CN110806443A - 一种基于自组织统计模型的钢板裂纹评估方法 - Google Patents
一种基于自组织统计模型的钢板裂纹评估方法 Download PDFInfo
- Publication number
- CN110806443A CN110806443A CN201911049841.0A CN201911049841A CN110806443A CN 110806443 A CN110806443 A CN 110806443A CN 201911049841 A CN201911049841 A CN 201911049841A CN 110806443 A CN110806443 A CN 110806443A
- Authority
- CN
- China
- Prior art keywords
- steel plate
- value
- echo
- self
- statistical model
- 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
Images
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G01N2291/0234—Metals, e.g. steel
Abstract
本发明涉及一种基于自组织统计模型的钢板裂纹评估方法,该方法包括如下步骤:(1)设置钢板表面采样点;(2)采用回波扫描器扫描钢板表面,采集钢板表面回波信号;(3)获取采样点处的回波信号频谱;(4)计算各采样点之间的绝对距离,获取距离矩阵;(5)获取距离矩阵的z值序列;(6)重复执行步骤(2)~(5)M次,获得M组z值序列,将每个z值序列作为行向量组成z值矩阵ZM;(7)根据ZM建立自组织统计模型,确定钢板裂纹缺陷位置以及缺陷显著程度。与现有技术相比,本发明方法简单,易于实施,评估结果准确可靠。
Description
技术领域
本发明涉及一种钢板裂纹评估方法,尤其是涉及一种基于自组织统计模型的钢板裂纹评估方法。
背景技术
超声无损检测广泛应用于工程技术领域,通过测量材料的声学特性来检测缺陷和评估材料损伤程度。近年来超声无损检测从离线人工检测逐渐向自动在线检测转变,传统检测准则是判定有无缺陷,而现代无损检测技术侧重材料退化的早期预测和健康管理(Prognostics and Health Management,PHM)。早期预测和健康管理是对因疲劳和微缺陷引起的材料退化进行有效地评估恶化程度和剩余生命周期,提前预防结构断裂等危险情况的发生。目前提出基于统计思想的超声检测模型往往依赖于历史退化数据和先验知识,需要大量实验数据样本来训练得到参考概率曲线或预设的特征阈值,并依据这些指标来评估材料性能。然而,由于实际工件结构和材质的复杂性、检测环境的变化及人为因素等,参考概率曲线或特征值会有所变化的,从而使得检测结果不准确。
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自组织统计模型的钢板裂纹评估方法。
本发明的目的可以通过以下技术方案来实现:
一种基于自组织统计模型的钢板裂纹评估方法,该方法包括如下步骤:
(1)设置钢板表面采样点;
(2)采用回波扫描器扫描钢板表面,采集钢板表面回波信号;
(3)获取采样点处的回波信号频谱;
(4)计算各采样点之间的绝对距离,获取距离矩阵;
(5)获取距离矩阵的z值序列;
(6)重复执行步骤(2)~(5)M次,获得M组z值序列,将每个z值序列作为行向量组成z值矩阵ZM;
(7)根据ZM建立自组织统计模型,确定钢板裂纹缺陷位置以及缺陷显著程度。
所述的采样点沿钢板长度方向均匀分布。
所述的回波扫描器包括发射换能器和接收换能器,所述的发射换能器和接收换能器沿钢板宽度方向对称设置,回波扫描器移动过程中,所述的发射换能器和接收换能器移动相同位移。
所述的发射换能器为超声发射换能器,发射换能器产生声波,声波在钢板内部传播,经过底面反射和裂纹衍射,被接收换能器接收。
所述的回波信号频谱通过回波信号进行傅里叶变换获得。
步骤(4)绝对值距离通过下式获得:
其中,di,j表示第i个位置回波频谱与第j个位置回波频谱之间的距离,i=1,2,……N,j=1,2,……N,N为扫描位置总数,pi,τ表示第i个位置回波频谱中第τ个回波离散频率点处的数值,qj,τ表示第j个位置回波频谱中第τ个回波离散频率点处的数值,τ=1,2,……Q,Q为回波频谱中回波离散频率点的总个数;
进而,距离矩阵为:
步骤(5)z值序列通过如下方式获得:
(a)计算距离矩阵D中每一行的距离均值,选取距离均值最小的行,记作k行;
(b)在距离矩阵D的第k行中,依次统计比dk,j大的元素个数,得到第j个位置的zj值:
其中,j=1,2,……N,{dk,i>dk,j,(i=1,2,…,N)}表示第k行中比dk,j大的元素个数;
(c)将zj依次排布组成z值序列。
步骤(7)中具体为:
从j=1位置开始,在ZM中选定M×X维元素,X服从参数为1/2,高斯分布,X<N/10,计算选定的M×X维元素均值的累积正态分布函数值Pj,从而依次得到不同位置处分布值序列{Pj,j=1,2,…,N};
采用正态分布函数值Pj序列进行判定,j=1代表扫描检测的第一个位置,j=N代表扫描检查的最后一个位置,在某位置a处,若Pa小于0.05,出现缺陷的概率大于90%,若Pa小于0.01,则对应位置存在缺陷的概率超过95%,若Pa大于0.05以上时,则对应位置存在缺陷的可能性很小。
与现有技术相比,本发明具有如下优点:
(1)本发明自组织模型本质上是一种聚类统计模型,不需要先验知识,根据样本计算“正常值”的分布函数,将远离分布中心的离散样本进行显著性校验,从而确定异常样本,由此完成裂纹缺陷,特别是微裂纹和微缺陷的评估:包括裂纹缺陷位置以及缺陷显著程度,评估结果准确性高;
(2)本发明评估方法简便,易于实施。
附图说明
图1为本发明基于自组织统计模型的钢板裂纹评估方法的流程框图;
图2为实施例实验测试中微裂纹深度d分别为0.2mm、0.3mm、0.5mm和0.9mm时,矩阵ZM值元素沿钢板长度方向的分布曲线;
图3为实施例实验测试中P值在长度方向的分布曲线;
图4为实施例实验测试中P值小于0.005的区域沿长度方向分布曲线;
图5为实施例实验测试中裂纹区域P的极小值与微裂纹深度d变化关系曲线。
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。注意,以下的实施方式的说明只是实质上的例示,本发明并不意在对其适用物或其用途进行限定,且本发明并不限定于以下的实施方式。
实施例
如图1所示,一种基于自组织统计模型的钢板裂纹评估方法,该方法包括如下步骤:
(1)设置钢板表面采样点;
(2)采用回波扫描器扫描钢板表面,采集钢板表面回波信号;
(3)获取采样点处的回波信号频谱;
(4)计算各采样点之间的绝对距离,获取距离矩阵;
(5)获取距离矩阵的z值序列;
(6)重复执行步骤(2)~(5)M次,获得M组z值序列,将每个z值序列作为行向量组成z值矩阵ZM;
(7)根据ZM建立自组织统计模型,确定钢板裂纹缺陷位置以及缺陷显著程度。
所述的采样点沿钢板长度方向均匀分布。
所述的回波扫描器包括发射换能器和接收换能器,所述的发射换能器和接收换能器沿钢板宽度方向对称设置,回波扫描器移动过程中,所述的发射换能器和接收换能器移动相同位移。
所述的发射换能器为超声发射换能器,发射换能器产生声波,声波在钢板内部传播,经过底面反射和裂纹衍射,被接收换能器接收。
所述的回波信号频谱通过回波信号进行傅里叶变换获得。
步骤(4)绝对值距离通过下式获得:
其中,di,j表示第i个位置回波频谱与第j个位置回波频谱之间的距离,i=1,2,……N,j=1,2,……N,N为扫描位置总数,pi,τ表示第i个位置回波频谱中第τ个回波离散频率点处的数值,qj,τ表示第j个位置回波频谱中第τ个回波离散频率点处的数值,τ=1,2,……Q,Q为回波频谱中回波离散频率点的总个数;
进而,距离矩阵为:
步骤(5)z值序列通过如下方式获得:
(a)计算距离矩阵D中每一行的距离均值,选取距离均值最小的行,记作k行;
(b)在距离矩阵D的第k行中,依次统计比dk,j大的元素个数,得到第j个位置的zj值:
其中,j=1,2,……N,{dk,i>dk,j,(i=1,2,…,N)}表示第k行中比dk,j大的元素个数;
(c)将zj依次排布组成z值序列。
步骤(7)中具体为:
从j=1位置开始,在ZM中选定M×X维元素,X服从参数为1/2,高斯分布,X<N/10,计算选定的M×X维元素均值的累积正态分布函数值Pj,从而依次得到不同位置处分布值序列{Pj,j=1,2,…,N};
采用正态分布函数值Pj序列进行判定,j=1代表扫描检测的第一个位置,j=N代表扫描检查的最后一个位置,在某位置a处,若Pa小于0.05,出现缺陷的概率大于90%,若Pa小于0.01,则对应位置存在缺陷的概率超过95%,若Pa大于0.05以上时,则对应位置存在缺陷的可能性很小。
本实施例进行了实验测试,具体地,使用便携式超声波检测仪(PXUT-920,Union中国南通)采集回波信号。发射及接收换能器固定在扫描架上,通过斜度为50°楔块激发横波,换能器间距应保证一次背向回波被接收换能器接收。步进扫查架通过步进控制器(Norport7000,美国)实现。钢板材质为Q235,尺寸为600ⅹ250ⅹ25(mm)。钢板底面沿长度方向上疲劳产生四段表面微裂纹,每段裂纹长度约约为50mm,开口宽度小于0.1mm。各段裂纹起始位置分别约在0mm、100mm、250mm和420mm处,各段裂纹区延伸深度近似为0.2、0.3mm、0.5mm和0.9mm。扫查架匀速从左向右沿长度方向扫查,扫查长度为600mm,每隔0.5mm设置一个回波接收位置(点);每点回波信号由接收换能器接收,经超声波检测仪采集,并保存在计算机中。将每次扫查的回波信号频谱计算各点之间的绝对距离矩阵D;找到该距离矩阵的z值序列;图2为30次扫查架扫描后z值序列沿长度方向的分布,图中可见在裂纹区和无裂纹区域,z值主要分布范围有较大不同;计算M次扫描后ZM矩阵的正态分布函数值P值,进行显著性分析。图3为P值在长度方向的分布曲线,图中可见不同位置处P值差别很大。以P=0.005为判决阈值,图4为P值小于0.005的区域沿长度方向分布曲线,图中可见无裂纹区域P值较大接近1,而裂纹区域的P值均小于0.01,P值跳变的位置基本在裂纹区开始和结束的位置。
随着裂纹深度d的增加,P值变小,也是差异越显著,表明P值与裂纹深度存在一种近似线性关系。图5给出了四个裂纹位置P值与裂纹深度d的关系曲线。由图中可见,裂纹深度为0.2~0.3mm之间时,P值下降较快;而当裂纹深度为0.3~0.5mm之间时,P值继续下降,当P值超过0.5以后,P值非常小,意味着存在裂纹的可能性接近100%。根据P值曲线斜率速率变化对应材料失效的三个阶段。
本发明采用数据驱动方法建立微裂纹的自组字模型。利用这个模型可以计算得到样本集距离矩阵D,确定扫查位置的z值分布,根据z值分布函数P值曲线的显著性,可以定位微裂纹区域。实验结果表明:(1)在裂纹区域P值小于0.005,而无裂纹区z值一般大于0.05;(2)P值的跳变以及其值的大小能较准确评估缺陷扩展程度和裂纹位置。P的极小值变化率紧密联系裂纹扩展程度,极小值越小裂纹深度也越大。(3)在变化率从较快变化到平稳的转折点处,表示裂纹正从小裂纹扩展到大的裂纹,这个阶段可能是材料特性急剧恶化的开始。
自组织模型有效地建立P曲线和裂纹扩展的定性关系,同时也能监控材料的损害程度和评估结构健康状况,对声波在材料中传播提供一种统计模型和分析方法。
上述实施方式仅为例举,不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施,且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。
Claims (8)
1.一种基于自组织统计模型的钢板裂纹评估方法,其特征在于,该方法包括如下步骤:
(1)设置钢板表面采样点;
(2)采用回波扫描器扫描钢板表面,采集钢板表面回波信号;
(3)获取采样点处的回波信号频谱;
(4)计算各采样点之间的绝对距离,获取距离矩阵;
(5)获取距离矩阵的z值序列;
(6)重复执行步骤(2)~(5)M次,获得M组z值序列,将每个z值序列作为行向量组成z值矩阵ZM;
(7)根据ZM建立自组织统计模型,确定钢板裂纹缺陷位置以及缺陷显著程度。
2.根据权利要求1所述的一种基于自组织统计模型的钢板裂纹评估方法,其特征在于,所述的采样点沿钢板长度方向均匀分布。
3.根据权利要求1所述的一种基于自组织统计模型的钢板裂纹评估方法,其特征在于,所述的回波扫描器包括发射换能器和接收换能器,所述的发射换能器和接收换能器沿钢板宽度方向对称设置,回波扫描器移动过程中,所述的发射换能器和接收换能器移动相同位移。
4.根据权利要求3所述的一种基于自组织统计模型的钢板裂纹评估方法,其特征在于,所述的发射换能器为超声发射换能器,发射换能器产生声波,声波在钢板内部传播,经过底面反射和裂纹衍射,被接收换能器接收。
5.根据权利要求1所述的一种基于自组织统计模型的钢板裂纹评估方法,其特征在于,所述的回波信号频谱通过回波信号进行傅里叶变换获得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911049841.0A CN110806443A (zh) | 2019-10-31 | 2019-10-31 | 一种基于自组织统计模型的钢板裂纹评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911049841.0A CN110806443A (zh) | 2019-10-31 | 2019-10-31 | 一种基于自组织统计模型的钢板裂纹评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110806443A true CN110806443A (zh) | 2020-02-18 |
Family
ID=69489676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911049841.0A Pending CN110806443A (zh) | 2019-10-31 | 2019-10-31 | 一种基于自组织统计模型的钢板裂纹评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110806443A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104132998A (zh) * | 2014-08-06 | 2014-11-05 | 北京科技大学 | 一种基于超声扫描显微镜的内部微观缺陷检测方法 |
CN104458915A (zh) * | 2013-09-22 | 2015-03-25 | 南京大学 | 一种风塔焊缝非线性超声检测方法 |
CN105806270A (zh) * | 2016-04-28 | 2016-07-27 | 北京工业大学 | 一种材料表面微裂纹深度的检测方法 |
CN105806947A (zh) * | 2016-05-17 | 2016-07-27 | 河海大学常州校区 | 一种用于检测倾斜缺陷的超声检测方法 |
-
2019
- 2019-10-31 CN CN201911049841.0A patent/CN110806443A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104458915A (zh) * | 2013-09-22 | 2015-03-25 | 南京大学 | 一种风塔焊缝非线性超声检测方法 |
CN104132998A (zh) * | 2014-08-06 | 2014-11-05 | 北京科技大学 | 一种基于超声扫描显微镜的内部微观缺陷检测方法 |
CN105806270A (zh) * | 2016-04-28 | 2016-07-27 | 北京工业大学 | 一种材料表面微裂纹深度的检测方法 |
CN105806947A (zh) * | 2016-05-17 | 2016-07-27 | 河海大学常州校区 | 一种用于检测倾斜缺陷的超声检测方法 |
Non-Patent Citations (1)
Title |
---|
XUDONG TENG等: "《Evaluation of Cracks in Metallic Material Using a Self-Organized Data-Driven Model of Acoustic Echo-Signal》", 《APPLIED SCIENCES》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110082429B (zh) | 一种结合机器学习的隧道衬砌无损检测的辅助判定方法 | |
CN104034287B (zh) | 一种弹性各向异性金属基体热障涂层厚度超声测量方法 | |
KR101738803B1 (ko) | 초음파 탐상 방법 및 초음파 탐상 장치 | |
CN110455917B (zh) | 一种混凝土裂缝修补质量检测方法 | |
CN109190272B (zh) | 基于弹性波和机器学习的混凝土结构缺陷检测方法 | |
CN114926462B (zh) | 一种金属材料表面缺陷的智能检测方法及系统 | |
CN104165795A (zh) | 一种古建筑木梁的剩余抗弯承载力测定方法 | |
CN110806443A (zh) | 一种基于自组织统计模型的钢板裂纹评估方法 | |
CN108362772A (zh) | 一种检测dpf载体内部损伤的超声波无损探伤方法 | |
CN110231401B (zh) | 一种测点间信息关联方法及土木结构无损检测方法 | |
CN116953087A (zh) | 一种桥梁节段拼装施工质量智能检测方法 | |
CN113557429A (zh) | 超声波探伤方法、超声波探伤装置、钢材的制造设备、钢材的制造方法及钢材的品质管理方法 | |
CN110008896A (zh) | 一种采用arx系统辨识模型的钢绞线张力识别方法 | |
US20220381741A1 (en) | Damage evaluation device and damage evaluation method | |
CN113720918B (zh) | 一种测量材料横波声速的方法 | |
Dzhudzhev et al. | Testing of Automaticized System for complex non-destructive study of metallic materials | |
JP3442057B2 (ja) | 超音波検査方法及び超音波検査装置 | |
CN113640394A (zh) | 一种疲劳裂纹识别方法和系统 | |
CN111796030A (zh) | 一种用于金属板结构疲劳损伤评价的超声信号共识自组织分析方法 | |
JP2007292554A (ja) | 超音波探傷システム | |
KR102568815B1 (ko) | 콘크리트 비파괴검사를 위한 초음파 tof 추정 자동화 장치 및 방법 | |
JP3603804B2 (ja) | 内部欠陥検出方法 | |
Al-Nuaimy et al. | Time-of-flight diffraction-from semi-automatic inspection to semi-automatic interpretation | |
Zahran et al. | Automatic data processing and defect detection in time-of-flight diffraction images using statistical techniques | |
CN112798688B (zh) | 一种提高材料损伤临界折射纵波检测灵敏度的方法 |
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: 20200218 |
|
RJ01 | Rejection of invention patent application after publication |