CN113569799A - 一种蜂窝结构空耦超声信号特征提取方法 - Google Patents

一种蜂窝结构空耦超声信号特征提取方法 Download PDF

Info

Publication number
CN113569799A
CN113569799A CN202110908048.2A CN202110908048A CN113569799A CN 113569799 A CN113569799 A CN 113569799A CN 202110908048 A CN202110908048 A CN 202110908048A CN 113569799 A CN113569799 A CN 113569799A
Authority
CN
China
Prior art keywords
signal
original signal
modal
matrix
noise
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.)
Granted
Application number
CN202110908048.2A
Other languages
English (en)
Other versions
CN113569799B (zh
Inventor
王明泉
檀桢
杨顺民
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.)
North University of China
Original Assignee
North University of China
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 North University of China filed Critical North University of China
Publication of CN113569799A publication Critical patent/CN113569799A/zh
Application granted granted Critical
Publication of CN113569799B publication Critical patent/CN113569799B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
    • G01N29/0654—Imaging
    • G01N29/069—Defect imaging, localisation and sizing using, e.g. time of flight diffraction [TOFD], synthetic aperture focusing technique [SAFT], Amplituden-Laufzeit-Ortskurven [ALOK] technique
    • 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
    • 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
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis

Landscapes

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

Abstract

本发明公开一种蜂窝结构空耦超声信号特征提取方法，包括以下步骤，首先利用空气耦合超声探头获取含噪的原始信号，然后VMD分解将原始信号分解为多个模态分量，通过计算每一个模态分量与原始信号相关系数求得相关系数最大的模态分量，接着将该模态分量与原始信号构建矩阵，最后使用ICA分离噪声与特征信号。本发明将VMD和ICA算法进行结合并应用在蜂窝夹芯结构的空耦超声信号特征提取上，效果显著，突破了传统超声检测的瓶颈，对于金属‑非金属的脱粘检测、锂电池内部气泡等难以使用耦合剂的材料的无损检测，都具有一定的研究意义。

Description

一种蜂窝结构空耦超声信号特征提取方法
技术领域
本发明属于超声探测技术领域，特别涉及一种蜂窝结构空耦超声信号特征提取方法。
背景技术
蜂窝夹芯结构是一种材料类型，由两个坚固的面板(称为蒙皮)和一个轻质芯组成，它们通过粘合膜连接在一起。该种结构因具有优良的综合性能，如低重量、高硬度和相对高的阻燃性等，被广泛应用于航空航天和轨道交通等重量敏感领域。但在制造和使用过程中，蜂窝夹芯结构不可避免地会出现材料内部脱粘缺陷，这种缺陷降低了材料的硬度和抗疲劳性，从而影响到了整个部件结构的安全性。因此，对于蜂窝夹芯结构的脱粘无损检测具有重大意义。
现阶段已经开发了许多无损检测技术来识别蜂窝结构的脱粘，包括机电阻抗法、热成像法、射线检测法和超声检测法等。其中机电阻抗法是根据结构不同损伤程度会导致不同的电响应判断被检部件内部是否存在缺陷，然而传感器必须与被检材料粘接在一起，这不可避免地给被检材料的阻抗特性带来一定的偏差且难以实现在线实时大批量无损检测。热成像法根据被检材料与缺陷在使用红外辐射后温度的变换情况进行检测，但被检材料表皮太厚或表皮材料对温度不敏感则难以检测。射线检测法利用X射线和Y射线透射过不同材料时有不同程度的衰减，通过感光黑度不同的底片图像判断结构粘接质量。但射线检测设备很大且长期使用会对检测人员造成伤害。常规超声检测法根据材料与缺陷声阻抗的不同进行检测，是一种较为成熟的检测方法，但常规超声检测时需要耦合剂会污染被检材料表面且效率低下。而空耦超声技术相比于常规超声在检测时不需要耦合剂，可以避免耦合剂对材料表面的污染和破坏，实现快速检测。
在空耦超声检测过程中，由于蜂窝结构复合材料的声阻抗远小于空气，导致超声波从空气进入材料内部能量损失大，特征信号幅值较小。并且超声检测中由于蜂窝复合材料表面粗糙导致超声波发生散射，探头或传输线内部硬件噪声等因素都可能导致超声信号产生噪声，影响有用信号提取。因此，有必要对信号进行降噪处理，提高信号信噪比。
近年来，小波降噪和经验模态分解(Empirical Mode Decomposition，EMD)在超声信号降噪中的引用越来越广泛。《基于小波分析的锂电池空耦超声信号降噪研究》(岳玉国著，舰船科学技术)和《基于小波分析的锂电池空耦超声信号降噪研究》(张曼著，测试技术学报)分别将小波分解技术应用到了船舶钛合金超声检测信号降噪处理以及空气耦合超声检测锂电池超声波信号降噪处理。《基于经验模态分解与小波分析的超声信号降噪方法》(刘备著)中公开了将经验模态分解与小波分析相结合，通过对包含噪声分量进行小波去噪后再重构信号，相比于单纯EMD降噪，去噪效果得到提高。《基于改进CEEMD的超声检测信号自适应降噪》(孙灵芳著)中公开了使用CEEMD的自相关函数特性降噪方法，针对噪声和特征信号分量分界点判定问题，实现信号的分解、自适应降噪和重构。但小波分析需要选取合适的阈值与小波基函数，EMD分解缺乏严格的数学推导且存在端点效应和模态混叠等缺陷。
VMD(Variational Mode Decomposition)作为一种信号分解的新方法，相比于EMD具有严格的数学基础且改善了端点效应和模态混叠问题。然而，由于超声信号噪声的复杂性，因此使用VMD难以取得良好的降噪效果。独立成分分析ICA(Independent ComponentAnalysis)能根据几个观测信号分离出独立信号，但ICA算法仅对算法进行时域分析，给超声信号去噪带了一定的局限性。针对传统超声信号去噪方法，本文提出VMD与ICA方法相结合的去噪方法。
发明内容
本发明的目的在于提供一种基于VMD-ICA的蜂窝结构空耦超声信号特征提取方法，该方法所提取的特征信号和降噪效果优于小波降噪和EMD降噪算法，能够准确地提取出空耦超声的特征信号。
为达成上述目的，本发明的解决方案为：一种蜂窝结构空耦超声信号特征提取方法，包括
步骤一：利用空气耦合超声探头获取含噪的原始信号f；
步骤二：先通过VMD将所述原始信号分解为多个模态分量；
步骤三：然后计算每一个模态分量与原始信号相关系数，比较出相关系数最大的模态分量；
步骤四：将该最大的模态分量与原始信号构建矩阵，最后通过ICA分离矩阵中的特征信号和噪声。
进一步，在步骤二中，VMD将原始信号f分解为K个模态分量uk，
对于一个原始信号f，VMD分解步骤如下：
(1)采用希尔伯特变换得到模态分量的解析信号，每个解析信号都具有不同的中心频率ωk；
(2)对每个中心频率ωk采用指数修正；
(3)通过高斯平滑，获得解调信号的每段带宽，由解调信号的高斯平滑法求解出各模态分量的带宽，进而构造出带约束条件的变分模型
Figure BDA0003202441360000031
，式中,uk＝{u1,…,uk}是模态分量的集合，ωk＝{ω1,…,ωk}是中心频率的集合；
引入惩罚因子α，构造增广Lagrange函数，求得各个模态分量；
Figure BDA0003202441360000032
，将Lagrange函数从时域转换到频域并求极值，得到模态分量uk和中心频率ωk的频域表达式：
Figure BDA0003202441360000033
Figure BDA0003202441360000034
，最后采用交替方向乘子算法交替寻找uk和ωk。
进一步，在步骤三中，分解出的各模态分量uk与原始信号f通过式(6)计算得到相关系数
Figure BDA0003202441360000035
进一步，在步骤四中，将与原始信号相关系数最大的模态分量ux与原始信号f构建观测矩阵X＝[ux,f]，该观测矩阵X是由两个独立信号S＝[s1,s2]线性组合而成，则有：
X＝AS (6)
其中，A为2×2阶混合矩阵，S为独立成分矩阵；
根据测量观测矩阵X求解解混矩阵W，最终求得最优的独立成分矩阵
Figure BDA0003202441360000036
，即为特征信号和噪声。
采用上述方案后，本发明的有益效果在于：
本发明将VMD和ICA算法进行结合并应用在蜂窝夹芯结构的空耦超声信号特征提取上，效果显著，突破了传统超声检测的瓶颈，对于金属-非金属的脱粘检测、锂电池内部气泡等难以使用耦合剂的材料的无损检测，都具有一定的研究意义。
附图说明
图1为本发明ICA的原理示意图；
图2为本发明VMD-ICA去噪的流程示意图；
图3为本发明未加噪的仿真信号的波形示意图；
图4为本发明加噪后的仿真信号的波形示意图；
图5为本发明仿真信号VMD分解u1的波形示意图；
图6为本发明仿真信号VMD分解u2的波形示意图；
图7为本发明仿真信号VMD分解u3的波形示意图；
图8为本发明仿真信号VMD分解u4的波形示意图；
图9为本发明仿真信号VMD-ICA算法去噪结果示意图；
图10为本发明仿真信号小波去噪结果示意图；
图11为本发明仿真信号EMD去噪结果示意图；
图12为本发明实测蜂窝结构空耦超声信号的示意图；
图13为本发明实测信号VDM分解u1的波形示意图；
图14为本发明实测信号VMD分解u2的波形示意图；
图15为本发明实测信号VMD分解u3的波形示意图；
图16为本发明实测信号VMD分解u4的波形示意图；
图17为本发明实测信号VMD分解u5的波形示意图；
图18为本发明实测信号VMD-ICA算法去噪结果示意图；
图19为本发明实测信号EMD去噪结果示意图；
图20为本发明实测信号小波去噪结果示意图。
具体实施方式
以下结合附图及具体实施例对本发明做详细的说明。
本发明提供一种蜂窝结构空耦超声信号特征提取方法，包括
步骤一：利用空气耦合超声探头获取含噪的原始信号f；
步骤二：先通过VMD将所述原始信号分解为多个模态分量(Intrinsic ModeFunctions，IMF)，通过中心频率观察法确定分解个数，VMD分解是将原始信号f分解成K个模态分量uk，以迭代的方式得到模型最优解来确定每个模态分量的中心频率和带宽，从而实现自适应信号各分量的有效分离。
对于一个原始信号f，VMD分解步骤如下：
(1)采用希尔伯特变换得到模态分量的解析信号，每个解析信号都具有不同的中心频率ωk；
(2)对每个中心频率ωk采用指数修正；
(3)通过高斯平滑，获得解调信号的每段带宽，由解调信号的高斯平滑法求解出各模态分量的带宽，进而构造出带约束条件的变分模型
Figure BDA0003202441360000051
，式中,uk＝{u1,…,uk}是模态分量的集合，ωk＝{ω1,…,ωk}是中心频率的集合；
引入惩罚因子α，构造增广Lagrange函数，求得各个模态分量；
Figure BDA0003202441360000052
，将Lagrange函数从时域转换到频域并求极值，得到模态分量uk和中心频率ωk的频域表达式：
Figure BDA0003202441360000053
Figure BDA0003202441360000054
，最后采用交替方向乘子算法交替寻找uk和ωk。
步骤三：然后通过式(6)计算每一个模态分量与原始信号相关系数
Figure BDA0003202441360000061
，比较出相关系数最大的模态分量ux；
步骤四：将该最大的模态分量与原始信号构建矩阵，最后通过ICA分离矩阵中的特征信号和噪声；
ICA算法如图1所示，将与原始信号相关系数最大的模态分量ux与原始信号f构建观测矩阵X＝[ux,f]，该观测矩阵X是由两个独立信号S＝[s1,s2]线性组合而成，则有：
X＝AS (6)
其中，A为2×2阶混合矩阵，S为独立成分矩阵；
根据测量观测矩阵X求解解混矩阵W，最终求得最优的独立成分矩阵
Figure BDA0003202441360000062
，即为特征信号和噪声。
本发明也可以使用FastICA算法进行计算，FastICA算法是由芬兰学者Hyvannen在1999年提出的ICA的Fast迭代寻优算法，采用大样本数据并行计算的方式对寻优策略进行处理和迭代。因此，该方法具有较高的效率。
VMD分解能将原始信号分解至不同中心频带，通过计算每一个模态分量与原始信号相关系数求得相关系数最大的模态分量，将该模态分量与原始信号构建矩阵使用FastICA分离噪声与有用信号。因此本发明将VMD与ICA联合降噪简称为VMD-ICA去噪，流程图如图2所示。
为了验证VMD-ICA算法的有效性，利用高斯信号和正弦信号模拟超声信号，然后在模拟信号中添加强度较大的白噪声得到噪声信号，信噪比为-10dB时，使其符合空耦超声检测蜂窝结构信号特征。仿真信号如图3所示，加噪后的仿真信号如图4所示。
根据所述的中心频率观察法确定VMD分解模态数K，表1列出了仿真测试信号不同K值下各个模态分量的中心频率，
Figure BDA0003202441360000063
表1
可以看出，当K＝5时，u3与u4的中心频率相近，认为出现了过分解现象。因此取K值为4，分解结果如图5至图8所示。通过计算各分量与仿真加噪信号的相关系数，求得相关系数最大分量，计算结果如表2所示。
Figure BDA0003202441360000071
表2
将相关系数最大的u1分量与仿真含噪信号构建矩阵，通过FastICA算法分离噪声和有用信号。将该算法与EMD去噪算法、小波去噪算法进行对比，本发明降噪后信号如图9所示，小波去噪算法降噪后信号如图10所示,EMD去噪算法降噪后信号如图11所示,其中，小波去噪中小波基函数函数选择sym11，层数为9层。评价指标选取信噪比(SNR)、均方根误差(RMSE)和相似系数(NCC)，降噪效果列于如下表3，
Figure BDA0003202441360000072
表3
SNR、RMSE、NCC的公式如下：
Figure BDA0003202441360000073
Figure BDA0003202441360000074
Figure BDA0003202441360000075
其中，X(n)为含噪原始信号；S(n)为降噪后信号；N为信号长度。
当信噪比为-10dB时，VMD-ICA算法与小波去噪算法可以实现信号的降噪，EMD去噪算法噪声淹没了特征信号，去噪效果不理想。相比于小波去噪算法，本发明提出的VMD-ICA算法波形更平滑，特征信号更加明显，降噪效果更好。对于三种方法处理仿真信号后的SNR、RMSE和NCC，本发明提出的VMD-ICA方法降噪指标最优，验证了该方法的有效性。
在蜂窝夹芯结构使用空气耦合超声透射法，将发射探头垂直放置于蜂窝复合材料一侧，接收探头放置于另一侧进行接收，探头选用发射频率为400kHZ的圆形聚焦空气耦合超声探头，聚焦距离为4cm，蜂窝复合材料试件厚度为5cm。信号的采样频率为10MHz，增益为40dB。采集得到的实测信号如图12所示，该信号含有严重的噪声，不能辨别特征信号，对后续信号的分析超声影响。因此利用本发明对该含噪信号进行降噪处理。
根据中心频率观察法确定VMD分解模态数K，表4中列出了不同K值下各模态分量的中心频率，当K＝6时，u1和u2的中心频率相近，出现了过分解现象。因此，取K为5。分解结果如图13至图17所示，将各模态分量u1至u5与实测信号计算相关系数，计算结果列与表5中。
Figure BDA0003202441360000081
表4
Figure BDA0003202441360000082
表5
从表5中可以得知u1与原始信号相关系数最大，因此认为u1中包含的特征信号最多。将u1信号与原始信号构建矩阵，然后使用ICA分离噪声和特征信号。将处理后信号(图18)与EMD降噪算法(图19)和小波降噪算法(图20)进行对比。
可以看出EMD降噪算法和小波降噪算法均难以从强噪声中提取出微弱特征信号，而本文所采用的VMD-ICA算法有效的将特征信号从原始信号中提取出来。表明本发明能够实现空气耦合超声检测蜂窝复合材料的信号降噪和特征信号的提取。
本文还提出使用空耦超声透射法对蜂窝结构脱粘的检测，首先通过分析蜂窝夹芯结构复合材料的三维结构特征，建立了合理的二维完好有限元模型及缺陷模型，实现声波在材料内部传播的可视化，并分析信号变化趋势，并通过实验进行验证。最后搭建空耦超声C扫描系统，对蜂窝夹芯结构内部脱粘缺陷进行成像处理，并对结果进行分析。
本发明的优点有：
(1)使用空气耦合超声透射检测法对蜂窝夹芯结构的脱粘无损检测进行研究，可解决普通超声检测时需要耦合剂所带来的污染以及效率低下等问题，实现在线无损检测。
(2)建立空气耦合超声透射二维有限元模型，使用置入不同大小空气层来模拟实际脱粘缺陷，从仿真结果得出，相比与未脱粘部件，脱粘缺陷会使超声透射信号幅值降低且脱粘缺陷越大幅值越低。
(3)设计整体实验系统，完成蜂窝夹芯结构的脱粘空气耦合超声透射法检测系统，并对8个大小不同的人工脱粘缺陷进行检测，实验结果与仿真结果相吻合，验证了检测方法的有效性。
(4)对蜂窝夹芯结构进行空气耦合超声C扫描成像，最小可以检测出φ5mm脱粘缺陷，且可以实现φ9mm脱粘缺陷的成像。此外，该方法不仅适用于蜂窝夹芯结构脱粘检测，对于金属-非金属的脱粘检测、锂电池内部气泡等难以使用耦合剂的材料的无损检测，都具有一定的研究意义。
以上所述仅为本发明的较佳实施例，并非对本案设计的限制，凡依本案的设计关键所做的等同变化，均落入本案的保护范围。

Claims (4)

1.一种蜂窝结构空耦超声信号特征提取方法，其特征在于，包括
步骤一：利用空气耦合超声探头获取含噪的原始信号f；
步骤二：先通过VMD将所述原始信号分解为多个模态分量；
步骤三：然后计算每一个模态分量与原始信号相关系数，比较出相关系数最大的模态分量；
步骤四：将该最大的模态分量与原始信号构建矩阵，最后通过ICA分离矩阵中的特征信号和噪声。
2.如权利要求1所述一种蜂窝结构空耦超声信号特征提取方法，其特征在于：在步骤二中，VMD将原始信号f分解为K个模态分量uk，
对于一个原始信号f，VMD分解步骤如下：
(1)采用希尔伯特变换得到模态分量的解析信号，每个解析信号都具有不同的中心频率ωk；
(2)对每个中心频率ωk采用指数修正；
(3)通过高斯平滑，获得解调信号的每段带宽，由解调信号的高斯平滑法求解出各模态分量的带宽，进而构造出带约束条件的变分模型
Figure FDA0003202441350000011
，
式中,uk＝{u1,…,uk}是模态分量的集合，ωk＝{ω1,…,ωk}是中心频率的集合；引入惩罚因子α，构造增广Lagrange函数，求得各个模态分量；
Figure FDA0003202441350000012
，
将Lagrange函数从时域转换到频域并求极值，得到模态分量uk和中心频率ωk的频域表达式：
Figure FDA0003202441350000021
Figure FDA0003202441350000022
，
最后采用交替方向乘子算法交替寻找uk和ωk。
3.如权利要求1所述一种蜂窝结构空耦超声信号特征提取方法，其特征在于：在步骤三中，分解出的各模态分量uk与原始信号f通过式(6)计算得到相关系数
Figure FDA0003202441350000023
4.如权利要求1所述一种蜂窝结构空耦超声信号特征提取方法，其特征在于：在步骤四中，将与原始信号相关系数最大的模态分量ux与原始信号f构建观测矩阵X＝[ux,f]，该观测矩阵X是由两个独立信号S＝[s1,s2]线性组合而成，则有：
X＝AS (6)，
其中，A为2×2阶混合矩阵，S为独立成分矩阵；
根据测量观测矩阵X求解解混矩阵W，最终求得最优的独立成分矩阵
Figure FDA0003202441350000024
，
即为特征信号和噪声。
CN202110908048.2A 2021-08-05 2021-08-09 一种蜂窝结构空耦超声信号特征提取方法 Active CN113569799B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202110895294 2021-08-05
CN2021108952949 2021-08-05

Publications (2)

Publication Number Publication Date
CN113569799A true CN113569799A (zh) 2021-10-29
CN113569799B CN113569799B (zh) 2024-05-14

Family

ID=78170917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110908048.2A Active CN113569799B (zh) 2021-08-05 2021-08-09 一种蜂窝结构空耦超声信号特征提取方法

Country Status (1)

Country Link
CN (1) CN113569799B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116818914A (zh) * 2023-08-30 2023-09-29 东光县津东玻璃工艺制品有限公司 一种玻璃及其加工制品无损检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015134816A1 (en) * 2014-03-06 2015-09-11 Qualcomm Incorporated Multi-spectral ultrasonic imaging
US20160350573A1 (en) * 2014-03-06 2016-12-01 Qualcomm Incorporated Multi-spectral ultrasonic imaging
US20170124374A1 (en) * 2014-02-25 2017-05-04 Hid Global Corporation Bioimpedance spoof detection
CN108387887A (zh) * 2018-05-22 2018-08-10 西安邮电大学 一种水声信号的混合降噪方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170124374A1 (en) * 2014-02-25 2017-05-04 Hid Global Corporation Bioimpedance spoof detection
WO2015134816A1 (en) * 2014-03-06 2015-09-11 Qualcomm Incorporated Multi-spectral ultrasonic imaging
US20160350573A1 (en) * 2014-03-06 2016-12-01 Qualcomm Incorporated Multi-spectral ultrasonic imaging
CN108387887A (zh) * 2018-05-22 2018-08-10 西安邮电大学 一种水声信号的混合降噪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杜必强;孙立江;: "变分模态分解和熵理论在超声信号降噪中的应用", 中国工程机械学报, no. 04 *
王大为;王召巴;李鹏;陈友兴;李海洋;: "基于变分模态分解的超声检测信号降噪研究", 中国测试, no. 12 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116818914A (zh) * 2023-08-30 2023-09-29 东光县津东玻璃工艺制品有限公司 一种玻璃及其加工制品无损检测方法
CN116818914B (zh) * 2023-08-30 2023-11-14 东光县津东玻璃工艺制品有限公司 一种玻璃及其加工制品无损检测方法

Also Published As

Publication number Publication date
CN113569799B (zh) 2024-05-14

Similar Documents

Publication Publication Date Title
Li et al. Imaging composite material using ultrasonic arrays
US10161910B2 (en) Methods of non-destructive testing and ultrasonic inspection of composite materials
CN110926386B (zh) 基于改进小波阈值去噪的变压器绕组超声检测成像方法
Ambrozinski et al. Detection and imaging of local ply angle in carbon fiber reinforced plastics using laser ultrasound and tilt filter processing
Yu et al. Lamb wave-based damage imaging of CFRP composite structures using autoencoder and delay-and-sum
CN112858183A (zh) 一种基于波形分离的增材制造激光超声信号缺陷成像方法
CN103575808A (zh) 基于多角度立体匹配的高实时定量超声检测方法
CN114720560B (zh) 一种基于模态分解成像算法的碳纤维复合材料板分层缺陷空气耦合Lamb波超声检测方法
Morii et al. A new inverse algorithm for tomographic reconstruction of damage images using Lamb waves
Yang et al. Assessment of the 3D ply-by-ply fiber structure in impacted CFRP by means of planar Ultrasound Computed Tomography (pU-CT)
CN113569799B (zh) 一种蜂窝结构空耦超声信号特征提取方法
Wang et al. A modal decomposition imaging algorithm for ultrasonic detection of delamination defects in carbon fiber composite plates using air-coupled Lamb waves
Cao et al. An ultrasonic signal processing method to improve defect depth estimation in composites based on empirical mode decomposition
CN116482231A (zh) 一种材料内部缺陷高信噪比超声成像方法
Fan et al. Feature extraction of echo signal of weld defect guided waves based on sparse representation
Su et al. Research on composites damage identification based on power spectral density and lamb wave tomography technology in strong noise environment
Luo et al. Heterogeneous ultrasonic time-of-flight distribution in multidirectional CFRP corner and its implementation into total focusing method imaging
Tian et al. Optimized ultrasonic total focusing imaging of diverse and multiple defects in crossply CFRP: Floquet wave theory, numerical simulation, and experimental validation
Orta et al. Characterization of the full complex-valued stiffness tensor of orthotropic viscoelastic plates using 3D guided wavefield data
Liu et al. Quantitative characterization of out-of-plane fiber wrinkling in thick CFRP with Double-side inverse-variance weight-synthetic ultrasonic imaging
Ma et al. Point-cloud acquisition in CFRP composites using ultrasonic location estimation with the phase-shift reference pulse
Li et al. Ultrasound signal processing based on joint GWO-VMD wavelet threshold functions
Tant et al. Application of the factorisation method to limited aperture ultrasonic phased array data
Tu et al. Finite element modelling strategy for determining directivity of thermoelastically generated laser ultrasound
Zhou et al. Research on laser ultrasonic propagation characteristics and quantitative detection of delamination of carbon fiber composite

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