Abstract
Artikkelissa esitetään moniaksiaalisen väsyttävän kuormituksen aikahistorian sykliluokitusta Wang–Brown-menettelyllä ja sen soveltamista ääriarvopistesuodatettuun dataan. Perinteisen yksiaksiaalisen kuormitushistorian sykliluokitus aloitetaan datan ääriarvopistesuodattamisesta eli ennen sykliluokitusta datasta poistetaan kaikki muu paitsi ääriarvopisteet. Moniaksiaalisen kuormituksen tapauksessa pelkän ääriarvopistedatan käyttö voi johtaa ongelmatilanteisiin Wang–Brown-sykliluokituksen käytön yhteydessä. Potentiaaliset ongelmatilanteet eivät ole vain teoreettisesti mahdollisia erikoistapauksia, vaan voivat olla esimerkiksi pyörivien koneenosien hyvin tyypillisiä kuormituksia. Työssä on esitetty ääriarvopistedatan Wang–Brown-sykliluokituksen käyttöön liittyvät potentiaaliset ongelmatilanteet sekä mahdolliset keinot niiden välttämiseksi.
Highlights
Väsymisanalyysissa keskeisemmässä roolissa ovat kuormituksen aiheuttama jännitys- tai venymävaihtelu ja kuormitussyklien lukumäärä
Suhteellinen venymä εx ja suhteellinen liukuma γxy ovat moniaksiaalisen kuormituksen venymät suhteessa referenssipisteeseen, ja suhteellinen ekvivalenttivenymä εeq on suhteellisten venymäkomponenttien perusteella laskettu ekvivalenttivenymä
Suhteellinen εx ja suhteellinen γxy ovat moniaksiaalisen kuormituksen venymät suhteessa referenssipisteeseen, suhteellinen εeq on suhteellisten venymäkomponenttien perusteella laskettu ekvivalenttivenymä
Summary
Moniaksiaalisen kuormituksen sykliluokitukseen soveltuvia menetelmiä ovat esimerkiksi Bannantine–Socie-menetelmä ja Wang–Brown-menetelmä. Tutkituista tasoista kriittisiin on se, jossa väsymisvauriosumman arvo on suurin ja kohdan kestoikä määräytyy tämän maksimiarvon perusteella. Wang–Brown-menetelmän [5] käyttöä esitellään seuraavassa luvussa tarkemmin, koska se on hyvin olennaista työssä käsiteltävän asian kannalta. Erona perinteiseen Rainflow-luokitukseen, Wang–Brownmenetelmän tapauksessa ääriarvopistesuodatetun tai muuten vain ääriarvopisteet sisältävän datan käsittely tietyissä tapauksissa voivat johtaa ongelmatilanteisiin, jossa väsymiskestävyyden kannalta ratkaisevia vaihteluja ei havaita lainkaan. Ensin venymäkomponenttien εij(t) aikahistorian perusteella lasketaan ekvivalenttivenymän käyrä εeq(t) ja määritellään sen maksimiarvo εeqmax = max{εeq(t)}. Kuormitushistoria voidaan järjestää sitten uudelleen alkamaan pisteestä, jossa ekvivalenttivenymällä on maksimiarvo εeqmax, kuva 3. Seuraavassa vaiheessa suhteellisen komponenttidatan εijr(t) perusteella lasketaan uusi suhteellinen ekvivalenttivenymä εeqr(t) (kuva 3). Käsiteltävä data jaetaan suhteellisen ekvivalenttivenymäkäyrän perusteella kahteen ryhmään. Toiseen ryhmään jäävät erilliset dataosuudet, joissa ekvivalenttivenymän arvot eivät olleet ekvivalenttivenymän nousupolulla nollasta maksimiin, sekä suhteellisen ekvivalenttivenymän maksimiarvon jälkeinen loppuosuus (harmaat katkoviivanuolet kuvassa 3)
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Disclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.