CN113850022A - 一种基于声热信号的喷涂层接触疲劳寿命预测方法 - Google Patents

一种基于声热信号的喷涂层接触疲劳寿命预测方法 Download PDF

Info

Publication number
CN113850022A
CN113850022A CN202111127173.6A CN202111127173A CN113850022A CN 113850022 A CN113850022 A CN 113850022A CN 202111127173 A CN202111127173 A CN 202111127173A CN 113850022 A CN113850022 A CN 113850022A
Authority
CN
China
Prior art keywords
life
acoustic
contact fatigue
coating
test
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.)
Granted
Application number
CN202111127173.6A
Other languages
English (en)
Other versions
CN113850022B (zh
Inventor
王海斗
马润波
董丽虹
邢志国
底月兰
郭伟
杨洁
李荣浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Academy of Armored Forces of PLA
Original Assignee
Academy of Armored Forces of PLA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Academy of Armored Forces of PLA filed Critical Academy of Armored Forces of PLA
Priority to CN202111127173.6A priority Critical patent/CN113850022B/zh
Publication of CN113850022A publication Critical patent/CN113850022A/zh
Application granted granted Critical
Publication of CN113850022B publication Critical patent/CN113850022B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N25/00—Investigating or analyzing materials by the use of thermal means
    • G01N25/20—Investigating or analyzing materials by the use of thermal means by investigating the development of heat, i.e. calorimetry, e.g. by measuring specific heat, by measuring thermal conductivity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
    • G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • General Engineering & Computer Science (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Signal Processing (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Acoustics & Sound (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供了一种基于声/热信号的喷涂层接触疲劳寿命预测方法，涉及喷涂层寿命预测技术领域。本发明采用红外热像技术和声发射技术同时在线监测涂层接触疲劳寿命的信息融合技术，不仅可以有效预警涂层失效，而且可以较精确地预测涂层寿命。基于声/热信号特征的SVR寿命预测模型，从预测模型的角度体现了声/热信号的信息融合。这样的预测方式避免了经典实验力学方法仅从影响因素对接触疲劳寿命的作用出发，采用Weibull分布等统计学方法进行寿命预测研究的局限性，从监测信号的角度出发，克服了采用制备工艺、材料体系、服役条件、涂层质量及表面性能参数等因素建模的限制，从工程实际的角度对涂层的服役安全和寿命进行预测，更符合工程应用的需要。

Description

一种基于声热信号的喷涂层接触疲劳寿命预测方法
技术领域
本发明涉及喷涂层寿命预测技术领域，具体涉及一种基于声热信号的喷涂层接触疲劳寿命预测方法。
背景技术
热喷涂技术是再制造工程中，用于解决如轴类、齿轮等旋转部件由于一些表面损伤而提前报废，导致材料剩余寿命极大浪费而造成经济损失的一项重要的表面处理技术。一些用于提高旋转部件表面耐磨性能的热喷涂层，如AT40涂层在工程应用中不可避免地受到了接触应力的作用，为了确保再制造零部件在服役中的安全性，对涂层接触疲劳失效的研究已成为再制造工程中一项重要且有意义的工作，对涂层接触疲劳寿命的预测亦成为了热点和难点问题。
无损检测由在不损伤被测对象材质和结构的前提下，利用材料内部结构异常或缺陷存在所引起的对声、光、电、磁、热等反应的信息，实现对各种工程材料、零部件、结构件等内部和表面缺陷的探测，并对缺陷的类型、性质、数量、形状、位置、尺寸和分布等情况作出判断和评价的技术，已在许多领域发挥了重要的作用。采用无损检测技术监测再制造涂层的接触疲劳失效，是提高涂层接触疲劳寿命预测精确度的一种重要手段。因为涂层在变形和断裂失效时发生快速释放瞬态弹性波的现象，声发射检测技术可以实现对瞬态弹性波的有效捕捉，目前已在热喷涂层接触疲劳失效研究中得到了应用。经分析Fe-Cr合金涂层的接触疲劳过程的声发射信号发现，声发射信号不仅能反应涂层接触疲劳失效的损伤过程，而且振幅和能量还能较灵敏地反应疲劳裂纹的萌生和扩展过程。利用声发射技术实时监测Fe基涂层在球盘式接触疲劳试验机上的疲劳磨损行为，通过切取声发射信号幅值和绝对能量反馈的不同阶段的试样，并对试样表面和截面裂纹进行观察和统计研究，结果亦表明声发射幅值和绝对能量能反映涂层的疲劳磨损过程。根据这一研究发现，将涂层的疲劳磨损过程划分成了弹塑性变形、裂纹萌生、裂纹稳定存在、裂纹稳定扩展、裂纹失稳扩展5个阶段。进一步研究发现，声发射幅值和计数对Fe基涂层的接触疲劳失效损伤程度反映灵敏，并且在不同的损伤失效阶段有不同的幅值和计数。用声发射幅值高敏感性，将AT40陶瓷涂层接触疲劳失效过程划分为了3个阶段：磨合阶段、稳定阶段和疲劳断裂阶段。进一步，基于声发射计数的特征，将AT40陶瓷涂层的分层失效和表面磨损失效划分为多个失效类型，采用EMD方法，将各个类型的声发射信号均分解成了4个固有模态分量。研究发现，对于不同的失效模式，在各个失效阶段，这些固有模态分量的波形具有不同的变化特征。进一步，采用声发射计数，对AT40陶瓷涂层分层失效过程进行监测，采用EMD方法将分层失效过程分成3个阶段：正常接触阶段、疲劳裂纹萌生阶段和分层失效阶段。采用声发射计数，对NiCr-Cr3C2在滚动/滑动下的接触疲劳失效过程进行分析可知，NiCr-Cr3C2在滚动/滑动下的接触疲劳失效过程分成正常接触、裂纹萌生、裂纹扩展和材料去除4个阶段。正常接触阶段大约占寿命的15％，裂纹萌生占寿命的48％，裂纹扩展阶段占寿命的34％，材料去除阶段约占余下寿命的3％。这些研究，仅考虑了众多声发射参数中的幅值、绝对能量、能量和计数，每个声发射参数都有自身的物理意义和应用特点，参数的选择缺乏说服力，应该系统研究声发射参数的变化规律，为声发射信号分析参数的确定提供依据。
热喷涂层在各影响因素的作用下，涂层表面温度发生变化，导致涂层内部存在温度分布，伴随着涂层表面的温度变化，涂层发生损伤失效。所以，涂层表面温度变化对涂层的接触疲劳寿命有重要影响。一切温度超过热力学温度的物体都会向周围不断地发出红外辐射，红外热像检测技术就是以红外辐射原理为基础，采用红外辐射测量方法对物体的表面温度及温度分布进行测量，检验其内部缺陷或判断其运行状态的一种无损检测技术，适用于与温度变化有关的测量，在航空航天、机械、医疗、电力、军事、地质勘探等领域已得到广泛应用。目前，有关红外热像技术在涂层接触疲劳失效研究中，当处于裂纹稳定存在与扩展阶段后期及失稳断裂失效阶段时，红外热像信号峰频的突变峰值出现的时间较晚，表明红外热像信号在涂层处于裂纹稳定存在与扩展阶段后期及失稳断裂失效阶段时灵敏性较差。
因此，亟需提供一种基于声/热信号的喷涂层接触疲劳寿命预测方法，以解决现有技术中存在的上述技术问题。
发明内容
本发明的目的在于提供一种基于声/热信号的喷涂层接触疲劳寿命预测方法，不仅可以有效预警涂层失效，而且可以较精确地预测涂层寿命，更符合工程应用的需要。
为实现上述目的，提供以下技术方案：
本发明提供了一种基于声/热信号的喷涂层接触疲劳寿命预测方法，包括：
S1、获取多组样本数据，所述多组样本数据为以多个因素为变量，对多个喷涂有涂层的试验基体进行接触疲劳寿命试验获取的；
S2、通过红外热像仪监测每一组样本中的喷涂层在接触疲劳试验中的温度变化，从而获取每一组样本中的喷涂层温度变化的温度极差，并根据每一组的温度极差计算多个样本的温度极差均值；
S3、声发射信号特征参数提取：分析预测AE信号参数的概率密度曲线，对声发射信号参数进行主成分分析，进行红外热像信号突变点处声发射信号参数特征分析，再进行声发射信号参数的显著性检验；
S4、按照预设划分规则，将所述多组样本数据划分为训练集和测试集，采用支持向量机原理，根据所述训练集构建预测模型，训练集中除去选取训练样本后余下的试验数据作为测试集，测试样本用于检验所构建模型的性能；
S5、根据所述预测模型对待预测的喷涂层进行寿命预测，获取所述待预测的喷涂层的预测寿命。
进一步地于，所述样本数据包括试验基体的试验寿命；
相应地，在步骤S2之前，步骤S1之后，所述方法还包括：
对各组样本数据中的试验寿命进行正态化处理；
判断各组样本数据中的试验寿命的正态分布是否满足预设条件；若是，则执行步骤S2；若否，则执行步骤S1。
进一步地，步骤S2包括：
根据接触应力、转速和滑差率三个可控制因素，从多组样本数据中筛选出初始训练集；
采用黄金分割法，结合所述初始训练集中元素个数，确定所述训练集中包含的样本数据个数的范围；
对于每一训练集，获取每一训练集中训练样本的信息熵，每一训练集包含样本数据的个数不同；
将信息熵最小的训练集中所包含的数据个数作为所述训练集中包含样本数据的最优个数。
进一步地，步骤S4中在根据所述训练集构建预测模型步骤之前，需要对声/热信号参数标准化，具体包括：通过计数、信号强度、接触点温度极差和温升速度对涂层寿命的预测，采用z-score标准化处理如下：
Figure BDA0003278974210000051
上式中，
Figure BDA0003278974210000052
和s分别表示第i个参数变量的样本均值和样本标准差。
进一步地，步骤S5包括：采用声/热信号特征，及接触应力、滑差率、转速、结合强度、显微硬度和涂层厚度作为输入变量时，制作接触疲劳寿命在RBF核函数下的预测值的散点图。
进一步地，通过红外热像仪监测每一组样本中的喷涂层在接触疲劳试验中的温度变化，包括：在接触疲劳试验开始至喷涂层失效期间，采用红外热像仪监测接触疲劳试验机上标准辊与设置有喷涂层的测试辊之间的接触点的表面温度。
进一步地，信息熵的定义如下：
对于已知的一概率向量(p1,p2,…,pr)，称
Figure BDA0003278974210000053
为信息熵，其中，0≤pi≤1(i＝1,…,r)，
Figure BDA0003278974210000054
log(·)表示以2为底的对数函数。
进一步地，寿命数据的信息熵定义如下：
对于一组已知的接触疲劳寿命数据x1,…,xn，将寿命数据进行从小到大的排序，记
Figure BDA0003278974210000061
取a＝x(1)-δ，b＝x(n)+δ，其中δ≥0，采用集合的划分，对训练集进行等间隔划分，集合的划分，是把集合分割到覆盖了整个集合的全部元素都不相交的部分，经过划分，把训练集分成不相交的非空的子集，每个子集就是一个小区间，区间长度为
Figure BDA0003278974210000062
上式中，r表示小区间的个数，一般取为1.87×(n-1)0.4，计算属于每个小区间[a+(k-1)Δ,a+kΔ)(k＝1,2,…,r)的寿命数据的个数mk，从而可得属于每个小区间的寿命数据的频率
Figure BDA0003278974210000063
视每个小区间为一个随机事件，那么可把fk看作第k个事件发生的概率，于是，可得给定的寿命数据x1,…,xn的信息熵为
Figure BDA0003278974210000064
进一步地，计算训练样本的信息熵步骤如下：
步骤1：依黄金分割法，计算训练样本应含有的最小样本数，并对选定的寿命数据x1,…,xn进行从小到大的排序；
步骤2：给定δ≥0，确定a＝x(1)-δ，b＝x(n)+δ，并计算划分的子集数，即区间数r；
步骤3：按区间长度
Figure BDA0003278974210000065
计算属于每个小区间[a+(k-1)Δ,a+kΔ)的寿命数据的个数mk，并计算属于每个小区间的寿命数据的频率
Figure BDA0003278974210000066
步骤4：计算一组选定寿命数据x1,…,xn的信息熵Hn。
进一步地，接触应力的取值区间为：0.5-0.7GPa；滑差率的取值区间为：0％-100％；转速的取值区间为：100-600r·min-1。
与现有技术相比，本发明提供的基于声/热信号的喷涂层接触疲劳寿命预测方法，采用红外热像技术和声发射技术同时在线监测涂层接触疲劳寿命的信息融合技术，不仅可以有效预警涂层失效，而且可以较精确地预测涂层寿命。基于声/热信号特征的SVR寿命预测模型，从预测模型的角度体现了声/热信号的信息融合。这样的预测方式避免了经典实验力学方法仅从影响因素对接触疲劳寿命的作用出发，采用Weibull分布等统计学方法进行寿命预测研究的局限性，从监测信号的角度出发，克服了采用制备工艺、材料体系、服役条件、涂层质量及表面性能参数等因素建模的限制，从工程实际的角度对涂层的服役安全和寿命进行预测，更符合工程应用的需要。
综上所述，本发明具有以下有益效果：
(1)多因素影响下的接触疲劳寿命数据服从Weibull分布，正态分布的“3σ”准则检验结果表明，采用中心复合设计方案得到的多因素接触疲劳寿命数据具有可靠性和稳定性。
(2)黄金分割法和信息熵理论相结合的方法，可将寿命数据分成训练集和测试集，为建立可靠的SVR模型奠定了基础。进一步，残差分析结果表明残差具有正态性，即说明SVR模型的预测结果是合理的。
(3)声/热信号相结合能较有效地对涂层接触疲劳失效提出预警，更符合工程应用的需要。
(4)依据声/热信号构建的寿命预测模型较通过服役条件及涂层性能参数构建的预测模型精度更高。
提供发明内容部分是为了以简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的重要特征或必要特征，也无意限制本公开的范围。
附图说明
通过结合附图对本公开示例性实施例进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施例中，相同的参考标号通常代表相同部件。
图1示出了本发明实施例的制备喷涂层中的辊子尺寸及涂层在辊子上的位置的结构示意图；
图2示出了本发明实施例的基于声/热信号的喷涂层接触疲劳寿命预测方法中的五种涂层接触疲劳寿命的“3σ”准则示意图；
图3示出了本发明实施例的基于声/热信号的喷涂层接触疲劳寿命预测方法中的AT40陶瓷涂层接触点温度极差与接触疲劳寿命相关性散点图；
图4示出了本发明实施例的基于声/热信号的喷涂层接触疲劳寿命预测方法中的声发射信号参数计数的概率密度曲线(试验编号为15-19)；
图5示出了本发明实施例的基于声/热信号的喷涂层接触疲劳寿命预测方法中的声发射信号参数峰频的概率密度曲线(试验编号为15-19)；
图6示出了本发明实施例的基于声/热信号的喷涂层接触疲劳寿命预测方法中的声发射信号参数幅度×上升时间的概率密度曲线(试验编号为15-19)；
图7示出了本发明实施例的基于声/热信号的喷涂层接触疲劳寿命预测方法中的AT40陶瓷涂层接触点处红外热像信号突变点检测(试样3#-13#)；
图8示出了本发明实施例的基于声/热信号的喷涂层接触疲劳寿命预测方法中的信息熵值随训练样本数的变化图；
图9示出了本发明实施例的基于声/热信号的喷涂层接触疲劳寿命预测方法中的信息熵值随不同测试样本数的变化图；
图10示出了本发明实施例的基于声/热信号的喷涂层接触疲劳寿命预测方法中的不同输入变量下的预测值散点图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的实施例，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
本实施例提供了一种基于声/热信号的喷涂层接触疲劳寿命预测方法，具体地，本实施例的实验原理如下：
SVR原理：
Vapnik提出的支持向量机理论是基于统计学习理论发展起来的一种新型机器学习算法，对小样本适用性较强，尤其当训练集有限时得到的决策规则，对独立的检验集仍能得到较小的误差。这种方法不涉及概率测度和大数定律，基本避免了从归纳到演绎的过程，其具有结构风险最小，可以逼近任意函数且保证全局最优等特点，对小样本、非线性和高维建模的领域适用性较强，不仅可以避免解析求解的困难，而且可以提高预测的准确性。随着ε不敏感损失函数的引入，并用于解决数据的拟合与回归问题，得到了支持向量机预测理论，即支持向量回归机(简称为SVR)。其预测的基本思想是，对于给定的{(xi,yi),i＝1,2,…,l}训练集，其中xi∈Rn为输入值，yi∈R为预测值，寻找Rn上的实值函数f(x)拟合输入和输出之间的关系。通过K(xi,xj)引进核函数，将线性回归方法推广到处理非线性回归问题，其基本观点是通过非线性映射φ(x)，将训练数据映射到一个高维特征空间F,然后在F中进行线性回归，这种非线性映射是通过定义满足Mercer条件的核函数K(xi,xj)来实现，回归估计函数为
Figure BDA0003278974210000101
常用的核函数有：多项式核函数、高斯核函数和多层感知核函数等。
主成分分析原理：
主成分分析是将多个指标化为少数几个综合指标的一种统计分析方法。假设有m个观测变量x1,…,xm，在原始变量的m维空间中，找到新的m个坐标轴，建立新变量与原始变量的关系：
yj＝lj1x1+lj2x2+…+ljmxm (2)
则yj(j＝1,…,n,n＜m)为原始变量的主成分。一般，通过计算相关矩阵的特征值及相应的特征向量，得到累计方差贡献率，当累计方差贡献率大于75％时，确定主成分的个数。
概率密度曲线：
概率密度函数是表征随机信号统计分布规律的重要手段，当随机信号的分布规律未知时，通常可通过频率直方图的外廓曲线得到近似的概率密度曲线。对于随机信号x(t)的一组观测值x1,…,xn，为得到观测值的频率直方图，首先将观测值排序后等分为m个小区间，然后计算落入每个小区间的样本点数ni，于是可得到落入每个区间的频率ni/n(i＝1,…,m)。据此，以每个小区间的长度为底、频率为高，作出频率直方图后可得到随机信号x(t)的概率密度曲线。
本实施例的实验和结果分析如下：
涂层制备
涂层的接触疲劳寿命受到多个因素的影响，如接触应力、滑差率、转速等服役条件，又如涂层与基体的结合强度、涂层的显微硬度、涂层厚度等与涂层制备有关的涂层质量及表面性能参数。涂层与基体的结合强度、涂层的显微硬度主要受到制备过程中Ar气流量、喷涂功率、喷涂距离的影响。对于涂层厚度，可通过喷涂相同厚度的涂层，然后采用砂轮磨削的方式进行后处理，这样的方式同时也降低了涂层表面的粗糙度。了考察Ar气流量、喷涂功率、喷涂距离和涂层厚度对涂层接触疲劳寿命的影响，采用4因素5水平的均匀设计方案制备涂层。
采用高效能超音速等离子喷涂设备(PS)在调质45#钢测试辊的外周面上制备涂层。采用质量分数为90％Ni，10％Al的Ni/Al合金作为粘结层。采用Al2O3-40wt％TiO2涂层作为喷涂层。基体为线接触长度为8mm，外周边缘倒角0.5mm的辊子，涂层在辊子上喷涂位置及辊子尺寸示意图如图1所示。采用相同的喷涂时间及喷涂次数，使得涂层和基体受到的冷却时间、受热状态等热力学因素的影响相同，喷涂后涂层厚度为500-600μm。通过喷涂参数的变化得到不同质量表面性能参数的涂层，喷涂参数如表1所示。
表1等离子喷涂及涂层质量和表面性能参数
Figure BDA0003278974210000121
声发射信号和红外信号监测：
利用美国物理声学公司生产的PCI-2型声发射监测仪和日本NEC公司生产的NECR300红外热像仪，对AT40陶瓷涂层在解除疲劳过程中的失效状态进行实时监测。
涂层在接触疲劳失效过程中产生的弹性应力波，可以通过声发射监测仪进行捕捉。采用AEwin软件对声发射信号进行实时监控，并完成信号提取与存储。声发射信号通过一些列的撞击进行识别，撞击代表了声发射传感器产生的电压次数，其波动由声发射波引起。设定前置放大增益为40dB，采样率为1MSPS。给定电压阈值为Vth＝45dB，这个值能够进行大部分噪声过滤，并且能够检测到有用的声发射信号。每次撞击通过强度比例表征为监测事件的能量。.在声发射探头上涂抹耦合剂，保证探头能较好地耦合，然后采用固定装置将声发射探头固定在靠近测试辊的轴承座上，使得探头所接收的瞬态弹性波，不因在固体内部传输而造成衰减过多，影响对涂层接触疲劳失效寿命的分析和研究。
AT40陶瓷涂层在接触疲劳失效过程中的生热情况，利用NEC R300红外热像仪，实时监测近接触点表面涂层，以达到获取接触点表面涂层红外热像信号的目的。以下称近接触点涂层表面红外热像信号为接触点红外热像信号。NEC R300红外热像仪在室温下其温度分辨可达到0.03℃，测量精度达到±1℃。通过该热像仪装置每秒可采集和存储60幅320×240像素点的NTSC(National Television Systems Committee)热图，并实时将数据直接传输到监控机上进行记录和分析。采用InfReC Analyzer NS9500 Professional软件对红外热像信号进行实时监控。
结果分析
接触疲劳试验可靠性
按表2试验方案,得到在接触应力、转速、滑差率作用下的喷涂层接触疲劳寿命(表2)。中心极限定理确立了正态分布的重要地位，然而由于寿命不能取到负值，一般不采用正态分布作为寿命的预测模型。本文中对正态分布的考察仅从问题分析的科学性考虑，不涉及利用正态分布对寿命进行预测的问题。对表2中数据采用K-S检验进行正态性检验，给定显著性水平为0.05，检验结果如表3所示。由表3可知，五种涂层接触疲劳寿命的K-S检验显著性值均大于0.05，表明不同质量表面性能参数的涂层其接触疲劳寿命均具有正态性。
表2接触疲劳寿命数据/r
Figure BDA0003278974210000131
Figure BDA0003278974210000141
表3AT40涂层接触疲劳寿命的正态性检验
Figure BDA0003278974210000142
在寿命数据的正态性前提下，由表2可知，试验编号为15-19的接触疲劳试验，是相同条件下的5次重复试验。于是，对于重复试验，采用“3σ”准则对寿命数据的可靠性进行检验。区间
Figure BDA0003278974210000143
是寿命数据满足“3σ”准则的最小区间，如果寿命数据落入这一区间，那么可以认为寿命数据具有较高的稳定性和可靠性。由表2，经计算可得，对于1#-5#涂层，这一区间分别为(4938.1772，11475.4228)、(3471.9637，4202.0362)、(5121.1331，6947.6668)、(2670.9539，3669.0460)、(1245.1775，2250.8225)，重复试验点与区间的关系如图3所示。
由图2可知，对这五种涂层而言，重复试验的5个试验点均有4个点落入了区间
Figure BDA0003278974210000144
可以认为在中心复合设计下进行的接触疲劳寿命试验在统计学上具有可靠性。
接触疲劳寿命与红外热信号的关系
因为红外热像信号易受到环境的影响，如环境温度、标准辊温度、润滑油温度等，所以接触点温度极差是与涂层接触疲劳寿命相关的重要指标。由图3可见，1#-5#涂层在接触点温度极差与接触疲劳寿命均表现出线性相关性。给定检验的显著性水平为0.05，由K-S检验可得1#-5#涂层的检验的显著性值分别为0.930、0.962、0.757、0.447和0.463，均大于0.05，表明接触点温度极差具有正态性。采用Pearson相关性检验可得检验的显著性值分别为0.011、0.031、0.009、0.048和0.021，均小于给定的显著性水平0.05，表明接触点温度极差与接触疲劳寿命具有统计相关性。于是，通过接触点温度极差定义接触点温升速度vT为
vT＝Tr/N (3)
式(3)中，Tr表示接触点温度极差，N表示接触疲劳寿命。由K-S检验可得1#-5#涂层的检验的显著性值分别为0.769、0.940、0.721、0.527和0.889，均大于0.05，表明接触点温升速度具有正态性。由此，采用响应曲面分析法对这些影响因素的显著性进行分析，结果如表4所示。其中，假设检验统计量为F统计量，显著性水平仍给定为0.05。
表4接触点温度极差和温升速度的影响因素显著性
Figure BDA0003278974210000151
表4中，A表示接触应力，B表示滑差率，C表示转速，AB表示接触应力和滑差率的交互作用，AC表示接触应力和转速的交互作用，BC表示滑差率和转速的交互作用。
失拟度表示了回归方程未能拟合的部分，包括未考虑的其他因素及每个自变量的高次项等所引起的差异，失拟检验不显著时，说明所建立的回归方程拟合的很好。由表4可见，模型的显著性检验及失拟度检验表明，响应曲面回归方程拟合的较好，可以对接触点温度极差和温升速度接触应力、转速和滑差率影响的显著性进行分析。对于1#和4#涂层，接触点温度极差和温升速度受转速影响的显著性值小于0.05，故转速的作用具有统计显著性。对于2#涂层，接触点温度极差和温升速度受转速和接触应力的影响的显著性值小于0.05，故具转速和接触应力的作用有统计显著性。对于3#涂层，接触点温度极差和温升速度受转速的影响的显著性值小于0.05，故转速的作用具有显著性；同时，接触应力与转速的交互作用的显著性值小于0.05，故从交互作用来看，接触应力的作用也具有统计显著性。对于5#涂层，接触点温度极差受转速与滑差率、接触应力与滑差率的交互作用影响的显著性值均小于0.05，从单因素及交互作用显著性来看，转速、接触应力和滑差率的作用都具有统计显著性；温升速度受接触应力、转速、滑差率、接触应力与转速的交互作用影响的显著性值均小于0.05，故可以认为接触应力、转速、滑差率对温升速度的影响均具有统计显著性。由此可知，对于相同质量及表面性能参数的涂层，接触应力、转速、滑差率等服役条件对接触点温度极差和温升速度影响的显著性情况相同。
声发射信号特征参数提取
声发射信号可实时反馈涂层在接触疲劳失效过程中的损伤状态，然而声发射信号参数众多，常用的参数有：计数、能量、信号强度、幅度、持续时间、上升时间、有效电压值(RMS)、平均信号电平(ASL)、绝对能量、峰值计数、反算频率、初始频率、中心频率、峰频等14个参数。以及幅度×上升时间、峰值计数/计数、能量/持续时间、上升时间/持续时间、RA(＝上升时间/幅度)、AF(＝计数/持续时间)6个组合参数。每个声发射信号参数具有不同的物理意义。
声发射信号参数的概率密度函数曲线特征
AE信号参数的概率密度曲线
热喷涂层在接触疲劳状态下的失效是一个复杂的问题，由于涂层自身存在的微孔隙、微裂纹、层状结构等缺陷，使得在相同服役条件下寿命数据的分散性较大，而可能存在的异常点则可能是分散性出现的一个原因。关于AT40陶瓷涂层在接触疲劳失效中寿命的可靠性分析结果表明，相应的声发射信号也具有可靠性。在相同服役条件下，若涂层的失效模式相同，那么声发射信号参数的变化规律应相近或相似，即具有一定的稳定性。在总体分布规律未知的情况下，样本的频率直方图能够对总体的分布作出基本反映，概率密度函数曲线是在样本频率直方图的基础上得到的关于总体分布规律的体现。
如图4所示，声发射信号参数计数的概率密度曲线呈右偏锋，有较长的左尾。由图4可知，在相同条件下，1#-3#涂层中试验编号为15-19的5个试样概率密度曲线形态相似；4#涂层(15为表面磨损，16-19为分层失效)，相同服役条件下分层失效模式的概率密度曲线基本相似；5#涂层(15、17、18为表面磨损，16、19为分层失效)，相同服役条件下概率密度曲线基本相似，均表明计数具有稳定性和可靠性。
声发射信号参数峰频的概率密度曲线形态如图5所示。对于1#、2#、3#、4#(15为表面磨损，16-19为分层失效)、5#(15、17、18为表面磨损，16、19为分层失效)涂层，试验编号为15-19试样的峰频的概率密度曲线形态呈左偏锋，有较长的右尾，在相同服役条件和失效模式下，概率密度曲线形态相近，表明在相同条件下，峰频具有一定的稳定性。
声发射信号参数幅度×上升时间的概率密度曲线形态如图6所示。对于1#、2#、3#、4#(15为表面磨损，16-19为分层失效)、5#(15、17、18为表面磨损，16、19为分层失效)涂层，试验编号为15-19试样的幅度×上升时间的概率密度曲线呈现对称性，在相同服役条件和失效模式下，概率密度曲线形态相近，表明在相同条件下，幅度×上升时间具有一定的稳定性。
以上分析表明，声发射信号参数计数、峰频、幅度×上升时间具有稳定性。当仅进行一次试验时，这3个参数的统计特性均可以作为参考依据。利用声发射信号对涂层接触疲劳失效进行预测与分析，需要选择具有稳定性的参数。计数、峰频、幅度×上升时间可以用于AT40陶瓷涂层接触疲劳失效研究。
声发射信号参数的主成分分析
声发射信号参数经降噪后，并经标准化处理，由主成分法分析可得，对这些特征参数按照特征值大于1或累计贡献率大于75％提取主成分。各涂层在不同影响因素组合下，当特征值大于1时均有累计贡献率大于75％，此时均可提取5个主成分，5个主成分的累计贡献率见表5所示。进一步，结合极大方差正交旋转原理，对5个主成分作因子旋转，使每个主成分所载荷的绝对值方差达到最大，让每一个主成分明显地代表一部分变量。于是，五种涂层在不同处理下，均有上升时间、RA、上升时间/持续时间和信号强度4个特征参数在主成分2上的载荷较大，幅度×上升时间和峰频2个参数在主成分4上的载荷较大，峰值计数和峰值计数/计数2个特征参数在主成分5上的载荷较大。在主成分1和主成分3上载荷较大的特征参数，则由于涂层的质量及表面性能参数变化、服役条件变化而发生变化。由此，可以认为对五种涂层，在主成分2、主成分4和主成分5上载荷较大的特征参数具有稳定性，不随涂层及服役条件的变化而变化。由主成分分析及概率密度曲线特征可知，计数、峰频、上升时间、RA、上升时间/持续时间、峰值计数、幅度×上升时间、信号强度和峰值计数/计数9个参数具有较好的稳定性，可作为声发射信号的主要参数。
红外热像信号突变点处声发射信号参数特征
在失效疲劳过程中，涂层失效通常表现为信号的突变，红外信号中的不规则突变通常包含着重要的信息。经提取涂层在接触点处红外热像信号，并利用小波变换检测红外热线信号的突变点，对红外信号作小波多尺度分解，经去噪处理后，选取小波函数为Daubechies 4小波，分解层次为5。图7给出了AT40陶瓷涂层接触点处红外热像信号突变点检测情况。由图7可见，第二层(d2)和第三层(d3)上的小波变换模极大值清晰地反映了信号的突变点，信号突变点分别在57s、510s、550s、660s、750s、870s、970s、1110s。
从典型的计数、信号强度、上升时间、RA、上升时间/持续时间、峰值计数、峰频、峰值计数/计数和幅度×上升时间的波形图可知，上升时间、RA、上升时间/持续时间、峰值计数/计数波形图相似，波形变化无明显预警AT40陶瓷涂层失效的特征。计数、信号强度、峰值计数、峰频和幅度×上升时间的峰值特征明显。峰频的突变峰值发生在510s-1110s时间段内，这一时间段涂层也基本处于裂纹稳定存在与扩展阶段，以及失稳断裂失效阶段。与相应的红外热像信号突变点结果相比(图7)，峰频在这一时间段内突变峰值出现的时间与红外热像信号基本一致。但是处于裂纹稳定存在与扩展阶段后期及失稳断裂失效阶段时，峰频的突变峰值出现的时间较红外热像信号早，表明峰频在涂层处于裂纹稳定存在与扩展阶段后期及失稳断裂失效阶段时较为活跃，其预警性能较红外热像信号灵敏。
计数、信号强度、峰值计数和幅度×上升时间能在一定程度上反馈涂层损伤情况，但是由于突变峰值较多，难以给出较准确的判断，在实时监测中无法合理确定涂层损伤失效的情况。涂层在接触点的红外热像信号变化情况较声发射信号更直观，对疲劳失效预警具有一定的效果。
声发射信号参数的显著性检验
基于声发射信号参数在时域的突变特征，采用响应曲面回归原理对突变特征明显的5个声发射参数，即信号强度、计数、峰值计数、峰频和幅度×上升时间进行影响因素的显著性分析。从概率论的角度来看，均值代表了随机变量取值的平均水平，为了便于分析，对这5个参数在接触疲劳失效中的过程数据取均值，作为相应的参数值。在给定的显著性水平为0.05下，采用K-S非参数假设检验对这5个参数的正态性检验结果表明，这5个参数均服从正态分布。于是，在响应曲面原理下，接触应力、滑差率、转速、结合强度、显微硬度和涂层厚度对这5个参数的影响的显著性检验结果如表6所示。
表6声发射信号参数的影响因素显著性检验
Figure BDA0003278974210000211
表6中，A表示接触应力，B表示滑差率，C表示转速，D表示基体与涂层之间的结合强度，E表示涂层的显微硬度，F表示涂层厚度。
由表6可见，转速对信号强度、计数、峰值计数、峰频和幅度×上升时间影响的显著性值均小于0.05，表明转速对这些参数变化具有统计显著性。接触应力、滑差率、转速对计数影响的显著性值均小于0.05，所以可以认为计数的变化受到了服役条件的显著影响。结合强度、显微硬度、涂层厚度3个因素对信号强度影响的显著性值均小于0.05，所以可以认为信号强度的变化受到了涂层质量及表面性能参数的显著影响。峰值计数除受到转速的显著影响外，接触应力和结合强度对其影响的显著性值均小于0.05，所以可以认为峰值计数的变化受到了接触应力和结合强度的显著影响。幅度×上升时间和峰频除受到转速的显著影响外，结合强度对这两个参数影响的显著性值均小于0.05，所以可以认为幅度×上升时间和峰频的变化受到结合强度的显著影响。因为峰值计数、幅度×上升时间和峰频仅受到了服役条件或涂层质量及表面性能参数中部分因素的显著影响，故不适宜用于构建涂层的寿命预测模型。鉴于声发射参数计数和信号强度分别受到了服役条件和涂层质量及表面性能参数的显著影响，及涂层接触点温度极差和温升速度与涂层接触疲劳寿命存在统计相关性，所以采用信号强度、计数、接触点温度极差和温升速度4个参数构建涂层的声/热信号寿命预测模型。
支持向量机回归预测
声/热信号参数标准化
通过计数、信号强度、接触点温度极差和温升速度对涂层寿命的预测，对于这些来自不同信号源的特征参数，为了消除各自的物理意义和量纲不同带来的预测困难，并提高模型的稳定性和泛化能力，可采用式(4)对这4个参数进行标准化。
因为计数、信号强度、接触点温度极差和温升速度的物理意义及量纲不同，使得各自取值的范围的差别较大，在SVR的训练中易出现稳定性较差的现象，从而导致泛化能力差，通过标准化处理可以提高训练的稳定性和泛化性，使计数、信号强度、接触点温度极差和温升速度四个参数变量在训练中地位相同。
采用z-score标准化处理如下：
Figure BDA0003278974210000221
式(4)中，
Figure BDA0003278974210000222
和s分别表示第i个参数变量的样本均值和样本标准差。
训练集选取
为处理方便，称由除去测试样本后的试验数据组成的集合为训练集，训练样本为由训练集中选取的元素构成。观察表2，对于每组试验，在编号为1,2,7-19的试验中，接触应力、转速和滑差率三个可控制因素的取值水平涵盖了试验中的所有值，具有一定的代表性，可将1#-5#涂层中，试验编号为1,2,7-19的试验数据组成训练集。由于15-19号为重复试验，故对重复试验点，取算术平均值后作为相同试验条件下的试验数据。于是，训练样本共包含55个寿命数据。
黄金分割法作为一种优先法，是一种数学上的比例关系，具有严格的比例性、和谐性。因为训练样本的个数应至少等于训练集中元素个数的0.618倍，即训练样本数应大于等于55×0.618＝33.99，而样本数应为正整数，故取为34。又因为信息熵的大小体现了信源发消息的随机性的大小，即信息熵大则意味着随机性大，信息熵小则意味着随机性也小。于是，可采用信息熵的大小来体现训练样本的稳定性，并进一步确定训练样本。
对于已知的一概率向量(p1,p2,…,pr)，称
Figure BDA0003278974210000231
为信息熵。其中，0≤pi≤1(i＝1,…,r)，
Figure BDA0003278974210000232
log(·)表示以2为底的对数函数。
对于一组已知的接触疲劳寿命数据x1,…,xn，将寿命数据进行从小到大的排序，记
Figure BDA0003278974210000233
取a＝x(1)-δ，b＝x(n)+δ，其中δ≥0。采用集合的划分，对训练集进行等间隔划分。集合的划分，是把集合分割到覆盖了整个集合的全部元素都不相交的部分。经过划分，把训练集分成不相交的非空的子集，每个子集就是一个小区间，区间长度为
Figure BDA0003278974210000234
式(6)中，r表示小区间的个数，一般取为1.87×(n-1)0.4。计算属于每个小区间
[a+(k-1)Δ,a+kΔ)(k＝1,2,…,r)的寿命数据的个数mk，从而可得属于每个小区间的寿命数据的频率
Figure BDA0003278974210000241
视每个小区间为一个随机事件，那么可把fk看作第k个事件发生的概率。于是，可得给定的寿命数据x1,…,xn的信息熵为
Figure BDA0003278974210000242
综上，计算训练样本的信息熵步骤如下：
步骤1：依黄金分割法，计算训练样本应含有的最小样本数，并对选定的寿命数据x1,…,xn进行从小到大的排序；
步骤2：给定δ≥0，确定a＝x(1)-δ，b＝x(n)+δ，并计算划分的子集数，即区间数r；
步骤3：按区间长度
Figure BDA0003278974210000243
计算属于每个小区间[a+(k-1)Δ,a+kΔ)的寿命数据的个数mk，并计算属于每个小区间的寿命数据的频率
Figure BDA0003278974210000244
步骤4：计算一组选定寿命数据x1,…,xn的信息熵Hn。
由表2，经计算可得不同样本数的训练样本的信息熵如表7和图8所示。
由表7和图8可知，训练样本含有37个接触疲劳寿命数据。训练样本包含1#涂层中试验编号为1-2、7-8、10-14、15-19；2#涂层中试验编号为1-2、8-14、15-19；3#-5#涂层中试验编号为1-2、7-14、15-19的试验数据。其中，对重复试验点15-19取算术平均值。
表7不同训练样本数的信息熵值
Figure BDA0003278974210000245
Figure BDA0003278974210000251
测试集选取
将1#-5#涂层中试验编号为3-6，及训练集中除去选取训练样本后余下的试验数据作为测试集，共包含38个寿命数据，测试样本在测试集中选取。测试样本用于检验所构建模型的性能，本节仍然采用信息熵的方式对测试样本加以选取。经训黄金分割法计算可得，样本数应大于等于38×0.618＝23.4840，而样本数应为正整数，故取为23。将测试集寿命数据按由小到大的顺序进行排列，经计算可得不同样本数的测试样本的信息熵，如表8和图9所示。
表8不同测试样本数的信息熵值
Figure BDA0003278974210000252
由表8和图9可知，当样本数为23时，信息熵最小，则选取测试集经从小到大排序后前23个寿命数据作为测试样本。
接触疲劳寿命预测
采用RBF核函数K(u,v)＝exp(-γ·||u-v′||2)，对于声/热信号特征，当C＝3800，ε＝0.01，γ＝0.049时，平方相关系数R2＝0.8069，均方误差RMSE＝881.3802；对于基于服役条件/表面性能参数，当C＝6，ε＝0.01，γ＝0.14时，平方相关系数R2＝0.5061，均方误差RMSE＝1997.1872，预测结果及残差的正态性检验见表9所示。
表9涂层寿命预测值
Figure BDA0003278974210000253
Figure BDA0003278974210000261
由于3#涂层的15-19号试样是在相同服役条件下进行的试验，故寿命数据取均值后作为对应服役条件下的涂层寿命数据。由表8可知，预测寿命的残差的正态检验显著性值为0.749，表明残差具有正态性，从而表明SVR模型具有可靠性。进一步，由平方相关系数R2和均方误差RMSE可知，在RBF核函数下，采用计数、信号强度、接触点温度极差和温升速度作为输入变量的SVR模型已具有较高的预测精度。图10给出了分别采用声/热信号特征，及接触应力、滑差率、转速、结合强度、显微硬度和涂层厚度作为输入变量时，接触疲劳寿命在RBF核函数下的预测值的散点图。由图10可见，以声/热信号特征建立的SVR模型，其预测效果明显优于依据接触应力、滑差率、转速、结合强度、显微硬度和涂层厚度构建的寿命预测SVR模型。结果表明，采用红外热像技术和声发射技术同时在线监测涂层接触疲劳寿命的信息融合技术，不仅可以有效预警涂层失效，而且可以较精确地预测涂层寿命。
基于声/热信号特征的SVR寿命预测模型，从预测模型的角度体现了声/热信号的信息融合。这样的预测方式避免了经典实验力学方法仅从影响因素对接触疲劳寿命的作用出发，采用Weibull分布等统计学方法进行寿命预测研究的局限性，从监测信号的角度出发，克服了采用制备工艺、材料体系、服役条件、涂层质量及表面性能参数等因素建模的限制，从工程实际的角度对涂层的服役安全和寿命进行预测，更符合工程应用的需要。
综上所述，本实施例提供的基于声/热信号的喷涂层接触疲劳寿命预测方法，具有以下有益效果：
(1)多因素影响下的接触疲劳寿命数据服从Weibull分布，正态分布的“3σ”准则检验结果表明，采用中心复合设计方案得到的多因素接触疲劳寿命数据具有可靠性和稳定性。
(2)黄金分割法和信息熵理论相结合的方法，可将寿命数据分成训练集和测试集，为建立可靠的SVR模型奠定了基础。进一步，残差分析结果表明残差具有正态性，即说明SVR模型的预测结果是合理的。
(3)声/热信号相结合能较有效地对涂层接触疲劳失效提出预警，更符合工程应用的需要。
(4)依据声/热信号构建的寿命预测模型较通过服役条件及涂层性能参数构建的预测模型精度更高。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种基于声/热信号的喷涂层接触疲劳寿命预测方法，其特征在于，包括：
S1、获取多组样本数据，所述多组样本数据为以多个因素为变量，对多个喷涂有涂层的试验基体进行接触疲劳寿命试验获取的；
S2、通过红外热像仪监测每一组样本中的喷涂层在接触疲劳试验中的温度变化，从而获取每一组样本中的喷涂层温度变化的温度极差，并根据每一组的温度极差计算多个样本的温度极差均值；
S3、声发射信号特征参数提取：分析预测AE信号参数的概率密度曲线，对声发射信号参数进行主成分分析，进行红外热像信号突变点处声发射信号参数特征分析，再进行声发射信号参数的显著性检验；
S4、按照预设划分规则，将所述多组样本数据划分为训练集和测试集，采用支持向量机原理，根据所述训练集构建预测模型，训练集中除去选取训练样本后余下的试验数据作为测试集，测试样本用于检验所构建模型的性能；
S5、根据所述预测模型对待预测的喷涂层进行寿命预测，获取所述待预测的喷涂层的预测寿命。
2.根据权利要求1所述的基于声/热信号的喷涂层接触疲劳寿命预测方法，其特征在于，所述样本数据包括试验基体的试验寿命；
相应地，在步骤S2之前，步骤S1之后，所述方法还包括：
对各组样本数据中的试验寿命进行正态化处理；
判断各组样本数据中的试验寿命的正态分布是否满足预设条件；若是，则执行步骤S2；若否，则执行步骤S1。
3.根据权利要求1所述的基于声/热信号的喷涂层接触疲劳寿命预测方法，其特征在于，步骤S2包括：
根据接触应力、转速和滑差率三个可控制因素，从多组样本数据中筛选出初始训练集；
采用黄金分割法，结合所述初始训练集中元素个数，确定所述训练集中包含的样本数据个数的范围；
对于每一训练集，获取每一训练集中训练样本的信息熵，每一训练集包含样本数据的个数不同；
将信息熵最小的训练集中所包含的数据个数作为所述训练集中包含样本数据的最优个数。
4.根据权利要求1所述的基于声/热信号的喷涂层接触疲劳寿命预测方法，其特征在于，S4中在根据所述训练集构建预测模型步骤之前，需要对声/热信号参数标准化，具体包括：通过计数、信号强度、接触点温度极差和温升速度对涂层寿命的预测，采用z-score标准化处理如下：
Figure FDA0003278974200000021
上式中，
Figure FDA0003278974200000022
和s分别表示第i个参数变量的样本均值和样本标准差。
5.根据权利要求1所述的基于声/热信号的喷涂层接触疲劳寿命预测方法，其特征在于，步骤S5具体包括：采用声/热信号特征，及接触应力、滑差率、转速、结合强度、显微硬度和涂层厚度作为输入变量时，制作接触疲劳寿命在RBF核函数下的预测值的散点图。
6.根据权利要求1所述的基于声/热信号的喷涂层接触疲劳寿命预测方法，其特征在于，通过红外热像仪监测每一组样本中的喷涂层在接触疲劳试验中的温度变化，包括：在接触疲劳试验开始至喷涂层失效期间，采用红外热像仪监测接触疲劳试验机上标准辊与设置有喷涂层的测试辊之间的接触点的表面温度。
7.根据权利要求3所述的基于声/热信号的喷涂层接触疲劳寿命预测方法，其特征在于，信息熵的定义如下：
对于已知的一概率向量(p1,p2,…,pr)，称
Figure FDA0003278974200000031
为信息熵，其中，
Figure FDA0003278974200000032
log(·)表示以2为底的对数函数。
8.根据权利要求7所述的基于声/热信号的喷涂层接触疲劳寿命预测方法，其特征在于，寿命数据的信息熵定义如下：
对于一组已知的接触疲劳寿命数据x1,…,xn，将寿命数据进行从小到大的排序，记
Figure FDA0003278974200000033
取a＝x(1)-δ，b＝x(n)+δ，其中δ≥0，采用集合的划分，对训练集进行等间隔划分，集合的划分，是把集合分割到覆盖了整个集合的全部元素都不相交的部分，经过划分，把训练集分成不相交的非空的子集，每个子集就是一个小区间，区间长度为
Figure FDA0003278974200000034
上式中，r表示小区间的个数，一般取为1.87×(n-1)0.4，计算属于每个小区间[a+(k-1)Δ,a+kΔ)(k＝1,2,…,r)的寿命数据的个数mk，从而可得属于每个小区间的寿命数据的频率
Figure FDA0003278974200000035
视每个小区间为一个随机事件，那么可把fk看作第k个事件发生的概率，于是，可得给定的寿命数据x1,…,xn的信息熵为
Figure FDA0003278974200000036
9.根据权利要求7所述的基于声/热信号的喷涂层接触疲劳寿命预测方法，其特征在于，计算训练样本的信息熵步骤如下：
步骤1：依黄金分割法，计算训练样本应含有的最小样本数，并对选定的寿命数据x1,…,xn进行从小到大的排序；
步骤2：给定δ≥0，确定a＝x(1)-δ，b＝x(n)+δ，并计算划分的子集数，即区间数r；
步骤3：按区间长度
Figure FDA0003278974200000041
计算属于每个小区间[a+(k-1)Δ,a+kΔ)的寿命数据的个数mk，并计算属于每个小区间的寿命数据的频率
Figure FDA0003278974200000042
步骤4：计算一组选定寿命数据x1,…,xn的信息熵Hn。
10.根据权利要求3所述的基于声/热信号的喷涂层接触疲劳寿命预测方法，其特征在于，接触应力的取值区间为：0.5-0.7GPa；滑差率的取值区间为：0％-100％；转速的取值区间为：100-600r·min-1。
CN202111127173.6A 2021-09-26 2021-09-26 一种基于声热信号的喷涂层接触疲劳寿命预测方法 Active CN113850022B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111127173.6A CN113850022B (zh) 2021-09-26 2021-09-26 一种基于声热信号的喷涂层接触疲劳寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111127173.6A CN113850022B (zh) 2021-09-26 2021-09-26 一种基于声热信号的喷涂层接触疲劳寿命预测方法

Publications (2)

Publication Number Publication Date
CN113850022A true CN113850022A (zh) 2021-12-28
CN113850022B CN113850022B (zh) 2024-05-28

Family

ID=78980057

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111127173.6A Active CN113850022B (zh) 2021-09-26 2021-09-26 一种基于声热信号的喷涂层接触疲劳寿命预测方法

Country Status (1)

Country Link
CN (1) CN113850022B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116304480A (zh) * 2023-03-28 2023-06-23 广州珀泰检测仪器有限公司 一种基于高频涡流的涂层厚度检测方法
CN116825243A (zh) * 2023-05-09 2023-09-29 安徽工程大学 一种基于多源数据的热障涂层服役寿命预测方法及系统
CN117670877A (zh) * 2024-01-31 2024-03-08 陕西雷诺贝尔铝业有限公司 应用于铝单板加工下的表面处理方法及系统
CN118036414A (zh) * 2024-04-12 2024-05-14 东莞理工学院 一种基于超声导波机器学习的涂层厚度表征方法
CN118035847A (zh) * 2024-04-10 2024-05-14 山东司南地理信息有限公司 一种基于地质矿产勘查的数据提取方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130268214A1 (en) * 2012-04-04 2013-10-10 Siemens Aktiengesellschaft Probabilistic fatigue life prediction using ultrasonic inspection data considering eifs uncertainty
CN106769032A (zh) * 2016-11-28 2017-05-31 南京工业大学 一种回转支承使用寿命的预测方法
CN107194146A (zh) * 2017-04-12 2017-09-22 中国人民解放军装甲兵工程学院 一种喷涂层接触疲劳寿命预测方法及装置
CN108254410A (zh) * 2017-12-27 2018-07-06 中国人民解放军陆军装甲兵学院 基于红外检测的喷涂层接触疲劳寿命预测方法及装置
US20180265987A1 (en) * 2015-12-11 2018-09-20 General Electric Company Wear resistant slurry handling equipment
CN112765904A (zh) * 2020-12-22 2021-05-07 苏州先机动力科技有限公司 一种热障涂层寿命测算方法及设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130268214A1 (en) * 2012-04-04 2013-10-10 Siemens Aktiengesellschaft Probabilistic fatigue life prediction using ultrasonic inspection data considering eifs uncertainty
US20180265987A1 (en) * 2015-12-11 2018-09-20 General Electric Company Wear resistant slurry handling equipment
CN106769032A (zh) * 2016-11-28 2017-05-31 南京工业大学 一种回转支承使用寿命的预测方法
CN107194146A (zh) * 2017-04-12 2017-09-22 中国人民解放军装甲兵工程学院 一种喷涂层接触疲劳寿命预测方法及装置
CN108254410A (zh) * 2017-12-27 2018-07-06 中国人民解放军陆军装甲兵学院 基于红外检测的喷涂层接触疲劳寿命预测方法及装置
CN112765904A (zh) * 2020-12-22 2021-05-07 苏州先机动力科技有限公司 一种热障涂层寿命测算方法及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
马润波等: "涂层疲劳寿命预测中的红外热像技术应用现状", 《激光与红外》, 20 September 2018 (2018-09-20) *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116304480A (zh) * 2023-03-28 2023-06-23 广州珀泰检测仪器有限公司 一种基于高频涡流的涂层厚度检测方法
CN116304480B (zh) * 2023-03-28 2024-04-12 广州珀泰检测仪器有限公司 一种基于高频涡流的涂层厚度检测方法
CN116825243A (zh) * 2023-05-09 2023-09-29 安徽工程大学 一种基于多源数据的热障涂层服役寿命预测方法及系统
CN116825243B (zh) * 2023-05-09 2024-01-16 安徽工程大学 一种基于多源数据的热障涂层服役寿命预测方法及系统
CN117670877A (zh) * 2024-01-31 2024-03-08 陕西雷诺贝尔铝业有限公司 应用于铝单板加工下的表面处理方法及系统
CN117670877B (zh) * 2024-01-31 2024-05-10 陕西雷诺贝尔铝业有限公司 应用于铝单板加工下的表面处理方法及系统
CN118035847A (zh) * 2024-04-10 2024-05-14 山东司南地理信息有限公司 一种基于地质矿产勘查的数据提取方法及系统
CN118036414A (zh) * 2024-04-12 2024-05-14 东莞理工学院 一种基于超声导波机器学习的涂层厚度表征方法

Also Published As

Publication number Publication date
CN113850022B (zh) 2024-05-28

Similar Documents

Publication Publication Date Title
CN113850022B (zh) 一种基于声热信号的喷涂层接触疲劳寿命预测方法
Lee et al. Automated fatigue damage detection and classification technique for composite structures using Lamb waves and deep autoencoder
Kang et al. Time-varying and multiresolution envelope analysis and discriminative feature analysis for bearing fault diagnosis
Eremenko et al. Application of wavelet transform for determining diagnostic signs
Hansen et al. A new approach to the challenge of machinery prognostics
Ma et al. Subspace-based MVE for performance degradation assessment of aero-engine bearings with multimodal features
Kahirdeh et al. Acoustic emission entropy as a measure of damage in materials
Chen et al. Real-time monitoring dislocations, martensitic transformations and detwinning in stainless steel: Statistical analysis and machine learning
Wang et al. Research on feature extraction algorithm of rolling bearing fatigue evolution stage based on acoustic emission
Tang et al. Adaptive recursive variational mode decomposition for multiple engine faults detection
Shi et al. On-line detection of porosity change of high temperature blade coating for gas turbine
Li et al. Quantitative nondestructive testing of broken wires for wire rope based on magnetic and infrared information
Cui et al. Quantitative diagnosis of fault severity trend of rolling element bearings
Zhang et al. Adaptive defect detection for 3-D printed lattice structures based on improved faster R-CNN
Zhou et al. Review on acoustic emission source location, damage recognition and lifetime prediction of fiber-reinforced composites
Kecik et al. Diagnosis of angular contact ball bearing defects based on recurrence diagrams and quantification analysis of vibration signals
Vejdannik et al. Signal processing for NDE
An et al. Adaptive cross-domain feature extraction method and its application on machinery intelligent fault diagnosis under different working conditions
Ding et al. Spacecraft leakage detection using acoustic emissions based on empirical mode decomposition and support vector machine
Yi et al. On a prediction method for remaining useful life of rolling Bearings via VMD-based dispersion entropy and GAN
Xu et al. Determination of impact events on a plate-like composite structure
CN115597901A (zh) 一种桥梁伸缩缝损伤的监测方法
Malik et al. A novel information entropy approach for crack monitoring leveraging nondestructive evaluation sensing
Bai et al. Coupling fault diagnosis of rotating machinery by information fusion
Samuel et al. Survey of Gear Fault Diagnosis Using Various Statistical Signals Parameters

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant