CN109142530A - 基于信息融合和椭圆成像的压力容器缺陷导波定位方法 - Google Patents
基于信息融合和椭圆成像的压力容器缺陷导波定位方法 Download PDFInfo
- Publication number
- CN109142530A CN109142530A CN201811002815.8A CN201811002815A CN109142530A CN 109142530 A CN109142530 A CN 109142530A CN 201811002815 A CN201811002815 A CN 201811002815A CN 109142530 A CN109142530 A CN 109142530A
- Authority
- CN
- China
- Prior art keywords
- signal
- defects
- imaging
- mode
- sensor
- 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
- 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
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4445—Classification of defects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/26—Scanned objects
- G01N2291/269—Various geometry objects
- G01N2291/2695—Bottles, containers
Landscapes
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于信息融合和椭圆成像的压力容器缺陷导波定位方法,包括以下步骤:1)采用基准减法获得所述压力容器中超声导波的差值信号;2)对所述差值信号进行时域分段处理,以传播速度较慢的CL0模态直达波到达时间t为分界点,从激励开始时间到t时间的差值信号称为CL1段,在t时间之后的差值信号称为CL0段;3)对CL1段差值信号和CL0段差值信号分别对应使用CL1模态的速度和CL0模态的速度进行椭圆成像;4)将两段信号得到的成像结果用全乘法进行数据融合得到最终成像结果,实现压力容器缺陷的定位。与现有技术相比,本发明具有提高信号信噪比、对缺陷定位成像更加准确可靠等优点。
Description
技术领域
本发明涉及压力容器超声导波无损检测领域,尤其是涉及一种基于信息融合和椭圆成像的压力容器缺陷导波定位方法。
背景技术
近年来,超声导波检测技术由于其衰减小、灵敏度高、检测范围大等特点在无损检测领域中得到了广泛关注。其中,在压力容器无损检测中所使用的超声导波多以周向导波为主。而容器中的周向导波的多模态特性以及频散特性往往会降低信号的信噪比,使得检测的精度降低甚至造成误检、漏检。针对如何克服这些导波固有特性对缺陷检测定位的影响,国内外学者提出了很多方法,比如利用小波变换提取特征信号,提高信噪比;通过时间反转法实现导波信号的自适应聚焦;采用最小方差无失真响应法提高成像质量;基于神经网络的一些改良算法能提高在复杂结构下对缺陷的检测效果等。虽然这些算法在一定程度上提高了检测精度,但对于容器中周向导波多模态特性的影响仍不能完全消除。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于信息融合和椭圆成像的压力容器缺陷导波定位方法。
本发明的目的可以通过以下技术方案来实现:
一种基于信息融合和椭圆成像的压力容器缺陷导波定位方法,包括以下步骤:
1)采用基准减法获得所述压力容器中超声导波的差值信号;
2)对所述差值信号进行时域分段处理,以传播速度较慢的CL0模态直达波到达时间t为分界点,从激励开始时间到t时间的差值信号称为CL1段,在t时间之后的差值信号称为CL0段;
3)对CL1段差值信号和CL0段差值信号分别对应使用CL1模态的速度和CL0模态的速度进行椭圆成像;
4)将两段信号得到的成像结果用全乘法进行数据融合得到最终成像结果,实现压力容器缺陷的定位。
进一步地,所述步骤1)中差值信号的获取方式为:
在所述压力容器中布置由n个传感器组成的阵列,通过幅频特性曲线选定合适的激励频率,选择所述n个传感器中的一个进行信号的激励,其它n-1个传感器接收信号,形成n(n-1)个激励-接收传感器对;
在所述压力容器无损状态下轮流激励所述n个传感器,所接收的相应信号称为基准信号;依此法在同种所述压力容器损伤状态下轮流激励所述n个传感器,所接收的相应信号称为损伤信号;基准信号减去对应的损伤信号所得到的信号称为差值信号。
进一步地,所述步骤1)还包括:
通过Hilbert变换得到差值信号包络。
进一步地,所述步骤2)中CL0模态直达波到达时间t的获取方式为:
测量获得CL0模态的速度vCL0和激励-接收传感器对之间的距离dTR,则所述激励-接收传感器对所对应的CL0模态直达波到达时间t为:
进一步地,所述步骤3)中的椭圆成像具体为:
获取所述CL0段差值信号最大幅值出现的时间t0和压力容器中CL0模态的速度为vCL0,计算得到缺陷距当前激励-接收传感器对中两个传感器距离之和d0,以两个传感器位置为焦点位置,以d0/2为椭圆长轴半径,得到一个椭圆轨迹,依此法对n(n-1)个激励-接收传感器对进行椭圆成像,得到的n(n-1)个CL0模态成像结果;
同理得到n(n-1)个CL1模态成像结果。
进一步地,缺陷距两个传感器距离之和d0的计算公式为:
d0=t0×vCL0。
进一步地,所述椭圆成像还包括:
在得到的椭圆轨迹的基础上引入正态分布函数,量化该椭圆轨迹对其周围区域的影响。
进一步地,所述步骤4)中的全乘法数据融合具体为:
将n(n-1)个CL0模态成像结果与n(n-1)个CL1模态成像结果按照对应空间点的像素值对应相乘的方法进行数据融合,以实现散射信号自适应聚焦效果,最终达到对缺陷的准确定位。
与现有技术相比,本发明具有以下有益效果:
(1)本发明通过信号分段的方法在大部分情况下可以区分出两种模态所引起的差值信号波峰,故而可以消除由于多模态特性对成像造成的干扰,提高信号的信噪比。
(2)本发明同时利用接收信号中两种模态包含的缺陷信息,成像时比只采用单模态信息的传统方法使用了更多的有效信息,因此对缺陷的定位也更加准确与可靠。
(3)本发明适用于绝大多数的容器中的周向导波无损检测。
(4)本发明是在算法方面进行改进,对硬件上并无特殊要求,因此可以在原有的无损检测设备更新使用。
(5)本发明通过传感器阵列获得多组椭圆成像结果,有效提高最终缺陷定位精度。
(6)本发明对缺陷的定位准确,成像结果清晰,具有较高的工程应用价值。
附图说明
图1为本发明流程示意图;
图2为本发明中布置的圆形阵列;
图3为实验得到的原始信号以及处理后得到的信号图;
图4为正态分布函数曲线图;
图5为传统成像算法的成像结果,其中,(5a)为成像速度为CL0模态的速度时的成像结果,(5b)为成像速度为CL1模态的速度时的成像结果;
图6为采用本发明方法的最终成像结果。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本实施例提供一种基于信息融合和椭圆成像的压力容器缺陷导波定位方法,包括以下步骤:
步骤S101,在压力容器中布置由n个传感器组成的阵列,传感器可采用压电晶片传感器。本实施例中,n=9,其组成的阵列类型是圆形稀疏阵列,如图2所示。压电晶片的直径为10mm,厚度为1mm,组成的圆形阵列直径为250mm,对这9个传感器按0到8分别进行编号。
步骤S102,通过幅频特性曲线选定合适的激励频率,选择n个传感器中的一个进行信号的激励,其它n-1个传感器接收信号,形成n(n-1)个激励-接收传感器对。本实施例中,所激励的脉冲为中心频率为190kHz的3周期正弦波信号,激励波形通过汉宁窗进行预先调制。
步骤S103,在压力容器无损状态下轮流激励n个传感器,所接收的相应信号称为基准信号;在同种压力容器损伤状态下轮流激励n个传感器,所接收的相应信号称为损伤信号。本实施例中,可以获得无损状态下的72组基准信号和损伤状态下的72组损伤信号。
步骤S104,对基准信号和损伤信号进行滤波降噪,将两者相减得到差值信号,通过Hilbert变换得到差值信号包络。其中,滤波采用的带通滤波器以190kHz为中心频率,通带带宽为100kHz。
步骤S105,对差值信号进行时域分段处理,以传播速度较慢的CL0模态直达波到达时间t为分界点,从激励开始时间到t时间的差值信号称为CL1段,在t时间之后的差值信号称为CL0段,从而将接收信号中的CL0模态的信号波包与CL1模态的信号波包分离开,以便后续缺陷特征信号提取。
通过选择合适的激励频率下,压力容器中的周向导波有两个模态,这两种模态分别相似于平板中的A0模态Lamb波与S0模态Lamb波,本方法中以CL0模态对应于平板中的A0模态Lamb波,CL1模态对应于平板中的S0模态Lamb波。由于CL0模态的传播速度小于CL1模态的传播速度,在时域上CL0模态的波包信号是后续到达的,本方法按照其到达时间分段可以把CL0模态与CL1模态的波包信号分开,方便特征提取。
CL0模态直达波到达时间t的获取方式为:
测量获得CL0模态的速度vCL0和激励-接收传感器对之间的距离dTR,则激励-接收传感器对所对应的CL0模态直达波到达时间t为:
步骤S106,对CL1段差值信号和CL0段差值信号分别对应使用CL1模态的速度和CL0模态的速度进行椭圆成像。
获取CL0段差值信号最大幅值出现的时间t0和压力容器中CL0模态的速度为vCL0,计算得到缺陷距当前激励-接收传感器对中两个传感器距离之和d0,以两个传感器位置为焦点位置,以d0/2为椭圆长轴半径,得到一个椭圆轨迹,依此法对n(n-1)个激励-接收传感器对进行椭圆成像,得到的n(n-1)个CL0模态成像结果;
同理得到n(n-1)个CL1模态成像结果。
本实施例中,可以获得共144张成像图。
缺陷距两个传感器距离之和d0的计算公式为:
d0=t0×vCL0。
在得到的椭圆轨迹的基础上可引入正态分布函数,以此来量化该椭圆轨迹对其周围区域的影响。
其中量化所需的概率积分函数为:
式中为正态分布函数,其一般的函数曲线如图4所示,随后引入概率指标,其计算公式如下:
I(xm,ym)|ij=2F(-lm-ij))
使用(2)式根据每个离散点到该椭圆轨迹的距离来定义其可能出现缺陷的概率值,当离散点在该椭圆轨迹上时,其I值应等于1,而随着其远离椭圆轨迹时(l变大),I趋近于0。I值的大小与该离散点在成像时的像素值大小是正相关关系的,即概率越大,则该点的像素值越大(偏亮),反之则像素值越小(偏暗)。
步骤S107,将两段信号得到的成像结果用全乘法进行数据融合得到最终成像结果,实现压力容器缺陷的定位。
本实施例中,全乘法数据融合具体为:
将144张成像图进行数据融合,即按照CL0模态成像图和CL1模态成像图的对应空间点的像素值对应相乘的方法进行数据融合,以实现散射信号自适应聚焦效果,最终达到对缺陷的准确定位。图5显示了当采用传统成像算法时得到的成像结果,其中(5a)为成像速度为CL0模态的速度时的成像结果,(5b)为成像速度为CL1模态的速度时的成像结果,可以看到成像结果与实际缺陷的位置仍有一定误差。图6是采用本发明优化椭圆成像算法的成像结果,显然定位误差比传统成像算法的误差要小。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (8)
1.一种基于信息融合和椭圆成像的压力容器缺陷导波定位方法,其特征在于,包括以下步骤:
1)采用基准减法获得所述压力容器中超声导波的差值信号;
2)对所述差值信号进行时域分段处理,以传播速度较慢的CL0模态直达波到达时间t为分界点,从激励开始时间到t时间的差值信号称为CL1段,在t时间之后的差值信号称为CL0段;
3)对CL1段差值信号和CL0段差值信号分别对应使用CL1模态的速度和CL0模态的速度进行椭圆成像;
4)将两段信号得到的成像结果用全乘法进行数据融合得到最终成像结果,实现压力容器缺陷的定位。
2.根据权利要求1所述的基于信息融合和椭圆成像的压力容器缺陷导波定位方法,其特征在于,所述步骤1)中差值信号的获取方式为:
在所述压力容器中布置由n个传感器组成的阵列,通过幅频特性曲线选定合适的激励频率,选择所述n个传感器中的一个进行信号的激励,其它n-1个传感器接收信号,形成n(n-1)个激励-接收传感器对;
在所述压力容器无损状态下轮流激励所述n个传感器,所接收的相应信号称为基准信号;依此法在同种所述压力容器损伤状态下轮流激励所述n个传感器,所接收的相应信号称为损伤信号;基准信号减去对应的损伤信号所得到的信号称为差值信号。
3.根据权利要求1所述的基于信息融合和椭圆成像的压力容器缺陷导波定位方法,其特征在于,所述步骤1)还包括:
通过Hilbert变换得到差值信号包络。
4.根据权利要求1所述的基于信息融合和椭圆成像的压力容器缺陷导波定位方法,其特征在于,所述步骤2)中CL0模态直达波到达时间t的获取方式为:
测量获得CL0模态的速度vCL0和激励-接收传感器对之间的距离dTR,则所述激励-接收传感器对所对应的CL0模态直达波到达时间t为:
5.根据权利要求2所述的基于信息融合和椭圆成像的压力容器缺陷导波定位方法,其特征在于,所述步骤3)中的椭圆成像具体为:
获取所述CL0段差值信号最大幅值出现的时间t0和压力容器中CL0模态的速度为vCL0,计算得到缺陷距当前激励-接收传感器对中两个传感器距离之和d0,以两个传感器位置为焦点位置,以d0/2为椭圆长轴半径,得到一个椭圆轨迹,依此法对n(n-1)个激励-接收传感器对进行椭圆成像,得到的n(n-1)个CL0模态成像结果;
同理得到n(n-1)个CL1模态成像结果。
6.根据权利要求5所述的基于信息融合和椭圆成像的压力容器缺陷导波定位方法,其特征在于,缺陷距两个传感器距离之和d0的计算公式为:
d0=t0×vCL0。
7.根据权利要求5所述的基于信息融合和椭圆成像的压力容器缺陷导波定位方法,其特征在于,所述椭圆成像还包括:
在得到的椭圆轨迹的基础上引入正态分布函数,量化该椭圆轨迹对其周围区域的影响。
8.根据权利要求5所述的基于信息融合和椭圆成像的压力容器缺陷导波定位方法,其特征在于,所述步骤4)中的全乘法数据融合具体为:
将n(n-1)个CL0模态成像结果与n(n-1)个CL1模态成像结果按照对应空间点的像素值对应相乘的方法进行数据融合,以实现散射信号自适应聚焦效果,最终达到对缺陷的准确定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811002815.8A CN109142530A (zh) | 2018-08-30 | 2018-08-30 | 基于信息融合和椭圆成像的压力容器缺陷导波定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811002815.8A CN109142530A (zh) | 2018-08-30 | 2018-08-30 | 基于信息融合和椭圆成像的压力容器缺陷导波定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109142530A true CN109142530A (zh) | 2019-01-04 |
Family
ID=64829389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811002815.8A Pending CN109142530A (zh) | 2018-08-30 | 2018-08-30 | 基于信息融合和椭圆成像的压力容器缺陷导波定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109142530A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109695821A (zh) * | 2019-01-21 | 2019-04-30 | 天津大学 | 一种基于幅度谱索引的加筋板泄漏定位方法 |
CN112881537A (zh) * | 2021-01-22 | 2021-06-01 | 西安增材制造国家研究院有限公司 | 一种椭圆合成孔径聚焦的激光超声信号成像方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5987357A (ja) * | 1982-11-12 | 1984-05-19 | Hitachi Ltd | 圧力容器内音源位置標定装置 |
EP2199787A2 (de) * | 2008-12-19 | 2010-06-23 | TSG Technische Service Gesellschaft mbH | Verbesserte Schallemissionsprüfung bei Flüssiggasbehältern |
CN103323527A (zh) * | 2013-06-06 | 2013-09-25 | 南京航空航天大学 | 基于多维阵列和空间滤波器的损伤无波速成像定位方法 |
CN104335037A (zh) * | 2012-02-22 | 2015-02-04 | 道达尔公司 | 水泥力学性能的表征方法 |
CN106404924A (zh) * | 2016-10-26 | 2017-02-15 | 华东理工大学 | 一种改善板类结构成像精度的检测数据优化处理方法 |
-
2018
- 2018-08-30 CN CN201811002815.8A patent/CN109142530A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5987357A (ja) * | 1982-11-12 | 1984-05-19 | Hitachi Ltd | 圧力容器内音源位置標定装置 |
EP2199787A2 (de) * | 2008-12-19 | 2010-06-23 | TSG Technische Service Gesellschaft mbH | Verbesserte Schallemissionsprüfung bei Flüssiggasbehältern |
CN104335037A (zh) * | 2012-02-22 | 2015-02-04 | 道达尔公司 | 水泥力学性能的表征方法 |
CN103323527A (zh) * | 2013-06-06 | 2013-09-25 | 南京航空航天大学 | 基于多维阵列和空间滤波器的损伤无波速成像定位方法 |
CN106404924A (zh) * | 2016-10-26 | 2017-02-15 | 华东理工大学 | 一种改善板类结构成像精度的检测数据优化处理方法 |
Non-Patent Citations (2)
Title |
---|
刘增华等: "复合材料板Chirp激励的Lamb波成像技术研究", 《仪器仪表学报》 * |
戚敏新: ""基于椭圆成像算法对铝板中孔洞缺陷的检测研究"", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109695821A (zh) * | 2019-01-21 | 2019-04-30 | 天津大学 | 一种基于幅度谱索引的加筋板泄漏定位方法 |
CN112881537A (zh) * | 2021-01-22 | 2021-06-01 | 西安增材制造国家研究院有限公司 | 一种椭圆合成孔径聚焦的激光超声信号成像方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110146521B (zh) | 基于微波无损检测的管道表面腐蚀缺陷检测方法及装置 | |
GB2610449A (en) | Efficient high-resolution non-destructive detecting method based on convolutional neural network | |
KR102209401B1 (ko) | 컨볼루션 신경망을 이용한 기어박스의 결함상태 판별 장치 및 방법 | |
JP6079948B1 (ja) | 表面欠陥検出装置および表面欠陥検出方法 | |
CN109671082B (zh) | 一种密封圈检测方法、装置、设备及计算机可读存储介质 | |
CN101122580A (zh) | 检查系统和操作方法 | |
CN109142530A (zh) | 基于信息融合和椭圆成像的压力容器缺陷导波定位方法 | |
CN114418953A (zh) | 一种基于时间历程累计图像的声呐目标检测方法和系统 | |
AlAzawee et al. | Using morphological operations—Erosion based algorithm for edge detection | |
CN114359149A (zh) | 基于实时图像边缘增强的坝岸险情视频检测方法及系统 | |
Zhang et al. | Magnetic flux leakage testing of wire rope defects with denoising | |
CN107369163A (zh) | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 | |
CN115266774B (zh) | 基于人工智能的焊缝射线检测评片方法 | |
Jedrusiak | A deep learning approach for denoising air-coupled ultrasonic responds data | |
CN113689449B (zh) | 一种中尺度涡特征参数的反演方法及系统 | |
Udpa et al. | Automated analysis of eddy current signals in steam generator tube inspection | |
CN113643247A (zh) | 一种强抖动下基于形态学滤波的钢丝绳断丝检测方法 | |
CN115524397A (zh) | 基于波形协方差的超声导波相控阵成像方法 | |
Prachetaa et al. | Image processing for NDT images | |
Jeong et al. | Automatic image contrast enhancement for small ship detection and inspection using RADARSAT-2 synthetic aperture radar data | |
Pan et al. | Inspection of Wire Ropes Based on Magnetic Flux Leakage Images by Using YOLOv5 | |
CN110530800B (zh) | 玻璃应力缺陷的检测方法和装置 | |
CN117576088B (zh) | 一种液体杂质智能过滤视觉检测方法和装置 | |
CN108629778B (zh) | 基于局部特征加权增强的图像显著性物体检测方法及系统 | |
Chang et al. | A novel method of radiographic image enhancement based on phase symmetry |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190104 |
|
RJ01 | Rejection of invention patent application after publication |