CN111650250A - 一种碳纤维增强复合材料无损检测方法及系统 - Google Patents
一种碳纤维增强复合材料无损检测方法及系统 Download PDFInfo
- Publication number
- CN111650250A CN111650250A CN202010640289.9A CN202010640289A CN111650250A CN 111650250 A CN111650250 A CN 111650250A CN 202010640289 A CN202010640289 A CN 202010640289A CN 111650250 A CN111650250 A CN 111650250A
- Authority
- CN
- China
- Prior art keywords
- carbon fiber
- fiber reinforced
- reinforced composite
- composite material
- potential
- 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
- 229920000049 Carbon (fiber) Polymers 0.000 title claims abstract description 80
- 239000004917 carbon fiber Substances 0.000 title claims abstract description 80
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 75
- 239000011208 reinforced composite material Substances 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 23
- 230000005284 excitation Effects 0.000 claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000005421 electrostatic potential Methods 0.000 claims description 26
- 230000006698 induction Effects 0.000 claims description 16
- 230000003750 conditioning effect Effects 0.000 claims description 13
- 239000003990 capacitor Substances 0.000 claims description 10
- 239000002131 composite material Substances 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 230000005764 inhibitory process Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000001629 suppression Effects 0.000 claims description 7
- 230000005686 electrostatic field Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 230000000670 limiting effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 21
- 230000008859 change Effects 0.000 abstract description 15
- 230000007547 defect Effects 0.000 abstract description 12
- 239000000523 sample Substances 0.000 description 52
- 238000005516 engineering process Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000003321 amplification Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000004020 conductor Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000023886 lateral inhibition Effects 0.000 description 3
- 238000000465 moulding Methods 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 239000011347 resin Substances 0.000 description 3
- 229920005989 resin Polymers 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000012779 reinforcing material Substances 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 239000007822 coupling agent Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002500 effect on skin Effects 0.000 description 1
- 230000002964 excitative effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
Images
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
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
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)
- Chemical & Material Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了一种碳纤维增强复合材料无损检测方法及系统，包括：在碳纤维增强复合材料样品两端装配激励电极；将两个所述激励电极连接交变电流源；在一定高度处测量通有交变电流时所述样品表面的电势分布，获得交流电势梯度数据；将所述交流电势梯度数据放入图像高分辨率重建神经网络模型得到电势分布图像。本发明在电流信号的激励下，电导率的改变表现为表面电势梯度的突变，利用电势传感器测试表面电势，分析电势分布特征可实现缺陷的定量检测。
Description
技术领域
本发明涉及一种检测技术，尤其涉及一种碳纤维增强复合材料无损检测方法及系统。
背景技术
碳纤维增强复合材料(Carbon Fiber Reinforced Polymer，CFRP)是以碳纤维作为增强材料，树脂作为基体，经过缠绕、模压或拉挤等成型工艺制成的复合材料，具备质轻、高强高模、抗疲劳、耐腐蚀、易加工成型等特点，被广泛应用于航空航天、国防军工、轨道交通、能源工业等领域，无论在军用还是民用领域都发挥了重大作用，深刻影响着国家安全、社会经济、科技和人类的生活，已成为世界各国发展高新技术、国防尖端武器装备等战略性产业不可或缺的关键材料。然而，由于制造工艺、工作环境和载荷冲击等诸多不确定因素的影响，材料的表面或内部会产生多种类型的缺陷或损伤，例如孔隙、贫富胶、外物夹杂、基体裂纹、纤维断裂和脱粘分层等。这直接影响了CFRP的性能指标，威胁着其结构件的可靠性与安全性，甚至可能导致灾难性的后果。
基于常规无损检测技术，国内外学者对CFRP缺陷的检测方法开展了广泛研究。但是，由于CFRP具有不导磁、电导率低且各向异性、表面附着绝缘层等特性，常规技术都表现出一定的局限性。例如，涡流检测技术在CFRP内部感应产生的涡电流微弱，使得缺陷处的磁场扰动信号更加难以拾取。超声检测技术需要根据对象尺寸更换探头，使用耦合剂增加超声波的传递效率，不利于大型结构件检测。射线检测技术对原子序数较低的碳元素的成像对比度不高，设备复杂且有辐射污染，检测效率低。红外热成像检测技术容易受环境温度的影响，难以在高温环境下对CFRP结构件进行现场检测。电阻抗检测技术受CFRP电导率各向异性的制约，检测结果的空间分辨率较低。
发明内容
本发明为了解决以上问题，提供了一种碳纤维增强复合材料无损检测方法。
为实现上述目的，本发明所采用的技术方案如下：
一种碳纤维增强复合材料无损检测方法，包括以下步骤：
在碳纤维增强复合材料样品两端装配激励电极；
将两个所述激励电极连接交变电流源；
在一定高度处测量通有交变电流时所述样品表面的电势分布，获得交流电势梯度数据；
将所述交流电势梯度数据放入图像高分辨率重建神经网络模型得到电势分布图像。
作为限定：在碳纤维增强复合材料样品两端装配激励电极步骤之后，还包括：在一定高度处测量所述样品表面静电平衡时静电场的电势分布，获得直流电势梯度数据；
在一定高度处测量通有交变电流时所述样品表面的电势分布，获得交流电势梯度数据步骤之后，还包括：将所述交流电势梯度数据与所述直流电势梯度数据做减法运算，然后将运算后的数据放入图像高分辨率重建神经网络得到电势分布图像。
作为限定：其中获得所述样品静电平衡包括：在一个所述激励电极侧加载直流电压，使得所述样品表面成为等势面。
作为限定：其中获得所述电势梯度数据和所述参考电势梯度数据包括使用非接触式静电电势传感器对所述样品进行测量。
作为限定：其中所述非接触式静电电势传感器包括若干个并形成传感器阵列。
作为限定：所述图像高分辨率重建神经网络包括侧抑制网络层、特征提取、非线性变换和特征还原，所述侧抑制网络层的数字神经元阵列对应传感器阵列，侧抑制网络层中，第x行y列的神经元的输入信号为I0，输出信号为R，则：
其中，αij为侧抑制权重，M、N为侧抑制半径。
一种碳纤维增强复合材料无损检测系统，包括：
碳纤维增强复合材料样品；
信号采集系统，用于采集所述碳纤维增强复合材料样品表面的电势数据；
激励电极，装配于碳纤维增强复合材料样品的两端；
信号源，包括与所述激励电极的某一电极连接的直流电压源和与所述激励电极连接的交变电流源；
限流电阻，串联在所述激励电极两端。
作为限定：所述信号采集系统包括若干个固定于所述碳纤维增强复合材料样品上方的非接触式静电电势传感器，所述非接触式静电电势传感器在所述碳纤维增强复合材料样品上方形成传感器阵列。
作为限定：每个所述非接触式静电电势传感器均包括感应电极、调理放大电路和屏蔽筒，所述感应电极设于所述屏蔽筒内，所述感应电极与所述调理放大电路连接，所述调理放大电路将所述感应电极检测到的碳纤维增强复合材料样品表面的电势数据发送至上位机。
作为限定：所述调理放大电路包括电阻Rin、电容Cin和运算放大器A，所述电阻 Rin的一端连接所述电容Cin的一端，所述电容Cin的另一端接地，所述电阻Rin的另一端与所述运算放大器A的输入端连接，所述运算放大器A的输出端与所述上位机连接。
本发明与现有技术相比，所取得的技术进步在于：
本发明公开了一种碳纤维增强复合材料无损检测方法，碳纤维增强复合材料的缺陷会引起碳纤维的形变，从而导致材料电导率空间分布的改变，在电流信号的激励下，电导率的改变表现为表面电势梯度的突变，利用电势传感器测试表面电势，分析电势分布特征可实现缺陷的定量检测。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
在附图中：
图1为本发明原理的示意图。
图2为本发明第一实施例提供的检测方法的流程框图。
图3为图像高分辨率重建神经网络示意图。
图4为本发明第二实施例提供的检测方法的流程框图。
图5为本发明碳纤维增强复合材料无损检测装置的示意图。
图6为本发明非接触式静电电势传感器测量原理图。
图7为本发明非接触式静电电势传感器等效电路模型。
图中：
1-信号采集系统，2-碳纤维增强复合材料样品，3-激励电极，4-信号源，5-限流电阻，6-导电表面。
具体实施方式
实施例一
本实施例公开了一种碳纤维增强复合材料无损检测系统，碳纤维增强复合材料的缺陷会引起碳纤维的形变，从而导致材料电导率空间分布的改变，原理如图1所示，在电流信号的激励下，电导率的改变表现为表面电势梯度的突变，利用非接触式静电电势传感器测得碳纤维增强复合材料表面电势，分析电势分布特征可实现缺陷的定量检测。如图2所示，本实施例具体包括如下步骤：
S100：在碳纤维增强复合材料样品的两端装配激励电极；
S200：将两个所述激励电极连接交变电流源；
S300：在一定高度处测量通有交变电流时所述样品表面的电势分布，获得交流电势梯度数据；
S400：将所述交流电势梯度数据放入图像高分辨率重建神经网络模型得到电势分布图像。
本实施例中，在碳纤维增强复合材料样品2的两端装配激励电极3，因为一部分碳纤维增强复合材料是以碳纤维作为增强材料，树脂作为基体，经过缠绕、模压或拉挤等成型工艺制成的复合材料，其中作为基体的树脂一般是不导电的，碳纤维具有导电性，因此以碳纤维为导体与激励电极3连通。
将两个激励电极3连接交变电流源，具体的，因为激励电极3两端通过的是交变电流，导体中出现自感电动势抵抗电流的通过，这就导致趋近导体表面处的电流密度较大，由于自感电动势随着频率的提高而增加，趋肤效应亦随着频率提高而更为显著，当频率很高的电流通过导线时，可以认为电流只在导体表面上很薄的一层中流过，这等效于导体的截面减小，电阻增大，大大降低了导体材料的有效利用率，因此在本实施例中，交变电流选择1000Hz以下的低频交变电流，使得电流尽量在导体内部均匀分布，用以降低趋肤效应产生的影响。因此，使用低频交变电流通过碳纤维增强复合材料样品2，可以使电流尽量流经碳纤维增强复合材料样品2内部的大部分面积，如碳纤维增强复合材料样品2内部存在气泡、孔洞、外物夹杂等缺陷时，电流经过后电势梯度会发生突变。
本实施例中为了获得交流电势梯度数据，可以在碳纤维增强复合材料样品2的正上方设置非接触式静电电势传感器，对于静电电势空间分布的测试，因为单传感器扫描方式的空间分辨率与检测速度相互制约，矛盾比较难调和，为了增加精确度，本实施例采用多传感器并行方式，即：使用非接触式静电电势传感器形成的传感器阵列，传感器阵列的检测速度较快。
通过非接触式静电电势传感器将测得的交流电势梯度数据放入图像高分辨率重建神经网络模型得到电势分布图像。图像高分辨率重建神经网络包括侧抑制网络层、特征提取、非线性变换和特征还原，侧抑制网络层的数字神经元阵列对应传感器阵列，侧抑制网络层中，第x行y列的神经元的输入信号为I0，输出信号为R，则：
其中，αij为侧抑制权重，M、N为侧抑制半径，它们的取值由侧抑制函数确定。典型的侧抑制函数模型如下表所示，模型描述了某一神经元对周围神经元调控强度的空间分布，其横坐标表示侧抑制范围，纵坐标表示侧抑制权重，正值代表兴奋性调控，负值代表抑制性调控。
具体的，如3图所示，传感器阵列与侧抑制网络层一一对应，每个传感器的输出对应于侧抑制神经网络的一个神经元的输入，传感器阵列获得交流电势数据，将交流电势数据传送至侧抑制网络层，侧抑制网络层处理后的数据经卷积计算后提取特征得到低分辨率的n1维特征，将低分辨率的n1维特征再进行多次卷积计算然后经非线性变换得到高分辨率的n1维特征，高分辨率的n1维特征进行反卷积计算后经特征还原得到样品表面电势分布图。图3中颜色较深变化的地方则表示电势突变的位置情况，颜色变化越大，电势突变越大，缺陷越严重。
实施例二
本实施例公开了一种碳纤维增强复合材料无损检测系统，碳纤维增强复合材料的缺陷会引起碳纤维的形变，从而导致材料电导率空间分布的改变，在电流信号的激励下，电导率的改变表现为表面电势梯度的突变，利用电势传感器测试表面电势，分析电势分布特征可实现缺陷的定量检测，如图4所示，本实施例具体包括如下步骤：
S100：在碳纤维增强复合材料样品的两端装配激励电极；
S101：将所述激励电极的某一电极端连接直流电压源，使所述碳纤维增强复合材料样品成为等势体；
S102：在一定高度处测量所述样品表面静电平衡时静电场的电势分布，获得直流电势梯度数据；
S200：将两个所述激励电极连接交变电流源；
S300：在一定高度处测量通有交变电流时所述样品表面的电势分布，获得交流电势梯度数据；
S301：将所述交流电势梯度数据与所述直流电势梯度数据做减法运算；
S400：将运算后的数据放入图像高分辨率重建神经网络模型得到电势分布图像。
本实施例中，在S100，在碳纤维增强复合材料样品两端装配激励电极步骤之后，还包括：S102，在一定高度处测量所述样品表面静电平衡时静电场的电势分布，获得直流电势梯度数据。
在S102步骤之前还包括：S101，在一个所述激励电极侧加载直流电压，使得所述样品表面成为等势面。
在S300，在一定高度处测量通有交变电流时所述样品表面的电势分布，获得交流电势梯度数据步骤之后，还包括：S301，将所述交流电势梯度数据与所述直流电势梯度数据做减法运算。
与实施一不同的是，加上了上述三个步骤是为了：
1、避免碳纤维增强复合材料样品2不是静电平衡状态，影响测量结果，因此将激励电极3的某一电极端连接直流电压源，使得碳纤维增强复合材料样品2成为等势体，其表面形成等势面；
2、因为碳纤维增强复合材料多为编织结构，如果使用直接在碳纤维增强复合材料样品2两端加交变电流后获得的电势分布数据，可能因为各个感应器探头到碳纤维增强复合材料样品2表面的距离的不同而导致获得的电势分布不均，影响测量结果，因此需要交流电势梯度数据减去直流电势梯度数据，会避免出现上述误差。
交流电势梯度数据和直流电势梯度数据都是电势梯度数据是一个二维矩阵，在直流扫描时，利用上位机软件记录直流电势梯度数据，记为Vdc，在交流扫描后，上位机软件记录交流电势梯度数据，记为Vac，Vdc与Vac具有相同尺寸，利用矩阵减法，得到结果，然后将结果放入放入图像高分辨率重建神经网络模型得到电势分布图像。
参考图4，其示出了本发明一实施例提供的一种碳纤维增强复合材料无损检测系统，其包括碳纤维增强复合材料样品2；信号采集系统1，用于采集碳纤维增强复合材料样品2表面的电势数据；激励电极3，装配于碳纤维增强复合材料样品2的两端；信号源4，包括与激励电极3的某一电极连接的直流电压源和与激励电极3两极连接的交变电流源；限流电阻5，串联在激励电极3两端，使用时将本系统连接在导电表面6上，形成电路回路。
信号采集系统1包括若干个固定于样品上方的非接触式静电电势传感器，非接触式静电电势传感器在碳纤维增强复合材料样品上方形成传感器阵列，每个非接触式静电电势传感器均包括感应电极、调理放大电路和屏蔽筒，感应电极用于感应设于屏蔽筒内，感应电极与调理放大电路连接，调理放大电路将感应电极检测到的碳纤维增强复合材料样品表面的电势数据发送至上位机。其中非接触式静电电势传感器基于静电感应原理，调理放大电路具体包括电阻Rin、电容Cin和运算放大器A，电阻Rin的一端连接电容Cin的一端，电容Cin的另一端接地，电阻Rin的另一端与运算放大器A的输入端连接，运算放大器A的输出端与上位机连接，通过测量碳纤维增强复合材料样品2 与感应电极之间的畸变静电场，间接得到碳纤维增强复合材料样品2的静电电位。
如图6所述，将非接触式静电电势传感器的感应电极接近括碳纤维增强复合材料样品2，利用感应电极与括碳纤维增强复合材料样品2之间的等效耦合电容Ce，可测的括碳纤维增强复合材料样品2表面的静电电位。为避免空间杂散静电场的干扰，非接触式静电电势传感器的感应电极通常都装设有接地屏蔽筒。屏蔽深度Sd应适当，屏蔽太深会导致电极感应信号衰减，使调理放大电路难以拾取；屏蔽太浅会扩大被测区域，使测试结果的空间分辨率降低。
非接触式静电电势传感器的等效电路如图7所示，碳纤维增强复合材料样品2表面待测点的电位为Vs，感应电极与测试点之间的等效耦合电容为Ce，当测量距离一定时，Ce可近似为常数，传感器的输入电阻为Rin，输入电容为Cin，输出电压为Vi，则有：
由上式可知，测试结果Vi随时间t按指数规律衰减，为避免直流和低频准直流测试时的误差，通常要求放大器输入电阻Rin不小于1014欧姆，以增大输入电容Cin对电阻Rin放电的时间常数。
其中，感应电极与碳纤维增强复合材料样品2之间的输入耦合电容Cin的计算公式为
(近似为平行板电容器，ε为空气介电常数，S为感应电极的表面积，d 为感应电极到碳纤维增强复合材料样品表面的距离)为了提升静电测试信号的强度，需要增加输入电容，ε和S为固定值，通过减小d可提升Cin，当d＝1mm以下时，静电感应信号强度能够达到mV量级，满足后续测试电路的灵敏度要求。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明权利要求保护的范围之内。
Claims (10)
1.一种碳纤维增强复合材料无损检测方法，其特征在于，包括以下步骤：
在碳纤维增强复合材料样品两端装配激励电极；
将两个所述激励电极连接交变电流源；
在一定高度处测量通有交变电流时所述样品表面的电势分布，获得交流电势梯度数据；
将所述交流电势梯度数据放入图像高分辨率重建神经网络模型得到电势分布图像。
2.根据权利要求1所述的一种碳纤维增强复合材料无损检测方法，其特征在于：在碳纤维增强复合材料样品两端装配激励电极步骤之后，还包括：在一定高度处测量所述样品表面静电平衡时静电场的电势分布，获得直流电势梯度数据；
在一定高度处测量通有交变电流时所述样品表面的电势分布，获得交流电势梯度数据步骤之后，还包括：将所述交流电势梯度数据与所述直流电势梯度数据做减法运算，然后将运算后的数据放入图像高分辨率重建神经网络得到电势分布图像。
3.根据权利要求2所述的一种碳纤维增强复合材料无损检测方法，其特征在于：其中获得所述样品静电平衡包括：在一个所述激励电极侧加载直流电压，使得所述样品表面成为等势面。
4.根据权利要求3所述的一种碳纤维增强复合材料无损检测方法，其特征在于：其中获得所述交流电势梯度数据和所述直流电势梯度数据包括使用非接触式静电电势传感器对所述样品进行测量。
5.根据权利要求4所述的一种碳纤维增强复合材料无损检测方法，其特征在于：其中所述非接触式静电电势传感器包括若干个并形成传感器阵列。
6.根据权利要求5所述的一种碳纤维增强复合材料无损检测方法，其特征在于：所述图像高分辨率重建神经网络包括侧抑制网络层、特征提取、非线性变换和特征还原，所述侧抑制网络层的数字神经元阵列对应传感器阵列，侧抑制网络层中，第x行y列的神经元的输入信号为I0，输出信号为R，则：
其中，αij为侧抑制权重，M、N为侧抑制半径。
7.一种碳纤维增强复合材料无损检测系统，其特征在于：包括：
碳纤维增强复合材料样品；
信号采集系统，用于采集所述碳纤维增强复合材料样品表面的电势数据；
激励电极，装配于碳纤维增强复合材料样品的两端；
信号源，包括与所述激励电极的某一电极连接的直流电压源和与所述激励电极连接的交变电流源；
限流电阻，串联在所述激励电极两端。
8.根据权利要求7所述的一种碳纤维增强复合材料无损检测系统，其特征在于：所述信号采集系统包括若干个固定于所述碳纤维增强复合材料样品上方的非接触式静电电势传感器，所述非接触式静电电势传感器在所述碳纤维增强复合材料样品上方形成传感器阵列。
9.根据权利要求8所述的一种碳纤维增强复合材料无损检测系统，其特征在于：每个所述非接触式静电电势传感器均包括感应电极、调理放大电路和屏蔽筒，所述感应电极设于所述屏蔽筒内，所述感应电极与所述调理放大电路连接，所述调理放大电路将所述感应电极检测到的碳纤维增强复合材料样品表面的电势数据发送至上位机。
10.根据权利要求9所述的一种碳纤维增强复合材料无损检测系统，其特征在于：所述调理放大电路包括电阻Rin、电容Cin和运算放大器A，所述电阻Rin的一端连接所述电容Cin的一端，所述电容Cin的另一端接地，所述电阻Rin的另一端与所述运算放大器A的输入端连接，所述运算放大器A的输出端与所述上位机连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010640289.9A CN111650250A (zh) | 2020-07-06 | 2020-07-06 | 一种碳纤维增强复合材料无损检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010640289.9A CN111650250A (zh) | 2020-07-06 | 2020-07-06 | 一种碳纤维增强复合材料无损检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111650250A true CN111650250A (zh) | 2020-09-11 |
Family
ID=72351917
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010640289.9A Pending CN111650250A (zh) | 2020-07-06 | 2020-07-06 | 一种碳纤维增强复合材料无损检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111650250A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112365426A (zh) * | 2020-11-25 | 2021-02-12 | 兰州理工大学 | 一种基于双分支卷积神经网络的红外图像边缘增强方法 |
| CN113009242A (zh) * | 2021-02-25 | 2021-06-22 | 西安理工大学 | 一种阵列式磁通门表面电势分布及衰减的测量装置及方法 |
| CN113884973A (zh) * | 2021-10-27 | 2022-01-04 | 中国人民解放军陆军工程大学 | 一种非接触式介电表面电势检测装置及方法 |
| CN114137325A (zh) * | 2021-11-30 | 2022-03-04 | 中国人民解放军陆军工程大学 | 一种非接触式静电电位分布测试的仿生电路及方法 |
-
2020
- 2020-07-06 CN CN202010640289.9A patent/CN111650250A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112365426A (zh) * | 2020-11-25 | 2021-02-12 | 兰州理工大学 | 一种基于双分支卷积神经网络的红外图像边缘增强方法 |
| CN113009242A (zh) * | 2021-02-25 | 2021-06-22 | 西安理工大学 | 一种阵列式磁通门表面电势分布及衰减的测量装置及方法 |
| CN113009242B (zh) * | 2021-02-25 | 2022-10-04 | 西安理工大学 | 一种阵列式磁通门表面电势分布及衰减的测量装置及方法 |
| CN113884973A (zh) * | 2021-10-27 | 2022-01-04 | 中国人民解放军陆军工程大学 | 一种非接触式介电表面电势检测装置及方法 |
| CN113884973B (zh) * | 2021-10-27 | 2022-10-11 | 中国人民解放军陆军工程大学 | 一种非接触式介电表面电势检测装置及方法 |
| CN114137325A (zh) * | 2021-11-30 | 2022-03-04 | 中国人民解放军陆军工程大学 | 一种非接触式静电电位分布测试的仿生电路及方法 |
| CN114137325B (zh) * | 2021-11-30 | 2022-09-27 | 中国人民解放军陆军工程大学 | 一种非接触式静电电位分布测试的仿生电路、系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111650250A (zh) | 一种碳纤维增强复合材料无损检测方法及系统 | |
| Liu et al. | A review of wire rope detection methods, sensors and signal processing techniques | |
| García-Martín et al. | Non-destructive techniques based on eddy current testing | |
| CN101865883B (zh) | 脉冲涡流应力裂纹集成检测系统及方法 | |
| Daura et al. | Wireless power transfer-based eddy current non-destructive testing using a flexible printed coil array | |
| Postolache et al. | Detection and characterization of defects using GMR probes and artificial neural networks | |
| CN109580721B (zh) | 一种铁磁金属材料电导率的脉冲涡流检测方法和检测装置 | |
| Espina-Hernandez et al. | Rapid estimation of artificial near-side crack dimensions in aluminium using a GMR-based eddy current sensor | |
| CN111398369B (zh) | 一种ect传感器结构优化与电磁场分析方法 | |
| Ye et al. | Flexible array probe with in-plane differential multichannels for inspection of microdefects on curved surface | |
| CN107144627A (zh) | 导电固体无损检测电路及基于其的连续应力定量评估方法 | |
| CN101718735B (zh) | 一种基于亥姆霍兹线圈的电导率无损测量系统 | |
| Morozov et al. | Numerical models of volumetric insulating cracks in eddy-current testing with experimental validation | |
| CN212904628U (zh) | 一种碳纤维增强复合材料无损检测系统 | |
| Wu et al. | Self-resonance eddy-current testing method in noncontact detection of carbon fiber reinforced plastics | |
| Yuan et al. | Pulsed eddy current array design and electromagnetic imaging for defects detection in metallic materials | |
| CN112683999A (zh) | 基于磁阻元件的涡流阵列传感器及其裂纹定量监测方法 | |
| CN111413376B (zh) | 同面阵列电容传感器成像方法 | |
| CN106092401B (zh) | 一种基于趋肤效应的铁磁质导体材料应力测量方法及系统 | |
| Aber et al. | Eddy current microsensor and RBF neural networks for detection and characterization of small surface defects | |
| Li et al. | A spatial broadband magnetic flux leakage method for trans-scale defect detection | |
| Li et al. | Sparse Magnetic Array for the Imaging of Defects in Multilayer Metals | |
| Garcia-Martin et al. | Comparative evaluation of coil and hall probes in hole detection and thickness measurement on aluminum plates using eddy current testing | |
| Zhao et al. | Application of electrical resistance tomography to damage detection in concrete | |
| CN111044604B (zh) | 一种acfm单轴磁信号评估方法 |
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 |