CN110274961A - 基于pec检测管道微观缺陷非线性声发射系统识别方法 - Google Patents
基于pec检测管道微观缺陷非线性声发射系统识别方法 Download PDFInfo
- Publication number
- CN110274961A CN110274961A CN201910333162.XA CN201910333162A CN110274961A CN 110274961 A CN110274961 A CN 110274961A CN 201910333162 A CN201910333162 A CN 201910333162A CN 110274961 A CN110274961 A CN 110274961A
- Authority
- CN
- China
- Prior art keywords
- model
- input
- pec
- frequency
- output
- 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
- G01N29/14—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
Abstract
本发明公开了一种基于PEC检测的管道微观缺陷非线性声发射系统识别方法,使用PEC激励信号对工件进行测试,利用传感器获取输出信号,建立材料缺陷物理性质与频域指标之间的关系,用于频域特征分析;利用具有外部输入的非线性自回归滑动平模型,建立输入激励信号和输出响应之间的时域模型;将PEC检测与MARMAX模型相结合,从时域数据中提取NARMAX模型的频率响应函数;建立激励输入和系统响应之间的定量关系,以获得评估结构健康状况的指标。利用线性时域模型和频域特征提取分析,研究了结构健康评估的PEC数据分析。
Description
技术领域
本发明属于超声无损检测技术领域,尤其涉及一种基于PEC检测的管道微观缺陷非线性声发射系统识别方法。
背景技术
生产设备伴随现代工业技术的发展而不断发展,逐步形成规模化、自动化、高效化的特点。工程系统的故障诊断和无损检测技术有很多要求,这些要求能有效评估工程系统的工作状态,有效避免了系统的初期损坏和灾难性故障发生的可能性。脉冲涡流(PEC)测试是一种快速发展的结构无损检测技术,如金属厚度测量,多层材料缺陷检测和腐蚀检测。通过理解时域和频域中的影响和响应,开发了基于PEC的表征理论和特征提取技术。
传统的涡流无损检测技术仅使用判读技术来分析结构输出响应,通过提取有意义的信息特征,诸如缺陷尺寸,位置和类别的定量表征来评估结构健康和完整性。这种判读技术需要具有无缺陷条件的参考差分信号用于结构健康检测。然而,参考信号容易受到工业应用中其他不稳定环境条件的影响,并且差分信号不能揭示由结构缺陷产生的内在系统机制。很难找到相应的判读技术提取内在信息来判定缺陷对结构系统条件的影响。
基于模型的方法在工程系统故障诊断中有很多应用,包括系统识别。缺陷被视为模型参数的未知输入或干扰,其用作表示组件缺陷的特征。但是,这种方法需要工程系统的详细物理模型,这在实践中是不可行的。为克服物理模型的难点,本发明提出了一种新的基于模型的方法。
发明内容
本发明所要解决的技术问题是,提供一种基于PEC检测的管道微观缺陷非线性声发射系统识别方法,利用线性时域模型和频域特征提取分析,研究了结构健康评估的PEC数据分析。
本发明解决其技术问题所采用的技术方案是:提供一种基于PEC检测的管道微观缺陷非线性声发射系统识别方法,该方法包括以下步骤,步骤1,使用PEC(脉冲涡流检测)激励信号对工件进行测试,利用传感器获取输出信号,建立材料缺陷物理性质与频域指标之间的关系,用于频域特征分析;在步骤1之前搭建典型的PEC实验系统,使用载波频率和带宽合适的微型角度光束传感器、函数发生器、示波器、发射和接收器等。
步骤2,利用具有外部输入的非线性自回归滑动平(NARMAX)模型,建立输入激励信号和输出响应之间的时域模型。
步骤3,将PEC检测与MARMAX模型相结合,从时域数据中提取NARMAX模型的频率响应函数(FRF)。
步骤4,建立激励输入和系统响应之间的定量关系,以获得评估结构健康状况的指标。
按上述技术方案,所述步骤2中,NARMAX模型技术是表示输入激励信号与结构系统输出响应之间动态行为关系的时域模型。建立NARMAX模型,从被检查的系统的已识别的非线性模型中确定频率响应函数,从频率响应函数中提取系统的代表性频域特征,根据频率响应函数的变化来进行系统故障诊断和结构无损检测。
按上述技术方案,从被检查的系统的已识别的非线性模型中确定频率响应函数,具体为利用离散输入输出时域数据建立黑箱建模,包括以下步骤,步骤一,提出具有外部输入的非线性自回归滑动平NARMAX模型结构,提供了关于SISO非线性动力系统输入-输出关系的统一表示,其由非线性差分方程建模如下:
y(t)=f(y(t-1),...,y(t-ny),u(t-1),...,u(t-nu),ε(t-1),...,ε(t-nε))+ε(t)(1)
其中,y(t)为输出误差,u(t)为输入误差,ε(t)噪声序列;ny、nu、nε分别是x时刻,系统输出、输入和噪声项的时间延迟步数;f(·)为非线性映射函数,它是未知的,需要从输入-输出数据中识别,真函数的非线性近似f是通过用有限维参数向量θ参数化函数族来实现的:
噪声项ε(t)无法直接测量,只能利用预测误差替代,定义如下:
其中,y(t)为测量到的实际输出,为预测的输出。
等式(1)可以通过映射有限维向量重写如下:
这里,θ为有待估计的模型参数,为回归向量,x(t)为滞后输出误差、输入误差和噪声序列,
x(t)=[y(t-1)…y(t-ny)u(t-1)…u(t-nu)ε(t-1)…ε(t-nε)]T (5)
步骤二,给定系统的输入-输出数据,可以通过线性系统建模有效地执行测量系统FRF,频率响应H(ejω)可以解释为评估的传递函数,其定义为:
其中,ω为输入频率,b(k)为单个系统输出数据,a(l)为单个系统输入数据。
按上述技术方案,所述步骤3中频率响应函数作用:材料缺陷表示为未知输入或对结构动态行为的时域模型参数的干扰,模型参数的变量能够在频率响应函数(FRF)中得以指示。
按上述技术方案,所述步骤4中,获得FRF后与已知的FRF模式比较,在系统参数变化时评估,在NARMAX建模和基于FRF的频率分析的框架下,通过分析由系统FRF表示的系统已识别非线性模型的频域特征进行工程系统的故障诊断。
本发明产生的有益效果是:利用线性时域模型和频域特征提取分析,研究了结构健康评估的PEC数据分析,本发明提出了一种基于激励输入和输出响应之间结构系统模型的不同视角的结构健康监测新方法。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为本发明实施例基于PEC检测的管道微观缺陷非线性声发射系统识别技术的流程示意图;
图2为本发明的实施例基于PEC检测的管道微观缺陷非线性声发射系统识别技术的实验设计图。
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。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例基于PEC检测的管道微观缺陷非线性声发射系统识别技术的包含以下步骤:应用线性时域建模和线性频率分析来分析PEC信号;提取特征参数,用于识别不同的裂缝;将PEC的激励信号和输出响应输入到线性时域模型,该模型基于NARMAX模型建立。通过与现有方法的比较,对实验数据进行了测试,并通过与现有的最大斜率方法的比较,验证了本发明方法的有效性和适用性。确定频率响应函数具体为:利用离散输入输出时域数据建立黑箱建模。频率响应函数(FRF)分析用于分析时域模型并提取特征以诊断工程系统的故障状况。系统故障反映在时域模型的变化中,这表现在系统FRF的变化中。因此,系统FRF的变化可用于进行系统故障诊断结构NDT。
如图2所示,本发明的一种基于PEC检测的管道微观缺陷非线性声发射系统识别技术,实验平台搭建如下:建立典型的TOFD实验系统,实验使用了微型角度光束传感器(MSW-QC型,Benchmark系列)和型号为W-211(45°)的楔块,传感器的载波频率和带宽分别为2.25MHz和1.5MHz,楔角是45°。使用普通钢块作为试样,试样的厚度为2.25cm,表面裂纹的深度为1.25cm。放置两个传感器,使钢块上的裂缝位于发射器和接收器之间的中间位置,这确保了超声波信号在从发射器传播到裂缝然后到达接收器时的最短飞行时间。
实验中使用了AFG320函数发生器和TDS3000系列示波器,函数发生器连接到发射器,发射器将超声波信号发送到样本,并发送到示波器,示波器收集来自接收器的反射超声波信号。用于裂缝检测的实验超声信号通过采样频率为100MHz的A扫描获得。当发射器和接收器相距很远时,来自裂缝尖端的衍射超声信号嵌入噪声中。
基于线性时域模型和频域分析的办法,建立了材料缺陷物理性质与频域指标之间的关系,利用NARMAX模型技术,根据输入输出数据确定结构系统动力学机理的数学模型,材料缺陷表现为未知输入或对结构动态行为的时域模型参数的干扰,这种变量的缺陷表示能够在频率响应函数(FRF)中显示。结构系统物理特性的变量可以反映在时域模型中,这也可以通过系统FRF的变化来表示。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (5)
1.一种基于PEC检测的管道微观缺陷非线性声发射系统识别方法,其特征在于,该方法包括以下步骤,步骤1,使用PEC激励信号对工件进行测试,利用传感器获取输出信号,建立材料缺陷物理性质与频域指标之间的关系,用于频域特征分析;
步骤2,利用具有外部输入的非线性自回归滑动平模型,建立输入激励信号和输出响应之间的时域模型;
步骤3,将PEC检测与MARMAX模型相结合,从时域数据中提取NARMAX模型的频率响应函数;
步骤4,建立激励输入和系统响应之间的定量关系,以获得评估结构健康状况的指标。
2.根据权利要求1所述的基于PEC检测的管道微观缺陷非线性声发射系统识别方法,其特征在于,所述步骤2中,建立NARMAX模型,从被检查的系统的已识别的非线性模型中确定频率响应函数,从频率响应函数中提取系统的代表性频域特征,根据频率响应函数的变化来进行系统故障诊断和结构无损检测。
3.根据权利要求2所述的基于PEC检测的管道微观缺陷非线性声发射系统识别方法,其特征在于,从被检查的系统的已识别的非线性模型中确定频率响应函数,具体为利用离散输入输出时域数据建立黑箱建模,包括以下步骤,
步骤一,提出具有外部输入的非线性自回归滑动平NARMAX模型结构,提供了关于SISO非线性动力系统输入-输出关系的统一表示,其由非线性差分方程建模如下:
y(t)=f(y(t-1),...,y(t-ny),u(t-1),...,u(t-nu),ε(t-1),...,ε(t-nε))+ε(t)(1)
其中,y(t)为输出误差,u(t)为输入误差,ε(t)噪声序列;ny、nu、nε分别是输出、输入和噪声的时间延迟步数;f(·)为非线性映射函数,它是未知的,需要从输入-输出数据中识别,真函数的非线性近似f是通过用有限维参数向量θ参数化函数族来实现的:
噪声项ε(t)定义如下:
其中,y(t)为测量到的实际输出,为预测的输出。
等式(1)可以通过映射有限维向量重写如下:
这里,θ为有待估计的模型参数,为回归向量,x(t)为滞后输出误差、输入误差和噪声序列,
x(t)=[y(t-1)…y(t-ny)u(t-1)…u(t-nu)ε(t-1)…ε(t-nε)]T (5)
步骤二,给定系统的输入-输出数据,可以通过线性系统建模有效地执行测量系统FRF,频率响应可以解释为评估的传递函数,其定义为:
其中,ω为输入频率,b(k)为单个系统输出数据,a(l)为单个系统输入数据。
4.根据权利要求1或2所述的基于PEC检测的管道微观缺陷非线性声发射系统识别方法,其特征在于,所述步骤3中频率响应函数作用:材料缺陷表示为未知输入或对结构动态行为的时域模型参数的干扰,模型参数的变量能够在频率响应函数中得以指示。
5.根据权利要求1或2所述的基于PEC检测的管道微观缺陷非线性声发射系统识别方法,其特征在于,所述步骤4中,获得FRF后与已知的FRF模式比较,在系统参数变化时评估,在NARMAX建模和基于FRF的频率分析的框架下,通过分析由系统FRF表示的系统已识别非线性模型的频域特征进行工程系统的故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910333162.XA CN110274961A (zh) | 2019-04-24 | 2019-04-24 | 基于pec检测管道微观缺陷非线性声发射系统识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910333162.XA CN110274961A (zh) | 2019-04-24 | 2019-04-24 | 基于pec检测管道微观缺陷非线性声发射系统识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110274961A true CN110274961A (zh) | 2019-09-24 |
Family
ID=67960001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910333162.XA Pending CN110274961A (zh) | 2019-04-24 | 2019-04-24 | 基于pec检测管道微观缺陷非线性声发射系统识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110274961A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709297A (zh) * | 2020-05-18 | 2020-09-25 | 武汉工程大学 | 一种基于narmax-frf和pca的智能诊断与预测故障方法及系统 |
CN113762206A (zh) * | 2021-09-18 | 2021-12-07 | 东北大学 | 改进非线性输出频率响应函数的微弱故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011017595A1 (en) * | 2009-08-07 | 2011-02-10 | Hoyt Philip M | Pseudorandom binary sequence apparatus and method for in-line inspection tool |
JP2011117890A (ja) * | 2009-12-07 | 2011-06-16 | Hitachi Ltd | 渦電流探傷プローブ |
CN102520070A (zh) * | 2011-12-02 | 2012-06-27 | 上海交通大学 | 基于非线性输出频率响应函数的结构损伤检测方法 |
CN103257182A (zh) * | 2013-06-07 | 2013-08-21 | 电子科技大学 | 一种脉冲涡流缺陷定量检测方法及检测系统 |
CN107589174A (zh) * | 2017-10-19 | 2018-01-16 | 广东工业大学 | 一种焊缝缺陷检测系统 |
-
2019
- 2019-04-24 CN CN201910333162.XA patent/CN110274961A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011017595A1 (en) * | 2009-08-07 | 2011-02-10 | Hoyt Philip M | Pseudorandom binary sequence apparatus and method for in-line inspection tool |
JP2011117890A (ja) * | 2009-12-07 | 2011-06-16 | Hitachi Ltd | 渦電流探傷プローブ |
CN102520070A (zh) * | 2011-12-02 | 2012-06-27 | 上海交通大学 | 基于非线性输出频率响应函数的结构损伤检测方法 |
CN103257182A (zh) * | 2013-06-07 | 2013-08-21 | 电子科技大学 | 一种脉冲涡流缺陷定量检测方法及检测系统 |
CN107589174A (zh) * | 2017-10-19 | 2018-01-16 | 广东工业大学 | 一种焊缝缺陷检测系统 |
Non-Patent Citations (3)
Title |
---|
K. WORDEN ET AL.: "On the confidence bounds of Gaussian process NARX models and their higher-order frequency response functions", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
STEPHEN A. BILLINGS AND HUA-LIANG WEI: "A New Class of Wavelet Networks for Nonlinear System Identification", 《IEEE TRANSACTIONS ON NEURAL NETWORKS》 * |
程长明等: "基于NARMAX模型和NOFRF结构损伤检测的实验研究", 《动力学与控制学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709297A (zh) * | 2020-05-18 | 2020-09-25 | 武汉工程大学 | 一种基于narmax-frf和pca的智能诊断与预测故障方法及系统 |
CN113762206A (zh) * | 2021-09-18 | 2021-12-07 | 东北大学 | 改进非线性输出频率响应函数的微弱故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110389170B (zh) | 基于Lamb波成像的列车部件裂纹损伤检测方法和系统 | |
Zhu et al. | Electromechanical impedance-based damage localization with novel signatures extraction methodology and modified probability-weighted algorithm | |
KR100937095B1 (ko) | 유도초음파를 이용한 구조건전성 모니터링 방법 | |
Nazarko et al. | Damage detection in aluminum and composite elements using neural networks for Lamb waves signal processing | |
CN104391039A (zh) | 基于动态小波指纹技术的储罐底板腐蚀非接触式超声检测方法 | |
Monaco et al. | Methodologies for guided wave-based SHM system implementation on composite wing panels: results and perspectives from SARISTU scenario 5 | |
CN110274961A (zh) | 基于pec检测管道微观缺陷非线性声发射系统识别方法 | |
Yu et al. | Application of kernel density estimation in lamb wave-based damage detection | |
Li et al. | System identification-based frequency domain feature extraction for defect detection and characterization | |
de Castro et al. | Baseline-free damage imaging algorithm using spatial frequency domain virtual time reversal | |
Yaacoubi et al. | A novel AE algorithm-based approach for the detection of cracks in spot welding in view of online monitoring: case study | |
CN110568083A (zh) | 一种针对钢材腐蚀疲劳损伤在线监测的声发射检测方法 | |
Szeleziński et al. | Analysis of ability to detect defects in welding structures with usage of dynamic characteristics spectrums | |
CN112131781A (zh) | 基于全连接神经网络与传递率函数的钢结构损伤检测方法 | |
CN108151870B (zh) | 一种基于频响函数的施工质量问题检测方法 | |
CN114544765A (zh) | 一种基于深度学习的检测板状材料缺陷存在与位置的方法 | |
CN112836433B (zh) | 高温合金晶粒尺寸识别模型的构建方法及尺寸识别方法 | |
CN111474300B (zh) | 基于时空回归模型的结构局部缺陷检测方法 | |
Nazarko et al. | Anomaly detection in composite elements using Lamb waves and soft computing methods | |
Szeleziński et al. | Quality assessment of welded joints using the mean value distribution of amplitude spectrums calculated by the time window method | |
Pavlović et al. | Improvement Possibilities for Nuclear Power Plants Inspections by Adding Deep Learning-based Assistance Algorithms Into a Classic Ultrasound NDE Acquisition and Analysis Software | |
Nirbhay et al. | Finite element modelling of lamb waves propagation in 3D plates and brass tubes for damage detection | |
Teng et al. | Evaluation of micro-flaws in metallic material based on a self-organized data-driven approach | |
He et al. | A novel crack size quantification method based on lamb wave simulation | |
Rothe | About the reliability of diagnostic statements: fundamentals about detection rates, false alarms, and technical requirements |
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: 20190924 |
|
RJ01 | Rejection of invention patent application after publication |