高压放大器在超声导波钢轨传播中的应用

2023-12-11 01:10

本文主要是介绍高压放大器在超声导波钢轨传播中的应用,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

  实验名称:高压放大器在超声导波钢轨传播中的应用

  研究方向:无损检测

  测试目的:

  超声导波具有传播距离远、检测距离长的特点,在钢轨无损检测领域受到越来越多的关注。本文使用有限元仿真方法和现场实验方法,对钢轨各模态超声导波的传播特性进行深入研究。

  测试设备:ATA-2042高压放大器、任意函数发生器、压电陶瓷、钢轨、示波器。

  实验过程:

  图:脉冲反射法及穿透法

  本文使用穿透法,利用超声导波对钢轨的损伤进行检测,原理见上图。使用单激励单接收方式,通过判断接收到导波的幅值对钢轨伤损进行检测,有效检测范围为激励探头与接收探头之间的钢轨,实验方案如下图所示。

  图:超声导波损伤检测实验方案

  根据导波的传播特性,不同模态的导波对钢轨各位置伤损的敏感程度不同。尤其对于穿透法检测,若选取能量集中位置与检测位置不同的模态,或者能量较分散的模态进行检测时,导波在传播过程中受到缺陷影响较小,影响检测精度。一般情况下,一个导波模态能量集中位置即为该模态适合检测的位置。对于缺陷平面垂直于传播方向或质点振动方向的伤损,检测效果更加明显。在实际应用中对于不同位置、不同类型的伤损应选取合适的导波模态进行检测。

  1、轨头横向直裂纹检测实验

  在轨头位置预制裂纹,裂纹横向通透、垂向深度10mm、纵向宽度约2mm,损伤面积约占轨头面积的20%。该裂纹模拟实际情况下钢轨踏面损伤,如下图所示。

  图:轨头损伤检测实验现场

  根据前文分析,轨头处的对称导波模态中,GT-S1模态在轨头位置能量集中、传播特性良好,将其作为轨头损伤检测的目标模态。发射探头和接收探头位于伤损两侧对称布置,见上图。激励信号采用汉宁窗调制5周期余弦信号,中心频率为85kHz,压电陶瓷驱动电压幅值为150V。为对比分析,设计两组实验:第一组实验将发射探头和激励探头分别布置在损伤两侧0.3m位置;第二组实验将发射探头和激励探头分别布置在损伤两侧0.6m位置。为与正常工况下实验结果对比,每组实验均设置无损伤对照组,对照组除无钢轨损伤外,探头相对位置、激励条件均与实验组保持一致。

  图:轨头裂纹损伤检测信号实验结果

  提取接收探头检测到的信号,如上图所示。在第一组实验结果中,将传播速度最快的三个波包峰值点命名为p1、p2、p3,其中p1对应波包为GT-S1模态,p2、p3波包可视为干扰模态。对比第一组和第二组实验中无损伤工况实验结果,第一组实验发射探头与接收探头间距为0.6m,第二组实验发射探头与接收探头间距为1.2m,两组实验结果中p1点幅值变化不大,故可知在0.6m范围内GT-S1模态能量未明显衰减。在第一组实验中,无损伤工况时p1点幅值为498mV,损伤工况时p1点幅值为331mV,降低了33.5%。在第二组实验中,无损伤工况时p1点幅值为510mV,损伤工况时p1点幅值为

  392mV,降低了23.1%。两组实验中损伤工况下GT-S1模态导波幅值均有明显降低,说明使用GT-S1模态检测钢轨轨头横向裂纹的可行性。此外可注意到在第一组实验中,正常工况及损伤工况下p2、p3幅值未发生明显变化,原因可能是p2、p3峰值点对应导波能量分散,导致在传播过程中仅有较少能量的导波经过缺陷位置,幅值下降值小于由于多次测量产生的误差值,故在轨头横向直裂纹检测中,对p2、p3对应的导波不进行分析。

  2、轨底横向直裂纹检测实验

  在轨底位置预制裂纹,裂纹横向深度约23mm、垂向深度约10mm、纵向宽度约2mm,损伤面积约占轨底面积的15%。轨底位置是当前超声波检测技术的盲区,本文将使用超声导波对轨底裂纹进行检测。

  图:轨底损伤检测实验现场

  发射探头和接收探头位于伤损两侧对称布置,布置位置位于钢轨轨底翼缘中心处,见图。经前文分析得,在此位置处GD-A2模态为优势模态,该模态传播特性良好,能量集中在轨底位置,容易激励与检测,故将GD-A2模态作为目标模态检测轨底横向直裂纹。

  激励信号采用汉宁窗调制5周期余弦信号,中心频率为90kHz,压电陶瓷驱动电压幅值为150V。与轨头位置检测相同,设计两组实验进行对比:第一组实验将发射探头和激励探头分别布置在损伤两侧0.3m位置,第二组实验将发射探头和激励探头分别布置在损伤两侧0.6m位置,每组实验均设置无损伤对照组。

  图:轨底裂纹损伤检测信号实验结果

  提取接收探头检测到的信号,如上图所示。在第一组实验结果中,将导波幅值最大波包峰值点命名为p点,p点对应GD-A2模态的导波。对比第一组和第二组实验中无损伤工况实验结果,两组实验结果中p点幅值变化不大,故可知在0.6m范围内GD-A2模态能量未明显衰减。在第一组实验中,无损伤工况时p点幅值为11.9mV,损伤工况时p点幅值为3.6mV,降低了69.7%。在第二组实验中,无损伤工况时p点幅值为11.6mV,损伤工况时p点幅值为4.8mV,降低了58.6%。两组实验中损伤工况下GD-A2模态导波幅值均有明显降低,说明使用GD-A2模态检测钢轨轨底横向裂纹的可行性。

  实验结果:

  (1)沿轨顶踏面垂向激励时,在轨顶踏面接收到导波的优势模态为GT-S1模态;沿轨腰位置横向激励时,在轨腰中间位置接收到导波的优势模态为GY-A1模态;沿轨底位置法向激励时,在轨底翼缘中心处接收到导波的优势模态为GT-S1模态;这三个模态的导波在其能量集中位置传播特性良好,可分别作为钢轨轨头、轨腰、轨底检测的目标模态。

  (2)利用穿透法可使用超声导波对钢轨损伤进行有效检测。使用GT-S1模态可检测钢轨轨头横向直裂纹,使用GD-A2模态可检测钢轨轨底横向直裂纹。在损伤工况下检测到目标模态导波的幅值明显小于正常工况下幅值,说明使用超声导波钢轨检测的可行性和有效性。

  安泰ATA-2042高压放大器:

  图:ATA-2042高压放大器指标参数

  本文实验素材由西安安泰电子整理发布。Aigtek已经成为在业界拥有广泛产品线,且具有相当规模的仪器设备供应商,样机都支持免费试用。

这篇关于高压放大器在超声导波钢轨传播中的应用的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/478935

相关文章

Python标准库之数据压缩和存档的应用详解

《Python标准库之数据压缩和存档的应用详解》在数据处理与存储领域,压缩和存档是提升效率的关键技术,Python标准库提供了一套完整的工具链,下面小编就来和大家简单介绍一下吧... 目录一、核心模块架构与设计哲学二、关键模块深度解析1.tarfile:专业级归档工具2.zipfile:跨平台归档首选3.

使用IDEA部署Docker应用指南分享

《使用IDEA部署Docker应用指南分享》本文介绍了使用IDEA部署Docker应用的四步流程:创建Dockerfile、配置IDEADocker连接、设置运行调试环境、构建运行镜像,并强调需准备本... 目录一、创建 dockerfile 配置文件二、配置 IDEA 的 Docker 连接三、配置 Do

深入浅出SpringBoot WebSocket构建实时应用全面指南

《深入浅出SpringBootWebSocket构建实时应用全面指南》WebSocket是一种在单个TCP连接上进行全双工通信的协议,这篇文章主要为大家详细介绍了SpringBoot如何集成WebS... 目录前言为什么需要 WebSocketWebSocket 是什么Spring Boot 如何简化 We

Java Stream流之GroupBy的用法及应用场景

《JavaStream流之GroupBy的用法及应用场景》本教程将详细介绍如何在Java中使用Stream流的groupby方法,包括基本用法和一些常见的实际应用场景,感兴趣的朋友一起看看吧... 目录Java Stream流之GroupBy的用法1. 前言2. 基础概念什么是 GroupBy?Stream

python中列表应用和扩展性实用详解

《python中列表应用和扩展性实用详解》文章介绍了Python列表的核心特性:有序数据集合,用[]定义,元素类型可不同,支持迭代、循环、切片,可执行增删改查、排序、推导式及嵌套操作,是常用的数据处理... 目录1、列表定义2、格式3、列表是可迭代对象4、列表的常见操作总结1、列表定义是处理一组有序项目的

C#中的Converter的具体应用

《C#中的Converter的具体应用》C#中的Converter提供了一种灵活的类型转换机制,本文详细介绍了Converter的基本概念、使用场景,具有一定的参考价值,感兴趣的可以了解一下... 目录Converter的基本概念1. Converter委托2. 使用场景布尔型转换示例示例1:简单的字符串到

Spring Boot Actuator应用监控与管理的详细步骤

《SpringBootActuator应用监控与管理的详细步骤》SpringBootActuator是SpringBoot的监控工具,提供健康检查、性能指标、日志管理等核心功能,支持自定义和扩展端... 目录一、 Spring Boot Actuator 概述二、 集成 Spring Boot Actuat

PyTorch中的词嵌入层(nn.Embedding)详解与实战应用示例

《PyTorch中的词嵌入层(nn.Embedding)详解与实战应用示例》词嵌入解决NLP维度灾难,捕捉语义关系,PyTorch的nn.Embedding模块提供灵活实现,支持参数配置、预训练及变长... 目录一、词嵌入(Word Embedding)简介为什么需要词嵌入?二、PyTorch中的nn.Em

Spring Boot3.0新特性全面解析与应用实战

《SpringBoot3.0新特性全面解析与应用实战》SpringBoot3.0作为Spring生态系统的一个重要里程碑,带来了众多令人兴奋的新特性和改进,本文将深入解析SpringBoot3.0的... 目录核心变化概览Java版本要求提升迁移至Jakarta EE重要新特性详解1. Native Ima

Redis中Stream详解及应用小结

《Redis中Stream详解及应用小结》RedisStreams是Redis5.0引入的新功能,提供了一种类似于传统消息队列的机制,但具有更高的灵活性和可扩展性,本文给大家介绍Redis中Strea... 目录1. Redis Stream 概述2. Redis Stream 的基本操作2.1. XADD