CN116698979A - 应用加权tfm成像算法的螺栓监控系统及方法 - Google Patents
应用加权tfm成像算法的螺栓监控系统及方法 Download PDFInfo
- Publication number
- CN116698979A CN116698979A CN202310528840.4A CN202310528840A CN116698979A CN 116698979 A CN116698979 A CN 116698979A CN 202310528840 A CN202310528840 A CN 202310528840A CN 116698979 A CN116698979 A CN 116698979A
- Authority
- CN
- China
- Prior art keywords
- bolt
- detection
- weighted
- monitored
- tfm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 58
- 238000012544 monitoring process Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims description 38
- 238000001514 detection method Methods 0.000 claims abstract description 134
- 230000007547 defect Effects 0.000 claims abstract description 62
- 238000012502 risk assessment Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012423 maintenance Methods 0.000 claims description 18
- 238000002604 ultrasonography Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 26
- 238000012549 training Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000001934 delay Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
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
- G01N29/06—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
- G01N2291/0234—Metals, e.g. steel
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
本发明提供了一种应用加权TFM成像算法的螺栓监控系统，包括数据采集模块、加权TFM成像模块、缺陷检测模块、监控和分析模块；所述数据采集模块用于采集被监测螺栓的超声数据；所述加权TFM成像模块用于使用加权TFM成像算法处理所述超声数据，以获得螺栓的检测图像；所述检测图像为加权TFM图像；所述缺陷检测模块用于基于所述检测图像进行所述被监测螺栓的缺陷检测；所述监控和分析模块用于定期基于所述检测图像，确定所述被监测螺栓的风险评估数据。
Description
技术领域
本发明涉及螺栓监测技术领域，具体涉及一种应用加权TFM成像算法的螺栓监控系统及方法。
背景技术
传统的螺栓监控通常采用物理测量或者人工检测的方式进行，其主要方法包括：
扭矩检测法：通过测量螺栓在紧固时所需的扭矩，来判断螺栓的紧固情况。
拉伸力检测法：通过测量螺栓在紧固时所需的拉伸力，来判断螺栓的紧固情况。
监视法：通过人工观察螺栓的状态和变化，来判断螺栓的紧固情况。
传统的螺栓监控方法虽然简单易行，但是存在明显的局限。例如，扭矩检测法和拉伸力检测法需要在螺栓紧固前进行预先设定，无法实现实时监测。同时，这些方法只能对单个螺栓进行监测，难以对多个螺栓进行高效监测。而且，这些方法只能检测到螺栓是否达到预设的扭矩或者拉伸力，无法检测到螺栓的具体损伤情况。
因此，需要一种能够可以实现对在役螺栓的三维图像化监测的应用加权TFM成像算法的螺栓监控系统及方法。
发明内容
本发明的目的在于提供一种应用加权TFM成像算法的螺栓监控系统及方法。以期解决背景技术中存在的技术问题。
为了实现上述目的，本发明采用以下技术方案：
一种应用加权TFM成像算法的螺栓监控系统，包括数据采集模块、加权TFM成像模块、缺陷检测模块、监控和分析模块；
所述数据采集模块用于采集被监测螺栓的超声数据；
所述加权TFM成像模块用于使用加权TFM成像算法处理所述超声数据，以获得螺栓的检测图像；所述检测图像为加权TFM图像；
所述缺陷检测模块用于基于所述检测图像进行所述被监测螺栓的缺陷检测；
所述监控和分析模块用于定期基于所述检测图像，确定所述被监测螺栓的风险评估数据。
在一些实施例中，所述系统还包括维护和保养建议模块，所述维护和保养建议模块用于基于所述缺陷检测的检测结果及所述风险评估数据，确定所述被监测螺栓的维护方案。
在一些实施例中，所述数据采集模块进一步用于基于超声阵列传感器采集所述被监测螺栓的超声数据。
在一些实施例中，所述缺陷检测模块进一步用于：通过检测模型，基于所述检测图像，确定所述被监测螺栓的缺陷检测结果。
在一些实施例中，所述监控和分析模块进一步用于：通过风险评估模型，基于所述检测图像，确定所述被监测螺栓的风险评估数据。
同时，本发明还公开了一种应用加权TFM成像算法的螺栓监控方法，基于上述的应用加权TFM成像算法的螺栓监控系统实现；所述方法包括：
采集被监测螺栓的超声数据；
基于加权TFM成像算法处理所述超声数据，获得螺栓的检测图像；所述检测图像为加权TFM图像；
基于所述检测图像进行所述被监测螺栓的缺陷检测，获取缺陷检测结果；
定期基于所述检测图像，确定所述被监测螺栓的风险评估数据。
在一些实施例中，所方法还包括：
基于所述缺陷检测的检测结果及所述风险评估数据，确定所述被监测螺栓的维护方案。
在一些实施例中，所述超声数据基于超声阵列传感器采集。
在一些实施例中，所述基于所述检测图像进行所述被监测螺栓的缺陷检测，获取缺陷检测结果包括：
通过检测模型，基于所述检测图像，确定所述被监测螺栓的缺陷检测结果。
在一些实施例中，所述定期基于所述检测图像，确定所述被监测螺栓的风险评估数据包括：
通过风险评估模型，基于所述检测图像，确定所述被监测螺栓的风险评估数据。
同时，本发明还公开了一种应用加权TFM成像算法的螺栓监控装置，所述装置包括处理器以及存储器；所述存储器用于存储指令，所述指令被所述处理器执行时，导致所述装置实现上述任一项所述应用加权TFM成像算法的螺栓监控方法。
同时，本发明还公开了一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机运行上述任一项所述应用加权TFM成像算法的螺栓监控方法。
有益效果
本发明与现有技术相比，其显著优点是：
本发明的方案将相控阵超声加权TFM成像技术引入到螺栓检测系统中，可以实现对在役螺栓的三维图像化监测，在监测应力、疲劳状态的同时，还可实现对裂纹、断裂等缺陷的检测和预警。同时，本方案的系统具备可扩展性，平等级联监测节点可以不少于128个。
同时，本发明的技术方案使用加权TFM成像算法，能够检测到微小的缺陷和损伤。相比传统的螺栓监控方法，能够更加准确地确定螺栓的损伤程度和位置。可以对螺栓进行多角度成像，从而获得更全面的信息，包括螺纹部分和底部的情况。可以实现实时成像，能够快速检测螺栓的健康状况，比传统的螺栓检测方法更加高效和准确。不会对螺栓产生任何损伤。相比传统的螺栓检测方法，可以更加安全地进行检测。
附图说明
图1是本实施例涉及应用加权TFM成像算法的螺栓监控系统示意图；
图2是本实施例涉及的应用加权TFM成像算法的螺栓监控系统流程示意图；
图3是本实施例涉及的一种实施例中的检测模型的示意图；
图4是本实施例涉及的一种实施例中的风险评估模型的示意图；
图5是本实施例涉及的一种实施例中的二维TFM成像检测的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
相反，本申请涵盖任何由权利要求定义的在本申请的精髓和范围上做的替代、修改、等效系统以及方案。进一步，为了使公众对本申请有更好的了解，在下文对本申请的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本申请。
以下将结合图1-5对本申请实施例所涉及的一种应用加权TFM成像算法的螺栓监控系统进行详细说明。值得注意的是，以下实施例仅仅用于解释本申请，并不构成对本申请的限定。
如图1所示，一种应用加权TFM成像算法的螺栓监控系统100，包括数据采集模块110、加权TFM成像模块120、缺陷检测模块130、监控和分析模块140。
所述数据采集模块用于采集被监测螺栓的超声数据；在一些实施例中，所述数据采集模块进一步用于基于超声阵列传感器采集所述被监测螺栓的超声数据。
例如，数据采集模块可以使用超声传感器采集在役螺栓(即被监测螺栓)的超声数据，在采集数据时，应确保超声传感器对螺栓有效耦合。在一些实施例中，可以选择与螺栓检测面相匹配的阵列传感器采集在役螺栓的超声数据。
所述加权TFM成像模块用于使用加权TFM成像算法处理所述超声数据，以获得螺栓的检测图像；所述检测图像为加权TFM图像；例如，加权TFM成像模块可以使用加权TFM成像算法处理超声数据，以获得螺栓的检测图像，该算法可以将超声数据转换为二维或三维图像，显示螺栓的内部结构和缺陷。关于加权TFM成像技术的进一步说明参见图5的相应内容。
例如，缺陷检测模块可以使用加权TFM图像进行缺陷检测。其中，可检缺陷包括裂纹、疲劳、断裂等。在一些实施例中，检出缺陷的过程可以使用自动化算法或人工视觉。在一些实施例中，一旦检查出缺陷，系统将立即发出警报。
所述缺陷检测模块用于基于所述检测图像进行所述被监测螺栓的缺陷检测；在一些实施例中，所述缺陷检测模块进一步用于：通过检测模型，基于所述检测图像，确定所述被监测螺栓的缺陷检测结果。关于检测模型的进一步说明参见图3。
所述监控和分析模块用于定期基于所述检测图像，确定所述被监测螺栓的风险评估数据。在一些实施例中，所述监控和分析模块进一步用于：通过风险评估模型，基于所述检测图像，确定所述被监测螺栓的风险评估数据。
例如，监控和分析模块可以将不同时间点螺栓的加权TFM图像存储在数据库中，并定期对其进行分析和比较。这可以帮助识别和跟踪螺栓的变化，以及评估潜在的缺陷。
在一些实施例中，所述系统还包括维护和保养建议模块150，所述维护和保养建议模块用于基于所述缺陷检测的检测结果及所述风险评估数据，确定所述被监测螺栓的维护方案。维护方案可以具体包括维修方案、更换方案、保养方案中至少一种。
例如，维护和保养建议模块可以根据分析结果，进行维护和保养。对于出现缺陷的螺栓，根据维保计划进行修复或更换。对于没有缺陷但出现疲劳的螺栓，也需要进行适当维护和保养。
如图2所示，本发明还公开了一种应用加权TFM成像算法的螺栓监控方法，基于上述的应用加权TFM成像算法的螺栓监控系统实现；所述方法200包括：
步骤210，采集被监测螺栓的超声数据。
在一些实施例中，所述超声数据基于超声阵列传感器采集。
步骤220，基于加权TFM成像算法处理所述超声数据，获得螺栓的检测图像；所述检测图像为加权TFM图像；
步骤230，基于所述检测图像进行所述被监测螺栓的缺陷检测，获取缺陷检测结果。
在一些实施例中，所述基于所述检测图像进行所述被监测螺栓的缺陷检测，获取缺陷检测结果包括：
通过检测模型，基于所述检测图像，确定所述被监测螺栓的缺陷检测结果。
步骤240，定期基于所述检测图像，确定所述被监测螺栓的风险评估数据。
在一些实施例中，所述定期基于所述检测图像，确定所述被监测螺栓的风险评估数据包括：
通过风险评估模型，基于所述检测图像，确定所述被监测螺栓的风险评估数据。
在一些实施例中，风险评估数据可以包括被监测螺栓的损伤概率、损伤时间、预测更换时间等中的至少一种。
在一些实施例中，所方法还包括：
步骤250，基于所述缺陷检测的检测结果及所述风险评估数据，确定所述被监测螺栓的维护方案。
本发明的技术方案中，通过使用加权TFM成像算法，能够检测到微小的缺陷和损伤。相比传统的螺栓监控方法，能够更加准确地确定螺栓的损伤程度和位置。可以对螺栓进行多角度成像，从而获得更全面的信息，包括螺纹部分和底部的情况。可以实现实时成像，能够快速检测螺栓的健康状况，比传统的螺栓检测方法更加高效和准确。不会对螺栓产生任何损伤。相比传统的螺栓检测方法，可以更加安全地进行检测。
如图3所示为本实施了公开的检测模型的示意图。
在一些实施例中，检测模型可以为机器学习模型，例如，神经网络模型或其他智能学习网络构建的模型。
在一些实施例中，检测模型320的输入为被监测螺栓的检测图像310。检测模型的输出为被监测螺栓的缺陷检测结果。例如，被监测螺栓上产生的裂纹、疲劳、断裂等，检测模型320可以基于目标框的方式在被监测螺栓上基于不同形式的目标框框选不同种类的缺陷，若检测出任意缺陷或预设缺陷，则需要进行预警。
在一些实施例中，检测模型可以基于大量的第一训练数据340(包括带有第一标签的第一训练样本)训练得到。第一训练样本可以是历史采集的历史螺栓的检测图像，第一标签可以是该历史螺栓对应的缺陷检测结果，对于不存在缺陷的历史螺栓，其标签可以为预设字符，如0等。
在一些实施例中，检测模型的训练包括：将第一训练样本输入初始检测模型350，得到基于初始检测模型输出的该第一训练样本对应的缺陷检测结果。训练过程中，检测模型可以基于标签和输出结果，构建损失函数。同时，基于损失函数对检测模型的参数进行更新，直至预设条件被满足，训练完成。其中，预设条件可以包括损失函数小于阈值、收敛，或者训练周期达到阈值等中的一种或多种。
如图4所示为本实施了公开的风险评估模型的示意图。
在一些实施例中，风险评估模型420可以为机器学习模型，例如，神经网络模型或其他智能学习网络构建的模型。
在一些实施例中，风险评估模型的输入为被监测螺栓的检测图像310。
风险评估模型的输出为被监测螺栓的风险评估数据。如损伤发生时间、损伤类型、更换时间等，其中，损伤发生时间可以指风险评估模型预测的被监测螺栓发生损伤的未来时间，如2天等，即表示2天后被监测螺栓可能发生损伤。
在一些实施例中，风险评估模型可以基于大量的第二训练数据440(包括带有第二标签的第二训练样本)训练得到。第二训练样本可以是历史采集的历史螺栓的检测图像310，第二标签可以是该历史螺栓对应的实际损风险评估数据。
在一些实施例中，风险评估模型的训练包括：将第二训练样本输入初始风险评估模型450，得到基于初始风险评估模型输出的该第二训练样本对应的风险评估数据。训练过程中，风险评估模型可以基于标签和输出结果，构建损失函数。同时，基于损失函数对风险评估模型的参数进行更新，直至预设条件被满足，训练完成。其中，预设条件可以包括损失函数小于阈值、收敛，或者训练周期达到阈值等中的一种或多种。
通过模型自动处理被监测螺栓的相应数据来预测其发生损伤类型、损伤的时间及部位等，可以进一步提升数据处理的速度及可靠性，降低人工处理量。
在一些实施例中，检测模型和风险评估模型也可以基于联合训练获取。
如图5所示为一些本实施例中的二维TFM成像检测的示意图。如图5所示，系统可以将二维TFM成像的图推广到三维空间，以形成被监测螺栓的3D检测图像。包括：
假设发射阵元的坐标为(xt,yt,zt)，接收阵元的坐标为(xr,yr,zr)，目标聚焦点的坐标为(x,y,z),则发射阵元到焦点的距离可以表示为
d1＝sqrt((x-xt)2+(y-yt)2+(z-zt)2)
其中，sqrt()表示开平方。
则焦点与接收阵元的距离为：
d2＝sqrt((x-xr)2+(y-yr)2+(z-zr)2)
然后，系统可以计算每个激励-接收阵元对的时间延迟，使其与超声信号在发射阵元经聚焦点到达接收阵元之间传输的时间相同。具体而言，对于每个激励-接收阵元对，计算时间延迟dt和dr，使得：
dt＝d1/v+t0
dr＝d2/v+t0
其中，v是检测对象中的声速，t0是校正因子，可以将所有时间延迟的值平移，以使其不超出采样时间范围。
然后，系统可以计算每个激励-接收阵元对的加权TFM值，即在发射阵元和接收阵元之间传输时间为t＝dt+dr的位置的信号。具体而言，对于目标聚焦点，计算加权信号值：
I(x,y,z)＝sum(w*U(t))
其中，w是权重函数，用于调整信号的影响，U(t)是每个激励-接收阵元对在传播时间为t的位置处采集到的信号。
最后，遍历所有目标聚焦点，得到目标物体的全息图像。
在以上过程中，权重函数w是一个重要参数，它决定了每个信号对最终图像的贡献程度。常用的权重函数有高斯函数、汉宁窗函数、布莱克曼窗函数等。选择合适的权重函数应考虑以下因素：
分辨率和噪声：权重函数应该能够提高图像的分辨率，同时减少噪声的影响。高斯函数是一种常用的权重函数，它能够平滑信号并抑制噪声。
成像深度和角度：权重函数应该考虑到成像深度和角度的变化。汉宁窗函数是一种具有平坦响应特性的权重函数，适合于超声成像的浅层深度和广角度。
缺陷检测：权重函数应该能够突出缺陷信号，并对其进行准确检测。布莱克曼窗函数是一种具有良好缺陷检测能力的权重函数，它能够突出高频信号并抑制低频信号，从而更容易检测到缺陷。
以汉宁窗为例说明其加权调整信号的计算方法，汉宁窗函数的作用是在频域内抑制窗口两端的频谱分量，从而使窗口的边缘变得平滑。这有助于减少谱泄漏效应和频谱波动，提高信号的精度和可靠性。
汉宁窗的数字公式：
w(n)＝0.5*(1-cos(2*pi*n/N))
其中，n为窗口函数的采样点索引，N为窗口长度。
使用汉宁窗函数进行加权TFM算法的计算过程如下：
1)定义汉宁窗函数w(n)，计算窗口长度N。
2)对于每个聚焦点、每个激励-接收阵元对，计算聚焦点与发射阵元和接收阵元之间的距离d1和d2，然后计算时间延迟dt和dr。
3)在激励-接收阵元对的信号中，时间为t＝dt+dr的位置处，截取信号U(t)。
4)将U(t)与汉宁窗函数w(n)相乘，得到加权信号w(n)*U(t)。
5)对于所有激励-接收阵元对的加权信号，进行求和平均，得到目标聚焦点的加权TFM图像。
6)遍历目标体积中的每个聚焦点，形成检测对象整体的加权TFM图像。
通过上述操作即可实现将二维TFM成像推广到三维空间。
本发明还公开了一种应用加权TFM成像算法的螺栓监控装置，所述装置包括处理器以及存储器；所述存储器用于存储指令，所述指令被所述处理器执行时，导致所述装置实现上述任一项所述应用加权TFM成像算法的螺栓监控方法。
同时，本发明还公开了一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机运行上述任一项所述应用加权TFM成像算法的螺栓监控方法。
综上可知，本发明的技术方案通过应用加权TFM成像技术，构建可扩展的在役螺栓的三维图像化监测系统，可实现应力、疲劳、裂纹、断裂的实时监测和预警。同时，通过应用不同的窗函数根据需求构建不同的窗函数，可分别实现分辨率、成像深度、缺陷检测能力等方面的改善和提高。且还可以将不同时间点螺栓的加权TFM图像存储在数据库中，并定期对其进行分析和比较。这可以帮助识别和跟踪螺栓的变化，以及评估潜在的缺陷。同时还能根据分析结果，进行维护和保养。对于出现缺陷的螺栓，根据维保计划进行修复或更换。对于没有缺陷但出现疲劳的螺栓，也需要进行适当维护和保养。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种应用加权TFM成像算法的螺栓监控系统，其特征在于，包括数据采集模块、加权TFM成像模块、缺陷检测模块、监控和分析模块；
所述数据采集模块用于采集被监测螺栓的超声数据；
所述加权TFM成像模块用于使用加权TFM成像算法处理所述超声数据，以获得螺栓的检测图像；所述检测图像为加权TFM图像；
所述缺陷检测模块用于基于所述检测图像进行所述被监测螺栓的缺陷检测；
所述监控和分析模块用于定期基于所述检测图像，确定所述被监测螺栓的风险评估数据。
2.根据权利要求1所述的系统，其特征在于，所述系统还包括维护和保养建议模块，所述维护和保养建议模块用于基于所述缺陷检测的检测结果及所述风险评估数据，确定所述被监测螺栓的维护方案。
3.根据权利要求1所述的系统，其特征在于，所述数据采集模块进一步用于基于超声阵列传感器采集所述被监测螺栓的超声数据。
4.根据权利要求1所述的系统，其特征在于，所述缺陷检测模块进一步用于：通过检测模型，基于所述检测图像，确定所述被监测螺栓的缺陷检测结果。
5.根据权利要求1所述的系统，其特征在于，所述监控和分析模块进一步用于：通过风险评估模型，基于所述检测图像，确定所述被监测螺栓的风险评估数据。
6.一种应用加权TFM成像算法的螺栓监控方法，其特征在于，基于如权利要求1所述的应用加权TFM成像算法的螺栓监控系统实现；所述方法包括：
采集被监测螺栓的超声数据；
基于加权TFM成像算法处理所述超声数据，获得螺栓的检测图像；所述检测图像为加权TFM图像；
基于所述检测图像进行所述被监测螺栓的缺陷检测，获取缺陷检测结果；
定期基于所述检测图像，确定所述被监测螺栓的风险评估数据。
7.根据权利要求6所述的方法，其特征在于，所方法还包括：
基于所述缺陷检测的检测结果及所述风险评估数据，确定所述被监测螺栓的维护方案。
8.根据权利要求6所述的方法，其特征在于，所述超声数据基于超声阵列传感器采集。
9.根据权利要求6所述的方法，其特征在于，所述基于所述检测图像进行所述被监测螺栓的缺陷检测，获取缺陷检测结果包括：
通过检测模型，基于所述检测图像，确定所述被监测螺栓的缺陷检测结果。
10.根据权利要求6所述的方法，其特征在于，所述定期基于所述检测图像，确定所述被监测螺栓的风险评估数据包括：
通过风险评估模型，基于所述检测图像，确定所述被监测螺栓的风险评估数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310528840.4A CN116698979A (zh) | 2023-05-11 | 2023-05-11 | 应用加权tfm成像算法的螺栓监控系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310528840.4A CN116698979A (zh) | 2023-05-11 | 2023-05-11 | 应用加权tfm成像算法的螺栓监控系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116698979A true CN116698979A (zh) | 2023-09-05 |
Family
ID=87830263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310528840.4A Pending CN116698979A (zh) | 2023-05-11 | 2023-05-11 | 应用加权tfm成像算法的螺栓监控系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116698979A (zh) |
-
2023
- 2023-05-11 CN CN202310528840.4A patent/CN116698979A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101501487B (zh) | 操作工具、无损测试设备和无损测试方法 | |
| KR101476749B1 (ko) | 비파괴 검사, 특히 제조 중이거나 완성 상태에 있는 파이프들에 대한 비파괴 검사 | |
| CN102928435A (zh) | 基于图像和超声信息融合的飞机蒙皮损伤识别方法及装置 | |
| CN116840135A (zh) | 一种腐蚀和疲劳同时作用的钢闸门加速劣化试验台及劣化后运行状态评估方法 | |
| CN116698979A (zh) | 应用加权tfm成像算法的螺栓监控系统及方法 | |
| CN112285651A (zh) | 基于特征提取矩阵相似度识别复合材料冲击源位置的方法及系统 | |
| CN110274961A (zh) | 基于pec检测管道微观缺陷非线性声发射系统识别方法 | |
| Liu et al. | Practical ultrasonic damage monitoring on pipelines using component analysis methods | |
| CN111474300B (zh) | 基于时空回归模型的结构局部缺陷检测方法 | |
| CN109993211B (zh) | 基于结构加速度ar模型系数的损伤识别方法 | |
| CN116910489B (zh) | 基于人工智能的墙体防渗检测方法及相关装置 | |
| CN112834614B (zh) | 一种钢材焊缝缺陷识别的方法及装置 | |
| CN117309624B (zh) | 一种感温电缆性能评价方法及系统 | |
| Li et al. | AUTOMATIC CRACK DETECTION ALGORITHM FOR VIBROTHERMOGRAPHY SEQUENCE‐OF‐IMAGES DATA | |
| EP4160201A1 (en) | System and method for evaluating residual life of components made of composite materials | |
| Kong Chen et al. | Reducing false damage detections in guided ultrasonic wave monitoring systems using a denoising autoencoder | |
| Malik et al. | An Information Theory Approach for Internet of Things Enabled Damage Monitoring | |
| EP4109088A2 (en) | Automated scan data quality assessment in ultrasonic testing | |
| Hsu | Machine learning-based non-destructive evaluation of fatigue damage in metals | |
| Al-Nuaimy et al. | Time-of-flight diffraction-from semi-automatic inspection to semi-automatic interpretation | |
| CN117110438A (zh) | 一种海上风电场升压站钢结构腐蚀老化定量化检测方法 | |
| Piñal Moctezuma | Characterization of damage evolution on metallic components using ultrasonic non-destructive methods | |
| ZHANG et al. | Defect Identification in Concrete Using Deep Learning Technique on Nonlinear Ultrasonic Wave | |
| Wang et al. | Decision Fusion Method for the Failure Form of Retired Parts Based on Cloud Model Optimization DS Evidence Theory | |
| CN110274954A (zh) | 高压容器微缺陷非线性超声系统检测方法 |
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 |