CN109060940A - 基于漏磁检测装置和神经网络的钢轨缺陷长度检测方法 - Google Patents
基于漏磁检测装置和神经网络的钢轨缺陷长度检测方法 Download PDFInfo
- Publication number
- CN109060940A CN109060940A CN201811007826.5A CN201811007826A CN109060940A CN 109060940 A CN109060940 A CN 109060940A CN 201811007826 A CN201811007826 A CN 201811007826A CN 109060940 A CN109060940 A CN 109060940A
- Authority
- CN
- China
- Prior art keywords
- detection device
- neural network
- signal
- rail
- magnetic detection
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/83—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws by investigating stray magnetic fields
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/02—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring length, width or thickness
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Electrochemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明公开了一种基于漏磁检测装置和神经网络的钢轨缺陷长度检测方法,首先将漏磁检测装置置于待检测的钢轨上,测得待检测钢轨在X方向和Y方向的漏磁信号,带通滤波、放大处理后得到X方向的信号时域分布图、与Y方向的信号时域分布图;然后提取出X方向、Y方向的信号峰值特征值和信号间距特征值,将其和提离值输入神经网络工具箱,得到X方向与Y方向的缺陷的系数;最后计算得到X方向、Y方向的缺陷长度。本发明在原有只能检测到漏磁信号的基础上对不同长度的缺陷信号进行定量分析,能够更精准地判断伤损严重情况。
Description
技术领域
本发明涉及测量技术及仪器领域,尤其涉及一种基于漏磁检测装置和神经网络的钢轨缺陷长度检测方法。
背景技术
目前,漏磁检测无损已成为钢轨缺陷长度进行检测的主要方法之一。无损检测中漏磁检测的基本原理是指,铁磁性材料被局部磁化后,在局部磁化区,如果该材料有裂纹或者凹坑等伤损,伤损处的磁场分布会发生突变,有部分磁场会泄漏出来,形成漏磁场,通过检测铁磁性材料这部分的磁场变化,可以判断该材料的这部分是否存在损伤.
缺陷处的漏磁场强度与缺陷的大小、被测工件内部磁场的强弱以及传感器距被测工件表面的距离即提离值等密切相关,这些因素会同时影响检测的灵敏度和可靠性。合理选择上述参数对能否获得最优的检测结果至关重要。而缺陷长度的测量对被测工件伤损的评估也至关重要,不同的缺陷长度可能会影响对工件的打磨和替换。因此,本方法为一种确定钢轨缺陷长度的检测方法。
发明内容
本发明所要解决的技术问题是针对背景技术所涉及的缺陷,提供一种基于漏磁检测装置和神经网络的钢轨缺陷长度检测方法。
基于漏磁检测装置和神经网络的钢轨缺陷长度检测方法,所述漏磁检测装置包含壳体、磁轭、激励线圈、霍尔传感器阵列、第一脚轮和第二脚轮;
所述第一脚轮、第二脚轮均采用宽轮,分别设置在所述壳体的下端面,使得所述壳体能够在待检测的钢轨上滚动;
所述磁轭、激励线圈、霍尔传感器阵列均设置在所述壳体内,其中,所述磁轭呈倒置的U形,所述激励线圈缠绕在其上,所述激励线圈和外部电源相连,所述磁轭用于在激励线圈通电时朝待检测的钢轨发出磁信号;所述霍尔传感器阵列设置在所述磁轭内、和所述钢轨平行,用于收集漏磁信号;
基于漏磁检测装置和神经网络的钢轨缺陷长度检测方法包含以下步骤:
步骤1),将漏磁检测装置置于待检测的钢轨上,使其沿着钢轨按照预设的速度阈值匀速前进。其中,霍尔传感器阵列与钢轨之间的间距、即提离值g等于预设的距离阈值;
步骤2),令漏磁检测装置所在位置为原点O,漏磁检测装置的前进方向为X轴正方向,垂直待检测的钢轨顶面向上的方向为Z轴正方向,垂直于XOY平面向右的方向为Y轴正方向;通过所述霍尔传感器阵列获得待检测钢轨在X方向和Y方向的漏磁信号;
步骤3),利用隔直方法分别对待检测钢轨在X方向和Y方向的漏磁信号进行带通滤波、放大处理后,得到X方向的信号时域分布图、与Y方向的信号时域分布图;
步骤4),提取X方向的信号时域分布图中缺陷信号的峰峰值为X方向的信号峰值特征值TX,提取Y方向的信号时域分布图缺陷信号的峰峰值为Y方向的信号峰值特征值TY,TX、TY单位均为V;
步骤5),提取X方向的信号时域分布图中缺陷信号的峰间距为X方向的信号间距特征值GX,提取Y方向的信号时域分布图缺陷信号的峰间距为Y方向的信号间距特征值GY,GX、GY单位均为t;
步骤6),对特征值进行处理并输入神经网络:
步骤6.1),将TX、GX、g与一阶滤波器进行卷积、在第一层产生三个关于X方向的特征映射信号后,将第一层产生的三个关于X方向的特征映射信号通过一个Sigmoid函数在第二层产生三个关于X方向的的特征映射信号;
对第二层产生三个关于X方向的特征映射信号进行量化,连接成一个包含三个元素Ax、Bx、Cx的特征向量Tx;
步骤6.2),将TY、GY、g与一阶滤波器进行卷积、在第一层产生三个关于Y方向的特征映射信号后,将第一层产生的三个关于Y方向的特征映射信号通过一个Sigmoid函数在第二层产生三个关于Y方向的的特征映射信号;
对第二层产生三个关于Y方向的特征映射信号进行量化,连接成一个包含三个元素Ay、By、Cy的特征向量Ty;
步骤7),利用神经网络工具箱,将Tx、Ty输入工具箱,设置神经网络工具箱的神经元、目标误差、训练次数后进行训练,获得和Ax、Bx、Cx、Ay、By、Cy一一对应的系数ax、bx、cx、ay、by、cy;
步骤8),将ax、bx、cx代入以下公式计算得到X方向的缺陷长度lx,lx单位为mm:
步骤9),将ay、by、cy代入以下公式计算得到Y方向的缺陷长度ly,ly单位为mm:
作为本发明基于漏磁检测装置和神经网络的钢轨缺陷长度检测方法进一步的优化方案,所述预设的速度阈值为10km/h。
作为本发明基于漏磁检测装置和神经网络的钢轨缺陷长度检测方法进一步的优化方案,步骤3)中进行30到3000hz的带通滤波,进行100倍的放大处理。
作为本发明基于漏磁检测装置和神经网络的钢轨缺陷长度检测方法进一步的优化方案,步骤1)中的g=0.3mm。
作为本发明基于漏磁检测装置和神经网络的钢轨缺陷长度检测方法进一步的优化方案,步骤6.1)、步骤6.2)中进行量化时的采样时间均为0.002s。
作为本发明基于漏磁检测装置和神经网络的钢轨缺陷长度检测方法进一步的优化方案,步骤7)中设置工具箱参数为神经元为35个,目标误差为0.015,训练次数为120000次。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
在原有只能检测到漏磁信号的基础上对不同长度的缺陷信号进行定量分析,更精准地判断伤损严重情况。
附图说明
图1是本发明中磁轭、激励线圈、传感器阵列相配合的结构示意图。
图中,1-霍尔传感器阵列,2-磁轭,3-激励线圈。
具体实施方式
本发明公开了一种基于漏磁检测装置和神经网络的钢轨缺陷长度检测方法,如图1所示,所述漏磁检测装置包含壳体、磁轭、激励线圈、霍尔传感器阵列、第一脚轮和第二脚轮;
所述第一脚轮、第二脚轮均采用宽轮,分别设置在所述壳体的下端面,使得所述壳体能够在待检测的钢轨上滚动;
所述磁轭、激励线圈、霍尔传感器阵列均设置在所述壳体内,其中,所述磁轭呈倒置的U形,所述激励线圈缠绕在其上,所述激励线圈和外部电源相连,所述磁轭用于在激励线圈通电时朝待检测的钢轨发出磁信号;所述霍尔传感器阵列设置在所述磁轭内、和所述钢轨平行,用于收集漏磁信号;
所述检测方法包含以下步骤:
步骤1),将漏磁检测装置置于待检测的钢轨上,使其沿着钢轨按照10km/h的速度匀速前进,其中,霍尔传感器阵列与钢轨之间的间距、即提离值g=0.3mm;
步骤2),令漏磁检测装置所在位置为原点O,漏磁检测装置的前进方向为X轴正方向,垂直待检测的钢轨顶面向上的方向为Y轴正方向,垂直于XOY平面向右的方向为Y轴正方向;通过所述霍尔传感器阵列获得待检测钢轨在X方向和Y方向的漏磁信号;
步骤3),利用隔直方法分别对待检测钢轨在X方向和Y方向的漏磁信号进行30到3000hz的带通滤波、然后进行100倍的放大处理后,得到X方向的信号时域分布图、与Y方向的信号时域分布图;
步骤4),提取X方向的信号时域分布图中缺陷信号的峰峰值为X方向的信号峰值特征值TX,提取Y方向的信号时域分布图缺陷信号的峰峰值为Y方向的信号峰值特征值TY,TX、TY单位均为V;
步骤5),提取X方向的信号时域分布图中缺陷信号的峰间距为X方向的信号间距特征值GX,提取Y方向的信号时域分布图缺陷信号的峰间距为Y方向的信号间距特征值GY,GX、GY单位均为t;
步骤6),对特征值进行处理并输入神经网络:
步骤6.1),将TX、GX、g与一阶滤波器进行卷积、在第一层产生三个关于X方向的特征映射信号后,将第一层产生的三个关于X方向的特征映射信号通过一个Sigmoid函数在第二层产生三个关于X方向的的特征映射信号;
对第二层产生三个关于X方向的特征映射信号进行量化,连接成一个包含三个元素Ax、Bx、Cx的特征向量Tx,进行量化时的采样时间均为0.002s;
步骤6.2),将TY、GY、g与一阶滤波器进行卷积、在第一层产生三个关于Y方向的特征映射信号后,将第一层产生的三个关于Y方向的特征映射信号通过一个Sigmoid函数在第二层产生三个关于Y方向的的特征映射信号;
对第二层产生三个关于Y方向的特征映射信号进行量化,连接成一个包含三个元素Ay、By、Cy的特征向量Ty,进行量化时的采样时间均为0.002s;
步骤7),利用神经网络工具箱,将Tx、Ty输入工具箱,设置神经网络工具箱神经元为35个、目标误差为0.015、训练次数为120000次后进行训练,获得和Ax、Bx、Cx、Ay、By、Cy一一对应的系数ax、bx、cx、ay、by、cy;
步骤8),将ax、bx、cx代入以下公式计算得到X方向的缺陷长度lx,lx单位为mm:
步骤9),将ay、by、cy代入以下公式计算得到Y方向的缺陷长度ly,ly单位为mm:
本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.基于漏磁检测装置和神经网络的钢轨缺陷长度检测方法,所述漏磁检测装置包含壳体、磁轭、激励线圈、霍尔传感器阵列、第一脚轮和第二脚轮;
所述第一脚轮、第二脚轮均采用宽轮,分别设置在所述壳体的下端面,使得所述壳体能够在待检测的钢轨上滚动;
所述磁轭、激励线圈、霍尔传感器阵列均设置在所述壳体内,其中,所述磁轭呈倒置的U形,所述激励线圈缠绕在其上,所述激励线圈和外部电源相连,所述磁轭用于在激励线圈通电时朝待检测的钢轨发出磁信号;所述霍尔传感器阵列设置在所述磁轭内、和所述钢轨平行,用于收集漏磁信号;
其特征在于,基于漏磁检测装置和神经网络的钢轨缺陷长度检测方法包含以下步骤:
步骤1),将漏磁检测装置置于待检测的钢轨上,使其沿着钢轨按照预设的速度阈值匀速前进。其中,霍尔传感器阵列与钢轨之间的间距、即提离值g等于预设的距离阈值;
步骤2),令漏磁检测装置所在位置为原点O,漏磁检测装置的前进方向为X轴正方向,垂直待检测的钢轨顶面向上的方向为Z轴正方向,垂直于XOY平面向右的方向为Y轴正方向;通过所述霍尔传感器阵列获得待检测钢轨在X方向和Y方向的漏磁信号;
步骤3),利用隔直方法分别对待检测钢轨在X方向和Y方向的漏磁信号进行带通滤波、放大处理后,得到X方向的信号时域分布图、与Y方向的信号时域分布图;
步骤4),提取X方向的信号时域分布图中缺陷信号的峰峰值为X方向的信号峰值特征值TX,提取Y方向的信号时域分布图缺陷信号的峰峰值为Y方向的信号峰值特征值TY,TX、TY单位均为V;
步骤5),提取X方向的信号时域分布图中缺陷信号的峰间距为X方向的信号间距特征值GX,提取Y方向的信号时域分布图缺陷信号的峰间距为Y方向的信号间距特征值GY,GX、GY单位均为t;
步骤6),对特征值进行处理并输入神经网络:
步骤6.1),将TX、GX、g与一阶滤波器进行卷积、在第一层产生三个关于X方向的特征映射信号后,将第一层产生的三个关于X方向的特征映射信号通过一个Sigmoid函数在第二层产生三个关于X方向的的特征映射信号;
对第二层产生三个关于X方向的特征映射信号进行量化,连接成一个包含三个元素Ax、Bx、Cx的特征向量Tx;
步骤6.2),将TY、GY、g与一阶滤波器进行卷积、在第一层产生三个关于Y方向的特征映射信号后,将第一层产生的三个关于Y方向的特征映射信号通过一个Sigmoid函数在第二层产生三个关于Y方向的的特征映射信号;
对第二层产生三个关于Y方向的特征映射信号进行量化,连接成一个包含三个元素Ay、By、Cy的特征向量Ty;
步骤7),利用神经网络工具箱,将Tx、Ty输入工具箱,设置神经网络工具箱的神经元、目标误差、训练次数后进行训练,获得和Ax、Bx、Cx、Ay、By、Cy一一对应的系数ax、bx、cx、ay、by、cy;
步骤8),将ax、bx、cx代入以下公式计算得到X方向的缺陷长度lx,lx单位为mm:
步骤9),将ay、by、cy代入以下公式计算得到Y方向的缺陷长度ly,ly单位为mm:
2.根据权利要求1所述的基于漏磁检测装置和神经网络的钢轨缺陷长度检测方法,其特征在于,所述预设的速度阈值为10km/h。
3.根据权利要求1所述的基于漏磁检测装置和神经网络的钢轨缺陷长度检测方法,其特征在于,步骤3)中进行30到3000hz的带通滤波,进行100倍的放大处理。
4.根据权利要求1所述的基于漏磁检测装置和神经网络的钢轨缺陷长度检测方法,其特征在于,步骤1)中的g=0.3mm。
5.根据权利要求1所述的基于漏磁检测装置和神经网络的钢轨缺陷长度检测方法,其特征在于,步骤6.1)、步骤6.2)中进行量化时的采样时间均为0.002s。
6.根据权利要求1所述的基于漏磁检测装置和神经网络的钢轨缺陷长度检测方法,其特征在于,步骤7)中设置工具箱参数为神经元为35个,目标误差为0.015,训练次数为120000次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811007826.5A CN109060940A (zh) | 2018-08-31 | 2018-08-31 | 基于漏磁检测装置和神经网络的钢轨缺陷长度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811007826.5A CN109060940A (zh) | 2018-08-31 | 2018-08-31 | 基于漏磁检测装置和神经网络的钢轨缺陷长度检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109060940A true CN109060940A (zh) | 2018-12-21 |
Family
ID=64758718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811007826.5A Pending CN109060940A (zh) | 2018-08-31 | 2018-08-31 | 基于漏磁检测装置和神经网络的钢轨缺陷长度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109060940A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030020469A1 (en) * | 2001-07-17 | 2003-01-30 | Gopichand Katragadda | Transverse crack detection in rail head using low frequency eddy currents |
CN102735747A (zh) * | 2012-04-10 | 2012-10-17 | 南京航空航天大学 | 高速铁路钢轨高速漏磁巡检的缺陷定量识别方法 |
US20130113472A1 (en) * | 2010-03-10 | 2013-05-09 | Jrb Engineering Pty Ltd | Method and apparatus for magnetic crack depth prediction |
CN106274977A (zh) * | 2016-07-27 | 2017-01-04 | 南京航空航天大学 | 一种触发式采集模式的直流漏磁检测系统及其方法 |
CN106353397A (zh) * | 2016-09-06 | 2017-01-25 | 中国铁道科学研究院 | 一种车载的钢轨顶面伤损漏磁检测的设备以及系统 |
-
2018
- 2018-08-31 CN CN201811007826.5A patent/CN109060940A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030020469A1 (en) * | 2001-07-17 | 2003-01-30 | Gopichand Katragadda | Transverse crack detection in rail head using low frequency eddy currents |
US20130113472A1 (en) * | 2010-03-10 | 2013-05-09 | Jrb Engineering Pty Ltd | Method and apparatus for magnetic crack depth prediction |
CN102735747A (zh) * | 2012-04-10 | 2012-10-17 | 南京航空航天大学 | 高速铁路钢轨高速漏磁巡检的缺陷定量识别方法 |
CN106274977A (zh) * | 2016-07-27 | 2017-01-04 | 南京航空航天大学 | 一种触发式采集模式的直流漏磁检测系统及其方法 |
CN106353397A (zh) * | 2016-09-06 | 2017-01-25 | 中国铁道科学研究院 | 一种车载的钢轨顶面伤损漏磁检测的设备以及系统 |
Non-Patent Citations (2)
Title |
---|
崔利东: "高速铁路漏磁检测缺陷识别技术", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑(月刊)》 * |
郝思思: "阵列式漏磁巡检设备的开发及钢轨裂纹定量分析", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑(月刊)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Postolache et al. | Detection and characterization of defects using GMR probes and artificial neural networks | |
CN109060939A (zh) | 基于漏磁检测装置的钢轨缺陷宽度检测方法 | |
CN109828023A (zh) | 一种基于涡流成像的金属构件缺陷定量检测方法与装置 | |
CN112964777B (zh) | 一种表面裂纹走向的双激励检测方法 | |
CN109632941A (zh) | 一种抑制漏磁信号提离干扰的方法 | |
CN109060944A (zh) | 基于漏磁检测装置和神经网络的钢轨缺陷深度检测方法 | |
CN109060945A (zh) | 基于漏磁检测装置和神经网络的钢轨缺陷宽度检测方法 | |
CN104458896B (zh) | 一种基于多重漏磁检测信号特征值的缺陷评价方法 | |
CN109060941A (zh) | 基于漏磁检测和神经网络的钢轨缺陷切面夹角检测方法 | |
CN109060946A (zh) | 基于漏磁检测和神经网络的钢轨缺陷表面夹角检测方法 | |
CN109060942A (zh) | 基于漏磁检测装置的钢轨缺陷深度检测方法 | |
Zhang et al. | Mechanism study for directivity of TR probe when applying Eddy current testing to ferro-magnetic structural materials | |
Rocha et al. | Sub-surface defect detection with motion induced eddy currents in aluminium | |
CN109060940A (zh) | 基于漏磁检测装置和神经网络的钢轨缺陷长度检测方法 | |
CN116519786A (zh) | 一种带保护层金属表面缺陷形态电磁识别方法 | |
CN109060947A (zh) | 基于漏磁检测装置的钢轨缺陷表面夹角的检测方法 | |
KR100626228B1 (ko) | 교류자기장을 이용한 유도자속 탐상장치 및 그 방법 | |
Bian et al. | Crack identification and quantification methods under the condition of lift-off effect using alternating current field measurement technique | |
CN109060943A (zh) | 基于漏磁检测装置的钢轨缺陷长度检测方法 | |
Ramos et al. | Determination of linear defect depths from eddy currents disturbances | |
Zhao et al. | A Defect Visualization Method Based on ACFM Signals Obtained by a Uniaxial TMR Sensor | |
Peng et al. | A simplified calculation model of MFL signal of defect based on lift-off value | |
Okolo et al. | Finite element method and experimental investigation for hairline crack detection and characterization | |
CN106443527A (zh) | 一种基于趋肤效应的铁磁性导体磁化曲线测量方法及系统 | |
Wei et al. | Study on ACFM crack angle detection with 1-D array probe |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181221 |