在现代工业生产中,金属结构件是生产活动的重要部件,其工作条件要求越来越高,对金属构件的耐磨性、耐热性、抗拉抗压性能、强度、韧性等性能的要求也越发苛刻。尤其在交变载荷作用下或者冷热交替作用下,工作部件很容易出现疲劳。随着时间的推移,结构件在应力集中区域和缺陷区域会产生失效甚至断裂等严重后果,为解决这些问题,多种无损检测的技术被引入金属结构件损伤评估中。本文通过磁、热无损检测手段的引入,实现了金属结构件疲劳损伤程度的识别与测准。在制造业行业中,对于已服役一个或多个寿命周期的金属结构件来说,其损伤往往是复杂服役环境下的多种诱导因素和结构功能特性共同作用的结果,仅靠单一检测手段难以实现损伤的精准定位和量化,本文利用多特征量来弥补单一特征量存在的不足,可为金属构件疲劳损伤程度的评估提供技术支撑。为明确铁磁构件疲劳过程磁记忆信号与红外热图像特征的损伤关联规律,实现疲劳损伤的量化评估。本文选取中心圆孔Q235钢试件进行轴向拉伸疲劳试验,建立热红外探测及漏磁检测系统,采集试样在不同循环周次下热红外图像及地磁场作用下的试样表面磁记忆信号。通过Q235钢试件在疲劳过程的磁记忆信号、热像表征,研究了磁-热特征的损伤变化规律,提取出低频段能量比、温度均值、相关系数、磁记忆信号梯度峰值比,以提取的四个特征量作为数据层来构建损伤的磁、热特征的非线性映射,并基于训练函数LM的BP神经网络算法,建立疲劳损伤磁-热融合评估模型,从而进行网络训练及误差结果的分析。以Q235钢试件作为验证样本,将低频段能量比、温度均值、相关系数、磁记忆信号梯度峰值比特征量作为评估的指标,得到的试验结果与预测结果较为吻合,说明此模型具有可行性。在实例应用中,最后以Q235支撑杆为例进行疲劳寿命的预测,得到金属结构件的在工作状态下疲劳寿命(循环周次)为(777.83 1776.44 2689.65 3765.66 4881.42单位:次)。论文完成了磁-热特征融合的试验平台的建立,以小波变换、二元数据分析法为多尺度分析工具,对磁、热特征量进行提取,并基于BP神经网络算法对特征量进行数据融合,可实现疲劳损伤的量化评估。通过上述结论初步可为金属疲劳损伤提供量化评估,但由于本文BP神经网络的算法尚处于基础阶段,有待于后期的算法优化,后期改进后的算法可以更精准地定位和量化评估金属疲劳的损伤程度。