CN114993832A - 一种基于表观显微形貌的金属材料寿命的预测方法及系统 - Google Patents
一种基于表观显微形貌的金属材料寿命的预测方法及系统 Download PDFInfo
- Publication number
- CN114993832A CN114993832A CN202210926036.7A CN202210926036A CN114993832A CN 114993832 A CN114993832 A CN 114993832A CN 202210926036 A CN202210926036 A CN 202210926036A CN 114993832 A CN114993832 A CN 114993832A
- Authority
- CN
- China
- Prior art keywords
- metal material
- section
- service life
- outputting
- target metal
- 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
- 239000007769 metal material Substances 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 53
- 229910052751 metal Inorganic materials 0.000 claims abstract description 76
- 239000002184 metal Substances 0.000 claims abstract description 76
- 239000000463 material Substances 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000002156 mixing Methods 0.000 claims description 33
- 230000003068 static effect Effects 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 239000002244 precipitate Substances 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000011897 real-time detection Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000012876 topography Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 5
- 230000000694 effects Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 239000000126 substance Substances 0.000 description 10
- 239000010941 cobalt Substances 0.000 description 5
- 229910017052 cobalt Inorganic materials 0.000 description 5
- GUTLYIVDDKVIGB-UHFFFAOYSA-N cobalt atom Chemical compound [Co] GUTLYIVDDKVIGB-UHFFFAOYSA-N 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 2
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 2
- 229910001069 Ti alloy Inorganic materials 0.000 description 2
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 2
- 229910052804 chromium Inorganic materials 0.000 description 2
- 239000011651 chromium Substances 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000005489 elastic deformation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 229910052750 molybdenum Inorganic materials 0.000 description 2
- 239000011733 molybdenum Substances 0.000 description 2
- 239000010936 titanium Substances 0.000 description 2
- 229910052719 titanium Inorganic materials 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 239000003518 caustics Substances 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910001092 metal group alloy Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/08—Investigating strength properties of solid materials by application of mechanical stress by applying steady tensile or compressive forces
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/02—Details
- G01N3/06—Special adaptations of indicating or recording means
- G01N3/068—Special adaptations of indicating or recording means with optical indicating or recording means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/0001—Type of application of the stress
- G01N2203/0003—Steady
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/0014—Type of force applied
- G01N2203/0016—Tensile or compressive
- G01N2203/0017—Tensile
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/02—Details not specific for a particular testing method
- G01N2203/06—Indicating or recording means; Sensing means
- G01N2203/0641—Indicating or recording means; Sensing means using optical, X-ray, ultraviolet, infrared or similar detectors
- G01N2203/0647—Image analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Economics (AREA)
- Pathology (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
Abstract
本发明提供了一种基于表观显微形貌的金属材料寿命的预测方法及系统,涉及数据处理相关技术领域,通过获取用于进行寿命预测的目标金属材料并对其信息进行分析,获取材料发生形变的应力幅值大小,输出阶梯应变幅值;以阶梯应变幅值对其进行检测,输出力学性能数据;根据力学性能数据,输出拉伸临界值用于将目标金属材料拉伸至断裂,并根据显微识别装置对断裂截面进行数据识别,输出金属截面图像集合;获取用于进行截面特征识别的特征比对库;通过对金属截面图像集合进行特征提取,输出截面特征集合,并将其输入截面特征比对库中,输出特征比对结果;根据比对结果,获取寿命预测结果,解决了如何精确的对金属材料的寿命进行预测的技术问题。
Description
技术领域
本发明涉及数据处理相关技术领域,具体涉及一种基于表观显微形貌的金属材料寿命的预测方法及系统。
背景技术
金属材料是指由金属元素或以金属元素为主构成的具有金属特性的材料的统称。农业现代化、工业现代化、国防和科学技术现代化都离不开金属的支持,小到农具、机械零件、日常用品,大到航空航天、核电站、核潜艇等尖端设备以及原子能、通讯、雷达、电子计算机等尖端技术所需的构件或部件大都是由金属制成。
金属材料的寿命往往决定了整个工程结构的强度和寿命,在实际工程应用中,金属材料常常在低于设计许用应力作用下发生失效断裂,给人们带来重大财产损失及人身伤亡,特别是金属机械机构在交变应力作用下发生的失效断裂事故更是数不胜数,造成极为惨重的损伤,严重阻碍了工业发展的进步和造成人身安全威胁,金属材料寿命的准确预测成为目前亟需解决的技术问题。
发明内容
本申请提供了一种基于表观显微形貌的金属材料寿命的预测方法及系统,用于解决如何精确的对金属材料的寿命进行预测的技术问题,达到降低由于金属材料寿命预测不准确而带来重大财产损失及人身伤亡事件发生概率的技术效果。
鉴于上述问题,本申请提供了一种基于表观显微形貌的金属材料寿命的预测方法及系统。
第一方面,本申请实施例提供了一种基于表观显微形貌的金属材料寿命的预测方法,所述方法应用于表观显微形貌的金属材料寿命的预测系统,所述系统与一显微识别装置通信连接,所述方法包括:获取用于进行寿命预测的目标金属材料;通过对所述目标金属材料的信息进行分析,获取材料发生形变的应力幅值大小,输出阶梯应变幅值;以所述阶梯应变幅值对所述目标金属材料进行检测,输出力学性能数据;根据所述力学性能数据,输出拉伸临界值用于将所述目标金属材料拉伸至断裂,并根据所述显微识别装置对断裂截面进行数据识别,输出金属截面图像集合;获取用于进行截面特征识别的特征比对库;通过对所述金属截面图像集合进行特征提取,输出截面特征集合,将所述截面特征集合输入截面特征比对库中,输出特征比对结果;根据所述特征比对结果,获取寿命预测结果。
第二方面,本申请实施例提供了一种基于表观显微形貌的金属材料寿命的预测系统,所述系统包括:目标金属材料获取模块,所述目标金属材料获取模块用于获取用于进行寿命预测的目标金属材料;信息分析模块,所述信息分析模块用于通过对所述目标金属材料的信息进行分析,获取材料发生形变的应力幅值大小,输出阶梯应变幅值;力学性能检测模块,所述力学性能检测模块用于以所述阶梯应变幅值对所述目标金属材料进行检测,输出力学性能数据;显微识别装置,根据所述力学性能数据,输出拉伸临界值用于将所述目标金属材料拉伸至断裂,并根据所述显微识别装置对断裂截面进行数据识别,输出金属截面图像集合;特征比对库获取模块,所述特征比对库获取模块用于获取用于进行截面特征识别的特征比对库;特征对比结果输出模块,所述特征对比结果输出模块用于通过对所述金属截面图像集合进行特征提取,输出截面特征集合,将所述截面特征集合输入截面特征比对库中,输出特征比对结果;寿命预测结果获取模块,所述寿命预测结果获取模块用于根据所述特征比对结果,获取寿命预测结果。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种基于表观显微形貌的金属材料寿命的预测方法及系统,通过获取用于进行寿命预测的目标金属材料;通过对所述目标金属材料的信息进行分析,获取材料发生形变的应力幅值大小,输出阶梯应变幅值;以所述阶梯应变幅值对所述目标金属材料进行检测,输出力学性能数据;根据所述力学性能数据,输出拉伸临界值用于将所述目标金属材料拉伸至断裂,并根据所述显微识别装置对断裂截面进行数据识别,输出金属截面图像集合;获取用于进行截面特征识别的特征比对库;通过对所述金属截面图像集合进行特征提取,输出截面特征集合,将所述截面特征集合输入截面特征比对库中,输出特征比对结果;根据所述特征比对结果,获取寿命预测结果。解决了如何精确的对金属材料的寿命进行预测的技术问题,达到降低由于金属材料寿命预测不准确而带来重大财产损失及人身伤亡事件发生概率的技术效果。
附图说明
图1为本申请提供的一种基于表观显微形貌的金属材料寿命的预测方法的流程示意图;
图2为本申请提供的一种基于表观显微形貌的金属材料寿命的预测方法中输出所述力学性能数据的流程示意图;
图3为本申请提供的一种基于表观显微形貌的金属材料寿命的预测方法中获取寿命预测结果的流程示意图;
图4为本申请提供的一种基于表观显微形貌的金属材料寿命的预测方法中获取寿命二次预测结果的流程示意图;
图5为本申请提供的一种基于表观显微形貌的金属材料寿命的预测系统结构示意图;
附图标记说明:目标金属材料获取模块100,信息分析模块200,力学性能检测模块300,显微识别装置400,特征比对库获取模块500,特征对比结果输出模块600,寿命预测结果获取模块700。
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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请通过提供一种基于表观显微形貌的金属材料寿命的预测方法及系统,用于解决如何精确的对金属材料的寿命进行预测的技术问题,达到降低由于金属材料寿命预测不准确而带来重大财产损失及人身伤亡事件发生概率的技术效果。
实施例一
如图1所示,本申请提供了一种基于表观显微形貌的金属材料寿命的预测方法,所述方法应用于表观显微形貌的金属材料寿命的预测系统,所述系统与一显微识别装置通信连接,所述方法包括:
S100:获取用于进行寿命预测的目标金属材料;
S200:通过对所述目标金属材料的信息进行分析,获取材料发生形变的应力幅值大小,输出阶梯应变幅值;
具体而言,金属材料零部件在正常服役阶段会受到载荷或者交变载荷的作用,在应力最高的位置或者强度比较薄弱的位置会容易出现裂纹的萌生,并伴随着载荷的继续,裂纹会逐渐扩展直至断裂,金属材料中的疲劳断裂一般难以被发现,经常在毫无预兆的情况下突然发生,给实际工程结构埋下了重大隐患,因此,准确预测金属材料的寿命显得尤为重要。
本申请实施例中,首先获取用于进行寿命预测的目标金属材料,对用于进行寿命预测的目标金属材料的信息进行分析,示例性的,所述对目标金属材料的信息进行分析可以包括对目标金属材料的化学成分分析,例如,是纯金属还是金属合金等;目标金属材料的制备方法分析,例如,是铸造还是锻造等;通过对目标金属材料的信息进行分析,获得目标金属材料发生形变的应力幅值大小,例如,发生塑性变形对应的应力幅值大小,发生断裂对应的应力幅值大小,根据应力应变之间的转换关系,进而输出阶梯应变幅值,在阶梯应变幅值的加载下,目标金属材料完成从弹性变形到塑性变形直至断裂的过程。
S300:以所述阶梯应变幅值对所述目标金属材料进行检测,输出力学性能数据;
进一步的,如图2所示,本申请实施例提供的方法中输出力学性能数据还包括:
S310:通过对所述目标金属材料进行成分识别,获取成分类型和成分含量;
S320:通过对所述成分类型和所述成分含量进行统计占比分析,获取金属混杂度,其中,所述金属混杂度为用于标识混合物金属的复杂程度的数据;
S330:判断所述金属混杂度是否小于预设金属混杂度,若所述金属混杂度小于所述预设金属混杂度,输出所述力学性能数据。
具体而言,在获得阶梯应变幅值后,以阶梯应变幅值对所述目标金属材料进行检测,输出力学性能数据,所述力学性能数据可以包括材料的屈服强度,抗拉强度,断面收缩率等力学性能数据。
进一步的,金属材料的化学成分会对金属材料的力学性能产生影响,不同化学成分的材料对应的材料性能也不同,为了获得准确的阶梯应变幅值,进而输出精确地力学性能数据,本申请实施例中,对所述目标金属材料的化学成分进行分析识别,获得目标金属材料的成分类型以及成分含量,所述成分类型与成分含量之间一一对应,例如,纯钛和TC4钛合金对应的力学性能就不同,纯钛的力学性能要低于TC4钛合金的力学性能;通过对目标金属材料中化学成分类型和该化学成分对应的成分含量进行统计占比分析,其中,所述统计占比分析为将获得的任一成分类型对应的成分含量与目标金属材料所有成分含量之和之间的比值,获得金属的混杂度,其中,所述金属混杂度为用于标识混合物金属的复杂程度的数据,例如,目标金属材料中所含的化学成分种类越少,对应的化学成分含量越高,所述目标金属材料的复杂程度越小,即混杂度越小;判断所述目标金属材料混杂度是否小于预设金属混杂度,所述预设金属混杂度可以根据经验或者需求自行进行设定,若所述金属混杂度小于所述预设金属混杂度,说明目标金属材料的纯度较高,其他杂质对材料力学性能的影响较小,直接输出所述力学性能数据。
进一步的,所述方法还包括:
S340:若所述金属混杂度大于等于所述预设金属混杂度,获取成分含量大于预设成分含量的N个成分类型;
S350:获取所述N个成分类型分别对应的N个力学性能数据;
S360:以所述N个力学性能数据作为调整数据,对所述力学性能数据进行调整。
具体而言,若所述目标金属材料中的其他元素种类较多,大于等于所述预设金属混杂度,说明目标金属材料的力学性能将不同于纯金属,需要对阶梯应变幅值大小进行改变,获取化学成分含量大于预设成分含量的N个成分类型,根据国家标准获取所述N个成分类型分别对应的N个力学性能数据,其中,所述N个力学性能数据为根据所述N个成分类型,每一类型所带有的固有属性,即任一成分对应一自身带有的力学性能数据,以所述N个力学性能数据作为调整数据,对所述力学性能数据进行调整,通过对所述N个力学性能数据进行分析,采集影响最大的对应成分,以该成分对应的力学拉力数据对上述用于拉伸至断裂的力学数据进行调整,若N个力学性能数据的影响较小,不进行调整。例如,假设以钴棒为例,如果对其化学成分进行分析,里面的铬元素和钼元素含量较高,则会对钴棒的力学性能产生影响;根据金属材料力学性能标准获取所述纯铬和纯钼分别对应的2个力学性能数据,以所述2个力学性能数据作为调整数据,对钴棒的力学性能数据进行调整,达到在其他元素影响下,对材料力学性能进行调整,获得目标金属材料力学性能准确性的目的。
S400:根据所述力学性能数据,输出拉伸临界值用于将所述目标金属材料拉伸至断裂,并根据所述显微识别装置对断裂截面进行数据识别,输出金属截面图像集合;
具体而言,根据获得的目标金属材料的力学性能数据,输出将该目标金属材料拉伸至断裂的拉伸临界值,在拉伸过程中利用显微识别装置对断裂截面进行数据识别,例如,利用显微识别装置对断裂截面从变形至断裂过程进行图像数据识别,输出金属截面图像集合。
进一步的,所述方法中输出金属截面图像集合还包括:
S410:根据所述显微识别装置,获取所述目标金属材料的截面变化视频信息;
S420:通过对所述截面变化视频信息进行视频动态指数分析,对所述截面变化视频信息进行动态、静态分类,获取动态截面视频和静态截面视频;
S430:分别对所述动态截面视频和所述静态截面视频进行分析,输出动态截面图像和静态截面图像;
S440:以所述动态截面图像和所述静态截面图像,作为所述金属截面图像集合。
具体而言,在输出金属截面图像集合中,利用所述显微识别装置,获取所述目标金属材料截面从拉伸开始至拉伸变形直至拉伸断裂过程中的变化视频信息,通过对所述截面变化视频信息进行视频动态指数分析,例如,拉伸弹性变形阶段或拉伸断裂后阶段视频画面相对是静态的,塑性变形阶段至拉断过程,视频画面是动态的,根据视频动态指数分析,对所述截面变化视频信息进行动态、静态分类,获取动态截面视频和静态截面视频,分别对动态截面视频和静态截面视频进行分析,输出动态截面图像和静态截面图像,将所述动态截面图像和所述静态截面图像作为所述金属截面图像集合,为后续寿命预测结果的准确获得提供了丰富的数据基础。
进一步的,所述系统还包括温度检测装置,所述方法还包括:
S450:获取所述目标金属材料与空气发生化学反应的预设温度条件;
S460:根据所述温度检测装置,获取所述目标金属材料拉伸至断裂的实时检测温度;
S470:判断所述实时检测温度是否达到所述预设温度条件,若达到所述预设温度条件,获取析出物图像特征;
S480:以所述析出物图像特征对所述金属截面图像集合进行标识。
具体而言,在目标金属材料从拉伸至拉断过程中,塑性变形部分的金属材料温度会发生变化,且容易与外界空气发生化学反应,为了防止拉伸过程中由于目标金属材料塑性变形部分与空气发生化学反应,生成物覆盖在金属材料表面,影响真实图像特征提取的判断,为了降低该情况的发生,本申请实施例中,所述表观显微形貌的金属材料寿命的预测系统中还包括温度检测装置,获取目标金属材料成分与空气发生化学反应的预设温度条件,利用温度检测装置对目标金属材料从拉伸到拉断过程中的实时检测温度,判断采集到的实时预设温度条件是否达到目标金属材料中某元素与空气发生化学反应的温度,当达到预设反应温度后,获取化学反应后的析出物图像特征,并对采集的金属截面图像集合中包含的析出物图像特征进行标记和识别,避免析出物特征产生假象特征对目标金属材料的裂纹特征提取造成影响,进一步的提高特征提取的准确性,为进一步的获得精确地寿命预测提供更坚实的保障。
S500:获取用于进行截面特征识别的特征比对库;
具体而言,根据历史大数据获取用于进行截面特征识别的特征比对库,所述大数据中记载有以往出现的各种截面特征。
S600:通过对所述金属截面图像集合进行特征提取,输出截面特征集合,将所述截面特征集合输入截面特征比对库中,输出特征比对结果;
S700:根据所述特征比对结果,获取寿命预测结果。
具体而言,对利用显微识别装置采集的金属截面图像进行图像特征提取,优选的,为了提高图像特征提取的精确性,降低在采集过程中外界环境造产生的噪声,可以对采集的图像先进行去燥和增强预处理,输出截面特征集合,将所述截面特征集合输入到截面特征比对库中,其中,所述截面特征比对库中记载有影响寿命预测结果的不同截面特征集合,由于每一截面特征均对应具有影响寿命表现的效果,因此,以所述金属截面图像集合进行特征提取后输出的截面特征集合,与截面特征比对库中进行遍历,进而输出特征比对结果,最后,根据所述特征比对结果进行寿命预测,其中,所述寿命预测是根据数学模型进行分析,从而获取目标金属材料的寿命预测结果,解决了如何精确的对金属材料的寿命进行预测的技术问题,达到降低由于金属材料寿命预测不准确而带来重大财产损失及人身伤亡事件发生概率的技术效果。
进一步的,如图3所示,本申请实施例提供的方法中的步骤S700还包括:
S710:获取所述特征比对结果,其中,所述特征比对结果包括裂纹类型、裂纹尺寸和裂纹密度;
S720:根据所述裂纹类型、所述裂纹尺寸和所述裂纹密度作为进行寿命预测的输入数据,输入寿命预测模型中,输出用于标识寿命使用时长的所述寿命预测结果。
具体而言,对利用显微识别装置采集的金属截面图像进行裂纹特征提取,将金属截面图像进行裂纹特征提取后,遍历特征比对库,获取金属截面图像中的裂纹类型、裂纹尺寸和裂纹密度,根据所述裂纹类型、所述裂纹尺寸和所述裂纹密度作为目标金属材料寿命预测的数据基础,所述寿命预测模型为神经网络模型,所述神经网络模型为自组织神经网络模型,可以通过自动寻找样本中的内在规律和本质属性,自组织、自适应地改变网络参数和结果,所述神经网络模型为采用以往的大量裂纹类型、裂纹尺寸和裂纹密度作为训练数据,用于标识寿命使用时长的数据作为监督数据而训练成的数学模型,将所述裂纹类型、所述裂纹尺寸和所述裂纹密度作为输入数据,输入到寿命预测模型中,输出用于标识寿命使用时长的所述寿命预测结果,通过寿命预设模型的应用,提高了寿命预测结果的准确性。
进一步的,如图4所示,所述方法还包括:
S730:获取所述目标金属材料的使用环境信息;
S740:通过对所述使用环境信息进行环境评级,获取寿命影响评级结果;
S750:将所述寿命影响评级结果输入预测调整网络层中,判断是否激活所述预测调整网络层,其中,所述预测调整网络层与所述寿命预测模型中的输入层通信连接;
S760:若激活所述预测调整网络层,获取寿命二次预测结果。
具体而言,金属材料的使用工况严重影响着金属材料的使用是寿命,在其他条件都相同的同一金属材料在正常室温下的使用寿命要大于其在腐蚀或者高温环境下的使用寿命。为了结合金属材料的使用工况,进而更精确地输出目标金属材料的寿命预测结果,本申请实施例中,获取所述目标金属材料的使用环境信息,例如,是高温环境还是低温环境亦或是腐蚀环境等等,通过对目标金属材料的使用环境进行环境评级,可以根据温度、湿度、腐蚀性条件等进行使用环境的评级,获取不同环境评级下的寿命影响评价结果,例如,潮湿有腐蚀性物体的环境对寿命的影响评级要高于干燥正常室温环境下对寿命的影响评级,将所述寿命影响评级结果输入预测调整网络层中,判断是否激活所述预测调整网络层,其中,所述预测调整网络层为所述寿命预测模型中的中间网络层,所述寿命预测模型包括输入层、中间网络层、输出层,其中,所述预测调整网络层与所述寿命预测模型中的输入层通信连接;当某些环境下寿命影响较大时,激活所述预测调整网络层,获取寿命二次预测结果,通过结合金属材料的工作环境对寿命预测模型的中间网络层进行设计,达到精确获得目标金属材料寿命预测结果的技术效果。
综上所述,本申请实施例所提供的一种基于表观显微形貌的金属材料寿命的预测方法具有如下技术效果:
1.本申请实施例提供的一种基于表观显微形貌的金属材料寿命的预测方法,通过获取用于进行寿命预测的目标金属材料;通过对所述目标金属材料的信息进行分析,获取材料发生形变的应力幅值大小,输出阶梯应变幅值;以所述阶梯应变幅值对所述目标金属材料进行检测,输出力学性能数据;根据所述力学性能数据,输出拉伸临界值用于将所述目标金属材料拉伸至断裂,并根据所述显微识别装置对断裂截面进行数据识别,输出金属截面图像集合;获取用于进行截面特征识别的特征比对库;通过对所述金属截面图像集合进行特征提取,输出截面特征集合,将所述截面特征集合输入截面特征比对库中,输出特征比对结果;根据所述特征比对结果,获取寿命预测结果。解决了如何精确的对金属材料的寿命进行预测的技术问题,达到降低由于金属材料寿命预测不准确而带来重大财产损失及人身伤亡事件发生概率的技术效果。
2.本申请实施例中通过将提取的目标金属材料截面图像的裂纹特征,包括所述裂纹类型、所述裂纹尺寸和所述裂纹密度,并将其作为输入数据,输入到寿命预测模型中,输出用于标识寿命使用时长的所述寿命预测结果,通过寿命预设模型的应用,提高了寿命预测结果的准确性。
3.本申请实施例中通过结合金属材料的工作环境对寿命预测模型的中间网络层进行设计,当某些环境下寿命影响较大时,激活所述预测调整网络层,获取寿命二次预测结果,达到精确获得目标金属材料寿命预测结果的技术效果。
实施例二
基于与前述实施例中一种基于表观显微形貌的金属材料寿命的预测方法相同的发明构思,如图5所示,本申请提供了一种基于表观显微形貌的金属材料寿命的预测系统,所述系统包括:
目标金属材料获取模块100,所述目标金属材料获取模块100用于获取用于进行寿命预测的目标金属材料;
信息分析模块200,所述信息分析模块200用于通过对所述目标金属材料的信息进行分析,获取材料发生形变的应力幅值大小,输出阶梯应变幅值;
力学性能检测模块300,所述力学性能检测模块300用于以所述阶梯应变幅值对所述目标金属材料进行检测,输出力学性能数据;
显微识别装置400,根据所述力学性能数据,输出拉伸临界值用于将所述目标金属材料拉伸至断裂,并根据所述显微识别装置400对断裂截面进行数据识别,输出金属截面图像集合;
特征比对库获取模块500,所述特征比对库获取模块500用于获取用于进行截面特征识别的特征比对库;
特征对比结果输出模块600,所述特征对比结果输出模块600用于通过对所述金属截面图像集合进行特征提取,输出截面特征集合,将所述截面特征集合输入截面特征比对库中,输出特征比对结果;
寿命预测结果获取模块700,所述寿命预测结果获取模块700用于根据所述特征比对结果,获取寿命预测结果。
进一步的,所述系统中的力学性能检测模块300还用于:
通过对所述目标金属材料进行成分识别,获取成分类型和成分含量;
通过对所述成分类型和所述成分含量进行统计占比分析,获取金属混杂度,其中,所述金属混杂度为用于标识混合物金属的复杂程度的数据;
判断所述金属混杂度是否小于预设金属混杂度,若所述金属混杂度小于所述预设金属混杂度,输出所述力学性能数据。
进一步的,所述系统中的力学性能检测模块300还用于:
若所述金属混杂度大于等于所述预设金属混杂度,获取成分含量大于预设成分含量的N个成分类型;
获取所述N个成分类型分别对应的N个力学性能数据;
以所述N个力学性能数据作为调整数据,对所述力学性能数据进行调整。
进一步的,所述系统还包括:
预设温度条件获取模块,所述预设温度条件获取模块用于获取所述目标金属材料与空气发生化学反应的预设温度条件;
温度检测装置,根据所述温度检测装置,获取所述目标金属材料拉伸至断裂的实时检测温度;
判断模块,所述判断模块用于判断所述实时检测温度是否达到所述预设温度条件,若达到所述预设温度条件,获取析出物图像特征;
标识模块,所述标识模块用于以所述析出物图像特征对所述金属截面图像集合进行标识。
进一步的,所述系统中的寿命预测结果获取模块700还用于:
获取所述特征比对结果,其中,所述特征比对结果包括裂纹类型、裂纹尺寸和裂纹密度;
根据所述裂纹类型、所述裂纹尺寸和所述裂纹密度作为进行寿命预测的输入数据,输入寿命预测模型中,输出用于标识寿命使用时长的所述寿命预测结果。
进一步的,所述系统中的寿命预测结果获取模块700还用于:
获取所述目标金属材料的使用环境信息;
通过对所述使用环境信息进行环境评级,获取寿命影响评级结果;
将所述寿命影响评级结果输入预测调整网络层中,判断是否激活所述预测调整网络层,其中,所述预测调整网络层与所述寿命预测模型中的输入层通信连接;
若激活所述预测调整网络层,获取寿命二次预测结果。
进一步的,所述系统中的显微识别装置400还包括:
根据所述显微识别装置,获取所述目标金属材料的截面变化视频信息;
通过对所述截面变化视频信息进行视频动态指数分析,对所述截面变化视频信息进行动态、静态分类,获取动态截面视频和静态截面视频;
分别对所述动态截面视频和所述静态截面视频进行分析,输出动态截面图像和静态截面图像;
以所述动态截面图像和所述静态截面图像,作为所述金属截面图像集合。
本申请上述实施例公开的模块的具体工作过程,可参见对应的方法实施例内容,此处不再赘述。
专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于表观显微形貌的金属材料寿命的预测方法,其特征在于,所述方法应用于表观显微形貌的金属材料寿命的预测系统,所述系统与一显微识别装置通信连接,所述方法包括:
获取用于进行寿命预测的目标金属材料;
通过对所述目标金属材料的信息进行分析,获取材料发生形变的应力幅值大小,输出阶梯应变幅值;
以所述阶梯应变幅值对所述目标金属材料进行检测,输出力学性能数据;
根据所述力学性能数据,输出拉伸临界值用于将所述目标金属材料拉伸至断裂,并根据所述显微识别装置对断裂截面进行数据识别,输出金属截面图像集合;
获取用于进行截面特征识别的特征比对库;
通过对所述金属截面图像集合进行特征提取,输出截面特征集合,将所述截面特征集合输入截面特征比对库中,输出特征比对结果;
根据所述特征比对结果,获取寿命预测结果。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
通过对所述目标金属材料进行成分识别,获取成分类型和成分含量;
通过对所述成分类型和所述成分含量进行统计占比分析,获取金属混杂度,其中,所述金属混杂度为用于标识混合物金属的复杂程度的数据;
判断所述金属混杂度是否小于预设金属混杂度,若所述金属混杂度小于所述预设金属混杂度,输出所述力学性能数据。
3.如权利要求2所述的方法,其特征在于,所述方法还包括:
若所述金属混杂度大于等于所述预设金属混杂度,获取成分含量大于预设成分含量的N个成分类型;
获取所述N个成分类型分别对应的N个力学性能数据;
以所述N个力学性能数据作为调整数据,对所述力学性能数据进行调整。
4.如权利要求1所述的方法,其特征在于,所述系统还包括温度检测装置,所述方法还包括:
获取所述目标金属材料与空气发生化学反应的预设温度条件;
根据所述温度检测装置,获取所述目标金属材料拉伸至断裂的实时检测温度;
判断所述实时检测温度是否达到所述预设温度条件,若达到所述预设温度条件,获取析出物图像特征;
以所述析出物图像特征对所述金属截面图像集合进行标识。
5.如权利要求1所述的方法,其特征在于,根据所述特征比对结果,获取寿命预测结果,所述方法还包括:
获取所述特征比对结果,其中,所述特征比对结果包括裂纹类型、裂纹尺寸和裂纹密度;
根据所述裂纹类型、所述裂纹尺寸和所述裂纹密度作为进行寿命预测的输入数据,输入寿命预测模型中,输出用于标识寿命使用时长的所述寿命预测结果。
6.如权利要求5所述的方法,其特征在于,所述方法还包括:
获取所述目标金属材料的使用环境信息;
通过对所述使用环境信息进行环境评级,获取寿命影响评级结果;
将所述寿命影响评级结果输入预测调整网络层中,判断是否激活所述预测调整网络层,其中,所述预测调整网络层与所述寿命预测模型中的输入层通信连接;
若激活所述预测调整网络层,获取寿命二次预测结果。
7.如权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述显微识别装置,获取所述目标金属材料的截面变化视频信息;
通过对所述截面变化视频信息进行视频动态指数分析,对所述截面变化视频信息进行动态、静态分类,获取动态截面视频和静态截面视频;
分别对所述动态截面视频和所述静态截面视频进行分析,输出动态截面图像和静态截面图像;
以所述动态截面图像和所述静态截面图像,作为所述金属截面图像集合。
8.一种基于表观显微形貌的金属材料寿命的预测系统,其特征在于,所述系统包括:
目标金属材料获取模块,所述目标金属材料获取模块用于获取用于进行寿命预测的目标金属材料;
信息分析模块,所述信息分析模块用于通过对所述目标金属材料的信息进行分析,获取材料发生形变的应力幅值大小,输出阶梯应变幅值;
力学性能检测模块,所述力学性能检测模块用于以所述阶梯应变幅值对所述目标金属材料进行检测,输出力学性能数据;
显微识别装置,根据所述力学性能数据,输出拉伸临界值用于将所述目标金属材料拉伸至断裂,并根据所述显微识别装置对断裂截面进行数据识别,输出金属截面图像集合;
特征比对库获取模块,所述特征比对库获取模块用于获取用于进行截面特征识别的特征比对库;
特征对比结果输出模块,所述特征对比结果输出模块用于通过对所述金属截面图像集合进行特征提取,输出截面特征集合,将所述截面特征集合输入截面特征比对库中,输出特征比对结果;
寿命预测结果获取模块,所述寿命预测结果获取模块用于根据所述特征比对结果,获取寿命预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210926036.7A CN114993832B (zh) | 2022-08-03 | 2022-08-03 | 一种基于表观显微形貌的金属材料寿命的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210926036.7A CN114993832B (zh) | 2022-08-03 | 2022-08-03 | 一种基于表观显微形貌的金属材料寿命的预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114993832A true CN114993832A (zh) | 2022-09-02 |
CN114993832B CN114993832B (zh) | 2022-11-08 |
Family
ID=83021518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210926036.7A Active CN114993832B (zh) | 2022-08-03 | 2022-08-03 | 一种基于表观显微形貌的金属材料寿命的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114993832B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4768383A (en) * | 1986-10-16 | 1988-09-06 | Babcock-Hitachi Kabushiki Kaisha | Method of predicting remaining lifetime of metal material |
EP0287501A2 (en) * | 1987-03-06 | 1988-10-19 | Mitsubishi Jukogyo Kabushiki Kaisha | Method for predicting life expectancy of materials |
JPH11248605A (ja) * | 1998-03-05 | 1999-09-17 | Tohoku Electric Power Co Inc | ガスタービン翼のクリープ余寿命評価方法およびその装置 |
EP1312690A1 (en) * | 2001-11-14 | 2003-05-21 | Sumitomo Metal Industries, Ltd. | Steel material having improved fatigue crack driving resistance and manufacturing process therefor |
JP2005300226A (ja) * | 2004-04-07 | 2005-10-27 | Chugoku Electric Power Co Inc:The | 金属材料の脆化度非破壊評価方法 |
JP2013079916A (ja) * | 2011-10-05 | 2013-05-02 | Chugoku Electric Power Co Inc:The | クリープ損傷を受ける金属の余寿命診断方法及び診断装置 |
CN103439194A (zh) * | 2013-08-19 | 2013-12-11 | 北京航空航天大学 | 一种能够获得裂纹扩展s-n曲线的复合材料ii型裂纹扩展速率测定方法 |
CN104515786A (zh) * | 2015-01-08 | 2015-04-15 | 北京科技大学 | 金属铸件疲劳过程内部缺陷演化的检测方法与分析方法 |
CN108896562A (zh) * | 2018-07-12 | 2018-11-27 | 广西大学 | 基于表面显微形貌特征图像分析的材料剩余寿命评估方法 |
CN110059412A (zh) * | 2019-04-19 | 2019-07-26 | 上海工程技术大学 | 金属材料寿命预测方法 |
CN111209964A (zh) * | 2020-01-06 | 2020-05-29 | 武汉市盛隽科技有限公司 | 模型训练方法、基于深度学习的金属断口分析方法及应用 |
JP2020159849A (ja) * | 2019-03-26 | 2020-10-01 | 株式会社リガク | 多結晶金属材料の劣化診断方法、装置およびシステム |
WO2022119721A1 (en) * | 2020-12-01 | 2022-06-09 | Verifi Technologies, Llc | System and method for evaluating defects in a material |
-
2022
- 2022-08-03 CN CN202210926036.7A patent/CN114993832B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4768383A (en) * | 1986-10-16 | 1988-09-06 | Babcock-Hitachi Kabushiki Kaisha | Method of predicting remaining lifetime of metal material |
EP0287501A2 (en) * | 1987-03-06 | 1988-10-19 | Mitsubishi Jukogyo Kabushiki Kaisha | Method for predicting life expectancy of materials |
JPH11248605A (ja) * | 1998-03-05 | 1999-09-17 | Tohoku Electric Power Co Inc | ガスタービン翼のクリープ余寿命評価方法およびその装置 |
EP1312690A1 (en) * | 2001-11-14 | 2003-05-21 | Sumitomo Metal Industries, Ltd. | Steel material having improved fatigue crack driving resistance and manufacturing process therefor |
JP2005300226A (ja) * | 2004-04-07 | 2005-10-27 | Chugoku Electric Power Co Inc:The | 金属材料の脆化度非破壊評価方法 |
JP2013079916A (ja) * | 2011-10-05 | 2013-05-02 | Chugoku Electric Power Co Inc:The | クリープ損傷を受ける金属の余寿命診断方法及び診断装置 |
CN103439194A (zh) * | 2013-08-19 | 2013-12-11 | 北京航空航天大学 | 一种能够获得裂纹扩展s-n曲线的复合材料ii型裂纹扩展速率测定方法 |
CN104515786A (zh) * | 2015-01-08 | 2015-04-15 | 北京科技大学 | 金属铸件疲劳过程内部缺陷演化的检测方法与分析方法 |
CN108896562A (zh) * | 2018-07-12 | 2018-11-27 | 广西大学 | 基于表面显微形貌特征图像分析的材料剩余寿命评估方法 |
JP2020159849A (ja) * | 2019-03-26 | 2020-10-01 | 株式会社リガク | 多結晶金属材料の劣化診断方法、装置およびシステム |
CN110059412A (zh) * | 2019-04-19 | 2019-07-26 | 上海工程技术大学 | 金属材料寿命预测方法 |
CN111209964A (zh) * | 2020-01-06 | 2020-05-29 | 武汉市盛隽科技有限公司 | 模型训练方法、基于深度学习的金属断口分析方法及应用 |
WO2022119721A1 (en) * | 2020-12-01 | 2022-06-09 | Verifi Technologies, Llc | System and method for evaluating defects in a material |
Also Published As
Publication number | Publication date |
---|---|
CN114993832B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117290802B (zh) | 一种基于数据处理的主机电源运行监测方法 | |
Lei et al. | Automatic tonnage monitoring for missing part detection in multi-operation forging processes | |
CN110472349A (zh) | 一种基于eemd和深度卷积网络的热轧钢性能预测方法 | |
Mota-Gutiérrez et al. | Mahalanobis-Taguchi system: state of the art | |
Lejon et al. | Machine learning for detection of anomalies in press-hardening: Selection of efficient methods | |
CN114993832B (zh) | 一种基于表观显微形貌的金属材料寿命的预测方法及系统 | |
CN114896735A (zh) | 改进偏最小二乘的热轧带钢头部浪形缺陷原因识别方法 | |
CN116883393B (zh) | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 | |
CN101509870B (zh) | 橡胶制品中碳黑含量等级分析方法 | |
Guo et al. | Multi-channel data fusion and intelligent fault diagnosis based on deep learning | |
CN116842402A (zh) | 基于孪生神经网络提取平稳特征的高炉异常炉况检测方法 | |
Wangli et al. | Foxtail Millet ear detection approach based on YOLOv4 and adaptive anchor box adjustment | |
Heger et al. | Using data mining techniques to investigate the correlation between surface cracks and flange lengths in deep drawn sheet metals | |
Cao et al. | Wafer surface defect detection based on improved YOLOv3 network | |
CN115358082A (zh) | 一种工业生产装置温度和压力的监测方法以及相关装置 | |
CN108197824B (zh) | 一种高坝服役安全空间警戒域诊断方法 | |
CN114596296A (zh) | 一种高灵敏度的热轧钢卷端面缺陷识别系统及方法 | |
CN110472847B (zh) | 一种基于改进组合权值-topsis法的火箭舱段加工过程资源环境评价方法 | |
Kim et al. | Simulation of shear fracture in sheet metal forming of thick plates under triaxial stress states | |
Xu et al. | On fault feature extraction and diagnosis of vertical mill | |
CN116184953A (zh) | 针对非线性混合随机分布系统的质量相关过程监测方法 | |
Akinci et al. | Determination of Production Defects in Iron and Steel Sector by Data Mining | |
Weiss et al. | Product quality monitoring in hydraulic presses using a minimal sample of sensor and actuator data | |
Xing et al. | A novel collaborative bearing fault diagnosis method based on multi-scale dynamic fusion network under speed fluctuating condition | |
Chen et al. | Acoustic emission signal-based non-destructive testing of carbon content of Pr-Nd alloys |
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 |