CN113466330A - 一种用于涡流探伤过程的缺陷类型识别方法 - Google Patents

一种用于涡流探伤过程的缺陷类型识别方法 Download PDF

Info

Publication number
CN113466330A
CN113466330A CN202110801762.1A CN202110801762A CN113466330A CN 113466330 A CN113466330 A CN 113466330A CN 202110801762 A CN202110801762 A CN 202110801762A CN 113466330 A CN113466330 A CN 113466330A
Authority
CN
China
Prior art keywords
defect
frequency
eddy current
signal
time
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
Application number
CN202110801762.1A
Other languages
English (en)
Inventor
侯怀书
徐大川
方鑫冲
余晓东
沈聪
罗志祥
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.)
Shanghai Institute of Technology
Original Assignee
Shanghai Institute 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 Shanghai Institute of Technology filed Critical Shanghai Institute of Technology
Priority to CN202110801762.1A priority Critical patent/CN113466330A/zh
Publication of CN113466330A publication Critical patent/CN113466330A/zh
Pending legal-status Critical Current

Links

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
    • G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
    • G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
    • G01N27/90—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents

Landscapes

  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)

Abstract

本发明涉及一种用于涡流探伤过程的缺陷类型识别方法，包括以下步骤：S1：获取涡流缺陷信号；S2：对涡流缺陷信号进行去噪处理，提取涡流缺陷信号的时域特征参数；S3：通过信号频段分解和时频展开提取涡流缺陷信号的频域特征参数；S4：将时域特征参数、频域特征参数组成时频特征向量并降维处理，获取缺陷识别向量；S5：判断缺陷识别向量所处的缺陷类型范围，获取涡流缺陷信号对应的缺陷类型。与现有技术相比，本发明具有识别准确性高，适用范围广等优点。

Description

一种用于涡流探伤过程的缺陷类型识别方法
技术领域
本发明涉及涡流探伤领域，尤其是涉及一种用于涡流探伤过程的缺陷类型识别方法。
背景技术
随着现代工业技术的快速发展，无损检测技术被大量应用于航空航天、能源电力、汽车等领域，其中涡流检测因具备检测灵敏度高、检测速度快、易于实现自动化等优点而被大量使用。
现有技术中，涡流探伤仅仅能实现是否存在缺陷的判断，由于不同缺陷产生的危害各不相同，如果能够在探伤过程中同时识别缺陷的类型，对保障产品质量，改善产品工艺水平，减少不必要浪费等意义重大。
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用于涡流探伤过程的缺陷类型识别方法。
本发明的目的可以通过以下技术方案来实现：
一种用于涡流探伤过程的缺陷类型识别方法，其特征在于，包括以下步骤：
S1：获取涡流缺陷信号；
S2：对涡流缺陷信号进行去噪处理，提取涡流缺陷信号的时域特征参数；
S3：通过信号频段分解和时频展开提取涡流缺陷信号的频域特征参数；
S4：将时域特征参数、频域特征参数组成时频特征向量并降维处理，获取缺陷识别向量；
S5：判断缺陷识别向量所处的缺陷类型范围，获取涡流缺陷信号对应的缺陷类型。
优选地，所述的步骤S2中采用四层小波软阈值方法对缺陷涡流信号进行去噪。
优选地，所述的时域特征参数包括均值、峰值、峰峰值、标准差、歪度、波形系数、陡度。
优选地，所述的步骤S3具体包括：
S31：对涡流缺陷信号进行信号频段分解，获取多个频段分解函数；
S32：对频段分解函数进行筛选，获取涡流缺陷信号的特征频段函数；
S33：提取特征频段函数的频域特征参数。
优选地，所述的步骤S31中的信号频段分解公式为：
Figure BDA0003164913550000021
其中，x(t)为涡流缺陷信号，cj(t)为第j个频段分解函数，m表示频段分解函数的个数，rm(t)为余项。
优选地，所述的步骤S32中采用互相关系数法进行筛选，选取互相关系数最大的一组频段分解函数作为特征频段函数。
优选地，所述的频域特征参数包括中心频率、中心频率幅值、平均频率、均方根频率、频率标准差。
优选地，所述的步骤S4具体包括：
S41：对时域特征参数、频域特征参数进行无量纲化处理，组成时频特征向量；
S42：对时频特征向量进行降维处理，获取缺陷识别向量。
优选地，所述的步骤S41中进行无量纲化处理的公式为：
Figure BDA0003164913550000022
Figure BDA0003164913550000023
其中，n为样本数，xi为特征参数的第i个样本值，zi为无量纲化处理后的第i个样本值，
Figure BDA0003164913550000024
为某一特征参数的平均数，s(x)为特征参数的标准差。
优选地，所述的步骤S42的步骤具体包括：
S421：计算时频特征向量Dm×n的协方差矩阵S；
S422：计算协方差矩阵S的特征向量和特征值，选取最大的前K个特征值对应的特征向量组成矩阵Pn×K；
S423：将数据投影到k个特征向量构建的新空间中，获取缺陷识别向量：
Xm×K＝Dm×n×Pn×K
其中，Xm×K为缺陷识别向量。
与现有技术相比，本发明具有如下优点：
(1)本发明通过对涡流缺陷信号的有效分析，构建缺陷识别向量，能够实现缺陷类型的有效识别，缩短了缺陷识别周期，有利于提高缺陷检测效率，在工程上具有良好的可使用性；
(2)本发明利用映射投影技术对时频特征向量进行降维处理，有利于避免多个特征参数的信息重叠和冗余问题，实现降低数据维度和提升数据处理速度的目的；
(3)本发明通过将原始特征参数向量向不同主元所在的坐标轴进行投影，可选出对缺陷类型识别最重要的原始特征参数，该参数可作为缺陷识别工程技术指导的重要参数；
(4)本发明能够适用于不同规格的缺陷类型检测，可以有效避免缺陷规格对缺陷类型识别的影响，具有很好的鲁棒性和普适性。
附图说明
图1为本发明的流程图；
图2为涡流检测系统结构图；
图3为小波降噪后的涡流缺陷信号图；
图4为浮孔缺陷的特征频段函数图；
图5为浮孔缺陷的特征频段函数图；
图6为浮孔缺陷的特征频段函数图；
图7为不同缺陷的矩阵散点分布图；
图8为不同缺陷的三维时频特征分布图；
图9为不同规格缺陷的验证图；
图10为浮孔涡流缺陷信号频段分解图；
图11为裂纹涡流缺陷信号频段分解图；
图12为贯穿孔涡流缺陷信号频段分解图；
图13为不同缺陷特征频段函数时频图。
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
一种用于涡流探伤过程的缺陷类型识别方法，如图1所示，包括以下步骤：
S1：获取涡流缺陷信号。
步骤S1中利用涡流检测系统对时间进行扫描获取涡流缺陷信号。
所述的涡流检测系统包括处理器、信号发生器、穿过式涡流线圈、放大器、A/D转换器和扫描平台，所述的信号发生器分别与处理器、穿过式涡流线圈电连接，所述的A/D转换器分别与放大器、处理器电连接，其中处理器即为计算机。
本实施例中获取的试件缺陷类型为浮孔、裂纹、贯穿孔三种。本发明的缺陷识别类型不限于上述的三种类型。
本实施例中，穿过式涡流线圈及激励信号的主要技术指标如表1所示。
表1涡流线圈及激励信号的主要技术指标
Figure BDA0003164913550000041
如图2所示，在采集涡流信号时，涡流线圈由扫描平台的夹持装置三维固定，涡流线圈与样管试件间的提离距离为0.5mm，检测时样管试件由扫描平台带动匀速穿过涡流线圈，实现试件的非接触式无损检测。涡流线圈通过串口线进行数据的接受与发送，计算机通过软件界面控制涡流信号的采集，通过放大器和A/D转换器将信号保存于计算机中，完成缺陷涡流信号的采集。
S2：对涡流缺陷信号进行去噪处理，提取涡流缺陷信号的时域特征参数。
具体地，对缺陷涡流信号采用四层小波软阈值去噪，其中，小波基函数采用Morlet母小波基函数，小波软阈值采用heursure阈值，即综合选用sqtwolog阈值或sqtwolog阈值和rigrsure阈值中的较小者。
本实施例中，提取处理后缺陷信号的七种时域特征参数，分别为均值、峰值、峰峰值、标准差、歪度、波形系数、陡度。本实施例中，小波降噪后的缺陷涡流信号图如图3所示。
S3：通过信号频段分解和时频展开提取涡流缺陷信号的频域特征参数。
步骤S3具体包括：
S31：对涡流缺陷信号进行信号频段分解，获取多个频段分解函数。
信号频段分解公式为：
Figure BDA0003164913550000051
其中，x(t)为涡流缺陷信号，cj(t)为第j个频段分解函数，m表示频段分解函数的个数，rm(t)为余项。
S32：对频段分解函数进行采用互相关系数法进行筛选，选取互相关系数最大的一组频段分解函数作为特征频段函数。
具体地，如图4～6所示，采用互相关系数法对所有的频段分解函数进行筛选，即通过计算各阶频段分解函数与原信号的互相关系数，选择互相关系数最大的一组频段分解函数作为该缺陷涡流信号的特征频段函数；互相关系数法采用信息论中信息熵的概念来量化频段分解函数，熵越大表示信息的不确定性越大，缺陷特征信息量越大。
S33：提取特征频段函数的频域特征参数，本实施例中提取的频域特征参数包括中心频率、中心频率幅值、平均频率、均方根频率、频率标准差。
如图13所示，为不同缺陷特征频段函数时频图，该时频图由不同缺陷的特征频段函数经时频展开获得，能够更精准的展现信号的时频分布细节，有效地提取缺陷信号的频域特征，不同缺陷均存在主峰和副峰，每一种缺陷的两个柱状峰包含了缺陷的频域特定信息。
本实施例中，提取的频域特征参数定义如下：
中心频率：特征频段函数时频图中主峰与副峰对应频率的平均值；
中心频率幅值：特征频段函数时频图中主峰与副峰对应频率幅值的平均值；
平均频率：特征频段函数时频图中主峰与副峰之间相对幅值大于零的频率平均值；
均方根频率：对特征频段函数时频图中主峰与副峰之间的所有频率值先求平方，再求平均，最后开平方所得的值；
频率标准差：求特征频段函数时频图中主峰与副峰之间的所有频率值偏离中心频率的差值，先对该差值进行平方和，再求平均，最后开平方所得的值。
S4：将时域特征参数、频域特征参数组成时频特征向量并降维处理，获取缺陷识别向量。
步骤S4具体包括：
S41：对时域特征参数、频域特征参数进行无量纲化处理，使得各项指标处于同一数量级上，组成时频特征向量。进行无量纲化处理的公式为：
Figure BDA0003164913550000061
Figure BDA0003164913550000062
其中，n为样本数，xi为特征参数的第i个样本值，zi为无量纲化处理后的第i个样本值，
Figure BDA0003164913550000063
为某一特征参数的平均数，s(x)为特征参数的标准差。
S42：对时频特征向量进行降维处理，获取缺陷识别向量。
S42的步骤具体包括：
S421：计算时频特征向量Dm×n的协方差矩阵S；
S422：计算协方差矩阵S的特征向量和特征值，选取最大的前K个特征值对应的特征向量组成矩阵Pn×K；
S423：将数据投影到K个特征向量构建的新空间中，获取缺陷识别向量：
Xm×K＝Dm×n×Pn×K
其中，Xm×K为缺陷识别向量。
步骤S42的降维处理实现了时频特征向量从多维特征集空间向低维特征集空间的映射，将互为相关的多特征指标转化为互不相关的综合指标，即主元指标。本实施例中K值根据主元贡献率和累计贡献率获取，当前K个主元的累计贡献率大于85％时，就可以认为前K个主元能够代表原始信号的特征信息，降维后的前K个主元构成缺陷类型识别的缺陷识别向量。本实施例中，前3个主元的累计贡献率大于85％，取K＝3。
本实施例中，对缺陷信号特征向量作无量纲化处理，使得各项指标处于同一数量级上，利用映射投影技术，得到各主元贡献率及累计贡献率，降维后的主元构成缺陷类型识别的主元向量矩阵，绘制三种缺陷的矩阵散点分布图如图7所示。
S5：判断缺陷识别向量所处的缺陷类型范围，获取涡流缺陷信号对应的缺陷类型。
与本实施例涉及的三种缺陷类型对应，缺陷类型范围包括裂纹缺陷范围、浮孔缺陷范围和贯穿孔缺陷范围。缺陷类型范围的获取方式为构建样品数据集，样品数据集中包括多个已知缺陷类型的涡流缺陷信号，对其中涡流缺陷信号进行如S1～S4的缺陷识别向量获取过程，基于样品数据集中大量缺陷样品的缺陷识别向量，能够确认对应缺陷类型范围。
另外，本申请如图8所示，将原始特征参数以向量的形式绘制于降维后的三维时频特征分布图中，并将向量向不同主元所在的坐标轴进行投影，分析各原始特征参数对各主元的贡献大小，可选出对缺陷类型识别最重要的原始特征参数，该参数可作为缺陷识别工程技术指导的重要参数。
本实施例中，获取的缺陷类型范围为：
裂纹缺陷区域：{X,Y,Z}∈[-1,-0.7],[-0.5,-0.2],[0,-0.4]；
浮孔缺陷区域：{X,Y,Z}∈[-0.1,-0.3],[0,0.3],[-0.4,0.2]；
贯穿孔缺陷区域：{X,Y,Z}∈[0.3,0.7],[0,0.3],[0.1,0.4]。
当缺陷识别向量位于裂纹缺陷区域内时，则判断为缺陷类型为裂纹缺陷；当缺陷识别向量位于浮孔缺陷区域内时，则判断为缺陷类型为浮孔缺陷，当缺陷识别向量位于贯穿孔缺陷区域内时，则判断为缺陷类型为贯穿孔缺陷。
由于裂纹缺陷、浮孔缺陷、贯穿孔缺陷有不同的规格，通过对不同规格不锈钢圆管缺陷的实验检测，表明本发明方法可以有效避免缺陷规格对缺陷类型识别的影响，具有很好的鲁棒性和普适性。本申请对三种缺陷个采用四个不同规格的缺陷进行检测，规格如表2～4所示。检测结果如图9所示，能够对缺陷的类型进行有效识别区分。
表2裂纹缺陷规格
Figure BDA0003164913550000081
表3浮孔缺陷规格
Figure BDA0003164913550000082
表4贯穿孔缺陷规格
Figure BDA0003164913550000083
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 (10)

1.一种用于涡流探伤过程的缺陷类型识别方法，其特征在于，包括以下步骤：
S1：获取涡流缺陷信号；
S2：对涡流缺陷信号进行去噪处理，提取涡流缺陷信号的时域特征参数；
S3：通过信号频段分解和时频展开提取涡流缺陷信号的频域特征参数；
S4：将时域特征参数、频域特征参数组成时频特征向量并降维处理，获取缺陷识别向量；
S5：判断缺陷识别向量所处的缺陷类型范围，获取涡流缺陷信号对应的缺陷类型。
2.根据权利要求1所述的一种用于涡流探伤过程的缺陷类型识别方法，其特征在于，所述的步骤S4具体包括：
S41：对时域特征参数、频域特征参数进行无量纲化处理，组成时频特征向量；
S42：对时频特征向量进行降维处理，获取缺陷识别向量。
3.根据权利要求2所述的一种用于涡流探伤过程的缺陷类型识别方法，其特征在于，所述的步骤S41中进行无量纲化处理的公式为：
Figure FDA0003164913540000011
Figure FDA0003164913540000012
其中，n为样本数，xi为特征参数的第i个样本值，zi为无量纲化处理后的第i个样本值，
Figure FDA0003164913540000013
为某一特征参数的平均数，s(x)为特征参数的标准差。
4.根据权利要求2所述的一种用于涡流探伤过程的缺陷类型识别方法，其特征在于，所述的步骤S42的步骤具体包括：
S421：计算时频特征向量Dm×n的协方差矩阵S；
S422：计算协方差矩阵S的特征向量和特征值，选取最大的前K个特征值对应的特征向量组成矩阵Pn×K；
S423：将数据投影到k个特征向量构建的新空间中，获取缺陷识别向量：
Xm×K＝Dm×n×Pn×K
其中，Xm×K为缺陷识别向量。
5.根据权利要求1所述的一种用于涡流探伤过程的缺陷类型识别方法，其特征在于，所述的步骤S2中采用四层小波软阈值方法对缺陷涡流信号进行去噪。
6.根据权利要求1所述的一种用于涡流探伤过程的缺陷类型识别方法，其特征在于，所述的时域特征参数包括均值、峰值、峰峰值、标准差、歪度、波形系数、陡度。
7.根据权利要求1所述的一种用于涡流探伤过程的缺陷类型识别方法，其特征在于，所述的步骤S3具体包括：
S31：对涡流缺陷信号进行信号频段分解，获取多个频段分解函数；
S32：对频段分解函数进行筛选，获取涡流缺陷信号的特征频段函数；
S33：提取特征频段函数的频域特征参数。
8.根据权利要求7所述的一种用于涡流探伤过程的缺陷类型识别方法，其特征在于，所述的步骤S31中的信号频段分解公式为：
Figure FDA0003164913540000021
其中，x(t)为涡流缺陷信号，cj(t)为第j个频段分解函数，m表示频段分解函数的个数，rm(t)为余项。
9.根据权利要求7所述的一种用于涡流探伤过程的缺陷类型识别方法，其特征在于，所述的步骤S32中采用互相关系数法进行筛选，选取互相关系数最大的一组频段分解函数作为特征频段函数。
10.根据权利要求1所述的一种用于涡流探伤过程的缺陷类型识别方法，其特征在于，所述的频域特征参数包括中心频率、中心频率幅值、平均频率、均方根频率、频率标准差。
CN202110801762.1A 2021-07-15 2021-07-15 一种用于涡流探伤过程的缺陷类型识别方法 Pending CN113466330A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110801762.1A CN113466330A (zh) 2021-07-15 2021-07-15 一种用于涡流探伤过程的缺陷类型识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110801762.1A CN113466330A (zh) 2021-07-15 2021-07-15 一种用于涡流探伤过程的缺陷类型识别方法

Publications (1)

Publication Number Publication Date
CN113466330A true CN113466330A (zh) 2021-10-01

Family

ID=77880668

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110801762.1A Pending CN113466330A (zh) 2021-07-15 2021-07-15 一种用于涡流探伤过程的缺陷类型识别方法

Country Status (1)

Country Link
CN (1) CN113466330A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082722A (zh) * 2022-08-22 2022-09-20 四川金信石信息技术有限公司 基于正向样本的设备缺陷检测方法、系统、终端及介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN104677987A (zh) * 2015-03-15 2015-06-03 何赟泽 一种涡流雷达缺陷检测、定量和成像方法及系统
CN105319265A (zh) * 2014-06-24 2016-02-10 王金鹤 脉冲涡流检测提离消除新型算法
CN106596712A (zh) * 2016-11-22 2017-04-26 西安交通大学 一种基于缺陷深度的选频带脉冲涡流无损检测方法
US20170261469A1 (en) * 2015-11-10 2017-09-14 Halliburton Energy Services, Inc. Defect discrimination apparatus, methods, and systems
CN109498000A (zh) * 2018-12-25 2019-03-22 杭州电子科技大学 基于emd与wpd特征融合的癫痫发作前期预测方法
CN109708875A (zh) * 2019-01-24 2019-05-03 北华大学 一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法
CN109976308A (zh) * 2019-03-29 2019-07-05 南昌航空大学 一种基于拉普拉斯分值与ap聚类的故障特征的提取方法
CN110595765A (zh) * 2019-08-26 2019-12-20 西安理工大学 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法
CN111337567A (zh) * 2020-03-27 2020-06-26 南京航空航天大学 基于涡流和漏磁检测信号融合的缺陷类型评估方法
CN111413089A (zh) * 2020-04-08 2020-07-14 北华大学 基于vmd熵值法和vpmcd相结合的齿轮故障诊断方法
CN112649196A (zh) * 2020-11-19 2021-04-13 上海交通大学烟台信息技术研究院 基于频域信息的信号变分模态分解预设尺度参数选取方法
CN112800843A (zh) * 2020-12-30 2021-05-14 浙江树人学院（浙江树人大学） 针对三层导电结构缺陷的检测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN105319265A (zh) * 2014-06-24 2016-02-10 王金鹤 脉冲涡流检测提离消除新型算法
CN104677987A (zh) * 2015-03-15 2015-06-03 何赟泽 一种涡流雷达缺陷检测、定量和成像方法及系统
US20170261469A1 (en) * 2015-11-10 2017-09-14 Halliburton Energy Services, Inc. Defect discrimination apparatus, methods, and systems
CN106596712A (zh) * 2016-11-22 2017-04-26 西安交通大学 一种基于缺陷深度的选频带脉冲涡流无损检测方法
CN109498000A (zh) * 2018-12-25 2019-03-22 杭州电子科技大学 基于emd与wpd特征融合的癫痫发作前期预测方法
CN109708875A (zh) * 2019-01-24 2019-05-03 北华大学 一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法
CN109976308A (zh) * 2019-03-29 2019-07-05 南昌航空大学 一种基于拉普拉斯分值与ap聚类的故障特征的提取方法
CN110595765A (zh) * 2019-08-26 2019-12-20 西安理工大学 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法
CN111337567A (zh) * 2020-03-27 2020-06-26 南京航空航天大学 基于涡流和漏磁检测信号融合的缺陷类型评估方法
CN111413089A (zh) * 2020-04-08 2020-07-14 北华大学 基于vmd熵值法和vpmcd相结合的齿轮故障诊断方法
CN112649196A (zh) * 2020-11-19 2021-04-13 上海交通大学烟台信息技术研究院 基于频域信息的信号变分模态分解预设尺度参数选取方法
CN112800843A (zh) * 2020-12-30 2021-05-14 浙江树人学院（浙江树人大学） 针对三层导电结构缺陷的检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
于萍等: "基于EEMD降噪和流形学习的高速列车走行部故障特征提取", 《铁道学报》 *
南玉龙等: "基于KPCA的脉冲涡流缺陷分类识别技术的研究", 《智能处理与应用》 *
谢伟: "振动筛横梁疲劳裂纹的脉冲涡流检测技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
赵峰: "基于涡流检测信号的国VI活塞喉口微细缺陷识别研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082722A (zh) * 2022-08-22 2022-09-20 四川金信石信息技术有限公司 基于正向样本的设备缺陷检测方法、系统、终端及介质

Similar Documents

Publication Publication Date Title
CN111855803B (zh) 一种金属增材制造微型缺陷的激光超声高信噪比成像方法
US11703477B2 (en) Nondestructive testing method and device for detecting and distinguishing internal defect and external defect of wire rope
CN111948279B (zh) 一种弱磁检测顺磁性金属材料裂纹缺陷的定量评价方法
RU2570592C1 (ru) Способ регистрации и анализа сигналов акустической эмиссии
CN113358743B (zh) 一种基于时频分布相似度分析的兰姆波模态分离方法
CN116818914B (zh) 一种玻璃及其加工制品无损检测方法
CN110568073B (zh) 一种在噪声环境中拾取击打信号的方法
CN111855802A (zh) 一种消除激光超声行进波的缺陷可视化成像方法
CN110599425A (zh) 一种适用于acfm信号小波去噪的小波参数选择方法
CN113466330A (zh) 一种用于涡流探伤过程的缺陷类型识别方法
CN115420806A (zh) 一种基于神经网络及图像融合的无损超声检测方法
CN114722856A (zh) 管道损伤监测方法及装置
CN116400200B (zh) 车规级安全芯片的电磁侧信道信息的交叉验证方法
CN105909979A (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
CN110501108B (zh) 基于独立分量分析和支持向量机的螺栓预紧力辨识方法
CN116881712A (zh) 一种混凝土大坝活动裂纹电磁脉冲信号识别方法
CN102117621B (zh) 以自相关系数为判据的信号去噪方法
CN113484417B (zh) 基于小波变换的管道腐蚀检测方法
Bose et al. Acoustic emission signal analysis and event extraction through tuned wavelet packet transform and continuous wavelet transform while tensile testing the AA 2219 coupon
Zhang et al. Nondestructive incipient crack detection based on wavelet and Jensen-Shannon divergence in the NICA framework
CN107590824B (zh) 基于三维图像处理技术的岩石颗粒识别及位移跟踪方法
US20170356881A1 (en) Method and device for processing magnetostrictive guided wave detection signals
CN116336927A (zh) 基于新型信号处理的大提离下管道壁厚脉冲涡流检测方法
CN109793511A (zh) 基于深度学习技术的心电信号噪声检测算法
CN114689696B (zh) 基于超声频谱技术对试件进行缺陷检测的数据处理方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20211001