CN112964789B - 一种声学与图像信息相融合的动态点蚀智能评价方法 - Google Patents
一种声学与图像信息相融合的动态点蚀智能评价方法 Download PDFInfo
- Publication number
- CN112964789B CN112964789B CN202110131247.7A CN202110131247A CN112964789B CN 112964789 B CN112964789 B CN 112964789B CN 202110131247 A CN202110131247 A CN 202110131247A CN 112964789 B CN112964789 B CN 112964789B
- Authority
- CN
- China
- Prior art keywords
- acoustic emission
- pitting
- pipeline
- signals
- acoustic
- 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
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
- G01N29/14—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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing 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
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
- G01N2291/0234—Metals, e.g. steel
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Chemical & Material Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Data Mining & Analysis (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Acoustics & Sound (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种声学与图像信息相融合的动态点蚀智能评价方法,该动态点蚀智能评价方法具体步骤如下:步骤一:利用电化学腐蚀对管道表面小槽进行腐蚀,模拟管道流动噪声下的点蚀行为;该动态点蚀智能评价方法通过声发射技术与数字图像相关技术相结合,对声发射信号的降噪处理,点蚀过程中氢气泡产生、膜破裂和蚀坑生长三种点蚀现象的图像采集,将声发射信号与点蚀现象的发生时间进行匹配,获取氢气泡产生、膜破裂和蚀坑生长三类声发射信号,利用声发射分析软件对这三类声发射信号进行有效参数提取,从而构建人工神经识别网络,能够实现含流体介质的设备在运转过程中的点蚀现象监测,大大提高点蚀声发射信号识别效率,同时评价结果更加可靠。
Description
技术领域
本发明涉及管道损伤声发射监测技术领域,尤其是一种声学与图像信息相融合的动态点蚀智能评价方法。
背景技术
声发射检测方法在许多方面不同于其它常规无损检测方法,其优点主要表现为声发射是一种动态检验方法,能够接受材料内部变化产生的应力波,声发射探测到的能量来自被测试物体本身,而不是像超声或射线探伤方法一样由无损检测仪器提供,这种特性决定了声发射技术是设备健康的“听诊器”,能够监测各种管径壁厚的站场管道,声发射作为常见的无损检测方法,能够接收到点蚀过程中产生氢气泡、膜破裂和蚀坑生长三种典型的声发射信号,是对试件点蚀进行连续监测的有效手段,通过一系列的声发射数据可以实时解读点蚀扩展情况。
但由于设备在被点蚀的情况下往往伴随着设备中的介质流动,很多的流动噪声信号也会被声发射传感器接收到,会对点蚀过程产生的声发射信号造成干扰,目前的声发射研究没有对包含流动噪声的点蚀信号提取进行专门的分析。
发明内容
本发明的目的在于提供一种声学与图像信息相融合的动态点蚀智能评价方法,以解决上述背景技术中但由于设备在被点蚀的情况下往往伴随着设备中的介质流动,很多的流动噪声信号也会被声发射传感器接收到,会对点蚀过程产生的声发射信号造成干扰,目前的声发射研究没有对包含流动噪声的点蚀信号提取进行专门的分析的问题。
为实现上述目的,本发明提供如下技术方案:一种声学与图像信息相融合的动态点蚀智能评价方法,该动态点蚀智能评价方法具体步骤如下:
步骤一:利用电化学腐蚀对管道表面小槽进行腐蚀,模拟管道流动噪声下的点蚀行为;
步骤二:利用声发射技术获取流动噪声下的点蚀过程中的声发射信号,记录下每个声发射信号的产生时间,并利用小波分析技术进行去噪处理;
步骤三:利用dic软件对流动噪声下的点蚀过程中的氢气泡产生、膜破裂及点蚀坑生长三种现象进行分析处理,并将现象产生的时刻记录在计算机中;
步骤四:利用二维卷积神经网络提取拍摄图片的特征,通过关联声信号与图像信号两者的时间,将流动噪声下的点蚀过程中不同阶段的气泡产生、膜破裂与蚀坑生长三种情况的图像与声发射信号对应,分别提取出氢气泡产生、膜破裂、点蚀坑生长的声发射信号;
步骤五:利用声发射分析软件分别获取三种现象声发射信号的11个特征参数;
步骤六:将特征参数输入到BP网络模型中,利用人工神经网络模式识别技术对声发射信号进行培训,实现对产生声发射源信号的各种机制进行识别与判断。
作为本发明进一步的方案:步骤一中模拟管道流动噪声下的点蚀行为的具体步骤如下:
(1)、准备一个金属管道,管道外径为正方形,内径为圆形,在管道外部的四个面中间部位上分别提前设置形状不同的凹槽;
(2)、将管道通过法兰与变径管连接,接着将管道、泵与水箱连接,用于管道中时刻保持介质流动的状态,并通过调节泵的功率调整管中介质的流动速度,从而模拟出不同管道流动噪声下的点蚀行为。
作为本发明进一步的方案:步骤(1)中形状不同的凹槽分别为正方形、圆形、三角形和椭圆形。
作为本发明进一步的方案:步骤二中所述去噪处理具体步骤如下:
S1、基于matlab小波工具箱中db8小波函数对原始点蚀声信号进行5层分解;
S2、将步骤S1中分解的5层信号分别进行相关系数计算,筛选出和原始点蚀信号相关度高的分解函数;
S3、重构相关度高的分解函数,重构为新的点蚀信号达到提高信噪比的目的。
作为本发明进一步的方案:步骤五中所述11个特征参数包括:①上升时间、②计数、③能量、④持续时间、⑤幅度、⑥到峰计数、⑦上升时间/持续时间、⑧计数/持续时间、⑨能量/持续时间、⑩到峰计数/计数、幅度/上升时间。
作为本发明进一步的方案:步骤五中所述获取三种现象声发射信号的具体过程如下:
SS1、将11个特征参数作为BP神经网络的输入向量,3类声发射源为输出向量,隐含层节点数为5,建立一个11-5-3单隐含层的3层BP网络结构;
SS2、将3类声发射源信号各取1000个数据,在3组中分别随机抽取250个数据作为训练样本,剩余750个数据作为测试样本。
与现有技术相比,本发明的有益效果是:
本发明通过声发射技术与数字图像相关技术相结合,对流动噪声背景下材料的点蚀监测进行研究,包括对声发射信号的降噪处理,点蚀过程中氢气泡产生、膜破裂和蚀坑生长三种点蚀现象的图像采集,将声发射信号与点蚀现象的发生时间进行匹配,获取氢气泡产生、膜破裂和蚀坑生长三类声发射信号,利用声发射分析软件对这三类声发射信号进行有效参数提取,从而构建人工神经识别网络,能够实现含流体介质的设备在运转过程中的点蚀现象监测,将大大提高点蚀声发射信号识别效率,同时评价结果更加可靠。
附图说明
图1是本发明一种声学与图像信息相融合的动态点蚀智能评价方法的流程示意图;
图2是本发明一种声学与图像信息相融合的动态点蚀智能评价方法的工作原理示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-2,本发明提供一种技术方案:一种声学与图像信息相融合的动态点蚀智能评价方法,该动态点蚀智能评价方法具体步骤如下:
步骤一:利用电化学腐蚀对管道表面小槽进行腐蚀,模拟管道流动噪声下的点蚀行为;
步骤二:利用声发射技术获取流动噪声下的点蚀过程中的声发射信号,记录每个声发射信号的产生时间,并利用小波分析技术进行去噪处理;
步骤三:利用dic软件对流动噪声下的点蚀过程中的氢气泡产生、膜破裂及点蚀坑生长三种现象进行分析处理,并将现象产生的时刻记录在计算机中;
步骤四:利用二维卷积神经网络提取拍摄图片的特征,通过关联声信号与图像信号两者的时间,将流动噪声下的点蚀过程中不同阶段的气泡产生、膜破裂与蚀坑生长三种情况的图像与声发射信号对应,分别提取出氢气泡产生、膜破裂、点蚀坑生长的声发射信号;
步骤五:利用声发射分析软件分别获取三种现象声发射信号的11个特征参数;
步骤六:将特征参数输入到BP网络模型中,利用人工神经网络模式识别技术对声发射信号进行培训,实现对产生声发射源信号的各种机制进行识别与判断。
步骤一中模拟管道流动噪声下的点蚀行为的具体步骤如下:
(1)、准备一个金属管道,管道外径为正方形,内径为圆形,在管道外部的四个面中间部位上分别提前设置形状不同的凹槽;
(2)、将管道通过法兰与变径管连接,接着将管道、泵与水箱连接,用于管道中时刻保持介质流动的状态,并通过调节泵的功率调整管中介质的流动速度,从而模拟出不同管道流动噪声下的点蚀行为。
步骤(1)中形状不同的凹槽分别为正方形、圆形、三角形和椭圆形。
步骤二中所述去噪处理具体步骤如下:
S1、基于matlab小波工具箱中db8小波函数对原始点蚀声信号进行5层分解;
S2、将步骤S1中分解的5层信号分别进行相关系数计算,筛选出和原始点蚀信号相关度高的分解函数;
S3、重构相关度高的分解函数,重构为新的点蚀信号达到提高信噪比的目的。
步骤五中所述获取三种现象声发射信号的具体过程如下:
SS1、将11个特征参数作为BP神经网络的输入向量,3类声发射源为输出向量,隐含层节点数为5,建立一个11-5-3单隐含层的3层BP网络结构;
SS2、将3类声发射源信号各取1000个数据,在3组中分别随机抽取250个数据作为训练样本,剩余750个数据作为测试样本。
工作原理:首先准备一个金属管道,管道外径为正方形,内径为圆形,在管道外部的四个面中间部位上分别提前设置形状不同的凹槽,将管道通过法兰与变径管连接,接着将管道、泵与水箱连接,用于管道中时刻保持介质流动的状态,并通过调节泵的功率调整管中介质的流动速度,从而模拟出不同管道流动噪声下的点蚀行为,并利用声发射技术获取流动噪声下的点蚀过程中的声发射信号,记录下每个声发射信号产生的时间,并利用小波分析技术进行去噪处理,具体过程中为:基于matlab小波工具箱中db8小波函数对原始点蚀声信号进行5层分解,对分解的5层信号分别进行相关系数计算,筛选出和原始点蚀信号相关度高的分解函数,通过重构相关度高的分解函数,重构为新的点蚀信号达到提高信噪比的目的,其次,利用dic软件对流动噪声下的点蚀过程中的氢气泡产生、膜破裂及点蚀坑生长三种现象进行分析处理,并将现象产生的时刻记录在计算机中,接着利用二维卷积神经网络提取拍摄图片的特征,通过关联声信号与图像信号两者的时间,将流动噪声下的点蚀过程中不同阶段的气泡产生、膜破裂与蚀坑生长三种情况的图像与声发射信号对应,分别提取出氢气泡产生、膜破裂、点蚀坑生长的声发射信号,接着利用二维卷积神经网络提取拍摄图片的特征,将流动噪声下的点蚀过程中不同阶段的气泡产生、膜破裂与蚀坑生长三种情况的图像与声发射信号对应,分别提取出氢气泡产生、膜破裂、点蚀坑生长的声发射信号,最后,利用声发射分析软件分别获取三种现象声发射信号的11个特征参数,分别为①上升时间、②计数、③能量、④持续时间、⑤幅度、⑥到峰计数、⑦上升时间/持续时间、⑧计数/持续时间、⑨能量/持续时间、⑩到峰计数/计数、幅度/上升时间,将上述11个特征参数作为BP神经网络的输入向量,3类声发射源为输出向量,隐含层节点数为5,建立一个11-5-3单隐含层的3层BP网络结构,将3类声发射源信号各取1000个数据,在3组中分别随机抽取250个数据作为训练样本,剩余750个数据作为测试样本,利用人工神经网络模式识别技术对声发射信号进行培训,实现对产生声发射源信号的各种机制进行识别与判断,该方法通过声发射技术与数字图像相关技术相结合,对流动噪声背景下材料的点蚀监测进行研究,能够实现含流体介质的设备在运转过程中的点蚀现象监测,将大大提高点蚀声发射信号识别效率,同时评价结果更加可靠。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种声学与图像信息相融合的动态点蚀智能评价方法,其特征在于:该动态点蚀智能评价方法具体步骤如下:
步骤一:利用电化学腐蚀对管道表面小槽进行腐蚀,模拟管道流动噪声下的点蚀行为;
步骤二:利用声发射技术获取流动噪声下的点蚀过程中的声发射信号,记录下每个声发射信号的产生时间,并利用小波分析技术进行去噪处理;
步骤三:利用dic软件对流动噪声下的点蚀过程中的氢气泡产生、膜破裂及点蚀坑生长三种现象进行分析处理,并将现象产生的时刻记录在计算机中;
步骤四:利用二维卷积神经网络提取拍摄图片的特征,通过关联声信号与图像信号两者的时间,将流动噪声下的点蚀过程中不同阶段的气泡产生、膜破裂与蚀坑生长三种情况的图像与声发射信号对应,分别提取出氢气泡产生、膜破裂、点蚀坑生长的声发射信号;
步骤五:利用声发射分析软件分别获取三种现象声发射信号的11个特征参数,11个特征参数包括:①上升时间、②计数、③能量、④持续时间、⑤幅度、⑥到峰计数、⑦上升时间/持续时间、⑧计数/持续时间、⑨能量/持续时间、⑩到峰计数/计数、⑪幅度/上升时间;
步骤六:将特征参数输入到BP网络模型中,利用人工神经网络模式识别技术对声发射信号进行培训,实现对产生声发射源信号的各种机制进行识别与判断。
2.根据权利要求1所述的一种声学与图像信息相融合的动态点蚀智能评价方法,其特征在于:步骤一中模拟管道流动噪声下的点蚀行为的具体步骤如下:
(1)、准备一个金属管道,管道外径为正方形,内径为圆形,在管道外部的四个面中间部位上分别提前设置形状不同的凹槽;
(2)、将管道通过法兰与变径管连接,接着将管道、泵与水箱连接,用于管道中时刻保持介质流动的状态,并通过调节泵的功率调整管中介质的流动速度,从而模拟出不同管道流动噪声下的点蚀行为。
3.根据权利要求2所述的一种声学与图像信息相融合的动态点蚀智能评价方法,其特征在于:步骤(1)中形状不同的凹槽分别为正方形、圆形、三角形和椭圆形。
4.根据权利要求1所述的一种声学与图像信息相融合的动态点蚀智能评价方法,其特征在于:步骤二中所述去噪处理具体步骤如下:
S1、基于matlab小波工具箱中db8小波函数对原始点蚀声信号进行5层分解;
S2、将步骤S1中分解的5层信号分别进行相关系数计算,筛选出和原始点蚀信号相关度高的分解函数;
S3、重构相关度高的分解函数,重构为新的点蚀信号达到提高信噪比的目的。
5.根据权利要求1所述的一种声学与图像信息相融合的动态点蚀智能评价方法,其特征在于:步骤五中所述获取三种现象声发射信号的具体过程如下:
SS1、将11个特征参数作为BP神经网络的输入向量,3类声发射源为输出向量,隐含层节点数为5,建立一个11-5-3单隐含层的3层BP网络结构;
SS2、将3类声发射源信号各取1000个数据,在3组中分别随机抽取250个数据作为训练样本,剩余750个数据作为测试样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110131247.7A CN112964789B (zh) | 2021-01-30 | 2021-01-30 | 一种声学与图像信息相融合的动态点蚀智能评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110131247.7A CN112964789B (zh) | 2021-01-30 | 2021-01-30 | 一种声学与图像信息相融合的动态点蚀智能评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112964789A CN112964789A (zh) | 2021-06-15 |
CN112964789B true CN112964789B (zh) | 2023-06-06 |
Family
ID=76272180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110131247.7A Active CN112964789B (zh) | 2021-01-30 | 2021-01-30 | 一种声学与图像信息相融合的动态点蚀智能评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112964789B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5526689A (en) * | 1995-03-24 | 1996-06-18 | The Babcock & Wilcox Company | Acoustic emission for detection of corrosion under insulation |
CN106581784A (zh) * | 2015-10-19 | 2017-04-26 | 先健科技(深圳)有限公司 | 可吸收铁基合金植入医疗器械 |
CN107422005A (zh) * | 2017-07-31 | 2017-12-01 | 北京航空航天大学 | 一种原油罐底板腐蚀产物状态的无损检测系统 |
CN107515253A (zh) * | 2017-07-10 | 2017-12-26 | 西安科技大学 | 基于卷积神经网络的梁结构缺陷非接触定量诊断方法 |
CN107782789A (zh) * | 2017-11-06 | 2018-03-09 | 洋浦海科石化工程检测有限公司 | 一种用于管道腐蚀检测的声定位c扫成像装置及方法 |
CN108875741A (zh) * | 2018-06-15 | 2018-11-23 | 哈尔滨工程大学 | 一种基于多尺度模糊的声学图像纹理特征提取方法 |
CN109307715A (zh) * | 2017-11-16 | 2019-02-05 | 中国石油化工股份有限公司 | 储罐底板主被动声融合检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7783433B2 (en) * | 2007-05-22 | 2010-08-24 | Honeywell International Inc. | Automated defect detection of corrosion or cracks using SAFT processed Lamb wave images |
US8316712B2 (en) * | 2010-11-19 | 2012-11-27 | Margan Physical Diagnostics Ltd. | Quantitative acoustic emission non-destructive inspection for revealing, typifying and assessing fracture hazards |
CA2935783C (en) * | 2014-01-02 | 2022-07-19 | Pipelines 2 Data (P2D) Limited | Method and apparatus for acoustic assessment from the interior of fluid conduits |
CN110702796A (zh) * | 2019-10-17 | 2020-01-17 | 常州大学 | 获取在役管道腐蚀声发射信号的模拟装置及其获取方法 |
CN111077224B (zh) * | 2019-10-17 | 2024-02-09 | 常州大学 | 一种在役管道腐蚀声发射信号发生器 |
CN111458285A (zh) * | 2020-05-13 | 2020-07-28 | 广东海洋大学 | 一种金属材料防腐蚀设备及使用方法 |
-
2021
- 2021-01-30 CN CN202110131247.7A patent/CN112964789B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5526689A (en) * | 1995-03-24 | 1996-06-18 | The Babcock & Wilcox Company | Acoustic emission for detection of corrosion under insulation |
CN106581784A (zh) * | 2015-10-19 | 2017-04-26 | 先健科技(深圳)有限公司 | 可吸收铁基合金植入医疗器械 |
CN107515253A (zh) * | 2017-07-10 | 2017-12-26 | 西安科技大学 | 基于卷积神经网络的梁结构缺陷非接触定量诊断方法 |
CN107422005A (zh) * | 2017-07-31 | 2017-12-01 | 北京航空航天大学 | 一种原油罐底板腐蚀产物状态的无损检测系统 |
CN107782789A (zh) * | 2017-11-06 | 2018-03-09 | 洋浦海科石化工程检测有限公司 | 一种用于管道腐蚀检测的声定位c扫成像装置及方法 |
CN109307715A (zh) * | 2017-11-16 | 2019-02-05 | 中国石油化工股份有限公司 | 储罐底板主被动声融合检测方法 |
CN108875741A (zh) * | 2018-06-15 | 2018-11-23 | 哈尔滨工程大学 | 一种基于多尺度模糊的声学图像纹理特征提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112964789A (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110185939B (zh) | 基于卷积神经网络的气体管道泄漏识别方法 | |
CN112232400A (zh) | 一种基于深浅特征融合的不锈钢焊缝超声缺陷检测方法 | |
WO2019019709A1 (zh) | 一种自来水管漏水检测方法 | |
CN106841403A (zh) | 一种基于神经网络的声学玻璃缺陷检测方法 | |
CN110348059B (zh) | 一种基于结构化网格的通道内流场重构方法 | |
CN109063762B (zh) | 一种基于dt-cwt和s4vm的管道堵塞故障识别方法 | |
Zhao et al. | Defect recognition in concrete ultrasonic detection based on wavelet packet transform and stochastic configuration networks | |
CN111896616B (zh) | 基于声发射-bp神经网络的气液两相流流型识别方法 | |
CN112665801B (zh) | 基于卷积神经网络的输气管线阀门内漏识别装置及方法 | |
Bae et al. | Deep-learning-based pipe leak detection using image-based leak features | |
CN111695465B (zh) | 基于压力波模式识别的管网故障诊断与定位方法及系统 | |
Jie et al. | Spectral kurtosis based on evolutionary digital filter in the application of rolling element bearing fault diagnosis | |
CN112987099B (zh) | 基于多震源卷积神经网络的低频地震数据重构方法 | |
CN114137079A (zh) | 一种基于深度学习和Duffing系统结合的超声导波无损检测方法 | |
Yu et al. | Machine fault diagnosis based on Gaussian mixture model and its application | |
Fang et al. | A lightweight transformer with strong robustness application in portable bearing fault diagnosis | |
Siddique et al. | Pipeline leak diagnosis based on leak-augmented scalograms and deep learning | |
CN105909979B (zh) | 基于小波变换融合盲源分离算法的泄漏声波特征提取方法 | |
CN112964789B (zh) | 一种声学与图像信息相融合的动态点蚀智能评价方法 | |
Yao et al. | Multiband weights-induced periodic sparse representation for bearing incipient fault diagnosis | |
CN112198232A (zh) | 一种排水管道工况检测和识别方法 | |
CN105928666B (zh) | 基于希尔伯特黄变换与盲源分离的泄漏声波特征提取方法 | |
Hao et al. | Research on gas pipeline multi-point leak signal processing and source locating using VMD, BSS and relative entropy | |
Ye et al. | Multi-variable classification model for valve internal leakage based on acoustic emission time–frequency domain characteristics and random forest | |
CN105927861B (zh) | 基于小波变换融合盲源分离算法的泄漏声波特征提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |