CN108982657B - 一种基于脉冲涡流的铁磁性材料屈服强度参数估计方法 - Google Patents

一种基于脉冲涡流的铁磁性材料屈服强度参数估计方法 Download PDF

Info

Publication number
CN108982657B
CN108982657B CN201810586251.0A CN201810586251A CN108982657B CN 108982657 B CN108982657 B CN 108982657B CN 201810586251 A CN201810586251 A CN 201810586251A CN 108982657 B CN108982657 B CN 108982657B
Authority
CN
China
Prior art keywords
eddy current
yield strength
signal
parameter estimation
ferromagnetic 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.)
Expired - Fee Related
Application number
CN201810586251.0A
Other languages
English (en)
Other versions
CN108982657A (zh
Inventor
李开宇
高雯娟
王平
刘佳琪
李磊
杨德华
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201810586251.0A priority Critical patent/CN108982657B/zh
Publication of CN108982657A publication Critical patent/CN108982657A/zh
Application granted granted Critical
Publication of CN108982657B publication Critical patent/CN108982657B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/72Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
    • G01N27/82Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
    • G01N27/90Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents

Landscapes

  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)

Abstract

本发明公开了一种基于脉冲涡流的铁磁性材料屈服强度参数估计方法,包括:采集脉冲涡流信号并对采集的脉冲涡流信号进行预处理;提取脉冲涡流响应信号特征;脉冲涡流响应信号和屈服强度之间的关系建立样本数据库,并建立屈服强度预测模型;通过屈服强度预测模型对测试样本的屈服强度进行参数估计。本发明避免了破坏性实验,无需对试样进行拉伸,从而避免了不必要的物料损失,并在很大程度上节约了检测的经济成本、时间成本和人力投入等,采用的脉冲涡流方法具有准确性高、实时性好的特点,提高了检测效率。脉冲涡流时频域特征对材料屈服强度的变化敏感,检测灵敏度高,屈服强度预测误差可以达到10%以下,符合工业生产对检测精度的要求。

Description

一种基于脉冲涡流的铁磁性材料屈服强度参数估计方法
技术领域
本发明属于铁磁性材料无损检测技术领域,尤其涉及一种基于脉冲涡流原理的材料磁特性与屈服强度检测方法。
背景技术
钢材等铁磁性材料广泛应用于铁路、军事、航天、能源和建筑等方面,其产品质量控制直接影响到许多重大设备的安全。屈服强度、抗拉强度等是铁磁性材料的重要机械性能参数,对其精确的检测在实际工程应用中具有重要的理论和实用价值。
铁磁性材料在长期服役过程中产生的缺陷伤损和材料退化严重影响其服役性能,对其关键结构进行定期的性能检测对于设备的保障维护有着重要意义。铁磁性材料疲劳伤损形成初期的微缺陷和亚表面裂纹具有很大的隐蔽性,缺陷的产生、扩展及断裂机理与材料机械性能的变化息息相关。为防止铁路钢轨等部件出现故障,在缺陷形成和扩展阶段对材料的机械性能,如屈服强度等进行检测对于早期损伤的发现和故障早期预警有着不容忽视的作用。
缺陷产生过程中,引起材料机械性能变化的因素主要有:温度变化导致的金属热障冷缩,从而形成在材料内部积累的温度应力;焊接等加工工艺导致的内部残余应力分布;由承载过大导致的局部应力和应力集中。因此,需要对材料的机械性能进行定期监测,从而在缺陷的萌生期及时预警,降低事故发生的可能。
屈服强度是材料机械性能的一个重要指标,材料在承受拉伸载荷时,当载荷不增加而仍继续发生明显塑性变形的现象叫做屈服,产生屈服时的应力称为屈服点或屈服强度。目前钢铁工业中对屈服强度进行检测的方法主要是传统的离线拉伸实验。拉伸实验是金属材料机械性能测试中最常用的方法,这种方法是建立在对材料的不可逆拉伸基础上的,是一种有损的破坏性检测方法。主要步骤包括:首先对待检测的钢材进行取样,切取头、尾两段钢材;然后将以均匀的速率对试样施加轴向力直至将材料不再发生弹性形变,检测时通常把材料产生的残余塑性形变为0.2%时的应力值作为屈服强度,又称为σ0.2,为了准确地计算出σ0.2,常常采用图解法或引伸计法。图解法中,试验机上的自动绘图装置会做出载荷F与伸长量△L的关系曲线图,从图中截取残余伸长0.2%对应的点,该点对应的载荷Fr即为所测的屈服强度,图解法只需一次拉伸即可测得屈服强度,但是要求有较高精度的自动测绘设备才能保证其测量精度的要求。引伸计法中,每次施加载荷后卸载至初始载荷,在引伸计上读出卸载后的残余伸长,后一次施加载荷应使试样产生的总伸长为其前一次总伸长加上规定残余伸长与二次残余伸长之差,再加上1~2分格的弹性伸长增量,实验直至实测的残余伸长值等于或稍大于规定残余伸长值为止。
传统的屈服强度检测方法,即离线拉伸实验法,主要存在以下几个问题:第一,离线采样进行破坏性拉伸实验对于企业生产来说是一种物料损失,增加了经济成本;第二,拉伸实验费时费力,同时由于采样的非连续性,不能反映钢材的整体品质;第三,对于在役设备不能进行在线实时检测,无法在产品使用过程中进行质量控制。因此,传统的离线拉伸实验方法只能有限地用于指导工艺调整和稳定产品质量,随着无损检测技术的发展,在线检测逐渐替代离线检测成为主流检测技术已经成为当下的趋势。
发明内容
本发明所要解决的技术问题是克服传统的屈服强度检测方法的缺陷,提供一种基于脉冲涡流的铁磁性材料屈服强度参数估计方法,包括:
S1:采集脉冲涡流信号并对采集的脉冲涡流信号进行预处理;
S2:提取脉冲涡流响应信号特征;
S3:根据脉冲涡流响应信号和屈服强度之间的关系建立样本数据库,并建立屈服强度预测模型;
S4:通过屈服强度预测模型对测试样本的屈服强度进行参数估计。
进一步地,对采集的脉冲涡流信号进行预处理包括:
(1)采用巴特沃斯滤波器对脉冲涡流信号进行低通滤波,设定截止频率;
(2)对低通滤波处理后的脉冲涡流信号进行同步累加操作。
同步累加操作采用以下公式:
Figure GDA0002982411350000031
式中,k为一次数据采集的周期数;N为一个周期采样的点数;n为采样周期;
Figure GDA0002982411350000041
为处理后的信号输出。
进一步地,提取脉冲涡流响应信号特征包括时域、频域和时频域特征。
更进一步地,所述时域特征包括一周期积分值(Fg)、微分信号峰值(PVt)、差分信号峰值(PVd),所述频域特征包括信号直流分量(ωd)、一次谐波幅值(ω1)和三次谐波幅值(ω3),所述时频域特征包括边际谱峰值(PVm)和边际谱积分值(Fm)。
进一步地,所述边际谱积分值Fm的提取方法包括:
(a1)对脉冲涡流响应信号进行总体经验模态分解EEMD得到信号的固有模态函数IMFs;
(a2)通过希尔伯特-黄变换求得每个固有模态函数的希尔伯特加权频率ci(t),表达式如下:
Figure GDA0002982411350000042
式中C(τ)为信号的固有模态函数,τ为求卷积时采用的变量;
(a3)通过希尔伯特加权频率和试样的特征频率对固有模态函数进行筛选,求出固有模态函数的边际谱h(ω);
(a4)提取边际谱的积分值作为特征。
更近一步的,步骤a3中边际谱h(ω)的计算公式如下所示:
Figure GDA0002982411350000051
式中H(ω,t)为固有模态函数随时间变化的表达式。
更进一步地,步骤a4边际谱的积分值Fm计算公式如下:
Figure GDA0002982411350000052
进一步地,所述一周期积分值Fg的提取方法包括:求出脉冲涡流响应信号在一个完整周期内的积分值,采用以下公式:
Figure GDA0002982411350000053
式中,B(t)为脉冲涡流响应信号,T为信号周期。
本发明所达到的有益效果:
1.本发明避免了破坏性实验,无需对试样进行拉伸,从而避免了不必要的物料损失,并在很大程度上节约了检测的经济成本、时间成本和人力投入等。
2.传统方法属于离线检测,无法对在役产品进行质量控制,本发明可以实现对服役产品屈服强度的在线检测,无需移动、拆卸在役产品,脉冲涡流检测探头体积小,轻便,方便在试样表面移动,检测范围更广,可以反映试样的整体品质。
3.本发明采用的脉冲涡流方法具有准确性高、实时性好的特点,提高了检测效率。脉冲涡流时频域特征对材料屈服强度的变化敏感,检测灵敏度高,屈服强度预测误差可以达到10%以下,符合工业生产对检测精度的要求。
附图说明
图1是本发明的方法流程示意图;
图2是本发明实施例脉冲涡流响应信号一周期的示意图;
图3是本发明实施例脉冲涡流信号的微分信号峰值示意图;
图4是本发明实施例脉冲涡流信号的频谱示意图;
图5是本发明实施例脉冲涡流信号的边际谱计算过程中的EEMD分解流程示意图;
图6是本发明实施例对一个试样屈服强度20次预测值与真实值的对比示意图;
图7是本发明实施例对测试试样预测20次的相对误差示意图;
图8是本发明实施例中脉冲涡流检测系统示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
第一步:采集脉冲涡流信号并对采集的脉冲涡流信号进行预处理
采集脉冲涡流信号时搭建脉冲涡流检测系统,设置各项实验参数。系统组成包括脉冲信号发生模块、探头、被检试件、信号调理模块和数据采集模块五个部分。脉冲信号源模块用于产生激励脉冲信号,并加到激励线圈两端,激励线圈在被测试件上产生脉冲激励磁场;探头由磁传感器和磁芯组成,用于检测磁感应强度;被检试样是试样库中屈服强度各不相同的11块钢材料;数据采集与处理模块用于对检测信号进行采集与处理,通过编程控制DAQ Card采集数据并保存,以供后续信号分析处理调用。对探头的制作及具体参数做以下设置:磁传感器选用霍尔传感器,位于激励线圈底端中心,磁芯选用变压器磁芯,可以聚集磁场,消除边缘效应。线圈选用线径0.2mm的漆包线,激励线圈匝数为400匝,激励线圈电阻为18.16Ω,电感为40mH。激励信号选取幅值8V,频率20Hz的方波信号,功率放大倍数为10。
采集脉冲涡流响应信号并进行预处理。预处理的目的是使信号变得较为平滑,方便进行特征提取。预处理主要包括低通滤波和同步累加两个步骤。低通滤波采用巴特沃斯滤波器,设置截止频率为50Hz。同步累加是指将在一次数据采集中对信号的N个周期取平均,抵消部分随机噪声的影响,采用的公式如式(1)所示,经过滤波和同步累加,信号变得较为平滑:
Figure GDA0002982411350000071
式中,k为一次数据采集的周期数;N为一个周期采样的点数;n为采样周期;
Figure GDA0002982411350000072
为处理后的信号输出。
第二步是提取脉冲涡流响应信号特征。针对预处理后较为平滑的脉冲涡流信号,提取其时域、频域和时频域特征。时域特征包括一周期积分值(Fg)、微分信号峰值(PVt)、差分信号峰值(PVd),频域特征包括信号直流分量(ωd)、一次谐波幅值(ω1)和三次谐波幅值(ω3),时频域特征包括边际谱峰值(PVm)和边际谱积分值(Fm)。各特征值的定义如下:
(a)一周期积分值(Fg):脉冲涡流响应信号在一个完整周期内的积分值,如图2所示,是反应磁感应强度大小的重要特征。其计算公式如下,式中,B(t)为脉冲涡流响应信号,T为信号周期。
Figure GDA0002982411350000081
(b)微分信号峰值(PVt):脉冲涡流响应信号在一周期内对时间求微分,求微分后信号如图3所示,微分信号峰值计算公式如下:
Figure GDA0002982411350000082
式6中B为脉冲涡流响应信号,t为信号周期,PVt是反应磁感应强度变化率大小的特征。
(c)差分信号峰值(PVd):先选定一种试样的时域响应信号的一周期作为参考信号,用其他试样的一周期响应信号减去参考信号,得到差分信号,提取差分信号的峰值作为特征,差分信号峰值反映了其他信号与参考信号之间差别的大小程度,即其他试样与参考试样之间差别的大小程度。差分信号峰值(PVd)具体计算公式如下:
PVg=max{B-Bref} (7),
式中,B为脉冲涡流响应信号,Bref为参考信号。
(d)频域特征(直流分量ωd、一次谐波幅值ω1和三次谐波幅值ω3):频域特征的提取方法是:对响应信号进行快速傅里叶变换,得到信号的频谱,如图4所示,频谱中ω=0对应的纵坐标值即为信号的直流分量,ω=1对应的纵坐标值即为信号的一次谐波幅值,ω=3对应的纵坐标值即为信号的三次谐波幅值。
(e)边际谱峰值(PVm)和边际谱积分值(Fm):对脉冲涡流响应信号进行总体经验模态分解(EEMD)得到信号的固有模态函数IMFs,然后通过希尔伯特-黄变换求得每个固有模态函数的希尔伯特加权频率,通过希尔伯特加权频率和试样的特征频率对固有模态函数进行筛选,然后求出固有模态函数的边际谱h(ω),最后提取边际谱的峰值和一周期积分值作为特征。具体步骤如下:
(1)对脉冲涡流响应信号进行总体经验模态分解(EEMD)得到信号的固有模态函数IMF1,IMF2...IMFn,具体计算流程如图5所示;
(2)通过希尔伯特-黄变换求得每个固有模态函数的希尔伯特加权频率,具体计算公式如下所示,
Figure GDA0002982411350000091
式中C(τ)为信号的固有模态函数。
(3)通过希尔伯特加权频率和试样的特征频率对固有模态函数进行筛选,求出固有模态函数的边际谱h(ω),边际谱的计算公式如下所示:
Figure GDA0002982411350000101
式中H(ω,t)为固有模态函数随时间变化的表达式。
(4)提取边际谱的峰值PVm作为特征,边际谱峰值的计算公式如下:
Figure GDA0002982411350000102
然后提取边际谱的积分值Fm作为特征,边际谱积分值的计算公式如下:
Figure GDA0002982411350000103
第三步是建立样本数据库。11个样本各包含8个属性特征和1个标记信息,其中属性特征包括脉冲涡流响应信号的8个特征值,标记
信息为样本的屈服强度真实值,样本的属性特征序列Xi和标记信息Xo分别如式9和式10所示。
Xi=[Fg,PVt,PVdd13,PVm,Fm], (9),
Xo=Re, (10),
式中,Fg为一周期积分值、PVt为微分信号峰值、PVd为差分信号峰值,ωd为信号直流分量、ω1为一次谐波幅值,ω3为三次谐波幅值,PVm为边际谱峰值,Fm为边际谱积分值。
第四步是构建双隐含层BP神经网络,建立脉冲涡流响应信号和屈服强度之间的关系,得到屈服强度预测模型。选取1~10号试样作为训练集,11号试样作为测试集,对测试试样的屈服强度进行估计。估计时将11号试件看做未知试样,得到11号试件的屈服强度估计值后再和其真实值对比,测试试样的屈服强度真实值为335MPa。
采用双隐含层BP(Back Propagation)神经网络建立预测模型,结构上包括输入层,双隐含层和输出层。模型输入为训练集样本的属性特征序列Xi,即提取的8个脉冲涡流响应特征,输出为训练集样本的标记信息Xo,即试样的屈服强度。即输入层维数为8,输出层维数为1。设定隐含层传递函数为双曲正切函数,输出层传递函数为线性函数,学习函数为梯度下降动量学习函数,误差函数为均方误差性能函数。
根据样本量和需要达到的参数估计精度设置学习率、隐含层节点数、学习目标等模型阈值,具体原则为,样本量越大,模型节点数越多,学习目标越高,学习率越小。基于上述原则,对各项参数进行如下设置:两个隐含层节点数均为10,学习率为0.01,动量因子为0.9,最大训练次数为100,训练的结束条件为均方误差小于4e-5。训练结束后得到神经网络预测模型。
第五步通过训练得到的双隐含层BP神经网络模型对测试样本的屈服强度进行估计,并计算误差、合格率。
把测试样本(11号试样)的属性特征序列Xi作为模型输入,模型的输出为测试集样本的屈服强度的估计值。在测试试样上进行n次采集得到n个测试样本数据Xi1,Xi2...Xin,将n个测试样本分别作为模型输入,得到n个输出值r1,r2...rn,屈服强度估计值的计算公式如下:
Figure GDA0002982411350000121
re即为测试钢试样屈服强度的估计值。
预测值和真实值的对比如图5所示,合格率的计算方法如式(4)所示。
Figure GDA0002982411350000122
上式中,n表示测试样本总数,n10表示相对误差小于10%的测试样本总数。
本次实验中,n=20,预测的合格率为100%,通过式(3)计算得到最终的估计值re为338.59,相对误差为1.07%,满足屈服强度预测的精度需求。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。

Claims (8)

1.一种基于脉冲涡流的铁磁性材料屈服强度参数估计方法,其特征在于,包括:
S1:采集脉冲涡流信号并对采集的脉冲涡流信号进行预处理;
S2:提取脉冲涡流响应信号特征;
S3:根据脉冲涡流响应信号和屈服强度之间的关系建立样本数据库,并建立屈服强度预测模型;
S4:通过屈服强度预测模型对测试样本的屈服强度进行参数估计;
步骤S2中提取脉冲涡流响应信号特征包括时域特征、频域特征和时频域特征;所述时域特征包括一周期积分值Fg、微分信号峰值PVt、差分信号峰值PVd,所述频域特征包括信号直流分量ωd、一次谐波幅值ω1和三次谐波幅值ω3,所述时频域特征包括边际谱峰值PVm和边际谱积分值Fm
2.根据权利要求1所述的基于脉冲涡流的铁磁性材料屈服强度参数估计方法,其特征在于,对采集的脉冲涡流信号进行预处理包括:
S11:采用巴特沃斯滤波器对脉冲涡流信号进行低通滤波,设定截止频率;
S12:对低通滤波处理后的脉冲涡流信号进行同步累加操作,同步累加操作采用以下公式:
Figure FDA0003000465770000021
式中,k为一次数据采集的周期数;N为一个周期采样的点数;n为采样周期;
Figure FDA0003000465770000022
为处理后的信号输出。
3.根据权利要求1所述的基于脉冲涡流的铁磁性材料屈服强度参数估计方法,其特征在于,所述边际谱积分值Fm的提取方法包括:
(a1)对脉冲涡流响应信号进行总体经验模态分解EEMD得到信号的固有模态函数IMFs;
(a2)通过希尔伯特-黄变换求得每个固有模态函数的希尔伯特加权频率ci(t);
(a3)通过希尔伯特加权频率和试样的特征频率对固有模态函数进行筛选,求出固有模态函数的边际谱h(ω);
(a4)提取边际谱的积分值Fm作为特征。
4.根据权利要求3所述的基于脉冲涡流的铁磁性材料屈服强度参数估计方法,其特征在于,步骤(a2)中计算希尔伯特加权频率ci(t),表达式如下:
Figure FDA0003000465770000023
式中C(τ)为信号的固有模态函数,τ为求卷积时采用的变量。
5.根据权利要求3所述的基于脉冲涡流的铁磁性材料屈服强度参数估计方法,其特征在于,步骤(a2)中边际谱h(ω)的计算公式如下所示:
Figure FDA0003000465770000031
式中H(ω,t)为固有模态函数随时间变化的表达式。
6.根据权利要求3所述的基于脉冲涡流的铁磁性材料屈服强度参数估计方法,其特征在于,步骤(a2)边际谱的积分值Fm计算公式如下:
Figure FDA0003000465770000032
7.根据权利要求3所述的基于脉冲涡流的铁磁性材料屈服强度参数估计方法,其特征在于,所述一周期积分值Fg的提取方法包括:求出脉冲涡流响应信号在一个完整周期内的积分值,采用以下公式:
Figure FDA0003000465770000033
式中,B(t)为脉冲涡流响应信号,T为信号周期。
8.根据权利要求1所述的基于脉冲涡流的铁磁性材料屈服强度参数估计方法,其特征在于,步骤S4中采用BP神经网络建立屈服强度预测模型,具体包括:
S41:提取测试样本的特性值构成训练集,每种特性的特性值不少于8个;
S42:采用双隐含层BP神经网络建立预测模型,设定隐含层传递函数为双曲正切函数,输出层传递函数为线性函数,学习函数为梯度下降动量学习函数,误差函数为均方误差性能函数。
CN201810586251.0A 2018-06-08 2018-06-08 一种基于脉冲涡流的铁磁性材料屈服强度参数估计方法 Expired - Fee Related CN108982657B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810586251.0A CN108982657B (zh) 2018-06-08 2018-06-08 一种基于脉冲涡流的铁磁性材料屈服强度参数估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810586251.0A CN108982657B (zh) 2018-06-08 2018-06-08 一种基于脉冲涡流的铁磁性材料屈服强度参数估计方法

Publications (2)

Publication Number Publication Date
CN108982657A CN108982657A (zh) 2018-12-11
CN108982657B true CN108982657B (zh) 2021-06-08

Family

ID=64541018

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810586251.0A Expired - Fee Related CN108982657B (zh) 2018-06-08 2018-06-08 一种基于脉冲涡流的铁磁性材料屈服强度参数估计方法

Country Status (1)

Country Link
CN (1) CN108982657B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109632945A (zh) * 2019-01-21 2019-04-16 中国计量大学 一种适用于脉冲涡流检测信号的降噪方法
CN109632947B (zh) * 2019-01-29 2022-12-02 中国特种设备检测研究院 基于传递函数的脉冲涡流检测方法、装置及存储介质
CN113155954B (zh) * 2021-04-23 2023-07-21 佛山科学技术学院 一种用于导体结构缺陷检测的脉冲涡流检测系统及方法
CN113664052A (zh) * 2021-07-29 2021-11-19 南京航空航天大学 冷轧薄带钢全长断后伸长率实时在线判定装置及方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102009056584B4 (de) * 2009-12-01 2014-09-25 Gottfried Wilhelm Leibniz Universität Hannover Bauteil, Verfahren zum Einbringen von Informationen in ein Bauteil und Verfahren zum Ermitteln einer Belastungshistorie eines Bauteils
CN102128880A (zh) * 2010-01-12 2011-07-20 上海工程技术大学 一种裂纹形状反演方法
CN101865883B (zh) * 2010-06-21 2013-01-23 南京航空航天大学 脉冲涡流应力裂纹集成检测系统及方法
CN104865310B (zh) * 2015-06-29 2018-10-26 中国矿业大学 齿轮与轴类零件渗碳深度的脉冲涡流检测装置与方法
CN107520257B (zh) * 2016-06-22 2020-07-24 上海宝钢工业技术服务有限公司 带钢机械性能在线检测系统

Also Published As

Publication number Publication date
CN108982657A (zh) 2018-12-11

Similar Documents

Publication Publication Date Title
CN108982657B (zh) 一种基于脉冲涡流的铁磁性材料屈服强度参数估计方法
Xu et al. Assessment of wall thinning in insulated ferromagnetic pipes using the time-to-peak of differential pulsed eddy-current testing signals
Xie et al. Quantitative non-destructive evaluation of wall thinning defect in double-layer pipe of nuclear power plants using pulsed ECT method
CN109444257B (zh) 一种基于频域提离交叉点的脉冲涡流检测装置及方法
CN109142514B (zh) 一种基于脉冲涡流阵列的缺陷检测装置及方法
CN102122351A (zh) 一种基于rbf神经网络的管道缺陷智能识别方法
Wang et al. Investigation of temperature effect of stress detection based on Barkhausen noise
US20060260412A1 (en) Systems and methods of measuring residual stress in metallic materials
CN116825243B (zh) 一种基于多源数据的热障涂层服役寿命预测方法及系统
Zhao et al. Coiled tubing wall thickness evaluation system using pulsed alternating current field measurement technique
Guan et al. Probabilistic fatigue life prediction using ultrasonic inspection data considering equivalent initial flaw size uncertainty
CN117235433B (zh) 一种基于交流电磁场的金属表面裂纹定量评估方法
Faurschou et al. Pulsed eddy current probe optimization for steel pipe wall thickness measurement
Nosov Acoustic-emission quality control of plastically deformed blanks
Larocca et al. Wall thinning characterization of composite reinforced steel tube using frequency-domain PEC technique and neural networks
Saechai et al. Test system for defect detection in construction materials with ultrasonic waves by support vector machine and neural network
CN113075289B (zh) 一种金属圆柱缺陷参数检测方法及系统
Goldfine et al. Damage and usage monitoring for vertical flight vehicles
Yu et al. Investigation on conductivity invariance in eddy current NDT and its application on magnetic permeability measurement
CN113671022B (zh) 基于脉冲涡流检测探头线圈间距交叉点的提离测量方法
Shamgholi et al. Proposing a method for eddy current thickness measurements of coatings on ferrous metal base material
Li et al. Parameter estimation method of yield strength for ferromagnetic materials based on Pulsed Eddy Current
CN116558675B (zh) 考虑提离效应的交变电磁场应力检测信号处理方法及装置
Kabaldin et al. Damage assessment of materials at low temperatures using the parameter of the fractal dimension of the microstructure
Dmitriev et al. Superminiature eddy-current transducers for studying steel to dielectric junctions

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210608