为明确铁磁构件疲劳过程磁记忆信号的变化规律,实现疲劳损伤的量化评估,选取带中心圆孔的Q235钢试件进行轴向拉伸疲劳试验,通过三维运动平台实现磁记忆信号的稳定连续采集,以小波变换为信号多尺度分析工具,对磁记忆信号进行降噪,并采用小波包进行磁记忆信号分解与重构,提取信号的小波包能量、奇异性指数作为特征量,得到了不同频带上相对能量分布和奇异性指数的变化规律,并将能量、奇异性指数与信号梯度峰值相结合,共同构成评估疲劳损伤的多特征量。试验结果表明：试件疲劳损伤过程中能量、奇异性指数和梯度峰值变化显著,随着循环次数的增加,低频段能量不断增加,高频段能量占总能量比例不断降低,总能量分布向低频段偏移,同时奇异性指数不断减小,而各阶段梯度峰值逐渐增加。通过能量、奇异性指数和梯度峰值的多特征量的研究可以...

为提高再制造损伤评估的精度和效率,提出了一种基于磁记忆和表面纹理特征融合的构件损伤评估方法。通过磁记忆特征和表面纹理特征建模,提取磁信号及其梯度的样本熵参数以及表面纹理的能量、熵、反差和相关参数,分析了各特征参数的损伤时序变化规律。分别从数据层和指标层建立特征融合模型。在数据层将磁特征和表面纹理特征参数作为非线性映射的输入,得到其与损伤之间的映射关系。指标层采用D-S证据理论方法,进行磁和表面纹理特征量之间的信息融合,将各损伤状态作为识别框架,通过Bayes近似,得到融合后的各证据信度函数值,并依据函数值进行损伤状态评估。最后选取疲劳试样进行了该方法的验证。

针对目前大型立磨状态监测参数较少,网络化执行程度较低的问题,从底层、中间层和功能应用层三层角度搭建了物联网环境下的大型立磨状态监测及损伤预警系统框架结构,并建立了包含状态特征量信息采集、数据预处理、故障诊断、信息发布与反馈、系统管理等模块的系统功能模型。基于上述模型,编制了状态监测及损伤预警系统。系统能够实现物联网环境下大型立磨多特征量状态监测和损伤预警,对提高大型立磨生产效率和设备运行稳定性意义重大。