CN114324582A - 一种基于hht与神经网络的复合材料板分层缺陷空耦超声检测方法 - Google Patents
一种基于hht与神经网络的复合材料板分层缺陷空耦超声检测方法 Download PDFInfo
- Publication number
- CN114324582A CN114324582A CN202111510765.6A CN202111510765A CN114324582A CN 114324582 A CN114324582 A CN 114324582A CN 202111510765 A CN202111510765 A CN 202111510765A CN 114324582 A CN114324582 A CN 114324582A
- Authority
- CN
- China
- Prior art keywords
- neural network
- detection
- hht
- output
- 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
Images
Abstract
本发明是一种基于HHT与神经网络的复合材料板分层缺陷空耦超声检测方法。本发明涉及复合材料缺陷检测技术领域本发明通过确定空耦换能器激励频率与倾角;进行EMD分解,提取出固有模态函数;建立BP神经网络,并进行网络学习;基于建立的BP神经网络对分层的缺陷深度、宽度和长度进行识别。在检测过程中以空气作为传输媒质代替了传统超声无损检测中的耦合剂,因而可以从根本上避免耦合材料对待测件带来的二次污染问题,使得在检测过程中具有完全无接触、无侵入和无损害的优势延长空气耦合超声换能器的使用寿命,使得空耦超声Lamb波检测实现在线快速检测,适用于不可使用耦合剂进行接触检测的复合材料板的分层缺陷超声检测。
Description
技术领域
本发明涉及复合材料缺陷检测技术领域,是一种基于HHT与神经网络的复合材料板分层缺陷空耦超声检测方法。
背景技术
现如今,早期人们所依赖的各种单一的金属材料以及合金材料越来越难以满足人们对所用材料的高要求,尤其是在前沿的科学技术研究领域。复合材料由此应运而生,正被广泛的用于航空航天工程、桥梁、船舶、汽车工程、医疗器械等各种领域。复合材料具有密度低、强度大、模量高、耐磨损、耐高温、抗磁性强、抗腐蚀性强、抗疲劳等特点,已被广泛成熟地应用于航空领域中。随着复合材料的广泛应用,其引起的安全性和可靠性问题也越来越受到使用者的关注。因为材料本身的缺陷,或者一些由复合材料制造而成的构件和设备在使用的过程中造成的材料的缺陷,都会给使用者带来安全隐患,甚至造成巨大的损失。因此研究能够有效检测出复合材料板缺陷的无损检测方法,对于及时发现试件缺陷,减少社会经济损失,有着重要意义。
兰姆波Lamb是一种典型的超声波,它可以在均匀的平板结构内进行远距离传播,并且能够敏感感知平板结构的细微损伤。当Lamb波在传播中遇到结构损伤,传播特性会明显发生改变。因此,超声Lamb波被广泛应用于板状结构的损伤检测。比如在航空飞行器的结构健康检测中,常采用Lamb波对机身机翼等大面积材料结构进行快速检测和数据提取,可对监控数据进行实时提取,快速分析得出结论。
随着显微机械加工技术的发展以及高分子材料技术的进步,高效率、高灵敏度的空气耦合式超声波换能器的制作取得了较大的突破,加上低噪声、高增益的放大器的研制及计算机信号处理技术的发展,使空气耦合式超声波无损检测技术有了长足的进步,并在无损检测领域获得了较好的应用成果。
传统的Lamb波信息提取方法是Cross-borehole法,该方法在很多工业技术工程上都取得不错的效果,但其所需传感器数量多,排布密集,在大面积的结构损伤检测中,还有待进一步优化。近年来,许多信号时频分析方法被研究并用于处理Lamb波信号。其中应用最普遍也较为成功的方法就是希尔伯特-黄变换,简称HHT。神经网络作为一种自适应的模式识别技术,并不需要预先给出有关模式的经验知识和判别函数,它通过自身的学习机制自动形成所要求的决策区域。网络的特性由其拓扑结构、神经元特性、学习和训练规则所决定。它可充分利用状态而获得某种映射关系。而且网络可以连续学习,如果环境发生改变,这种映射关系也可以自适应地进行调整。本发明使用空耦超声Lamb波结合HHT和神经网络实现复合材料板的分层缺陷超声检测,同时对分层缺陷深度、宽度以及长度等信息进行识别与表征。本发明采用空气耦合技术消除了耦合剂的影响,增强了检测的灵活性、提高了检测效率,有利于实现大面积的结构损伤检测。与此同时,本发明结合HHT与神经网络在对复合材料板分层缺陷检测有无的基础上,实现分层缺陷深度、宽度以及长度等信息的准确、快速识别与表征。
发明内容
本发明为了实现对复合材料板分层缺陷的深度、宽度以及长度的检测,本发明提供了一种基于HHT与神经网络的复合材料板分层缺陷空耦超声检测方法,本发明提供了以下技术方案:
一种基于HHT与神经网络的复合材料板分层缺陷空耦超声检测方法,包括以下步骤:
步骤1:确定空耦换能器激励频率与倾角;
步骤2:进行EMD分解,提取出固有模态函数;
步骤3:建立BP神经网络,并进行网络学习;基于建立的BP神经网络对分层的缺陷深度、宽度和长度进行识别。
优选地,所述步骤1具体为:
步骤1.1:导波具有对称模态和反对称模态以及频散特性,在相同的激励频率下激励出多阶对称模态S0,S1,…,Si,与反对称模态A0,A1,…,Ai;为了空耦换能器在待测件中激励出较为纯净的模态,根据导波的频散曲线结合待检测件的厚度可知发射空耦换能器的激励频率应小于某一上限值f0;
步骤1.2:根据空耦换能器实际性能确定激励频率f,对称模态的面内位移较大,反对称模态的面外位移较大,采用反对称模态进行空耦超声检测;
步骤1.3:当频厚积即频率和待测件厚度的乘积,确定之后,反对称模态A0的群速度可知,确定空耦换能器的倾斜角θ。
优选地,所述步骤2具体为:
步骤2.1:根据三次样条函数对局部极大值点和极小值点进行拟合分别得到上下包络线;
步骤2.2:计算上下包络线的均值m(t);
步骤2.3:通过做减法,得到第一个组件h(t)=f(t)-m(t);当h(t)不满足IMF的两个条件,就把h(t)当成原始信号,重复步骤2.1-2.3直到满足条件为止;
定义一个IMF:I1(t)=h(t),剩余量r(t)=f(t)-I1(t)仍然包含具有更长周期组件的信息,获得I2(t),I3(t),…,当r(t)满足了单调序列或常值序列条件,则停止筛选,认为已完成提取内在模函数的任务,最后的r(t)作为余项,作为原始信号的趋势项;
根据以上步骤将原始信号分解成n个IMF分量Ii(t)及1个趋势项r(t):
将任一IMF分量Ii(t)进行Hilbert变换:
其中,P是Cauchy主值;
构造解析信号Zi(t):
其中,ai(t)表示解析信号的瞬时幅值,θi(t)表示解析信号的瞬时相位;
IMF分量的瞬时频率:
优选地,在同一时频空间内,表示各IMF分量的瞬时幅值与时间和瞬时频率的对应关系,就得到信号的Hilbert谱H(ω,t),频谱全面反映信号能量在时频域的分布;由公式(5)获得边际谱h(ω),反映了信号不同频率分量的能量大小;由公式(6)获得瞬时能量水平,反映了信号不同时刻能量的变化:
h(ω)=∫H(ω,t)dt (5)
优选地,所述步骤3建立神经网络具体为:
三层BP神经网络的神经元用一个节点表示,网络由输入层、隐含层和输出层节点组成;前层节点与后层节点通过权值连接,即拓扑结构为有向无环图的前向网络;
设BP神经网络的输入向量为x,输入层神经元有m个;输出向量为y,输出层神经元有n个,输入输出样本对长度为L;正向传播中,输入信号从输入层经隐含层传向输出层;当输出层得到了期望的输出,学习算法结束;否则,转至反向传播;反向传播是将误差信号,样本输出与网络输出之差,按原连接通路反向计算,由梯度下降法调整各层神经元的权值,使误差信号减小。
优选地,所述BP神经网络学习具体为:
设置初始权值,为较小的随机非零值;
给定输入/输出样本对,计算网络的输出;
设第p组样本输入:
xp=(x1p,x2p,…,xmp)
第p组样本输出:dp=(d1p,d2p,…,dnp),其中,p=1,2,…,L,节点i在第p组样本输入时,输出为yip:
其中,Ijp是在第p组样本输入时,节点i的第j个输入;
f(·)取可微的S型作用函数,:
计算网络的目标函数
设Ep为第p组样本输入时,网络的目标函数,则
其中,ykp(t)是在第p组样本输入时,经t次权值调整后网络的输出;k为输出层第k个节点;
网络的总目标函数为:
总目标函数作为对网络学习状态的评价;
停止判别:当J(t)≤ε,则结束;ε是预先确定的,ε>0;
否则,进行反向传播计算,由输出层,依据J,按梯度下降法反向计算,可逐层调整权值,取步长为常值,得到神经元j到神经元i的连接权值,t+1次调整算式为:
其中,η为步长。
优选地,所述步骤3中对分层的缺陷深度、宽度和长度进行识别具体为:
在复合材料板试样的一侧,按照确定好的倾斜角θ放置空耦换能器,设置激励与接收空耦换能器之间的距离为L;采用同侧相向检测法,并使用A0模态对复合材料板进行分层缺陷检测;根据确定的空耦换能器中心频率f,采用超声测试系统产生激励信号,经过50欧姆负载进行阻抗匹配,并经过低通滤波器后,施加在激励空耦换能器上,在接收位置用接收空耦换能器接收回波,并通过前置放大器由超声测试系统接收;
对人为设置的具有不同深度、不同宽度以及不同长度的分层缺陷的复合材料板通过空耦超声Lamb波检测获得的接收信号进行HHT获得Hilbert谱、HHT边际谱以及瞬时能量谱等,进而获得损伤检测中的时间延迟、能量损耗等特征;将以上特征值作为输入,对应的深度、宽度以及长度作为输出,输入到BP神经网络进行决策;
通过获得N组样本,选取N组样本的90%作为神经网络的训练样本,其余N组样本的10%作为测试样本,用来验证训练得到的网络;
在实际检测中,将实际接收信号进行上述HHT获得时间延迟、能量损耗等特征,输入到训练好的神经网络模型中,实现对复合材料板分层缺陷的深度、宽度以及长度的表征。
本发明具有以下有益效果:
本发明采用空耦超声Lamb波检测,在检测过程中以空气作为传输媒质代替了传统超声无损检测中的耦合剂,因而可以从根本上避免耦合材料对待测件带来的二次污染问题,使得在检测过程中具有完全无接触、无侵入和无损害的优势,也可大大延长空气耦合超声换能器的使用寿命,使得空耦超声Lamb波检测实现在线快速检测,适用于不可使用耦合剂进行接触检测的复合材料板的分层缺陷超声检测。本发明结合HHT与神经网络在对复合材料板分层缺陷检测有无的基础上,实现分层缺陷深度、宽度以及长度等信息的准确、快速识别与表征。相比于只根据采集信号的时域幅值大小等有限特征信息进行检测的传统方法,本发明利用HHT获得时间延迟、能量损耗等更多时域及频域特征信息,提高缺陷检测的准确率。通过神经网络训练得到能够根据时间延迟、能量损耗等特征信息对分层缺陷深度、宽度以及长度等信息进行识别的网络模型,实现分层缺陷的准确、快速、多维度表征。
附图说明
图1是导波频散特性曲线;
图2是HHT流程图;
图3是BP神经网络的拓扑结构图;
图4是空耦超声Lamb波同侧相向检测示意图。
具体实施方式
以下结合具体实施例,对本发明进行了详细说明。
具体实施例一:
根据图1至图4所示,本发明根据Lamb频散曲线与Snell定律确定空耦换能器的中心频率为f、倾角为θ。在复合材料板的一侧,按照倾角要求放置空耦换能器,并设置激励与接收空耦换能器之间的距离为L。采用同侧相向检测法,并使用A0模态对复合材料板进行分层缺陷检测。对人为设置的具有不同深度、不同宽度以及不同长度的分层缺陷的复合材料板通过空耦超声Lamb波检测获得的接收信号进行HHT获得Hilbert谱、HHT边际谱以及瞬时能量谱等,进而获得损伤检测中的时间延迟、能量损耗等特征。将以上特征值作为输入,对应的深度、宽度以及长度作为输出,输入到BP神经网络进行决策。通过多组实验获得多组样本,选取一部分样本作为神经网络的训练样本,另一部分样本作为测试样本,用来验证训练得到的网络。在实际检测中,将实际接收信号进行上述HHT获得时间延迟、能量损耗等特征,输入到训练好的神经网络模型中,实现对复合材料板分层缺陷的深度、宽度以及长度的表征。
为解决上述技术问题采取的具体优化技术方案是:本发明涉及一种基于HHT与神经网络的复合材料板分层缺陷空耦超声检测方法:
步骤1:确定空耦换能器激励频率与倾角,结合附图1具体说明空耦换能器激励频率与倾角的确定。导波具有对称模态和反对称模态以及频散特性,在相同的激励频率下可能激励出多阶对称模态(S0,S1,…,Si)与反对称模态(A0,A1,…,Ai)。为了空耦换能器在待测件中激励出较为纯净的模态,根据导波的频散曲线结合待检测件的厚度可知发射空耦换能器的激励频率应小于某一上限值f0。随后,根据空耦换能器实际性能确定激励频率f。根据研究分析可知,对称模态的面内位移较大,反对称模态的面外位移较大,故采用反对称模态进行空耦超声检测。当频厚积(频率×待测件厚度)确定之后,反对称模态A0的群速度也可知,继而根据斯涅尔定律的第一临界折射角结合空气中的传播速度确定空耦换能器的倾斜角θ。
步骤2:进行EMD分解,提取出固有模态函数;参照图2具体说明HHT原理。HHT分为经验模态分解(EMD)和Hilbert变换两个步骤。EMD分解的核心理念是利用时间序列上、下包络的平均值来确定原始信号的“瞬时平衡位置”,再进一步提取出固有模态函数(IMF)。IMF分量是一种数据序列,需要同时满足两个条件:所有极大值点形成的包络线和所有极小值点形成的包络线的平均值为零,这样可以避免瞬时频率收到非对称波形的影响;整个数据范围内,极值点和零交叉点的数量需要相等,最多相差一个。
EMD分解步骤如下:
1.根据三次样条函数对局部极大值点和极小值点进行拟合分别得到上下包络线。
2.计算上下包络线的均值m(t)。
3.通过做减法,得到第一个组件h(t)=f(t)-m(t);如果h(t)不满足IMF的两个条件,就把h(t)当成原始信号,再重复步骤1-3,直到满足条件为止,定义一个IMF:I1(t)=h(t)。剩余量r(t)=f(t)-I1(t)仍然包含具有更长周期组件的信息,因此把它看作一个新的信号,重复上述过程,可以获得I2(t),I3(t),…,当r(t)满足了单调序列或常值序列条件,则停止筛选,认为已完成提取内在模函数的任务,最后的r(t)作为余项,它是原始信号的趋势项。
根据以上步骤可将原始信号分解成n个IMF分量Ii(t)及1个趋势项r(t):
将任一IMF分量Ii(t)进行Hilbert变换:
式中,P是Cauchy主值。
构造解析信号Zi(t):
式中,ai(t)表示解析信号的瞬时幅值,θi(t)表示解析信号的瞬时相位。
IMF分量的瞬时频率:
在同一时频空间内,表示各IMF分量的瞬时幅值与时间和瞬时频率的对应关系,就得到信号的Hilbert谱H(ω,t),该频谱能够全面反映信号能量在时频域的分布。另外,由公式(5)可以获得边际谱h(ω),它反映了信号不同频率分量的能量大小;由公式(6)可以获得瞬时能量水平,它反映了信号不同时刻能量的变化:
h(ω)=∫H(ω,t)dt (5)
步骤3:建立BP神经网络,并进行网络学习;基于建立的BP神经网络对分层的缺陷深度、宽度和长度进行识别。参照图3具体说明BP神经网络原理。三层BP神经网络的结构如图3所示,神经元用一个节点表示。网络由输入层、隐含层和输出层节点组成。前层节点与后层节点通过权值连接,即拓扑结构为有向无环图的前向网络。
设BP神经网络的输入向量为x,输入层神经元有m个;输出向量为y,输出层神经元有n个,输入输出样本对长度为L。BP学习算法由正向传播和反向传播组成。正向传播中,输入信号从输入层经隐含层传向输出层。若输出层得到了期望的输出,学习算法结束;否则,转至反向传播。反向传播是将误差信号(样本输出与网络输出之差)按原连接通路反向计算,由梯度下降法调整各层神经元的权值,使误差信号减小。
BP算法学习步骤如下:
1.设置初始权值,它是较小的随机非零值。
2.给定输入/输出样本对,计算网络的输出。
设第p组样本输入:xp=(x1p,x2p,…,xmp),第p组样本输出:dp=(d1p,d2p,…,dnp),其中,p=1,2,…,L,节点i在第p组样本输入时,输出为yip:
式中,Ijp是在第p组样本输入时,节点i的第j个输入。
f(·)取可微的S型作用函数,即
3.计算网络的目标函数
设Ep为第p组样本输入时,网络的目标函数,则
式中,ykp(t)是在第p组样本输入时,经t次权值调整后网络的输出;k为输出层第k个节点。
网络的总目标函数为:
总目标函数作为对网络学习状态的评价。
4.算法停止判别:若J(t)≤ε,则算法结束。ε是预先确定的,ε>0;否则,转至步骤5。
5.反向传播计算
由输出层,依据J,按梯度下降法反向计算,可逐层调整权值。取步长为常值,可得到神经元j到神经元i的连接权值,t+1次调整算式为:
式中,η为步长,在此称为学习算子。
分层缺陷深度、宽度及长度的识别与表征:
结合附图4具体说明分层缺陷深度、宽度及长度的识别。在复合材料板试样的一侧,按照之前确定好的倾斜角θ放置空耦换能器,设置激励与接收空耦换能器之间的距离为L。采用同侧相向检测法,并使用A0模态对复合材料板进行分层缺陷检测。根据上述确定的空耦换能器中心频率f,采用超声测试系统产生激励信号,经过50欧姆负载进行阻抗匹配,并经过低通滤波器后,施加在激励空耦换能器上,在接收位置用接收空耦换能器接收回波,并通过前置放大器由超声测试系统接收。
对人为设置的具有不同深度、不同宽度以及不同长度的分层缺陷的复合材料板通过空耦超声Lamb波检测获得的接收信号进行HHT获得Hilbert谱、HHT边际谱以及瞬时能量谱等,进而获得损伤检测中的时间延迟、能量损耗等特征。将以上特征值作为输入,对应的深度、宽度以及长度作为输出,输入到BP神经网络进行决策。通过多次实验获得N组样本,选取N组样本的90%作为神经网络的训练样本,其余N组样本的10%作为测试样本,用来验证训练得到的网络。在实际检测中,将实际接收信号进行上述HHT获得时间延迟、能量损耗等特征,输入到训练好的神经网络模型中,实现对复合材料板分层缺陷的深度、宽度以及长度的表征。
以上所述仅是一种基于HHT与神经网络的复合材料板分层缺陷空耦超声检测方法的优选实施方式,一种基于HHT与神经网络的复合材料板分层缺陷空耦超声检测方法的保护范围并不仅局限于上述实施例,凡属于该思路下的技术方案均属于本发明的保护范围。应当指出,对于本领域的技术人员来说,在不脱离本发明原理前提下的若干改进和变化,这些改进和变化也应视为本发明的保护范围。
Claims (7)
1.一种基于HHT与神经网络的复合材料板分层缺陷空耦超声检测方法,其特征是:包括以下步骤:
步骤1:确定空耦换能器激励频率与倾角;
步骤2:进行EMD分解,提取出固有模态函数;
步骤3:建立BP神经网络,并进行网络学习;基于建立的BP神经网络对分层的缺陷深度、宽度和长度进行识别。
2.根据权利要求1所述的一种基于HHT与神经网络的复合材料板分层缺陷空耦超声检测方法,其特征是:所述步骤1具体为:
步骤1.1:导波具有对称模态和反对称模态以及频散特性,在相同的激励频率下激励出多阶对称模态S0,S1,…,Si,与反对称模态A0,A1,…,Ai;为了空耦换能器在待测件中激励出较为纯净的模态,根据导波的频散曲线结合待检测件的厚度可知发射空耦换能器的激励频率应小于某一上限值f0;
步骤1.2:根据空耦换能器实际性能确定激励频率f,对称模态的面内位移较大,反对称模态的面外位移较大,采用反对称模态进行空耦超声检测;
步骤1.3:当频厚积即频率和待测件厚度的乘积,确定之后,反对称模态A0的群速度可知,确定空耦换能器的倾斜角θ。
3.根据权利要求2所述的一种基于HHT与神经网络的复合材料板分层缺陷空耦超声检测方法,其特征是:所述步骤2具体为:
步骤2.1:根据三次样条函数对局部极大值点和极小值点进行拟合分别得到上下包络线;
步骤2.2:计算上下包络线的均值m(t);
步骤2.3:通过做减法,得到第一个组件h(t)=f(t)-m(t);当h(t)不满足IMF的两个条件,就把h(t)当成原始信号,重复步骤2.1-2.3直到满足条件为止;
定义一个IMF:I1(t)=h(t),剩余量r(t)=f(t)-I1(t)仍然包含具有更长周期组件的信息,获得I2(t),I3(t),…,当r(t)满足了单调序列或常值序列条件,则停止筛选,认为已完成提取内在模函数的任务,最后的r(t)作为余项,作为原始信号的趋势项;
根据以上步骤将原始信号分解成n个IMF分量Ii(t)及1个趋势项r(t):
将任一IMF分量Ii(t)进行Hilbert变换:
其中,P是Cauchy主值;
构造解析信号Zi(t):
其中,ai(t)表示解析信号的瞬时幅值,θi(t)表示解析信号的瞬时相位;
IMF分量的瞬时频率:
5.根据权利要求4所述的一种基于HHT与神经网络的复合材料板分层缺陷空耦超声检测方法,其特征是:所述步骤3建立神经网络具体为:
三层BP神经网络的神经元用一个节点表示,网络由输入层、隐含层和输出层节点组成;前层节点与后层节点通过权值连接,即拓扑结构为有向无环图的前向网络;
设BP神经网络的输入向量为x,输入层神经元有m个;输出向量为y,输出层神经元有n个,输入输出样本对长度为L;正向传播中,输入信号从输入层经隐含层传向输出层;当输出层得到了期望的输出,学习算法结束;否则,转至反向传播;反向传播是将误差信号,样本输出与网络输出之差,按原连接通路反向计算,由梯度下降法调整各层神经元的权值,使误差信号减小。
6.根据权利要求5所述的一种基于HHT与神经网络的复合材料板分层缺陷空耦超声检测方法,其特征是:所述BP神经网络学习具体为:
设置初始权值,为较小的随机非零值;
给定输入/输出样本对,计算网络的输出;
设第p组样本输入:
xp=(x1p,x2p,…,xmp)
第p组样本输出:dp=(d1p,d2p,…,dnp),其中,p=1,2,…,L,节点i在第p组样本输入时,输出为yip:
其中,Ijp是在第p组样本输入时,节点i的第j个输入;
f(·)取可微的S型作用函数,:
计算网络的目标函数
设Ep为第p组样本输入时,网络的目标函数,则
其中,ykp(t)是在第p组样本输入时,经t次权值调整后网络的输出;k为输出层第k个节点;
网络的总目标函数为:
总目标函数作为对网络学习状态的评价;
停止判别:当J(t)≤ε,则结束;ε是预先确定的,ε>0;
否则,进行反向传播计算,由输出层,依据J,按梯度下降法反向计算,可逐层调整权值,取步长为常值,得到神经元j到神经元i的连接权值,t+1次调整算式为:
其中,η为步长。
7.根据权利要求6所述的一种基于HHT与神经网络的复合材料板分层缺陷空耦超声检测方法,其特征是:所述步骤3中对分层的缺陷深度、宽度和长度进行识别具体为:
在复合材料板试样的一侧,按照确定好的倾斜角θ放置空耦换能器,设置激励与接收空耦换能器之间的距离为L;采用同侧相向检测法,并使用A0模态对复合材料板进行分层缺陷检测;根据确定的空耦换能器中心频率f,采用超声测试系统产生激励信号,经过50欧姆负载进行阻抗匹配,并经过低通滤波器后,施加在激励空耦换能器上,在接收位置用接收空耦换能器接收回波,并通过前置放大器由超声测试系统接收;
对人为设置的具有不同深度、不同宽度以及不同长度的分层缺陷的复合材料板通过空耦超声Lamb波检测获得的接收信号进行HHT获得Hilbert谱、HHT边际谱以及瞬时能量谱等,进而获得损伤检测中的时间延迟、能量损耗等特征;将以上特征值作为输入,对应的深度、宽度以及长度作为输出,输入到BP神经网络进行决策;
通过获得N组样本,选取N组样本的90%作为神经网络的训练样本,其余N组样本的10%作为测试样本,用来验证训练得到的网络;
在实际检测中,将实际接收信号进行上述HHT获得时间延迟、能量损耗等特征,输入到训练好的神经网络模型中,实现对复合材料板分层缺陷的深度、宽度以及长度的表征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111510765.6A CN114324582A (zh) | 2021-12-10 | 2021-12-10 | 一种基于hht与神经网络的复合材料板分层缺陷空耦超声检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111510765.6A CN114324582A (zh) | 2021-12-10 | 2021-12-10 | 一种基于hht与神经网络的复合材料板分层缺陷空耦超声检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114324582A true CN114324582A (zh) | 2022-04-12 |
Family
ID=81050082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111510765.6A Pending CN114324582A (zh) | 2021-12-10 | 2021-12-10 | 一种基于hht与神经网络的复合材料板分层缺陷空耦超声检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114324582A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114994177A (zh) * | 2022-05-26 | 2022-09-02 | 哈尔滨工业大学 | 复合板材超声缺陷检测方法及装置和复合板材 |
CN114994175A (zh) * | 2022-05-18 | 2022-09-02 | 国营芜湖机械厂 | 模态分解双谱分析的空耦超声应力检测装置及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140216158A1 (en) * | 2011-08-17 | 2014-08-07 | Sergio José Sanabria Martin | Air coupled ultrasonic contactless method for non-destructive determination of defects in laminated structures |
CN108490079A (zh) * | 2018-03-19 | 2018-09-04 | 哈尔滨工业大学 | 一种基于超声换能器的波束成形方法 |
CN113012123A (zh) * | 2021-03-13 | 2021-06-22 | 山东大学 | 碳纤维复合材料缺陷损伤分类识别与定量分析方法及系统 |
CN113720916A (zh) * | 2021-09-02 | 2021-11-30 | 哈尔滨工业大学 | 基于缺陷概率重构算法的空气耦合超声检测方法及装置 |
-
2021
- 2021-12-10 CN CN202111510765.6A patent/CN114324582A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140216158A1 (en) * | 2011-08-17 | 2014-08-07 | Sergio José Sanabria Martin | Air coupled ultrasonic contactless method for non-destructive determination of defects in laminated structures |
CN108490079A (zh) * | 2018-03-19 | 2018-09-04 | 哈尔滨工业大学 | 一种基于超声换能器的波束成形方法 |
CN113012123A (zh) * | 2021-03-13 | 2021-06-22 | 山东大学 | 碳纤维复合材料缺陷损伤分类识别与定量分析方法及系统 |
CN113720916A (zh) * | 2021-09-02 | 2021-11-30 | 哈尔滨工业大学 | 基于缺陷概率重构算法的空气耦合超声检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
吴君豪: "C/SiC复合材料的空气耦合超声检测研究", 《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 (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114994175A (zh) * | 2022-05-18 | 2022-09-02 | 国营芜湖机械厂 | 模态分解双谱分析的空耦超声应力检测装置及方法 |
CN114994175B (zh) * | 2022-05-18 | 2023-01-17 | 国营芜湖机械厂 | 模态分解双谱分析的空耦超声应力检测装置及方法 |
CN114994177A (zh) * | 2022-05-26 | 2022-09-02 | 哈尔滨工业大学 | 复合板材超声缺陷检测方法及装置和复合板材 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sohn et al. | Combination of a time reversal process and a consecutiv outlier analysis for baseline-free damage diagnosis | |
Margrave et al. | The use of neural networks in ultrasonic flaw detection | |
CN114324582A (zh) | 一种基于hht与神经网络的复合材料板分层缺陷空耦超声检测方法 | |
Feng et al. | Locating defects in anisotropic CFRP plates using ToF-based probability matrix and neural networks | |
Guan et al. | Quantitative ultrasonic testing for near-surface defects of large ring forgings using feature extraction and GA-SVM | |
Huang et al. | CNN-LSTM network-based damage detection approach for copper pipeline using laser ultrasonic scanning | |
CN114061805A (zh) | 一种用于纤维增强复合材料的空气耦合Lamb波非线性超声应力检测方法、系统及装置 | |
Pyle et al. | Uncertainty quantification for deep learning in ultrasonic crack characterization | |
CN114235241A (zh) | 基于莫尔圆应力原理的非线性超声应力检测方法及装置、复合材料平面应力检测方法 | |
CN114330435A (zh) | 一种基于动态权重小波系数深度残余网络的复合材料缺陷检测方法 | |
Chen et al. | Automatic classification of welding defects from ultrasonic signals using an SVM-based RBF neural network approach | |
Sattarifar et al. | Damage localization and characterization using one-dimensional convolutional neural network and a sparse network of transducers | |
Banbrook et al. | How to extract Lyapunov exponents from short and noisy time series | |
Mahmoud et al. | Neural network solution of the inverse vibration problem | |
Chen et al. | Ultrasonic signal classification and porosity testing for CFRP materials via artificial neural network | |
CN108918668B (zh) | 基于公共外切圆的复合材料椭圆损伤定位检测方法 | |
Addin et al. | Prediction and detection of failures in laminated composite materials using neural networks-a review | |
Katragadda et al. | Neuro-fuzzy systems in ultrasonic weld evaluation | |
Brandt | Recurrence Quantification Compared to Fourier Analysis for Ultrasonic Non-Destructive Testing of Carbon Fibre Reinforced Polymers | |
Liang et al. | Study on ultrasonic detection pattern recognition of natural gas steel pipeline defects | |
CN114235957A (zh) | 一种多层粘接结构界面脱粘缺陷检测方法 | |
Lv et al. | A pipeline defect estimation method based on supervised learning fusion model | |
Guo et al. | Delamination Depth Evaluation in Near-Surface of GFRP Laminates Based on RQA-MKLSVM Model | |
Kim et al. | Automated debonding characterization in reinforced structures based on finite element analysis and convolutional neural networks | |
Acciani et al. | Automatic evaluation of flaws in pipes by means of ultrasonic waveforms and neural networks |
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 |