CN114460175A - 一种薄壁结构损伤检测方法 - Google Patents
一种薄壁结构损伤检测方法 Download PDFInfo
- Publication number
- CN114460175A CN114460175A CN202210188712.5A CN202210188712A CN114460175A CN 114460175 A CN114460175 A CN 114460175A CN 202210188712 A CN202210188712 A CN 202210188712A CN 114460175 A CN114460175 A CN 114460175A
- Authority
- CN
- China
- Prior art keywords
- damage
- signal
- thin
- scattering
- wall structure
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 235000019687 Lamb Nutrition 0.000 claims abstract description 34
- 238000003384 imaging method Methods 0.000 claims abstract description 34
- 230000003902 lesion Effects 0.000 claims abstract description 27
- 230000004044 response Effects 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 46
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000006735 deficit Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000003321 amplification Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 claims description 3
- 229910052731 fluorine Inorganic materials 0.000 claims description 3
- 239000011737 fluorine Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 102000003745 Hepatocyte Growth Factor Human genes 0.000 claims description 2
- 108090000100 Hepatocyte Growth Factor Proteins 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 230000005284 excitation Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000007769 metal material Substances 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
- G01N29/0654—Imaging
-
- 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
- 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
- G01N2291/04—Wave modes and trajectories
- G01N2291/042—Wave modes
- G01N2291/0423—Surface waves, e.g. Rayleigh waves, Love waves
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明涉及现代飞行器大尺寸薄壁结构损伤检测领域,具体涉及一种薄壁结构损伤检测方法;获取N(N‑1)路Lamb波的响应信号及其基准信号;基于所述响应信号和所述基准信号,确定损伤散射信号;通过过完备字典对所述损伤散射信号进行降噪;根据OMP算法确定L×M个虚拟单元损伤概率,通过概率成像得到N(N‑1)个损伤椭圆带;对N(N‑1)个损伤椭圆带进行叠加或累乘得到L×M个虚拟单元的损伤概率,通过概率成像得到薄壁结构损伤图像;本实施例实现了对于损伤位置的定性判断和定量判断,使结果更为精准化和具体化。
Description
技术领域
本发明涉及现代飞行器大尺寸结构损伤检测领域,具体涉及一种薄壁结构损伤检测方法。
背景技术
受动/静载荷、工作条件、材料特性以及外界因素的影响,现代飞行器结构往往会产生性能退化的趋势以及更为严重的结构损伤,为其正常工作带来影响,进一步可能引发安全隐患,甚至是灾难性的事故。另外,在飞行器设计和制造阶段,由于难以准确预知服役中的影响结构寿命因素的分布,即使最完美的设计,也很难避免服役条件变化所带来的风险。而随着人们对现代飞行器安全、可靠,并且经济运行的要求更是日益突出,发展一种能实时监测结构损伤及其发展,并借此分析结构寿命,且可靠、高效的技术日渐成为现代航空领域的发展趋势和要求,也是解决结构服役安全问题的关键。
对于金属或复合材料的结构损伤,传统的检查和维修方法主要是基于无损检测/评估(Non-destructive Testing/Evaluation,NDT/NDE)技术的预防性检测方法,是对结构属性进行的基于工作/服役时间的局部检测,并需要经验支持以预先估计结构可能的损伤位置;另外,这种检测方法还需要大量体积较大、结构复杂且重量较大专业监测仪器,而现代飞行器对结构重量要求更为严格,采用传统方法一般难以满足对飞行器结构损伤状态的实时监控和在线检测需求。
结构健康监测(Structural Health Monitoring,SHM)技术是在传统结构上以特定方法融合进传感器、驱动器及信号/信息处理元件,同时结合外部计算机数据采集和分析系统等实现的一种智能结构系统。通过实施SHM技术,可以实现结构损伤快速、实时、准确的发现、诊断和处理,弥补了传统监测方法的不足,也因此得到了越来越多研究学者的关注。
目前针对这些损伤的SHM技术从实现原理上分为声发射、Lamb波检测、机电阻抗、结构振动分析、应力应变分布等方法。其中,由于Lamb波传播距离远、效率高,通过正、逆压电效应来激励和传感Lamb波的基于Lamb波的主动结构健康监测方法,被认为是最有潜力的在线结构健康监测技术之一,在薄壁结构的健康检测中得到了广泛应用。
Lamb波在介质中的传播特性由激励频率以及平板的材料特性和厚度决定,金属材料结构发生裂纹、腐蚀或复合材料结构发生开裂、脱胶、分层和冲击损伤等损伤时,结构特性会发生变化,从而影响Lamb波在结构中的传播。因此,在基于Lamb波的SHM技术中,可以通过实时监测Lamb波在薄壁结构中传播时发生的变化,并对结构损伤前后得到的信号进行比较分析,就可以进一步对结构进行损伤识别,即结构存在损伤时,监测信号会同时变化,且这种变化为判断结构损伤的类型并对损伤定位提供了依据。如何高效、快速的对监测信号的变化进行处理,以得到薄壁结构中的损伤信息是研究热点内容之一。
在板结构中Lamb波损伤散射信号具有稀疏性与瞬态性,结合稀疏与冗余表示方法,可以实现损伤散射信号的特征的提取,此过程可以成为稀疏损伤成像过程。
在目前的稀疏损伤成像的过程中,主要采用正交匹配追踪(Orthogonal MarchingPursuit,OMP)算法来实现。但,采用传统的OMP算法往往只能实现小损伤的成像,其主要原因在于对于一块较小区域上的几个像素点,由于距离相对较小,Lamb波的传播时间差几乎等于0,由此造成了所构建对应几个原子的差别较小,而在采用OMP算法时,通过寻找最佳匹配原子来实现信号的稀疏表示,这就造成了只能在对应区域取得一个像素点作为主要的损伤像素点,忽略了其他可能存在损伤的像素点。因此,通过传统的OMP算法需要像素点与损伤大小相当,才能较好的实现损伤定位成像,这就造成了成像的精度不高;而对于所取像素点较小时,又难以实现对结构中存在较大损伤时的损伤成像。因此需要对OMP算法进行改进,以满足结构损伤成像时对精度的要求。
发明内容
本申请实施例提供一种薄壁结构损伤检测方法,针对飞行器的大尺寸薄壁结构中的损伤点进行确定并且确定损伤程度,基于现有的OMP算法进行优化,能够实现对于损伤位置的确定以及损伤度的确定,具有更优的精准性。为了达到上述目的,本申请实施例采用的技术方案如下:
第一方面,本实施例提供一种薄壁结构损伤检测方法,针对于待测物体设置N个压电传感器,所述N个压电传感器组成激励器/传感器阵列,基于所述压电传感器获取Lamb波,所述待测物体分为L×M个虚拟单元;其中方法包括:获取N(N-1)路Lamb波的响应信号及其基准信号;基于所述响应信号和所述基准信号,确定损伤散射信号;通过过完备字典对所述损伤散射信号进行降噪;根据OMP算法确定L×M个虚拟单元损伤概率,通过概率成像得到N(N-1)个损伤椭圆带;对N(N-1)个损伤椭圆带进行叠加或累乘得到L×M个虚拟单元的损伤概率,通过概率成像得到薄壁结构损伤图像。
针对于第二种实现可能,结合第一方面,基于响应信号和所述基准信号,确定损伤散射信号,具体为:响应信号与基准信号的差值为损伤散射信号,具体为:
针对于第三种实现可能,结合第一方面,基于过完备字典对所述损伤散射信号进行初步稀疏表示,包括以下步骤:对所述损伤散射信号进行分解,分解后的损伤散射信号为:
其中:xp为损伤散射因子,表示第p个像素点(x,y)的像素值,且p=(x-1)ny+nx,nx和ny分别是横、纵方向上像素点的个数;ai,p,j为损伤散射原子,表示第i个传感器激励的波经位于第p个像素点的损伤散射后,被第j个传感器接受的损伤散射信号。
针对于第四种实现可能,结合第三种实现可能,基于过完备字典对所述损伤散射信号进行稀疏表示,包括以下步骤:对分解后的损伤散射信号进行方程构建,具体为:
Y=A·X
其中:A为字典矩阵;Y为损伤散射信号矩阵;X为未知向量矩阵,表示稀疏的损伤位置。
针对于第五种实现可能,结合第四种实现可能,还包括对所述损伤散射信号进行Hilbert变换,得到损伤散射信号的信号包络线;Hilbert变换后的损伤散射信号为:
其中:v(t)为损伤散射信号yi,d,j(t)的Hilbert变换。
针对于第六种实现可能,结合第五实现可能,得到损伤散射信号的信号包络线还包括构建解析信号,具体为:
c(t)=yi,d,j(t)+j·v(t);
其中:c(t)为散射信号的解析信号。
针对于第七种实现可能,结合第六种实现可能,得到损伤散射信号的信号线包络还包括获得所述解析信号的的增幅函数,所述增幅函数为损伤散射信号的包络线,具体为:
针对于第八种实现可能,结合第七种实现可能,损伤概率的确定包括具体为:获取L×M个虚拟单元中的某一像素点,并获得某一像素点的能量值,具体为:
其中:Envij(t)为复分析信号的幅度,表示传感器对某一路径上的差分信号包络;tij(x,y)为从在点的激励器传播到在点的像素点,并到达点处的传感器的信号的到达时间。
针对于第九种实现可能,结合第八种实现可能,所述tij(x,y)的确定具体为:
其中:toff为固定的时间偏移量。
针对于第十种实现可能,结合第九种实现可能,各像素点的损伤概率还包括通过对各像素点的能量值E(x,y)归一化后可以得到,具体为:
P(x,y)=E(x,y)/Max(E);
其中:Max(E)为能量矩阵中的最大能量值。
本申请实施例提供的一种薄壁结构损伤检测方法,通过将现有的稀疏表示与椭圆成像算法进行融合,通过获取到监测信号的稀疏特性,以及椭圆成像算法针对于损伤位置的精准判断,建立了损伤散射信号与损伤位置的关系,实现了对于损伤位置的定性判断和定量判断,使结果更为精准化和具体化。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例,其中示例数字在附图的各个视图中代表相似的机构。
图1是根据本申请的一些实施例所示方法的流程图;
图2是根据本申请的一种实施例所示的装置的结构示意图;
图3是实验例第一对比附图;
图4是实验例第二对比附图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本申请技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
在下面的详细描述中,通过实例阐述了许多具体细节,以便提供对相关指导的全面了解。然而,对于本领域的技术人员来说,显然可以在没有这些细节的情况下实施本申请。在其他情况下,公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述,没有细节,以避免不必要的模糊本申请的方面。
本申请中使用流程图说明根据本申请的实施例的系统所执行的执行过程。应当明确理解的是,流程图的执行过程可以不按顺序执行。相反,这些执行过程可以以相反的顺序或同时执行。另外,可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
请参阅图1,本实施例提供一种薄壁结构损伤检测方法,针对于待测物体设置N个压电传感器,其中N个压电传感器组成激励器/传感器阵列,基于压电传感器获取Lamb波,其中待测物体分为L×M个虚拟单元。
在本实施例中,使用到的试验方法为延迟叠加方法(Delay-and-Sum,DAS),其实现需要布置在薄壁结构上的传感器阵列中每一个传感器作为激励器依次产生激励信号,同时其他传感器接受信号。在本实施例中,传感器阵列中传感器的个数为N,则系统中激励器-传感器对数为N(N-1),此时所采集到的信号共N(N-1)组。本实施例通过传感器阵列中的每个压电片轮流作为激励器,来得到一组压电阵列传感器监测信号。在每个角度均按照激励和接收过程中的波束形成原则,对每个传感信号在波数域或时域中进行相位延迟后,融合为一个波束信号,可实现对结构的虚拟全向扫描,并根据波速可直接把每个角度的合成信号映射为扫描区域的成像结果。在本实施例中,延迟叠加(Delay-and-Sum,DAS)成像方法假设每一点均为潜在的损伤点,并把各点的所有损伤散射信号在时间域上的幅值进行叠加得到各点的能量值,能量较大的亮点对应为损伤散射点。
具体包括以下方法:
101.获取N(N-1)路Lamb波的响应信号及其基准信号。
响应信号为传感器所收到Lamb波产生的信号,基准信号为在待测物体未出现损伤的情况下传感器应当获得的信号强度,基于这两个信号可以实现对于损伤散射信号的确定。
102.基于响应信号和基准信号,确定损伤散射信号。
其中:yi,j(t)表示从激励点传播到接收点的Lamb信号,且包括结构边界反射。在本实施例中,可以等价于无损伤薄壁结构中的基准信号。
yi,d,j(t)为损伤散射信号。为了获取损伤散射信号,可以采用被监测薄壁结构与参考的无损伤薄壁结构上对应传感器所采集到的信号的差作为损伤散射信号,即损伤散射信号可表示为:
103.基于过完备字典对损伤散射信号进行降噪。
103a.构建降噪过完备字典。
为了保证Lamb波信号的重构精度析稀疏特征提取,必须要选择合适的稀疏基矩阵,即过完备字典。当信号较为单一,本身就稀疏的时候,使用简单的正交变换基矩阵就能很好地完成信号的稀疏表示;当信号结构复杂多样时,就要选择建立过完备字典来对信号进行稀疏表示,通过不断迭代优化提高对复杂信号的稀疏表示能力,完成对信号最大限度地逼近表示。字典构建的优良性直接影响到信号稀疏与冗余表示的匹配效果。
在本实施例中,由于激励的Lamb波是采用Hann窗调制的正弦信号,因此选用Hann窗调制的正弦函数构建适用于Lamb波及其响应信号稀疏表示的过完备字典,并称所构建的过完备字典为Hann字典。
由于Hann窗调制的正弦函数的时频域几何结构与激励的Lamb波信号具有高度相似的特点,能够有效揭示Lamb波响应信号的时频特征,高精度稀疏表示Lamb波响应信号,并有利于提取Lamb波响应信号中携带的声场特征参量。
Hann字典是通过Hann窗调制的正弦函数的平移、调制等变换来构建的超完备字典。其中,字典原子的表达式为:
其中,Δu=ts,Δu=fc/10fs,Δw=π/6,0≤l<N,0≤m<M,0≤n<12;N为信号采样点数,即信号长度;ts是采样间隔时间,fs为采样频率,则有fs=1/ts。
103b.对损伤散射信号进行分解。
在本实施例中,假设所监测的结构为线性结构,由于损伤散射可能存在于该结构的所有np个像素处,因此差分信号是由不同信号的线性叠加组成,因此可将差分信号分解为:
其中:xp为损伤散射因子,用于表示第p个像素点(x,y)的损伤可能性,且p=(x-1)ny+nx;ai,p,j为损伤散射原子,用于表示第p个像素点存在损伤时的散射信号。
在一次激励与响应中,传感器对ASij路径上的损伤散射信号可以进一步表示为:
其中:Ai,j为损伤过完备字典。
在本实施例中,对于损伤散射信号的分解可以对所有传感器对进行,并通过损伤散射因子来表示损伤的可能性。
103c.对分解后的损伤散射信号进行方程构建。
对于N个传感器的分布式阵列,上式中的解析计算信号对于所有N(N-1)个传感器对形成线性方程Y=AX,如式所示
Y=X·A
其中:A为损伤字典矩阵;Y为损伤散射信号矩阵;X为稀疏向量矩阵,用于表示稀疏的损伤位置。
103d.获得稀疏向量。
在本实施例中,对于监测中的一次激励与响应,在薄壁结构中存在损伤时,损伤位置固定,则向量矩阵X中元素唯一,即
x1,2=x1,3=…=xi,j=…=xN,N-1;
针对每一个传感器对采集的损伤散射信号yi,j(t),都存在一个与之相对应的解向量xi,j,在求解过程中由于噪声和边界反射的影响,难以保证x1,2=x1,3=…=xi,j=…=xN,N-1绝对成立。因此,对于最后损伤位置的稀疏表示x的取值,本文采用xi,j的绝对值均值代替x,即
在成像的过程中,损伤散射信号y可以从结构损伤监测的试验中获取。字典中各原子可以根据给定的Lamb波频域信号X(f)及其在中心频率的相速度cp(f)和相应像素点p的损伤来模拟波的前向传播,即
其中:di,p和dp,j分别为传感器对ASij中激励器和传感器到第p个像素点的距离。
在本实施例中,因为激励点和监测点因为传播过程会带来波形时差,则:
X(f)=F{x[t,ti,p,j(x,y)]};
其中:ti,p,j(x,y)为激励信号和监测信号的波形时差,即信号从激励点传播到第p个像素点后进一步传播到监测点的时间。
其中x[t,ti,p,j(x,y)]为如下所示:
x[t,ti,p,j(x,y)]=w1[t,ti,p,j(x,y)]·w2[t,ti,p,j(x,y)]·sin2πfc[t-ti,p,j(x,y)];
其中:w1[t,ti,p,j(x,y)]为矩形窗函数,表示如下所示:
其中w2[t,ti,p,j(x,y)]为Han窗函数,表示如下:
近似向量为:
103e.对损伤散射信号进行Hilbert变换,得到损伤散射信号的信号包络线。
在本实施例中,Hilbert变换的计算过程为:
其中:v(t)为损伤散射信号yi,d,j(t)的Hilbert变换,其与yi,d,j(t)组合可以得到散射信号的解析信号c(t),可以表示为:
c(t)=yi,d,j(t)+j·v(t);
最终得到c(t)的幅值函数A(t)即为信号yi,d,j(t)的包络线,可表示为
104.根据OMP算法确定L×M个虚拟单元损伤概率,通过概率成像得到N(N-1)个损伤椭圆带。
104a.获取L×M个虚拟单元中的某一像素点,并获得某一像素点的能量值,具体为:
其中:Envij(t)为复分析信号的幅度,表示传感器对某一路径上的差分信号包络;
tij(x,y)为从在点的激励器传播到在点的像素点,并到达点处的传感器的信号的到达时间;
其中tij(x,y)的确定具体为:
其中:toff为固定的时间偏移量。
本实施例采用的技术方案为延时叠加损伤成像方法,主要目的为建立结构损伤图像,其过程可以描述为:在有N个换能器的监测系统中,换能器对数为N(N-1),针对薄壁结构平面上一个坐标为(x,y)的一像素点,对所有传感器对上监测的信号进行平均,以获得该像素点的像素值即该像素点的能量值。
104b.对各像素点的能量值E(x,y)归一化后可以得到损伤概率,具体为:
P(x,y)=E(x,y)/Max(E);
其中:Max(E)为能量矩阵中的最大能量值。
105.对N(N-1)个损伤椭圆带进行叠加或累乘得到L×M个虚拟单元的损伤概率,通过概率成像得到薄壁结构损伤图像。
在本实施例中,针对于损伤位置确定基于椭圆成像算法实现,其算法成像原理为:根据椭圆上点到两焦点的距离和为定值,将传感器对AS的激励器和传感器视作椭圆焦点,且损伤到传感器对AS的距离和为定值;通过提取各监测通道损伤散射信号第一次波达时刻以及Lamb波的群波速,并将结构损伤定位在一个以激励器和传感器为两焦点的椭圆上,进一步对所有监测通道进行椭圆成像。
本实施例还提供一种薄壁结构损伤检测装置100,应用于大尺寸薄壁结构的损伤检测和监测,大尺寸薄壁结构为待测物体,在待测物体上设置N个压电传感器,所述N个压电传感器组成激励器/传感器阵列,基于所述压电传感器获取Lamb波,所述待测物体分为L×M个虚拟单元。
包括:信号获取模块110,用于获取N(N-1)路Lamb波的响应信号及其基准信号;损伤散射信号确定模块120,用于基于响应信号和基准信号确定损伤散射信号;降噪模块130,用于基于过完备字典对损伤散射信号进行降噪处理;椭圆成像模块140,用于将Lamb波信号传输过程中所对应的激励器和传感器组成传感器对,并对所有传感器对中的传感器和激励器对分别用曲线连接,获得n个椭圆;最终稀疏表示模块,基于椭圆成像算法获得n个椭圆的交点中心,以获得中心作为缺陷损伤位置,并获得最终稀疏表示。
其中椭圆成像模块140包括损伤概率确定子模块141和成像子模块142。
在一个或多个实施方式中,公开了一种终端设备,包括服务器,所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现实施例一种基于稀疏重构的信号重构方法。为了简洁,在此不再赘述。
应理解,本实施例中,模块”可包括以硬件、软件或固件形式实施的单元,且可与例如“逻辑”、“逻辑区块”“部件”及“电路”等其他用语互换使用。模块可为适以执行一种或多种功能的单个集成组件或所述单个集成组件的最小单元或部件。举例来说,根据实施例,模块可实施为应用专用集成电路(application-specific integrated circuit,ASIC)的形式。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤缆线、RF、或类似介质、或任何上述介质的组合。
本申请各方面执行所需的计算机程序码可以用一种或多种程序语言的任意组合编写,包括面向对象程序设计,如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET,Python等,或类似的常规程序编程语言,如"C"编程语言,Visual Basic,Fortran2003,Perl,COBOL2002,PHP,ABAP,动态编程语言如Python,Ruby和Groovy或其它编程语言。所述程式设计编码可以完全在用户计算机上执行、或作为独立的软体包在用户计算机上执行、或部分在用户计算机上执行部分在远程计算机执行、或完全在远程计算机或服务器上执行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网络(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
实验例
下面给出具体的实验例,对本技术方案的技术效果做进一步的说明。
本实验例内容利用Abaqus有限元仿真分别对薄壁结构中存在单一类型损伤或多类型损伤时进行仿真,再依据仿真得到的数据进行损伤成像,最后通过对损伤成像性能的评估来分析检测方法。其中仿真中采用的薄壁结构的尺寸为500×500×2mm,激励采用Hann窗调制的中心频率为100的五周期Lamb波,激励方式为单点激励,以在薄壁结构中产生A0模式的Lamb波。在本节中,通过将本实施例中的薄壁结构损伤检测方法得到的损伤图像与现有方法对比,来分析本实施例提供的薄壁结构损伤检测方法的性能。
在本实验例中,首先在无模拟损伤下进行仿真测量得到6组信号,以此作为基准信号;在引入模拟损伤后,采用无模拟损伤情况下的仿真参数测量得到6组信号,进一步将其分别与基准信号作差,得到损伤散射信号。成像时,坐标原点选定在薄壁结构的左上角,并将其离散为2×2mm的网格。
实验例
参阅图3,分别为单一孔洞损伤条件下的留个损伤散射信号及其包络。
图3-1为单一孔洞损伤时AS12路径上的损伤散射信号及其包络。
图3-2为单一孔洞损伤时AS13路径上的损伤散射信号及其包络。
图3-3为单一孔洞损伤时AS14路径上的损伤散射信号及其包络。
图3-4为单一孔洞损伤时AS23路径上的损伤散射信号及其包络。
图3-5为单一孔洞损伤时AS24路径上的损伤散射信号及其包络。
图3-6为单一孔洞损伤时AS34路径上的损伤散射信号及其包络。
参阅图4,为基于本实施例提供的薄壁结构损伤检测方法后的损伤图像,和现有稀疏成像方法处理后的损伤图像。
其中,图4-1为基于本实施例提供的薄壁结构损伤检测方法后的损伤图像,图4-2为基于现有稀疏成像方法处理后的损伤图像。
通过对于图4-1和图4-2可知,现有稀疏成像处理后的损伤图像的误差明显要大于本实施例提供的薄壁结构损伤检测方法后的损伤图像。
本申请实施例公开的上述内容对于本领域技术人员而言是清楚完整的。应当理解,本领域技术人员基于上述公开的内容对未作解释的技术术语进行推导和分析的过程是基于本申请所记载的内容进行的,因此上述内容并不是对整体方案的创造性的评判。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可以对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定术语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同部分两次或多次提到的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的至少一个实施例中的某些特征、结构或特点可以进行适当的组合。
另外,本领域普通技术人员可以理解的是,本申请的各个方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可以被称为“单元”、“组件”或“系统”。此外,本申请的各方面可以表现为位于至少一个计算机可读介质中的计算机产品,所述产品包括计算机可读程序编码。
此外,除非申请专利范围中明确说明,本申请所述处理元件和序列的顺序、数位字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的申请专利范围并不仅限于披露的实施例,相反,申请专利范围旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件装置实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或行动装置上安装所描述的系统。
同样应当理解的是,为了简化本申请揭示的表述,从而帮助对至少一个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法幷不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
Claims (10)
1.一种薄壁结构损伤检测方法,其特征在于,针对于待测物体设置N个压电传感器,所述N个压电传感器组成激励器/传感器阵列,基于所述压电传感器获取Lamb波,所述待测物体分为L×M个虚拟单元;所述方法包括:
获取N(N-1)路Lamb波的响应信号及其基准信号;
基于所述响应信号和所述基准信号,确定损伤散射信号;
通过过完备字典对所述损伤散射信号进行降噪处理;
根据OMP算法确定L×M个虚拟单元损伤概率,通过概率成像得到N(N-1)个损伤椭圆带;
对N(N-1)个损伤椭圆带进行叠加或累乘得到L×M个虚拟单元的损伤概率,通过概率成像得到薄壁结构损伤图像。
10.根据权利要求8所述的薄壁结构损伤检测方法,其特征在于,各像素点的损伤概率还包括通过对各像素点的能量值E(x,y)归一化后可以得到,具体为:
P(x,y)=E(x,y)/Max(E);
其中:Max(E)为能量阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210188712.5A CN114460175B (zh) | 2022-02-28 | 2022-02-28 | 一种薄壁结构损伤检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210188712.5A CN114460175B (zh) | 2022-02-28 | 2022-02-28 | 一种薄壁结构损伤检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114460175A true CN114460175A (zh) | 2022-05-10 |
CN114460175B CN114460175B (zh) | 2024-03-15 |
Family
ID=81416115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210188712.5A Active CN114460175B (zh) | 2022-02-28 | 2022-02-28 | 一种薄壁结构损伤检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114460175B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108195937A (zh) * | 2017-11-29 | 2018-06-22 | 中国飞机强度研究所 | 一种基于导波的损伤概率成像方法 |
WO2019201177A1 (zh) * | 2018-04-17 | 2019-10-24 | 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 |
WO2019201178A1 (zh) * | 2018-04-17 | 2019-10-24 | 江苏必得科技股份有限公司 | 基于Lamb波成像的列车部件裂纹损伤检测方法和系统 |
CN111307944A (zh) * | 2020-03-15 | 2020-06-19 | 中国飞机强度研究所 | 一种复合材料结构损伤定量监测方法及系统 |
CN111404553A (zh) * | 2020-03-30 | 2020-07-10 | 北京工业大学 | 基于自适应算法的激光Lamb波压缩感知重构方法 |
CN112179990A (zh) * | 2020-09-15 | 2021-01-05 | 昆明理工大学 | 一种基于ToF损伤因子的碳纤维复合材料疲劳损伤概率成像方法 |
CN113254214A (zh) * | 2021-06-08 | 2021-08-13 | 西安科技大学 | 基于OpenMP的倒装焊芯片声时频域和时域成像方法 |
-
2022
- 2022-02-28 CN CN202210188712.5A patent/CN114460175B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108195937A (zh) * | 2017-11-29 | 2018-06-22 | 中国飞机强度研究所 | 一种基于导波的损伤概率成像方法 |
WO2019201177A1 (zh) * | 2018-04-17 | 2019-10-24 | 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 |
WO2019201178A1 (zh) * | 2018-04-17 | 2019-10-24 | 江苏必得科技股份有限公司 | 基于Lamb波成像的列车部件裂纹损伤检测方法和系统 |
CN111307944A (zh) * | 2020-03-15 | 2020-06-19 | 中国飞机强度研究所 | 一种复合材料结构损伤定量监测方法及系统 |
CN111404553A (zh) * | 2020-03-30 | 2020-07-10 | 北京工业大学 | 基于自适应算法的激光Lamb波压缩感知重构方法 |
CN112179990A (zh) * | 2020-09-15 | 2021-01-05 | 昆明理工大学 | 一种基于ToF损伤因子的碳纤维复合材料疲劳损伤概率成像方法 |
CN113254214A (zh) * | 2021-06-08 | 2021-08-13 | 西安科技大学 | 基于OpenMP的倒装焊芯片声时频域和时域成像方法 |
Non-Patent Citations (1)
Title |
---|
曾帝棋: "基于稀疏特性恢复理论的结构损伤识别算法", 《中国优秀硕士学位论文全文数据库》, pages 11 - 12 * |
Also Published As
Publication number | Publication date |
---|---|
CN114460175B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110389170B (zh) | 基于Lamb波成像的列车部件裂纹损伤检测方法和系统 | |
Raghavan et al. | Guided-wave signal processing using chirplet matching pursuits and mode correlation for structural health monitoring | |
Baxter et al. | Delta T source location for acoustic emission | |
Memmolo et al. | Damage detection tomography based on guided waves in composite structures using a distributed sensor network | |
Benstock et al. | The influence of surface roughness on ultrasonic thickness measurements | |
Zoubi et al. | Lamb wave mode decomposition based on cross-Wigner-Ville distribution and its application to anomaly imaging for structural health monitoring | |
Fahim et al. | Model-based damage reconstruction in composites from ultrasound transmission | |
Ciampa et al. | Nonlinear elastic wave tomography for the imaging of corrosion damage | |
CN111781275B (zh) | 基于李雅普诺夫指数的钢轨超声导波缺陷识别与定位方法及装置 | |
CN112816556B (zh) | 一种缺陷检测方法、装置、设备和存储介质 | |
CN112505155B (zh) | 基于信息熵的管道导波损伤识别与定位方法、装置及系统 | |
Hua et al. | Modified minimum variance imaging of Lamb waves for damage localization in aluminum plates and composite laminates | |
Yaacoubi et al. | Measurement investigations in tubular structures health monitoring via ultrasonic guided waves: A case of study | |
Morii et al. | A new inverse algorithm for tomographic reconstruction of damage images using Lamb waves | |
Luo et al. | Structural health monitoring of carbon fiber reinforced polymer composite laminates for offshore wind turbine blades based on dual maximum correlation coefficient method | |
Wilcox et al. | Progress towards a forward model of the complete acoustic emission process | |
CN114813943B (zh) | 基于兰姆波相位延迟的胶接接头脱粘轮廓评估方法 | |
CN114460175B (zh) | 一种薄壁结构损伤检测方法 | |
Haldar et al. | Data analysis challenges in structural health assessment using measured dynamic responses | |
CN113884567B (zh) | 基于超声Lamb波的钢轨焊缝损伤检测方法和装置 | |
CN115436470A (zh) | 一种管道裂纹精准定位方法、系统、终端及其存储介质 | |
Ouabi et al. | Monte-carlo localization on metal plates based on ultrasonic guided waves | |
JP4738243B2 (ja) | 超音波探傷システム | |
Zhang et al. | Damage identification in aluminum plates based on iterative partition algorithm using waveform centroid | |
CN114594160A (zh) | 一种飞行器薄壁结构模拟检测系统及其检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |