CN114841221A - 一种管道超声螺旋导波特征路径信号提取方法 - Google Patents
一种管道超声螺旋导波特征路径信号提取方法 Download PDFInfo
- Publication number
- CN114841221A CN114841221A CN202210765235.4A CN202210765235A CN114841221A CN 114841221 A CN114841221 A CN 114841221A CN 202210765235 A CN202210765235 A CN 202210765235A CN 114841221 A CN114841221 A CN 114841221A
- Authority
- CN
- China
- Prior art keywords
- path
- signal
- mode
- order
- guided wave
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000005284 excitation Effects 0.000 claims abstract description 24
- 230000004044 response Effects 0.000 claims abstract description 15
- 239000002356 single layer Substances 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000000926 separation method Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 abstract description 8
- 239000000284 extract Substances 0.000 abstract description 7
- 238000009659 non-destructive testing Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000009795 derivation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 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
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/46—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by spectral analysis, e.g. Fourier analysis or wavelet analysis
-
- 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
- G01N29/4481—Neural networks
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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
- G01N2291/0427—Flexural waves, plate waves, e.g. Lamb waves, tuning fork, cantilever
-
- 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
- G01N2291/26—Scanned objects
- G01N2291/263—Surfaces
- G01N2291/2636—Surfaces cylindrical from inside
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Signal Processing (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Acoustics & Sound (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明属于超声无损检测技术领域,公开了一种管道超声螺旋导波特征路径信号提取方法,包括:通过一阶泰勒展开将管壁非线性的波数关系转换为线性的形式,在窄带激励的情形下,这种近似是合理的;依据这种近似,在已知激励函数情况下,推导了单一模态导波单一路径下的信号响应;在此基础上,建立多模态和多路径的导波传播过完备数据集,利用单层神经网络算法求解模态和路径权重因子;模态权重因子与多模态数据集相乘可以从整体信号中分离出多组单一模态信号,路径权重因子与多路径数据集相乘可以提取单一模态的特征路径信号。本发明能有效抑制导波频散,提取单一模态下单一路径的导波特征信号,提高信号辨识度,具有广阔的前景。
Description
技术领域
本发明涉及超声无损检测技术领域,具体涉及一种管道超声螺旋导波特征路径信号提取方法。
背景技术
自1985年以来,超声导波技术由于长距离检测和无损的特性广泛应用于国民经济领域中,尤其是在管道健康监测方面,具有极其突出的地位。其中,lamb波会在管壁中形成螺旋传播的导波,能在一定范围内对管段的壁厚进行精确的重构,因而具有广阔的应用前景。然而,lamb导波多模态以及频散的特性导致其信号辨识度不高,并且在管壁螺旋传播的方式会产生大量的路径重叠,如何寻找一种有效算法能提取出单一模态的多组特征路径,从而识别有效信号,这已经成为后续层析成像和无损评估的关键问题之一。
信号识别是工业超声导波无损检测评估的基础,为了满足成像需求,近些年来,许多与之相关的信号处理算法,如小波变换、变分模态分解、频散补偿等等,都取得了许多重要的成果。以上这些成果主要用途是去噪和提取主频率分量,具有很强的通用性,但是针对螺旋导波的具体问题去开发多路径重叠的分离算法目前还没有出现过系统的研究,因而在应用方面有着很大的局限性,只能依据经验性的人为判断来进行定性的提取特征。这就导致了人为的误差和时间成本的浪费,并且为了防止路径重叠只能选择较为稀疏的阵列,成像精度也不高。本发明为了改变这种现状,尝试了一种管道超声螺旋导波特征路径信号提取技术,进行了相应的管道检测实验,提取相应信号进行验证,充分证明了本发明的可行性。
发明内容
为解决现有技术中存在的问题,本发明提供了一种管道超声螺旋导波特征路径信号提取方法,能够在稀疏或密集阵列的情况下,将超声换能器采集的螺旋导波实验信号进行单一模态的多组路径信号提取,为后续无损检测评估提供具有相当辨识度的特征数据,解决了上述背景技术中提到的问题。
为实现上述目的,本发明提供如下技术方案:一种管道超声螺旋导波特征路径信号提取方法,所述提取方法包括如下步骤:
S1、构建加窗余弦函数作为激励;
S2、计算单一模态单一路径的信号响应;
S3、构建过完备的多模态多路径数据集;
S4、单层神经网络算法分离出单一模态,得到单一模态信号;
S5、构建过完备的单一模态特定路径数据集;
S6、提取特征路径信号。
每一个单一模态数据集中元素包括一系列不同的传播路径,这些路径元素分
别记为,其中,p=1,2,…,P,代表第p条不同的路径,每一个路径在传播过
程中所经过的管壁边界条件也不一样,其相位也是随时间变化的,在每一个路径数据集下
继续划分Q个相位元素,记为,其中q=1,2,...,Q;
优选的,所述步骤S4具体包括:根据多模态多路径数据集,多模态多路径实际接收信号表示为:
优选的,所述构建过完备的单一模态特定路径数据集具体包括:根据单一模态信
号确定信号中包含的所有传播路径,建立单一模态特定路径数据集,数据集包含特征路径
和相位元素,单一模态特定路径数据集,m=1,2,…,M,
代表m条不同路径,,每条路径继续划分Q个相位元素,记为,其
中,q=1,2,...,Q。
优选的,所述步骤S6提取特征路径信号具体包括:根据单一模态特定路径数据集,
单一模态多路径接收信号表示为:,为单一模态接收信号,阶数为;
为数据集矩阵,阶数为;为多路径权重因子,阶数为;为误差项,阶数;
本发明的有益效果是:
1)本发明将非线性的波数关系进行了一阶泰勒展开只保留线性项,由于激发信号多为窄带加窗的脉冲信号,这种近似是合理的,这种线性近似可以抑制导波的频散,提高信号辨识度。
2)从具有一般形式的导波激励函数出发,建立了过完备的多模态和多路径数据集,数据集的每个元素的表达式包含传播距离和相位的变化量,可以实现信号的单一模态下的多路径提取。
3)本发明在管道螺旋导波检测方面是一个突破,作为管道螺旋导波信号识别的基础技术,可用于管道超声螺旋导波无损检测领域,作为后续成像的基础信号处理技术,具有广阔的应用前景。
附图说明
图1为本发明实施例的管道无损检测环形阵列结构示意图;
图2为本发明实施例的管道螺旋导波展开到平面传播形式的示意图;
图3为本发明提出的管道超声螺旋导波特征信号提取方法的算法流程图;
图4为按照本发明提供的线性波数化技术选择一组典型多路径多模态的原始信号和重构信号图;
图5为利用本发明方法提取出来的6组单一模态下单一路径信号示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常,在此附图中描述的实施例管道阵列形式和信号激励一般式可以以不同的方式来配置和实施。因此,以下结合附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的保护范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例1
一种管道超声螺旋导波特征路径信号提取方法,所述提取方法包括:通过调制一
种加窗的余弦函数作为导波的激励函数,其中,是窗函数,是角
频率,t是时间项。该激励函数传播x距离后,响应信号可记为:。其中,表示激励函数的傅里
叶变换的形式,是波数,可由lamb波频散曲线得到,是一个非线性的形式。
依据泰勒公式将波数在中心频率处进行一阶线性展开,得到,其中,,,是lamb波中心频率处的相速度,代表该频率处的群速度。利用傅里叶变换相关定理,将的
线性表达式代入,化简得到,A是信号包络
的幅值。 令代表信号传播x的距离花费的时间,则可改写为,令表示相位变化量,当管壁存
在凹坑或夹杂等未知边界情况时,A和均会发生变化,因此这两者都是未知量,在未知管
壁材料时,k 1也是未知量。
通过上述推导得到了单一模态单一路径下的信号响应,在管道螺旋导波的传播过程中,在某一换能器接收位置的实际接收信号即为上述响应信号的叠加之和。本发明的技术手段就是利用上述推导,将单一模态下,单一路径的导波从整体信号中进行提取,具体的求解算法包括:
A2、建立多模态和多路径的导波传播过完备数据集,利用单层神经网络算法求解模态和路径权重因子;
A3、通过这两种权重因子组合方式(模态权重因子与多模态数据集相乘可以从整体信号中分离出多组单一模态信号、路径权重因子与多路径数据集相乘可以提取单一模态的特征路径信号),先从多模态结果中提取单一模态的信号,再从单模态数据集中提取出单一路径的信号。
所述A2步骤中,第一步先建立多模态和多路径的过完备数据集,数据集要包含接收信号的所有模态和所有传播路径,具体数据集设计形式包括:
数据集矩阵,其中n=1,2,…,N,代表模态的阶数。每一个
单一模态数据集中元素包括一系列不同的传播路径,这些路径元素分别记为,其中p=1,2,…,P,代表第p条不同的路径,每一个路径在传播过程中所
经过的管壁边界条件可能不一样,有些是无缺陷的,有些是有缺陷的,因而相位也是随时间
变化的。在每一个路径数据集下继续划分Q个相位元素,记为,其中q=1, 2,...,Q。
在得到最终数据集及数据集中所有元素的表达形式之后,实际的多模态多路径接
收信号可表示为:,y为实际接收信号,阶数为;D为数据集矩阵,阶数为;x为多模态权重因子,阶数为;e为误差项,阶数为。在进行
模态分离时,上式可改写为:,其中,为单模态数据集,阶
数为;为单模态权重因子,阶数为。
所述A2步骤中的模态权重因子,可构建单层神经网络算法求解,得到单模态权重
因子,计算即可得到单模态信号。提取路径与之类似,但是要想实现路径分
离,必须提前知晓接收信号包含的路径,才能针对特定路径进行提取,具体包括:
先利用上述模态分离方法在整个接收信号中实现单一模态分离,针对单一模态信
号确定信号中包含的所有传播路径,建立单一模态数据集,该数据集的元素包含特征路径
和相位元素,数据集记为,m=1,2,…,M代表m条不同路径,,每条路径继续划分Q个相位元素,记为,其中q=1,2,...,Q。在得
到路径数据集之后,实际的单一模态多路径接收信号可表示为:,为单一
模态接收信号,阶数为;为数据集矩阵,阶数为;为多路径权重因子,
阶数为;为误差项,阶数为。在进行路径分离时,上式可改写为:,
本发明能有效抑制导波频散,提取单一模态下单一路径的导波特征信号,提高信号辨识度。本方法作为基础信号处理手段,可以广泛应用于工业输油管道、电厂管道等大量工业环境中,具有广阔的前景。
实施例2
一种管道超声螺旋导波特征路径信号提取方法,其包括:搭建管道超声螺旋导波无损检测平台,设计一种环形阵列采集形式;做几组先验的无缺陷的信号,方便建立过完备的多模态和多路径数据集;正式采集实验中,将采集到的部分难以分辨的信号,尤其是出现大量路径重叠和多模态混杂的导波信号,利用本发明提出的方法来进行提取特征,提高辨识度。
本发明涉及的实验中,管道超声无损检测平台包含PC机,普源信号发生器DG4102,
功率放大器Aigtek-2022H,谐振频率为200KHZ的圆形压电片换能器,待检测管道,示波器
MDO-3024。首先由信号发生器调制一组加窗的余弦函数作为导波的激励
函数,本发明实施例中选择的窗函数为高斯窗函数,其中代表初始时间偏移量,为控制窗函数宽度的带宽因
子。因此,按此实施例设计的激励函数在实际操作时需将前述发明内容的时间t全部替换为。电压信号经功率放大器放大后,传递给压电换能器来激励产生触发信号,再由采集
探头进行接收传递给示波器,示波器信号由电脑控制进行采集和存储。
如图1所示,具体检测目标是一段长1.5m的输油管道,管道外径219mm,壁厚6mm。在管道中段选择30cm的检测距离,在两端布置环形阵列进行采集实验,阵列为一发多收形式,可按实际需求布置探头数量。本发明的主要目的是在提取特征信号,不会考虑具体阵列的布置细节。
进一步的,激励换能器在200k的频率下会产生全向的S0和A0模态,沿管道壁面螺旋行进。管壁为方便可视化并可展开成图2的平面,由于管壁周向的连续性,对应平面相当于是无限展开的。以本发明选择实施例T4-R4传播路径为例,不仅存在模态多样性,还存在大量的路径重叠。R4接收探头实际接收信号包含第-1圈,第0圈和第1圈平面的多条路径,同样地,在第一圈平面,T4-R3和T4-R4由于传播距离接近,同样会产生路径重叠。因此,利用本发明提出的方法,进行单一模态分离和特征路径提取从而方便辨识信号是具有重大意义的。
进一步的,依据泰勒公式将波数在中心频率处进行一阶线性展开,得到,其中,,,是lamb波中心频率处的相速度,代表该频率处的群速度。利用傅里叶变换相关定理,将的线
性表达式代入,化简得到,A是信号包络
的幅值。 令代表信号传播x的距离花费的时间,则可改写为,
令表示相位变化量,当管壁存在凹坑或夹杂等未知边界情况
时,A和均会发生变化,因此这两者都是未知量,在未知管壁材料时,k 1也是未知量。最终在
已知传播路径的情况下,,共包含A、 和k 1三个
未知量。
进一步的,通过上述推导得到了单一模态单一路径下的信号响应,在管道螺旋导波的传播过程中,在某一换能器接收位置的实际接收信号即为上述响应信号的叠加之和。本发明的技术手段就是利用上述推导,将单一模态下特定的路径导波从整体信号中进行提取,具体的提取算法包括:
A2、建立多模态和多路径的导波传播过完备数据集,利用单层神经网络算法求解模态和路径权重因子;
A3、通过这两种权重因子组合方式,先从多模态结果中提取单一模态的信号,再从单模态数据集中提取出单一路径的信号。
所述A2步骤中,第一步先建立多模态和多路径的过完备数据集,数据集要包含接收信号的所有模态和所有传播路径,具体数据集设计形式包括:
数据集矩阵,其中n=1,2,…,N,代表模态的阶数。每一
个单一模态数据集中元素包括一系列不同的传播路径,这些路径元素分别记为,其中p=1,2,…,P,代表第p条不同的路径,每一个路径在传播过程中
所经过的管壁边界条件可能不一样,有些是无缺陷的,有些是有缺陷的,因而相位也是随时
间变化的。在每一个路径数据集下继续划分Q个相位元素,记为,其中q=1, 2,…,Q。
在得到最终数据集及数据集中所有元素的表达形式之后,实际的多模态多路径接
收信号可表示为:,y为实际接收信号,阶数为;D为数据集矩阵,阶数为;x为多模态权重因子,阶数为; e为误差项,阶数为。在进行模态
分离时,上式可改写为:
提取路径与之类似,但是要想实现路径分离,必须提前知晓接收信号包含的路径,才能针对特定路径进行提取,具体包括:
先利用上述模态分离方法在整个接收信号中实现单一模态分离,针对单一模态信
号确定信号中包含的所有传播路径,建立单一模态数据集,该数据集的元素包含特征路径
和相位元素,数据集记为,m=1,2,…,M代表m条不同路径,,每条路径继续划分Q个相位元素,记为,其中q=1,2,...,Q。在得到
路径数据集之后,实际的单一模态多路径接收信号可表示为:,为单一模
态接收信号,阶数为;为数据集矩阵,阶数为;为多路径权重因子,阶数
为;为误差项,阶数为。在进行路径分离时,上式可改写为:,其中为单路径数据集,阶数为;为单路
径权重因子,阶数为。所谓的提取特征路径求解即为最优化问题,构建
单层神经网络模型进行求解,得到单路径权重因子,计算即可得到单一
模态的第m路径信号。
对本发明实施例具体来讲,选择包含多模态和多路径的其中一组典型信号,如图4所示,包含一组实验原始信号和本发明利用波数线性化重构的非频散的信号。在实际工业检测过程中,导波存在频散的固有特性,在传播过程中会产生波包拉长的现象,而且,接收换能器受实际环境和制造工艺影响,也会产生一定震荡从而引起杂波变多,图4重构的信号很好的抑制了这种现象,提高了信任辨识度。
利用图3给出的本发明提出的算法流程,对图4重构的信号进行模态和路径分离,如图5所示。重构信号共分离出了6组单一模态单一路径的信号,分别包含了S0模态的4组路径和A0模态的3组路径。通过比较传播群速度和与原始信号的对比,可以充分验证本发明所提出方法的正确性和有效性。凭借此方法,可用于管道超声螺旋导波无损检测领域,作为后续成像的基础信号处理技术,具有广阔的应用前景。
尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种管道超声螺旋导波特征路径信号提取方法,其特征在于,所述提取方法包括如下步骤:
S1、构建加窗余弦函数作为激励;
S2、计算单一模态单一路径的信号响应;
S3、构建过完备的多模态多路径数据集;
S4、单层神经网络算法分离出单一模态,得到单一模态信号;
S5、构建过完备的单一模态特定路径数据集;
S6、提取特征路径信号。
4.根据权利要求1所述的管道超声螺旋导波特征路径信号提取方法,其特征在于:所述
过完备的多模态多路径数据集中包括接收信号的所有模态和所有传播路径,其数据集矩阵,其中,n=1,2,…,N,代表模态的阶数;
每一个单一模态数据集中元素包括一系列不同的传播路径,这些路径元素分别记为,其中, p=1,2,…,P,代表第p条不同的路径,每一个路径在传播过程中
所经过的管壁边界条件也不一样,其相位也是随时间变化的,在每一个路径数据集下继续
划分Q个相位元素,记为,其中q=1,2,…,Q;
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210765235.4A CN114841221B (zh) | 2022-06-30 | 2022-06-30 | 一种管道超声螺旋导波特征路径信号提取方法 |
US18/176,432 US20240003855A1 (en) | 2022-06-30 | 2023-02-28 | Method for extracting feature path signals of pipeline ultrasonic helical guided waves |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210765235.4A CN114841221B (zh) | 2022-06-30 | 2022-06-30 | 一种管道超声螺旋导波特征路径信号提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114841221A true CN114841221A (zh) | 2022-08-02 |
CN114841221B CN114841221B (zh) | 2022-09-09 |
Family
ID=82574194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210765235.4A Active CN114841221B (zh) | 2022-06-30 | 2022-06-30 | 一种管道超声螺旋导波特征路径信号提取方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20240003855A1 (zh) |
CN (1) | CN114841221B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117761166B (zh) * | 2024-02-22 | 2024-05-03 | 中国石油大学(华东) | 一种管道裂纹电磁超声量化方法及电磁超声扭转导波换能器 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170131242A1 (en) * | 2014-06-24 | 2017-05-11 | Qi2 Elements, Llc | Beam forming and steering of helical guided waves in pipe-like and plate-like structures |
CN113176342A (zh) * | 2021-04-13 | 2021-07-27 | 西安交通大学 | 一种内插式电磁超声螺旋导波换能器及其工作方法 |
CN113433214A (zh) * | 2021-06-21 | 2021-09-24 | 南京工业大学 | 一种复合板Lamb波时间反转多路径成像损伤定位方法 |
US20210383175A1 (en) * | 2020-06-08 | 2021-12-09 | Wuhan University | Adaptive inversion method of internet-of-things environmental parameters based on rfid multi-feature fusion sensing model |
-
2022
- 2022-06-30 CN CN202210765235.4A patent/CN114841221B/zh active Active
-
2023
- 2023-02-28 US US18/176,432 patent/US20240003855A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170131242A1 (en) * | 2014-06-24 | 2017-05-11 | Qi2 Elements, Llc | Beam forming and steering of helical guided waves in pipe-like and plate-like structures |
US20210383175A1 (en) * | 2020-06-08 | 2021-12-09 | Wuhan University | Adaptive inversion method of internet-of-things environmental parameters based on rfid multi-feature fusion sensing model |
CN113176342A (zh) * | 2021-04-13 | 2021-07-27 | 西安交通大学 | 一种内插式电磁超声螺旋导波换能器及其工作方法 |
CN113433214A (zh) * | 2021-06-21 | 2021-09-24 | 南京工业大学 | 一种复合板Lamb波时间反转多路径成像损伤定位方法 |
Non-Patent Citations (1)
Title |
---|
伍文君等: "基于导波频散特征的超声导波模态识别方法", 《机械工程学报》 * |
Also Published As
Publication number | Publication date |
---|---|
US20240003855A1 (en) | 2024-01-04 |
CN114841221B (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Model‐based method with nonlinear ultrasonic system identification for mechanical structural health assessment | |
Huthwaite | Evaluation of inversion approaches for guided wave thickness mapping | |
Yan | A Bayesian approach for damage localization in plate-like structures using Lamb waves | |
Cegla et al. | Analytical prediction and experimental measurement for mode conversion and scattering of plate waves at non-symmetric circular blind holes in isotropic plates | |
Zoubi et al. | Lamb wave mode decomposition based on cross-Wigner-Ville distribution and its application to anomaly imaging for structural health monitoring | |
Miller et al. | Classification of flaw severity using pattern recognition for guided wave-based structural health monitoring | |
CN110286155B (zh) | 一种多层复合材料的损伤检测方法及系统 | |
EP3732437B1 (en) | Method and system for determining a thickness of an elongate or extended structure | |
Jia et al. | A baseline-free approach of locating defect based on mode conversion and the reciprocity principle of Lamb waves | |
Diogo et al. | A review of signal processing techniques for ultrasonic guided wave testing | |
CN102636568A (zh) | 一种检测混凝土内部缺陷的有限元超声成像方法 | |
CN104020135A (zh) | 基于近红外光谱的校正模型建模方法 | |
Yacef et al. | Accurate ultrasonic measurement technique for crack sizing using envelope detection and differential evolution | |
CN114841221B (zh) | 一种管道超声螺旋导波特征路径信号提取方法 | |
Li et al. | An Orthogonal Matching Pursuit based signal compression and reconstruction approach for electromechanical admittance based structural health monitoring | |
CN112771360A (zh) | 信号处理 | |
Lin et al. | Theoretical and experimental investigation of circumferential guided waves in orthotropic annuli | |
El Mountassir et al. | Sparse estimation based monitoring method for damage detection and localization: A case of study | |
CN110542723B (zh) | 一种基于导波信号稀疏分解及损伤定位的两阶段损伤位置识别方法 | |
Livadiotis et al. | Monitoring internal corrosion in steel pipelines: a two-step helical guided wave approach for localization and quantification | |
Perfetto et al. | Composite panel damage classification based on guided waves and machine learning: an experimental approach | |
Zhao et al. | Multivariate sparse Bayesian learning for guided wave‐based multidamage localization in plate‐like structures | |
Xu et al. | Fusion of geotechnical and geophysical data for 2D subsurface site characterization using multi-source Bayesian compressive sampling | |
Torres-Arredondo et al. | Damage detection and classification in pipework using acousto-ultrasonics and non-linear data-driven modelling | |
Dubuc et al. | Sparse reconstruction localization of multiple acoustic emissions in large diameter pipelines |
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 |