CN113916973A - 基于多电磁参量融合的火车车轮残余应力检测方法 - Google Patents
基于多电磁参量融合的火车车轮残余应力检测方法 Download PDFInfo
- Publication number
- CN113916973A CN113916973A CN202111124782.6A CN202111124782A CN113916973A CN 113916973 A CN113916973 A CN 113916973A CN 202111124782 A CN202111124782 A CN 202111124782A CN 113916973 A CN113916973 A CN 113916973A
- Authority
- CN
- China
- Prior art keywords
- electromagnetic
- residual stress
- sample
- signal
- neural network
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 230000004927 fusion Effects 0.000 title claims abstract description 15
- 230000005291 magnetic effect Effects 0.000 claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000035699 permeability Effects 0.000 claims abstract description 16
- 230000005330 Barkhausen effect Effects 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 238000004519 manufacturing process Methods 0.000 claims abstract description 5
- 230000005284 excitation Effects 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 230000006698 induction Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000005381 magnetic domain Effects 0.000 claims description 6
- 230000005415 magnetization Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 229910000976 Electrical steel Inorganic materials 0.000 claims description 5
- 230000005294 ferromagnetic effect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 239000007769 metal material Substances 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 abstract description 4
- 238000002474 experimental method Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010297 mechanical methods and process Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003302 ferromagnetic material Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005070 sampling 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
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/725—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables by using magneto-acoustical effects or the Barkhausen effect
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/02—Measuring direction or magnitude of magnetic fields or magnetic flux
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/12—Measuring magnetic properties of articles or specimens of solids or fluids
- G01R33/1223—Measuring permeability, i.e. permeameters
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Electrochemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analytical Chemistry (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本申请公开了一种基于多电磁参量融合的火车车轮残余应力检测方法，包括以下过程：制作标定试样的车轮；测量被测试样的电磁信号，利用电磁检测传感器同步获取被测试样的切向磁场强度、巴克豪森噪声信号和增量磁导率信号；提取被测试样的电磁参量特征值；采用常规残余应力方法测量标定试样，利用人工BP神经网络方法，针对残余应力获得预测模型；将被测试样的电磁参量特征值代入到预测模型中，检验残余应力的预测精度。本申请的火车车轮残余应力检测方法对标定试样进行电磁参量特征值测量和常规残余应力测量，采用人工BP神经网络方法，针对残余应力获得预测模型，将验证试样的三种电磁参量特征值代入到预测模型中，来提高检验残余应力的预测精度。
Description
技术领域
本申请涉及电磁无损检测技术领域，特别涉及一种基于多电磁参量融合的火车车轮残余应力检测方法。
背景技术
目前，火车车轮的残余应力检测普遍采用传统的力学方法，残余应力测量主要采用火焰切割法和/或电子应变片法。传统的车轮残余应力检测属于破坏、抽样检查，不仅不能反映整体车轮以及整批车轮的性能状态，而且检测速度慢效率低。
铁磁性金属力学性能的电磁检测（巴克豪森噪声）是近些年出现的一种新型检测技术，它是利用铁磁性材料在周期磁化过程中诱发的多种电磁特征信号，来对力学性能进行定量表征，简言之，就是通过测量电磁参量预测力学参量值。
由于铁磁金属力学性能的电磁检测属于无损检测方法，能够实现对被检测对象的快速普检，代表着力学性能检测的发展方向，因此越来越受到关注。目前国内外已经出现一些相关研究的报道，也有一些仪器研发和使用的实例，但是往往只测量一种电磁参量，用来建立力-磁映射模型，通常会带来较大的不确定度。
发明内容
根据上述技术缺陷，本申请提供一种基于多电磁参量融合的火车车轮残余应力检测方法。
本申请提供一种基于多电磁参量融合的火车车轮残余应力检测方法,采用如下的技术方案：
一种基于多电磁参量融合的火车车轮残余应力检测方法，包括以下过程：
制作标定试样的车轮；
测量被测试样的电磁信号，利用电磁检测传感器同步获取被测试样的切向磁场强度、巴克豪森噪声信号和增量磁导率信号；
提取被测试样的电磁参量特征值；
采用常规残余应力方法测量标定试样，利用人工BP神经网络方法，针对残余应力获得预测模型；
将被测试样的电磁参量特征值代入到预测模型中，检验残余应力的预测精度。
通过采用上述技术方案，从待测型号车轮中挑选一个车轮制备系列标定试样；分别对标定试样进行电磁参量特征值测量和常规残余应力测量；采用人工BP神经网络方法，针对残余应力获得预测模型；将验证试样的三种电磁参量特征值代入到预测模型中，来提高检验残余应力的预测精度。
可选的，测量被测试样电磁信号的电磁检测传感器，主要由U型电磁铁磁芯、低频励磁线圈、高频激励线圈、感应接收线圈和霍尔元件组成；低频激磁线圈采用Φ1.5mm漆包线绕制，高频激励线圈利用Φ0.7mm漆包线绕制。
可选的，电磁检测传感器测量测试样电磁信号的过程为：
低频激磁线圈通入低频交流的励磁信号，线圈的内部产生交变的磁场，产生的磁场沿U型电磁铁传递与被测试样间形成交变的磁回路，从而引起被测试样内部磁畴翻转、移动，诱发磁畴壁位错产生磁巴克豪森噪声信号；
高频激励线圈通入高频激励信号，低频激磁线圈中继续通入低频激励信号对被测试样表面进行混频磁化时，可以使铁磁金属材料中出现局部磁滞回线现象，为测量增量磁导率的变化创造条件；
感应接收线圈用于接收巴克豪森噪声信号和增量磁导率变化信号，霍尔元件用于测量材料表面低频切向磁场强度信号变化。
可选的，U型电磁铁磁芯采用矽钢片制作，U型电磁铁磁的磁极末端加工成锥形。
通过采用上述技术方案，矽钢片具有高导磁特性，而且可以避免涡流损耗；U型电磁铁磁的磁极末端加工成锥形，以确保励磁场与被测试样表面的良好耦合。
可选的，利用电磁检测仪器处理得到被测试样切向磁场强度、巴克豪森噪声信号和增量磁导率信号的特征值；
电磁检测仪器由嵌入式系统和上位计算机组成，嵌入式系统用于产生低频正弦交流电和高频正弦交流电供给电磁检测传感器，将电磁检测传感器获得的测量信号进行放大、滤波等处理后进行A/D转换，再利用嵌入式软件进行电磁参量特征值提取并输入给上位计算机；
上位机用于将嵌入式系统处理得到的电磁参量特征值，通过预测模型计算给出被测试样的力学参量值。
可选的，采用BP神经网络建立标定试样残余应力的预测模型，建立预测模型包括以下过程：
创建BP神经网络：确定神经网络的输入层节点数m，隐含层节点数n，输出层节点数l；其中电磁特征值为输入层节点，输出层为残余应力；
初始化BP神经网络：将层与层之间连接的神经元权值和阈值进行初始化；
设置训练BP神经网络参数；
训练BP神经网络，进行网络学习。神经网络的学习过程，其实就是输入层和隐含层之间的权值矩阵以及隐含层和输出层之间的阈值矩阵的设定和误差修正过程；
将训练好的神经网络进行仿真，并保存已经训练好的神经元传递函数，权值和阈值。
综上所述，本申请的基于多电磁参量融合的火车车轮残余应力检测方法，对标定试样进行电磁参量特征值测量和常规残余应力测量，采用人工BP神经网络方法，针对残余应力获得预测模型，将验证试样的三种电磁参量特征值代入到预测模型中，来提高检验残余应力的预测精度。
附图说明
图1是本申请实施例中电磁检测传感器的结构示意图。
图2是本申请实施例中电磁检测仪器的示意图。
附图标记说明：
1、U型电磁铁磁芯；2、低频励磁线圈；3、高频激励线圈；4、感应接收线圈；5、霍尔元件。
具体实施方式
以下结合附图对本申请作进一步详细说明。
本申请主要实现火车车轮残余应力的电磁检测，需要针对特定车轮对象进行标定实验，标定实验的内容包括：从待测型号车轮中挑选一个车轮制备系列标定试样；分别对标定试样进行电磁参量特征值测量和常规残余应力测量；采用人工BP神经网络方法，针对残余应力获得预测模型；将验证试样的电磁参量特征值代入到预测模型中，来检验残余应力的预测精度，根据预先设定的允许误差，给出标定实验是否成功的结论。
基于以上原理，本申请提出一种基于多电磁参量融合的火车车轮残余应力检测方法，具体包括以下过程：
制作标定试样的车轮；
从同型号、完成所有既定制造工序的待测车轮中选取，本申请选取D2型动车组车轮；根据动车组车轮产品标准的规定，车轮残余应力的测量部位在轮辋，所以标定试样应从车轮轮辋上切取；再者，制备的标定试样应做到：1、形状尺寸和表面状态既符合力学性能试验的国家标准要求，又适合电磁参量的测量；2、残余应力值应覆盖且超过车轮标准规定的合格值范围并呈梯次、均匀分布。
测量被测试样的电磁信号；
利用电磁检测传感器同步获取被测试样的切向磁场强度、巴克豪森噪声信号和增量磁导率信号。
参照图1，使用的电磁检测传感器由U型电磁铁磁芯1、低频励磁线圈2、高频激励线圈3、感应接收线圈4和霍尔元件5组成，U型电磁铁磁芯1、低频励磁线圈2和高频激励线圈3构成传感器的磁化单元，实现对被测试样的局部磁化；感应接收线圈4和霍尔元件5构成传感器的测量单元，实现对三类电磁信号的测量，其中，霍尔元件5负责测量试样表面的切向磁场强度，感应接收线圈4负责测量巴克豪森噪声和增量磁导率变化。
在磁化单元中，U型电磁铁磁芯1采用矽钢片制作，矽钢片不仅具有高导磁特性而且可以避免涡流损耗；U型电磁铁磁的磁极末端加工成锥形，以确保励磁场与被测试样表面的良好耦合。
低频激磁线圈采用Φ1.5mm漆包线绕制；当低频激磁线圈通入低频交流的励磁信号，如通以100Hz正弦交流电流，由法拉第电磁感应定律可知在线圈的内部产生交变的磁场，产生的磁场沿U型电磁铁传递与被测试样间形成交变的磁回路，从而引起被测试样内部磁畴翻转、移动，诱发磁畴壁位错产生磁巴克豪森噪声信号。
高频激励线圈3利用Φ0.7mm漆包线绕制；当高频激励线圈3通入200kHz正弦交流电流，低频激磁线圈中继续通入100Hz的低频激励信号对被测试样表面进行混频磁化时，可以使铁磁金属材料中出现局部磁滞回线现象，为测量增量磁导率的变化创造条件。
在测量单元中，感应接收线圈4用于接收巴克豪森噪声信号（在MHz数量级）和增量磁导率变化信号（200kHz），霍尔元件5用于测量材料表面低频（100Hz）切向磁场强度信号变化。
提取被测试样的电磁参量特征值；
利用电磁检测仪器处理得到被测试样切向磁场强度、巴克豪森噪声信号和增量磁导率信号的特征值。
参照图2，电磁检测仪器由嵌入式系统和上位计算机组成，嵌入式系统的硬件电路包括信号发生器、功率放大器、前置放大器、模拟信号处理器、A/D采集器、DSP（数字信号处理器）和主控制器；嵌入式系统的功能是产生低频正弦交流电和高频正弦交流电供给电磁检测传感器，将电磁检测传感器获得的测量信号进行放大、滤波等处理后进行A/D转换，再利用嵌入式软件进行电磁参量特征值提取并输入给上位计算机。
残余应力在试验机上动态进行；本申请制作两块压应力试样，一块用于标定实验，一块用于验证实验。按照标定范围超出实际合格值范围，同时避免应力值间隔过小使电磁特征值变化不明显，选择30MPa为应力标定实验的间隔值，并将标定区间定为30MPa～210MPa。
采用BP神经网络建立标定试样残余应力的预测模型，建立预测模型包括以下过程：
1、创建BP神经网络：确定神经网络的输入层节点数m，隐含层节点数n，输出层节点数l。
本发明中电磁特征值为输入层节点，因此m=25；在本发明中经过反复实验，发现选择n=6的训练效果较好；输出层节点数可以根据实际问题中的抽象模型来确定，在本发明中输出层就是残余应力，因此l=1。
2、初始化BP神经网络：将层与层之间连接的神经元权值和阈值进行初始化。
通常用较小的非零随机数对每一层的权值和阈值进行初始化，非零随机数的取值一般为（-2.4/F，2.4/F），其中F表示权值或者阈值输入端连接的神经元节点个数。
3、设置训练BP神经网络参数；本发明最终选择误差精度为0.004，迭代次数为10000，学习率为0.1。
4、训练BP神经网络，进行网络学习。神经网络的学习过程，其实就是输入层和隐含层之间的权值矩阵以及隐含层和输出层之间的阈值矩阵的设定和误差修正过程。
5、将训练好的神经网络进行仿真，并保存已经训练好的神经元传递函数，权值和阈值，方便后续进行实际预测应用。
检验模型的预测精度；
利用上位计算机将嵌入式系统处理得到的电磁参量特征值，代入获得的BP神经网络模型中，利用常规力学方法测试验证被测试样的力学参量值。如果误差小于预先设定的允许误差，则说明预测模型满足要求；反之，则不满足要求。当预测模型不满足要求时，需要重新进行标定实验，以便获得新的预测模型。
本具体实施例仅仅是对本申请的解释，其并不是对本申请的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本申请的权利要求范围内都受到专利法的保护。
Claims (7)
1.一种基于多电磁参量融合的火车车轮残余应力检测方法，其特征在于：包括以下过程：
制作标定试样的车轮；
测量被测试样的电磁信号，利用电磁检测传感器同步获取被测试样的切向磁场强度、巴克豪森噪声信号和增量磁导率信号；
提取被测试样的电磁参量特征值；
采用常规残余应力方法测量标定试样，利用人工BP神经网络方法，针对残余应力获得预测模型；
将被测试样的电磁参量特征值代入到预测模型中，检验残余应力的预测精度。
2.根据权利要求1所述的基于多电磁参量融合的火车车轮残余应力检测方法，其特征在于：测量被测试样电磁信号的电磁检测传感器，主要由U型电磁铁磁芯、低频励磁线圈、高频激励线圈、感应接收线圈和霍尔元件组成；低频激磁线圈采用Φ1.5mm漆包线绕制，高频激励线圈利用Φ0.7mm漆包线绕制。
3.根据权利要求2所述的基于多电磁参量融合的火车车轮残余应力检测方法，其特征在于：电磁检测传感器测量测试样电磁信号的过程为：
低频激磁线圈通入低频交流的励磁信号，线圈的内部产生交变的磁场，产生的磁场沿U型电磁铁传递与被测试样间形成交变的磁回路，从而引起被测试样内部磁畴翻转、移动，诱发磁畴壁位错产生磁巴克豪森噪声信号；
高频激励线圈通入高频激励信号，低频激磁线圈中继续通入低频激励信号对被测试样表面进行混频磁化时，可以使铁磁金属材料中出现局部磁滞回线现象，为测量增量磁导率的变化创造条件；
感应接收线圈用于接收巴克豪森噪声信号和增量磁导率变化信号，霍尔元件用于测量材料表面低频切向磁场强度信号变化。
4.根据权利要求2所述的基于多电磁参量融合的火车车轮残余应力检测方法，其特征在于：U型电磁铁磁芯采用矽钢片制作，U型电磁铁磁的磁极末端加工成锥形。
5.根据权利要求1所述的基于多电磁参量融合的火车车轮残余应力检测方法，其特征在于：利用电磁检测仪器处理得到被测试样切向磁场强度、巴克豪森噪声信号和增量磁导率信号的特征值；
电磁检测仪器由嵌入式系统和上位计算机组成，嵌入式系统用于产生低频正弦交流电和高频正弦交流电供给电磁检测传感器，将电磁检测传感器获得的测量信号进行放大、滤波等处理后进行A/D转换，再利用嵌入式软件进行电磁参量特征值提取并输入给上位计算机；
上位机用于将嵌入式系统处理得到的电磁参量特征值，通过预测模型计算给出被测试样的力学参量值。
6.根据权利要求1所述的基于多电磁参量融合的火车车轮残余应力检测方法，其特征在于：采用BP神经网络建立标定试样残余应力的预测模型，建立预测模型包括以下过程：
创建BP神经网络：确定神经网络的输入层节点数m，隐含层节点数n，输出层节点数l；其中电磁特征值为输入层节点，输出层为残余应力；
初始化BP神经网络：将层与层之间连接的神经元权值和阈值进行初始化；
设置训练BP神经网络参数；
训练BP神经网络，进行网络学习。
7.神经网络的学习过程，其实就是输入层和隐含层之间的权值矩阵以及隐含层和输出层之间的阈值矩阵的设定和误差修正过程；
将训练好的神经网络进行仿真，并保存已经训练好的神经元传递函数，权值和阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111124782.6A CN113916973A (zh) | 2021-09-25 | 2021-09-25 | 基于多电磁参量融合的火车车轮残余应力检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111124782.6A CN113916973A (zh) | 2021-09-25 | 2021-09-25 | 基于多电磁参量融合的火车车轮残余应力检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113916973A true CN113916973A (zh) | 2022-01-11 |
Family
ID=79236091
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111124782.6A Pending CN113916973A (zh) | 2021-09-25 | 2021-09-25 | 基于多电磁参量融合的火车车轮残余应力检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113916973A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0595117A1 (de) * | 1992-10-21 | 1994-05-04 | Fraunhofer-Gesellschaft Zur Förderung Der Angewandten Forschung E.V. | Vorrichtung zum ortsaufgelösten, zerstörungsfreien Untersuchen von magnetischen Kenngrössen |
| KR101511740B1 (ko) * | 2013-12-04 | 2015-04-16 | 한국표준과학연구원 | 바크하우젠 노이즈를 이용한 고압 환경에서 금속 재료의 물성 측정장치 |
| CN105891321A (zh) * | 2016-04-06 | 2016-08-24 | 北京工业大学 | 铁磁性材料结构力学性能的微磁检测标定方法 |
| CN105911489A (zh) * | 2016-04-10 | 2016-08-31 | 北京工业大学 | 共源双频励磁式多功能微磁信号同步检测方法 |
| CN109142057A (zh) * | 2018-09-11 | 2019-01-04 | 北京工业大学 | 铁磁性材料局域应力和应变场的巴克豪森噪声无损测量方法与系统 |
| CN109407018A (zh) * | 2018-09-11 | 2019-03-01 | 北京工业大学 | 高分辨率巴克豪森噪声与增量磁导率扫查成像系统 |
| CN111579634A (zh) * | 2020-05-21 | 2020-08-25 | 钢研纳克检测技术股份有限公司 | 一种铁磁性材料表面残余应力的抽样评估方法 |
| CN113109421A (zh) * | 2021-04-19 | 2021-07-13 | 北京工业大学 | 适用于凹曲面的微磁无损检测传感器 |
-
2021
- 2021-09-25 CN CN202111124782.6A patent/CN113916973A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0595117A1 (de) * | 1992-10-21 | 1994-05-04 | Fraunhofer-Gesellschaft Zur Förderung Der Angewandten Forschung E.V. | Vorrichtung zum ortsaufgelösten, zerstörungsfreien Untersuchen von magnetischen Kenngrössen |
| KR101511740B1 (ko) * | 2013-12-04 | 2015-04-16 | 한국표준과학연구원 | 바크하우젠 노이즈를 이용한 고압 환경에서 금속 재료의 물성 측정장치 |
| CN105891321A (zh) * | 2016-04-06 | 2016-08-24 | 北京工业大学 | 铁磁性材料结构力学性能的微磁检测标定方法 |
| CN105911489A (zh) * | 2016-04-10 | 2016-08-31 | 北京工业大学 | 共源双频励磁式多功能微磁信号同步检测方法 |
| CN109142057A (zh) * | 2018-09-11 | 2019-01-04 | 北京工业大学 | 铁磁性材料局域应力和应变场的巴克豪森噪声无损测量方法与系统 |
| CN109407018A (zh) * | 2018-09-11 | 2019-03-01 | 北京工业大学 | 高分辨率巴克豪森噪声与增量磁导率扫查成像系统 |
| CN111579634A (zh) * | 2020-05-21 | 2020-08-25 | 钢研纳克检测技术股份有限公司 | 一种铁磁性材料表面残余应力的抽样评估方法 |
| CN113109421A (zh) * | 2021-04-19 | 2021-07-13 | 北京工业大学 | 适用于凹曲面的微磁无损检测传感器 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101131314B (zh) | 一种铁基体上镍镀层的无损测厚方法 | |
| CN104155361A (zh) | 一种基于带铁芯线圈探头的脉冲涡流电磁无损检测方法 | |
| CN104374468B (zh) | 一种细长物体固有频率测量方法 | |
| AU2002216205B2 (en) | Measurement of stress in a ferromagnetic material | |
| Ma et al. | A method for improving SNR of drill pipe leakage flux testing signals by means of magnetic concentrating effect | |
| CN112903162B (zh) | 一种利用矫顽力评价天然气管道环焊缝残余应力分布特征的方法 | |
| CN106524892A (zh) | 一种基于涡流磁导率测量的钢管壁厚测量方法 | |
| CN104165923A (zh) | 金属线材/管材无损探伤装置 | |
| CN109668506B (zh) | 一种基于涡流稳态特性的磁性金属材料厚度检测方法 | |
| CN106289042A (zh) | 一种钢管剩余壁厚磁化脉冲涡流测量方法与装置 | |
| CN105717191A (zh) | 磁巴克豪森噪声信号和磁性参数的检测方法和装置 | |
| CN106940343A (zh) | 一种基于阵列电磁传感器的材料微损伤检测方法及系统 | |
| CN110672714A (zh) | 一种非接触式桥梁腐蚀钢筋磁感应检测方法 | |
| CN106525891B (zh) | 检测古代壁画支撑体内水分分布的磁共振检测方法 | |
| CN113916973A (zh) | 基于多电磁参量融合的火车车轮残余应力检测方法 | |
| CN205538817U (zh) | 磁巴克豪森噪声信号和磁性参数的检测装置 | |
| CN107884473A (zh) | 一种多频涡流检测系统 | |
| CN103278698A (zh) | 一种取向硅钢铁损值的测量装置及方法 | |
| CN114764086B (zh) | 基于偏置磁化下涡流检测差动磁导率的管道内检测方法 | |
| CN205507054U (zh) | 软磁材料基本磁滞回线测量装置 | |
| CN206223733U (zh) | 自感知工作点的磁致伸缩导波检测装置 | |
| CN100449254C (zh) | 一种非金属材料厚度的电磁检测方法 | |
| Roy et al. | An electromagnetic sensing device for microstructural phase determination of steels through non-destructive evaluation | |
| CN109597007B (zh) | 用于无取向硅钢磁性能检测的半开路式装置、测量系统及测量方法 | |
| CN209961733U (zh) | 一种磁声复合无损检测装置及系统 |
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: 20220111 |