CN111624251B - 一种应用于大型板壳结构的智能兰姆波缺陷定位方法 - Google Patents

一种应用于大型板壳结构的智能兰姆波缺陷定位方法 Download PDF

Info

Publication number
CN111624251B
CN111624251B CN202010192425.2A CN202010192425A CN111624251B CN 111624251 B CN111624251 B CN 111624251B CN 202010192425 A CN202010192425 A CN 202010192425A CN 111624251 B CN111624251 B CN 111624251B
Authority
CN
China
Prior art keywords
individual
population
detection
individuals
calculating
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.)
Active
Application number
CN202010192425.2A
Other languages
English (en)
Other versions
CN111624251A (zh
Inventor
刘增华
陈洪磊
鲁朝静
吴斌
何存富
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202010192425.2A priority Critical patent/CN111624251B/zh
Publication of CN111624251A publication Critical patent/CN111624251A/zh
Application granted granted Critical
Publication of CN111624251B publication Critical patent/CN111624251B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01N29/041—Analysing solids on the surface of the material, e.g. using Lamb, Rayleigh or shear waves
    • 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
    • G01N29/07—Analysing solids by measuring propagation velocity or propagation time of acoustic waves
    • 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
    • G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
    • G01N29/4427—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with stored values, e.g. threshold values
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G01N2291/01—Indexing codes associated with the measuring variable
    • G01N2291/011—Velocity or travel time
    • 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
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/028—Material parameters
    • G01N2291/0289—Internal structure, e.g. defects, grain size, texture
    • 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
    • G01N2291/04—Wave modes and trajectories
    • G01N2291/042—Wave modes
    • G01N2291/0427—Flexural waves, plate waves, e.g. Lamb waves, tuning fork, cantilever
    • 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
    • G01N2291/263—Surfaces
    • G01N2291/2632—Surfaces flat

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Signal Processing (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明公开了一种应用于大型板壳结构的智能兰姆波缺陷定位方法，种群个体检测路径相关分析数据结构，基于时间飞行原理计算信号波包传播距离；计算兰姆波检测阵列中检测路径数目，计算进化种群中各个体到所有检测路径中激励位和接收位的距离之和，构建用于缺陷检测的保留个体和用于算法迭代更新运算的分析个体。采用将相邻迭代分析中空间欧式距离大于预设阈值的分析个体与当代分析个体组合的方式构建多样性维护种群，进行多样维护。采用自由个体释放的方式进行种群更新，由聚类算法和种群个体关联检测路径数目控制分析个体释放数目。依据迭代次数及相邻代数中保留种群个体适应度均值变化设置截止条件，能够快速实现大型板壳结构缺陷的定位检测。

Description

一种应用于大型板壳结构的智能兰姆波缺陷定位方法
技术领域
本发明属于超声无损检测领域，具体涉及一种应用于大型板壳结构的智能兰姆波缺陷定位方法。
背景技术
大型板壳结构是飞机、船舶、能源储罐等设备的重要结构组成，然而其在加工和服役中会出现不同类型的缺陷，危及设备的使用安全。例如：复合材料板中的缩孔、分层、脱粘等缺陷，金属板中的疲劳裂纹。兰姆波(Lamb waves)是一种在板壳结构中传播的弹性导波，具有模态多、衰减慢、对结构缺陷及材料属性变化敏感的特点，可用于板中缺陷的远距离、快速检测与监测。随着人工智能理论和应用技术的兴起，以及工业界对检测要求的不断提高，无损检测技术的多功能、自动化、智能化以成为一种趋势。融合智能算法和兰姆波检测技术发展智能化兰姆波缺陷定位方法，对实现大型板壳结构缺陷检测的智能化具有重要的意义。
目前结合智能算法和兰姆波缺陷定位算法，实现大型板壳结构缺陷定位方法的智能化仍面临诸多问题，主要包括1.尚未明确智能算法分析数据结构与兰姆波检测阵列、缺陷检测信号特征间的关系，难以构建智能化缺陷定位分析函数模型。2.尚未明确智能算法中种群的筛选机制、多样性维护机制和更新机制，以保证智能缺陷定位方法具有经典兰姆波缺陷定位算法(椭圆成像算法)的统计特性和模糊特性。3.如何设计算法截止判据，在保证算法收敛的同时实现缺陷的快速有效检测。因此，结合稀疏阵列兰姆波缺陷检测信号特点和经典智能分析算法对以上问题进行分析，是实现大型板壳结构的智能兰姆波缺陷定位方法亟需解决的问题。
发明内容
本发明的目的是，提出一种智能兰姆波缺陷定位方法，可用于实现大型板壳结构缺陷的检测。
综合以上提出的问题，本文提出了一种融合时间飞行原理、群进化算法和聚类算法的智能兰姆波缺陷定位方法，应用于大型板壳结构缺陷的检测。算法核心内容包括5个部分：
第1部分：算法分析数据结构和适应度。种群个体检测路径相关分析数据结构：基于时间飞行原理计算信号波包传播距离；计算兰姆波检测阵列中检测路径数目(A激励-B接收检测对和B激励-A接收被认为是同一个检测路径)，计算进化种群中各个体到所有检测路径中激励位和接收位的距离之和，组合相应计算结果得到种群个体计算距离矢量。计算波包传播距离与种群个体计算距离矢量之差的绝对值，将超出预设筛选阈值的计算结果置零，得到种群个体检测路径相关分析数据结构。此时，非零值的数目等于个体关联的检测路径数目。计算种群个体检测路径相关分析数据中数值之和，将其除以个体关联路径数，得到个体适应度。所提的算法分析数据结构和个体适应度计算方式为群进化算法种群筛选和收敛性分析奠定数理基础。
第2部分：算法种群筛选机制。采用聚类算法设计自适应种群筛选机制，构建用于缺陷检测的保留个体和用于算法迭代更新运算的分析个体。筛选出关联检测路径数目大于等于3的个体作为分析个体；计算当代种群中个体最大关联检测路径数目，取其0.75倍作为保留个体筛选阈值。当满足筛选阈值的个体数目小于或等于预设保留数目时，则将所有满足筛选条件的个体分别作为保留个体和分析个体。当满足保留个体筛选阈值的个体数目大于预设保留数目时，则采用聚类算法将所有满足条件的个体进行分类，而后基于各聚类种群规模和预设保留数目的比值关系由各聚类种群中随机选择个体，构建保留个体和分析个体。
第3部分：算法种群更新机制。采用自由个体释放的方式进行种群更新，由聚类算法和种群个体关联检测路径数目控制分析个体释放数目。首先通过聚类算法将分析种群个体分成不同的类，根据各聚类中个体数目及个体检测路径信息计算个体释放数目；随后基于计算的释放数目和预定义的个体最大释放半径进行个体释放，产生多个新的个体，完成种群更新。
第4部分：算法多样性维护机制。通过将相邻迭代分析中空间欧式距离大于预设阈值的分析个体与当代分析个体组合的方式构建多样性维护种群。当多样维护种群个体数目大于预设保留种群数目时，则基于个体适应度由多样性维护种群中筛选出预设保留数目的个体作为算法保留个体和分析个体。多样性维护机制在保障低密度关联缺陷检测个体不被遗漏的同时，增加了算法的收敛性。
第5部分：算法截止判据。依据迭代次数及相邻代数中保留种群个体适应度均值变化设置截止条件。当迭代次数大于预设最大迭代次数，或迭代次数大于3且相邻代保留种群残差值均值变化大于预设阈值时，则停止算法；否则继续执行算法。
本发明所述的应用于大型板壳结构的智能兰姆波缺陷定位方法按实现功能可分为6个模块，主要包括：兰姆波检测信号预处理、算法初始化、个体筛选及适应度均值计算、多样性维护、种群更新及截止判据。具体按以下步骤实施：
步骤1：兰姆波检测信号预处理。提取所有检测路径缺陷检测信号的抵达时间矢量τ；基于公式(1)，结合兰姆波群速度vg计算信号传播距离矢量d。
d＝τ×vg (1)
步骤2：算法初始化。初始化基于群进化算法原理设计的智能检测算法中的各参数：用于控制算法截止条件的最大进化代数gm、种群适应度均值变化梯度截止参数εt；初始化种群个体数目M、种群个体参数取值精度控制矢量ar，进化分析中由每代分析种群中保留下用于缺陷检测和种群更新的个体数目nk，种群个体筛选阈值δe。种群分析个体自由释放更新控制参数：个体最大释放半径rf和最多释放数目nf。大型板壳结构缺陷检测关注区域二维空间矢量θ∈(x,y)。基于公式(2)进行种群pg初始化：当缺陷检测区域在x∈[20,800]mm、 y∈[10,1000]mm时，检测区域控制矢量的上下取值矢量分别为θU＝(800,1000)、θL＝(20,10)；检测中ar＝(1,1)表示检测中个体空间分辨率为1 mm；此时初始化种群为以1mm空间间隔在x∈[20,1000]mm、 y∈[10,1000]mm内呈随机分布的M个个体。
Figure BDA0002416388800000031
步骤3：个体筛选及适应度均值计算。
由公式(3)计算第i个激励位ei经pg到第j个检测位rj的距离矢量
Figure BDA0002416388800000032
由公式(4)计算个体到检测对i～j的残差值矢量εi,j，提取所有检测对εi,j中非零参数的个数得到pg中个体关联检测路径矢量np及最大关联检测路径数目nm。基于公式(5)计算用于种群保留个体筛选的筛选阈值参数k；基于公式(6)计算个体适应度εp。
Figure BDA0002416388800000041
Figure BDA0002416388800000042
k＝floor(0.75×nm) (5)
Figure BDA0002416388800000043
提取np≥3的nk个个体作为种群分析个体pg,r，用于种群更新；np≥k的个体作为保留个体pg,k，用于缺陷定位检测。如果np≥k的个体数目大于nk，则采用聚类算法将np≥k的所有个体分为K类，计算各聚类种群中个体的数目
Figure BDA0002416388800000044
(i为聚类种群编号)；依据公式(7)计算各聚类群中保留个体数目
Figure BDA0002416388800000045
并由各聚类群中随机提取相应数目的个体，组合得到pg,k和pg,r。
Figure BDA0002416388800000046
计算pg,k中所有个体适应度的均值得εg。如果g＝1，执行个体更新步骤 6；否则，执行多样性维护步骤4。
步骤4：多样性维护。由公式(8)计算pg,k、pg-1,k之间的欧式距离dE；提取使|dE|＞δe的个体pE,将其与pg,k融合得到多样性维护种群pv。依据公式(9)，由pv提取前nk个个体作为pg,k和pg,r；计算pg,k个体适应度均值εg。
dE＝||pg-1,k-pg,k|| (8)
Min{εp} (9)
步骤5：截止判据。如果进化代数达到最大gm或g＞3且相邻代数中保留个体适应度均值小于截止判定参数εt，|εg+1-εg|＜εt，则停止；执行种群更新步骤6。
步骤6：种群更新。
采用K聚类算法将pg,r分为K类，计算各类种群的规模
Figure BDA0002416388800000051
基于预设置的个体最大释放数目nf、体关联激励-检测对路径矢量nc和式(10)～(12)计算各聚类种群中个体释放个数nr；
Figure BDA0002416388800000052
Figure BDA0002416388800000053
Figure BDA0002416388800000054
基于预设置的个体最大释放半径rf和公式(13)、(14)对pg,r进行个体释放和参数精度控制，得到更新种群
Figure BDA0002416388800000055
Figure BDA0002416388800000056
Figure BDA0002416388800000057
组合
Figure BDA0002416388800000058
pg,r得到新一代分析种群pg。g＝g+1，跳转至个体筛选及适应度均值计算步骤3。
本发明具有以下优点：提出的一种应用于大型板壳结构的智能兰姆波缺陷定位方法实现了兰姆波缺陷定位技术的智能化，能够快速实现大型板壳结构缺陷的定位检测。
附图说明
图1是本发明的一种应用于大型板壳结构的智能兰姆波缺陷定位方法流程图。
图2是本发明的稀疏阵列超声兰姆波板中缺陷检测方式示意图。
图3是本发明算法的缺陷H1检测结果图；其中，图3 (a)残差率均值收敛曲线，图3(b)相邻代种群残差均值梯度曲线，图3 (c)第1代保留个体分析，图3 (d)第3 代保留个体分析，图3 (e)第4代保留个体分析，图3 (f)第5代保留个体分析。
图4是本发明算法的双缺陷检测结果图；其中，图4 (a)残差率均值收敛曲线，图4(b)相邻代种群残差均值梯度曲线，图4 (c)第1代保留个体分析，图4 (d)第2 代保留个体分析，图4 (e)第3代保留个体分析，图4 (f)第4代保留个体分析。
图5是椭圆成像算法缺陷H1定位成像图。
图6是椭圆成像算法双缺陷定位成像图。
具体实施方式
以下结合附图和实施例对本发明进行详细说明。
实施例采用稀疏压电片阵列板结构缺陷检测实验验证所提智能兰姆波缺陷定位算法在缺陷检测中的应用。实验系统主要包括1块金属铝板、1台任意函数发生器、1台示波器和6片压电片。铝板长1000mm×1000mm×0.8mm，压电片直径和厚度分别为7mm和0.5mm。采用502胶将压电片粘贴在金属板表面，通过BNC线分别将激励压电片和接受压电片连接到任意函数发生器和示波器。人工加工两个通孔缺陷H1和H2，两通孔的直径分别约为8mm和10mm。以铝板左下角为坐标源点，压电片及缺陷坐标信息如表1。压电片及缺陷分布如图2所示。
表1压电片及缺陷坐标信息
Figure BDA0002416388800000061
实验中压电片P1～P6轮流用于导波信号激励，其余各压电片用于导波信号接收。任意函数发生器生成的汉宁窗调制的正弦信号由BNC线施加到激励压电片进行导波激发；其余各压电片由BNC线接入示波器进行导波信号激励。在无缺陷铝板中完成基准检测信号采集；之后在板中加工缺陷H1，重复以上实验操作获得缺陷H1检测分析信号；随后加工缺陷H2再重复以上实验操作获得缺陷 H1和H2检测分析信号。整个实验获得检测分析信号5×6×3＝90组。采用H1检测分析信号同基准检测信号做差，得到H1检测散射信号；采用H1和H2检测分析信号同基准检测信号做差，得到双缺陷检测散射信号。
H1检测实例测试具体执行步骤如下：
步骤1：信号预处理。计算各激励接收对的距离，由希尔伯特变换提取所有基准信号的首次抵达波的包络峰值时刻作为波包抵达时刻；由各检测对相对距离差与相应检测信号首波抵达时间差之比计算兰姆波群速度，取均值作为信号分析群速度vg＝5.3904mm/μs。采用包络极值法对H1检测散射信号进行分析，提取检测散射波包抵达时间矢量τ。计算得到H1检测散射信号波包传播距离矢量d。
步骤2：算法基础参数初始化。最大进化代数为gm＝10，种群规模 M＝9000，保留个体数目nk＝200，截止运算条件εt＝0.2，种群取值范围
Figure BDA0002416388800000071
Figure BDA0002416388800000072
参数精度控制矢量ar＝(1,1)mm；筛选阈值δe＝20；个体最大释放数目nf＝20，最大释放半径rf＝12。生成初始化种群p0。
完成上述步骤之后，完成了智能超声兰姆波缺陷定位方法的初始预处理部分，检测信号初步分析和算法初始化。继续执行确定检测的主体分析部分，步骤3至步骤6。
步骤3：个体筛选和残差值计算。由公式(3)计算9000个个体到15个检测路径的距离矢量
Figure BDA0002416388800000073
由公式(4)计算个体到所有检测路径的残差绝对值矢量εi,j，提取所有检测对εi,j中非零参数的个数得到个体关联路径矢量np及最大关联路径数目nm。分别由公式(5)和(6)计算用于种群筛选阈值参数k和个体适应度εp。
提取np≥3的200个个体作为种群释放更新个体pg,r，用于种群更新； np≥k的个体作为保留个体pg,k，用于缺陷定位检测。如果np≥k的个体数目大于200，则采用聚类算法将np≥k的所有个体分为4类，计算各聚类种群中个体的数目
Figure BDA0002416388800000074
(i为聚类种群编号)；依据公式(7)计算各聚类群中保留个体数目
Figure BDA0002416388800000081
并由各聚类群中随机提取相应数目的个体，组合得到pg,k和pg,r。
计算pg,k中所有个体适应度的均值εg。如果g＝1，执行个体更新步骤6；否则，执行多样性维护步骤4。
步骤4：多样性维护。由公式(8)计算pg,k、pg-1,k之间的欧式距离dE；提取使|dE|＞20的个体pE,将其与pg,k融合得到多样性维护种群pv。依据公式(9)，由pv提取前200个个体作为pg,k和pg,r；计算pg,k个体适应度均值εg。
步骤5：截止判据。如果进化代数达到最大gm或g＞3且相邻代数中保留个体差值变化小于截止判定参数0.2，|εg+1-εg|＜0.2，则停止；执行个体更新步骤6。
步骤6：种群更新。采用K聚类算法将pg,r分为4类，计算各类种群的规模
Figure BDA0002416388800000082
基于预设置的个体最大释放数目nf、体关联激励-检测对路径矢量nc和式(10)～(12)计算各聚类种群中个体释放个数nr；
基于预设置的个体最大释放半径rf和公式(13)、(14)对pg,r进行个体更新和参数精度控制，得到更新种群
Figure BDA0002416388800000083
组合
Figure BDA0002416388800000084
pg,r得到新一代分析种群pg。g＝g+1，跳转至个体筛选和残差值计算步骤3。
实施例算法运行截止，得到分析结果图。图3为缺陷H1检测收敛曲线。图3 (a)中种群残差均值在分析中逐渐降低；图3 (b)显示相邻进化代数间种群残差均值变化率呈非线性变化，种群残差均值在第4、5代之间小于0.2，且迭代次数大于3，智能算法停止分析。图3(c)～图 3 (f)分别为智能兰姆波缺陷定位算法H1检测分析中在第1、3、4、5代中的保留个体分布，其中灰色圆点为保留个体。各图中保留个体聚集在缺陷H1周围。图3 (c)相对于图3(d)中的保留个体数目较少，但第3代保留个体的残差均值小于第1代保留个体的残差均值。图3 (e)和图 3 (f)中个体相对于图3 (d)中的个体在缺陷周围的聚集效应更好。与椭圆算法缺陷H1定位成像图图5对比，图3(f)中保留个体分布形式和图5中的高像素区域具有较好的一致性，验证了所提算法在单缺陷定位检测中的有效性。
实施例将双缺陷检测分析信号带入智能兰姆波缺陷定位算法，实施例算法运行截止，得到分析结果图。图4为双孔缺陷智能定位结果图。图4 (a)中种群残差均值在分析中呈不规则变化；图4 (b)显示相邻进化代数间种群残差均值变化率呈非线性变化，种群残差均值在第3、4代之间小于0.2，算法停止分析。
图4 (c)～(f)分别为智能算法双缺陷定位分析中第1～4代保留个体分布。各图中在缺陷H1和H2周围均存在聚集个体。图4 (c)～图 4 (e)，第1～3代保留个体数目逐渐增加，但第3代保留个体的残差均值小于第2代保留个体的残差均值；说明第3代保留个体更加收敛于各相关检测对映射路径。图4 (f)中个体相对于图4 (e)中个体更好的聚集在缺陷周围，但种群残差率均值低于第1、2代，且变化梯度小于截止判定条件。与椭圆算法双缺陷定位成像图图6对比，双缺陷智能定位结果图4(f)中保留个体分布形式和图6中的高像素区域具有较好的一致性，验证了所提算法在双缺陷实验检测应用中的有效性及可靠性。
以上实施例仅用以说明本发明在应用于大型板壳结构超声兰姆波缺陷定位检测的使用方法，而非对其限制，应当理解为，上述实施例仅为本文发明的具体实现智能化兰姆波缺陷定位算法的使用方法。
最后应说明的是，本发明不局限于上述可选的实施方式，任何人在本发明的设计理念和实施原则内，所做的修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种应用于大型板壳结构的智能兰姆波缺陷定位方法，其特征在于：该方法包括如下步骤，
步骤1：兰姆波检测信号预处理；
步骤2：算法初始化；
步骤3：个体筛选及适应度均值计算；
步骤4：多样性维护；
步骤5：截止判据；
步骤6：种群更新；
步骤1中，提取所有检测路径缺陷检测信号的抵达时间矢量τ；结合兰姆波群速度vg计算信号传播距离矢量d；
步骤2中，初始化基于群进化算法原理设计的智能检测算法中的各参数：用于控制算法截止条件的最大进化代数gm、种群适应度均值变化梯度截止参数εt；初始化种群个体数目M、种群个体参数取值精度控制矢量ar，进化分析中由每代分析种群中保留下用于缺陷检测和种群更新的个体数目nk，种群个体筛选阈值δe；种群分析个体自由释放更新控制参数：个体最大释放半径rf和最多释放数目nf；大型板壳结构缺陷检测关注区域二维空间矢量θ∈(x,y)；
步骤3中，计算第i个激励位ei经pg到第j个检测位rj的距离矢量
Figure FDA0003928412660000011
计算个体到检测对i～j的残差值矢量εi,j，将大于预设置筛选阈值的残差值矢量置零；提取所有检测对εi,j中非零参数的个数得到pg中个体关联检测路径矢量np及最大关联检测路径数目nm；基于nm计算用于种群保留个体筛选的筛选阈值参数k；采用个体相关残差值绝对值之和与关联检测路径数目的比值作为个体适应度εp；
提取np≥3的nk个个体作为种群分析个体pg,r，用于种群更新；np≥k的个体作为保留个体pg,k，用于缺陷定位检测；如果np≥k的个体数目大于nk，则采用聚类算法将np≥k的所有个体分为K类，计算各聚类种群中个体的数目
Figure FDA0003928412660000012
i为聚类种群编号；计算各聚类群中保留个体数目
Figure FDA0003928412660000021
并由各聚类群中随机提取相应数目的个体，组合得到pg,k和pg,r；
计算pg,k中所有个体适应度的均值得εg；如果g＝1，执行种群更新步骤6；否则，执行多样性维护步骤4；
步骤4中，计算pg,k、pg-1,k之间的欧式距离dE；提取使|dE|＞δe的个体pE,将其与pg,k融合得到多样性维护种群pv；由pv提取前nk个个体作为pg,k和pg,r；计算pg,k个体适应度均值εg；
步骤5中，如果进化代数达到最大gm或g≥3且相邻代数中保留个体适应度均值变化小于截止判定参数εt，|εg+1-εg|＜εt，则停止；执行种群更新步骤6；
步骤6中，采用K聚类算法将pg,r分为K类，计算各类种群的规模
Figure FDA0003928412660000022
基于预设置的个体最大释放数目nf和种群个体关联激励-检测对路径矢量nc计算各聚类种群中个体释放个数nr；
基于nr和个体最大释放半径rf对pg,r进行个体释放和个体参数精度控制，得到更新种群
Figure FDA0003928412660000023
组合
Figure FDA0003928412660000024
pg,r得到新一代分析种群pg；g＝g+1，跳转至个体筛选及适应度均值计算步骤3。
CN202010192425.2A 2020-03-18 2020-03-18 一种应用于大型板壳结构的智能兰姆波缺陷定位方法 Active CN111624251B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010192425.2A CN111624251B (zh) 2020-03-18 2020-03-18 一种应用于大型板壳结构的智能兰姆波缺陷定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010192425.2A CN111624251B (zh) 2020-03-18 2020-03-18 一种应用于大型板壳结构的智能兰姆波缺陷定位方法

Publications (2)

Publication Number Publication Date
CN111624251A CN111624251A (zh) 2020-09-04
CN111624251B true CN111624251B (zh) 2023-01-31

Family

ID=72269908

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010192425.2A Active CN111624251B (zh) 2020-03-18 2020-03-18 一种应用于大型板壳结构的智能兰姆波缺陷定位方法

Country Status (1)

Country Link
CN (1) CN111624251B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112182935B (zh) * 2020-09-29 2022-06-03 北京航空航天大学 基于兰姆波缺陷定量的结构可靠性敏感性分析方法
CN114371217A (zh) * 2021-11-27 2022-04-19 北京工业大学 一种基于密集阵列的智能兰姆波缺陷定位方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101539541A (zh) * 2009-04-09 2009-09-23 上海交通大学 基于导向波的厚梁结构损伤检测方法
CN101701936A (zh) * 2009-11-13 2010-05-05 北京工业大学 基于换能器阵列虚拟聚焦的板结构兰姆波无损检测方法
FR3078162A1 (fr) * 2018-02-20 2019-08-23 Commissariat A L'energie Atomique Et Aux Energies Alternatives Dispositif et procede de detection de defauts d'une structure

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104535655B (zh) * 2014-11-24 2017-06-30 清华大学 一种射线追踪式超声Lamb波缺陷层析成像方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101539541A (zh) * 2009-04-09 2009-09-23 上海交通大学 基于导向波的厚梁结构损伤检测方法
CN101701936A (zh) * 2009-11-13 2010-05-05 北京工业大学 基于换能器阵列虚拟聚焦的板结构兰姆波无损检测方法
FR3078162A1 (fr) * 2018-02-20 2019-08-23 Commissariat A L'energie Atomique Et Aux Energies Alternatives Dispositif et procede de detection de defauts d'une structure

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Full non-contact laser-based Lamb waves phased array inspection of aluminum plate;Liu, Zenghua;《Journal of Visualization》;20180530;第21卷(第5期);第751-761页 *
Research on Lamb wave-mixing method to detect and locate the micro-cracks in plate;Chang Ma 等;《 2019 IEEE International Instrumentation and Measurement Technology Conference》;20190909;第1-5页 *
兰姆波检测信号的匹配追踪时频分析;于勇凌 等;《声学学报》;20130930;第38卷(第5期);第576-582页 *

Also Published As

Publication number Publication date
CN111624251A (zh) 2020-09-04

Similar Documents

Publication Publication Date Title
Thiene et al. Optimal sensor placement for maximum area coverage (MAC) for damage localization in composite structures
Sause et al. Pattern recognition approach to identify natural clusters of acoustic emission signals
CN111624251B (zh) 一种应用于大型板壳结构的智能兰姆波缺陷定位方法
CN106709216B (zh) 一种考虑声传播相关性丢失的麦克风阵列优化设计方法
CN112526451A (zh) 基于麦克风阵列成像的压缩波束形成及系统
CN114595732B (zh) 基于深度聚类的雷达辐射源分选方法
Al-Jumaili et al. Characterisation of fatigue damage in composites using an Acoustic Emission Parameter Correction Technique
Bai et al. Characterization of defects using ultrasonic arrays: a dynamic classifier approach
Rummel Nondestructive inspection reliability history, status and future path
CN107340514A (zh) 三维空间中高超声速弱目标rae‑ht‑tbd积累检测方法
Boussetta et al. Study of the filament wound glass/polyester composite damage behavior by acoustic emission data unsupervised learning
CN113177356A (zh) 一种基于深度学习的目标电磁散射特性快速预测方法
Chen et al. Evolutionary strategy-based location algorithm for high-resolution Lamb wave defect detection with sparse array
Yu et al. Application of kernel density estimation in lamb wave-based damage detection
Dib et al. Ensembles of novelty detection classifiers for structural health monitoring using guided waves
CN117197596B (zh) 基于小样本迁移学习的混合底质声学分类方法
CN112883651B (zh) 基于改进pbi方法的系统级测试性设计多目标优化方法
You et al. Feature-selective clustering for ultrasonic-based automatic defect detection in FRP structures
CN114324582A (zh) 一种基于hht与神经网络的复合材料板分层缺陷空耦超声检测方法
Lang et al. Pipeline leak aperture recognition based on wavelet packet analysis and a deep belief network with ICR
CN117351321A (zh) 一种单阶段轻量化的地铁衬砌空洞识别方法及相关设备
Khodaei et al. An optimization strategy for best sensor placement for damage detection and localization in complex composite structures
CN114755302A (zh) 一种基于超声相控阵的裂纹表征方法及装置
Gantala et al. Automated defect recognition (ADR) for monitoring industrial components using neural networks with phased array ultrasonic images
Barzegar et al. Classification Functions and Optimization Algorithms for Debonding Detection in Adhesively Bonded Lap-joints through Ultrasonic Guided Waves

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