CN113484336B - 基于表面波和bp神经网络的亚表面裂纹尺寸测量方法 - Google Patents
基于表面波和bp神经网络的亚表面裂纹尺寸测量方法 Download PDFInfo
- Publication number
- CN113484336B CN113484336B CN202110761575.5A CN202110761575A CN113484336B CN 113484336 B CN113484336 B CN 113484336B CN 202110761575 A CN202110761575 A CN 202110761575A CN 113484336 B CN113484336 B CN 113484336B
- Authority
- CN
- China
- Prior art keywords
- neural network
- surface wave
- subsurface
- frequency domain
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000009933 burial Methods 0.000 claims abstract description 22
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 239000000523 sample Substances 0.000 claims description 42
- 238000001514 detection method Methods 0.000 claims description 11
- 238000010897 surface acoustic wave method Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000000919 ceramic Substances 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000003993 interaction Effects 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 229910003481 amorphous carbon Inorganic materials 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/22—Measuring arrangements characterised by the use of optical techniques for measuring depth
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Length Measuring Devices Characterised By Use Of Acoustic Means (AREA)
Abstract
本发明公开了基于表面波和BP神经网络的亚表面裂纹尺寸测量方法。该方法如下：一、对已知埋藏深度和长度的亚表面裂纹进行超声反射和透射信号进行探测。二、提取反射表面波信号和透射表面波信号的时域特征和频域特征。三、对步骤二所得时域特征和频域特征进行k重小波变换，并进一步计算得到2k+2个小波熵，将其作为时频域特征参数。四、利用步骤三中得到时频域特征参数，训练以时频域特征参数作为输入，以亚表面裂纹埋藏深度和长度作为输出的BP神经网络。本发明采用无损伤、无接触的激光超声技术，结合小波熵理论和神经网络分析裂纹与表面波相互作用产生的波形数据特征参数，能够同时得到裂纹的埋藏深度和长度。
Description
技术领域
本发明涉及无损检测及机器学习领域，尤其涉及一种基于激光超声表面波及BP神经网络的亚表面裂纹埋藏深度及长度的定量检测方法。
背景技术
超精密加工技术是一种重要的加工方法，已广泛应用于各种航空航天、国防、光学、机械、电子等领域。然而超精密加工技术的一个不可避免的问题是亚表面裂纹。一旦发生亚表面缺陷，它将在工作载荷作用下生长威胁结构健康，最终造成灾难性后果。因此，利用超声技术检测亚表面裂缝的技术也吸引了越来越多的关注。
在已有研究中，J.T.Zeng等人用低频扫描探针声学显微镜检测了非晶态碳膜，证明了低频扫描探针声学显微镜在亚表面缺陷成像中的可行性，并具有高分辨率。但该方法对工件表面有较高的要求，并且在检测过程中可能会对超精密工件的表面产生损伤。Hideo等人采用非接触、无损伤的激光超声方法对工件亚表面横向裂纹进行了评测。激光超声技术能够通过激光照射表面产生表面波，不会损伤工件表面，探测表面波与裂纹相互作用便可对裂纹的位置与大小进行评测。Mayworm等人提出了一种能定量计算飞行时间的飞行衍射方法(TOFD)检测裂纹的深度。周正刚等人利用激光产生的表面超声波的反射和透射系数对裂缝进行了定量检测。王传勇等人利用激光产生的瑞利波成功地检测了亚表面横向亚表面裂纹的宽度。但以上方法在得到测试样品用以推知亚表面裂纹与表面波间的定量关系过程中，可能会受到环境影响产生误差，并且提取表面波与亚表面裂纹相互作用产生的波形数据特征时人为影响较大会产生误差，而引入人工智能算法便可极大减少这些误差。杨晓霞等人提出了一种基于相控阵超声换能器和人工神经网络(ANN)的涡轮初始裂纹深度和方向估计方法。Kesi等人提出了一种基于粒子群优化神经网络的扫描激光源对表面裂纹深度的定量评估。但这些研究都只是对表面裂纹的深度进行了评测。
发明内容
本发明的目的在于提供一种基于表面波和BP神经网络的亚表面裂纹尺寸测量方法。
本发明的具体步骤如下：
步骤一、对已知埋藏深度和长度的亚表面裂纹进行超声反射和透射信号进行探测，具体为在亚表面裂纹的两侧各设置一个超声探头，并在其中一个超声探头远离亚表面裂纹的一侧设置脉冲激光器探头。脉冲激光器探头激励出表面声波，两个超声探头分别检测到反射表面波信号RW(n)和透射表面波信号TW(n)。通过对不同的亚表面裂纹按照相同方法探测，得到多组反射表面波信号和透射表面波信号。
步骤二、分别提取反射表面波信号和透射表面波信号的时域特征，以及反射表面波信号的频域特征。
步骤三、对步骤二所得时域特征和频域特征进行k重小波变换，得到2k子带；并根据所得到的2k子带计算小波能量熵WEE、小波奇异熵WSE、2k个小波尺度熵WTEk；合计得到2k+2个小波熵，将其作为时频域特征参数。
步骤四、利用步骤三中得到时频域特征参数，训练以时频域特征参数作为输入，以亚表面裂纹埋藏深度和长度作为输出的BP神经网络。
步骤五、利用步骤四所得的BP神经网络，对未知埋藏深度和长度的亚表面裂纹进行探测。
作为优选，步骤二中所述的时域特征如下表所示：
T1＝|W(n)max-W(n)min|
其中，W(n)为通过反射表面波信号RW(n)和透射表面波信号TW(n)计算得到的特征参数；W(n)max、W(n)min分别为特征参数W(n)中的最大值、最小值；|W(n)max为特征参数W(n)的绝对值中的最大值；N为反射波或透射波的数据点数；σ为反射波或透射波的标准差；为反射波或透射波的数据平均值；其中T1～T8分别为波形的幅值、平方平均值、样本方差、偏度、峰度、峰度因子、形状因子、脉冲因子；T9和T10分别为反射系数和透射系数。
作为优选，步骤二中所述的频域特征通过对反射回波信号RW(n)进行离散傅里叶变换得到。
作为优选，在离散傅里叶变换过程中使用快速傅里叶变换，以减少计算机计算离散傅里叶变换所需要的乘法次数。
作为优选，步骤三中，小波能量熵WEE、小波奇异熵WSE、2k个小波尺度熵WTEk的计算公式如下：
其中，Ei为第i个子带的能量功率；zik、zjk为第i或j个小波系数在第k个子带所出现的频数；为第k个子带的小波系数之和；λi、λj为根据信号奇异值分解理论得到的小波系数重构矩阵的第i、j个奇异值；l为奇异值分解得到的对角矩阵的阶数。
作为优选，步骤四中，将多组时频域特征参数分为训练组与测试组，利用训练组对BP神经网络进行训练。训练完成后，将测试组的时频域特征参数输入，通过BP神经网络得到预测裂纹埋藏深度和长度，将预测结果与仿真结果进行对比，计算得到相对误差，若误差达到要求则网络训练完成。若误差未达到要求，则根据步骤一至三中的方法获取新的时频域特征参数再次进行训练，直到误差达到要求。
作为优选，BP神经网络中，每个预测因子需10个样例，训练数据的数量大于100个。
作为优选，步骤一中，入射的表面声波波长的两倍大于亚表面裂纹的埋藏深度。入射的表面声波波长的10倍小于工件厚度。
作为优选，所述的脉冲激光器探头采用压电陶瓷探测。
作为优选，所述的超声探头采用激光干涉仪。
本发明具有的有益效果是：
1、本发明采用无损伤、无接触的激光超声技术，结合小波熵理论和神经网络分析裂纹与表面波相互作用产生的波形数据特征参数，能够同时得到裂纹的埋藏深度和长度。可见，相比于设备成本高，且射线对人体有害的X射线检测方法，以及设备复杂，检测速度慢，且横向分辨率不高，测量精度低的高频纵波超声检测方法；本发明能够同时定量无损检测亚表面裂纹的埋藏深度和长度，测量速度快，精度高。
2、本发明采用机器学习方法中的神经网络算法，避免了复杂的声学传播理论与推导，自动输出亚表面裂纹的尺寸，对智能制造及无损检测具有积极意义。
附图说明
图1是本发明的检测状态正面示意图；
图2是本发明的检测状态俯视示意图；
图3是本发明中BP神经网络算法的流程图；
图4是本发明中BP神经网络在训练过程中的误差变化图。
具体实施方式
以下结合附图对本发明作进一步说明。
本发明是为了检测精密加工材料在加工中产生的亚表面裂纹的深度和高度，以便于后续加工去除缺陷层，而提出的一种基于超声表面波频域参数的亚表面裂纹定量测量方法，其具体方案如下：
该定量测量方法采用一种基于超声表面波频域参数的亚表面裂纹定量测量装置，包括脉冲激光器探头3、第一超声探头4和第二超声探头5。第一超声探头4和第二超声探头5均贴附在工件1上，且分别位于亚表面裂纹2的两侧。脉冲激光器探头3设置在第一超声探头4远离亚表面裂纹2的一侧。第一超声探头4和第二超声探头5均与示波器6连接。脉冲激光器探头3采用压电陶瓷探测。第一超声探头4和第二超声探头5均采用激光干涉仪。
该定量测量方法的具体步骤如下：
1)按照前述测试装置的描述，将两个超声探头放置在亚表面裂纹2的两侧，再将脉冲激光器探头3放置在其中一个超声探头远离亚表面裂纹2的一侧。亚表面裂纹为竖直裂纹，垂直于自由表面。裂纹在脉冲激光器探头3和两个超声探头的连线上。
2)利用脉冲激光器探头在工件1的表面激励出表面声波，靠近脉冲激光器探头3的超声波探头接收到直达表面波LW(n)和从裂纹反射回的表面波信号RW(n)，远离脉冲激光器探头3的超声波探头接收到透射过裂纹的表面波信号TW(n)。入射的表面声波波长的两倍大于亚表面裂纹的埋藏深度。入射的表面声波波长的10倍小于工件厚度。
3)对多个具有不同埋藏深度和长度亚表面裂纹的工件分别进行步骤1和2的操作，得到不同裂纹的反射和透射表面波信号。
4)对得到的反射和透射表面波分别提取时域特征，所需时域特征如下表所示：
其中，反射和透射表面波分别对应一组特征参数W(n)；W(n)为需要分别代入RW(n)或TW(n)计算的特征参数；W(n)max、W(n)min分别为特征参数W(n)中的最大值、最小值；|W(n)|max为特征参数W(n)的绝对值中的最大值；N为反射波或透射波的数据点数；σ为反射波或透射波的标准差；为反射波或透射波的数据平均值；其中T1～T8分别为波形的幅值、平方平均值、样本方差、偏度、峰度、峰度因子、形状因子、脉冲因子；T9和T10分别为反射系数和透射系数。从而使得反射表面波信号和透射表面波信号各自得到一组时域特征(即T1～T10)
再对反射回波信号RW(n)进行离散傅里叶变换提取中心频率作为频域特征参数。在离散傅里叶变换过程中使用快速傅里叶变换，能使计算机计算离散傅里叶变换所需要的乘法次数大为减少。
5)对步骤4所得的时域特征和频域特征进行k重小波变换，得到2k子带；并根据所得到的2k子带计算小波能量熵WEE、小波尺度熵WTE、小波奇异熵WSE；合计得到2k+2个小波熵，将其作为时频域特征参数。计算公式如下：
其中，WEE为小波能量熵，Ei为第i个子带的能量功率；WTEk为第k个子带小波系数的shannon熵，即第k个子带的小波尺度熵；zik、zjk为第i或j个小波系数在第k个子带所出现的频数；为第k个子带的小波系数之和；/>为第i个小波系数在第k个子带出现的概率；WSE为小波奇异熵；λi、λj为根据信号奇异值分解理论得到的小波系数重构矩阵的第i、j个奇异值；l为奇异值分解得到的对角矩阵的阶数。
6)将提取的多组时频域特征参数分为训练组与测试组，再将训练组的时频域特征参数作为输入，对应的亚表面裂纹埋藏深度和长度作为输出，对BP神经网络进行训练。训练完成后，将测试组的时频域特征参数输入，通过BP神经网络得到预测裂纹埋藏深度和长度，将预测结果与仿真结果进行对比，计算得到相对误差，若误差达到要求则网络训练完成。若误差未达到要求，则重复步骤1和2对更多的样品进行测试得到更多的数据再次训练以降低误差。根据经验产生的十倍规则，即每个预测因子需10个样例，训练数据的大小至少是百量级。
7)对已知位置，但未知埋藏深度和长度的被测亚表面裂纹，按照步骤1至中的方法测得反射表面波信号RW(n)和透射表面波信号TW(n)，并进一步获得被测亚表面裂纹的时频域特征参数。将所得时频域特征参数输入步骤训练得到的BP神经网络，得到被测亚表面裂纹的埋藏深度和长度。
Claims (10)
1.基于表面波和BP神经网络的亚表面裂纹尺寸测量方法，其特征在于：步骤一、对已知埋藏深度和长度的亚表面裂纹进行超声反射和透射信号进行探测，具体为在亚表面裂纹的两侧各设置一个超声探头，并在其中一个超声探头远离亚表面裂纹的一侧设置脉冲激光器探头；脉冲激光器探头激励出表面声波，两个超声探头分别检测到反射表面波信号RW(n)和透射表面波信号TW(n)；通过对不同的亚表面裂纹按照相同方法探测，得到多组反射表面波信号和透射表面波信号；
步骤二、分别提取反射表面波信号和透射表面波信号的时域特征，以及反射表面波信号的频域特征；
步骤三、对步骤二所得时域特征和频域特征进行k重小波变换，得到2k子带；并根据所得到的2k子带计算小波能量熵WEE、小波奇异熵WSE、2k个小波尺度熵WTEk；合计得到2k+2个小波熵，将其作为时频域特征参数；
步骤四、利用步骤三中得到时频域特征参数，训练以时频域特征参数作为输入，以亚表面裂纹埋藏深度和长度作为输出的BP神经网络；
步骤五、利用步骤四所得的BP神经网络，对未知埋藏深度和长度的亚表面裂纹进行探测，获得被测亚表面裂纹的时频域特征参数；将所得时频域特征参数输入步骤训练得到的BP神经网络，得到被测亚表面裂纹的埋藏深度和长度。
2.根据权利要求1所述的基于表面波和BP神经网络的亚表面裂纹尺寸测量方法，其特征在于：步骤二中所述的时域特征如下表所示：
T1＝|W(n)max-W(n)min|
其中，W(n)为通过反射表面波信号RW(n)和透射表面波信号TW(n)计算得到的特征参数；W(n)max、W(n)min分别为特征参数W(n)中的最大值、最小值；|W(n)|max为特征参数W(n)的绝对值中的最大值；N为反射波或透射波的数据点数；σ为反射波或透射波的标准差；为反射波或透射波的数据平均值；其中T1～T8分别为波形的幅值、平方平均值、样本方差、偏度、峰度、峰度因子、形状因子、脉冲因子；T9和T10分别为反射系数和透射系数。
3.根据权利要求1所述的基于表面波和BP神经网络的亚表面裂纹尺寸测量方法，其特征在于：步骤二中所述的频域特征通过对反射回波信号RW(n)进行离散傅里叶变换得到。
4.根据权利要求3所述的基于表面波和BP神经网络的亚表面裂纹尺寸测量方法，其特征在于：在离散傅里叶变换过程中使用快速傅里叶变换，以减少计算机计算离散傅里叶变换所需要的乘法次数。
5.根据权利要求1所述的基于表面波和BP神经网络的亚表面裂纹尺寸测量方法，其特征在于：步骤三中，小波能量熵WEE、小波奇异熵WSE、2k个小波尺度熵WTEk的计算公式如下：
其中，Ei为第i个子带的能量功率；zik、zjk为第i或j个小波系数在第k个子带所出现的频数；λi、λj为根据信号奇异值分解理论得到的小波系数重构矩阵的第i、j个奇异值；l为奇异值分解得到的对角矩阵的阶数。
6.根据权利要求1所述的基于表面波和BP神经网络的亚表面裂纹尺寸测量方法，其特征在于：步骤四中，将多组时频域特征参数分为训练组与测试组，利用训练组对BP神经网络进行训练；训练完成后，将测试组的时频域特征参数输入，通过BP神经网络得到预测裂纹埋藏深度和长度，将预测结果与仿真结果进行对比，计算得到相对误差，若误差达到要求则网络训练完成；若误差未达到要求，则根据步骤一至三中的方法获取新的时频域特征参数再次进行训练，直到误差达到要求。
7.根据权利要求1所述的基于表面波和BP神经网络的亚表面裂纹尺寸测量方法，其特征在于：BP神经网络中，每个预测因子需10个样例，训练数据的数量大于100个。
8.根据权利要求1所述的基于表面波和BP神经网络的亚表面裂纹尺寸测量方法，其特征在于：步骤一中，入射的表面声波波长的两倍大于亚表面裂纹的埋藏深度；入射的表面声波波长的10倍小于工件厚度。
9.根据权利要求1所述的基于表面波和BP神经网络的亚表面裂纹尺寸测量方法，其特征在于：所述的脉冲激光器探头采用压电陶瓷探测。
10.根据权利要求1所述的基于表面波和BP神经网络的亚表面裂纹尺寸测量方法，其特征在于：所述的超声探头采用激光干涉仪。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110761575.5A CN113484336B (zh) | 2021-07-06 | 2021-07-06 | 基于表面波和bp神经网络的亚表面裂纹尺寸测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110761575.5A CN113484336B (zh) | 2021-07-06 | 2021-07-06 | 基于表面波和bp神经网络的亚表面裂纹尺寸测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113484336A CN113484336A (zh) | 2021-10-08 |
| CN113484336B true CN113484336B (zh) | 2023-07-28 |
Family
ID=77940417
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110761575.5A Active CN113484336B (zh) | 2021-07-06 | 2021-07-06 | 基于表面波和bp神经网络的亚表面裂纹尺寸测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113484336B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114280156B (zh) * | 2021-12-28 | 2022-10-21 | 杭州电子科技大学 | 一种基于激光超声的亚表面裂纹长度和深度测量方法 |
| CN114609245B (zh) * | 2022-05-10 | 2022-08-23 | 西南交通大学 | 一种阵列式超声导波仪、钢结构损伤监测系统及方法 |
| CN115166063A (zh) * | 2022-06-21 | 2022-10-11 | 东南大学 | 一种基于tofd检测技术自动识别缺陷信号定高的方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105334269A (zh) * | 2015-10-19 | 2016-02-17 | 江苏大学 | 一种基于神经网络和导波特征数据库的管道缺陷类别判别方法 |
| CN106597260B (zh) * | 2016-12-29 | 2020-04-03 | 合肥工业大学 | 基于连续小波分析和elm网络的模拟电路故障诊断方法 |
| CN106919925A (zh) * | 2017-03-07 | 2017-07-04 | 南京师范大学 | 一种基于小波熵与人工神经网络的福特汽车检测方法 |
| CN108318589A (zh) * | 2018-02-02 | 2018-07-24 | 北京交通大学 | 基于高斯过程的疲劳裂纹长度智能评定方法和监测方法 |
| CN110389169A (zh) * | 2018-04-17 | 2019-10-29 | 江苏必得科技股份有限公司 | 列车部件裂纹损伤监测方法和系统 |
| CN110530639B (zh) * | 2019-10-08 | 2023-09-22 | 五邑大学 | 一种高速列车轴箱轴承故障诊断方法 |
| CN112101227A (zh) * | 2020-09-16 | 2020-12-18 | 江苏师范大学 | 一种基于celmdan和sskfda的机械状态监测方法 |
| CN112185419A (zh) * | 2020-09-30 | 2021-01-05 | 天津大学 | 一种基于机器学习的玻璃瓶裂纹检测方法 |
-
2021
- 2021-07-06 CN CN202110761575.5A patent/CN113484336B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113484336A (zh) | 2021-10-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113484336B (zh) | 基于表面波和bp神经网络的亚表面裂纹尺寸测量方法 | |
| Hosseinabadi et al. | Wavelet network approach for structural damage identification using guided ultrasonic waves | |
| CN111208206B (zh) | 一种温度变化环境下的复合材料超声导波结构健康监测方法 | |
| CN110286155B (zh) | 一种多层复合材料的损伤检测方法及系统 | |
| CN106949861B (zh) | 一种非线性超声在线监测金属材料应变变化的方法 | |
| CN107037136B (zh) | 一种管道换热污垢阵列式超声检测方法 | |
| CN113252779B (zh) | 一种提高缺陷反演成像质量的方法 | |
| CN110274960B (zh) | 一种基于非线性超声的钢管显微组织评估方法及装置 | |
| JP6924530B2 (ja) | モデルベース画像再構成方法 | |
| CN111272886A (zh) | 一种基于卷积神经网络的压力容器损伤定位方法 | |
| CN115420806A (zh) | 一种基于神经网络及图像融合的无损超声检测方法 | |
| Fu et al. | Artificial neural network-based damage detection of composite material using laser ultrasonic technology | |
| Brath et al. | Experimental validation of a fast forward model for guided wave tomography of pipe elbows | |
| Chang et al. | A novel ultrasonic guided wave-based method for railway contact wire defect detection | |
| Almansouri et al. | Deep neural networks for non-linear model-based ultrasound reconstruction | |
| Kang et al. | Measurement of shallow defects using noncontact broadband leaky Lamb wave produced by pulsed laser with ultrasound microphone | |
| Fendt et al. | Ultrasonic defect characterization in heavy rotor forgings by means of the synthetic aperture focusing technique and optimization methods | |
| Zhang et al. | Electromagnetic ultrasonic signal processing and imaging for debonding detection of bonded structures | |
| CN113777166A (zh) | 一种基于超声平面波成像和时间反转算子相结合的高分辨缺陷无损检测方法 | |
| Lin et al. | Quantitative evaluation of subsurface cracks with laser-generated surface wave based on back propagation neural network | |
| Sudheera et al. | Application of Hilbert transform for flaw characterization in ultrasonic signals | |
| Lian et al. | Advances in Post-processing Technology for Laser Ultrasound Detection Signals: A Review | |
| Zhao | Liquid Level Intelligent Detection for Oil Tank Based on Empirical Mode Decomposition and Deep Belief Network. | |
| Li et al. | Intelligent Evaluation of Crack detection with Laser Ultrasonic technique | |
| Lei et al. | Error-compensated one-dimensional convolutional neural network-based ultrasonic defect signal recognition method for flat ceramic membranes |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240730 Address after: 230000 B-2704, wo Yuan Garden, 81 Ganquan Road, Shushan District, Hefei, Anhui. Patentee after: HEFEI LONGZHI ELECTROMECHANICAL TECHNOLOGY Co.,Ltd. Country or region after: China Address before: 310018 No. 2 street, Xiasha Higher Education Zone, Hangzhou, Zhejiang Patentee before: HANGZHOU DIANZI University Country or region before: China |
|
| TR01 | Transfer of patent right |