The use of electrochemical and mechanical property correlations to monitor the degradation of Cr–Mo–V turbine casing steel | |
| Prakash et al. | Investigation of material fatigue behavior through cyclic ball indentation testing | |
| Liguori et al. | Accurate measurement of dry friction coefficient using reciprocating tribometer | |
| JPH0635971B2 (ja) | 金属材料の余寿命予測法 | |
| RU2221231C2 (ru) | Способ определения остаточного ресурса металла магистрального трубопровода | |
| Husain et al. | Small punch and indentation tests for structural health monitoring | |
| Wang et al. | The feasibility evaluation of using the automated ball indentation technique to obtain mechanical properties of the steels used in nuclear vessels | |
| Prakash et al. | Evaluation of fatigue data through miniature specimen test techniques |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| CB02 | Change of applicant information |
Address after: 102209 building 309, Guodian New Energy Technology Research Institute, North District, future science and Technology City, Changping District, Beijing Applicant after: Guoneng boiler and Pressure Vessel Inspection Co.,Ltd. Applicant after: State Energy Group Taizhou Power Generation Co.,Ltd. Address before: 102209 building 309, Guodian New Energy Technology Research Institute, North District, future science and Technology City, Changping District, Beijing Applicant before: GUODIAN BOILER AND PRESSURE VESSEL INSPECTION Co.,Ltd. Applicant before: State Energy Group Taizhou Power Generation Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |