CN117607272A - 一种全聚焦相控阵探头检测参数的选择方法及系统 - Google Patents
一种全聚焦相控阵探头检测参数的选择方法及系统 Download PDFInfo
- Publication number
- CN117607272A CN117607272A CN202311564069.2A CN202311564069A CN117607272A CN 117607272 A CN117607272 A CN 117607272A CN 202311564069 A CN202311564069 A CN 202311564069A CN 117607272 A CN117607272 A CN 117607272A
- Authority
- CN
- China
- Prior art keywords
- defect
- detection
- detection parameters
- defect response
- phased array
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 149
- 239000000523 sample Substances 0.000 title claims abstract description 47
- 238000010187 selection method Methods 0.000 title claims description 14
- 230000007547 defect Effects 0.000 claims abstract description 175
- 230000004044 response Effects 0.000 claims abstract description 93
- 230000009467 reduction Effects 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000003384 imaging method Methods 0.000 claims abstract description 14
- 230000000694 effects Effects 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000004088 simulation Methods 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 238000013077 scoring method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification 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
- G01N29/22—Details, e.g. general constructional or apparatus details
- G01N29/24—Probes
-
- 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
- G01N29/22—Details, e.g. general constructional or apparatus details
- G01N29/30—Arrangements for calibrating or comparing, e.g. with standard objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开一种全聚焦相控阵探头检测参数的选择方法及系统，属于全聚焦超声相控阵检测技术领域。该方法利用缺陷响应模块，通过模拟实际检测情况能够呈现不同成像质量的缺陷图像，显示了不同检测参数下的成像区别，能够通过缺陷图像直观判断检测参数合适性，并利用缺陷还原形状(缺陷还原度)和最大幅值两者共同对缺陷响应图进行表征，提升了图像判读的科学性和准确性，避免了某些条件下幅值高但缺陷形状还原效果不佳的情况，并进一步的利用TOPSIS算法实现最优检测参数的自动选择。
Description
技术领域
本发明涉及全聚焦超声相控阵检测技术领域，特别是涉及一种全聚焦相控阵探头检测参数的选择方法及系统。
背景技术
全聚焦超声相控阵检测是近几年无损检测领域的一大热点，具有实时成像、分辨率高的特点。缺陷的成像质量受多种因素影响，其中探头检测参数的选择将直接影响成像质量，然而在实际检测中利用试块测试探头性能费时费力又费钱。随着仿真软件的快速发展，诸如CIVA这类无损检测仿真平台可以通过模拟检测帮助工程人员提前选定合适的探头，其中，CIVA为法国原子能委员会开发的专业无损检测仿真平台。CIVA软件中的声场仿真模块可以提前确定探头的声场覆盖范围，一般通过声场仿真提前确定检测参数，但是全聚焦相控阵技术与常规相控阵技术不同，全聚焦相控阵技术通过后处理算法扩大了有效孔径和探测角度的范围，大大提高了成像和缺陷表征性能，同时全聚焦相控阵在声束截面方向上的声场声压分布明显比常规超声的平缓，通过声场仿真无法直观地显示不同探头参数带来的区别，进而对不同参数进行比较。
发明内容
本发明的目的是提供一种全聚焦相控阵探头检测参数的选择方法及系统，以基于仿真的方式实现全聚焦相控阵探头检测参数的自动选择。
为实现上述目的，本发明提供了如下方案：
本发明提供一种全聚焦相控阵探头检测参数的选择方法，所述选择方法包括如下步骤：
基于CIVA仿真软件建立缺陷模型；
通过CIVA仿真软件中的缺陷响应模块设置全聚焦相控阵探头的检测参数，并基于所述缺陷模型进行仿真，获得不同检测参数对应的缺陷响应图；
对不同检测参数对应的缺陷响应图进行特征提取，获得不同检测参数对应的缺陷响应图的特征信息；所述特征信息包括缺陷还原度和缺陷幅值；
基于不同检测参数对应的缺陷响应图的特征信息，采用TOPSIS算法选取最优检测参数。
可选的，所述基于不同检测参数对应的缺陷响应图的特征信息，采用TOPSIS算法选取最优检测参数，具体包括：
分别计算每个检测参数对应的缺陷响应图的特征信息与最优方案和最劣方案的相对贴进度，获得每个检测参数对应的缺陷响应图的相对贴进度；所述最优方案为基于全聚焦相控阵探头的历史检测数据获得的成像效果最优的检测参数，所述最劣方案为基于全聚焦相控阵探头的历史检测数据获得的成像效果最差的检测参数；
选取相对贴近度最大的缺陷响应图对应的检测参数作为最优检测参数。
可选的，分别计算每个检测参数对应的缺陷响应图的特征信息与最优方案和最劣方案的相对贴进度，获得每个检测参数对应的缺陷响应图的相对贴进度，之前还包括：
获取全聚焦相控阵探头的历史检测数据；所述历史检测数据包括：基于全聚焦相控阵探头进行缺陷检测过程中获得的历史缺陷响应图的特征信息；
将不同的历史缺陷响应图作为评价对象，将历史缺陷响应图的特征信息作为指标，构造原始数据矩阵；
对所述原始数据矩阵进行归一化处理，获得归一化处理后的原始数据矩阵；
选取所述归一化处理后的原始数据矩阵中每列元素的最大值，构成最优方案；
选取所述归一化处理后的原始数据矩阵中每列元素的最小值，构成最劣方案。
可选的，所述原始数据矩阵为：
其中，X为原始数据矩阵，x11、x12和x1m分别表示第1个评价对象的第1个、第2个和第m个指标的值，x21、x22和x2m分别表示第2个评价对象的第1个、第2个和第m个指标的值，xn1、xn2和xnm分别表示第n个评价对象的第1个、第2个和第m个指标的值。
可选的，分别计算每个检测参数对应的缺陷响应图的特征信息与最优方案和最劣方案的相对贴进度，获得每个检测参数对应的缺陷响应图的相对贴进度，具体包括：
利用如下公式计算每个检测参数对应的缺陷响应图的特征信息与最优方案的欧式距离；
其中，表示第i个检测参数对应的缺陷响应图的特征信息与最优方案的欧式距离，/>表示最优方案中的第j个指标，zij表示第i个检测参数对应的缺陷响应图的特征信息中的第j个指标，wj表示第j个指标的权重，m表示指标的数量；
利用如下公式计算每个检测参数对应的缺陷响应图的特征信息与最劣方案的欧式距离；
其中，表示第i个检测参数对应的缺陷响应图的特征信息与最劣方案的欧式距离，/>表示最劣方案中的第j个指标，
根据每个检测参数对应的缺陷响应图的特征信息与最优方案的欧式距离和每个检测参数对应的缺陷响应图的特征信息与最劣方案的欧式距离，利用如下公式，计算每个检测参数对应的缺陷响应图的相对贴进度；
其中，Ci表示第i个检测参数对应的缺陷响应图的相对贴进度。
一种全聚焦相控阵探头检测参数的选择系统，所述选择系统应用于上述的选择方法，所述选择系统包括：
缺陷模型建立模块，用于基于CIVA仿真软件建立缺陷模型；
仿真模块，用于通过CIVA仿真软件中的缺陷响应模块设置全聚焦相控阵探头的检测参数，并基于所述缺陷模型进行仿真，获得不同检测参数对应的缺陷响应图；
特征提取模块，用于对不同检测参数对应的缺陷响应图进行特征提取，获得不同检测参数对应的缺陷响应图的特征信息；所述特征信息包括缺陷还原度和缺陷幅值；
最优检测参数选择模块，用于基于不同检测参数对应的缺陷响应图的特征信息，采用TOPSIS算法选取最优检测参数。
一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的选择方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现上述的选择方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明实施例提供一种全聚焦相控阵探头检测参数的选择方法及系统，所述选择方法包括：基于CIVA仿真软件建立缺陷模型；通过CIVA仿真软件中的缺陷响应模块设置全聚焦相控阵探头的检测参数，并基于所述缺陷模型进行仿真，获得不同检测参数对应的缺陷响应图；对不同检测参数对应的缺陷响应图进行特征提取，获得不同检测参数对应的缺陷响应图的特征信息；所述特征信息包括缺陷还原度和缺陷幅值；基于不同检测参数对应的缺陷响应图的特征信息，采用TOPSIS算法选取最优检测参数。本发明实施例利用缺陷响应模块，通过模拟实际检测情况能够呈现不同成像质量的缺陷图像，显示了不同检测参数下的成像区别，能够通过缺陷图像直观判断检测参数合适性，并利用缺陷还原形状(缺陷还原度)和最大幅值两者共同对缺陷响应图进行表征，提升了图像判读的科学性和准确性，避免了某些条件下幅值高但缺陷形状还原效果不佳的情况，并进一步的利用TOPSIS(Technique for OrderPreference by Similarity to an Ideal Solution，优劣解距离法)算法实现最优检测参数的自动选择。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种全聚焦相控阵探头检测参数的选择方法的流程图；
图2为本发明实施例提供的不同阵元宽度和不同激发频率对应的缺陷响应图；
图3为本发明实施例提供的不同激发阵元个数对应的缺陷响应图；
图4为本发明实施例提供的五组缺陷还原形状标准图；
图5为本发明实施例提供的不同检测参数对应的缺陷响应图。
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。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。
本发明的目的是提供一种全聚焦相控阵探头检测参数的选择方法及系统，以基于仿真的方式实现全聚焦相控阵探头检测参数的自动选择。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明实施例提供一种全聚焦相控阵探头检测参数的选择方法，能够在一定程度上提升所选参数的科学性和适用性。首先选取阵元激发个数、阵元宽度和激发频率作为探头检测参数中的三个主要参数，通过控制变量法得到不同参数条件下的缺陷图像。其次提出一种基于缺陷响应图的图像质量判读方法，以缺陷还原形状和最大幅值作为标准，根据经验制定五组缺陷形状还原评定图，将仿真获得的缺陷还原图与标准评定图做对比得出形状还原得分，其中若仿真得到的缺陷还原图与实际缺陷形状弧度相反，则直接记为0。幅值以缺陷最深处即最大幅值数据为依据。最后利用TOPSIS法对缺陷还原得分、最大幅值这两组数据进行综合评价，得到缺陷还原图的好坏综合排序图。与原有技术相比，该技术有以下优点：利用仿真中的缺陷响应模块验证较以往利用对比试块验证提升了检测效率，同时不必购置大量不同参数的探头，降低了检测试验成本；利用缺陷还原形状和最大幅值两者共同对缺陷还原图评价，提升了图像判读的科学性和准确性，避免了某些条件下幅值高但缺陷形状还原效果不佳的情况；利用TOPSIS法对缺陷还原图进行评价判读，首先消除了量纲的影响，其次充分利用原始数据的信息，结果能精确反映各缺陷图之间的差距，最终得出排序。在该方法的基础上可以设计一个全聚焦相控阵探头检测参数选择系统：包括辅助打分和自动排序功能，最后能够快速给出一个最佳值。
如图1所示，所述选择方法包括如下步骤：
步骤101，基于CIVA仿真软件建立缺陷模型。
示例性的，以一根压力管道的内表面点蚀为检测对象，管道外径108mm，长度200mm，厚度10mm，缺陷为半球形平底孔缺陷，孔深和孔径均为4mm。
通过CIVA仿真软件建立缺陷模型。
步骤102，通过CIVA仿真软件中的缺陷响应模块设置全聚焦相控阵探头的检测参数，并基于所述缺陷模型进行仿真，获得不同检测参数对应的缺陷响应图。
利用软件中的缺陷响应模块，通过改变探头的三个检测参数(激发阵元个数、阵元宽度、激发频率)，得到不同的缺陷响应图。
其中，阵元个数均为32的情况下，阵元宽度和激发频率对成像的影响，如图2和表1所示。
表1阵元宽度和激发频率对缺陷响应图的影响列表
| 序号 | 阵元宽度 | 激发频率 | 图像 |
| 1 | 0.3 | 8 | 图2(a) |
| 2 | 0.4 | 8 | 图2(b) |
| 3 | 0.5 | 8 | 图2(c) |
| 4 | 0.3 | 9 | 图2(d) |
| 5 | 0.4 | 9 | 图2(e) |
| 6 | 0.5 | 9 | 图2(f) |
| 7 | 0.3 | 10 | 图2(g) |
| 8 | 0.4 | 10 | 图2(h) |
| 9 | 0.5 | 10 | 图2(i) |
宽度和频率不变的情况下，激发阵元个数对成像的影响，如图3和表2所示。
表2激发阵元个数对缺陷响应图的影响列表
步骤103，对不同检测参数对应的缺陷响应图进行特征提取，获得不同检测参数对应的缺陷响应图的特征信息；所述特征信息包括缺陷还原度和缺陷幅值。
步骤104，基于不同检测参数对应的缺陷响应图的特征信息，采用TOPSIS算法选取最优检测参数。
如图4所示，构建五组缺陷还原形状标准图，并设置标准图的缺陷还原度基准值分别为1，2，3，4，5。将仿真得到的图形(即缺陷响应图)和标准图进行对比得到缺陷响应图的缺陷还原度。采集缺陷幅值数据：缺陷幅值即最深处幅值。
缺陷幅值和缺陷还原度的数值，如图5和表3所示。
表3缺陷幅值和缺陷还原度的数值
利用TOPSIS法对缺陷响应图进行评价判读，得到不同检测参数下缺陷响应图的综合排序。
TOPSIS法是一种常用的综合评价方法，其能充分利用原始数据的信息，其结果能精确地反映各评价方案之间的差距。Topsis法计算过程如下：
设一共有n个评价对象，每个对象都有m个指标(属性)，则原始数据矩阵构造为：
本发明实施例共有13个评价对象，每个评价对象有两个指标：缺陷幅值和缺陷还原度。
1.归一化：消除最大幅值和形状得分两组参数量纲的影响。
公式：Zij＝(Xij-min)/(max-min)，min表示每一列最小值，max表示每一列最大值。
归一化后的标准化矩阵Z：
2.根据具体需求对最大幅值和形状得分两个指标分别进行赋权。本案例的形状得分权重wj1为0.7，幅值权重wj2为0.3。示例性的，由于探头成本较高因此在实际检测中以满足基本需求为目的，不追求性能过剩。若以提高缺陷检出率为目的则最大幅值的权重更大，以提高缺陷还原程度为目的则形状的权重更大。
3.计算最优方案和最劣方案：
最优方案Z+由Z中每列元素的最大值构成：
最劣方案Z-由Z中每列元素的最小值构成：
4.计算每一个评价对象距离到最优方案及最劣方案的欧式距离：
到最优方案的距离公式：
到最劣方案的距离公式：
5.计算相对贴进度
表4通过Topsis法计算后最终排序见下表。
从表4中可以得到第四组为最理想参数选择方案。即激发阵元个数为32，阵元宽度为0.3mm，激发频率为9MHz，在这个方案下进行检测能够得到较好缺陷还原效果。另外，本发明实施例中适用性与仿真次数存在较大关联，随着仿真次数越多，方案的适用性能够得到进一步提高。
根据这个方法可以建立一个检测参数方案选择系统，只要输入相应的参数就能够快速进行分析最终得到理想参数。
本发明实施例还提供一种全聚焦相控阵探头检测参数的选择系统，所述选择系统应用于上述的选择方法，所述选择系统包括：
缺陷模型建立模块，用于基于CIVA仿真软件建立缺陷模型。
仿真模块，用于通过CIVA仿真软件中的缺陷响应模块设置全聚焦相控阵探头的检测参数，并基于所述缺陷模型进行仿真，获得不同检测参数对应的缺陷响应图。
特征提取模块，用于对不同检测参数对应的缺陷响应图进行特征提取，获得不同检测参数对应的缺陷响应图的特征信息；所述特征信息包括缺陷还原度和缺陷幅值。
最优检测参数选择模块，用于基于不同检测参数对应的缺陷响应图的特征信息，采用TOPSIS算法选取最优检测参数。
本发明实施例提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的选择方法。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现上述的选择方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
综上，本发明实施例利用仿真中的缺陷响应模块验证较以往利用对比试块验证提升了检测效率，同时不必购置大量不同参数的探头，降低了检测试验成本；利用缺陷还原形状和最大幅值两者共同对缺陷还原图评价，提升了图像判读的科学性和准确性，避免了某些条件下幅值高但缺陷形状还原效果不佳的情况；利用TOPSIS法对缺陷还原图进行评价判读，首先消除了量纲的影响，其次充分利用原始数据的信息，结果能精确反映各缺陷图之间的差距，最终得出排序。在该方法的基础上可以设计一个全聚焦相控阵探头检测参数选择系统：包括辅助打分和自动排序功能，最后能够快速给出一个最佳值。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种全聚焦相控阵探头检测参数的选择方法，其特征在于，所述选择方法包括如下步骤：
基于CIVA仿真软件建立缺陷模型；
通过CIVA仿真软件中的缺陷响应模块设置全聚焦相控阵探头的检测参数，并基于所述缺陷模型进行仿真，获得不同检测参数对应的缺陷响应图；
对不同检测参数对应的缺陷响应图进行特征提取，获得不同检测参数对应的缺陷响应图的特征信息；所述特征信息包括缺陷还原度和缺陷幅值；
基于不同检测参数对应的缺陷响应图的特征信息，采用TOPSIS算法选取最优检测参数。
2.根据权利要求1所述的全聚焦相控阵探头检测参数的选择方法，其特征在于，所述基于不同检测参数对应的缺陷响应图的特征信息，采用TOPSIS算法选取最优检测参数，具体包括：
分别计算每个检测参数对应的缺陷响应图的特征信息与最优方案和最劣方案的相对贴进度，获得每个检测参数对应的缺陷响应图的相对贴进度；所述最优方案为基于全聚焦相控阵探头的历史检测数据获得的成像效果最优的检测参数，所述最劣方案为基于全聚焦相控阵探头的历史检测数据获得的成像效果最差的检测参数；
选取相对贴近度最大的缺陷响应图对应的检测参数作为最优检测参数。
3.根据权利要求2所述的全聚焦相控阵探头检测参数的选择方法，其特征在于，分别计算每个检测参数对应的缺陷响应图的特征信息与最优方案和最劣方案的相对贴进度，获得每个检测参数对应的缺陷响应图的相对贴进度，之前还包括：
获取全聚焦相控阵探头的历史检测数据；所述历史检测数据包括：基于全聚焦相控阵探头进行缺陷检测过程中获得的历史缺陷响应图的特征信息；
将不同的历史缺陷响应图作为评价对象，将历史缺陷响应图的特征信息作为指标，构造原始数据矩阵；
对所述原始数据矩阵进行归一化处理，获得归一化处理后的原始数据矩阵；
选取所述归一化处理后的原始数据矩阵中每列元素的最大值，构成最优方案；
选取所述归一化处理后的原始数据矩阵中每列元素的最小值，构成最劣方案。
4.根据权利要求3所述的全聚焦相控阵探头检测参数的选择方法，其特征在于，所述原始数据矩阵为：
其中，X为原始数据矩阵，x11、x12和x1m分别表示第1个评价对象的第1个、第2个和第m个指标的值，x21、x22和x2m分别表示第2个评价对象的第1个、第2个和第m个指标的值，xn1、xn2和xnm分别表示第n个评价对象的第1个、第2个和第m个指标的值。
5.根据权利要求3所述的全聚焦相控阵探头检测参数的选择方法，其特征在于，分别计算每个检测参数对应的缺陷响应图的特征信息与最优方案和最劣方案的相对贴进度，获得每个检测参数对应的缺陷响应图的相对贴进度，具体包括：
利用如下公式计算每个检测参数对应的缺陷响应图的特征信息与最优方案的欧式距离；
其中，表示第i个检测参数对应的缺陷响应图的特征信息与最优方案的欧式距离，表示最优方案中的第j个指标，zij表示第i个检测参数对应的缺陷响应图的特征信息中的第j个指标，wj表示第j个指标的权重，m表示指标的数量；
利用如下公式计算每个检测参数对应的缺陷响应图的特征信息与最劣方案的欧式距离；
其中，表示第i个检测参数对应的缺陷响应图的特征信息与最劣方案的欧式距离，/>表示最劣方案中的第j个指标，
根据每个检测参数对应的缺陷响应图的特征信息与最优方案的欧式距离和每个检测参数对应的缺陷响应图的特征信息与最劣方案的欧式距离，利用如下公式，计算每个检测参数对应的缺陷响应图的相对贴进度；
其中，Ci表示第i个检测参数对应的缺陷响应图的相对贴进度。
6.一种全聚焦相控阵探头检测参数的选择系统，其特征在于，所述选择系统应用于权利要求1-5任一项所述的选择方法，所述选择系统包括：
缺陷模型建立模块，用于基于CIVA仿真软件建立缺陷模型；
仿真模块，用于通过CIVA仿真软件中的缺陷响应模块设置全聚焦相控阵探头的检测参数，并基于所述缺陷模型进行仿真，获得不同检测参数对应的缺陷响应图；
特征提取模块，用于对不同检测参数对应的缺陷响应图进行特征提取，获得不同检测参数对应的缺陷响应图的特征信息；所述特征信息包括缺陷还原度和缺陷幅值；
最优检测参数选择模块，用于基于不同检测参数对应的缺陷响应图的特征信息，采用TOPSIS算法选取最优检测参数。
7.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的选择方法。
8.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被执行时实现如权利要求1至5中任一项所述的选择方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311564069.2A CN117607272A (zh) | 2023-11-21 | 2023-11-21 | 一种全聚焦相控阵探头检测参数的选择方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311564069.2A CN117607272A (zh) | 2023-11-21 | 2023-11-21 | 一种全聚焦相控阵探头检测参数的选择方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117607272A true CN117607272A (zh) | 2024-02-27 |
Family
ID=89945633
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311564069.2A Pending CN117607272A (zh) | 2023-11-21 | 2023-11-21 | 一种全聚焦相控阵探头检测参数的选择方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117607272A (zh) |
-
2023
- 2023-11-21 CN CN202311564069.2A patent/CN117607272A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112232400B (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 | |
| JP6874846B2 (ja) | 超音波スキャン・データを用いた欠陥検出 | |
| JP2007183231A (ja) | 渦電流探傷信号処理方法 | |
| US20200393347A1 (en) | Imaging Method of Internal Defects in Longitudinal Sections of Trees | |
| US10775349B2 (en) | Defect detection using ultrasound scan data | |
| AU2020271967B2 (en) | Method for determining the geometry of a defect on the basis of non-destructive measurement methods using direct inversion | |
| Zhao et al. | Automated quantification of small defects in ultrasonic phased array imaging using AWGA-gcForest algorithm | |
| Ma et al. | Classification of damage types in liquid-filled buried pipes based on deep learning | |
| CN112818762B (zh) | 一种大尺寸复合材料及其夹层结构快速无损检测方法 | |
| Sudharsan et al. | Multi modal data fusion of PAUT with thermography assisted by Automatic Defect Recognition System (M-ADR) for NDE Applications | |
| CN117607272A (zh) | 一种全聚焦相控阵探头检测参数的选择方法及系统 | |
| CN117593541A (zh) | 基于非线性Lamb波的多晶材料晶粒度分布检测方法及介质 | |
| Jayasudha et al. | Weld defect segmentation and feature extraction from the acquired phased array scan images | |
| Aldrin et al. | Model-based inverse methods for sizing surface-breaking discontinuities with eddy current probe variability | |
| US20020116084A1 (en) | Method and system for qualifying and controlling supplier test processes | |
| CN110473183B (zh) | 一种面向可见光全链路仿真图像的评价方法、装置、电子设备和介质 | |
| Lu et al. | Internal damage identification of sandwich panels with truss core through dynamic properties and deep learning | |
| CN115661022A (zh) | 一种织物瑕疵检测模型建立方法和织物瑕疵检测方法 | |
| CN110910373B (zh) | 正交异性钢桥面板疲劳裂纹检测图像的识别方法 | |
| CN113779330A (zh) | 一种基于相似性度量的超声检测工艺参数智能计算系统 | |
| CN117744358A (zh) | 一种相控阵探头参数优化方法、系统、设备及介质 | |
| Schneider et al. | Enhancing results of ultra-high-resolution axial magnetic flux leakage (mfl-a ultra) inspection data utilizing finite-element modeling (fem) simulations | |
| CN113838001B (zh) | 基于核密度估计的超声波全聚焦图像缺陷处理方法及装置 | |
| CN117314914B (zh) | 一种对工程无损检测图像的缺陷识别方法及相关设备 | |
| CN117564533B (zh) | 基于机器视觉的金属网承载物焊接方法、装置及存储介质 |
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 |