CN107356669B - 用于声发射测试的方法和装置 - Google Patents

用于声发射测试的方法和装置 Download PDF

Info

Publication number
CN107356669B
CN107356669B CN201710286991.8A CN201710286991A CN107356669B CN 107356669 B CN107356669 B CN 107356669B CN 201710286991 A CN201710286991 A CN 201710286991A CN 107356669 B CN107356669 B CN 107356669B
Authority
CN
China
Prior art keywords
frequency distribution
frequency
boxes
acoustic
data
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.)
Active
Application number
CN201710286991.8A
Other languages
English (en)
Other versions
CN107356669A (zh
Inventor
H·H·泰特
Y-J·吴
J·D·沙佛
M·J·马修斯
A·高
V·P·保卡
R·李
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Boeing Co
Original Assignee
Boeing Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Boeing Co filed Critical Boeing Co
Publication of CN107356669A publication Critical patent/CN107356669A/zh
Application granted granted Critical
Publication of CN107356669B publication Critical patent/CN107356669B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L1/00—Measuring force or stress, in general
    • G01L1/10—Measuring force or stress, in general by measuring variations of frequency of stressed vibrating elements, e.g. of stressed strings
    • G01L1/106—Constructional details
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本申请涉及用于声发射测试的方法和装置。公开了一种用于使用声发射(206)分析目标(102、200)的方法和装置。目标(102、200)的负荷数据(218)被接收。来自声感测系统(104、204)的目标(102、200)的声波形数据(212)被接收。声波形数据(212)表示从目标(202、200)传出并且使用声感测系统(104、204)检测到的声发射(206)。用于负荷数据(218)的多个盒(224)被产生。用于多个盒(224)的多个频率分布函数(228)使用声波形数据(212)来生成。一组学习算法被应用到多个频率分布函数(228)以及声波形数据(212)以生成允许操作者更容易和快速地评定目标(102、200)的结构完整性的输出。

Description

用于声发射测试的方法和装置
技术领域
本公开总体涉及声发射，并且具体涉及检测来自目标的声发射。更加具体地，本公开涉及用于分析目标的声发射以随时间评定这些目标的结构完整性的方法和装置。
背景技术
声发射是当材料经受结构变化时目标或材料中的声波的辐射。例如(不限于)，当复合目标经受结构变化时可以发生声发射。该结构变化可以采取裂缝形成、裂缝延伸、裂痕形成、裂痕延伸、分层、一些其他类型的结构变化或其组合的形式。
这些声波可以使用被用来生成随后可以被分析的数据的声传感器来检测。然而，使用目前可用的用于执行声发射检测和分析的方法以期望的精确度水平来识别结构变化的性质或方法可能比期望的更加困难、冗长乏味和耗时。在一些情况下，使用目前可用的方法来识别结构变化的性质或模式可能是不可能的。
声发射检测和测试的一些目前可用的方法可能要求基于检测的声发射生成的信号是单一类型的结构事件所导致的。然而，一些目标(诸如(但不限于)复合目标)可以同时经受多种类型的结构变化。声检测和测试的一些目前可用的方法可能不能容易和快速地确定结构变化的多种模式在何时同时发生。特别地，当多个结构变化在给定的时间间隔期间发生在目标中时，声检测和测试的目前可用的方法可能不能识别结构变化的具体模式。因此，具有考虑到上面讨论的问题中的至少一些以及其他可能的问题的方法和装置将是期望的。
发明内容
在一个说明性实施例中，一种装置包含声感测系统和分析器模块。声感测系统相对于目标放置。声感测系统检测声发射并且生成用于检测声发射的声波形数据。分析器模块被实施在计算机系统中。分析器模块接收目标的负荷数据和声波形数据，产生用于负荷数据的多个盒，使用声波形数据生成用于多个盒的多个频率分布函数，以及将一组学习算法应用于多个频率分布函数和声波形数据以生成允许操作者更容易和快速地评定目标的结构完整性的输出。
在另一说明性实施例中，提供了一种用于使用声波分析目标的方法。接收目标的负荷数据。接收来自声感测系统的目标的声波形数据。该声波形数据表示从目标传出并且使用声感测系统检测到的声发射。产生用于负荷数据的多个盒。使用声波形数据生成用于多个盒的多个频率分布函数。将一组学习算法应用于多个频率分布函数和声波形数据以生成允许操作者更容易和快速地评定目标的结构完整性的输出。
在又一说明性实施例中，提供了一种用于在飞机的生命周期中的至少一个阶段期间监视飞机中的复合目标的方法。使用声感测系统来检测从复合目标辐射的声发射以生成声波形数据。分析器模块接收复合目标的声波形数据和负荷数据。分析器模块产生用于负荷数据的多个盒。声波形数据中的一组波形落在多个盒中对应的盒内。分析器模块使用声波形数据生成用于多个盒的多个频率分布函数。将一组监督学习算法应用于多个频率分布函数、声波形数据以及存储的多个描述符以生成识别用于多个频率分布函数中的每个频率分布函数的分类结果的分类输出。该分类输出允许操作者更容易和快速地评定复合目标的结构完整性。
特征和功能可以在本公开的各种实施例中独立地实现或者可以在其他实施例中被组合，其中参考以下描述和附图可以看到进一步的细节。
附图说明
在所述的权利要求书中阐述了被认为是说明性实施例的特性的新颖特征。然而，当结合附图阅读时，通过参考本公开的说明性实施例的以下具体实施方式，将最好的理解说明性实施例以及使用的优选模式、进一步其目标及其特征，在附图中：
图1是根据说明性实施例的测试环境的说明；
图2是根据说明性实施例的框图形式的目标、声感测系统以及分析器模块的说明；
图3是根据说明性实施例的飞机等距视图的说明；
图4是根据说明性实施例的用于使用声发射分析目标的过程的流程图形式的说明；
图5是根据说明性实施例的用于生成多个频率分布函数的过程的流程图形式的说明；
图6是根据说明性实施例的用于将一组学习算法应用于多个频率分布函数以生成输出的一个过程的流程图形式的说明；
图7是根据说明性实施例的用于将一组学习算法应用于多个频率分布函数以生成输出的另一个过程的流程图形式的说明；
图8是根据说明性实施例的用于使用声发射分析飞机中的复合目标的过程的流程图形式的说明；
图9是根据说明性实施例的框图形式的数据处理系统的说明；
图10是根据说明性实施例的框图形式的飞机制造和维护的说明；以及
图11是根据说明性实施例的框图形式的飞机的说明。
具体实施方式
说明性实施例考虑不同的注意事项。例如，说明性实施例考虑具有用于能够对同时发生的多个结构事件进行识别和分类的用于检测和分析来自目标的声发射的方法和装置可能是期望的。具体地，说明性实施例考虑具有允许声波形和结构变化的具体模式之间的精确关联的用于相对于目标的负荷历史分析声发射的方法和装置可能是期望的。
因此，说明性实施例提供用于使用声发射分析目标的方法和装置。在一个说明性示例中，从目标传出的声发射使用声感测系统来检测以生成声波形数据。该声波形数据连同目标的负荷数据被一起接收。产生用于负荷数据的多个盒。使用声波形数据生成用于多个盒的多个频率分布函数。将一组学习算法应用于多个频率分布函数以生成允许操作者更容易和快速地评定目标的结构完整性的输出。
具体地，说明性实施例提供用于解决与确定目标中何时同时发生结构变化的多种模式相关联的挑战的方法和装置。进一步，说明性实施例提供解决与即使当在给定的时间间隔期间发生结构变化的多种模式时也识别在该时间间隔期间发生在目标中的结构变化的每种具体模式相关联的挑战的方法和装置。
现在参考附图，并且具体地参考图1，根据说明性实施例描绘了测试环境的说明。在该说明性示例中，测试环境100可以用于执行目标102的测试。在该说明性示例中，目标102采用复合目标的形式。然而，在其他说明性示例中，目标102可以是一些其他类型的目标，诸如(但不限于)金属目标。
声感测系统104用于检测从目标102传出的声发射。声感测系统104包括声传感器106、信号调节器107以及发射器108。声传感器106中的每个声传感器被放置为与目标102接触并且能够随时间检测当负荷被应用于目标102时可以辐射穿过目标102的声波。该负荷(未示出)可以是随时间恒定的，可以随时间变化，或可以遵循恒定间隔和随时间变化的间隔混合的模式。
在该说明性示例中，声传感器106生成通过信号调节器107发送到发射器108的声发射信号。信号调节器107可以放大、滤波、同时放大和滤波这些声发射信号。然后发射器108可以将声发射信号转换为声波形数据，然后该声波形数据被无线地发射到分析器模块109用于处理。在一些情况下，发射器108包括可以在转换为声波形数据之前调节声发射信号的增益的前置放大器或放大器组件。
如所描绘的，分析器模块109被实施在计算机系统110中，在该说明性示例中，发射器108将声波形数据无线地发送到计算机系统110中的分析器模块109。在其他说明性示例中，发射器108可以通过一个或多个有线连接将声波形数据发送到分析器模块109。
分析器模块109接收声波形数据和负荷数据两者。负荷数据可以包括随时间被应用于目标102的负荷或由目标102经受的负荷的测量值。分析器模块109以降低基于检测到的声发射识别目标102随时间的结构变化的性质和模式所需要的时间量和计算机处理资源的方式来处理声波形数据和负荷数据。具体地，分析器模块109生成允许操作者更容易和快速地评定目标102的结构完整性的输出。
现在参考图2，根据说明性实施例以框图的形式描绘了目标、声感测系统以及分析器模块的说明。目标200可以采用多种不同的形式。在一个说明性示例中，目标200采用复合目标202的形式。然而，在其他说明性示例中，目标200可以采用金属目标、具有至少部分的金属组分的目标，或一些其他类型的目标的形式。
根据实施方式，目标200可以处于目标200的生命周期中的任一阶段。例如(不限于)，目标200可以处于测试阶段、处于系统集成阶段、处于使用中阶段、处于维修阶段、处于修理阶段，或处于目标200的生命周期期间的一些其他时间点。在一个说明性示例中，复合目标202可以包含测试块。图1中的目标102是图2中的目标200的一个实施方式的示例。
声感测系统204用于检测响应于目标200的载荷(loading)来自目标200声发射206。该载荷可以根据实施方式以多种不同的方式执行。例如，在一些情况下，外部负荷可以被应用于目标200达扩展的时间周期，同时声感测系统204用于检测由该载荷导致的声发射206。在其他说明性示例中，载荷可能由于将目标200整合到更大的结构或系统中而产生。
目标200的载荷可以影响目标200随时间的结构完整性。例如，载荷可以导致目标200中降低目标200的结构完整性的某些结构变化。这些结构变化可以包括(但不限于)裂缝形成、开裂、裂缝的延伸、裂痕的延伸、纤维断裂、分层、一些其他类型的不期望的结构变化，或其组合。
声发射206是由于目标200中的结构变化导致的穿过目标200辐射的声波。声感测系统204包含一组声传感器208。如本文所使用的，“一组”项目可以包括一个或多个项目。以这种方式，一组声传感器208可以包括一个或多个声传感器。
声传感器210是一组声传感器208中的一个声传感器的示例。在一个说明性示例中，声传感器210被放置与目标200接触以检测声发射206。
该组声传感器208检测声发射206并且生成用于检测到的声发射206的声波形数据212。声波形数据212被发送到分析器模块214。分析器模块214可以使用任意数量的有线通信链路、无线通信链路、其他类型的通信链路或其组合接收来自声感测系统204的声波形数据。
在该说明性示例中，分析器模块214可以以软件、硬件、固件、或其组合来实施。当使用软件时，由分析器模块214执行的操作可以使用例如(不限于)被配置为运行在处理器单元上的程序代码来实施。当使用固件时，由分析器模块214执行的操作可以使用例如(不限于)存储在永久性存储器中以运行在处理器单元上的程序代码和数据来实施。
当采用硬件时，该硬件可以包括操作以执行分析器模块214的操作的一个或多个电路。根据实施方式，该硬件可以采用电路系统、集成电路、专用集成电路(ASIC)、可编程逻辑器件、或被配置为执行任意数量的操作的一些其他合适类型的硬件设备的形式。
可编程逻辑器件可以被配置为执行某些操作。该器件可以被永久地配置为执行这些操作或可以是可重新配置的。可编程逻辑器件可以采用例如(不限于)可编程逻辑阵列、可编程阵列逻辑、现场可编程逻辑阵列、现场可编程门阵列或一些其他类型的可编程硬件设备的形式。
在该说明性示例中，分析器模块214使用计算机系统216来实施。实施在图1中的计算机系统110中的分析器模块109可以是实施在计算机系统216中的分析器模块214的一种实施方式的示例。计算机系统216可以包括单个计算机或相互通信的多个计算机。
分析器模块214除了接收声波形数据212之外还接收负荷数据218。在一个说明性示例中，负荷数据218可以是由负荷感测系统220生成的数据。负荷感测系统220可以包括测量目标200随时间的载荷的一个或多个负荷传感器。
在其他说明性示例中，分析器模块214从数据库222中检索负荷数据218。例如(不限于)，负荷数据218可以是在相同或相似的载荷情况下针对类似于目标200的目标而生成的先前生成的负荷数据。
分析器模块214产生用于负荷数据218的多个盒224。多个盒224具有多个盒宽226。具体地，多个盒224中的每个盒具有多个盒宽226中对应的盒宽。在一个说明性示例中，多个盒宽226可以是相等的。然而，在其他说明性示例中，多个盒宽226中的一个或多个盒宽可以是不同的。
在一些说明性示例中，多个盒宽226是多个基于时间的盒宽。换句话说，多个盒224中的每个盒可以对应于时间间隔。在其他说明性示例中，多个盒宽226是多个基于负荷的盒宽。换句话说，多个盒224中的每个盒可以对应于负荷间隔。
分析器模块214使用多个盒224和声波形数据212生成多个频率分布函数228。在一个说明性示例中，多个频率分布函数228采用多个频率直方图230的形式。
多个频率分布函数228包括用于多个盒224中的每个盒的一个频率分布函数。例如，分析器模块214生成用于盒234的频率分布函数232。盒234具有可以具有定义的盒宽，该定义的盒宽可以是定义的时间间隔或定义的负荷间隔。
在一个说明性示例中，分析器模块214通过将选定的频率范围划分为多个频率盒235来产生频率分布函数232。根据实施方式，多个频率盒235可以具有相同或不同的盒宽。多个频率盒235中的每个频率盒用于保留计数并且因此可以被增加。
然后，分析器模块214相对于负荷数据218处理声波形数据212。例如，对于多个盒224中的每个盒，分析器模块214使用声波形数据212识别落在该盒内的一组波形。此后，分析器模块214计算用于多个盒224中的每个盒的该组波形的快速傅里叶变换。
作为一个说明性示例，分析器模块214使用声波形数据212识别落在盒234内的一组波形238。在一些说明性示例中，用于多个盒224的多个盒宽226可以被选择使得至少一个波形完全落在多个盒224中的每个盒内。然后，分析器模块214计算落在盒234内的一组波形238的快速傅里叶变换。然后，分析器模块214基于计算的快速傅里叶变换识别该组波形238的频率峰值240。
在一个说明性示例中，分析器模块214针对该组波形238中的每个波形选择定义的多个频率峰值。如本文所使用的，“多个”项目可以包括一个或多个项目。以这种方式，定义的多个频率峰值可以包括一个或多个频率峰值。在一些情况下，由分析器模块214选择的频率峰值的数量可以是例如(不限于)，三个、四个、五个、八个或基于计算的该组波形238的快速傅里叶变换的该组波形238中的每个波形的一些其他数量的频率峰值。
当识别落在对应的频率盒中的频率峰值时，分析器模块214增加多个频率盒235中对应的频率盒。例如，如果频率峰值240中的任意频率峰值落在对应于大约80千赫兹到大约90千赫兹的范围的频率盒内，则将频率盒增加落在该范围内的频率峰值的总数量。该过程产生用于盒234的频率分布函数232。
在其他说明性示例中，多个频率盒235可以被不同地累积。例如，多个频率盒235中的频率盒可以是使用声波形数据212计算的在该频率盒处的能量的累积。
产生用于盒234的频率分布函数232的过程针对多个频率盒224的每一个被重复进行，以最终产生多个频率分布函数228。多个频率分布函数228为操作者提供用于快速地评定目标200的结构完整性的容易的方式。
当目标200是测试目标时，多个频率分布函数228的进一步处理利用分析器模块214执行。例如(不限于)，分析器模块214使用多个频率分布函数228产生多个集簇242。多个集簇242是多个感兴趣的集簇。
在一个说明性示例中，分析器模块214将一个或多个非监督学习算法应用于多个频率分布函数228以建立多个集簇242。多个集簇242中的每个集簇是多个频率分布函数中的频率分布函数的群组。
如本文使用的，非监督学习算法是用于从包含没有标记响应的数据的数据集中进行推断的机器学习算法。非监督学习的一个示例是分簇。分簇算法可以是用于将一组元素以这样的方式分组的算法：可以被称为集簇的相同群组中的元素比其他群组中的其他元素彼此更相似。
在这些说明性示例中，分析器模块214可以使用一组非监督学习算法将多个频率分布函数228中的频率分布函数进行分组以形成多个集簇242。根据实施方式，k均值分簇算法、混合模型分簇算法、分层分簇算法、一些其他类型的分簇算法、一些其他类型的非监督学习算法，或其组合可以用于识别多个集簇242。
多个集簇242中的每个集簇对应于影响目标200的结构完整性的结构变化。在一个说明性示例中，多个集簇242中的每个集簇对应于降低目标200的结构完整性的结构变化的不同模式。
在一个说明性示例中，分析器模块214识别用于多个集簇242的多个描述符244。集簇的描述符可以是质心、均值、或者是该集簇的一些其他类型的代表性频率分布函数。作为一个说明性示例，描述符可以是该集簇的质心频率分布函数。
多个集簇242可以使用替代测试数据236与结构变化的多种模式相关联。替代测试数据236可以是可以从中容易地识别目标200的结构变化的数据。例如，替代测试数据236可以采用X射线成像数据、超声成像数据、红外成像数据、建模数据或一些其他类型的数据的形式。建模数据可以从计算机模型中生成。
作为一个说明性示例(但不限制)，替代测试数据236采用在目标200的载荷期间生成的目标200的现场X射线数据的形式。然后该替代测试数据236用于检测目标200中的结构变化并且将这些结构变化识别为多种模式246。多种模式246中的每种模式可以是不同类型的结构变化。在一些情况下，多种模式246中的每种模式可以被称为结构损坏(compromise)模式。
例如，但不限于，当目标200采用复合测试块的形式时，多种模式246可以包括裂缝形成、裂缝延伸、开裂、以及裂痕延伸。在一些情况下，多种模式246还可以包括纤维断裂、分层、或一些其他形式的结构损坏。
多种模式246和多个集簇242两者都被映射回负荷数据218使得多个集簇242中的每个集簇与多种模式246中对应的模式基本重叠。换句话说，多种模式246可以使用负荷数据218被映射回到具体时间、负荷情况或两者。
类似地，多个集簇242可以使用负荷数据218被映射回到具体时间、负荷情况或两者。例如但不不限于，用于负荷数据218的多个盒224中的每个盒可以被指定为保持属于多个集簇242中的特定集簇的一个或多个波形。
在一个说明性示例中，多个集簇242中的每个集簇可以与多种模式246中的对应模式关于时间基本重叠或在选定的容差内重叠。以这种方式，多个集簇242中的每个集簇可以与多种模式246中的对应模式配对或者被分配给多种模式246中的对应模式。在一个说明性示例中，对应于多个集簇242中的每个集簇的描述符与多种模式246中的对应模式配对。换句话说，多个描述符244可以与多种模式246配对。
在一个说明性示例中，多个集簇242可以包括具有第一描述符的第一集簇、具有第二描述符的第二集簇、具有第三描述符的第三集簇以及具有第四描述符的第四集簇。在该说明性示例中，第一集簇和第一描述符表示结构变化的第一模式。第二集簇和第二描述符表示结构变化的第二模式。第三集簇和第三描述符表示结构变化的第三模式。第四集簇和第四描述符表示结构变化的第四模式。当然，在其他说明性示例中，多个集簇242可以包括少于四个的集簇或多于四个的集簇。
一旦多个集簇242中的每个集簇与结构变化的对应模式相关联，用于多个集簇242的多个描述符244就被存储以便日后使用。例如，多个描述符244连同每个描述符的模式分类可以被存储在数据库222或一些其他类型的数据结构或数据存储装置中。
在一个说明性示例中，分析器模块214生成识别多种模式246中的每种模式与多个描述符244中的对应描述符的配对的描述符分类输出248。描述符分类输出248可以被存储在数据库222或一些其他类型的数据结构或数据存储装置中以便日后使用。以这种方式，描述符分类输出248建立可以用于评估与目标200在结构上相同或在结构上相似的一个或多个零件的结构完整性的基线数据。
在其他说明性示例中，目标200可以不是测试目标。相反，目标200可以处于使用中阶段、维护阶段、维修阶段、认证阶段，或目标200的生命周期中的一些其他类型的阶段。在这些说明性示例中，多个频率分布函数228一旦被生成，分析器模块214就将一个或多个监督学习算法应用于该多个频率分布函数228。
如本文所使用的，监督学习算法是用于从标记的训练数据中进行推断的机器学习算法。在这些说明性示例中，该标记的训练数据采用描述符分类输出248的形式，该描述符分类输出248将多个描述符244中与多个集簇242中的集簇相对应的每个描述符与多种模式246中的对应模式进行标记。
支持向量机是一种类型的监督学习算法的示例。例如但不不限于，支持向量机可以被应用于多个频率分布函数228和存储的多个描述符247以生成分类输出250。存储的多个描述符247以类似于多个描述符244的方式被生成。存储的多个描述符247可以被存储在数据库222或其他类型的数据结构或数据存储装置中。
具体地，基于存储的多个描述符247针对多个盒224中的每个盒进行二元判定。更具体地，相对于多个描述符244中的每个描述符分析针对多个盒224中的每个盒生成的多个频率分布函数。
例如但不限于，用于盒234的频率分布函数232可以相对于存储的多个描述符247中的每个描述符被分析。对频率分布函数232是否在选定的容差内匹配描述符进行确定。如果频率分布函数在选定的容差内匹配描述符，则落在盒234中的一组波形238可以被归类为表示对应于该描述符的模式。针对存储的多个描述符247中的每个描述符执行该判定。
由于针对存储的多个描述符247中的每个描述符进行这种类型的二元判定，所以多个盒224中的每个盒可以被归类为表示结构变化的多种模式。以这种方式，落在多个盒224中的任意给定盒内的一组波形可以被归类为表示结构变化的一种或多种模式。在一些情况下，可以确定特定盒中的一组波形不表示多种模式246中的任意特定模式。
在一个说明性示例中，分析器模块214使用多种模式246中的一种或更多种模式基于上述分析生成包括多个盒224中的每个盒的分类的分类输出250。在其他说明性示例中，分析器模块214使用多种模式246中的一种或更多种模式生成识别声波形数据212中的每个波形的分类的分类输出250。
因此，说明性实施例提供用于评定目标200的结构完整性的精确并且有效的方法。然后，基于这种类型的评定获得的信息随后可以用于关于认证、维护、维修、系统整合、一些其他类型的任务或其组合关于目标200进行判定。
由分析器模块214执行的处理可以针对不同类型的目标和负荷情况容易地修整。作为一个说明性示例，多个盒宽226可以基于目标200的载荷的类型来选择。例如但不限于，当目标200被更快速地加负荷时，声发射206可以更迅速地发生。多个盒宽226可以被选择以产生较小的盒以允许事件的更清晰的分隔。然而，当目标200被更缓慢地加负荷时，声发射206可以更缓慢地发生。然后，多个盒宽226可以被选择以产生较大的盒，由此降低需要被处理的数据的整体容量。
进一步，在一些说明性示例中，分析器模块214可以被配置为通过显示系统252上的图形化用户界面显示描述符分类输出248、分类输出250、或两者。在一些情况下，多个频率分布函数228可以被显示在显示系统252上。以这种方式，操作者能够快速并且容易地关于目标200进行判定。
图2中的目标200、声感测系统204以及分析器模块214的说明不意味着暗示对说明性实施例可以被实施的方式的物理或架构的限制。除了所说明的组件之外还可以使用其他组件，或者使用替换所说明的组件的其他组件。一些组件可以是可选的。同样，框被呈现以说明一些功能组件。当在说明性实施例中被实施时，这些框中的一个或多个可以被组合、划分，或组合并划分为不同的框。
例如但不限于，在一些情况下，声感测系统204可以包括至少一个信号调节器(未示出)，诸如图1中的信号调节器107，以及发射器(未示出)，诸如图1中的发射器108。作为一个说明性示例，信号调节器可以用于放大并滤波声传感器210检测的声发射信号的频率分量。然后声发射信号被转换为声波形数据212，利用发射器将声波形数据212发送到分析器模块214。发射器可以使用一个或多个无线通信链路、有线通信链路或其他类型的通信链路将声波形数据212发送到分析器模块214。
在一些情况下，单个信号调节器可以用于放大并滤波由一组声传感器208生成的一组声发射信号。在其他说明性示例中，一组声传感器208中的每个声传感器可以被连接到不同的信号调节器。在又一些说明性示例中，信号调节器可以被集成作为一组声传感器208中的每个传感器的一部分。
进一步，尽管分类输出250被描述为使用一个或多个监督学习算法来生成，然而在其他说明性示例中，半监督学习算法或结合监督学习和非监督学习的过程可以用于生成分类输出250。再进一步，尽管描述符分类输出248被描述为使用一个或多个非监督学习算法来生成，然而在其他说明性示例中，半监督学习算法或结合监督学习和非监督学习的过程可以用于生成描述符分类输出248。
现在参考图3，根据说明性实施例描绘了飞机的等距视图的说明。在该说明性示例中，飞机300包括附连到机身306的机翼302和机翼304。飞机300还包括附连到机翼302的发动机308和附连到机翼304的发动机310。
进一步，飞机300包括尾部312。水平稳定器314、水平稳定器316以及垂直稳定器318被附连到尾部312。
声感测系统(未示出)(诸如图2中的声感测系统204或图1中的声感测系统104)可以相对于飞机300被放置以便在飞机300的生命周期期间监测飞机300的各种零件的声发射。例如但不限于，声感测系统可以包括在沿飞机300的位置320处的各种声传感器(未示出)。位置320可以包括与飞机300的零件的表面接触的位置、嵌入在飞机300的零件或结构内的位置、位于接近但不接触飞机300的零件或结构的位置或其组合。
在飞机300的生命周期期间的任意阶段，由声感测系统204生成的声波形数据可以由图2中的分析器模块214收集并分析。以这种方式，飞机300的各种零件或结构的结构完整性可以被分析并且任意检测到的非期望的结构变化可以被归类。
现在参考图4，根据说明性实施例以流程图的形式描绘了用于使用声发射分析目标的过程的说明。在图4中说明的过程可以由图2中描述的分析器模块214来实施。
该过程可以开始于接收来自声感测系统的目标的声波形数据，其中该声波形数据表示由声感测系统检测到的从目标传出的声发射(操作400)。接下来，接收目标的负荷数据(操作402)。然后，产生用于负荷数据的多个盒(操作404)。
在操作404中，根据实施方式，多个盒可以是多个时间盒或多个负荷盒。然后使用声波形数据生成用于多个盒的多个频率分布函数(操作406)。在操作406中，针对多个频率盒中的每个频率盒生成频率分布函数。在一些说明性示例中，多个频率分布函数采用多个频率直方图的形式。
然后，将一组学习算法应用于多个频率分布函数和声波形数据以生成允许操作者更容易和快速地评定目标的结构完整性的输出(操作408)，然后过程结束。当目标遭受同时发生的结构变化的多种模式时，图4中描述的过程可以降低精确地评定目标的结构完整性所需要的整体时间、精力，以及基于计算机的处理资源。
现在参考图5，根据说明性实施例描以流程图的形式描绘了用于生成多个频率分布函数的过程的说明。在图5中说明的过程可以由图2中描述的分析器模块214来实施。该过程可以用于实施图4中的操作406。
该过程开始于产生多个频率盒(操作500)。在操作500中，多个频率盒中的每个盒可以具有定义的盒宽。多个频率盒的盒宽可以相同或可以不同。在一个说明性示例中，操作500通过基于定义的频率间隔将选定的频率范围划分为多个频率盒来执行。
然后，盒从多个盒中被选择用于处理(操作502)。在操作502中，多个盒可以是例如在图4中的操作404中产生的多个盒。
接下来，识别落在被选定的盒内的一组波形(操作504)。针对该组波形计算快速傅里叶变换(FFT)(操作506)。针对该组波形中的每个波形识别多个频率峰值(操作508)。多个频率盒中频率峰值落在其中的每个频率盒被增加(操作510)。以这种方式，产生用于选定的盒的频率分布函数。操作510是如何可以基于在操作506中计算的快速傅里叶变换和在操作508中针对该组波形中的每个波形识别的多个频率峰值更新多个频率盒的一个示例。
然后对任意附加盒是否需要被处理进行确定(操作512)。如果没有附加盒需要被处理，那么过程结束。否则，过程返回到上述操作502。图5中描述的过程导致生成用于多个盒的多个频率分布函数。
现在参考图6，根据说明性实施例以流程图的形式描绘了用于将一组学习算法应用于多个频率分布函数以生成输出的一种过程的说明。图6中说明的过程可以由图2中的分析器模块214来实施并且可以是图4中的操作408如何可以被实施的一个示例。
该过程开始于由将一组非监督学习算法应用于多个频率分布函数以建立多个集簇(操作600)。在操作600中，多个频率分布函数基于非监督学习算法被分组成集簇。
接下来，识别用于多个集簇的多个描述符(操作602)。在操作602中，识别用于每个集簇的描述符。描述符是用于该集簇的代表性频率分布函数。特定的集簇的描述符可以是，例如但不限于该集簇的质心频率分布函数或均值频率分布函数。
然后，基于多种模式的识别，使用替代测试数据将多个描述符中的每个描述符与结构变化的特定模式相关联(操作604)。在操作604中，替代测试数据可以是，例如但不限于X射线数据。进一步，多种模式可以包括，例如但不限于，纤维断裂、开裂、裂痕延伸、分层、裂缝形成、裂缝延伸，或一些其他模式的结构变化。
生成将多个描述符中的每个描述符与多种模式中的特定模式配对的描述符分类输出(操作606)，然后过程结束。该描述符分类输出随后可以用于执行其他目标的结构完整性的评估。
现在参考图7，根据说明性实施例以流程图的形式描绘了用于将一组学习算法应用于多个频率分布函数以生成输出的另一种过程的说明。图7中说明的过程可以由图2中的分析器模块214来实施并且可以是图4中的操作408可以如何被实施的另一个示例。
该过程可以开始于将一组监督学习算法应用于多个频率分布函数和多个描述符(操作700)。频率分布函数从多个频率分布函数中选择(操作702)。多个频率分布函数中的每个频率分布函数表示基于负荷数据落在特定时间盒或负荷盒内的一组波形。
接下来，从存储的多个描述符中选择描述符(操作704)。在操作704中，存储的多个描述符可以是以与图6中描述的过程类似的方式针对先前生成的声波形数据被先前识别的。存储的多个描述符中的每个描述符对应于结构变化的不同模式。
然后，相对于选定的描述符分析选定的频率分布函数(操作706)。例如，在操作706中，频率分布函数可以与描述符比较，该频率分布函数可以是集簇的代表性频率分布函数。
接下来，频率分布函数基于分析被给定二元分类符值(操作708)。在操作708中，二元分类符值可以是第一值或第二值。例如，第一值可以表明频率分布函数与描述符在选定的容差内匹配，而第二值可以表明频率分布函数与描述符在选定的容差内不匹配。在一些情况下，第一值和第二值可以分别被称为正分类值和负分类值。
然后，对是否剩余任意未选定的描述符进行确定(操作710)。如果剩余任意未选定的描述符，则过程返回到上述操作704。否则，对是否剩余任意未选定的频率分布函数进行确定(操作712)。如果剩余任意未选定的频率分布函数，则过程返回到上述操作702。
否则，该过程生成识别用于多个频率分布函数中的每个频率分布函数的分类结果的分类输出(操作714)，然后过程结束。在操作714中，用于特定频率分布函数的分类结果识别该频率分布函数是表示零、一、二、三、四、五种结构变化模式还是一些其他数量的结构变化模式。
现在参考图8，根据说明性实施例以流程图的形式描绘了用于使用声发射分析飞机中的复合目标的过程的说明。在图8中说明的过程可以使用图2中描述的声感测系统204和分析器模块214来实施。
该过程可以开始于使用声感测系统检测从飞机中的复合目标传出的声发射以生成声波形数据(800)。接下来，目标的声波形数据和负荷数据在分析器模块处被接收(802)。
然后，利用分析器模块产生用于负荷数据的多个盒(操作804)。在操作804中，根据实施方式，多个盒可以是多个时间盒或多个负荷盒。
然后利用分析器模块使用声波形数据生成用于多个盒的多个频率分布函数(操作806)。在操作806中，针对多个盒中的每个盒生成频率分布函数。在一些说明性示例中，多个频率分布函数采用多个频率直方图的形式。
然后，将一组学习算法应用于多个频率分布函数、声波形数据以及用于先前生成的频率分布函数的多个集簇的存储的多个描述符，以生成允许操作者更容易和快速地评定复合目标的结构完整性的分类输出，其中该分类输出识别用于声波形数据中的每个波形的分类结果(操作808)，然后过程结束。在操作808中，分类结果可以将特定波形识别为表示零、一、二、三、四种结构变化模式或一些其他数量的结构变化模式。
在不同的描绘的实施例中的流程图和框图说明在说明性实施例中的装置和方法的一些可能的实施方式的架构、功能以及操作。就此而言，流程图或框图中的每个框可以表示模块、环节、功能和/或操作或步骤的一部分。
在说明性实施例的一些可替代实施方式中，框中注释的功能或多个功能可以不按照附图中注释的顺序发生。例如，在一些情况下，根据涉及的功能，连续示出的两个框可以基本同时执行，或者框有时可以以相反的顺序执行。同样，除了流程图或框图中的说明的框之外，还可以添加其他框。
现在转向图9，根据说明性实施例描绘了框图形式的数据处理系统的说明。数据处理系统900可以用于实施图2中的分析器模块214、计算机系统216或这两者。如所描绘的，数据处理系统900包括通信框架902，该通信框架902提供处理器单元904、存储设备906、通信单元908、输入/输出单元910以及显示器912之间的通信。在一些情况下，通信框架902可以被实施为总线系统。
处理器单元904被配置为执行软件的指令以执行多个操作。根据实施方式，处理器单元904可以包含多个处理器、多处理器核，和/或一些其他类型的处理器。在一些情况下，处理器单元904可以采用硬件单元(诸如电路系统、专用集成电路(ASIC)、可编程逻辑设备，或一些其他合适类型的硬件单元)的形式。
由处理器单元904运行的操作系统、应用程序和/或程序的指令可以位于存储设备906中。存储设备906可以通过通信框架902与处理器单元904通信。如本文所使用的，存储设备(也称为计算机可读存储设备)是能够临时和/或永久地存储信息的任何一片硬件。该信息可以包括但不限于数据、程序代码和/或其他信息。
存储器914和永久性存储装置916是存储设备906的示例。存储器914可以采用例如随机存取存储器或一些其他类型的易失性或非易失性存储设备的形式。永久性存储装置916可以包含任意数量的组件或设备。例如，永久性存储装置916可以包含硬盘驱动器、闪速存储器、可重写光盘、可重写磁带或上述的一些组合。由永久性存储装置916使用的介质可以是可移动或可以不是可移动的。
通信单元908允许数据处理系统900与其他数据处理系统和/或设备通信。通信单元908可以通过使用物理和/或无线通信链路提供通信。
输入/输出单元910允许从连接到数据处理系统900的其他设备接收输入并且将输出发送到连接到数据处理系统900的其他设备。例如，输入/输出单元910可以允许用户输入通过键盘、鼠标和/或一些其他类型的输入设备来接收。作为另一个示例，输入/输出单元910可以允许输出被发送到连接到数据处理系统900的打印机。
显示器912被配置为向用户显示信息。显示器912可以包含，例如但不限于，监视器、触摸屏、激光显示器、全息显示器、虚拟显示设备和/或一些其他类型的显示设备。
在该说明性示例中，不同说明性实施例的过程可以由处理器单元904使用计算机实施的指令来执行。这些指令可以被称为程序代码、计算机可用程序代码，或计算机可读程序代码，并且可以由处理器单元904中的一个或多个处理器读取和执行。
在这些示例中，程序代码918以函数的形式位于选择性地可移动的计算机可读介质920上，并且该程序代码918可以被加载到或被传送到数据处理系统900用于由处理器单元904执行。程序代码918和计算机可读介质920一起形成计算机程序产品922。在该说明性示例中，计算机可读介质920可以是计算机可读存储介质924或计算机可读信号介质926。
计算机可读存储介质924是用于存储程序代码918的物理或有形的存储设备，而不是传播或传输程序代码918的介质。计算机可读存储介质924可以是，例如但不限于光盘或磁盘或连接到数据处理系统900的永久性存储设备。
可替代地，程序代码918可以使用计算机可读信号介质926被传送到数据处理系统900。计算机可读信号介质926可以是，例如包含程序代码918的被传播的数据信号。该数据信号可以是电磁信号、光信号，和/或可以通过物理和/或无线通信链路传输的一些其他类型的信号。
图9中的数据处理系统900的说明不意味着对说明性实施例可以被实施的方式提供架构限制。不同的说明性实施例可以被实施在包括附加于或替换针对数据处理系统900所说明中的组件的组件的数据处理系统中。进一步，图9中示出的组件可以与说明性示例示出的不同。
本公开的说明性实施例可以描述在如图10所示的飞机制造和维护方法1000和图11所示的飞机1100的环境中。首先转向图10，根据说明性实施例以框图的形式描绘了飞机制造和维护方法的说明。在预生产期间，飞机制造和维护方法1000可以包括图11中的飞机1100的规格和设计1002以及材料采购1004。
在生产期间，进行图11中的飞机1100的组件和子配件制造1006和系统整合1008。然后，图11中的飞机1100可以经受认证和交付1010以便投入使用1012。在由客户使用1012时，图11中的飞机1100定期进行日常维修和维护1014，其可以包括改进、重新配置、翻新以及其他维修或维护。
飞机制造和维护方法1000中的每个过程可以由系统集成商、第三方和/或操作者来执行或完成。在这些示例中，操作者可以是客户。为了本说明书的目的，系统集成商可以包括但不限于任意数量的飞机制造商和主系统承包商；第三方可以包括担不限于任意数量的销售商、转包商以及供应商；并且操作者可以是航空公司、租赁公司、军事实体、服务组织等。
现在参考图11，描绘了说明性实施例可以在其中被实施的飞机的说明。在该示例中，飞机1100由图10中的飞机制造和维护方法1000生产并且可以包括具有系统1104和内部件1106的机身。系统1104的示例包括推进系统1108、电气系统1110、液压系统1112以及环境系统1114中的一个或多个。可以包括任意数量的其他系统。尽管示出了航空航天示例，但是不同的说明性实施例可以应用于其他行业，诸如汽车行业。
可以在图10中的飞机制造和维护方法1000的至少一个阶段期间采用在本文中呈现的装置和方法。具体地，可以在飞机制造和维护方法1000的任意一个阶段期间使用图2中的声感测系统204和分析器模块214。
例如但不限于，图2中的声感测系统204可以用于在组件和子配件制造1006、系统整合1008、使用1012、日常维修和维护1014中的至少一个期间或飞机制造和维护方法1000的某一其他阶段期间检测来自飞机1100中的各种零件的声发射。再进一步，图2中的分析器模块214可以用于在在组件和子配件制造1006、系统整合1008、使用1012、日常维修和维护1014中的至少一个期间或飞机制造和维护方法1000的某一其他阶段期间分析检测到的声发射。
在一个说明性示例中，在图10中的组件和子配件制造1006中生产的组件或子配件可以按照与飞机1100在图10的使用1012中时生产的组件或子配件的类似方式被生产或制造。作为又一个示例，一个或多个装置实施例、方法实施例或其组合可以在生产阶段期间(诸如图10中的组件和子配件制造1006和系统整合1008)被使用。一个或多个装置实施例、方法实施例或其组合可以在飞机1100处于使用1012中时和/或在图10中的维修和维护1014期间被使用。多个不同说明性实施例的使用可以显著加快飞机1100的组装和/或减少飞机1100的成本。
为了说明和描述的目的已经呈现了不同的说明性实施例的描述，并且不旨在穷尽或将实施例限制为所公开的形式。多种修改和变化对于本领域的普通技术人员将是显而易见的。进一步，不同的说明性实施例可以提供相比于其他期望的实施例不同的特征。选择的实施例或多个实施例被选定和描述以便最好地解释实施例的原理、实际应用，并且使本领域其他普通技术人员能够理解本公开的具有适合于预期的特定用途的各种修改的各种实施例。
进一步，本公开包含根据下列条款的实施例：
条款1.一种装置，其包含：
相对于目标放置的声感测系统，其中声感测系统检测声发射并且为检测到的声发射生成声波形数据；以及
实施在计算机系统中的分析器模块，分析器模块接收目标的负荷数据和声波形数据，产生用于负荷数据的多个盒，使用声波形数据生成用于多个盒的多个频率分布函数，并且将一组学习算法应用到多个频率分布函数和声波形数据以生成允许操作者更容易和快速地评定目标的结构完整性的输出。
条款2.根据条款1所述的装置，其中声感测系统包含：
被放置为与目标接触的声传感器。
条款3.根据条款1所述的装置，其中该组学习算法包括一组非监督学习算法或一组监督学习算法。
条款4.根据条款1所述的装置，其中负荷数据从数据库中检索，或者在生成声波形数据时从测量目标的负荷的负荷感测系统中接收。
条款5.根据条款1所述的装置，其中多个盒具有多个盒宽，并且其中多个盒宽中的盒宽是时间间隔或负荷间隔。
条款6.根据条款1所述的装置，其中多个频率分布函数中的每个频率分布函数具有多个盒宽，其中多个盒宽中的每个盒宽是定义的频率间隔。
条款7.根据条款1所述的装置，其中多个频率分布函数中的每个频率分布函数包含多个频率盒，并且其中多个频率盒中的频率盒包括落在该频率盒内的多个频率峰值的计数或使用声波形数据计算的该频率盒处的能量的累积。
条款8.根据条款1所述的装置，其中输出识别多个频率分布函数的多个集簇，并且其中该多个集簇包含：
表示结构变化的第一模式的第一集簇；
表示结构变化的第二模式的第二集簇；
表示结构变化的第三模式的第三集簇；以及
表示结构变化的第四模式的第四集簇。
条款9.根据条款1所述的装置，其中分析器模块将该组学习算法应用到多个频率分布函数以建立多个集簇并且识别该多个集簇的多个描述符。
条款10.根据条款9所述的装置，其中多个集簇与替代测试数据一起被分析以便将多个描述符中的每个描述符与结构变化的不同模式相关联，并且其中该替代测试数据选自X射线成像数据、超声成像数据、红外线成像数据以及建模数据中的一种。
条款11.根据条款10所述的装置，其中分析器模块生成将结构变化的模式与多个描述符中的每个描述符相关联的描述符分类输出，并且其中该描述符分类输出被存储在数据库以便日后在零件的生命周期中的至少一个阶段期间用于评估该零件的结构完整性。
条款12.一种用于使用声波分析目标的方法，该方法包含：
接收目标的负荷数据；
接收来自声感测系统的目标的声波形数据，其中该声波形数据表示从目标传出并且使用声感测系统检测到的声发射；
产生用于负荷数据的多个盒；
使用声波形数据生成用于多个盒的多个频率分布函数；以及
将一组学习算法应用到多个频率分布函数和声波形数据以生成允许操作者更容易和快速地评定目标的结构完整性的输出。
条款13.根据条款12所述的方法，进一步包含：
利用声感测系统使用至少一个声传感器检测从目标辐射的声波以生成声发射信号；以及
将声发射信号转化为声波形数据。
条款14.根据条款12所述的方法，其中产生多个盒包含：
识别多个盒的多个盒宽，其中多个盒宽中的盒宽是定义的时间间隔或定义的负荷间隔；以及
识别声波形数据中落在多个盒中的每个盒内的一组波形。
条款15.根据条款14所述的方法，其中生成多个频率分布函数包含：
基于至少一个定义的频率间隔，将选定的频率范围划分为多个频率盒。
条款16.根据条款15所述的方法，其中生成多个频率分布函数进一步包含：
计算落在从多个盒中的选定的盒内的一组波形的快速傅里叶变换；以及
基于该快速傅里叶变化，更新该盒的频率分布函数中的多个频率盒。
条款17.根据条款16所述的方法，其中更新多个频率盒包含：
针对该组波形中的每个波形选择多个频率峰值；以及
当该多个频率峰值中的频率峰值具有落在该频率盒中的频率时，增加多个频率盒中的频率盒。
条款18.根据条款12所述的方法，其中应用该组学习算法包含：
将一组非监督学习算法应用到多个频率分布函数以及声波形数据以建立多个集簇；
识别该多个集簇的多个描述符；以及
基于使用替代测试数据识别的多种模式，生成将多个描述符中的每个描述符归类为表示结构变化的不同模式的描述符分类输出。
条款19.根据条款12所述的方法，其中应用该组学习算法包含：
将一组监督学习算法应用到多个频率分布函数、声波形数据和存储的多个描述符；以及
生成用于多个频率分布函数中的每个频率分布函数的分类结果。
条款20.一种用于在飞机的生命周期中的至少一个阶段期间监视该飞机的复合目标的方法，该方法包含：
使用声感测系统检测从复合目标辐射的声发射以生成声波形数据；
利用分析器模块接收复合目标的声波形数据和负荷数据；
利用该分析器模块产生用于负荷数据的多个盒，其中声波形数据中的一组波形落在多个盒中的对应的盒内；
利用该分析器模块使用声波形数据生成用于多个盒的多个频率分布函数；以及
将一组监督学习算法应用到该多个频率分布函数、声波形数据以及存储的多个描述符，以生成识别用于多个频率分布函数中的每个频率分布函数的分类结果的分类输出，并且其中该分类输出允许操作者更容易和快速地评定该复合目标的结构完整性。
条款21.根据条款20所述的方法，其中将该组监督学习算法应用到多个频率分布函数、声波形数据以及存储的多个描述符以生成分类输出包含：
通过比较多个频率分布函数中选定的频率分布函数与存储的多个描述符中的每一个描述符来生成用于该选定的频率分布函数的分类结果，其中分类结果识别该选定的频率分布函数是否表示结构变化的零或多种模式，并且因此识别声波形数据中对应的一组波形是否表示结构变化的零或多种模式。

Claims (14)

1.一种装置，其包含：
声感测系统(104、204)，其相对于目标(102、200)放置，其中所述声感测系统(104、204)检测声发射(206)并且生成用于检测到的所述声发射(206)的声波形数据(212)；和
分析器模块(109、214)，其被实施在计算机系统中，所述分析器模块(109、214)接收所述目标(102)的负荷数据(218)和所述声波形数据(212)；产生用于所述负荷数据(218)的多个盒(224)；使用所述声波形数据(212)生成用于所述多个盒(224)的多个频率分布函数(228)，包括产生用于所述多个盒中的一个的频率分布函数，并且针对所述多个盒中的每一个重复以产生所述多个频率分布函数；并且将一组学习算法应用于所述多个频率分布函数(228)和所述声波形数据(212)，以生成允许操作者更容易和快速地评定所述目标(102、200)的结构完整性的输出；其中生成所述多个频率分布函数中的每个所述频率分布函数包含将选定的频率范围划分为多个盒，其中所述多个盒中的每个盒用于保持增加的计数。
2.根据权利要求1所述的装置，其中所述多个盒(224)具有多个盒宽(226)并且其中所述多个盒宽(226)中的盒宽是时间间隔或负荷间隔。
3.根据权利要求1所述的装置，其中所述多个频率分布函数(228)中的每个频率分布函数(232)具有多个盒宽(226)，其中所述多个盒宽(226)中的每个盒宽是定义的频率间隔。
4.根据权利要求1所述的装置，其中所述多个频率分布函数(228)中的每个频率分布函数(232)包含多个频率盒(235)，并且其中所述多个频率盒(235)中的频率盒包括落在该频率盒内的多个频率峰值的计数或使用所述声波形数据(212)计算的该频率盒处的能量的累积。
5.根据权利要求1所述的装置，其中所述输出识别所述多个频率分布函数(228)的多个集簇(242)，并且其中所述多个集簇(242)包含：
表示结构变化的第一模式的第一集簇；
表示结构变化的第二模式的第二集簇；
表示结构变化的第三模式的第三集簇；以及
表示结构变化的第四模式的第四集簇。
6.根据权利要求1所述的装置，其中所述分析器模块(109、214)将所述一组学习算法应用到所述多个频率分布函数(228)以建立多个集簇(242)并且识别用于所述多个集簇(242)的多个描述符(244)。
7.根据权利要求6所述的装置，其中所述多个集簇(242)与替代测试数据(236)一起分析以便将所述多个描述符(244)中的每个描述符与结构变化的不同模式相关联，并且其中所述替代测试数据选自X射线成像数据、超声成像数据、红外线成像数据以及建模数据中的一种。
8.根据权利要求7所述的装置，其中所述分析器模块(109、204)生成将结构变化的模式与所述多个描述符(244)中的所述每个描述符相关联的描述符分类输出(248)，并且其中所述描述符分类输出(248)被存储在数据库(222)中，以便日后在零件的生命周期中的至少一个阶段期间用于评估所述零件的结构完整性。
9.一种用于使用声波分析目标(102、200)的方法，所述方法包含：
接收(402)所述目标(102、200)的负荷数据(218)；
接收(400)来自声感测系统(104、204)的所述目标(102、200)的声波形数据(212)，其中所述声波形数据(212)表示从所述目标(102、200)中传出并且使用所述声感测系统(104、204)检测到的声发射(206)；
将所述声发射(206)信号转换为所述声波形数据(212)；
产生(404)用于所述负荷数据(218)的多个盒(224)；
使用所述声波形数据(212)生成(406)用于所述多个盒(224)的多个频率分布函数(228)，包括产生用于所述多个盒中的一个的频率分布函数，并且针对所述多个盒中的每一个重复以产生所述多个频率分布函数；以及
将一组学习算法应用(408)于所述多个频率分布函数(228)和所述声波形数据(212)，以生成允许操作者更容易和快速地评定所述目标(102、200)的结构完整性的输出；其中生成所述多个频率分布函数中的每个所述频率分布函数包含将选定的频率范围划分为多个盒，其中所述多个盒中的每个盒用于保持增加的计数。
10.根据权利要求9所述的方法，其中产生(404)所述多个盒(224)包含：
识别用于所述多个盒(224)的多个盒宽(226)，其中所述多个盒宽(226)中的盒宽是定义的时间间隔或定义的负荷间隔；以及
识别(504)所述声波形数据(212)中落在所述多个盒(224)中的每个盒内的一组波形。
11.根据权利要求10所述的方法，其中生成(406)所述多个频率分布函数(228)进一步包含：
计算(506)落在从所述多个盒(224)中选定的盒(234)内的一组波形的快速傅里叶变换；以及
基于所述快速傅里叶变换更新该盒的频率分布函数中的多个频率盒(235)。
12.根据权利要求11所述的方法，其中更新所述多个频率盒(235)包含：
针对所述一组波形中的每个波形选择多个频率峰；以及当所述多个频率峰中的频率峰具有落在所述频率盒中的频率时，增值所述多个频率盒(235)中的频率盒。
13.一种用于在飞机(300)的生命周期中的至少一个阶段期间监视所述飞机(300)中的复合目标(202)的方法，所述方法包含：
使用声感测系统(104、204)检测(800)从所述复合目标(202)辐射的声发射(206)以生成声波形数据(212)；
利用分析器模块(109、214)接收(802)所述复合目标(202)的所述声波形数据(212)以及负荷数据(218)；
利用所述分析器模块(109、214)产生(804)用于所述负荷数据(218)的多个盒(224)，其中所述声波形数据(212)中的一组波形落在所述多个盒(224)中对应的盒内；
利用所述分析器模块(109、214)使用所述声波形数据(212)生成(806) 用于所述多个盒(224)的多个频率分布函数(228)，包括产生用于多个盒中的一个的频率分布函数，并且针对所述多个盒中的每一个重复以产生所述多个频率分布函数；以及
将一组监督学习算法应用于所述多个频率分布函数(228)、所述声波形数据(212)以及存储的多个描述符(224)，以生成识别用于所述多个频率分布函数(228)中的每个频率分布函数的分类结果的分类输出(250)，并且其中所述分类输出(250)允许操作者更容易和快速地评定所述复合目标(202)的结构完整性，其中生成所述多个频率分布函数中的每个频率分布函数包含将选定的频率范围划分为多个盒，其中所述多个盒中的每个盒用于保持增加的计数。
14.根据权利要求13所述的方法，其中将所述一组监督学习算法应用于所述多个频率分布函数(228)、所述声波形数据(212)以及所述存储的多个描述符(244)以生成所述分类输出(250)包含：
通过比较所述多个频率分布函数(228)中选定的频率分布函数与所述存储的多个描述符(244)中的每一个来生成用于所述选定的频率分布函数的所述分类结果，其中所述分类结果识别所述选定的频率分布函数是否表示结构变化的零或多种模式，并且因此识别所述声波形数据(212)中对应的一组波形是否表示结构变化的零或多种模式。
CN201710286991.8A 2016-05-10 2017-04-27 用于声发射测试的方法和装置 Active CN107356669B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/150,595 2016-05-10
US15/150,595 US9989501B2 (en) 2016-05-10 2016-05-10 Method and apparatus for acoustic emissions testing

Publications (2)

Publication Number Publication Date
CN107356669A CN107356669A (zh) 2017-11-17
CN107356669B true CN107356669B (zh) 2022-03-04

Family

ID=58668725

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710286991.8A Active CN107356669B (zh) 2016-05-10 2017-04-27 用于声发射测试的方法和装置

Country Status (7)

Country Link
US (1) US9989501B2 (zh)
EP (1) EP3244204B1 (zh)
JP (1) JP6938200B2 (zh)
KR (1) KR20170126786A (zh)
CN (1) CN107356669B (zh)
BR (1) BR102017005479A2 (zh)
CA (1) CA2955826C (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8312033B1 (en) 2008-06-26 2012-11-13 Experian Marketing Solutions, Inc. Systems and methods for providing an integrated identifier
US10262362B1 (en) 2014-02-14 2019-04-16 Experian Information Solutions, Inc. Automatic generation of code for attributes
US10564130B2 (en) 2016-05-10 2020-02-18 The Boeing Company Method and apparatus for acoustic emissions testing
AU2018215082B2 (en) 2017-01-31 2022-06-30 Experian Information Solutions, Inc. Massive scale heterogeneous data ingestion and user resolution
US10801998B2 (en) * 2017-03-13 2020-10-13 University Of South Carolina Identifying structural defect geometric features from acoustic emission waveforms
KR20190127542A (ko) * 2018-05-04 2019-11-13 더 보잉 컴파니 음향 방출 시험을 위한 방법 및 장치
US10963434B1 (en) 2018-09-07 2021-03-30 Experian Information Solutions, Inc. Data architecture for supporting multiple search models
WO2020138549A1 (ko) * 2018-12-27 2020-07-02 울산대학교 산학협력단 음향 방출 결함 신호 검출 장치 및 방법
CN110108803B (zh) * 2019-05-08 2021-10-01 上海航天设备制造总厂有限公司 一种基于声发射传感的搅拌针断针检测的装置及方法
US11941065B1 (en) 2019-09-13 2024-03-26 Experian Information Solutions, Inc. Single identifier platform for storing entity data
DE102020205145A1 (de) 2020-04-23 2021-10-28 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Ermitteln einer Materialinformation
CN112229585B (zh) * 2020-09-18 2022-07-08 长沙理工大学 基于人工智能与声发射技术的裂缝损伤定位方法以及系统
US11880377B1 (en) 2021-03-26 2024-01-23 Experian Information Solutions, Inc. Systems and methods for entity resolution

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH01109241A (ja) * 1987-09-22 1989-04-26 British Petroleum Co Plc:The 物理的特性の測定方法
EP0317322A2 (en) * 1987-11-20 1989-05-24 The British Petroleum Company p.l.c. Method for monitoring acoustic emissions
US6386038B1 (en) * 1999-11-24 2002-05-14 Lewis, Iii Carl Edwin Acoustic apparatus and inspection methods
CN102203582A (zh) * 2008-09-02 2011-09-28 俄克拉何马大学董事会 用于压实道路材料的方法和装置
CN103375421A (zh) * 2012-04-30 2013-10-30 通用电气公司 用于监测定子叶片的健康状况的系统和方法
CN103447887A (zh) * 2013-07-23 2013-12-18 杭州电子科技大学 基于金属带锯条声发射特性的锯切负载检测装置及方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4382384A (en) * 1981-06-15 1983-05-10 The Regents Of The University Of California Acoustic penetrometer for subsoil investigation
US4901575A (en) * 1988-11-30 1990-02-20 Gp Taurio, Inc. Methods and apparatus for monitoring structural members subject to transient loads
JP2995518B2 (ja) * 1992-08-14 1999-12-27 株式会社日立製作所 学習型異常診断アルゴリズム自動構築方法およびその装置
US5528557A (en) * 1995-08-07 1996-06-18 Northrop Grumman Corporation Acoustic emission source location by reverse ray tracing
US5814729A (en) * 1996-09-09 1998-09-29 Mcdonnell Douglas Corporation System for in-situ delamination detection in composites
JP2000233369A (ja) * 1999-02-15 2000-08-29 Noritake Co Ltd 研削状態監視装置およびドレッシング状態監視装置
US20080059086A1 (en) * 2002-02-21 2008-03-06 Ziyad Duron System and method for determining and detecting stability loss in structures
GB0513901D0 (en) * 2005-07-06 2005-08-10 Airbus Uk Ltd Method and apparatus for measuring the structural integrity of a safe-life aircraft component
JP5028028B2 (ja) * 2006-05-24 2012-09-19 株式会社ジェイテクト アコースティックエミッション検出装置および制御装置
WO2010027978A1 (en) 2008-09-02 2010-03-11 The Board Of Regents Of The University Of Oklahoma Method and apparatus for compaction of roadway materials
WO2013172962A1 (en) * 2012-05-16 2013-11-21 Hidden Solutions, Llc Method and system for passive detection, localization and characterization of mechanical wave sources using ultrasonic guided waves

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH01109241A (ja) * 1987-09-22 1989-04-26 British Petroleum Co Plc:The 物理的特性の測定方法
EP0317322A2 (en) * 1987-11-20 1989-05-24 The British Petroleum Company p.l.c. Method for monitoring acoustic emissions
US6386038B1 (en) * 1999-11-24 2002-05-14 Lewis, Iii Carl Edwin Acoustic apparatus and inspection methods
CN102203582A (zh) * 2008-09-02 2011-09-28 俄克拉何马大学董事会 用于压实道路材料的方法和装置
CN103375421A (zh) * 2012-04-30 2013-10-30 通用电气公司 用于监测定子叶片的健康状况的系统和方法
CN103447887A (zh) * 2013-07-23 2013-12-18 杭州电子科技大学 基于金属带锯条声发射特性的锯切负载检测装置及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Damage evolution in center-holed glass/polester composites under quasi-static loading using time/frequency analysis of acoustic emission monitored waveforms;T.H. Loutas等;《Composites Science and Technology》;20060330;第66卷;第1366-1375页 *

Also Published As

Publication number Publication date
CA2955826C (en) 2021-03-09
JP2017227624A (ja) 2017-12-28
EP3244204A1 (en) 2017-11-15
US9989501B2 (en) 2018-06-05
JP6938200B2 (ja) 2021-09-22
EP3244204B1 (en) 2023-06-21
KR20170126786A (ko) 2017-11-20
CN107356669A (zh) 2017-11-17
BR102017005479A2 (pt) 2018-04-03
CA2955826A1 (en) 2017-11-10
US20170328868A1 (en) 2017-11-16

Similar Documents

Publication Publication Date Title
CN107356669B (zh) 用于声发射测试的方法和装置
US7822573B2 (en) Method and apparatus for modeling responses for a material to various inputs
Onchis et al. Stable and explainable deep learning damage prediction for prismatic cantilever steel beam
JP2017227624A5 (zh)
Al-Jumaili et al. Parameter Correction Technique (PCT): A novel method for acoustic emission characterisation in large-scale composites
US7552027B2 (en) Method and system for quantifying damage in a structure
Sevillano et al. Interfacial crack-induced debonding identification in FRP-strengthened RC beams from PZT signatures using hierarchical clustering analysis
US11209345B1 (en) Automatic prognostic qualification of manufacturing products
Pereira et al. Multi-objective sensor placement optimization of helicopter rotor blade based on Feature Selection
Eshghi et al. Design of structural monitoring sensor network using surrogate modeling of stochastic sensor signal
Griffin Traceability of acoustic emission measurements for a proposed calibration method–classification of characteristics and identification using signal analysis
US10672118B2 (en) Method and apparatus for detecting surface features
US10564130B2 (en) Method and apparatus for acoustic emissions testing
US20220414284A1 (en) Modeling based on constraints
JP7272853B2 (ja) アコースティックエミッション試験のための方法及び装置
US20220198091A1 (en) Structural inconsistency detection using distance data
US20210118248A1 (en) Methods and systems for continuously determining remaining useful lives of vehicle components
Viscardi et al. Impact detection method for composite winglets based on neural network implementation
Wen et al. Quantification of damage expansion influence on frequency response function of plate for structural health monitoring with integral differential method
Bach et al. Damage Introduction, Detection, and Assessment at CFRP Door Surrounding Panel
Luczak et al. Uncertain parameter numerical model updating according to variable modal test data in application of large composite fuselage panel
Raja Multi-Class Classification of Lamb-Wave Based Sensor De-bond Identification Using Artificial Neural Network For Structural Health Monitoring
US20080215281A1 (en) Method for measuring correlation between frequency response functions
Singh et al. Hierarchical Neural Network and Simulation Based Structural Defect Identification and Classification
Zanarini About enhanced applications of experiment-based full-field datasets in failure risk grading and vibro-acoustics

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