CN107301271A - 一种钢丝绳外层损伤漏磁检测定量算法 - Google Patents
一种钢丝绳外层损伤漏磁检测定量算法 Download PDFInfo
- Publication number
- CN107301271A CN107301271A CN201710369431.9A CN201710369431A CN107301271A CN 107301271 A CN107301271 A CN 107301271A CN 201710369431 A CN201710369431 A CN 201710369431A CN 107301271 A CN107301271 A CN 107301271A
- Authority
- CN
- China
- Prior art keywords
- signal
- peak
- wire rope
- steel wire
- magnetic
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/16—Cables, cable trees or wire harnesses
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明涉及钢丝绳外层损伤漏磁检测定量算法,包括步骤:S1.检测钢丝绳的条件,建立数值计算参数;S2.将数值计算参数代入磁偶极子模型函数计算漏磁场矢量理论值;S3.计算检测方向信号的信号特征,获得波形的峰峰值和峰峰宽作为检测信号特征量;S4.采用数值模拟建立特征量的样本,训练RBF神经网络;S5.制作实际损伤样本,检测出其真实漏磁信号,计算真实信号的峰峰值和峰峰宽;S6.根据实际损伤样本尺寸,计算理论漏磁信号的特征值;S7.建立数值模拟计算信号特征和实际样本信号特征的映射关系;S8.通过S7中的映射关系将检测的实际损伤的信号特征转化为数值模拟计算的信号特征;S9.将S8中计算的模拟信号特征代入S4中训练的定量计算神经网络,计算损伤的信息。
Description
技术领域
本发明涉及钢丝绳损伤检测方法,特别涉及一种钢丝绳外层损伤漏磁检测定量算法。
背景技术
目前漏磁检测为钢丝绳检测常用的有效方法,一般是对钢丝绳进行强励磁至饱和,通过钢丝绳表面分布的磁传感器阵列检测钢丝绳表面的磁信号,通过磁信号的异常,即漏磁信号,结合相应的数据处理和定量方法对钢丝绳损伤进行定量分析。本发明主要是针对钢丝绳漏磁检测的数据处理和定量计算部分。
传统的对损伤的定量计算一般将定量计算问题作为分类问题,制作标准伤样本通过标准伤的磁信号特征和实际损伤尺寸结合BP神经网络训练,用于损伤的定量计算,该方法存在的问题是对于超出样本的损伤,该方法检测结果会出现较大误差,传统的方法如果应用于实际检测则需要大量的损伤样本,需要制作大量的标准伤或在大量的检测中不断的对训练的神经网络进行训练完善。同时传统的神经网络定量方法对磁化因素没有涉及,当检测探头磁化条件变化或检测钢丝绳磁化材料属性变化之后,之前训练的网络难以适用。这就造成了漏磁检测的定量困难的问题。也有一些定量方法采用有限元仿真来获取神经网络训练的样本,用于定量计算。但是有限元方法计算时需要大量的时间,同时该方法也没能解决磁化条件问题。
发明内容
本发明提供一种钢丝绳外层损伤漏磁检测定量算法,旨在针对钢丝绳漏磁检测时,采用多路磁传感器获取磁信号后对于损伤难以定量的问题。特别涉及对螺旋结构钢丝绳的外层断丝精确定量计算方法。
本发明提供一种钢丝绳外层损伤漏磁检测定量算法,包括以下步骤:
S1.检测钢丝绳的条件,并根据检测出的条件建立数值计算参数;
S2.将上述数值计算参数代入磁偶极子模型函数计算漏磁场矢量理论值;
S3.通过计算的漏磁场矢量理论值计算检测方向信号的信号特征,获得波形的峰峰值vpp和峰峰宽wpp作为检测信号特征量;
S4.基于上述磁偶极子模型采用数值模拟建立一系列不同尺寸损伤和检测信号特征量的样本,训练RBF神经网络进行两者的映射;
S5.制作至少两个实际损伤样本,检测出其真实漏磁信号,计算真实信号的峰峰值和峰峰宽,记为(VPPi,WPPi)i=1,2,...,n;
S6.根据实际损伤样本尺寸,采用上述理论模型计算理论漏磁信号的特征值:(vppi,wppi)i=1,2,...,n;
S7.通过映射关系建立数值模拟计算信号特征,记为vppi、wppi和实际损伤样本信号特征VPPi、WPPi之间的映射关系
S8.通过S7中的映射关系将检测的实际损伤的信号特征转化为数值模拟计算的信号特征;
S9.将S8中计算的模拟信号特征代入S4中训练的定量计算神经网络,计算损伤的信息。
作为本发明的进一步改进,所述步骤S1中的钢丝绳检测条件为:钢丝绳直径Dwr、外层断丝直径dw、损伤长度Ld、损伤断丝根数Nd、轴向采样间隔Δx、一周传感器数目ns、传感器所在圆周直径Ds。
作为本发明的进一步改进,所述步骤S4中,不同尺寸损伤包括损伤长度 Ld、损伤断丝根数Nd。
作为本发明的进一步改进,所述步骤S1中建立数值模型的计算参数具体为:
根据钢丝绳直径Dwr和传感器所在圆周直径Ds计算提离lf和检测采样点参数坐标:提离
作为本发明的进一步改进,所述步骤S1中,若为传感器周向排布的漏磁检测系统,将周向排布的传感器检测柱面展开为平面进行处理,则柱坐标系可以等价为直角坐标系:
检测采样点在柱坐标系轴向坐标X为:Xi(i=0,1,2,...,n),其中:其中N一般取5~10,其中柱坐标系轴向坐标X等价模型中直角坐标系X′轴坐标;
检测采样点在柱坐标系3周向坐标C为:Zj(j=0,1,2,...,m),其中:其中柱坐标系周向坐标C等价模型中直角坐标系Z′轴坐标;
检测采样点在柱坐标系径向坐标R为:Yk=lf,其中柱坐标系径向坐标R 等价模型中直角坐标系的Y′轴坐标;
检测采样点为一个(n+1)×(m+1)的点阵平面。
作为本发明的进一步改进,所述步骤S2中,三维磁偶极子模型方程为
式中:为漏磁场矢量;M为和磁化因素相关的比例系数;为检测传感器所在空间位置和磁荷单元位置之间的空间矢量;s为磁荷单元所在的曲面,同时也是损伤和磁化方向垂直的两个面。
作为本发明的进一步改进,设M=1,即将上述数值计算参数带入磁偶极子模型函数计算检测点的漏磁场矢量理论值:其中:
作为本发明的进一步改进,所述步骤S3中,以阵列传感器检测轴向漏磁信号Hx或径向漏磁信号Hy进行周向加和式中的Hij为Hx或Hy,获得波形的峰峰值vpp和峰峰宽wpp作为检测信号的特征量。
作为本发明的进一步改进,所述步骤S4中的RBF神经网络进行映射的关系式为所述步骤S7中的vppi、wppi和实际损伤样本信号特征 VPPi、WPPi之间的映射关系若映射关系采用线性关系,则提取步骤S5中任意两个实际样本,根据求解若映射关系采用非线性关系,则提取步骤S5中一系列实际损伤样本训练神经网络,获得映射关系
作为本发明的进一步改进,所述步骤S5中,若螺旋结构钢丝绳需要对实际检测信号滤波,先滤除股波信号。
本发明的有益效果是:本发明采用神经网络逼近特征量和损伤尺寸的关系,对于不在训练样本之内的损伤也有很好的定量计算能力;不需要大量的实际损伤作为样本训练神经网络,经济省时;采用数值模型而非有限元模型建立样本,建立训练样本时计算时间短。
附图说明
图1是本发明中周向排布的传感器检测柱面展开为平面的示意图;
图2是本发明一种钢丝绳外层损伤漏磁检测定量算法的流程图;
图3是本发明中建立数值模拟信号和实际损伤样本信号之间线性映射的流程图;
图4是本发明中建立数值模拟信号和实际损伤样本信号之间非线性映射的流程图;
图5是本发明为Hx周向和信号的vpp和wpp的关系图;
图6是本发明为Hy周向和信号的vpp和wpp的关系图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。
本发明主要是对于钢丝绳漏磁检测的信号处理和定量计算过程。本方法基于三维磁偶极子模型,采用文献中的模型方程:
式中:为漏磁场矢量;M为和磁化因素相关的比例系数;为检测传感器所在空间位置和磁荷单元位置之间的空间矢量;S为磁荷单元所在的曲面,同时也是损伤和磁化方向垂直的两个面。
另外本发明基于径向基神经网络,由Moody和Darken于1988年提出了一种神经网络结构,即径向基神经网络,属于前向神经网络类型,它能够以任意精度逼近任意连续函数。基于径向基神经网络可以进行函数逼近、曲面拟合等。
本发明的数据处理过程如下:
Step1:根据检测的条件:钢丝绳直径Dwr、外层断丝直径dw、损伤长度Ld、损伤断丝根数Nd、轴向采样间隔Δx、一周传感器数目ns、传感器所在圆周直径 Ds等,建立数值模型的计算参数:
根据钢丝绳直径Dwr和传感器所在圆周直径Ds计算提离lf和检测采样点(传感器采样空间点)参数坐标:
提离
如图1,对于传感器周向排布的漏磁检测系统,可将周向排布的传感器检测柱面1展开为平面2进行处理,则图中所示柱坐标系3可以等价为直角坐标系4:
检测采样点在柱坐标系3轴向坐标X(等价模型中直角坐标系X′轴坐标) 为:Xi(i=0,1,2,...,n),其中:其中N一般取5~10。
检测采样点在柱坐标系3周向坐标C(等价模型中直角坐标系Z′轴坐标) 为:Zj(j=0,1,2,...,m),其中:
检测采样点在柱坐标系3径向坐标R(等价模型中直角坐标系的Y′轴坐标) 为:Yk=lf。
检测点根据实际检测情况确定为一个(n+1)×(m+1)的点阵平面。
Step2:设将上述数值计算参数带入磁偶极子模型函数计算检测点的漏磁场矢量理论值:其中:
计算得到Hx,Hy,Hz均为(n+1)×(m+1)的矩阵。
Step3:通过计算的漏磁场矢量理论值计算检测方向的信号某些信号特征,本发明一般以阵列传感器检测轴向漏磁信号Hx或径向漏磁信号Hy进行周向加和(式中的Hij为Hx或Hy),获得波形的峰峰值和峰峰宽(vpp,wpp)作为检测信号的特征量,如图2。
Step:4:基于上述磁偶极子模型采用数值模拟建立一系列不同尺寸损伤(长度和根数)和检测信号特征量(信号波形峰峰值和峰峰宽,记为vpp,wpp)的样本,训练RBF神经网络实现两者的映射如图3和图4中对vpp 和wpp的定义。
Step5:制作至少两个实际损伤样本,检测出其真实漏磁信号,计算真实信号的峰峰值和峰峰宽,记为(VPPi,WPPi)i=1,2,...,n。对于螺旋结构钢丝绳需要对实际检测信号滤波,滤除股波信号。
Step6.根据实际损伤样本尺寸,采用上述理论模型计算理论漏磁信号的特征值:(vppi,wppi)i=1,2,...,n;
Step7.通过线性映射关系(线性或非线性)建立数值模拟计算信号特征,记为vppi、wppi和实际损伤样本信号特征VPPi、WPPi之间的映射关系其中采用线性映射关系只需要两个实际样本,根据求解而采用非线性映射关系,需要一系列样本训练神经网络,获得映射关系其中非线性映射关系最终结果更为精确;
Step8:通过step7中的映射关系将检测的实际损伤的信号特征(VPP,WPP) 转化为数值模拟计算的信号特征(vpp,wpp)。
Step9:将step8中计算的模拟信号特征代入step4中训练的定量计算神经网络,计算损伤的实际尺寸。
本发明的有益效果:
1)采用神经网络逼近特征量和损伤尺寸的关系,不是采用分类问题的神经网络,对于不在训练样本之内的损伤也有很好的定量计算能力;
2)本方法不需要大量的实际损伤作为样本训练神经网络,经济省时;
3)采用数值模型而非有限元模型建立样本,建立训练样本时计算时间短;
4)根据磁偶极子数值模拟计算建立定量计算网络时,没有磁化因素参数,在step5时才将实际磁化因素和数值模拟关系建立起来,所以训练网络不含磁化因素。在磁化条件改变时,只需要制作两个标准损伤样本,网络可继续使用。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种钢丝绳外层损伤漏磁检测定量算法,其特征在于,包括以下步骤:
S1.检测钢丝绳的条件,并根据检测出的条件建立数值计算参数;
S2.将上述数值计算参数代入磁偶极子模型函数计算漏磁场矢量理论值;
S3.通过计算的漏磁场矢量理论值计算检测方向信号的信号特征,获得波形的峰峰值vpp和峰峰宽wpp作为检测信号特征量;
S4.基于上述磁偶极子模型采用数值模拟建立一系列不同尺寸损伤和检测信号特征量的样本,训练RBF神经网络进行两者的映射;
S5.制作至少两个实际损伤样本,检测出其真实漏磁信号,计算真实信号的峰峰值和峰峰宽,记为(VPPi,WPPi)i=1,2,...,n;
S6.根据实际损伤样本尺寸,采用上述磁偶极子模型计算理论漏磁信号的特征值:(vppi,wppi)i=1,2,...,n;
S7.通过映射关系建立数值模拟计算信号特征,记为vppi、wppi和实际损伤样本信号特征VPPi、WPPi之间的映射关系
S8.通过S7中的映射关系将检测的实际损伤的信号特征转化为数值模拟计算的信号特征;
S9.将S8中计算的模拟信号特征代入S4中训练的定量计算神经网络,计算损伤的信息。
2.根据权利要求1所述的钢丝绳外层损伤漏磁检测定量算法,其特征在于,所述步骤S1中的钢丝绳检测条件为:钢丝绳直径Dwr、外层断丝直径dw、损伤长度Ld、损伤断丝根数Nd、轴向采样间隔Δx、一周传感器数目ns、传感器所在圆周直径Ds。
3.根据权利要求2所述的钢丝绳外层损伤漏磁检测定量算法,其特征在于,所述步骤S4中,不同尺寸损伤包括损伤长度Ld、损伤断丝根数Nd。
4.根据权利要求2所述的钢丝绳外层损伤漏磁检测定量算法,其特征在于,所述步骤S1中建立数值模型的计算参数具体为:
根据钢丝绳直径Dwr和传感器所在圆周直径Ds计算提离lf和检测采样点参数坐标:提离
5.根据权利要求4所述的钢丝绳外层损伤漏磁检测定量算法,其特征在于,所述步骤S1中,若为传感器周向排布的漏磁检测系统,将周向排布的传感器检测柱面展开为平面进行处理,则柱坐标系可以等价为直角坐标系:
检测采样点在柱坐标系轴向坐标X为:Xi(i=0,1,2,...,n),其中:其中N一般取5~10,其中柱坐标系轴向坐标X等价模型中直角坐标系X′轴坐标;
检测采样点在柱坐标系3周向坐标C为:Zj(j=0,1,2,...,m),其中:其中柱坐标系周向坐标C等价模型中直角坐标系Z′轴坐标;
检测采样点在柱坐标系径向坐标R为:Yk=lf,其中柱坐标系径向坐标R等价模型中直角坐标系的Y′轴坐标;
检测采样点为一个(n+1)×(m+1)的点阵平面。
6.根据权利要求1所述的钢丝绳外层损伤漏磁检测定量算法,其特征在于,所述步骤S2中,三维磁偶极子模型方程为
式中:为漏磁场矢量;M为和磁化因素相关的比例系数;为检测传感器所在空间位置和磁荷单元位置之间的空间矢量;s为磁荷单元所在的曲面,同时也是损伤和磁化方向垂直的两个面。
7.根据权利要求6所述的钢丝绳外层损伤漏磁检测定量算法,其特征在于,设M=1,即将上述数值计算参数带入磁偶极子模型函数计算检测点的漏磁场矢量理论值:其中:
8.根据权利要求1所述的钢丝绳外层损伤漏磁检测定量算法,其特征在于,所述步骤S3中,以阵列传感器检测轴向漏磁信号Hx或径向漏磁信号Hy进行周向加和式中的Hij为Hx或Hy,获得波形的峰峰值vpp和峰峰宽wpp作为检测信号的特征量。
9.根据权利要求1所述的钢丝绳外层损伤漏磁检测定量算法,其特征在于,所述步骤S4中的RBF神经网络进行映射的关系式为所述步骤S7中的vppi、wppi和实际损伤样本信号特征VPPi、WPPi之间的映射关系若映射关系采用线性关系,则提取步骤S5中任意两个实际样本,根据求解若映射关系采用非线性关系,则提取步骤S5中一系列实际损伤样本训练神经网络,获得映射关系
10.根据权利要求1所述的钢丝绳外层损伤漏磁检测定量算法,其特征在于,所述步骤S5中,若螺旋结构钢丝绳需要对实际检测信号滤波,先滤除股波信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710369431.9A CN107301271B (zh) | 2017-05-23 | 2017-05-23 | 一种钢丝绳外层损伤漏磁检测定量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710369431.9A CN107301271B (zh) | 2017-05-23 | 2017-05-23 | 一种钢丝绳外层损伤漏磁检测定量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107301271A true CN107301271A (zh) | 2017-10-27 |
CN107301271B CN107301271B (zh) | 2020-05-29 |
Family
ID=60137316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710369431.9A Active CN107301271B (zh) | 2017-05-23 | 2017-05-23 | 一种钢丝绳外层损伤漏磁检测定量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107301271B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108535354A (zh) * | 2018-04-13 | 2018-09-14 | 哈尔滨工业大学深圳研究生院 | 一种钢丝绳漏磁检测和磁发射检测的损伤判定及定位方法 |
CN109325286A (zh) * | 2018-09-17 | 2019-02-12 | 天津工业大学 | 一种基于有限元的钢丝绳芯输送带的钢丝绳排布分析方法 |
CN109948211A (zh) * | 2019-03-08 | 2019-06-28 | 重庆交通大学 | 一种基于磁记忆信号的拉索结构损伤程度评价方法 |
CN110006338A (zh) * | 2019-04-28 | 2019-07-12 | 哈尔滨工业大学(深圳) | 一种钢丝绳损伤面积检测方法 |
CN110044808A (zh) * | 2019-05-20 | 2019-07-23 | 哈尔滨工业大学(深圳) | 导磁构件锈蚀度无损定量检测方法、系统及存储介质 |
CN110231395A (zh) * | 2019-06-30 | 2019-09-13 | 华中科技大学 | 一种钢丝绳断丝损伤识别方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010014659A (ja) * | 2008-07-07 | 2010-01-21 | Hitachi Building Systems Co Ltd | ワイヤーロープの探傷装置 |
CN102570392A (zh) * | 2012-01-17 | 2012-07-11 | 上海电力学院 | 基于改进概率神经网络的变压器励磁涌流鉴别方法 |
CN102879460A (zh) * | 2012-09-18 | 2013-01-16 | 江苏申锡建筑机械有限公司 | 一种钢丝绳缺陷检测系统 |
CN203673001U (zh) * | 2013-10-24 | 2014-06-25 | 西安欣东源电气有限公司 | 一种漏磁场测量型干式电抗器在线监测装置 |
CN106018545A (zh) * | 2016-06-29 | 2016-10-12 | 东北大学 | 一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法 |
-
2017
- 2017-05-23 CN CN201710369431.9A patent/CN107301271B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010014659A (ja) * | 2008-07-07 | 2010-01-21 | Hitachi Building Systems Co Ltd | ワイヤーロープの探傷装置 |
CN102570392A (zh) * | 2012-01-17 | 2012-07-11 | 上海电力学院 | 基于改进概率神经网络的变压器励磁涌流鉴别方法 |
CN102879460A (zh) * | 2012-09-18 | 2013-01-16 | 江苏申锡建筑机械有限公司 | 一种钢丝绳缺陷检测系统 |
CN203673001U (zh) * | 2013-10-24 | 2014-06-25 | 西安欣东源电气有限公司 | 一种漏磁场测量型干式电抗器在线监测装置 |
CN106018545A (zh) * | 2016-06-29 | 2016-10-12 | 东北大学 | 一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法 |
Non-Patent Citations (3)
Title |
---|
DONGLAI ZHANG 等: "Characterization of Wire Rope Defects with Gray Level Co-occurrence Matrix of Magnetic Flux Leakage Images", 《J NONDESTRUCT EVAL》 * |
张恩超: "基于钢丝绳漏磁检测定量算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
赵敏 等: "钢丝绳缺陷漏磁信号的通道均衡化方法", 《哈尔滨工业大学学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108535354A (zh) * | 2018-04-13 | 2018-09-14 | 哈尔滨工业大学深圳研究生院 | 一种钢丝绳漏磁检测和磁发射检测的损伤判定及定位方法 |
CN109325286A (zh) * | 2018-09-17 | 2019-02-12 | 天津工业大学 | 一种基于有限元的钢丝绳芯输送带的钢丝绳排布分析方法 |
CN109948211A (zh) * | 2019-03-08 | 2019-06-28 | 重庆交通大学 | 一种基于磁记忆信号的拉索结构损伤程度评价方法 |
CN109948211B (zh) * | 2019-03-08 | 2022-07-12 | 重庆交通大学 | 一种基于磁记忆信号的拉索结构损伤程度评价方法 |
CN110006338A (zh) * | 2019-04-28 | 2019-07-12 | 哈尔滨工业大学(深圳) | 一种钢丝绳损伤面积检测方法 |
CN110044808A (zh) * | 2019-05-20 | 2019-07-23 | 哈尔滨工业大学(深圳) | 导磁构件锈蚀度无损定量检测方法、系统及存储介质 |
CN110044808B (zh) * | 2019-05-20 | 2021-09-10 | 哈尔滨工业大学(深圳) | 导磁构件锈蚀度无损定量检测方法、系统及存储介质 |
CN110231395A (zh) * | 2019-06-30 | 2019-09-13 | 华中科技大学 | 一种钢丝绳断丝损伤识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107301271B (zh) | 2020-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301271A (zh) | 一种钢丝绳外层损伤漏磁检测定量算法 | |
CN110659636A (zh) | 基于深度学习的指针式仪表读数识别方法 | |
CN101482540B (zh) | 基于电磁层析成像技术的钢丝绳损伤检测方法 | |
CN106643965B (zh) | 一种利用模板匹配精确识别液位的方法 | |
CN111650250A (zh) | 一种碳纤维增强复合材料无损检测方法及系统 | |
CN113313296A (zh) | 一种基于rusle的区域土壤侵蚀定量评价方法 | |
CN105300267B (zh) | 基于电磁涡流和数据融合算法的金属板厚度测量方法 | |
Li et al. | The application of topological gradients to defect identification in magnetic flux leakage-type NDT | |
CN113252960A (zh) | 一种适用于直流配电网电流传感器的外磁场干扰抑制方法 | |
CN114358091B (zh) | 一种基于卷积神经网络的桩损伤识别方法、设备及介质 | |
Shao et al. | A kind of pavement crack detection method based on digital image processing | |
CN103399083A (zh) | 一种脉冲涡流检测提离效应的抑制方法 | |
CN205538822U (zh) | 一种基于隧道磁电阻传感器的无损检测装置 | |
CN104702920B (zh) | 基于cmos图像采集对电能表进行自动抄表的方法 | |
CN112489026A (zh) | 基于多分支并行卷积神经网络的沥青路面病害检测方法 | |
CN110006338A (zh) | 一种钢丝绳损伤面积检测方法 | |
CN103076035B (zh) | 一种基于双支持向量机的传感器测量方法 | |
CN109655483A (zh) | 一种基于深度学习算法的材料微观结构缺陷检测方法 | |
Zhang et al. | Defect reconstruction from magnetic flux leakage measurements employing modified cuckoo search algorithm | |
CN107132581A (zh) | 一种基于位姿映射关系数据库的双层磁源定位方法 | |
Yudong et al. | Pointer-type meter reading method research based on image processing technology | |
CN212904628U (zh) | 一种碳纤维增强复合材料无损检测系统 | |
CN104165714A (zh) | 一种铁磁性细长构件轴力检测方法及装置 | |
Zhang et al. | A stress defect state measurement method based on low-frequency ACMFL excitation and Hall sensor array collection | |
CN115236175A (zh) | 基于比值特征参数的断口宽度反演模型的构建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |