基于声发射监测的压力容器钢裂纹损伤评价系统

2022-08-08赖传京柴孟瑜张早校

压力容器 2022年6期

赖传京，柴孟瑜，段权，张早校

(西安交通大学化学工程与技术学院，西安 710049)

0 引言

压力容器在服役过程中，承受高温高压环境和复杂的载荷，在材料缺陷处容易萌生裂纹，当裂纹扩展到临界尺寸时，压力容器可能发生断裂失效。开展裂纹损伤容限和在役检测技术研究，对于确保压力容器的安全可靠性具有重要的研究意义和工程价值[1]。无损检测是保证压力容器在役安全运行的重要手段。声发射技术相较于传统的超声、射线等无损检测技术，具备能够检测动态缺陷、实现长期在线监测的独特优势[2]。大量试验研究和工程应用表明，声发射技术能够实现对不同服役环境下材料与结构缺陷损伤的在线监测。邱枫等[3]提出储罐底板腐蚀声发射全域监测方法，建立短基线平面网格拓扑阵列，结合特征参数分析识别声源的所属区域。周帆等[4]将声发射技术运用于核电站压力容器水压试验过程的实时在线监测，通过信号波形和特征参数分析，对泄漏进行准确识别。除了常用的特征参数分析法和波形分析法，机器学习方法也被运用于声发射信号的分析研究中。张璐莹等[5]采用主成分分析和支持向量机相结合的方法，对碳纤维复合材料不同类型损伤的声发射信号进行模式识别，所建立的模型可实现对纤维断裂和基体开裂两种损伤的预测分类。CHAI等[6]使用聚类算法对316不锈钢疲劳裂纹扩展中的声发射信号进行分类，成功识别了塑性变形、裂纹扩展等不同信号模式。李伟等[7]采用K均值聚类算法分析纤维增强复合材料的声发射信号，实现对基体开裂、分层损伤和纤维断裂三种损伤类型信号的模式识别。

近年来，大数据分析和机器学习方法为声发射信号的高效处理和特征研究提供了便利，这类方法能够从时域、频域等多个维度对声发射信号特征信息进行分析，有助于实现结构损伤的准确评价。尽管现有商业声发射系统的设计在特征提取和损伤评价中取得了重要进展，但仍然存在一定的局限性(如多维度声发射特征参量的提取不够完善、缺乏基于机器学习的信号模式识别等功能)，这严重制约了声发射技术在承压设备及其他机械结构损伤监测方面的应用和发展。

为了基于声发射技术实现更加准确高效的损伤评价，本文设计开发声发射特征提取与损伤评价系统，引入多维度特征提取、参量分析、波形频谱分析和信号聚类分析等功能；同时开展压力容器用316LN不锈钢疲劳裂纹扩展的声发射监测试验，利用所开发的系统对声发射信号进行处理分析，获得裂纹损伤评价结论，从而为压力容器的声发射监测与结构完整性评价提供依据。

1 基于声发射技术的特征提取与损伤评价系统设计

1.1 软件概述

文中设计的声发射特征提取与损伤评价软件系统基于Python语言开发，旨在完成对声发射信号的高效、准确处理；利用声发射信号分析方法计算信号相关特征值，研究特征参数的变化规律、关联性和内在结构性特征，从而为基于声发射技术的裂纹损伤诊断与评价提供依据。软件系统的设计路线如图1所示，分为登录和功能两个界面。功能界面包括4个模块，以执行不同类型的信号处理和结果显示功能，首先是信号文件导入和滤波功能，在界面上选择声发射信号文件导入，输入设定的门槛值进行滤波；其次是信号特征的提取、显示与保存功能，计算和存储声发射特征参数，绘制并显示信号波形图和频谱图；再者是参数经历与关联分析，绘制并显示参数经历图象和关联图象，研究声发射参数的演变情况和相互关联性；最后是聚类分析与评估，运用K均值聚类算法分析特定参量的内在结构特征，进行信号模式识别，同时计算相关指标进行聚类结果评价。

图1 声发射特征提取与损伤评价软件设计路线

1.2 特征参数提取

选用合理的参数表征信号特征是准确评估材料损伤的前提，由于声发射分析对瞬态不稳定非常敏感，为全面了解材料的损伤发展和失效模式，需要根据应用类型择优选取多个参数[8]。软件提取计算的声发射特征参量及其定义和用途如表1所示。其中撞击计数、峰值幅度、振铃计数、上升时间、持续时间和能量是使用非常广泛的特征参量；RA值和平均频率由相关声发射特征参数定义而来，RA值可用于波形倾角的度量，在一些研究中，其与平均频率结合，用于分析损伤程度或损伤模式[9-11]；峰值、有效值电压、峭度、偏度、波形因子和峰值因子是表征信号波形特点的典型时域参数，常用作故障诊断中的数据参考；峰值频率和质心频率是描述声发射信号频率分布的特征参数，有研究将这两类参数用于失效模式的识别[12]。

表1 声发射特征参量

1.3 K均值聚类分析

在软件中，采用K均值(K-means)聚类算法探究声发射参量间的内在结构特征，其思想是，对目标样本集按照样本间距划分为K个簇，使得簇内的数据点间距尽可能小，而簇间的距离尽可能大。K均值算法的具体流程如图2[13]所示。

将K均值聚类算法用于多维度特征参量的结构性分析，在软件界面上展示K值为2,3,4,5时的4种聚类结果，同时采用轮廓系数和Davies-Bouldin指数评估聚类结果，给出最优聚类方案。轮廓系数和Davies-Bouldin指数(简称DBI)是评价聚类结果的两个常用指标。样本i的轮廓系数可定义为[14]：

(1)

式中，bi为样本i到其他簇样本间的平均距离，又称样本的簇间不相似度;ai为样本i距同簇中其他样本的平均距离，又称样本的簇内不相似度。

图2 K均值聚类算法流程

si值介于[-1,1]，其值越大说明样本聚类越合理。所有样本的si的均值即为聚类结果的轮廓系数。

DBI通过以下公式[15]计算：

(2)

(3)

(4)

(5)

由式(5)可知，DBI值越小聚类效果越好，其最小值为0。

2 316LN不锈钢疲劳裂纹扩展的声发射监测试验

疲劳破坏是材料损伤累积的动态发展过程，疲劳裂纹扩展过程会产生弹性应力波，被声发射传感器接收，经过前置放大器放大后，最终传递到声发射系统中转化为数字信号。在本研究中，通过开展压力容器常用材料316LN不锈钢疲劳裂纹扩展的声发射监测试验，采集完整的声发射波形数据，采用文中开发的声发射损伤评价软件进行处理分析。316LN不锈钢的主要化学成分见表2。

表2 316LN不锈钢化学成分

根据GB/T 6398—2017《金属材料疲劳试验疲劳裂纹扩展方法》，采用紧凑拉伸型试样，开展空气环境下的疲劳裂纹扩展试验，试样尺寸如图3所示。试验采用应力幅为1.5～15 kN的正弦波加载，应力比R为0.1，加载频率为15 Hz。

图3 316LN不锈钢紧凑拉伸试样结构尺寸示意

试验装置系统如图4所示，采用的加载平台为Landmark 370系列载荷框架，动态载荷容量为100 kN，最大压力达21 MPa。检测设备为24通道SAMOS声发射检测仪器，处理板卡为PCI-8声发射卡。参考GB/T 18182—2012《金属压力容器声发射检测及结果评价方法》，传感器响应频率推荐在100～400 kHz范围内，而ASTM E1930/E1930MStandardPracticeforExaminationofLiquid-filledAtmosphericandLow-pressureMetalStorageTanksUsingAcousticEmission标准的推荐范围为100～200 kHz，因此选用具有高灵敏度的R15α压电窄带谐振式传感器和40 dB增益的前置放大器，传感器的工作频率为50～400 kHz，谐振频率为75 kHz。

图4 疲劳与声发射监测装置系统示意

试验中，设置采样频率1 MHz采集疲劳裂纹扩展的声发射信号。为排除噪音信号的干扰，将试验的门槛值设置为46 dB。参考相关研究[16-17]得到的不同钢材声发射频率范围，将测量通道的模拟滤波器下限设置为100 kHz，上限设置为400 kHz。传感器涂抹耦合剂后放置于试样表面，位置见图4，采用圆柱销穿过试样圆孔与加载平台夹具固定，将引伸计末端放置于试样燕尾槽处，测量裂纹扩展尺寸，施加疲劳载荷的同时，启动声发射信号采集系统，直到裂纹扩展至引伸计脱离试样，停止加载和信号采集。试验完成后，记录试样裂纹扩展过程的疲劳循环周次和裂纹尺寸，并将采集的声发射信号导出，用于后续的分析评价。

3 声发射特征提取与裂纹损伤评价

3.1 特征参量提取

利用设计的声发射损伤评价软件对试验采集到的裂纹扩展过程中的声发射信号进行处理，在软件界面导入声发射信号文件，设置门槛值为48 dB，滤去所有低于该门槛值的信号。图5示出裂纹扩展中某个声发射信号的处理结果，包括多维度特征参量、时域波形和傅里叶变换频谱的显示，该信号为典型的突发型裂纹扩展信号，其幅值为56 dB，峰值频率和质心频率分别为118.41,166.04 kHz。

图5 声发射特征参量、波形和频谱结果

3.2 参量经历分析

根据幅值、振铃计数、能量、RMS随时间的变化情况，绘制这些特征参量的经历图，据此分析声发射源的发展趋势以及活动状态。图6示出软件界面上4组特征参量经历图的显示结果，从左上方幅值的经历图可以看出，信号的幅值大小主要为48～60 dB，试验前期的声发射信号主要为从预制缺口尖端产生的塑性变形和初始开裂信号，幅值、振铃计数、能量和RMS整体上较低，伴随着个别高值信号。在试验的800～1 100 s时间段，信号有集中的分布和明显的升高，振铃计数、能量和RMS也出现相同的变化趋势，表明800～1 100 s这段时间的声发射活动强度增大。

图6 幅值、振铃计数、能量、RMS随时间的变化

累积振铃计数和累积能量的经历图分别如图7(a)(b)所示，可以看出两个参量的经历图表现出相似的变化趋势。在试验进行到800 s左右，累积振铃计数和累计能量的经历图均出现转折点，上升趋势变得剧烈；到1 100 s左右，再次出现转折，上升趋势变得平缓。这与幅度、振铃计数、能量的经历图中的集中区域相近，据此可以推断，累积振铃计数和累积能量的经历图上，出现的第1次转折标志着裂纹进入快速扩展阶段，声发射活动变得活跃；出现的第2次转折，主要是因为试验载荷较大且试样厚度较小，裂纹扩展后期，裂纹尖端的应力状态发生了变化，从平面应变状态转为平面应力与平面应变共存的混合状态，导致裂纹扩展阻力明显增大，从而使得声发射的活度和强度降低。MOORTHY等[18-19]在316不锈钢疲劳裂纹扩展的声发射监测中，也发现类似的转折现象，即转折前声发射计数的增长速率要明显快于转折后，与本文的结果一致。LI等[20]研究了在压力容器用钢Q345的疲劳裂纹扩展中，不同试样厚度对裂纹扩展速率和声发射特征的影响，结果表明随着试样厚度的增大，平面应变状态占据主要地位，声发射计数率也会显著增大。因此，声发射的第2次转折很可能是由于裂纹尖端应力状态的转变导致的。试验过程的裂纹尺寸随时间的变化曲线如图7(c) 所示，直至裂纹扩展结束的循环周次约27 600次，裂纹尺寸12.8 mm，曲线较光滑，并未出现明显的拐点，且裂纹扩展速率有逐渐增大的趋势。结合累积振铃计数和累积能量的经历图来看，随着试验中后期裂纹尖端应力状态的转变，虽然测得的声发射活动强度下降，但裂纹扩展并没有随之减慢，反而有加快的趋势。

图7 累积振铃计数、累积能量和裂纹尺寸随时间的变化曲线

3.3 参量关联分析

不同参量间的关联分析有助于深入探究声发射信号的特性，并有利于信号模式的识别。虽然不同参数间的关联性在总体上呈现一定规律，但这种规律往往不是单一的，可能与声发射源的不同特性有关。例如，持续时间与振铃计数总体上是正相关的关系，但有一部分信号的振铃计数随持续时间的增势明显，而另一部分信号则增势缓慢，持续时间与幅值也表现出类似的关系。鉴于RA值、平均频率和峰值频率的定义，它们包含更多的波形特征信息，在研究中常用于信号的模式识别[21]。因此，本文选取了持续时间与幅值、峰值频率与幅值、平均频率与RA和振铃计数与持续时间4组特征参量，通过绘制二维关联图象来分析这些参量之间的关联性，结果如图8所示。

图8 特征参量关联图

从图8可以看出，持续时间与幅值、振铃计数与持续时间都呈近似正相关，但变化趋势有差异，前者关联图轮廓曲线表现为近似幂函数关系，后者关联图呈近似线性的辐射状。图8左下方的平均频率和RA关联图表明两组特征参量近似负相关。从图8右下方的关联图可以看出，信号峰值频率主要分布在80～170 kHz范围内，与文献[22-23]中裂纹扩展信号频率的研究结果一致。从图8还可以看出，不同参量间表现出多样的关联信息，可以为进一步的信号模式识别研究提供依据。

3.4 聚类算法分析

综合考虑各特征参数的作用，选取幅值、持续时间、峰值频率、RA和平均频率作为K均值聚类算法的输入，聚类后的幅值-持续时间散点图见图9，将特征参量按不同K值聚类，相同灰度的数据点归为一类。计算不同K值下聚类结果的评估指标大小，K为2,3,4,5的聚类结果对应的轮廓系数分别为0.69,0.47,0.49,0.53，而DBI分别为0.56,0.68,0.65,0.54。根据两个指标的定义可知，轮廓系数越大，表明聚类效果越好，而DBI越小聚类效果越好。综合以上指标大小，K为3和4的聚类结果较差，而相比K为2和5的聚类结果评估指标，二者的DBI相近，但前者的轮廓系数明显大于后者，因此认为分成2类的结果最优。由分成2类的聚类结果(见图9)可见，第1类信号持续时间较短，第2类持续时间较长。

为探究两类信号在试验过程中的变化和分布情况，将两类信号的累积振铃计数和累积能量与撞击计数的关系以散点图的形式表现在图10中，自变量用撞击计数取代到达时间是为了消除信号滤波后时间非线性带来的影响。由图10可以看出，第1类信号数量较多且贯穿试验的始终，这类信号持续时间短，表现为上升和衰减快的突发型波，波形特征如图11(a)所示。在拉伸加载的疲劳裂纹扩展过程中，Ⅰ型裂纹占主导地位，图中累积计数和累积能量随撞击计数呈近似线性增长的趋势，推测第1类信号与Ⅰ型裂纹的发生有关。图12说明第2类信号主要出现在试验的中期，尤其是800～1 200 s时间段，结合前文的参量经历分析，这段时间内的声发射强度增大，幅值、能量等都有明显的升高。第2类信号的持续时间长，大多表现为连续型波，波形特征如图11(b)所示，这类信号可能来源于应力状态过渡过程中切应力作用下产生的Ⅱ型裂纹。

图9 K均值聚类结果

(a)

(b)

(a)突变型波

(b)连续型波

AGGELIS等[24]在铝合金疲劳裂纹扩展的声发射研究中，采用RA值表征开裂模式，将具有较小和较大RA值的两种信号来源分别归结于张开型裂纹和剪切型裂纹，并通过对裂纹几何形状的观察证实了裂纹由拉伸模式向剪切模式的转变，与本文研究结果一致。经计算文中第1类信号的RA平均值为0.99 s/V，第2类信号RA平均值为3.72 s/V，可见第1类信号的RA值总体上明显小于第2类信号，而且试样的裂纹几何形状也与文献[24]有相似的特征。因此，通过K均值聚类算法可将不同模式的信号进行分离，从而实现对不同声发射源类型的识别，有助于材料裂纹损伤模式的判断和评价。