CN117761160A - 一种基于超声导波的无损检测系统 - Google Patents
一种基于超声导波的无损检测系统 Download PDFInfo
- Publication number
- CN117761160A CN117761160A CN202311780956.3A CN202311780956A CN117761160A CN 117761160 A CN117761160 A CN 117761160A CN 202311780956 A CN202311780956 A CN 202311780956A CN 117761160 A CN117761160 A CN 117761160A
- Authority
- CN
- China
- Prior art keywords
- workpiece
- data
- test
- defect
- model
- 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
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 14
- 230000007547 defect Effects 0.000 claims abstract description 85
- 239000000523 sample Substances 0.000 claims abstract description 19
- 238000007405 data analysis Methods 0.000 claims abstract description 13
- 238000003384 imaging method Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims description 106
- 238000003062 neural network model Methods 0.000 claims description 73
- 238000012549 training Methods 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000012669 compression test Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000009864 tensile test Methods 0.000 claims description 3
- 230000001066 destructive effect Effects 0.000 claims 5
- 230000002950 deficient Effects 0.000 abstract description 7
- 239000002699 waste material Substances 0.000 abstract description 2
- 230000007797 corrosion Effects 0.000 description 4
- 238000005260 corrosion Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 239000002184 metal Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于超声导波的无损检测系统，涉及无损检测技术领域，包括超声波探头、数据采集模块、数据分析模块、模型成像模块、数据库、数据关联模块、工件质量预测模块；超声波探头用于向需要探测的工件发出超声导波，使超声导波在工件缺陷处返回反射波；该基于超声导波的无损检测系统，通过设置超声波探头、数据采集模块、数据分析模块、模型成像模块、数据库、数据关联模块、工件质量预测模块，建立缺陷预测模型、强度预测模型和寿命预测模型，方便根据工件当前情况以及工件使用目标对工件的要求，决定工件用途，将缺陷工件用在要求较低的地方，实现工件的灵活应用减少工件的浪费，降低成本。
Description
技术领域
本发明涉及无损检测技术领域，具体涉及一种基于超声导波的无损检测系统。
背景技术
超声导波检测在无损评估领域属最新方法之一，这种方法采用机械应力波沿着延伸结构传播，传播距离长而衰减小。导波检测广泛应用于检测和扫查大量工程结构，特别是全世界各地的金属管道检验。有时单一的位置检测可达数百米。同时导波检测还些应用于检测铁轨、棒材和金属平板结构。
公开号为CN113804134B的发明专利，公开了一种用于圆柱状结构部件的径向最大腐蚀深度检测方法及系统，其中，方法包括：获取在部件中轴向传播的频散超声导波的时域信号；对时域信号进行短时傅里叶变换，生成时间-频率关系；根据时间-频率关系和部件的长度，确定群速度频散曲线；基于群速度频散曲线确定目标模式的第一截止频率；根据第一截止频率、预先标定的目标模式的第二截止频率和半径，计算部件的径向最大腐蚀深度。其能够实现锚栓等圆柱状结构中径向最大腐蚀深度的定量检测，提高腐蚀深度检测精度，且无需拆卸锚栓，实现在役检测，操作简便，节约成本。
然而现有技术中主要是通过超声导波技术，探测出金属管道、棒材、平板结构等工件的损伤或瑕疵的位置、大小，还缺乏通过探测出的损伤或瑕疵判断工件的强度和使用寿命的手段，不方便工作人员依据工件的损伤或瑕疵，对工件做出合适的处理。
发明内容
本发明的目的是提供一种基于超声导波的无损检测系统，以解决现有技术中的上述不足之处。
为了实现上述目的，本发明提供如下技术方案：一种基于超声导波的无损检测系统，包括超声波探头、数据采集模块、数据分析模块、模型成像模块、数据库、数据关联模块、工件质量预测模块；
所述超声波探头用于向需要探测的工件发出超声导波，使超声导波充斥整个工件，向远处传播，超声导波传输过程中遇到缺陷时,缺陷在径向截面上有一定的面积,超声导波会在工件缺陷处返回一定比例的反射波；
所述数据采集模块用于采集所述超声波探头发出的超声导波返回的反射波；
所述数据分析模块与数据采集模块连接，用于获取所述反射波，从发射的超声导波和反射波中提取出特征波形，并对所述特征波形进行分析得到工件的缺陷位置和缺陷尺寸；其中可通过专家经验对特征波形进行分析得到工件的缺陷位置和缺陷尺寸，或通过本发明训练得到的缺陷预测模型得到预测的缺陷位置和缺陷尺寸；
所述模型成像模块用于导入工件的三维模型，得到工件模型；其中三维模型可通过人工使用三维制图软件按照工件的标准进行绘制、建模而得到。
所述模型成像模块与数据分析模块连接，还用于获取所述工件的缺陷位置和缺陷尺寸，将所述缺陷位置和缺陷尺寸更新到所述工件模型上；方便检测人员直观地了解工件的缺陷。
所述数据库用于存储历史数据，所述历史数据包括发射的超声导波和返回的反射波历史数据、工件的缺陷位置和缺陷尺寸历史数据；
所述数据库还用于储存利用根据工件用途设置的测试规则测试的工件的强度测试数据和使用寿命测试数据，所述强度测试数据包括强度测试过程数据和强度测试结果数据，所述寿命测试数据包括寿命测试过程数据和过程测试结果数据；
所述数据关联模块用于将相同工件的特征波形、缺陷位置、缺陷尺寸、工件模型、强度测试数据和使用寿命测试数据关联；
所述工件质量预测模块用于基于特征波形、缺陷位置和缺陷尺寸，训练第一神经网络模型，得到缺陷预测模型，用于根据输入缺陷预测模型的特征波形，得到预测的缺陷位置和缺陷尺寸；
所述工件质量预测模块用于基于特征波形和强度测试结果数据，训练第二神经网络模型，得到强度预测模型，用于根据输入强度预测模型的特征波形，得到预测的强度测试结果；其中第二神经网络模型包括第二神经网络模型1、第二神经网络模型2、……、第二神经网络模型n，其中n为测试方式的数量，即每种测试方式根据需要选择合适的神经网络模型再进行训练，得到对应的强度预测模型。
所述工件质量预测模块还用于基于特征波形和寿命测试结果数据，训练第三神经网络模型，得到寿命预测模型，用于根据输入寿命预测模型的特征波形，得到预测的寿命预测结果；同理其中第三神经网络模型包括第三神经网络模型1、第三神经网络模型2、……、第三神经网络模型n，其中n为测试方式的数量，即每种测试方式根据需要选择合适的神经网络模型再进行训练，得到对应的寿命预测模型。
其中在训练上述神经网络模型时，首先需要根据专家经验处理的数据和需要得到目标选择合适的神经网络模型；
将训练神经网络模型需要的样本集均分为两份，一份为训练集，另一份为验证集，使用训练集对神经网络模型进行训练，初步确定神经网络模型的参数，然后使用验证集对训练后的神经网络模型进行验证，保证神经网络模型输出的误差不大于设置的标准，若误差超过设置的标准，则调整参数，或为神经网络模型重新选择合适的激活函数或损失函数，或重新选择合适的神经网络模型，再次进行训练和验证，直至神经网络模型输出的误差不大于设置的标准，确定此时的神经网络模型参数保存神经网络模型。
进一步的，所述提取出特征波形的具体步骤包括：
对设置数量的无损的同种工件使用超声导波进行探测，获取发射的超声导波和返回的反射波得到该种工件的正常波形组成的正常波形集；
基于所述正常波形集得到标准波形，使得正常波形集内的正常波形与所述标准波形的误差小于设置的误差阈值；
获取对需要探测的工件发射的超声导波和返回的反射波得到检测波形，将所述检测波形与所述标准波形对比，将所述检测波形与所述标准波形偏差大于误差阈值的波形提取出来，得到特征波形。
进一步的，所述得到标准波形的具体步骤包括：
建立直角坐标系，将所述正常波形集的正常波形绘制到所述直角坐标系中；
将所述直角坐标系上的正常波形集的正常波形均视为连续的点，得到散点图；
对所述散点图进行回归分析得到对应的回归方程；
将所述回归方程的曲线绘制到所述直角坐标系中，得到标准波形。
进一步的，所述根据工件用途设置的测试规则测试的工件的强度测试数据和使用寿命测试数据，具体包括以下步骤：
设置测试方式包括抗拉伸测试、抗压测试、抗扭曲测试、抗高压测试；
设置工件用途，建立所述工件用途与测试方式的关联关系；
获取工件用途根据所述关联关系得到对应的测试方式；
使用对应的测试方式测试所述工件的疲劳极限，得到对应的测试方式的强度测试结果数据；
基于高加速命试验(HALT)和加速寿命试验(ALT)测试工件，得到工件的使用寿命结果数据。其中使用疲劳极限、HALT和ALT对工件进行测试为现有技术下的公知常识，且在此作无更改直接应用，因此在该技术方案中不做具体赘述，且基于本领域下不会对该技术方案造成困扰。
进一步的，在进行工件测试的同时使用超声波探头对工件进行探测，得到对应的反射波，实时分析工件是否存在缺陷，若存在缺陷则提取出对应的特征波形。
进一步的，所述第二神经网络模型有多种，所述强度预测模型有多个，每个强度预测模型，由基于一种测试方式的特征波形和强度测试结果数据，选择一种第二神经网络模型进行训练，得到对应的强度预测模型。
进一步的，所述第三神经网络模型有多种，所述寿命预测模型有多个，每个寿命预测模型，由基于一种测试方式的特征波形和寿命测试结果数据，选择一种第三神经网络模型进行训练，得到对应的寿命预测模型。
1、与现有技术相比，本发明提供的一种基于超声导波的无损检测系统，通过设置超声波探头、数据采集模块、数据分析模块、模型成像模块、数据库、数据关联模块、工件质量预测模块，通过分析导波检测时无损工件的正常超声导波波形得到无损工件的标准波形，再将缺陷工件的超声导波波形和反射波波形与标准波形对比，提取出特征波形，方便利用特征波形对工件的损伤进行判断。
2、与现有技术相比，本发明提供的一种基于超声导波的无损检测系统，通过设置超声波探头、数据采集模块、数据分析模块、模型成像模块、数据库、数据关联模块、工件质量预测模块，建立缺陷预测模型、强度预测模型和寿命预测模型，方便检测人员通过将特征波形分别输入缺陷预测模型、强度预测模型和寿命预测模型，对存在缺陷的工件进行进一步判断，判断存在缺陷的工件当前的缺陷位置、缺陷尺寸、工件强度、工件寿命，以方便根据工件当前情况以及工件使用目标对工件的要求，决定工件用途，将缺陷工件用在要求较低的地方，实现工件的灵活应用减少工件的浪费，降低成本。
附图说明
为了更清楚地说明本申请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中记载的一些实施例，对于本领域普通技术人员来讲，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系统结构框图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合附图对本发明作进一步的详细介绍。
在本发明的描述中，需要理解的是，术语"中心"、"纵向"、"横向"、"长度"、"宽度"、"厚度"、"上"、"下"、"前"、"后"、"左"、"右"、"竖直"、"水平"、"顶"、"底"、"内"、"外"、"顺时针"、"逆时针"等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语"第一"、"第二"仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有"第一"、"第二"的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，"多个"的含义是两个或两个以上，除非另有明确具体的限定。此外，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在下文中将参考附图更充分地描述示例实施例，但是所述示例实施例可以以不同形式来体现且不应当被解释为限于本文阐述的实施例。反之，提供这些实施例的目的在于使本公开透彻和完整，并将使本领域技术人员充分理解本公开的范围。
在不冲突的情况下，本公开各实施例及实施例中的各特征可相互组合。
如本文所使用的，术语“和/或”包括一个或多个相关列举条目的任何和所有组合。
本文所使用的术语仅用于描述特定实施例，且不意欲限制本公开。如本文所使用的，单数形式“一个”和“该”也意欲包括复数形式，除非上下文另外清楚指出。还将理解的是，当本说明书中使用术语“包括”和/或“由……制成”时，指定存在所述特征、整体、步骤、操作、元件和/或组件，但不排除存在或添加一个或多个其它特征、整体、步骤、操作、元件、组件和/或其群组。
本文所述实施例可借助本公开的理想示意图而参考平面图和/或截面图进行描述。因此，可根据制造技术和/或容限来修改示例图示。因此，实施例不限于附图中所示的实施例，而是包括基于制造工艺而形成的配置的修改。因此，附图中例示的区具有示意性属性，并且图中所示区的形状例示了元件的区的具体形状，但并不旨在是限制性的。
除非另外限定，否则本文所用的所有术语(包括技术和科学术语)的含义与本领域普通技术人员通常理解的含义相同。还将理解，诸如那些在常用字典中限定的那些术语应当被解释为具有与其在相关技术以及本公开的背景下的含义一致的含义，且将不解释为具有理想化或过度形式上的含义，除非本文明确如此限定。
请参阅图1，一种基于超声导波的无损检测系统，包括超声波探头、数据采集模块、数据分析模块、模型成像模块、数据库、数据关联模块、工件质量预测模块；
超声波探头用于向需要探测的工件发出超声导波，使超声导波充斥整个工件，向远处传播，超声导波传输过程中遇到缺陷时,缺陷在径向截面上有一定的面积,超声导波会在工件缺陷处返回一定比例的反射波；
数据采集模块用于采集超声波探头发出的超声导波返回的反射波；
数据分析模块与数据采集模块连接，用于获取反射波，从发射的超声导波和反射波中提取出特征波形，并对特征波形进行分析得到工件的缺陷位置和缺陷尺寸；其中可通过专家经验对特征波形进行分析得到工件的缺陷位置和缺陷尺寸，或通过本发明训练得到的缺陷预测模型得到预测的缺陷位置和缺陷尺寸；
提取出特征波形的具体步骤包括：
对设置数量的无损的同种工件使用超声导波进行探测，获取发射的超声导波和返回的反射波得到该种工件的正常波形组成的正常波形集；
基于正常波形集得到标准波形，使得正常波形集内的正常波形与标准波形的误差小于设置的误差阈值；
获取对需要探测的工件发射的超声导波和返回的反射波得到检测波形，将检测波形与标准波形对比，将检测波形与标准波形偏差大于误差阈值的波形提取出来，得到特征波形。
其中，得到标准波形的具体步骤包括：
建立直角坐标系，将正常波形集的正常波形绘制到直角坐标系中；
将直角坐标系上的正常波形集的正常波形均视为连续的点，得到散点图；
对散点图进行回归分析得到对应的回归方程；
将回归方程的曲线绘制到直角坐标系中，得到标准波形。
模型成像模块用于导入工件的三维模型，得到工件模型；其中三维模型可通过人工使用三维制图软件按照工件的标准进行绘制、建模而得到。
模型成像模块与数据分析模块连接，还用于获取工件的缺陷位置和缺陷尺寸，将缺陷位置和缺陷尺寸更新到工件模型上；方便检测人员直观地了解工件的缺陷。
数据库用于存储历史数据，历史数据包括发射的超声导波和返回的反射波历史数据、工件的缺陷位置和缺陷尺寸历史数据；
数据库还用于储存利用根据工件用途设置的测试规则测试的工件的强度测试数据和使用寿命测试数据，强度测试数据包括强度测试过程数据和强度测试结果数据，寿命测试数据包括寿命测试过程数据和过程测试结果数据；其中，根据工件用途设置的测试规则测试的工件的强度测试数据和使用寿命测试数据，具体包括以下步骤：
设置测试方式包括抗拉伸测试、抗压测试、抗扭曲测试、抗高压测试；
设置工件用途，建立工件用途与测试方式的关联关系；
获取工件用途根据关联关系得到对应的测试方式；
使用对应的测试方式测试工件的疲劳极限，得到对应的测试方式的强度测试结果数据；
基于高加速命试验(HALT)和加速寿命试验(ALT)测试工件，得到工件的使用寿命结果数据。其中使用疲劳极限、HALT和ALT对工件进行测试为现有技术下的公知常识，且在此作无更改直接应用，因此在该技术方案中不做具体赘述，且基于本领域下不会对该技术方案造成困扰。
数据关联模块用于将相同工件的特征波形、缺陷位置、缺陷尺寸、工件模型、强度测试数据和使用寿命测试数据关联；方便工作人员通过其中一项快速查阅到与其关联的其他几项。
工件质量预测模块用于基于特征波形、缺陷位置和缺陷尺寸，训练第一神经网络模型，得到缺陷预测模型，用于根据输入缺陷预测模型的特征波形，得到预测的缺陷位置和缺陷尺寸；
工件质量预测模块用于基于特征波形和强度测试结果数据，训练第二神经网络模型，得到强度预测模型，用于根据输入强度预测模型的特征波形，得到预测的强度测试结果；其中第二神经网络模型包括第二神经网络模型1、第二神经网络模型2、……、第二神经网络模型n，其中n为测试方式的数量，即每种测试方式根据需要选择合适的神经网络模型再进行训练，得到对应的强度预测模型，如强度预测模型1、强度预测模型2、……、强度预测模型n分别与第二神经网络模型1、第二神经网络模型2、……、第二神经网络模型n一一对应。第二神经网络模型有多种，强度预测模型有多个，每个强度预测模型，由基于一种测试方式的特征波形和强度测试结果数据，选择一种第二神经网络模型进行训练，得到对应的强度预测模型。
工件质量预测模块还用于基于特征波形和寿命测试结果数据，训练第三神经网络模型，得到寿命预测模型，用于根据输入寿命预测模型的特征波形，得到预测的寿命预测结果；同理其中第三神经网络模型包括第三神经网络模型1、第三神经网络模型2、……、第三神经网络模型n，其中n为测试方式的数量，即每种测试方式根据需要选择合适的神经网络模型再进行训练，得到对应的寿命预测模型，如寿命预测模型1、寿命预测模型2、……、寿命预测模型n分别与第三神经网络模型1、第三神经网络模型2、……、第三神经网络模型n一一对应。第三神经网络模型有多种，寿命预测模型有多个，每个寿命预测模型，由基于一种测试方式的特征波形和寿命测试结果数据，选择一种第三神经网络模型进行训练，得到对应的寿命预测模型。
其中在训练上述神经网络模型时，首先需要根据专家经验处理的数据和需要得到目标选择合适的神经网络模型；
将训练神经网络模型需要的样本集均分为两份，一份为训练集，另一份为验证集，使用训练集对神经网络模型进行训练，初步确定神经网络模型的参数，然后使用验证集对训练后的神经网络模型进行验证，保证神经网络模型输出的误差不大于设置的标准，若误差超过设置的标准，则调整参数，或为神经网络模型重新选择合适的激活函数或损失函数，或重新选择合适的神经网络模型，再次进行训练和验证，直至神经网络模型输出的误差不大于设置的标准，确定此时的神经网络模型参数保存神经网络模型。
在进行工件测试的同时使用超声波探头对工件进行探测，得到对应的反射波，实时分析工件是否存在缺陷，若存在缺陷则提取出对应的特征波形。方便检测人员通过将特征波形分别输入缺陷预测模型、强度预测模型和寿命预测模型，对存在缺陷的工件进行进一步判断，判断存在缺陷的工件当前的缺陷位置、缺陷尺寸、工件强度、工件寿命。
以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。
Claims (7)
1.一种基于超声导波的无损检测系统，其特征在于：包括超声波探头、数据采集模块、数据分析模块、模型成像模块、数据库、数据关联模块、工件质量预测模块；
所述超声波探头用于向需要探测的工件发出超声导波，使超声导波在工件缺陷处返回反射波；
所述数据采集模块用于采集所述超声波探头发出的超声导波返回的反射波；
所述数据分析模块与数据采集模块连接，用于获取所述反射波，从发射的超声导波和所述反射波中提取出特征波形，并对所述特征波形进行分析得到工件的缺陷位置和缺陷尺寸；
所述模型成像模块用于导入工件的三维模型，得到工件模型；
所述模型成像模块与数据分析模块连接，还用于获取所述工件的缺陷位置和缺陷尺寸，将所述缺陷位置和缺陷尺寸更新到所述工件模型上；
所述数据库用于存储历史数据，所述历史数据包括发射的超声导波和返回的反射波历史数据、工件的缺陷位置和缺陷尺寸历史数据；
所述数据库还用于储存利用根据工件用途设置的测试规则测试的工件的强度测试数据和使用寿命测试数据，所述强度测试数据包括强度测试过程数据和强度测试结果数据，所述寿命测试数据包括寿命测试过程数据和过程测试结果数据；
所述数据关联模块用于将相同工件的特征波形、缺陷位置、缺陷尺寸、工件模型、强度测试数据和使用寿命测试数据关联；
所述工件质量预测模块用于基于特征波形、缺陷位置和缺陷尺寸，训练第一神经网络模型，得到缺陷预测模型，用于根据输入缺陷预测模型的特征波形，得到预测的缺陷位置和缺陷尺寸；
所述工件质量预测模块用于基于特征波形和强度测试结果数据，训练第二神经网络模型，得到强度预测模型，用于根据输入强度预测模型的特征波形，得到预测的强度测试结果；
所述工件质量预测模块还用于基于特征波形和寿命测试结果数据，训练第三神经网络模型，得到寿命预测模型，用于根据输入寿命预测模型的特征波形，得到预测的寿命预测结果。
2.根据权利要求1所述的一种基于超声导波的无损检测系统，其特征在于：所述提取出特征波形的具体步骤包括：
对设置数量的无损的同种工件使用超声导波进行探测，获取发射的超声导波和返回的反射波得到该种工件的正常波形组成的正常波形集；
基于所述正常波形集得到标准波形，使得正常波形集内的正常波形与所述标准波形的误差小于设置的误差阈值；
获取对需要探测的工件发射的超声导波和返回的反射波得到检测波形，将所述检测波形与所述标准波形对比，将所述检测波形与所述标准波形偏差大于误差阈值的波形提取出来，得到特征波形。
3.根据权利要求2所述的一种基于超声导波的无损检测系统，其特征在于：所述得到标准波形的具体步骤包括：
建立直角坐标系，将所述正常波形集的正常波形绘制到所述直角坐标系中；
将所述直角坐标系上的正常波形集的正常波形均视为连续的点，得到散点图；
对所述散点图进行回归分析得到对应的回归方程；
将所述回归方程的曲线绘制到所述直角坐标系中，得到标准波形。
4.根据权利要求1所述的一种基于超声导波的无损检测系统，其特征在于：所述根据工件用途设置的测试规则测试的工件的强度测试数据和使用寿命测试数据，具体包括以下步骤：
设置测试方式包括抗拉伸测试、抗压测试、抗扭曲测试、抗高压测试；
设置工件用途，建立所述工件用途与测试方式的关联关系；
获取工件用途根据所述关联关系得到对应的测试方式；
使用对应的测试方式测试所述工件的疲劳极限，得到对应的测试方式的强度测试结果数据；
基于高加速命试验(HALT)和加速寿命试验(ALT)测试工件，得到工件的使用寿命结果数据。
5.根据权利要求4所述的一种基于超声导波的无损检测系统，其特征在于：在进行工件测试的同时使用超声波探头对工件进行探测，得到对应的反射波，实时分析工件是否存在缺陷，若存在缺陷则提取出对应的特征波形。
6.根据权利要求5所述的一种基于超声导波的无损检测系统，其特征在于：所述第二神经网络模型有多种，所述强度预测模型有多个，每个强度预测模型，由基于一种测试方式的特征波形和强度测试结果数据，选择一种第二神经网络模型进行训练，得到对应的强度预测模型。
7.根据权利要求5所述的一种基于超声导波的无损检测系统，其特征在于：所述第三神经网络模型有多种，所述寿命预测模型有多个，每个寿命预测模型，由基于一种测试方式的特征波形和寿命测试结果数据，选择一种第三神经网络模型进行训练，得到对应的寿命预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311780956.3A CN117761160A (zh) | 2023-12-22 | 2023-12-22 | 一种基于超声导波的无损检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311780956.3A CN117761160A (zh) | 2023-12-22 | 2023-12-22 | 一种基于超声导波的无损检测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117761160A true CN117761160A (zh) | 2024-03-26 |
Family
ID=90325462
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311780956.3A Pending CN117761160A (zh) | 2023-12-22 | 2023-12-22 | 一种基于超声导波的无损检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117761160A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102323337A (zh) * | 2011-06-13 | 2012-01-18 | 南京邮电大学 | 一种采用合成波阵面激励的工程结构损伤主动监测方法 |
| CN102466597A (zh) * | 2010-11-05 | 2012-05-23 | 华东理工大学 | 一种金属构件/材料剩余寿命的无损检测和评价方法 |
| CN110303380A (zh) * | 2019-07-05 | 2019-10-08 | 重庆邮电大学 | 一种数控机床刀具剩余寿命预测方法 |
| CN110826203A (zh) * | 2019-10-25 | 2020-02-21 | 成都大汇智联科技有限公司 | 水轮机顶盖连接螺栓疲劳寿命的评估方法及监测系统 |
| CN111609890A (zh) * | 2020-06-17 | 2020-09-01 | 西南石油大学 | 一种压裂管汇工况监测与寿命预测及反馈调控系统 |
| KR20210096767A (ko) * | 2020-01-29 | 2021-08-06 | 주식회사 삼영검사엔지니어링 | 인공 신경망을 갖는 다채널 이동형 비파괴 초음파 탐상 검사 시스템 |
| CN114580179A (zh) * | 2022-03-09 | 2022-06-03 | 武汉理工大学 | 一种服役中超声冲击处理焊接构件的疲劳寿命预测方法 |
| CN115420806A (zh) * | 2022-09-02 | 2022-12-02 | 中建工程产业技术研究院有限公司 | 一种基于神经网络及图像融合的无损超声检测方法 |
| CN115655887A (zh) * | 2022-11-01 | 2023-01-31 | 广东建设职业技术学院 | 一种混凝土强度的预测方法 |
| CN116359003A (zh) * | 2023-02-22 | 2023-06-30 | 江苏苏博特新材料股份有限公司 | 一种神经网络和超声检测的玻璃混凝土抗压强度检测方法 |
| CN116522089A (zh) * | 2023-04-24 | 2023-08-01 | 山东大学 | 一种金属结构早期疲劳裂纹与剩余寿命预测方法及系统 |
-
2023
- 2023-12-22 CN CN202311780956.3A patent/CN117761160A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102466597A (zh) * | 2010-11-05 | 2012-05-23 | 华东理工大学 | 一种金属构件/材料剩余寿命的无损检测和评价方法 |
| CN102323337A (zh) * | 2011-06-13 | 2012-01-18 | 南京邮电大学 | 一种采用合成波阵面激励的工程结构损伤主动监测方法 |
| CN110303380A (zh) * | 2019-07-05 | 2019-10-08 | 重庆邮电大学 | 一种数控机床刀具剩余寿命预测方法 |
| CN110826203A (zh) * | 2019-10-25 | 2020-02-21 | 成都大汇智联科技有限公司 | 水轮机顶盖连接螺栓疲劳寿命的评估方法及监测系统 |
| KR20210096767A (ko) * | 2020-01-29 | 2021-08-06 | 주식회사 삼영검사엔지니어링 | 인공 신경망을 갖는 다채널 이동형 비파괴 초음파 탐상 검사 시스템 |
| CN111609890A (zh) * | 2020-06-17 | 2020-09-01 | 西南石油大学 | 一种压裂管汇工况监测与寿命预测及反馈调控系统 |
| CN114580179A (zh) * | 2022-03-09 | 2022-06-03 | 武汉理工大学 | 一种服役中超声冲击处理焊接构件的疲劳寿命预测方法 |
| CN115420806A (zh) * | 2022-09-02 | 2022-12-02 | 中建工程产业技术研究院有限公司 | 一种基于神经网络及图像融合的无损超声检测方法 |
| CN115655887A (zh) * | 2022-11-01 | 2023-01-31 | 广东建设职业技术学院 | 一种混凝土强度的预测方法 |
| CN116359003A (zh) * | 2023-02-22 | 2023-06-30 | 江苏苏博特新材料股份有限公司 | 一种神经网络和超声检测的玻璃混凝土抗压强度检测方法 |
| CN116522089A (zh) * | 2023-04-24 | 2023-08-01 | 山东大学 | 一种金属结构早期疲劳裂纹与剩余寿命预测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| HU JINHUA: "Research on Fatigue Life of Welding Spot Defects Considering Corrected Average Equivalent Stress Intensity Factor", 《CHINA MECHANICAL ENGINEERING》, 25 March 2020 (2020-03-25) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2017245369B2 (en) | Wrinkle characterization and performance prediction for composite structures | |
| US7660690B2 (en) | Method for verifying sensors installation and determining the location of the sensors after installation in a structural health management system | |
| US7366627B2 (en) | Method for satisfying certification requirements and verifying the integrity of structural health management systems | |
| EP2924427A1 (en) | Method and apparatus for quantifying porosity in a component | |
| CN111033211B (zh) | 剩余寿命评价方法及保养管理方法 | |
| CN110455917B (zh) | 一种混凝土裂缝修补质量检测方法 | |
| CN108844856B (zh) | 基于冲击弹性波和机器学习的套筒灌浆缺陷无损检测方法 | |
| CN105866247A (zh) | 钢板粘贴密实度检测装置及方法 | |
| US10416123B2 (en) | Flaw detection sensitivity adjustment method and abnormality diagnosis method for ultrasonic probe | |
| US10261054B2 (en) | Method for the non-destructive ultrasonic testing of a part by echo analysis | |
| CN103954628B (zh) | 联合eemd和近似熵的钢管损伤监控方法 | |
| CN117761160A (zh) | 一种基于超声导波的无损检测系统 | |
| JP7202472B2 (ja) | ファインセラミックの曲げ強度の非破壊検査方法、装置および記憶媒体 | |
| CN114002327A (zh) | 一种用于钢绞线完整程度的检测方法 | |
| CN110988138B (zh) | 一种焊接件质量检测装置及方法 | |
| Nemati et al. | Acoustic emission assessment of fatigue crack growth from a transverse weld toe | |
| JP5150302B2 (ja) | 超音波検査データ評価装置及び超音波検査データ評価方法 | |
| KR100485450B1 (ko) | 초음파 탐상 시험 장치 및 그 제어방법 | |
| CN113302467A (zh) | 用于检查构件、尤其是喷射器的方法 | |
| JP5750066B2 (ja) | ガイド波を用いた非破壊検査方法 | |
| Dib et al. | On the usage of ultrasound computational models for decision making under ambiguity | |
| Piñal Moctezuma | Characterization of damage evolution on metallic components using ultrasonic non-destructive methods | |
| Cobb et al. | An integrated approach to local ultrasonic monitoring of fastener hole fatigue cracks | |
| Dvorák et al. | Effect of Hammer Type on Generated Mechanical Signals in Impact-Echo Testing. Materials 2021, 14, 606 | |
| CN117330644A (zh) | 通过超声波脉冲对材料进行无损检测的超声波探头 |
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 |