CN114878696B - 一种弧形复合材料层合板分层损伤的识别方法 - Google Patents

一种弧形复合材料层合板分层损伤的识别方法 Download PDF

Info

Publication number
CN114878696B
CN114878696B CN202210789110.5A CN202210789110A CN114878696B CN 114878696 B CN114878696 B CN 114878696B CN 202210789110 A CN202210789110 A CN 202210789110A CN 114878696 B CN114878696 B CN 114878696B
Authority
CN
China
Prior art keywords
path
damage
signal
tof
probability
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.)
Active
Application number
CN202210789110.5A
Other languages
English (en)
Other versions
CN114878696A (zh
Inventor
刘鹏
范朝珠
王菡
崔福将
李志强
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.)
Taiyuan University of Technology
Original Assignee
Taiyuan 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 Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN202210789110.5A priority Critical patent/CN114878696B/zh
Publication of CN114878696A publication Critical patent/CN114878696A/zh
Application granted granted Critical
Publication of CN114878696B publication Critical patent/CN114878696B/zh
Priority to US18/340,878 priority patent/US11846607B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01N29/043—Analysing solids in the interior, e.g. by 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
    • 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
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • 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
    • G01N29/4472—Mathematical theories or simulation
    • 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
    • G01N29/50—Processing the detected response signal, e.g. electronic circuits specially adapted therefor using auto-correlation techniques or cross-correlation techniques
    • 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
    • G01N2291/01—Indexing codes associated with the measuring variable
    • G01N2291/011—Velocity or travel time
    • 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
    • G01N2291/0231—Composite or layered materials
    • 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

Abstract

本发明公开了一种弧形复合材料层合板分层损伤的识别方法，属于分层损伤识别技术领域。本发明方法在贝叶斯框架下将椭圆轨迹法与概率成像法进行概率集成，可以合理地将多个对损伤敏感的特征进行融合，将已知的先验信息与实测的飞行时间（ToF）数据相结合，并采用马尔科夫链蒙特卡罗（MCMC）算法对未知参数的后验分布进行采样，提高了损伤定位的可靠性，增强了Lamb波在板状结构损伤定位中的适用性。且本发明可以通过对实测飞行时间（ToF）的处理，精准识别弧形复合材料层合板的分层损伤，定位绝对误差小于1cm。

Description

一种弧形复合材料层合板分层损伤的识别方法
技术领域
本发明属于分层损伤识别技术领域，具体涉及一种基于贝叶斯框架和Lamb波的弧形复合材料层合板分层损伤的识别方法。
背景技术
复合材料以其较高的比强度、较低的结构重量、耐腐蚀性以及优异的抗疲劳性，近年来在汽车、航空航天以及国防军工等前端科技领域扮演了越来越重要的角色。然而，复合材料因其优越性能被广泛应用的同时，其复杂的破坏机理和损伤的难以察觉性也逐渐受到了人们的重视。一方面，复合材料的损伤模式和机理与金属材料截然不同；另一方面复合材料在服役过程中不可避免地会发生内部损伤。复合材料的纤维断层、基体脱粘、纤维分层等都可以对整个结构的安全性和可靠性造成巨大威胁。尤其是在损伤的初始阶段复合材料结构内部的微小损伤更是让人难以察觉，随着服役寿命的增长，内部的疲劳损伤越来越严重，当发展到一定的程度是就会对人们的生命财产安全带来巨大的威胁。因此，能够在损伤发生的前期对损伤进行识别就变得尤为重要。
在新型传感器技术的发展下，基于lamb波技术的复合材料结构健康监测技术，因其具有长距离传播的能力和对传播路径附近非均匀性的高灵敏度，逐渐发挥出了巨大的优势，被认为是最有前景的检测方法之一。目前，基于lamb波的检测方法大多是根据结构响应信号的某些特征参数（例如：速度、相位、幅值等）来评价结构的健康状态。经过多年的发展，该方法已经可以判断结构是否发生损伤以及损伤发生的大致位置，但是想要达到定量识别，以及精确的判断出损伤法发生的位置，还需要进一步的研究。特别是复合材料层合板在实际工程应用中通常都不是平板而是带有弧度的弧形板，这也给层合板分层损伤的定位带来了很大的困难。
发明内容
针对目前贝叶斯融合法对传感器网络边缘损伤定位不准确的问题，本发明提供了一种基于贝叶斯框架和Lamb波的弧形复合材料层合板分层损伤的识别方法。
为了达到上述目的，本发明采用了下列技术方案：
基于贝叶斯框架和Lamb波的弧形复合材料损伤识别方法，包括以下步骤：
步骤1，在待检测的复合材料上布置传感器网络，形成传感器路径；
步骤2，检测出Lamb波在复合材料层合板各个方向的传播速度，判断复合材料层合板对Lamb波信号传播速度的影响；
步骤3，检测复合材料层合板上个路径的Lamb波信号，并获得损伤路径信号和无损伤路径信号的数据；
步骤4，对每条路径的损伤信号数据和无损信号数据做相关性分析，获得两者的相关性DI；
步骤5，对每条路径的散射信号进行连续小波变化后得到各个路径的飞行时间ToF；
步骤6，对飞行时间ToF进行处理，将三维测量数据转换至二维成像平面，用于进行二维定位；
步骤7，利用贝叶斯原理进行损伤定位算法的融合得到其后验分布，将相关性DI和飞行时间ToF作为输入，利用马尔科夫链蒙特卡罗（MCMC）算法对融合后的后验分布进行抽样，得到位置参数（x，y）的分布；
步骤8，对位置参数（x，y）进行可视化处理，得到最终的损伤位置。
进一步，所述步骤1中布置传感器网络的具体方法是：以信号发射器为圆心125mm为半径在四分之一圆的范围内布置4个传感器。
进一步，所述步骤2中检测出Lamb波在复合材料层合板各个方向的传播速度的具体方法是，通过对接收到的信号进行连续小波变换后得到各个方向上波的传播时间，进而可以由信号发射器与接收器的距离除以传播时间求出各个方向上波的传播速度。
进一步，所述步骤4中相关性分析表示为：
Figure 166553DEST_PATH_IMAGE001
其中，DI表示相关性，X k 为未损伤板接收器的信号，Y k 为损伤板接收器的信号，μ x 为X k 的均值，μ y 为Y k 的均值，K为数据记录点的总数，k为数据记录的点数；DI的值越大表示损伤存在的概率越小，反之DI的值越小表示损伤存在的概率越大。
进一步，所述步骤5中对每条路径的散射信号进行连续小波变化后得到各个路径的飞行时间ToF的具体方法包括以下步骤：
将损伤信号与完好信号作差得到该路径的散射信号，再将散射信号与激励信号做连续小波变换（CWT）；激励信号与散射信号做连续小波变换后的第一个峰值时间的差即为飞行时间ToF，表示为：
Figure 494767DEST_PATH_IMAGE002
。
进一步，所述步骤6中对飞行时间ToF进行处理的具体方法是：将实测的飞行时间 ToF乘以二维成像平面上每条路径的长度与实际弧形板上的每条路径长度之比，表示为：
Figure 260860DEST_PATH_IMAGE003
。
进一步，所述步骤7中后验分布是根据损伤概率重建法（RAPID）的概率密度函数获得联合先验分布，再根据椭圆轨迹法构造似然函数，最后将两者在贝叶斯框架下进行概率融合得到。
进一步，根据损伤概率重建法的概率密度函数获得联合先验分布，表示为：
Figure 965510DEST_PATH_IMAGE004
其中：
Figure 382716DEST_PATH_IMAGE005
表示先验分布函数，
Figure 881831DEST_PATH_IMAGE006
为未知参数向量
Figure 633755DEST_PATH_IMAGE007
，
Figure 876518DEST_PATH_IMAGE008
是指正态分布的标准 差，
Figure 148230DEST_PATH_IMAGE009
是发射器到接收器路径的总数，i表示发射器到接收器的i路径，DI i 表示每条路径上 的相关系数，R i 表示i路径椭圆区域内的概率分布，
Figure 818246DEST_PATH_IMAGE010
为尺寸参数，且
Figure 556001DEST_PATH_IMAGE010
＞1；控制着传感器路 径影响区域的大小；取1.07；
根据椭圆轨迹法构造似然函数，得到未知参数
Figure 336875DEST_PATH_IMAGE006
的概率密度函数，表示为：
Figure 728674DEST_PATH_IMAGE011
其中，
Figure 569591DEST_PATH_IMAGE012
表示参数
Figure 296107DEST_PATH_IMAGE006
的概率密度函数，D表示实测的ToF数据，
Figure 880672DEST_PATH_IMAGE013
是指正态分布的标 准差，
Figure 126977DEST_PATH_IMAGE014
是从实测的散射信号中得到的ToF，
Figure 138795DEST_PATH_IMAGE015
是结合损伤位置参数
Figure 588493DEST_PATH_IMAGE016
理论 计算得的ToF；
其联合分布律为：
Figure 976749DEST_PATH_IMAGE018
根据贝叶斯理论得到参数向量
Figure 77561DEST_PATH_IMAGE006
的后验概率密度函数：
Figure 260280DEST_PATH_IMAGE020
进一步，所述步骤8中可视化处理是通过构造正态分布，分别表示位置参数x和y的分布，然后将两个正态分布进行二维拟合得到最终的损伤位置的概率结果。
与现有技术相比本发明具有以下优点：
基于目前贝叶斯融合法对传感器网络边缘损伤定位不准确的问题，提出了一种基于不同方向Lamb群速度传播特性的改进贝叶斯融合法，该方法在研究Lamb波在复合材料层合板上的传播特性时考虑了复合材料的各向异性的影响。
现有的损伤定位的方法的研究对象都是平板复合材料，但是在实际应用中复合材料层合板很少是呈理想的平板结构，绝大多数是具有一定弧度的弧状结构。本发明通过将弧形板上测得的损伤特征进行二维转化后实现了对弧形复合材料层合板的分层损伤的定位。
附图说明
图1 Lamb波的传播时间示意图；
图2传感器路径示意图；
图3基于贝叶斯框架的损伤定位方法原理示意图；
图4各参数的频率直方图；
图5为实施例可视化处理后的损伤位置示意图。
具体实施方式
实施例1
基于贝叶斯框架和Lamb波的弧形复合材料损伤识别方法，包括以下步骤：
步骤1，在待检测的复合材料上布置传感器网络，形成传感器路径；如图1所示，其中T为信号发射器，R1、R2、R3、R4为信号接收器；
步骤2，检测出Lamb波在复合材料层合板各个方向的传播速度，判断复合材料层合板对Lamb波信号传播速度的影响；通过对接收到的信号进行连续小波变换后得到各个方向上波的传播时间，进而可以求出各个方向上波的传播速度；
步骤3，检测复合材料层合板上个路径的Lamb波信号，并获得损伤路径信号和无损伤路径信号的数据；传感器布置如图2所示；
步骤4，对每条路径的损伤信号数据和无损信号数据做相关性分析，获得两者的相关性DI；
Figure 961389DEST_PATH_IMAGE021
其中，DI表示相关性，X k 为未损伤板接收器的信号，Y k 为损伤板接收器的信号，μ x 为X k 的均值，μ y 为Y k 的均值，K为数据记录点的总数，k为数据记录的点数；DI的值越大表示损伤存在的概率越小，反之DI的值越小表示损伤存在的概率越大；
步骤5，将损伤信号与完好信号作差得到该路径的散射信号，再将散射信号与激励信号做连续小波变换；激励信号与散射信号做连续小波变换后的第一个峰值时间的差即为飞行时间ToF；
步骤6，对飞行时间ToF进行处理，将实测的飞行时间ToF乘以二维成像平面上每条路径的长度与实际弧形板上的每条路径长度之比，将三维测量数据转换至二维成像平面；
步骤7，利用贝叶斯原理进行损伤定位算法的融合得到其后验分布，将相关性DI和飞行时间ToF作为输入，利用马尔科夫链蒙特卡罗（MCMC）算法对融合后的后验分布进行抽样，得到位置参数（x，y）的分布；
根据损伤概率重建法的概率密度函数获得联合先验分布，表示为：
Figure 887757DEST_PATH_IMAGE022
其中：
Figure 577495DEST_PATH_IMAGE005
表示先验分布函数，
Figure 196695DEST_PATH_IMAGE006
为未知参数向量
Figure 618056DEST_PATH_IMAGE007
，
Figure 348114DEST_PATH_IMAGE013
是指正态分布的标准 差，
Figure 157939DEST_PATH_IMAGE009
是发射器到接收器路径的总数，i表示发射器到接收器的i路径，DI i 表示每条路径上 的相关系数，R i 表示i路径椭圆区域内的概率分布，
Figure 213619DEST_PATH_IMAGE010
为尺寸参数，且
Figure 623741DEST_PATH_IMAGE010
＞1；
根据椭圆轨迹法构造似然函数，得到未知参数
Figure 891911DEST_PATH_IMAGE006
的概率密度函数，表示为：
Figure 821821DEST_PATH_IMAGE023
其中，
Figure 517245DEST_PATH_IMAGE012
表示参数
Figure 650548DEST_PATH_IMAGE006
的概率密度函数，D表示实测的ToF数据，
Figure 722409DEST_PATH_IMAGE013
是指正态分布的标 准差，
Figure 772405DEST_PATH_IMAGE014
是从实测的散射信号中得到的ToF，
Figure 638730DEST_PATH_IMAGE015
是结合损伤位置参数
Figure 23444DEST_PATH_IMAGE016
理论 计算得的ToF；
其联合分布律为：
Figure 633416DEST_PATH_IMAGE024
根据贝叶斯理论得到参数向量
Figure 537919DEST_PATH_IMAGE006
的后验概率密度函数：
Figure 575145DEST_PATH_IMAGE025
总共抽取了60000个变量样本，将前10000个样本设置为老化数据，共得到50000个样本来估计损伤发生的位置，通过采样样本得到各个参数的频率直方图，如图4所示；
步骤8，对位置参数（x，y）进行可视化处理，通过构造正态分布，分别表示位置参数x和y的分布，然后将两个正态分布进行二维拟合，得到最终的损伤位置（233，345），如图5所示。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (3)

1.一种弧形复合材料层合板分层损伤的识别方法，其特征在于：包括以下步骤：
步骤1，在待检测的复合材料上布置传感器网络，形成传感器路径；
步骤2，检测出Lamb波在复合材料层合板各个方向的传播速度，判断复合材料层合板对Lamb波信号传播速度的影响；
步骤3，检测复合材料层合板上各个路径的Lamb波信号，并获得损伤路径信号和无损伤路径信号的数据；
步骤4，对每条损伤路径信号和无损伤路径信号的数据做相关性分析，获得两者的相关性DI；
步骤5，对每条路径的散射信号进行连续小波变化后得到各个路径的飞行时间ToF；
步骤6，对飞行时间ToF进行处理，将三维测量数据转换至二维成像平面；
步骤7，利用贝叶斯原理进行损伤定位算法的融合得到其后验分布，将相关性DI和飞行时间ToF作为输入，利用马尔科夫链蒙特卡罗算法对融合后的后验分布进行抽样，得到位置参数（x，y）的分布；
步骤8，对位置参数（x，y）进行可视化处理，得到最终的损伤位置；
所述步骤2中检测出Lamb波在复合材料层合板各个方向的传播速度的具体方法是，通过对接收到的信号进行连续小波变换，获得各个方向上波的传播时间和传播速度；
所述步骤4中相关性分析表示为：
Figure 24981DEST_PATH_IMAGE001
其中，DI表示相关性，X k 为未损伤板接收器的信号，Y k 为损伤板接收器的信号，μ x 为X k 的均值，μ y 为Y k 的均值，K为数据记录点的总数，k为数据记录的点数；DI的值越大表示损伤存在的概率越小，反之DI的值越小表示损伤存在的概率越大；
所述步骤5中对每条路径的散射信号进行连续小波变化后得到各个路径的飞行时间ToF的具体方法包括以下步骤：
将损伤信号与完好信号作差得到该路径的散射信号，再将散射信号与激励信号做连续 小波变换；激励信号与散射信号做连续小波变换后的第一个峰值时间的差即为飞行时间 ToF，表示为：
Figure 634954DEST_PATH_IMAGE002
；
所述步骤6中对飞行时间ToF进行处理的具体方法是：将实测的飞行时间ToF乘以二维成像平面上每条路径的长度与实际弧形板上的每条路径长度之比，表示为：
Figure 664090DEST_PATH_IMAGE003
；
所述步骤7中后验分布是根据损伤概率重建法的概率密度函数获得联合先验分布，再根据椭圆轨迹法构造似然函数，最后将两者在贝叶斯框架下进行概率融合得到；
根据损伤概率重建法的概率密度函数获得联合先验分布，表示为：
Figure 232474DEST_PATH_IMAGE004
其中：
Figure 199424DEST_PATH_IMAGE005
表示先验分布函数，
Figure 613088DEST_PATH_IMAGE006
为未知参数向量
Figure 496731DEST_PATH_IMAGE007
，σ是指正态分布的标准差，
Figure 970437DEST_PATH_IMAGE008
是 发射器到接收器路径的总数，i表示发射器到接收器的i路径，DI i 表示每条路径上的相关系 数，R i 表示i路径椭圆区域内的概率分布，
Figure 690263DEST_PATH_IMAGE009
为尺寸参数，且
Figure 438776DEST_PATH_IMAGE009
＞1；
根据椭圆轨迹法构造似然函数，得到未知参数
Figure 442504DEST_PATH_IMAGE006
的概率密度函数，表示为：
Figure 290374DEST_PATH_IMAGE010
其中，
Figure 294233DEST_PATH_IMAGE011
表示参数
Figure 49700DEST_PATH_IMAGE006
的概率密度函数，D表示实测的ToF数据，σ是指正态分布的标准差，
Figure 642355DEST_PATH_IMAGE012
是从实测的散射信号中得到的ToF，
Figure 208597DEST_PATH_IMAGE013
是结合损伤位置参数
Figure 152282DEST_PATH_IMAGE014
理论计算 得的ToF；
其联合分布律为：
Figure 711439DEST_PATH_IMAGE015
根据贝叶斯理论得到参数向量
Figure 424180DEST_PATH_IMAGE006
的后验概率密度函数：
Figure 907463DEST_PATH_IMAGE016
。
2.根据权利要求1所述的一种弧形复合材料层合板分层损伤的识别方法，其特征在于：所述步骤1中布置传感器网络的具体方法是：以信号发射器为圆心125mm为半径在四分之一圆的范围内布置4个传感器。
3.根据权利要求1所述的一种弧形复合材料层合板分层损伤的识别方法，其特征在于：所述步骤8中可视化处理是通过构造正态分布，分别表示位置参数x和y的分布，然后将两个正态分布进行二维拟合得到最终的损伤位置的概率结果。
CN202210789110.5A 2022-07-06 2022-07-06 一种弧形复合材料层合板分层损伤的识别方法 Active CN114878696B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210789110.5A CN114878696B (zh) 2022-07-06 2022-07-06 一种弧形复合材料层合板分层损伤的识别方法
US18/340,878 US11846607B2 (en) 2022-07-06 2023-06-25 Method of identifying delamination damage of arc-shaped composite laminate

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210789110.5A CN114878696B (zh) 2022-07-06 2022-07-06 一种弧形复合材料层合板分层损伤的识别方法

Publications (2)

Publication Number Publication Date
CN114878696A CN114878696A (zh) 2022-08-09
CN114878696B true CN114878696B (zh) 2022-10-04

Family

ID=82683197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210789110.5A Active CN114878696B (zh) 2022-07-06 2022-07-06 一种弧形复合材料层合板分层损伤的识别方法

Country Status (2)

Country Link
US (1) US11846607B2 (zh)
CN (1) CN114878696B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1995592A1 (en) * 2007-05-22 2008-11-26 Honeywell International Inc. Automated defect detection of corrosion or cracks using SAFT processed Lamb wave images
WO2016062897A1 (en) * 2014-10-24 2016-04-28 Renishaw Plc Acoustic apparatus and method for inspection of an object
CN106093207A (zh) * 2016-03-24 2016-11-09 南京航空航天大学 一种基于非线性无味卡尔曼滤波算法的兰姆波损伤定位方法
CN108344802A (zh) * 2018-02-02 2018-07-31 北京交通大学 一种无参考信号主动Lamb波损伤智能定位方法
CN108414626A (zh) * 2018-03-02 2018-08-17 北京航空航天大学 一种基于贝叶斯风险函数的多传感器损伤组网监测方法
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
CN110376282A (zh) * 2019-07-15 2019-10-25 北京航空航天大学 一种基于椭圆概率与贝叶斯估计的Lamb波损伤定位法
CN110687208A (zh) * 2019-09-26 2020-01-14 华东理工大学 一种基于双曲线定位的无基准Lamb波损伤监测方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6676785B2 (en) 2001-04-06 2004-01-13 Ebert Composites Corporation Method of clinching the top and bottom ends of Z-axis fibers into the respective top and bottom surfaces of a composite laminate
GB0715303D0 (en) * 2007-08-08 2007-09-19 Airbus Uk Ltd Composite laminate structure
WO2009158475A1 (en) * 2008-06-25 2009-12-30 Boltaron Performance Products, Llc Composite laminate composition
CN110391885B (zh) * 2018-04-20 2020-11-13 维沃移动通信有限公司 非授权频段的信息传输方法、网络设备及终端
CN108845034A (zh) * 2018-06-27 2018-11-20 中国商用飞机有限责任公司 复合材料层合板结构分层损伤监测方法
CN109632958A (zh) * 2018-12-24 2019-04-16 北京航空航天大学 一种考虑裂纹方位的Lamb波损伤检测方法
CN110907540B (zh) * 2019-12-04 2020-09-11 哈尔滨工业大学 一种基于贝叶斯更新和吉布斯采样的超声导波多损伤识别方法
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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1995592A1 (en) * 2007-05-22 2008-11-26 Honeywell International Inc. Automated defect detection of corrosion or cracks using SAFT processed Lamb wave images
WO2016062897A1 (en) * 2014-10-24 2016-04-28 Renishaw Plc Acoustic apparatus and method for inspection of an object
CN106093207A (zh) * 2016-03-24 2016-11-09 南京航空航天大学 一种基于非线性无味卡尔曼滤波算法的兰姆波损伤定位方法
CN108344802A (zh) * 2018-02-02 2018-07-31 北京交通大学 一种无参考信号主动Lamb波损伤智能定位方法
CN108414626A (zh) * 2018-03-02 2018-08-17 北京航空航天大学 一种基于贝叶斯风险函数的多传感器损伤组网监测方法
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
CN110376282A (zh) * 2019-07-15 2019-10-25 北京航空航天大学 一种基于椭圆概率与贝叶斯估计的Lamb波损伤定位法
CN110687208A (zh) * 2019-09-26 2020-01-14 华东理工大学 一种基于双曲线定位的无基准Lamb波损伤监测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A novel Bayesian imaging method for probabilistic delamination detection of composite materials;Tishun Peng等;《Smart Materials and Structures》;20131231;第22卷(第2期);第125019页 *
A probabilistic crack size quantification method using in-situ Lamb wave test and Bayesian updating;Jinsong Yang等;《Mechanical Systems and Signal Processing》;20161001;第78卷;第118-133页 *
基于超声导波技术的复合材料板无损检测研究;余锋祥;《中国优秀硕士学位论文全文数据库 工程科技I辑》;20130115(第1期);B020-12 *

Also Published As

Publication number Publication date
US11846607B2 (en) 2023-12-19
CN114878696A (zh) 2022-08-09
US20230333065A1 (en) 2023-10-19

Similar Documents

Publication Publication Date Title
Wu et al. Lamb wave-based damage detection of composite structures using deep convolutional neural network and continuous wavelet transform
Thiene et al. Optimal sensor placement for maximum area coverage (MAC) for damage localization in composite structures
Ostachowicz et al. Damage localisation in plate-like structures based on PZT sensors
CN112232400A (zh) 一种基于深浅特征融合的不锈钢焊缝超声缺陷检测方法
Saxena et al. Accelerated aging experiments for prognostics of damage growth in composite materials
Feng et al. Locating defects in anisotropic CFRP plates using ToF-based probability matrix and neural networks
Al-Jumaili et al. Parameter Correction Technique (PCT): A novel method for acoustic emission characterisation in large-scale composites
CN105158335B (zh) 一种钢‑玻璃钢复合板材脱粘超声导波评价方法
CN111521691B (zh) 一种基于时间反转加权分布的复合材料Lamb波损伤成像方法
Al-Jumaili et al. Characterisation of fatigue damage in composites using an Acoustic Emission Parameter Correction Technique
Liu et al. Data-driven approaches for characterization of delamination damage in composite materials
Chen et al. Nonlinear lamb wave for structural incipient defect detection with sequential probabilistic ratio test
CN114235962B (zh) 一种面向各向异性结构的超声导波成像方法及系统
CN113720907B (zh) 一种轮廓与深度顺序辨识的复合材料分层损伤辨识方法
Muller et al. Image reconstruction and characterisation of defects in a carbon fibre/epoxy composite monitored with guided waves
CN102495293A (zh) 基于系统辨识理论的机场道面介质层电磁特性的反演方法
CN113960171B (zh) 一种基于超声导波的损伤识别方法及系统
Liao et al. Super-resolution ultrasound lamb wave NDE imaging of anisotropic airplane laminates via deconvolutional neural network
Kim et al. Non-destructive detection of thin micro-defects in glass reinforced polymer composites using a terahertz electro–magnetic wave based on a convolution neural network
CN114878696B (zh) 一种弧形复合材料层合板分层损伤的识别方法
CN113933392B (zh) 一种基于超声导波的特征融合概率重建损伤定位成像方法
Torres-Arredondo et al. Characterization and classification of modes in acoustic emission based on dispersion features and energy distribution analysis
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
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
CN108918668B (zh) 基于公共外切圆的复合材料椭圆损伤定位检测方法

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