基于聲發(fā)射技術的聚乙烯自增強復合材料損傷模式識別研究.pdf

1、超高分子量聚乙烯(UHMWPE)纖維是一類具有高度取向伸直鏈結構的高性能有機纖維，具有軸向比強度、比模量高，韌性、耐磨性能和抗沖擊性能優(yōu)異，以及抗化學腐蝕性、電絕緣性和生物相容性等特點，廣泛應用于各類行業(yè)。近年來隨著熱塑性復合材料的快速發(fā)展，其結構在工程領域中的應用已越來越廣泛，其中基于“OnePolymerComposites”概念的PE自增強復合材料，由于化學相容性改善了界面性能，并更好地發(fā)揮了纖維的綜合性能。同時，原料豐富、價格低

2、廉及回收便利性，使其相對其它復合材料在成本和性能等方面更具競爭優(yōu)勢而受到廣泛的重視。對PE自增強復合材料損傷機理的研究是保證其服役過程的安全以及合理設計的基礎。在對玻纖、碳纖增強熱固性復合材料損傷機理的研究表明，聲發(fā)射(Acousticemission，AE)技術能夠為材料損傷過程提供豐富和實時的信息，是進行材料損傷機制研究的有效工具。目前該領域已有的研究工作主要集中于熱固性復合材料，而針對熱塑性復合材料的研究尚不多見。PE自增強復合材

3、料是典型的熱塑性復合材料，本文將采用AE技術對其損傷過程的AE特征進行研究，以建立損傷機制和AE信號的關系并對損傷源進行分類和鑒別，為工程實際應用中基于AE技術的熱塑性復合材料損傷機制鑒別提供簡便有效的方法。
　　 纖維增強復合材料的損傷機理十分復雜，包括纖維斷裂、基體開裂、界面脫粘、分層等。為了揭示PE自增強復合材料各種不同損傷機制的AE時域和頻域特征，建立損傷機制和AE信號的對應關系，實現對AE信號的分類和鑒別，并最終建立基

4、于神經網絡方法的AE信號模式識別系統(tǒng)，本文主要開展了以下研究工作。首先，針對熱塑性基體復合材料的破壞特點，采用簡單模型試樣來激發(fā)產生預期損傷模式的AE信號，結合模型試樣在損傷過程中的力學性能變化并通過FFT討論典型損傷模式AE信號的時域和頻率特征;其次，根據簡單模型試樣的破壞過程研究了AE信號的聚類分析，包括相似性測度、聚類變量的選擇、聚類結果的確認，以此建立PE自增強復合材料典型損傷模式AE信號分類方法，并比較常用判別分析方法對典型損

5、傷模式AE信號的判別效果;最后，建立實現PE自增強復合材料損傷AE信號分類和識別的神經網絡系統(tǒng)，并比較多種優(yōu)化算法對神經網絡性能的影響。
　　 實驗結果表明模型試樣的拉伸破壞過程包括多種不同的損傷機制，伴隨損傷過程的AE響應能較好地反映出損傷過程的階段性特征?；w試樣AE活動性低、信號數量少，損傷機制包括塑性變形和斷裂;90°單層板產生不同程度的界面損傷AE信號;0°和[+45°/-45°]層合板結構復雜、損傷源多，AE活動性高

6、、信號數量多，前者產生纖維斷裂信號，后者產生層內剪切和層間損傷信號?；w塑性變形、界面初始損傷等破壞程度低的損傷機制，AE信號幅度低、持續(xù)時間短?；w斷裂、界面脫粘、纖維斷裂和分層等破壞程度嚴重的損傷機制，AE信號幅度高、持續(xù)時間長。從損傷進程上看，各試樣早期損傷基本伴隨持續(xù)時間短的低幅度信號，而持續(xù)時間長的高幅度信號主要發(fā)生在斷裂階段。AE信號的FFT分析表明，非損傷信號和損傷信號以及各類損傷信號間都具有不同的頻率特征。雖然不同損傷機

7、制的AE信號時域和頻率參數存在差異，但其分布范圍存在重疊，使得僅通過時域或頻率參數進行損傷源的鑒別尚存在困難。
　　 伴隨復合材料損傷過程的AE信號是多種損傷模式的混合信號。因此，對AE信號進行聚類分析的目的是建立典型損傷機制和AE信號的對應關系。為了獲得可靠的聚類結果，分別對基體、90°單向層合板、纖維束試樣、反對稱層合板等簡單模型試樣破壞過程的AE信號進行聚類分析。首先，通過對8個常用AE信號參數進行變量聚類分析表明，不同損

8、傷機制AE信號參數分為3類時，類內相似程度較大，類間相似度較小，且相似關系一致，分別從中選擇幅度、峰值頻率和持續(xù)時間作為模式特征，并采用k-means算法對各類模型試樣的AE信號進行了聚類分析，結合SEM觀察對聚類結果進行了驗證，以此建立8種典型損傷機制的AE信號訓練樣本。以聚類分析的結果對AE信號進行了判別分析，模式特征組間均值相等的假設檢驗證明，各模式特征對AE信號判別均產生有效作用。此外，以識別正確率比較了歐氏、馬氏距離判別法和k

9、近鄰法的判別效果，實驗結果表明，馬氏距離判別法對損傷AE信號具有較好的判別效果，超過90％的識別正確率說明以幅度、峰值頻率和持續(xù)時間作為模式特征，可以實現不同損傷機制AE信號的模式識別。不同判別方法的判別錯誤均來自于基體斷裂和界面脫粘，以及基體塑性變形-1和界面損傷之間的相互誤判。各典型損傷信號在模式空間中的分布情況說明，當各類別信號的相互分離程度較好時識別率較好，而當各類別信號間存在重疊時就會出現相互的誤判，從而導致識別正確率的降低。

10、雖然通過聚類和判別分析的模式識別方法可以實現對AE信號的分類和識別，但是整個分析流程相對復雜、效率低且操作上不夠方便。
　　 為進一步提高對AE信號源機制的分類和鑒別準確率和數據分析操作的便利性，更好地適應工程實際應用的需要，本課題進一步研究了基于神經網絡技術的AE信號模式識別，包括分別建立競爭型SOC網絡和多層前向BP網絡實現對AE信號的聚類和識別。通過對相同數據集分別進行SOC網絡分類和聚類分析的對比發(fā)現，兩種方法分類的一致

11、性達到98％以上，說明SOC網絡對于AE信號的聚類分析是可行的和有效的。在相同結構的BP網絡和實驗數據的前提下，對標準BP算法及其改進算法的訓練過程和識別正確率進行了比較，實驗結果表明:標準BP算法訓練時間長，訓練結果易受到不同的網絡初始值的影響，識別率最低，幾乎沒有實際應用價值。基于啟發(fā)式的改進算法中，有動量可變學習速度法和彈性梯度下降法均能在一定程度上提高識別率，同時也能改善訓練速度?；跇藴蕯抵祪?yōu)化的改進算法中Levenberg-