CN104897774A - 一种碳纤维复合材料的电涡流细观构造成像方法 - Google Patents
一种碳纤维复合材料的电涡流细观构造成像方法 Download PDFInfo
- Publication number
- CN104897774A CN104897774A CN201510243935.7A CN201510243935A CN104897774A CN 104897774 A CN104897774 A CN 104897774A CN 201510243935 A CN201510243935 A CN 201510243935A CN 104897774 A CN104897774 A CN 104897774A
- Authority
- CN
- China
- Prior art keywords
- eddy current
- carbon fiber
- signal
- fiber composite
- composite material
- 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.)
- Granted
Links
Landscapes
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明公开了一种碳纤维复合材料的电涡流细观构造成像方法,该采用发射-接收式的电涡流探头通过C扫描的方式获取碳纤维复合材料的结构信息,并利用后续的信号处理过程,最终结合二维傅里叶变换法以图像的形式呈现出碳纤维复合材料的结构以及缺陷信息,其包括确定涡流探头C扫描路径、获取碳纤维复合材料结构中不同位置处的涡流信号的实部和虚部、去噪分析、提取检测信号幅值波形的特征参量、损伤区域和位置确定的步骤。本发明的方法能够准确有效地实现碳纤维复合材料结构及缺陷的判断,成像速度快,图像清晰、可靠,结果直观易懂。为掌握复合材料内部的微结构信息、微小缺陷信息,包括纤维、树脂等成分的排布信息提供了一种可靠的成像方案。
Description
技术领域
本发明涉及一种对碳纤维复合材料内部结构及缺陷进行监测的方法,尤其涉及一种基于电涡流的碳纤维复合材料细观构造成像方法。
背景技术
碳纤维复合材料优秀的力学性能,特别是具有比强度高、比刚度大、可设计性强、耐腐蚀及良好的抗疲劳损伤等特点,使之成为在汽车制造业与航空航天中越来越流行的材料之一。其细观构造是一个复杂的多相体系,且是不均匀和多相异性的,与金属制件中的宏观缺陷不同,它在制造和使用过程中容易产生一些诸如贫胶、富胶、纤维束抽出、间隙过大、错位、冲击以及分层等缺陷,而这些缺陷会严重威胁着复合材料结构的可靠性和安全性。为此,需要迫切地掌握复合材料内部的微结构信息、微小缺陷信息,包括纤维、树脂等成分的排布信息。
目前,常用无损检测成像技术包括X射线照相技术、超声无损检测成像技术、红外热成像技术、计算机层析照相法,这些成像技术都存在一定的缺陷和局限性:
1)X射线照相是利用可记录并由激光读出X射线影像信息的成像板作为载体,经X射线曝光及信息读出后,形成数字式胶片影像。其缺点是不能对射线图像进行直接观察,检测周期长、检查费用高,扫描仪结构复杂。
2)超声成像是利用超声波获取物体可见图像的方法。由于超声检测受材料组织结构的影响较大,在夹杂物较多时,组织较粗大的材料中声波的衰减和散射现象较严重,因此导致了大多数的超声检测图像存在对比度差的现象。
3)红外热成像技术的核心设备是红外热仪,以斯蒂芬-玻尔兹曼定律为原理。然而,在室温条件下,红外热仪的响应速度慢,灵敏度低;特别地,在低温环境下需要制冷装置,结构复杂,造价昂贵。
4)计算机层析照相法的检测效率低,成本高,双侧透射成像,不适于平面薄板构件及大型构件的现场检测。
电涡流细观构造成像技术利用碳纤维复合材料电导率的分布特性来提取特征信号并成像。电涡流成像系统的涡流探头具有非接触、非介入以及无公害的特点。通过获取并分析可能由被检对象内部结构异常或本身特有的物理性能变化所引起的各种物理信号,利用灰度差或伪彩色形式全面准确地反映被测材料或制件内部的基本结构元素,包括纤维束错位、纤维铺层及微缺陷的量化信息,从而评价被检对象的完整性、安全可靠性及某些物理性能,实现对碳纤维复合材料结构及缺陷的定性定量分析。
发明内容
技术问题
本发明要解决的技术问题是提供一种碳纤维复合材料(CFRP复合材料)的电涡流细观构造成像方法,该方法采用发射-接收式的电涡流探头通过C扫描的方式获取碳纤维复合材料的结构信息,并利用后续的信号处理过程,最终结合二维傅里叶变换法以图像的形式呈现出碳纤维复合材料的结构以及缺陷信息。
技术方案
为了解决上述的技术问题,本发明的纤维复合材料的电涡流细观构造成像方法包括以下步骤:
步骤一:根据待成像碳纤维复合材料的形状确定涡流探头C扫描路径;使用涡流探头C进行扫描的目的是为了得到被测件的C扫描图像;
步骤二:通过X-Y二维位移平台控制器控制涡流探头在X-Y方向的运动,来控制涡流探头扫描待成像碳纤维复合材料的一块待测区域,获取碳纤维复合材料结构中不同位置处的涡流信号的实部Vx和虚部Vy;
步骤三:对步骤二所得的涡流信号实部Vx和虚部Vy分别进行小波去噪分析,即选取合适的小波基,采用小波变换对涡流检测信号进行分解,并利用小波反变换重构出涡流检测信号,如下:
其中:当m=1时,A0(k)=Vx表示原始信号向量,Am(n)是经分解后的平滑分量,Dm(n)是经分解后的高频细节分量。和分别是H和G的镜像滤波器,满足h(n)和g(n)分别是低通滤波器H和高通滤波器G的冲击响应序列,由下面两式表示:
上式中,φ(t)和分别是多分辨率分析中的尺度函数和小波函数。
经小波反变换得到最终信号为:
对于虚部信号Vy经小波变换后可得到同样的去噪结果。
步骤四:对步骤三所得的经去噪后的涡流检测信号进行特征参数提取,通过小波变换提取检测信号幅值波形的特征参量:
其中,V为信号幅值,Vx(n)为去噪后的信号实部,Vy(n)为去噪后的信号虚部;
步骤五:对步骤四完成特征提取后的信号幅值V进行点扩展函数卷积处理,得到扫描图像像素点的灰度值f(x,y),即:
f(x,y)=|A(x,y)|2
其中,为信号幅值V的2DFFT变换,为点扩展函数的2DFFT变换,由下式给出:
θH=ck sin c(kR)
式中k表示波数,c表示复常数,表示位置矢量,
步骤六:根据步骤五得到的像素点灰度值f(x,y),进行2DFFT变换,得到频谱图:
其中,F(u,v)为像素点的频谱值;
在得到频谱图后,针对不同纤维排列方向进行频域滤波,再进行2DFFT反变换得到每层的纤维排列灰度图像:
上式中,F'(u,v)为滤波后像素点的频谱值,f'(x,y)是反变换后的像素点灰度值;
步骤七:损伤区域和位置确定。通过步骤六得到的灰度图像,对损伤区域进行分析,利用涡流信号变化大小来调节图像的灰度,信号值越大,则图像的颜色越深,表示被检件损伤越严重。
本发明的成像方法中,步骤二中采用小波分析进行高频去噪,从而对涡流检测信号的噪声及缺陷进行识别。步骤五中,点扩展函数卷积处理利用点扩展函数的2DFFT变换和卷积滤波法对所得特征信号进行聚焦处理,2DFFT变换和2DFFT反变换处理能分离出每个纤维铺层的图像,获得清晰的纤维编织纹路。
有益效果
本发明的碳纤维复合材料的电涡流细观构造成像方法结合了信号处理、点扩展函数卷积处理以及2DFFT变换和2DFFT反变换法以图像的形式呈现出碳纤维复合材料的结构及缺陷信息,能够准确有效地实现碳纤维复合材料结构及缺陷的判断,成像速度快,图像清晰、可靠,结果直观易懂。为掌握复合材料内部的微结构信息、微小缺陷信息,包括纤维、树脂等成分的排布信息提供了一种可靠的成像方案。
附图说明
图1是涡流探头C扫描路径示意图;
图2是本发明方法的流程图;
图3是探头检测原始信号(a)及小波去噪波形图(b);
图4是纤维排布成像结果;
图5是单层纤维排布结果图,表示经2DFFT变换和2DFFT反变换的成像结果。
具体实施方案
以下结合附图对本发明方案进行详细的描述。以下实施例以本发明技术方案为前提进行实施,给出了具体的实施方案和操作过程,但本发明保护的范围不限于下述的实施例。
图1所示为本实施例方法中的涡流探头扫描路径,通过X-Y二维位移平台控制器控制在X-Y方向的运动来达到探头扫描一块待测区域的目的。平面C扫探头的运动规律是:①X方向上按照程序设定的步长每次移动一定的距离;②在X方向上达到规定的行程后返回起始位置;③之后在Y方向上按照给定的步长运行一定的距离;④重复步骤①~③,直至Y方向上达到预设的行程;⑤返回到扫描区域原点,等待下一次扫描。
如图2所示,是本实施例的一种碳纤维复合材料的电涡流细观构造成像方法流程图,包括下列步骤:
步骤一:确定涡流探头C扫描路径。通过X-Y二维位移平台控制器控制在X-Y方向的运动来达到探头扫描一块待测区域的目的,如图1所示。
步骤二:通过步骤一涡流探头C扫描的方式获取碳纤维复合材料结构中不同位置处的涡流信号实部Vx和虚部Vy。
步骤三:去除高频噪声和提离偏置。对步骤二所得的涡流信号实部Vx和虚部Vy分别进行小波去噪分析。选取合适的小波基,采用小波变换对涡流检测信号进行分解,高频噪声、提离干扰及其它非缺陷信号(如提离)被分离出来,并修改相应的分解系数,把属于噪声的小波系数置为0,利用小波反变换重构出涡流检测信号,如下:
其中:当m=1时,A0(k)=Vx表示原始信号向量,Am(n)是经分解后的平滑分量,Dm(n)是经分解后的高频细节分量。和分别是H和G的镜像滤波器,满足h(n)和g(n)分别是低通滤波器H和高通滤波器G的冲击响应序列,由下面两式表示:
上式中,φ(t)和分别是多分辨率分析中的尺度函数和小波函数。
经小波反变换得到最终信号为:
对于虚部信号Vy经小波变换后可得到同样的去噪结果。
步骤四:进行特征参数提取。对去噪后的涡流检测信号进行特征参数提取,通过小波变换提取检测信号幅值波形的特征参量,如幅值、相位、拐点及信号波动时间等参数,如下:
其中,V为信号幅值,Vx(n)为去噪后的信号实部,Vy(n)为去噪后的信号虚部;图3(b)所示为经小波去噪和特征提取后的信号幅值。
步骤五:点扩展函数卷积处理。对步骤四完成特征提取后的信号幅值V进行点扩展函数卷积处理,得到扫描图像像素点的灰度值f(x,y),计算公式如下:
f(x,y)=|A(x,y)|2
其中,为信号幅值V的2DFFT变换,为点扩展函数的2DFFT变换,由下式给出:
θH=ck sin c(kR)
式中k表示波数,c表示复常数,表示位置矢量,如图4所示,引入点扩展函数对原始信号进行卷积滤波处理,得到聚焦后的涡流图像,能够更清楚地从像素点灰度值变化识别出碳纤维的排列方向。
步骤六:2DFFT变换和2DFFT反变换实现细观构造成像。根据步骤五得到的像素点灰度值f(x,y),进行2DFFT变换,得到频谱图:
其中,F(u,v)为像素点的频谱值;
在得到频谱图后,针对不同纤维排列方向进行频域滤波,再进行2DFFT反变换得到每层的纤维排列灰度图像:
上式中,F'(u,v)为滤波后像素点的频谱值,f'(x,y)是反变换后的像素点灰度值,如图5所示。经去噪和点扩展函数卷积处理后的涡流信号由2D FFT变换和反变换后处理可分离出每个纤维铺层的图像,从图像中能清楚地看出每个铺层的纤维编织纹路、纤维束抽出等缺陷。
步骤七:损伤区域和位置确定。通过步骤六得到的灰度图像,对损伤区域进行分析,利用涡流信号变化大小来调节图像的灰度,信号值越大,则图像的颜色越深,表示被检件损伤越严重。
Claims (1)
1.一种碳纤维复合材料的电涡流细观构造成像方法,其特征在于,包括下列步骤:
步骤一:根据待成像碳纤维复合材料的形状确定涡流探头C扫描路径;
步骤二:通过X-Y二维位移平台控制器控制涡流探头在X-Y方向的运动,来控制涡流探头扫描待成像碳纤维复合材料的一块待测区域,获取碳纤维复合材料结构中不同位置处的涡流信号的实部Vx和虚部Vy;
步骤三:对步骤二所得的涡流信号实部Vx和虚部Vy分别进行小波去噪分析;
步骤四:对步骤三所得的经去噪后的涡流检测信号进行特征参数提取,通过小波变换提取检测信号幅值波形的特征参量:
其中,V为信号幅值,Vx(n)为去噪后的信号实部,Vy(n)为去噪后的信号虚部;
步骤五:对步骤四完成特征提取后的信号幅值V进行点扩展函数卷积处理,得到扫描图像像素点的灰度值f(x,y),即:
f(x,y)=|A(x,y)|2
其中,为步骤四中信号幅值V的2DFFT变换,为点扩展函数的2DFFT变换,由下式给出:
θH=cksinc(kR)
其中,k表示波数,c表示复常数,表示位置矢量,
步骤六:根据步骤五得到的像素点灰度值f(x,y),进行2DFFT变换,得到频谱图:
其中,F(u,v)为像素点的频谱值;
在得到频谱图后,针对不同纤维排列方向进行频域滤波,再进行2DFFT反变换得到每层的纤维排列灰度图像:
其中,F'(u,v)为滤波后像素点的频谱值,f'(x,y)是反变换后的像素点灰度值;
步骤七:通过步骤六得到的灰度图像确定损伤区域、位置和损伤程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510243935.7A CN104897774B (zh) | 2015-05-13 | 2015-05-13 | 一种碳纤维复合材料的电涡流细观构造成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510243935.7A CN104897774B (zh) | 2015-05-13 | 2015-05-13 | 一种碳纤维复合材料的电涡流细观构造成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104897774A true CN104897774A (zh) | 2015-09-09 |
CN104897774B CN104897774B (zh) | 2018-11-09 |
Family
ID=54030571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510243935.7A Active CN104897774B (zh) | 2015-05-13 | 2015-05-13 | 一种碳纤维复合材料的电涡流细观构造成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104897774B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106546657A (zh) * | 2016-10-11 | 2017-03-29 | 南京航空航天大学 | 一种用于检测碳纤维复合材料铺层方向的涡流探头环形阵列法 |
CN106596714A (zh) * | 2016-12-27 | 2017-04-26 | 南昌航空大学 | 一种碳纤维复合材料脱粘缺陷检测装置及方法 |
CN106940343A (zh) * | 2017-03-28 | 2017-07-11 | 中国人民解放军国防科学技术大学 | 一种基于阵列电磁传感器的材料微损伤检测方法及系统 |
CN107607622A (zh) * | 2017-08-31 | 2018-01-19 | 湖北三江航天江北机械工程有限公司 | 碳纤维缠绕压力容器超声波检测方法 |
CN108369212A (zh) * | 2016-03-16 | 2018-08-03 | 株式会社Ihi | 导电性复合材料的检查方法和导电性复合材料的检查装置 |
CN109884182A (zh) * | 2019-04-04 | 2019-06-14 | 中国兵器科学研究院宁波分院 | 一种涡流c扫描成像检测方法 |
CN112129830A (zh) * | 2020-09-02 | 2020-12-25 | 中国人民解放军空军工程大学航空机务士官学校 | 基于涡流电导率的飞机金属结构烧伤检测方法 |
CN112834609A (zh) * | 2020-12-31 | 2021-05-25 | 天津因科新创科技有限公司 | 基于脉冲涡流对铝板下铆钉缺陷的检测方法及装置 |
CN113390957A (zh) * | 2021-04-27 | 2021-09-14 | 杭州电子科技大学 | 一种基于磁传感探头的防串扰涡流无损探伤检测系统 |
CN113984881A (zh) * | 2021-10-28 | 2022-01-28 | 广西新祥高速公路有限公司 | 一种钢筋混凝土锈蚀检测方法、检测装置及使用方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4922201A (en) * | 1989-01-09 | 1990-05-01 | The United States Of America As Represented By The Secretary Of The Navy | Eddy current method for measuring electrical resistivity and device for providing accurate phase detection |
JPH0627085A (ja) * | 1992-07-10 | 1994-02-04 | Nippon Oil Co Ltd | 炭素繊維強化管状複合材の検査方法及び装置 |
CN101655478A (zh) * | 2009-09-23 | 2010-02-24 | 北京交通大学 | 基于电磁层析成像的碳纤维复合材料缺陷检测装置及方法 |
CN101813655A (zh) * | 2010-04-23 | 2010-08-25 | 天津大学 | 一种基于电磁传感测量碳纤维增强塑料的装置及方法 |
-
2015
- 2015-05-13 CN CN201510243935.7A patent/CN104897774B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4922201A (en) * | 1989-01-09 | 1990-05-01 | The United States Of America As Represented By The Secretary Of The Navy | Eddy current method for measuring electrical resistivity and device for providing accurate phase detection |
JPH0627085A (ja) * | 1992-07-10 | 1994-02-04 | Nippon Oil Co Ltd | 炭素繊維強化管状複合材の検査方法及び装置 |
CN101655478A (zh) * | 2009-09-23 | 2010-02-24 | 北京交通大学 | 基于电磁层析成像的碳纤维复合材料缺陷检测装置及方法 |
CN101813655A (zh) * | 2010-04-23 | 2010-08-25 | 天津大学 | 一种基于电磁传感测量碳纤维增强塑料的装置及方法 |
Non-Patent Citations (1)
Title |
---|
SCHULZE M H ET AL.: "Textural analyses of carbon fiber materials by 2D-FFT of complex images obtained by high frequency eddy current imaging (HF-ECI)", 《PROCEEDINGS OF SPIE - THE INTERNATIONAL SOCIETY FOR OPTICAL ENGINEERING》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108369212A (zh) * | 2016-03-16 | 2018-08-03 | 株式会社Ihi | 导电性复合材料的检查方法和导电性复合材料的检查装置 |
CN108369212B (zh) * | 2016-03-16 | 2021-08-13 | 株式会社Ihi | 导电性复合材料的检查方法和导电性复合材料的检查装置 |
CN106546657B (zh) * | 2016-10-11 | 2019-10-25 | 南京航空航天大学 | 一种用于检测碳纤维复合材料铺层方向的涡流探头环形阵列法 |
CN106546657A (zh) * | 2016-10-11 | 2017-03-29 | 南京航空航天大学 | 一种用于检测碳纤维复合材料铺层方向的涡流探头环形阵列法 |
CN106596714A (zh) * | 2016-12-27 | 2017-04-26 | 南昌航空大学 | 一种碳纤维复合材料脱粘缺陷检测装置及方法 |
CN106940343A (zh) * | 2017-03-28 | 2017-07-11 | 中国人民解放军国防科学技术大学 | 一种基于阵列电磁传感器的材料微损伤检测方法及系统 |
CN107607622A (zh) * | 2017-08-31 | 2018-01-19 | 湖北三江航天江北机械工程有限公司 | 碳纤维缠绕压力容器超声波检测方法 |
CN109884182A (zh) * | 2019-04-04 | 2019-06-14 | 中国兵器科学研究院宁波分院 | 一种涡流c扫描成像检测方法 |
CN112129830A (zh) * | 2020-09-02 | 2020-12-25 | 中国人民解放军空军工程大学航空机务士官学校 | 基于涡流电导率的飞机金属结构烧伤检测方法 |
CN112129830B (zh) * | 2020-09-02 | 2023-09-12 | 中国人民解放军空军工程大学航空机务士官学校 | 基于涡流电导率的飞机金属结构烧伤检测方法 |
CN112834609A (zh) * | 2020-12-31 | 2021-05-25 | 天津因科新创科技有限公司 | 基于脉冲涡流对铝板下铆钉缺陷的检测方法及装置 |
CN113390957A (zh) * | 2021-04-27 | 2021-09-14 | 杭州电子科技大学 | 一种基于磁传感探头的防串扰涡流无损探伤检测系统 |
CN113984881A (zh) * | 2021-10-28 | 2022-01-28 | 广西新祥高速公路有限公司 | 一种钢筋混凝土锈蚀检测方法、检测装置及使用方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104897774B (zh) | 2018-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104897774A (zh) | 一种碳纤维复合材料的电涡流细观构造成像方法 | |
US10444202B2 (en) | Nondestructive inspection using continuous ultrasonic wave generation | |
Usamentiaga et al. | Automated dynamic inspection using active infrared thermography | |
Katunin et al. | Automated identification and classification of internal defects in composite structures using computed tomography and 3D wavelet analysis | |
Mei et al. | Visual geometry group-UNet: deep learning ultrasonic image reconstruction for curved parts | |
Chung et al. | Latest advances in common signal processing of pulsed thermography for enhanced detectability: A review | |
Xiao et al. | Development of a CNN edge detection model of noised X-ray images for enhanced performance of non-destructive testing | |
Molina-Viedma et al. | Operational Deflection Shape Extraction from Broadband Events of an Aircraft Component Using 3D‐DIC in Magnified Images | |
Sha et al. | Delamination imaging in laminated composite plates using 2D wavelet analysis of guided wavefields | |
Jeon et al. | Non-destructive photoacoustic imaging of metal surface defects | |
Lado-Roigé et al. | Learning-based video motion magnification approach for vibration-based damage detection | |
Sha et al. | Wavelet-aided guided wavefield imaging of delaminations in laminated composite plates | |
Bosse et al. | Automated Detection of hidden Damages and Impurities in Aluminum Die Casting Materials and Fibre-Metal Laminates using Low-quality X-ray Radiography, Synthetic X-ray Data Augmentation by Simulation, and Machine Learning | |
Zhang et al. | Super-resolution reconstruction of ultrasonic Lamb wave TFM image via deep learning | |
Jayasudha et al. | Weld defect segmentation and feature extraction from the acquired phased array scan images | |
Su et al. | Sparse reconstruction for microdefect detection of two-dimensional ultrasound image based on blind estimation | |
Lu et al. | A deep transfer learning model for packaged integrated circuit failure detection by terahertz imaging | |
Momtaz Dargahi et al. | NDE data correlation using encoder–decoder networks with wavelet scalogram images | |
Lian et al. | Advances in Post-processing Technology for Laser Ultrasound Detection Signals: A Review | |
Pérez et al. | Integrating AI in NDE: Techniques, Trends, and Further Directions | |
Udpa et al. | Automated analysis of eddy current signals in steam generator tube inspection | |
Zhang et al. | Quantitative nondestructive testing of broken wires for wire rope based on multi-image fusion | |
Jadhav et al. | Deep learning-based denoising of acoustic images generated with point contact method | |
Liu et al. | Depth feature extraction of surface-breaking defects using laser pulsed thermography | |
Hu et al. | Modal acoustic emission-based circumferential crack feature extractions for pipeline welds with L-shaped flexible sensor array |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |