CN102590338B - 基于共振峰的超声空化状态识别方法 - Google Patents
基于共振峰的超声空化状态识别方法 Download PDFInfo
- Publication number
- CN102590338B CN102590338B CN201210018098.4A CN201210018098A CN102590338B CN 102590338 B CN102590338 B CN 102590338B CN 201210018098 A CN201210018098 A CN 201210018098A CN 102590338 B CN102590338 B CN 102590338B
- Authority
- CN
- China
- Prior art keywords
- cavitation
- frequency
- ultrasonic
- resonance peak
- peak
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000000284 extract Substances 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 5
- 230000005284 excitation Effects 0.000 abstract description 2
- 238000009432 framing Methods 0.000 abstract 2
- 239000000565 sealant Substances 0.000 description 10
- 238000001228 spectrum Methods 0.000 description 6
- 239000007788 liquid Substances 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 206010020843 Hyperthermia Diseases 0.000 description 1
- 230000005534 acoustic noise Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000036031 hyperthermia Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011343 solid material Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 239000008399 tap water Substances 0.000 description 1
- 235000020679 tap water Nutrition 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明提供了一种基于共振峰的超声空化状态识别方法,包括以下步骤:采集设定时间段内的超声空化场的信号数据,对信号数据进行分帧处理,并将分帧处理后的信号作为待处理信号;采用全极点线性预测方法对待处理信号建模得到线性预测模型,并通过线性预测模型得到各个共振峰峰值及峰值所在的频率值,并根据所述频率值得到基频频率平均值和相对高频共振峰峰值的平均值;根据基频频率平均值与激发空化的超声频率之间的大小关系和相对高频共振峰峰值的平均值大小判断空化状态。本发明通过使用超声空化信号的时频信息简要、直观地描述了超声空化的强度。
Description
技术领域
本发明涉及一种超声空化识别方法,具体地说,涉及一种基于共振峰的超声空化状态识别方法。
背景技术
超声空化是液体在超声波作用下产生空泡及空泡振荡与溃灭的现象。超声空化,一方面会使液体产生局部高温高压等现象,影响液体的物理化学性质,这使得其在声化学等领域中有着广大的应用前景;另一方面会对空泡附近固体材料造成空蚀破坏,在空蚀研究中有着重要应用。但超声空化的应用却不尽如人意,其中的一个主要原因是缺乏简单易行的超声空化状态检测与识别的方法。研究人员使用最多的超声空化场检测方法是声学检测方法,通过处理超声空化噪声信号识别空化状态:文献“Mapping the cavitation intensityin an ultrasonic bath using the acoustic emission”(来源:American Institute ofChemical Engineers Journal,2000,46(4):684-694)在同声强情况下通过比较不同液体介质空化声发射信号频谱来分离超声空化谱,从而对空化强度进行测量,这种方法极为复杂无法应用到工业中去;文献“Ultrasonic cavitationmonitoring by acoustic noise power measurement”(来源:Journal of AcousticalSociety of America,2000,108(5):2010-2020)利用激励超声的二分之一次分谐波与二次谐波来表征稳态空化,利用连续谱的积分来表示瞬态空化,这仅在低强度空化情况下适用;文献“空化噪声谱的分离”(来源:声学技术,2005,24(2):113-116)通过中值滤波拟合连续噪声谱的空化噪声谱分离方法,研究了低频超声空化场。在处理信号时,这些方法使用了超声空化场的频域信息,却忽略了其时域信息。为了改善对超声空化场的分析,可以考虑使用时频分析方法提取空化声信号的时频信息。而在应用中发现,采用共振峰跟踪的方法不仅可以提取信号时频信息,而且能提取信号中以共振峰轨迹为主的简要的时频信息。
发明内容
为了使用简要的时频信息来判别超声空化状态的目的,本发明提供了一种基于共振峰的超声空化状态识别方法,通过获取超声空化信号中共振峰轨迹图和共振峰参数,实现对超声空化状态的识别。
本发明的技术内容如下:
一种基于共振峰的超声空化状态识别方法,包括以下步骤:采集设定时间段内的超声空化场的信号数据,对信号数据进行分帧处理,并将分帧处理后的信号作为待处理信号;采用全极点线性预测方法对待处理信号建模得到线性预测模型,并通过线性预测模型得到各个共振峰峰值及峰值所在的频率值,并根据所述频率值得到基频频率平均值和相对高频共振峰峰值的平均值;根据基频频率平均值与激发空化的超声频率之间的大小关系和相对高频共振峰峰值的平均值大小判断空化状态;如果基频频率平均值约为超声频率的1.3-2倍,则空化区域处于空化状态,而且相对高频共振峰峰值越高,空化越剧烈;如果基频频率平均值在超声频率的1.3倍以下,则空化区域处于无空化状态。
进一步:所述超声空化状态识别方法还包括从分帧处理后的信号中抽取出第一帧作为待处理信号。
进一步:所述超声空化状态识别方法还包括判断待处理的信号是否到达最后一帧信号,是则作出共振峰轨迹图,否则选取下一帧信号作为待处理信号并采用全极点线性预测方法对其进行建模得到线性预测模型。
进一步:所述判断空化状态时参考共振峰轨迹图,所述共振峰轨迹图以时间为横坐标,共振峰频率为纵坐标,所述共振峰轨迹图的作出包括以下步骤:提取各个共振峰峰值及峰值所在的频率,按照峰值所在的频率从小到大的顺序对各帧峰值进行排列;按照时间和频率,以时间为横坐标,共振峰频率为纵坐标,在时频图上作出共振峰的轨迹图。
进一步,通过各个共振峰峰值及峰值所在的频率值获取基频频率平均值和相对高频共振峰峰值的平均值的步骤包括:提取各个时间处最小的频率值,得到所述基频频率平均值;提取各个时间处高频率值且阶次相同的共振峰峰值,得到相对高频共振峰峰值的平均值。
进一步,判断空化状态还包括:如果基频频率平均值约为2倍超声频率,则空化区域处于剧烈空化状态,而且相对高频共振峰峰值越高,空化越剧烈;如果基频频率平均值在超声频率的1.7倍到2倍之间,则空化区域处于强烈空化状态,且相对高频共振峰峰值越高,空化越强烈;如果基频频率平均值在超声频率的1.3倍到1.7倍之间,则空化区域处于轻微空化状态;如果基频频率平均值在超声频率的1.3倍以下,则空化区域处于无空化状态。
进一步,全极点线性预测方法为:
其中,s(n)为第n个采样值,由前面p个采样值线性组合进行估计;αi为预测系数,i=1,2,...,p;e(n)为式(1)造成的预测误差;H(z)为式(2)进行拉普拉斯变换得到的传递函数;G为预测误差的方差估计;E为预测误差e(n)的能量;f为频率;fs为采样频率;通过方程组(1)~(8)对所述待处理信号建模得到所述线性预测模型,并利用所述线性预测模型得到所述共振峰峰值频率和幅值。
本发明的技术效果如下:
本发明通过使用超声空化信号的时频信息,从时频信息中提取共振峰的简要信息进行空化状态识别,并使用简单的共振峰参数包括基频频率平均值和相对高频峰值的平均值直观地描述超声空化的强度。
附图说明
图1为本发明中基于共振峰的超声空化状态识别方法的处理流程图;
图2为本发明中数据采集用实验装置工作部分示意图;
图3为本发明中不同超声输出端与传感器防水密封层之间的距离的共振峰轨迹曲线;其中,图3(a)为该距离为1mm下的共振峰轨迹曲线,图3(b)为该距离为8mm下的共振峰轨迹曲线,图3(c)为该距离为14mm下的共振峰轨迹曲线,图3(d)为该距离为32mm下的共振峰轨迹曲线;
图4为本发明中超声输出端与传感器防水密封层之间的距离与部分共振峰参数的关系曲线;其中,图4(a)为该距离与基频频率的关系曲线,图4(b)为该距离与第4阶谐振频率峰值的关系曲线。
具体实施方式
下面参考附图和优选实施例,对本发明的技术方案做详细描述。
如图1所示,是本发明的一种基于共振峰的超声空化状态识别方法的处理流程图。本发明的一种基于共振峰的超声空化状态识别方法,包括以下具体步骤:
步骤101:采集设定时间段内的超声空化场的信号数据。
如图2所示,是本发明的数据采集用实验装置工作部分示意图。在本发明优选的实施例中,采用超声空化实验装置进行超声空化的声发射信号采集实验,其工作原理为超声输出端1以19kHz的频率上下振动,使其接触的液体产生空化。通过调节超声输出端1与传感器防水密封层2之间的距离d可调节超声输出段的空化区域的空化程度。实验过程中保持液体温度为20±2℃,压力为1个大气压。
超声空化场的信号数据采集实验包括以下步骤:
(1)在容积为5L的容器中里盛4.5L左右的自来水;调节超声输出端1进入水中的深度为10-15mm;
(2)调节超声输出端与传感器防水密封层之间的距离d为0.5mm,使超声输出端以19kHz的频率,峰值振幅约为7μm的振动状态振动;
(3)进行数据采集,并存储数据;采样频率为2000kHz;
(4)调节超声输出端与传感器防水密封层之间的距离d分别为1、2、3、4、5、6、7、8、10、12、14、16、18、20、22、25、28、32、36mm,重复步骤(2)-(3);
(5)从各个距离采集得到的数据中,各选择长度为131070点的信号作为处理信号。
步骤102:将得到的超声空化场的信号数据进行分帧处理,并提取第一帧作为待处理信号,具体步骤如下:
选择第一段信号,将信号每隔1024点划分为一个数据帧直到信号数据结束,将不足1024点的帧弃掉;从分帧后的信号中抽取出第一帧作为待处理信号。
步骤103:采用20个极点的全极点线性预测(LPC)方法对待处理信号进行建模得到线性预测模型,并得到各个共振峰峰值及峰值所在的频率,保存数据。
其中,全极点线性预测(LPC)方法为:对于s(n),其第n个采样值s(n)可以由前面p个采样值线性组合进行估计,即:
式中αi,i=1,2,...,p,为预测系数。由式(1)造成的预测误差e(n)可以表示为:
对式(2)进行拉普拉斯变换,得到传递函数为:
式中G为预测误差的方差估计。设E为预测误差e(n)的能量,那么
为了使E最小,必须使
即
其中,
由式(7)可以求解得到αi,并能求得其传递函数。这里有
式(8)中,f为频率,fs为采样频率。将式(8)代入式(3)便可求出线性预测模型的各个共振峰峰值频率和幅值。
步骤104:判断是否到达最后一帧信号,是则转入步骤106和107,否则转入步骤105提取下一帧信号,并将其作为待处理信号转入步骤103。
步骤106:以时间为横坐标,共振峰频率为纵坐标作出共振峰轨迹图并显示该共振峰轨迹图,该步骤具体如下:
首先,提取各个共振峰峰值及峰值所在的频率,按照峰值所在的频率从小到大的顺序对各帧峰值进行排列;
其次,按照时间和频率,以时间为横坐标,共振峰频率为纵坐标在时频图上作出共振峰的轨迹图。
步骤107:得到基频频率平均值和第四阶共振峰峰值的平均值。该步骤具体如下:
(1)提取各个时间处的最小的频率值,得到基频频率平均值;
(2)提取各个时间处频率值较大且阶次相同的共振峰峰值,得到第四阶共振峰峰值的平均值;
(3)判断各个距离处信号是否已经处理完,如未处理完,选择下一个距离处信号进行处理;否则,绘制各个距离下的基频频率的平均值和第四阶共振峰峰值同距离之间的关系曲线。
步骤108:使用基频频率平均值与激发空化的超声频率之间的大小关系和相对高频共振峰峰值的平均值大小判断空化状态,如果基频频率平均值约为2倍超声频率,则空化区域处于剧烈空化状态,而且相对高频共振峰峰值越高,空化越剧烈;如果基频频率平均值在超声频率的1.7倍到2倍之间,则空化区域处于强烈空化状态,且相对高频共振峰峰值越高,空化越强烈;如果基频频率平均值在超声频率的1.3倍到1.7倍之间,则空化区域处于轻微空化状态;如果基频频率平均值在超声频率的1.3倍以下,则空化区域处于无空化状态。
步骤109:判断空化状态过程结束。
在空化区域内,超声输入的功率一定;能量在传输过程中衰减并向空化区域外扩散,超声输出端与传感器防水密封层之间的距离越大时,能量衰减越多而且更容易扩散,所以在空化区域的声场中能够转化为空化的能量越少,因而空化程度越弱。实验观察结果说明了这一点:在实验中,随着该距离增大,空化区域中的空化强度明显减弱,包括听觉域声音越来越小,水中的空泡越来越少;该距离超过20mm时,听觉域声音基本消失,水中无空化。
如图3所示,是不同超声输出端与传感器防水密封层之间的距离的共振峰轨迹曲线,其中图3(a)是该距离为1mm下的共振峰轨迹曲线,在该距离下,空化区域处于剧烈空化状态;图3(b)是该距离为8mm下的共振峰轨迹曲线,在该距离下,空化区域处于严重空化状态;图3(c)是该距离为14mm下的共振峰轨迹曲线,在该距离下,空化区域处于轻微空化状态;图3(d)是该距离为32mm下的共振峰轨迹曲线,在该距离下,空化区域处于无空化状态。根据不同超声输出端与传感器防水密封层之间的距离下的空化的状态,分别选取了代表超声空化的典型状态的四个距离下的信号的前4阶共振峰轨迹图。图3中,信号的4阶共振峰按照频率从低到高的顺序依次为F0,F1,F2和F3,分别代表基频、第二阶共振峰、第三阶共振峰和第四阶共振峰。图3(a)中信号的4个共振峰的轨迹都比较平缓,其频率值依次稳定在40kHz、115kHz、200kHz和280kHz左右,其基频频率平均值是激发空化的超声频率的2倍。图3(b)中信号的4个共振峰的轨迹都出现周期波动,而且前两阶共振峰频率表现了下降现象,后两阶共振峰频率表现出了上升现象,基频频率平均值在激发空化的超声频率的1.7倍到2倍之间。图3(c)中信号的共振峰轨迹非常凌乱,从第一阶共振峰的轨迹来看其在一部分时间里与距离为8mm信号的表现出的行为比较相似但却不相同,其基频频率平均值在激发空化的超声频率的1.3倍到1.7倍之间。图3(d)中信号的共振峰的轨迹变得比较平缓,其频率值依次在20kHz、85kHz、190kHz和280kHz左右,其基频频率平均值在激发空化的超声频率的1.3倍以下。从图3可以看出,总体上随着超声输出端与传感器防水密封层之间的距离的增大,共振峰的轨迹表现出“平稳-波动-平稳”的行为;4个共振峰所在的频率范围也有所改变,非常明显的是F0和F1表现出明显的下降趋势:F0从38kHz左右下降到20kHz左右,F1从115kHz左右下降到90kHz左右。
如图4所示,是本发明中超声输出端与传感器防水密封层之间的距离与部分共振峰参数的关系曲线。从图4(a)中可以看到,随着该距离的增大,基频频率值逐渐下降,这意味着超声空化信号的低频共振峰频率由倍频成分频率逐渐地向超声频率改变。而且从图4(b)中可以看到第4阶谐振峰的幅值也持续减小。
因此,综合图3和图4中的信息,可以发现如果基频频率平均值约为2倍激发空化的超声频率,则空化区域处于剧烈空化状态,而且相对高频共振峰峰值越高,空化越剧烈;如果基频频率平均值在激发空化的超声频率的1.7倍到2倍之间,则空化区域处于强烈空化状态,且相对高频共振峰峰值越高,空化越强烈;如果基频频率平均值在激发空化的超声频率的1.3倍到1.7倍之间,则空化区域处于轻微空化状态;如果基频频率平均值在激发空化的超声频率的1.3倍以下,则空化区域处于无空化状态。
Claims (7)
1.一种基于共振峰的超声空化状态识别方法,包括以下步骤:
采集设定时间段内的超声空化场的信号数据,对信号数据进行分帧处理,并将分帧处理后的信号作为待处理信号;
采用全极点线性预测方法对待处理信号建模得到线性预测模型,并通过线性预测模型得到各个共振峰峰值及峰值所在的频率值,并根据所述频率值得到基频频率平均值和相对高频共振峰峰值的平均值;
根据基频频率平均值与激发空化的超声频率之间的大小关系和相对高频共振峰峰值的平均值大小判断空化状态;如果基频频率平均值约为超声频率的1.3-2倍,则空化区域处于空化状态,而且相对高频共振峰峰值越高,空化越剧烈;如果基频频率平均值在超声频率的1.3倍以下,则空化区域处于无空化状态。
2.如权利要求1所述的基于共振峰的超声空化状态识别方法,其特征在于:所述超声空化状态识别方法还包括从分帧处理后的信号中抽取出第一帧作为待处理信号。
3.如权利要求2所述的基于共振峰的超声空化状态识别方法,其特征在于:所述超声空化状态识别方法还包括判断待处理的信号是否到达最后一帧信号,是则作出共振峰轨迹图,否则选取下一帧信号作为待处理信号并采用全极点线性预测方法对其进行建模得到线性预测模型。
4.如权利要求1所述的基于共振峰的超声空化状态识别方法,其特征在于:所述判断空化状态时参考共振峰轨迹图,所述共振峰轨迹图以时间为横坐标,共振峰频率为纵坐标,所述共振峰轨迹图的作出包括以下步骤:
提取各个共振峰峰值及峰值所在的频率,按照峰值所在的频率从小到大的顺序对各帧峰值进行排列;
按照时间和频率,以时间为横坐标,共振峰频率为纵坐标,在时频图上作出共振峰的轨迹图。
5.如权利要求1所述的基于共振峰的超声空化状态识别方法,其特征在于,通过各个共振峰峰值及峰值所在的频率值获取基频频率平均值和相对高频共振峰峰值的平均值的步骤包括:
提取各个时间处最小的频率值,得到所述基频频率平均值;
提取各个时间处高频率值且阶次相同的共振峰峰值,得到相对高频共振峰峰值的平均值。
6.如权利要求1所述的基于共振峰的超声空化状态识别方法,其特征在于,判断空化状态还包括:如果基频频率平均值约为2倍超声频率,则空化区域处于剧烈空化状态,而且相对高频共振峰峰值越高,空化越剧烈;如果基频频率平均值在超声频率的1.7倍到2倍之间,则空化区域处于强烈空化状态,且相对高频共振峰峰值越高,空化越强烈;如果基频频率平均值在超声频率的1.3倍到1.7倍之间,则空化区域处于轻微空化状态;如果基频频率平均值在超声频率的1.3倍以下,则空化区域处于无空化状态。
7.如权利要求1所述的一种基于共振峰的超声空化状态识别方法,其特征在于,全极点线性预测方法为:
其中,s(n)为第n个采样值,由前面p个采样值线性组合进行估计;αi为预测系数,i=1,2,...,p;e(n)为式(1)造成的预测误差;H(z)为式(2)进行拉普拉斯变换得到的传递函数;G为预测误差的方差估计;E为预测误差e(n)的能量;f为频率;fs为采样频率;
通过方程组(1)~(8)对所述待处理信号建模得到所述线性预测模型,并利用所述线性预测模型得到所述共振峰峰值频率和幅值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210018098.4A CN102590338B (zh) | 2012-01-19 | 2012-01-19 | 基于共振峰的超声空化状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210018098.4A CN102590338B (zh) | 2012-01-19 | 2012-01-19 | 基于共振峰的超声空化状态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102590338A CN102590338A (zh) | 2012-07-18 |
CN102590338B true CN102590338B (zh) | 2014-04-16 |
Family
ID=46479271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210018098.4A Expired - Fee Related CN102590338B (zh) | 2012-01-19 | 2012-01-19 | 基于共振峰的超声空化状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102590338B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102889926B (zh) * | 2012-08-30 | 2013-12-25 | 桂林电子科技大学 | 一种超声波抗噪检测方法和系统 |
CN111751105B (zh) * | 2020-04-28 | 2022-08-05 | 浙江工业大学 | 基于振动数据功率谱的调节阀气蚀诊断方法 |
CN112067283A (zh) * | 2020-09-16 | 2020-12-11 | 浙江工业大学 | 一种基于声音功率谱的调节阀气蚀诊断系统及其诊断方法 |
CN112067112A (zh) * | 2020-09-21 | 2020-12-11 | 中国石油大学(华东) | 一种水下超声空化场特征自动测量与可视化系统、方法 |
CN113312797B (zh) * | 2021-06-25 | 2022-11-25 | 西北工业大学 | 一种熔体超声空化强度计算方法及系统 |
CN113702513B (zh) * | 2021-07-16 | 2024-06-25 | 陕西师范大学 | 一种基于预测函数模型识别金属材料的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101530320B (zh) * | 2009-03-31 | 2010-11-10 | 西安交通大学 | 聚焦超声空化及其微汽泡实时提取装置与检测方法 |
-
2012
- 2012-01-19 CN CN201210018098.4A patent/CN102590338B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102590338A (zh) | 2012-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102590338B (zh) | 基于共振峰的超声空化状态识别方法 | |
CN107843408B (zh) | 基于管道流体信号的水射流自振喷嘴性能检测装置与方法 | |
CN103776524B (zh) | 一种测量强聚焦超声非线性声场分布的方法 | |
CN102331455B (zh) | 一种基于主动Lamb波损伤指数的工程结构损伤监测方法 | |
CN103472141A (zh) | 一种用于识别振动声调制机理的信号解调方法 | |
CN102249367B (zh) | 水处理中超声声强检测与控制方法 | |
GB2460967A (en) | Method, system and logging tool for estimating permeability of a formation | |
CN107121497A (zh) | 基于Duffing系统的随机共振特性的超声导波检测方法 | |
CN104897779B (zh) | 利用线性调频信号测量超声波传播时间的方法 | |
CN102866429B (zh) | 一种地下水分布的确定方法 | |
CN104122486A (zh) | 一种电缆早期故障检测方法及装置 | |
CN103143126B (zh) | 生物组织非线性hifu声场确定的方法 | |
CN103784163A (zh) | 一种基于超声的肝脏脂肪定量系统 | |
CN105785346A (zh) | 一种基于相位方差加权的未知目标线谱检测方法及系统 | |
Szmechta et al. | Frequency and time-frequency analysis of acoustic cavitation noise in insulating oils | |
CN105486759B (zh) | 一种Lamb波时频能量密度析出走时提取方法 | |
CN104116524A (zh) | 一种超声衰减系数补偿系统及肝脏脂肪检测系统 | |
CN102073066B (zh) | 一种消除地震数据谐波干扰的方法 | |
CN103821499A (zh) | 用于油井动液面深度检测的声音信号处理方法 | |
CN106910507A (zh) | 一种检测与识别的方法及系统 | |
CN106840281B (zh) | 一种基于类方波前馈控制随机共振的涡街频率检测方法 | |
Skal’skii et al. | A criterion for evaluating the brittle fracturing of glass using acoustic emission signals | |
Lu et al. | Speech endpoint detection in strong noisy environment based on the Hilbert-Huang transform | |
JP2010249637A (ja) | 流体の状態検出方法および状態検出装置 | |
Lih et al. | Advanced signal processing for high temperatures health monitoring of condensed water height in steam pipes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140416 Termination date: 20160119 |
|
EXPY | Termination of patent right or utility model |