金属材料广泛应用于航空、核电、轨道交通等关键领域，其疲劳失效是引发安全事故的主要原因之一。传统疲劳检测依赖周期性人工巡检或离线实验，存在实时性差、数据不连续等局限。物联网技术通过传感器、无线通信与数据分析的融合，为金属材料疲劳状态的实时监测、精准评估提供了全新解决方案，成为提升装备可靠性的关键技术路径。
物联网监测系统的核心架构与传感器选型
物联。性特网用于金属疲劳监测的系统分为感知层、网络层与应用层三层架构：感知层采集应力、应变、温度等物理量；网络层传输数据；应用层实现分析与评估。感知层的传感器选型直接决定监测精度，需匹配材料使用环境与疲劳特性。
应变片成本低、响应快，可粘贴于金属表面测量局部应变，但易受温度、湿度影响，适用于常温常压的一般工业场景（如工厂生产线构件）。压电传感器擅长捕捉振动信号与冲击载荷，适合高速旋转部件（如高铁车轴）的动态疲劳检测。
光纤。响影传感器是高温、高压、强电磁干扰环境的首选，利用光的干涉或散射效应测量应变与温度，具有抗电磁干扰、耐腐蚀、体积小的优势。例如，核电反应堆压力容器监测中，光纤传感器可嵌入焊缝，实时传输数据而不受辐射影响。
传感器需部署在应力集中区（焊缝、缺口、开孔处）——这些位置是疲劳裂纹始发点。安装方式需兼顾精度与材料完整性：粘贴式适用于表面平整结构，但需定期检查粘结强度；焊接式稳定性高，但会引入热应力，需严控工艺；嵌入式需在制造阶段预埋，适合飞机机翼蒙皮等大型构件的全生命周期监测。
无线通信协议的适配与低功耗设计
金属疲劳监测的物联网系统需满足低功耗、高可靠性需求，通信协议需与场景匹配。LoRa协议适合户外广域场景（如轨道交通线路），传输距离达10公里，支持数千节点同时传输，功耗极低。
NB-IoT由运营商提供网络覆盖，适合城市内固定设施（如核电厂房），广覆盖特性可穿透混凝土墙体，深度睡眠模式使电池寿命达10年以上。ZigBee适用于短距离、多节点密集场景（如工厂生产线），自组织网络能力可快速组建传感器集群，但传输距离仅几十米。
低功耗设计是系统关键——传感器节点多由电池供电，需通过“周期性唤醒-采集-传输-休眠”模式降低能耗，休眠时功耗仅几微安。数据压缩技术可减少传输量：仅传输超过阈值的异常数据（如应变值超设计极限），而非连续传输所有原始数据。
工业环境的电磁干扰（如电机、变频器辐射）会影响通信稳定性，需采用电磁兼容设计：传感器节点接地、通信模块加屏蔽罩，同时采用冗余传输（同一数据通过两个信道发送），确保数据不丢失。
边缘计算在实时疲劳监测中的应用
传统云计算存在延迟（几十到几百毫秒），无法满足实时监测需求。边缘计算将数据处理迁移至靠近传感器的端侧（如工业网关、嵌入式控制器），实现低延迟分析，例如实时计算应力循环次数（雨流计数法），无需传输所有原始数据。
边缘计算节点可运行轻量级机器学习模型，如随机森林、支持向量机，实时识别疲劳特征。例如，飞机机翼监测中，边缘节点可从应变数据中提取“微观裂纹尖峰”特征，立即触发预警，无需等待云端处理。
边缘设备的硬件需平衡算力与功耗：ARM架构的Cortex-M系列处理器（如STM32H7）支持浮点运算，可运行雨流计数法等算法，功耗仅几毫瓦。边缘与云端的协同可优化性能：边缘处理实时任务，云端存储历史数据、训练复杂模型（如深度神经网络），并将更新后的模型下发至边缘。
多源数据融合与疲劳状态精准评估
单一传感器数据无法全面反映疲劳状态——应变数据受温度影响，振动数据反映动态响应，温度数据影响材料疲劳强度（钢材100℃时寿命降低20%~30%）。多源数据融合可提升评估精度。
温度补偿是常见需求：采用“应变-温度”双参数传感器，边缘节点通过线性回归或神经网络修正应变值，消除温度导致的虚假应变。例如，高铁车轴监测中，温度补偿后的应变值更接近真实应力状态。
卡尔曼滤波可融合应变、温度、振动数据，加权得到准确状态估计，过滤测量噪声。D-S证据理论适用于不确定信息融合：当应变提示“轻度损伤”、振动提示“中度损伤”时，可通过证据合成计算综合损伤等级，避免误判。
多源融合还能扩展评估维度：结合材料S-N曲线（应力-寿命曲线）与实时应变数据，可计算剩余寿命；结合载荷谱（如高铁运行载荷统计），可预测不同工况下的寿命衰减速度。例如，核电反应堆监测中，融合应变、温度与压力数据，可评估热疲劳（温度循环）与机械疲劳（压力循环）的综合影响。
疲劳异常特征的提取与模式识别
金属疲劳演化分三阶段：初始损伤（微观裂纹产生）、裂纹扩展（微观裂纹连成宏观裂纹）、临界失效（裂纹断裂）。每个阶段的信号特征不同，需通过信号处理提取异常。
小波变换可处理非平稳信号，从应变或振动中提取高频异常分量（如微观裂纹的“尖峰”）。例如，飞机机翼蒙皮监测中，小波变换可从应变信号中识别微观裂纹特征。
希尔伯特-黄变换（HHT）适用于非线性信号分析，通过经验模态分解（EMD）将信号分解为固有模态函数（IMF），再通过希尔伯特变换得到瞬时频率与振幅。例如，高铁车轴监测中，HHT可从振动信号中分解出“裂纹扩展”对应的IMF分量，其瞬时频率随裂纹长度增加而下降。
机器学习模型实现模式自动识别：CNN擅长处理振动频谱图，提取异常峰值（如裂纹导致的频谱偏移）；RNN适合处理应变时间序列，捕捉损伤累积趋势。例如，工厂压力机监测中，CNN可识别“轴承磨损”与“焊缝裂纹”两种疲劳模式，RNN可预测损伤增长速度。
基于物联网的实时疲劳预警与闭环控制
实时预警的关键是设定合理阈值，需基于材料疲劳特性与设计要求。例如，根据Miner法则（累计损伤法则），累计损伤率达0.8时触发一级预警（提示检查），0.9时二级预警（限制载荷），1.0时三级预警（停机维修）。
阈值需结合实际工况：高铁车轴设计寿命1000万次应力循环，监测到900万次时触发二级预警，提示更换车轴。预警信息需多渠道推送：向现场工人发短信、向中控室发声光警报、向管理系统发API通知。
闭环控制是预警的延伸——监测到损伤增加时，系统自动调整运行参数，延缓损伤扩展。例如，工厂冲压机监测中，若识别到焊缝裂纹模式，系统自动降低运行速度，减少应力循环幅值，延长使用寿命。
预警准确性需通过验证：实验室中用疲劳试验机模拟工况，对比物联网系统预警与离线实验结果，优化阈值。某航空企业通过模拟机翼疲劳试验，将误报率从5%降至1%。
物联网监测技术在典型场景中的应用案例
航空领域：某飞机制造商为机翼蒙皮预埋光纤传感器，实时测量应变与温度，边缘节点运行雨流计数法计算累计损伤率，达0.8时向驾驶舱预警。该系统在客机上试用，成功预警3次蒙皮焊缝裂纹。
核电领域：某核电企业为反应堆接管焊缝安装压电传感器，通过NB-IoT传输振动与温度数据至云端，融合应变、压力数据，采用D-S理论评估综合疲劳状态，运行3年未发生疲劳失效停机。
轨道交通领域：某高铁运营商为车轴安装应变片与LoRa模块，传输应力循环数据至轨道旁边缘节点，计算循环次数，达设计寿命90%时向调度中心预警。该系统覆盖100列高铁，减少了车轴疲劳事故。
工业制造领域：某汽车零部件厂为冲压机机架焊缝安装ZigBee传感器集群，监测应变与振动，采用CNN分析振动频谱图，识别裂纹模式，自动降低运行速度并通知维修，使停机时间减少40%。