CN1963491A - 基于三维有限元神经网络的缺陷识别和量化评价方法 - Google Patents
基于三维有限元神经网络的缺陷识别和量化评价方法 Download PDFInfo
- Publication number
- CN1963491A CN1963491A CN 200610164923 CN200610164923A CN1963491A CN 1963491 A CN1963491 A CN 1963491A CN 200610164923 CN200610164923 CN 200610164923 CN 200610164923 A CN200610164923 A CN 200610164923A CN 1963491 A CN1963491 A CN 1963491A
- Authority
- CN
- China
- Prior art keywords
- defect
- magnetic flux
- finite element
- flux leakage
- leakage field
- 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
- 230000007547 defect Effects 0.000 title claims description 63
- 238000000034 method Methods 0.000 title claims description 20
- 238000005259 measurement Methods 0.000 claims abstract description 4
- 230000004907 flux Effects 0.000 claims description 35
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 11
- 230000002950 deficient Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 4
- 238000011002 quantification Methods 0.000 abstract description 2
- 230000007812 deficiency Effects 0.000 abstract 6
- 230000007935 neutral effect Effects 0.000 abstract 3
- 230000007797 corrosion Effects 0.000 description 6
- 238000005260 corrosion Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
一种基于三维有限元神经网络的缺陷识别和量化评价方法,用于对缺陷漏磁检测信号进行定量解释,属于无损检测技术领域。包括有如下三个基本步骤:1)根据缺陷漏磁场的三维有限元计算模型,构建三维有限元神经网络;2)测量并提取缺陷漏磁场特征值,设定缺陷漏磁场测量值与计算值间误差的阈值条件;3)给定缺陷特征参数的初始估计值,利用三维有限元神经网络进行迭代计算,通过比较缺陷漏磁场计算值与测量值间误差的大小来实现缺陷的特征识别和量化评价。有限元神经网络的权值不需事先进行训练,所以利用本发明进行缺陷量化评价,可以避免常规神经网络方法对训练样本的依赖性,有利于提高对各种不规则缺陷的识别能力和量化精度。
Description
技术领域
本发明涉及一种基于三维有限元神经网络的缺陷识别和量化评价方法,用于缺陷漏磁检测信号的特征识别和量化评价,属于无损检测技术领域。
背景技术
漏磁检测是较常用的无损检测方法,在铁磁性材料质量检测和安全监测方面有广泛应用,但是,对漏磁检测信号进行合理解释以实现缺陷的特征识别和量化评价一直是无损检测研究领域的一道技术难题。中国专利文献公开了一种“管道缺陷漏磁检测数据的分析方法”(公开号:1458442,公开日:2003.11.26),该技术涉及一种能够提高各种钢制管道缺陷检测信号分析效率和定量分析精度的缺陷漏磁检测数据分析处理方法,但该技术通过显示数据云图,只能定性判断管道的缺陷有无,难以实现缺陷量化;而专利“管道腐蚀缺陷类型识别方法”(申请号:200410068973.5,公开号:1587785A),该技术涉及一种管道腐蚀缺陷类型识别方法,通过简单算法和国际标准实现对大量漏磁检测数据快速分类处理,该技术仅对规则化缺陷才能取得较理想的识别精度;专利“一种漏磁检测腐蚀缺陷的量化方法”(申请号:200510011116.6,公开号:1641347A),该技术涉及一种腐蚀缺陷漏磁检测数据分析处理方法,利用检测到的漏磁场分布特征,根据事先由标准人工缺陷测量建立的拟合量化模型实现对腐蚀缺陷三个方向尺寸的量化,其量化结果对前述统计拟合模型数据的依赖性大,任何检测条件的差异都可能对量化结果产生较大的影响。
发明内容
本发明的目的是提供一种基于三维有限元神经网络的缺陷识别和量化评价方法。其实质是将三维有限元计算模型嵌入到神经网络结构中,综合有限元和神经网络的优点来解决电磁无损评价中非线性问题求解计算量大、速度慢的问题。同时,该发明能避免常规神经网络方法对训练数据的依赖性,有利于提高对各种不规则缺陷的识别能力和量化精度。
本发明的技术方案如下:一种基于三维有限元神经网络的缺陷识别和量化评价方法,其特征在于该方法包括如下步骤:
1)根据缺陷漏磁场的三维有限元计算模型构建三维有限元神经网络:有限元神经网络包含三层:输入层、输出层和隐含层。如果缺陷漏磁场三维有限元计算模型包含M个网格单元、N个节点,而且每个单元有i个特征参数,那么神经网络结构的输入层就包含i×M个神经元,这些神经元分别乘以权值矩阵元素wi j之后,作为隐含层的输入;隐含层包含N2个神经元,N个为一组,隐含层的输出再乘以相应节点的权值φj,就可以得到与该节点对应的输出值;输出层为N个神经元,代表N个节点处的输出值;
2)测量缺陷漏磁场,提取缺陷漏磁场特征值,并设定缺陷漏磁场测量值A与神经网络计算值B间误差的阈值δ:根据缺陷漏磁场的分布特征,采用等空间采样法测量缺陷周围某一区域若干个点处的漏磁场强度,并提取其轴向、周向和径向分量作为缺陷漏磁场的特征值;
3)根据所测量缺陷漏磁场的大小,设定缺陷特征参数的初始估计值,利用步骤1)建立的三维有限元神经网络对其进行迭代计算:如果缺陷漏磁场的测量值A与神经网络计算值B间的误差A-B大于步骤2)所设定误差阈值δ,则需更新缺陷特征参数的估计值重新进行计算;当误差A-B小于阈值δ时,即认为用于有限元神经网络计算的缺陷特征参数估计值是所期望的缺陷特征参数。
本发明所述提取的缺陷漏磁场特征值为缺陷漏磁场的轴向、周向和径向分量。
本发明的特征还在于:上述步骤2)中所提取的缺陷漏磁场特征值要进行归一化处理。
本发明提出的基于三维有限元神经网络的缺陷识别和量化评价方法,实质上是用并行方式实现的有限元计算模型,既具有有限元计算精度高的特点,又具有神经网络并行计算、速度快的优势。同时,由于有限元神经网络的权值取决于待求解问题的微分方程和边界条件,不需事先进行训练,因此利用它进行缺陷量化评价时,可以避免常规神经网络方法对训练样本的依赖性,有利于提高对各种不规则缺陷的识别能力和量化精度,具有较广阔的应用前景。
附图说明
图1为依据漏磁场有限元计算模型构建三维有限元神经网络的基本原理。
图2为基于三维有限元神经网络的缺陷参数迭代评价方法。
图3为线性四面体单元图。
图4为有限元神经网络的结构。
具体实施方式
基于三维有限元神经网络进行缺陷识别和量化评价方法,主要包括如下三个基本步骤:1)根据缺陷漏磁场的三维有限元计算模型,构建三维有限元神经网络;2)测量并提取缺陷漏磁场的特征值,设定缺陷漏磁场测量值与计算值间误差的阈值条件;3)给定缺陷特征参数的初始估计值,利用三维有限元神经网络进行迭代计算,通过比较测量的漏磁场计算值与特征值间的误差大小来实现缺陷几何特征识别和量化评价。
下面结合附图对上述各步骤作进一步的说明:
1)根据缺陷漏磁场的三维有限元计算模型构建三维有限元神经网络:有限元神经网络包含三层:输入层、输出层和隐含层。如果缺陷漏磁场计算模型对应的三维有限元网格结构包含M个线性四面体单元(如图3)、N个节点,设定每个单元的特征参数为α、β和γ,那么所构建有限元神经网络的输入层就应包含3M个神经元,即M个α、M个β和M个γ。它们分别乘以权值wi j、gi j和hi j(i=1,2,…,M;j=1,2,…,N)之后,作为隐含层的输入;隐含层包含N2个神经元,N个为一组;隐含层的输出再乘以相应节点的权值φj,就可以得到与该节点对应的bj值;输出层为N个神经元,代表N个节点处的bj值。据此,构建的有限元神经网络结构示意如图4;三维有限元神经网络的权值wi j、gi j和hi j以及权值φj取决于待求解问题的微分方程和边界条件,不需事先进行训练,因此不存在对训练样本的依赖性。
2)针对漏磁检测管道腐蚀缺陷的定量评价问题,首先采用等空间采样法测量缺陷周围某一区域若干个点处的漏磁场强度,并对其分别进行归一化处理,然后分别选择其轴向、周向和径向分量作为缺陷漏磁场的特征值。同时,设定测量值与网络计算值间的误差阈值为δ;
3)根据所测量缺陷漏磁场的大小,将设定的α、β和γ作为缺陷特征参数的初始估计值,运用步骤1)建立的三维有限元神经网络对其进行迭代计算。
(1)假设迭代计算到第t次循环时,缺陷的特征参数估计值为α(t)、β(t)、γ(t),如果将α(t)、β(t)、γ(t)分别作为神经网络的输入时,则计算得到的网络输出为:
(2)计算神经网络输出的误差:
如果误差E<δ,则α(t)、β(t)、γ(t)即是所期望的缺陷特征参数估计值;否则进行以下计算。
(3)利用梯度下降法更新α(t)、β(t)和γ(t):
(4)将α(t+1)、β(t+1)、γ(t+1)分别作为神经网络的输入,重复步骤(1)~(4),直到误差E<δ为止。此时,即认为更新后的神经网络输入值是所期望缺陷特征参数的量化结果。
Claims (3)
1.一种基于三维有限元神经网络的缺陷识别和量化评价方法,其特征在于该方法包括如下步骤:
1)根据缺陷漏磁场的三维有限元计算模型构建三维有限元神经网络:有限元神经网络包含三层:输入层、输出层和隐含层,如果缺陷漏磁场三维有限元计算模型包含M个网格单元、N个节点,而且每个单元有i个特征参数,那么神经网络结构的输入层就包含i×M个神经元,这些神经元分别乘以权值矩阵元素wi j之后,作为隐含层的输入;隐含层包含N2个神经元,N个为一组,隐含层的输出再乘以相应节点的权值φ,就可以得到与该节点对应的输出值;输出层为N个神经元,代表N个节点处的输出值;
2)测量缺陷漏磁场,提取缺陷漏磁场特征值,并设定缺陷漏磁场测量值A与神经网络计算值B间误差的阈值δ:根据缺陷漏磁场的分布特征,采用等空间采样法测量缺陷周围某一区域若干个点处的漏磁场强度;
3)根据所测量缺陷漏磁场的大小,设定缺陷特征参数的初始估计值,利用步骤1)建立的三维有限元神经网络对其进行迭代计算:如果缺陷漏磁场的测量值A与计算值B间的误差A-B大于步骤2)所设定误差阈值δ,则需更新缺陷特征参数的估计值重新进行计算;当误差A-B小于阈值δ时,即认为用于有限元神经网络计算的缺陷特征参数估计值是所期望的缺陷特征参数。
2、根据权利要求1所述的基于三维有限元神经网络的缺陷识别和量化评价方法,其特征在于:所述提取的缺陷漏磁场特征值为缺陷漏磁场的轴向、周向和径向分量。
3、根据权利要求1或2所述的基于三维有限元神经网络的缺陷识别和量化评价方法,其特征在于:上述步骤2)中所测量的缺陷漏磁场特征值进行归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006101649236A CN100483126C (zh) | 2006-12-08 | 2006-12-08 | 基于三维有限元神经网络的缺陷识别和量化评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006101649236A CN100483126C (zh) | 2006-12-08 | 2006-12-08 | 基于三维有限元神经网络的缺陷识别和量化评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1963491A true CN1963491A (zh) | 2007-05-16 |
CN100483126C CN100483126C (zh) | 2009-04-29 |
Family
ID=38082632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2006101649236A Expired - Fee Related CN100483126C (zh) | 2006-12-08 | 2006-12-08 | 基于三维有限元神经网络的缺陷识别和量化评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100483126C (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102735747A (zh) * | 2012-04-10 | 2012-10-17 | 南京航空航天大学 | 高速铁路钢轨高速漏磁巡检的缺陷定量识别方法 |
CN104458895A (zh) * | 2014-12-08 | 2015-03-25 | 清华大学 | 管道三维漏磁成像检测方法及系统 |
CN104899868A (zh) * | 2015-05-12 | 2015-09-09 | 清华大学 | 三维漏磁检测缺陷复合反演成像方法 |
CN104897771A (zh) * | 2015-05-12 | 2015-09-09 | 清华大学 | 三维漏磁检测缺陷轮廓重构方法及装置 |
CN104990977A (zh) * | 2015-06-29 | 2015-10-21 | 清华大学 | 三维漏磁检测缺陷复合反演成像方法 |
CN103196356B (zh) * | 2013-04-07 | 2015-10-21 | 克拉玛依市金牛工程建设有限责任公司 | 基于支持向量机的油管缺陷定量识别方法 |
CN105021694A (zh) * | 2015-07-02 | 2015-11-04 | 清华大学 | 不完整信号下的漏磁检测缺陷量化与显示方法 |
WO2016037351A1 (en) * | 2014-09-12 | 2016-03-17 | Microsoft Corporation | Computing system for training neural networks |
CN107055732A (zh) * | 2017-05-17 | 2017-08-18 | 北京易沃特科技有限公司 | 一种废水重金属去除方法及装置 |
CN107255671A (zh) * | 2017-06-29 | 2017-10-17 | 清华大学 | 钢板缺陷磁旋阵成像检测方法及检测装置 |
CN108828059A (zh) * | 2018-06-29 | 2018-11-16 | 清华大学 | 电磁多场耦合缺陷综合检测评价方法及装置 |
CN110108783A (zh) * | 2019-05-14 | 2019-08-09 | 上海市特种设备监督检验技术研究院 | 一种基于卷积神经网络的管道缺陷检测方法和装置 |
CN110470729A (zh) * | 2019-07-31 | 2019-11-19 | 浙江树人学院(浙江树人大学) | 一种基于电涡流的油田套管缺陷无损检测方法 |
CN111448453A (zh) * | 2017-10-06 | 2020-07-24 | 罗森瑞士股份公司 | 确定缺陷的几何结构的方法以及确定负荷能力极限的方法 |
CN111562305A (zh) * | 2019-02-14 | 2020-08-21 | 爱科维申科技(天津)有限公司 | 基于电磁层析成像技术的汽车减震器活塞缺陷检测方法 |
CN113390956A (zh) * | 2021-06-18 | 2021-09-14 | 西安建筑科技大学 | 双磁敏元件探头及基于探头的漏磁检测缺陷定量评价方法 |
CN117540283A (zh) * | 2024-01-10 | 2024-02-09 | 河北省药品医疗器械检验研究院(河北省化妆品检验研究中心) | 一种智能化电磁电器性能评估方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101995436B (zh) * | 2010-10-26 | 2012-08-15 | 江苏大学 | 基于神经网络的拉深件裂纹监测方法 |
-
2006
- 2006-12-08 CN CNB2006101649236A patent/CN100483126C/zh not_active Expired - Fee Related
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102735747A (zh) * | 2012-04-10 | 2012-10-17 | 南京航空航天大学 | 高速铁路钢轨高速漏磁巡检的缺陷定量识别方法 |
CN103196356B (zh) * | 2013-04-07 | 2015-10-21 | 克拉玛依市金牛工程建设有限责任公司 | 基于支持向量机的油管缺陷定量识别方法 |
US11049006B2 (en) | 2014-09-12 | 2021-06-29 | Microsoft Technology Licensing, Llc | Computing system for training neural networks |
CN106062786B (zh) * | 2014-09-12 | 2019-12-31 | 微软技术许可有限责任公司 | 用于训练神经网络的计算系统 |
WO2016037351A1 (en) * | 2014-09-12 | 2016-03-17 | Microsoft Corporation | Computing system for training neural networks |
CN106062786A (zh) * | 2014-09-12 | 2016-10-26 | 微软技术许可有限责任公司 | 用于训练神经网络的计算系统 |
CN104458895A (zh) * | 2014-12-08 | 2015-03-25 | 清华大学 | 管道三维漏磁成像检测方法及系统 |
CN104897771B (zh) * | 2015-05-12 | 2018-01-23 | 清华大学 | 三维漏磁检测缺陷轮廓重构方法及装置 |
CN104899868A (zh) * | 2015-05-12 | 2015-09-09 | 清华大学 | 三维漏磁检测缺陷复合反演成像方法 |
CN104897771A (zh) * | 2015-05-12 | 2015-09-09 | 清华大学 | 三维漏磁检测缺陷轮廓重构方法及装置 |
CN104899868B (zh) * | 2015-05-12 | 2017-08-25 | 清华大学 | 三维漏磁检测缺陷复合反演成像方法 |
CN104990977B (zh) * | 2015-06-29 | 2018-02-09 | 清华大学 | 三维漏磁检测缺陷神经网络迭代反演成像方法 |
CN104990977A (zh) * | 2015-06-29 | 2015-10-21 | 清华大学 | 三维漏磁检测缺陷复合反演成像方法 |
CN105021694B (zh) * | 2015-07-02 | 2017-12-19 | 清华大学 | 不完整信号下的漏磁检测缺陷量化与显示方法 |
CN105021694A (zh) * | 2015-07-02 | 2015-11-04 | 清华大学 | 不完整信号下的漏磁检测缺陷量化与显示方法 |
CN107055732A (zh) * | 2017-05-17 | 2017-08-18 | 北京易沃特科技有限公司 | 一种废水重金属去除方法及装置 |
CN107255671A (zh) * | 2017-06-29 | 2017-10-17 | 清华大学 | 钢板缺陷磁旋阵成像检测方法及检测装置 |
CN107255671B (zh) * | 2017-06-29 | 2019-10-29 | 清华大学 | 钢板缺陷磁旋阵成像检测方法及检测装置 |
CN111448453A (zh) * | 2017-10-06 | 2020-07-24 | 罗森瑞士股份公司 | 确定缺陷的几何结构的方法以及确定负荷能力极限的方法 |
CN108828059A (zh) * | 2018-06-29 | 2018-11-16 | 清华大学 | 电磁多场耦合缺陷综合检测评价方法及装置 |
CN111562305B (zh) * | 2019-02-14 | 2024-01-26 | 爱科维申科技(天津)有限公司 | 基于电磁层析成像技术的汽车减震器活塞缺陷检测方法 |
CN111562305A (zh) * | 2019-02-14 | 2020-08-21 | 爱科维申科技(天津)有限公司 | 基于电磁层析成像技术的汽车减震器活塞缺陷检测方法 |
CN110108783A (zh) * | 2019-05-14 | 2019-08-09 | 上海市特种设备监督检验技术研究院 | 一种基于卷积神经网络的管道缺陷检测方法和装置 |
CN110470729B (zh) * | 2019-07-31 | 2022-12-02 | 浙江树人学院(浙江树人大学) | 一种基于电涡流的油田套管缺陷无损检测方法 |
CN110470729A (zh) * | 2019-07-31 | 2019-11-19 | 浙江树人学院(浙江树人大学) | 一种基于电涡流的油田套管缺陷无损检测方法 |
CN113390956A (zh) * | 2021-06-18 | 2021-09-14 | 西安建筑科技大学 | 双磁敏元件探头及基于探头的漏磁检测缺陷定量评价方法 |
CN113390956B (zh) * | 2021-06-18 | 2024-02-20 | 西安建筑科技大学 | 双磁敏元件探头及基于探头的漏磁检测缺陷定量评价方法 |
CN117540283A (zh) * | 2024-01-10 | 2024-02-09 | 河北省药品医疗器械检验研究院(河北省化妆品检验研究中心) | 一种智能化电磁电器性能评估方法 |
CN117540283B (zh) * | 2024-01-10 | 2024-04-26 | 河北省药品医疗器械检验研究院(河北省化妆品检验研究中心) | 一种智能化电磁电器性能评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN100483126C (zh) | 2009-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100483126C (zh) | 基于三维有限元神经网络的缺陷识别和量化评价方法 | |
CN103293014B (zh) | 一种桥梁疲劳损伤状态与剩余寿命的评估方法 | |
Sony et al. | Vibration-based multiclass damage detection and localization using long short-term memory networks | |
CN103076394B (zh) | 基于振动识别频率和振型综合的海洋平台安全评定的方法 | |
CN103884593B (zh) | 基于少量静态测量数据的结构损伤定位与程度识别方法 | |
CN107356677B (zh) | 基于旅行时层析成像和逆时偏移成像的超声无损检测方法 | |
Truong et al. | An effective framework for real-time structural damage detection using one-dimensional convolutional gated recurrent unit neural network and high performance computing | |
CN112668526A (zh) | 基于深度学习和压电主动传感的螺栓群松动定位监测方法 | |
CN104133960A (zh) | 一种改进的静力传感器的优化布设方法 | |
CN111753776B (zh) | 基于回声状态与多尺度卷积联合模型的结构损伤识别方法 | |
CN110555235A (zh) | 基于向量自回归模型的结构局部缺陷检测方法 | |
CN106997410B (zh) | 一种基于模态应变能的损伤发生的判断方法 | |
CN115047064A (zh) | 管道缺陷量化方法、处理器和管道缺陷量化装置 | |
Li et al. | Quantitative nondestructive testing of broken wires for wire rope based on magnetic and infrared information | |
Amanollah et al. | Damage detection of structures based on wavelet analysis using improved AlexNet | |
CN109632942B (zh) | 一种基于集成学习的管道缺陷尺寸的反演方法 | |
CN117233347B (zh) | 一种碳钢球化等级测量方法、系统及设备 | |
CN112131781B (zh) | 基于全连接神经网络与传递率函数的钢结构损伤检测方法 | |
CN112097125B (zh) | 一种基于自适应校核的供水管网爆管侦测及定位方法 | |
CN111241725B (zh) | 基于条件生成对抗网络的结构响应重构方法 | |
CN109426857A (zh) | 一种基于状态池网络的水质指标预测方法 | |
CN106849873A (zh) | 太阳能电池抗辐照能力无损检验方法及装置 | |
CN101319890A (zh) | 工程科学信息处理的补偿方法 | |
CN104406700A (zh) | 红外焦平面阵列芯片贮存失效率、可靠度的检测方法 | |
Chang et al. | Intelligent diagnosis model of traction seat of urban rail vehicle based on harris hawks optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20090429 Termination date: 20171208 |