CN114371217A - 一种基于密集阵列的智能兰姆波缺陷定位方法 - Google Patents

一种基于密集阵列的智能兰姆波缺陷定位方法 Download PDF

Info

Publication number
CN114371217A
CN114371217A CN202111426705.6A CN202111426705A CN114371217A CN 114371217 A CN114371217 A CN 114371217A CN 202111426705 A CN202111426705 A CN 202111426705A CN 114371217 A CN114371217 A CN 114371217A
Authority
CN
China
Prior art keywords
analysis
detection
population
individual
distance
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
CN202111426705.6A
Other languages
English (en)
Inventor
刘增华
陈洪磊
鲁朝静
吴斌
何存富
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.)
Beijing University of Technology
Original Assignee
Beijing University 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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202111426705.6A priority Critical patent/CN114371217A/zh
Publication of CN114371217A publication Critical patent/CN114371217A/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
    • 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
    • G01N29/041—Analysing solids on the surface of the material, e.g. using Lamb, Rayleigh or shear waves
    • 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
    • G01N29/07—Analysing solids by measuring propagation velocity or propagation time of acoustic waves
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/023—Solids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/028—Material parameters
    • G01N2291/0289—Internal structure, e.g. defects, grain size, texture
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/04—Wave modes and trajectories
    • G01N2291/042—Wave modes
    • G01N2291/0427—Flexural waves, plate waves, e.g. Lamb waves, tuning fork, cantilever

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于密集阵列的智能兰姆波缺陷定位方法，智能缺陷定位方法主要包含检测分析函数模型和智能分析算法2个部分。检测分析函数模型主要由2个基于直达时间飞行法DTFM和飞行时间差法FTDM构建的种群残差计算函数、1个约束函数和1个优化函数组成；基于改善后的进化策略对分析函数模型进行分析，由分析保留个体分布确定缺陷位置。本发明改善了传统检测技术中声场指向性对检测结果的影响，能够快速实现大型板壳结构缺陷的定位检测。

Description

一种基于密集阵列的智能兰姆波缺陷定位方法
技术领域
本发明属于超声无损检测领域，具体涉及一种应用于大型板壳结构的基于密集阵列的智能兰姆波缺陷定位方法。
背景技术
金属和复合材料板壳结构是飞机、船舶、能源储罐等设施的重要结构组成部分，其结构健康状况与人们的生产和生活息息相关。板壳结构在加工和服役期间受加工工艺和外界载荷作用出现各类缺陷，例如：金属板中的疲劳裂纹、腐蚀过孔，复合材料板中的缩孔、分层、脱粘等缺陷。基于密集阵列的兰姆波(Lamb waves)检测技术通过布局在结构局部区域的传感器阵列对板壳中的缺陷进行远距离、快速的检测与监测。随着现代工业对结构安全要求的不断提高，检测技术的自动化、图形化、智能化已成为一种趋势。融合智能算法和密集阵列兰姆波检测技术，发展智能兰姆波缺陷定位方法，对推进大型板壳结构缺陷检测的智能化、定量化具有重要的意义。
目前基于密集阵列和兰姆波检测技术的智能化大型板壳结构缺陷检测技术的研究仍处于初步阶段，许多问题亟待解决，主要包括：1.密集阵列兰姆波缺陷检测结果的分辨率受声场指向性影响较大，且影响程度分别随阵元数目的减少和阵元分布密集程度的增大而增大；2.结合兰姆波缺陷定位原理，确定缺陷定位函数模型及约束函数模型组成，保证检测分析理论的稳定性；3.如何结合传统兰姆波缺陷检测技术特点对智能分析算法中的种群筛选、个体更新及截止判据等步骤进行设计，保证算法的收敛性和检测的稳定性。
发明内容
本发明的目的是，提出一种基于密集阵列的智能兰姆波缺陷定位方法，可用于实现大型板壳结构缺陷的检测。
综合以上提出的问题，本专利将传统的缺陷定位问题转化为二维空间(x,y)中散射点源的搜索问题进行分析，提出了一种融合直达时间飞行法、飞行时间差法和群进化策略的智能兰姆波缺陷定位方法，实现密集阵列下的大型板壳结构缺陷的准确定位检测。智能缺陷定位方法主要包含检测分析函数模型和智能分析算法2个部分。检测分析函数模型主要由2个基于直达时间飞行法(Direct time of flight method,DTFM)和飞行时间差法(Flight time difference method,FTDM)构建的种群残差计算函数、1个约束函数和1个优化函数组成；基于改善后的进化策略对分析函数模型进行分析，由分析保留个体分布确定缺陷位置。
DTFM和FTDM种群残差计算函数可分别表示为(1)、(4)。DTFM通过分析由激励传感器i和检测传感器j构成检测对检测到的散射信号飞行距离
Figure BDA0003378905490000021
与种群个体pg到激励位和检测距离之和
Figure BDA0003378905490000022
的差，计算得到个体分析残差
Figure BDA0003378905490000023
FTDM通过计算散射信号到相邻检测位的传播距离之差
Figure BDA0003378905490000024
与种群个体到相应检测位距离之差
Figure BDA0003378905490000025
的差值得到个体分析残差
Figure BDA0003378905490000026
Figure BDA0003378905490000027
Figure BDA0003378905490000028
Figure BDA0003378905490000029
Figure BDA00033789054900000210
Figure BDA00033789054900000211
Figure BDA00033789054900000212
由分析模糊性控制参数δ和个体残差值
Figure BDA00033789054900000213
定义约束函数(7)。分析中保留残差值
Figure BDA00033789054900000214
在δ以内的个体用于后续分析，减少智能算法分析步数。
Figure BDA00033789054900000215
分别将各检测对分析保留种群的DTFM个体残差εD和FTDM个体残差εF进行归一化处理，然后进行线性组合得到组合分析残差εc，建立缺陷定位优化函数(8)，改善声场指向性对检测分辨率的影响。其中
Figure BDA00033789054900000216
和
Figure BDA00033789054900000217
分别为DTFM个体残差最大和最小值；
Figure BDA00033789054900000218
和
Figure BDA00033789054900000219
分别为FTDM个体残差最大和最小值。
Figure BDA00033789054900000220
智能检测分析算法核心内容包括5个部分：
步骤1：信号预处理。测量板中兰姆波传播群速度vg；检测信号减去参考信号得到由激励传感器i和检测传感器j构成检测对检测到的散射信号，提取散射信号波包的飞行时间参数
Figure BDA0003378905490000031
式(2)计算各散射信号波包飞行距离参量
Figure BDA0003378905490000032
由式(5)计算散射信号到相邻检测位j和j+1的飞行距离差
Figure BDA0003378905490000033
步骤2：算法初始化。设置最大进化代数gm；每代保留个体数目nk，模糊筛选阈值参数δ；个体最大释放数目nf及释放半径rf。依据板结构检测范围设置个体释放参数范围矢量
Figure BDA0003378905490000034
依据式(9)得到初始化种群pg＝0。分析中所有个体采用实数编码。
pg＝0(θ)＝θL+rand×(θU-θL) (9)
步骤3：种群筛选。该部分由DTFM个体筛选、FTDM种群距离差分析和种群组合分析3个部分组成。(a)DTFM个体筛选：①首先由式(3)计算种群个体pg到激励-检测对的距离参数
Figure BDA0003378905490000035
②由式(1)计算个体的距离差值εD；③基于约束函数(7)，剔除个体距离差值大于δ的个体，得到各检测对下DTFM分析保留种群
Figure BDA0003378905490000036
(b)FTDM种群距离差分析：首先，由式(6)计算
Figure BDA0003378905490000037
到相邻检测位的距离差
Figure BDA0003378905490000038
而后由式(4)计算
Figure BDA0003378905490000039
的FTDM距离差
Figure BDA00033789054900000310
(c)种群组合分析：①依据式(8)将直达时间飞行法的距离差值εD和飞行时间差法的距离差值εF归一化处理后线性组合，得到种群优化分析距离差值εc；②基于εc对pD进行升序排列，提取前nk个个体作为缺陷定位分析的种群
Figure BDA00033789054900000311
③由式(10)计算种群残差值εg，用于算法收敛评估。
εg＝mean(εc) (10)
步骤4：截止判据。如果进化代数等于gm或种群距离残差小于截止参数，εg≤εt，则停止；执行步骤5。
步骤5：种群更新，生成下一代分析个体。①依据预定义的个体最大释放数目nf、释放半径rf和式(11)对种群
Figure BDA00033789054900000312
进行更新，产生新的子代
Figure BDA00033789054900000313
②将所有产生的子代
Figure BDA0003378905490000041
和父代
Figure BDA0003378905490000042
组合得到新一代分析种群pg。g＝g+1，跳转至步骤3。
Figure BDA0003378905490000043
式中sign——参数符号函数；
round——右向取整函数。
本发明具有以下优点：提出的一种基于密集阵列的智能兰姆波检测技术，改善了传统检测技术中声场指向性对检测结果的影响，能够快速实现大型板壳结构缺陷的定位检测。
附图说明
图1是本发明的一种基于密集阵列的智能兰姆波缺陷定位方法流程图。
图2是本发明应用的一种密集阵列兰姆波板中缺陷检测设置示意图。
图3是智能算法缺陷检测结果图。其中，图(a)所有检测位缺陷检测结果图；图(b)c1、c2、r1和r2检测位缺陷检测结果图；图(c)为c1、c15、r1和r15的检测位缺陷检测结果图。
具体实施方式
实施例
采用激光兰姆波密集阵列检测试验验证所提智能缺陷定位算法在大型板壳缺陷检测中的应用。实验系统主要包括1块金属铝板、1台任意函数发生器、2台示波器、1片压电片和一套激光超声检测系统。铝板长1000mm×1000mm×1.8mm，压电片直径和厚度分别为7mm和0.5mm。采用502胶将压电片粘贴在铝板表面E点(500,500)，在板中激励兰姆波信号；通过BNC线将任意函数发生器与压电片和示波器进行连接。板中人工加工1个直径10mm的通孔缺陷H。以铝板左下角为坐标源点，压电片及缺陷坐标信息如表1。检测阵列及缺陷分布如图2所示。
实验中任意函数发生器生成的中心频率140kHz、持续时间5周期的汉宁窗调制的正弦信号由BNC线施加到压电片上，在板中激励兰姆波信号；采用激光超声系统以5mm为间隔分别沿压电片右侧和下侧采集15个点的检测信号。首先在无缺陷铝板中完成基准检测信号采集；之后在板中加工过孔缺陷H，重复以上实验操作获得缺陷H检测分析信号。整个实验获得检测分析信号15×2×2＝60组。采用H检测分析信号同基准检测信号做差，得到H检测散射信号。
H1检测实例测试具体执行步骤如下：
步骤1：信号预处理。计算各激励接收对的距离，由希尔伯特变换提取所有基准信号的首次抵达波的包络峰值时刻作为波包抵达时刻；由各检测对相对距离差与相应检测信号首波抵达时间差之比计算兰姆波群速度，取均值作为信号分析群速度vg＝2.42mm/μs。采用包络极值法对缺陷H检测散射信号进行分析，提取检测散射波包抵达时间矢量τ。计算得到H检测散射信号波包传播距离矢量d。
步骤2：算法基础参数初始化。最大进化代数为gm＝35，种群规模M＝4000，保留个体数目nk＝50，截止运算条件εt＝0.12，种群取值范围x∈[1,1000]，y∈[1,1000]；筛选阈值δ＝30；个体最大释放数目nf＝20，最大释放半径rf＝20mm。生成初始化种群pg＝0。
完成上述步骤之后，完成了智能超声兰姆波缺陷定位方法的初始预处理部分，检测信号初步分析和算法初始化。继续执行确定检测的主体分析部分，步骤3至步骤5。
步骤3：种群筛选。DTFM个体筛选：由公式(3)计算4000个个体到各检测路径的距离矢量
Figure BDA0003378905490000051
由公式(1)计算个体到所有检测对的距离差矢量εD；基于约束函数(7)剔除距离差大于30(δ)的个体，得到个检测保留分体
Figure BDA0003378905490000052
FTDM种群距离差分析：由式(6)计算
Figure BDA0003378905490000053
到相邻检测位的距离差
Figure BDA0003378905490000054
随后由式(4)计算种群距离差矢量εF。
种群组合分析：基于εD、εF和式(8)计算
Figure BDA0003378905490000055
的分析距离差εc；提取前50(nk)个具有较小距离差值的缺陷定位分析个体
Figure BDA0003378905490000056
由式(10)计算
Figure BDA0003378905490000057
残差值矢量εg。
步骤4：截止判据。如果进化代数达到最大gm，种群残差值小于截止判定参数0.12，εg≤εt，则停止；执行个体更新步骤5。
步骤5：种群更新。由式(11)对
Figure BDA0003378905490000061
进行更新产生子代
Figure BDA0003378905490000062
组合
Figure BDA0003378905490000063
和
Figure BDA0003378905490000064
构建下一代分析种群pg。更新进化代数，跳转至种群筛选步骤3。
实施例算法运行截止，得到分析结果图。图3为缺陷检测结果图。图(a)所有检测点构成阵列缺陷检测结果图；图(b)c1、c2、r1、r2检测点构成阵列缺陷检测结果图。保留种群聚集在缺陷位置，成功实现缺陷的定位；且定位结果不受声场指向性的影响。
以上实施例仅用以说明本发明在应用于大型板壳结构超声兰姆波缺陷定位检测的使用方法，而非对其限制，应当理解为，上述实施例仅为本文发明的具体实现智能化兰姆波缺陷定位算法的使用方法。
最后应说明的是，本发明不局限于上述可选的实施方式，任何人在本发明的设计理念和实施原则内，所做的修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于密集阵列的智能兰姆波缺陷定位方法，其特征在于：包含检测分析函数模型和智能分析算法；检测分析函数模型由2个基于直达时间飞行法DTFM和飞行时间差法FTDM构建的种群残差计算函数、1个约束函数和1个优化函数组成；基于改善后的进化策略对分析函数模型进行分析，由分析保留个体分布确定缺陷位置；
DTFM和FTDM种群残差计算函数分别表示为(1)、(4)；DTFM通过分析由激励传感器i和检测传感器j构成检测对检测到的散射信号飞行距离
Figure FDA0003378905480000011
与种群个体pg到激励位和检测距离之和
Figure FDA0003378905480000012
的差，计算得到个体分析残差
Figure FDA0003378905480000013
FTDM通过计算散射信号到相邻检测位的传播距离之差
Figure FDA0003378905480000014
与种群个体到相应检测位距离之差
Figure FDA0003378905480000015
的差值得到个体分析残差
Figure FDA0003378905480000016
Figure FDA0003378905480000017
Figure FDA0003378905480000018
Figure FDA0003378905480000019
Figure FDA00033789054800000110
Figure FDA00033789054800000111
Figure FDA00033789054800000112
由分析模糊性控制参数δ和个体残差值
Figure FDA00033789054800000113
定义约束函数(7)；分析中保留残差值
Figure FDA00033789054800000114
在δ以内的个体用于后续分析，减少智能算法分析步数；
Figure FDA00033789054800000115
分别将各检测对分析保留种群的DTFM个体残差εD和FTDM个体残差εF进行归一化处理，然后进行线性组合得到组合分析残差εc，建立缺陷定位优化函数(8)，改善声场指向性对检测分辨率的影响；其中
Figure FDA00033789054800000116
和
Figure FDA00033789054800000117
分别为DTFM个体残差最大和最小值；
Figure FDA00033789054800000118
和
Figure FDA00033789054800000119
分别为FTDM个体残差最大和最小值；
Figure FDA0003378905480000021
智能检测分析算法核心内容包括5个部分：
步骤1：信号预处理；测量板中兰姆波传播群速度vg；检测信号减去参考信号得到由激励传感器i和检测传感器j构成检测对检测到的散射信号，提取散射信号波包的飞行时间参数
Figure FDA0003378905480000022
式(2)计算各散射信号波包飞行距离参量
Figure FDA0003378905480000023
由式(5)计算散射信号到相邻检测位j和j+1的飞行距离差
Figure FDA0003378905480000024
步骤2：算法初始化；设置最大进化代数gm；每代保留个体数目nk，模糊筛选阈值参数δ；个体最大释放数目nf及释放半径rf；依据板结构检测范围设置个体释放参数范围矢量
Figure FDA0003378905480000025
依据式(9)得到初始化种群pg＝0；分析中所有个体采用实数编码；
pg＝0(θ)＝θL+rand×(θU-θL) (9)
步骤3：种群筛选；该部分由DTFM个体筛选、FTDM种群距离差分析和种群组合分析3个部分组成；(a)DTFM个体筛选：①首先由式(3)计算种群个体pg到激励-检测对的距离参数
Figure FDA0003378905480000026
②由式(1)计算个体的距离差值εD；③基于约束函数(7)，剔除个体距离差值大于δ的个体，得到各检测对下DTFM分析保留种群
Figure FDA0003378905480000027
(b)FTDM种群距离差分析：首先，由式(6)计算
Figure FDA0003378905480000028
到相邻检测位的距离差
Figure FDA0003378905480000029
而后由式(4)计算
Figure FDA00033789054800000210
的FTDM距离差
Figure FDA00033789054800000211
(c)种群组合分析：①依据式(8)将直达时间飞行法的距离差值εD和飞行时间差法的距离差值εF归一化处理后线性组合，得到种群优化分析距离差值εc；②基于εc对pD进行升序排列，提取前nk个个体作为缺陷定位分析的种群
Figure FDA00033789054800000212
③由式(10)计算种群残差值εg，用于算法收敛评估；
εg＝mean(εc) (10)
步骤4：截止判据；如果进化代数等于gm或种群距离残差小于截止参数，εg≤εt，则停止；执行步骤5；
步骤5：种群更新，生成下一代分析个体；①依据预定义的个体最大释放数目nf、释放半径rf和式(11)对种群
Figure FDA0003378905480000031
进行更新，产生新的子代
Figure FDA0003378905480000032
②将所有产生的子代
Figure FDA0003378905480000033
和父代
Figure FDA0003378905480000034
组合得到新一代分析种群pg；g＝g+1，跳转至步骤3；
Figure FDA0003378905480000035
式中sign——参数符号函数；
round——右向取整函数。
CN202111426705.6A 2021-11-27 2021-11-27 一种基于密集阵列的智能兰姆波缺陷定位方法 Pending CN114371217A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111426705.6A CN114371217A (zh) 2021-11-27 2021-11-27 一种基于密集阵列的智能兰姆波缺陷定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111426705.6A CN114371217A (zh) 2021-11-27 2021-11-27 一种基于密集阵列的智能兰姆波缺陷定位方法

Publications (1)

Publication Number Publication Date
CN114371217A true CN114371217A (zh) 2022-04-19

Family

ID=81138296

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111426705.6A Pending CN114371217A (zh) 2021-11-27 2021-11-27 一种基于密集阵列的智能兰姆波缺陷定位方法

Country Status (1)

Country Link
CN (1) CN114371217A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6269700B1 (en) * 1996-10-28 2001-08-07 Jean-Pierre Nikolovski Contactless ultrasonic device for dimensional inspection
US20160146762A1 (en) * 2014-11-24 2016-05-26 Tsinghua University Method and device for testing defect based on ultrasonic lamb wave tomography
CN110152964A (zh) * 2019-05-29 2019-08-23 北京工业大学 一种指向型磁集中器式兰姆波电磁声换能器
CN111624251A (zh) * 2020-03-18 2020-09-04 北京工业大学 一种应用于大型板壳结构的智能兰姆波缺陷定位方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6269700B1 (en) * 1996-10-28 2001-08-07 Jean-Pierre Nikolovski Contactless ultrasonic device for dimensional inspection
US20160146762A1 (en) * 2014-11-24 2016-05-26 Tsinghua University Method and device for testing defect based on ultrasonic lamb wave tomography
CN110152964A (zh) * 2019-05-29 2019-08-23 北京工业大学 一种指向型磁集中器式兰姆波电磁声换能器
CN111624251A (zh) * 2020-03-18 2020-09-04 北京工业大学 一种应用于大型板壳结构的智能兰姆波缺陷定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
陈洪磊，刘增华，吴 斌，何存富: "基于密集阵列的参数化Lamb波检测技术研究", 机械工程学报, vol. 57, no. 20, pages 20 - 28 *
陈洪磊: "参数化兰姆波检测信号处理与缺陷定位算法研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》, no. 06, pages 21 - 28 *

Similar Documents

Publication Publication Date Title
CN107247259B (zh) 基于神经网络的k分布海杂波形状参数估计方法
CN104487839B (zh) 考虑eifs不确定性使用超声检测数据的概率疲劳寿命预测
CN104502449B (zh) 利用超声波a扫描判断风力发电叶片结构缺陷的方法
US20070125177A1 (en) Tapered ultrasonic reference standard
CN111983020B (zh) 一种金属构件内部缺陷敲击检测识别系统及识别方法
US20070095141A1 (en) Porosity reference standard for ultrasonic inspection of composite materials
CN103323526A (zh) 一种基于超声相控阵和支持向量机的焊缝缺陷检测识别方法
CN110286155B (zh) 一种多层复合材料的损伤检测方法及系统
CN112816556B (zh) 一种缺陷检测方法、装置、设备和存储介质
CN110059449A (zh) 基于改进应力场强法的曲轴疲劳极限载荷预测方法
CN114359193A (zh) 一种基于超声相控阵成像的缺陷分类方法及系统
Boussetta et al. Study of the filament wound glass/polyester composite damage behavior by acoustic emission data unsupervised learning
Chen et al. Evolutionary strategy-based location algorithm for high-resolution Lamb wave defect detection with sparse array
CN112014476A (zh) 一种碳纤维复合材料制造缺陷分类、定量评估方法及系统
Morii et al. A new inverse algorithm for tomographic reconstruction of damage images using Lamb waves
CN112666263A (zh) 一种轻量化翼舵焊接超声检测灵敏度的测定方法
CN111624251B (zh) 一种应用于大型板壳结构的智能兰姆波缺陷定位方法
Igual Hierarchical clustering of materials with defects using impact-echo testing
CN114371217A (zh) 一种基于密集阵列的智能兰姆波缺陷定位方法
Peng et al. Automatic 3D image based finite element modelling for metallic foams and accuracy verification of digital volume correlation
CN112816557B (zh) 一种缺陷检测方法、装置、设备和存储介质
CN109269453B (zh) Pbf增材制造高频超声在线检测单次检测层数确定方法
McKnight et al. GANs and alternative methods of synthetic noise generation for domain adaption of defect classification of Non-destructive ultrasonic testing
CN116299236A (zh) 一种基于抽稀PS点的InSAR大气误差校正方法
CN113959829B (zh) 一种内部缺陷对增材制造零件的性能影响的评价方法

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