CN107014668A - 一种基于压电和智能涂层传感器的疲劳裂纹综合监测方法 - Google Patents
一种基于压电和智能涂层传感器的疲劳裂纹综合监测方法 Download PDFInfo
- Publication number
- CN107014668A CN107014668A CN201710192852.9A CN201710192852A CN107014668A CN 107014668 A CN107014668 A CN 107014668A CN 201710192852 A CN201710192852 A CN 201710192852A CN 107014668 A CN107014668 A CN 107014668A
- Authority
- CN
- China
- Prior art keywords
- smart coat
- sensor
- piezoelectric transducer
- monitoring
- crack
- 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
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/041—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/20—Investigating the presence of flaws
-
- 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
- G01N29/041—Analysing solids on the surface of the material, e.g. using Lamb, Rayleigh or shear waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/20—Metals
-
- 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
- G01N2203/0058—Kind of property studied
- G01N2203/0069—Fatigue, creep, strain-stress relations or elastic constants
- G01N2203/0073—Fatigue
-
- 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
-
- 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
- G01N2291/0237—Thin materials, e.g. paper, membranes, thin films
Landscapes
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开了一种基于压电和智能涂层传感器对结构疲劳裂纹综合监测的方法,该方法根据压电传感器和智能涂层传感器的裂纹监测原理分别获得Lamb波与损伤之间的损伤定量模型以及实时裂纹检测结果,结合不同传感器损伤监测结果的数据类型,建立相应的裂纹检出概率模型。针对压电传感器,根据铝合金板结构实际疲劳裂纹扩展试验结果,基于Lamb波信号建立损伤定量模型,采用贝叶斯更新方法修正模型参数以获得更准确的损伤定量模型。通过对比分析压电传感器监测结果的POD模型和智能涂层传感器监测结果的POD模型,综合判断压电和智能涂层传感器在不同长度下疲劳裂纹的监测能力。
Description
技术领域
本发明属于结构健康监控领域,涉及对金属、复合材料等结构损伤监测,具体涉及一种用于压电和智能涂层传感器对铝合金薄板疲劳裂纹扩展情况的综合监测判断方法。
背景技术
结构健康监控技术已经在民用工程和航空工程领域都得到了广泛应用,结构健康监控技术就是通过智能传感器网络在线实时监测结构健康状况。目前,在结构健康监控技术中使用的传感器主要有压电传感器、光纤传感器、MEMS传感器、智能涂层传感器等。其中压电传感器是通过自身的压电效应,激励和接收导波信号,并通过信号处理技术实现对结构损伤监测;智能涂层传感器是由驱动层、传感层和保护层组成,通过结构裂纹扩展到智能涂层传感器布贴位置引起传感层电阻值的变化,从而实现对结构裂纹的监测。
有研究表明,针对结构健康监测的不同传感器设备,由于传感器的监测原理不同,其信号的数据类型和处理方式也不尽相同,对损伤监测各有优势。目前,根据不同传感器对结构损伤监测采集的信号,其数据类型主要分为Signal response数据和Hit/miss数据。Signal response数据是指通过检测到的电信号或振动信号(如:电压、电流、频率、应变等)的连续变化用于表征结构损伤的变化(如:裂纹长度,损伤面积等)。针对离散的响应信号,传感器采集的数据直接能够反应其检测结果(hit=1,miss=0),1表示损伤被检测到,0表示损伤未被检测到。通过裂纹检出概率比较压电和智能涂层传感器对损伤的能力。裂纹检出概率,即POD(Probability of Detection)模型是传感器检测能力的一种表征方式。POD模型结果不仅与损伤大小有关,还受到如被监测结构的材料、几何尺寸、损伤形式、监测环境和监测人员等不确定性因素的影响。
在相关文献和试验中发现,智能涂层传感器在监测疲劳裂纹扩展时会发生漏检的情况,所谓漏检则指的是当裂纹已经穿过智能涂层传感器的监测区域时,传感器未检测到的现象。
发明内容
本发明为了解决上述问题,充分考虑到智能涂层传感器的漏检问题,提出一种基于压电和智能涂层传感器的疲劳裂纹综合监测方法。本发明是通过压电传感器的损伤监测原理,建立结构裂纹定量模型监测疲劳裂纹扩展情况,结合智能涂层传感器的监测结果,分别建立相应的POD模型,绘出POD曲线。本发明是通过两种传感器的监测结果所建立的POD模型,综合比较压电和智能涂层传感器对疲劳裂纹扩展的检出概率,选择在不同疲劳裂纹长度下更能够准确监测该结构疲劳裂纹扩展的传感器类型。
本发明采用了两种传感器对疲劳裂纹扩展监测结果进行综合判断,通过疲劳试验机对试验件加载,使试验件产生疲劳裂纹扩展,两种传感器通过对监测信息的分析处理获得相应的POD模型,实现两种传感器的对疲劳裂纹扩展的综合判断,克服了两种传感器自身的不足。
本发明是分别基于压电和智能涂层传感器对疲劳裂纹的监测结果,提出了信息融合方法,实现对裂纹扩展的综合判断。以铝合金薄板的疲劳裂纹扩展试验为平台,在薄板上同时布置智能涂层和压电传感器对疲劳裂纹扩展进行监测,具体分以下步骤:
步骤1:选择试验件。
步骤2:在铝合金薄板上布贴压电传感器和智能涂层传感器。
步骤3:确定压电传感器的激励信号。
步骤4:将以上贴有智能涂层和压电传感器的铝合金薄板安装在疲劳试验机上进行疲劳裂纹扩展试验。在疲劳试验机加载前,分别采集压电和智能涂层传感器的初始信号。
步骤5:通过光学显微镜实时记录不同循环周次下的裂纹长度,在平均加载应力水平停止循环加载时采集压电传感器接收的Lamb波信号。同时,在每次智能涂层传感器报警时,记录智能涂层传感器的数据和压电传感器的Lamb波信号。
步骤6:完成试验后,对传感器采集的信号进行处理。主要是分析处理压电传感器采集的Lamb波信号,对该信号进行滤波,截取Lamb波信号S0模式的时间窗。因为Lamb波在传播路径中随着裂纹扩展,信号能量发生衰减即幅值减小、传播路径变化即相位变化等,提取损伤特征归一化幅值X、相位角变化Y,建立裂纹长度与损伤特征参数的函数模型f(·)。
步骤7:重复步骤2-6,针对压电传感器采集的Lamb波信号进行分析处理,提取损伤特征参数,验证步骤5中建立的函数模型,并对模型参数加以修正,获得修正后的模型g(·)。
步骤8:根据步骤7中确定的压电传感器裂纹监测模型和智能涂层传感器的历史数据,选择相应的POD模型,绘制POD曲线,判断两种传感器对铝合金结构疲劳裂纹扩展的监测能力。
本发明的优点在于:
提出了一种基于压电传感器对疲劳裂纹扩展的损伤定量模型,结合智能涂层和压电传感器对铝合金板疲劳裂纹监测的试验数据,获得相应传感器的POD模型,判断两种传感器对不同裂纹长度的监测能力。通过综合智能涂层和压电传感器的POD模型,判断两种传感器在不同裂纹长度下的监测能力。
附图说明
图1为试验件规格示意图;
图2传感器布置示意图;
图3压电传感器激励信号;
图4压电传感器接收的Lamb波信号;
图5不同裂纹长度下,S0模式曲线;
图6智能涂层和压电传感器裂纹监测的POD曲线。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
本发明在于提供一种多传感器对疲劳裂纹扩展的综合监测方法。通过智能涂层和压电传感器对铝合金薄板的疲劳裂纹扩展进行监测,分析监测结果,绘制两种传感器的POD模型曲线。
上述铝合金薄板如图1所示,其规格:600*300*2(mm)。为了在疲劳试验过程中使结构能够较快地沿指定方向进行疲劳裂纹扩展,在铝合金薄板的中心开有一直径10mm的圆孔,并在平行于短边的两个方向上分别预制长3mm,宽0.2mm的裂纹。
将布置有传感器的铝合金薄板(如图2所示)装载到疲劳试验机进行试验前,需要对压电和智能涂层传感器进行调试,并获取初始信号。其中,传感器的调试包括测试传感器信号的激励和采集是否正常,本方法实现过程中压电传感器选择的激励信号是五波峰正弦调制信号,中心频率160KHz,如图3所示。考虑到Lamb波的频散特性,在采集到的Lamb波信号中,根据布置的压电传感器之间距离和Lamb波的飞行时间(ToF,Time-of-Flight)即T2,如图4所示,计算Lamb波S0模式群速度,截取不同裂纹长度下S0模式时间窗。由于Lamb波在传播过程中遇到损伤时会出现信号的反射和散射现象,能量就会耗散。本方法选择用Lamb波S0模式的幅值和相位的变化来表征疲劳裂纹的扩展情况。在所截取的时间窗中,提取表征裂纹扩展情况的归一化幅值X和相位角的变化Y,并建立相应的函数模型。
通过智能涂层传感器的历史数据和压电传感器建立的裂纹扩展定量模型,分别建立相应的POD模型,比较分析获得两种传感器对不同裂纹长度的监测效果。
本发明的一种基于压电和智能涂层传感器的疲劳裂纹综合监测方法,包括以下几个步骤:
步骤1:选择试验件。在验证本方法中,考虑到Lamb波的传播特性和疲劳裂纹的扩展,选择铝合金薄板,规格:600*300*2(mm),在铝合金薄板的中心开有Φ10mm的圆孔,同时在孔的两边垂直于长边方向各预制3mm长,0.2mm宽的小裂纹。
步骤2:在薄板上布贴压电传感器和智能涂层传感器,其中智能涂层传感器从沿着预制裂纹的尖端起布置16个传感器,两压电陶瓷片之间的中心距离是200mm,如图2所示。
步骤3:确定压电传感器的激励信号,根据Lamb波在铝合金板中传播的频散曲线可知,当频厚积较小时Lamb波S0模式群速度较大且稳定,激励信号每个激励脉冲的周期数一般选择3.5~13.5个周期,周期数不能过多,也不能过少。这是因为信号的周期数越多,不同模式的波包就会发生串扰,不利于信号的分析。激励信号的周期数过少,信号所携带的能量就越少,且带宽越宽,信号易受干扰。这里选择五周期正弦调制波信号,中心频率160KHz。
步骤4:将以上贴有智能涂层和压电传感器的铝合金薄板安装在疲劳试验机上进行疲劳裂纹扩展试验。在疲劳试验机加载前,分别采集压电和智能涂层传感器的初始信号。设定疲劳试验机的加载参数,包括应力比、最大应力、加载频率、加载波形等。
步骤5:通过光学显微镜实时记录不同循环周次下的裂纹长度,在平均加载应力水平停止循环加载的情况下采集压电传感器接收的Lamb波信号。同时,在每次智能涂层传感器报警时,记录智能涂层传感器的数据和压电传感器的Lamb波信号。
步骤6:试验结束后,对智能涂层和压电传感器的采集信号进行处理。针对压电传感器接收的Lamb波信号进行窄带滤波,从滤波后的信号中截取S0波包相应的时间窗(见图5),并根据以下公式从时间窗中提取损伤参数。公式3中Ai和A0分别表示图5虚线框中第i条曲线的波峰值和基准信号即裂纹长度为零的波峰值,公式4中Pi和P0分别表示第i条曲线的波峰值和基准信号的波峰值所对应的时刻。通过裂纹扩展的实测值和损伤特征参数建立疲劳裂纹的损伤定量模型。
Y(i)=Pi-P0 (4)
其中:上式中X表示归一化幅值,Y表示相位角变化,αi(i=0,1,2,3)表示模型参数,模型监测的裂纹长度。
步骤7:使用相同规格的试验件,重复步骤2-6六次,验证步骤5中建立的函数模型,并对模型参数使用贝叶斯统计方法中MCMC抽样方法进行修正,获得修正后的模型。
其中:上式中α′i(i=0,1,2,3)是更新后模型参数。
步骤8:根据模型公式(7)、(8)和(9),建立压电传感器的POD模型,绘制POD曲线。
其中:式(7)中lna是实际裂纹长度的对数形式,是模型监测结果的对数形式,γ是服从均值为零,标准差为σγ误差变量,α、β是模型参数。式(8)中裂纹监测阈值。
将多次试验中智能涂层传感器的监测结果进行处理,每一个智能涂层传感器监测结果作为一个Hit/miss数据类型,当裂纹扩展到两个传感器之间时,前一智能涂层传感器报警,则前一智能涂层传感器检测到裂纹,否则该传感器没有检测到裂纹。根据检测结果,得到智能涂层传感器裂纹监测的样本均值和样本方差。由公式(10)得到智能涂层传感器裂纹监测的POD模型,其中m是样本均值,σ是样本标准差。最后,根据模型绘制智能涂层传感器的POD曲线。
其中:上式中m、σ分别是智能涂层传感器监测结果的样本均值和标准差。
根据上面绘制的两个POD模型,判断两种传感器对铝合金结构疲劳裂纹扩展的监测能力,如图6所示。
Claims (1)
1.一种基于压电和智能涂层传感器的疲劳裂纹综合监测方法,以铝合金薄板的疲劳裂纹扩展试验为平台,在薄板上同时布置智能涂层和压电传感器对疲劳裂纹扩展进行监测,具体包括以下步骤:
步骤1:选择试验件;
步骤2:在铝合金薄板上布贴压电传感器和智能涂层传感器;
步骤3:确定压电传感器的激励信号;
步骤4:将以上贴有智能涂层和压电传感器的铝合金薄板安装在疲劳试验机上进行疲劳裂纹扩展试验,在疲劳试验机加载前,分别采集压电和智能涂层传感器的初始信号;
步骤5:通过光学显微镜实时记录不同循环周次下的裂纹长度,在平均加载应力水平停止循环加载时采集压电传感器接收的Lamb波信号;同时,在每次智能涂层传感器报警时,记录智能涂层传感器的数据和压电传感器的Lamb波信号;
步骤6:完成试验后,对传感器采集的信号进行处理,对压电传感器采集的Lamb波信号进行滤波,截取Lamb波信号S0模式的时间窗,提取损伤特征归一化幅值X、相位角变化Y,建立裂纹长度a与损伤特征参数的函数模型f(·):
步骤7:重复步骤2-6,针对压电传感器采集的Lamb波信号进行分析处理,提取损伤特征参数,验证步骤6中建立的函数模型,并对模型参数加以修正,获得修正后的模型g(·):
步骤8:根据步骤7中确定的压电传感器裂纹监测模型和智能涂层传感器的历史数据,分别根据压电传感器和智能涂层传感器监测结果的数据类型选择的POD模型(3)、(4),绘制POD曲线,判断两种传感器对铝合金结构疲劳裂纹扩展的监测能力;
上式(3)中是模型监测结果的对数形式,裂纹监测阈值,式(4)中lna智能涂层传感器监测结果的对数形式,m、σ分别是智能涂层传感器监测结果的样本均值和标准差。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2016102564493 | 2016-04-22 | ||
CN201610256449 | 2016-04-22 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107014668A true CN107014668A (zh) | 2017-08-04 |
Family
ID=59445897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710192852.9A Pending CN107014668A (zh) | 2016-04-22 | 2017-03-28 | 一种基于压电和智能涂层传感器的疲劳裂纹综合监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107014668A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107588788A (zh) * | 2017-08-29 | 2018-01-16 | 北京航空航天大学 | 基于熵权‑层次分析的光纤和智能涂层数据融合实现方法 |
CN107607055A (zh) * | 2017-09-08 | 2018-01-19 | 北京航空航天大学 | 一种基于光纤和智能涂层传感器的硬件***的实现方法 |
CN108318261A (zh) * | 2018-01-08 | 2018-07-24 | 中车青岛四方机车车辆股份有限公司 | 车辆结构的监测方法及装置 |
CN108645727A (zh) * | 2018-05-10 | 2018-10-12 | 北京航空航天大学 | 基于压电激励-光纤光栅传感的裂纹损伤定量检测方法 |
CN109187857A (zh) * | 2018-08-22 | 2019-01-11 | 中国飞机强度研究所 | 一种基于银粉涂层传感器的裂纹监测装置及方法 |
CN109612806A (zh) * | 2019-02-25 | 2019-04-12 | 北京航空航天大学 | 一种适用于表面裂纹缺陷检出概率试验的高效试件制备及试验方法 |
CN109632958A (zh) * | 2018-12-24 | 2019-04-16 | 北京航空航天大学 | 一种考虑裂纹方位的Lamb波损伤检测方法 |
CN109655493A (zh) * | 2019-01-21 | 2019-04-19 | 广东省特种设备检测研究院珠海检测院 | 一种起重机疲劳裂纹扩展监测设备及方法 |
CN110390115A (zh) * | 2018-04-17 | 2019-10-29 | 江苏必得科技股份有限公司 | 列车部件裂纹损伤预测方法和装置 |
CN110779960A (zh) * | 2019-11-13 | 2020-02-11 | 上海交通大学 | 基于电阻变化的cfrp损伤检测方法 |
CN111024527A (zh) * | 2019-12-06 | 2020-04-17 | 西安理工大学 | 一种基于多传感器数据融合的裂纹扩展监测方法 |
CN111611654A (zh) * | 2020-04-16 | 2020-09-01 | 清华大学 | 一种铆接结构的疲劳预测方法、装置及设备、存储介质 |
CN111693603A (zh) * | 2020-05-22 | 2020-09-22 | 中联重科股份有限公司 | 臂架监测方法、***及包含该臂架监测***的工程机械 |
CN112182935A (zh) * | 2020-09-29 | 2021-01-05 | 北京航空航天大学 | 基于兰姆波缺陷定量的结构可靠性敏感性分析方法 |
CN112334765A (zh) * | 2018-06-22 | 2021-02-05 | 杰富意钢铁株式会社 | 蓄压器的寿命推定装置及蓄压器的寿命延长方法 |
CN112903953A (zh) * | 2021-01-21 | 2021-06-04 | 北京航空航天大学 | 一种金属板结构损伤类型识别***和方法 |
CN112903952A (zh) * | 2021-01-21 | 2021-06-04 | 北京航空航天大学 | 一种金属板结构损伤评价***和方法 |
CN113514545A (zh) * | 2021-04-14 | 2021-10-19 | 芜湖创联新材料科技有限公司 | 一种飞行器复合材料结构健康监控*** |
CN114692302A (zh) * | 2022-03-28 | 2022-07-01 | 中南大学 | 基于高斯混合模型的疲劳裂纹检测方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6532825B1 (en) * | 1998-09-28 | 2003-03-18 | Bmc Co., Ltd | Fatigue damage detection sensor for structural materials and mounting method thereof |
CN103134857A (zh) * | 2013-02-21 | 2013-06-05 | 南京邮电大学 | 利用Lamb波反射场的工程结构裂纹损伤监测评估方法 |
CN103640713A (zh) * | 2013-12-17 | 2014-03-19 | 中国人民解放军空军装备研究院航空装备研究所 | 飞机结构疲劳部件的监测*** |
CN104181230A (zh) * | 2014-04-21 | 2014-12-03 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 复合材料板结构的损伤监测方法 |
CN104392122A (zh) * | 2014-11-17 | 2015-03-04 | 北京航空航天大学 | 基于裂纹检出概率模型的概率寿命评估方法 |
CN104698080A (zh) * | 2013-12-06 | 2015-06-10 | 中国飞机强度研究所 | 一种利用兰姆波对结构损伤进行状态监测的方法 |
-
2017
- 2017-03-28 CN CN201710192852.9A patent/CN107014668A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6532825B1 (en) * | 1998-09-28 | 2003-03-18 | Bmc Co., Ltd | Fatigue damage detection sensor for structural materials and mounting method thereof |
CN103134857A (zh) * | 2013-02-21 | 2013-06-05 | 南京邮电大学 | 利用Lamb波反射场的工程结构裂纹损伤监测评估方法 |
CN104698080A (zh) * | 2013-12-06 | 2015-06-10 | 中国飞机强度研究所 | 一种利用兰姆波对结构损伤进行状态监测的方法 |
CN103640713A (zh) * | 2013-12-17 | 2014-03-19 | 中国人民解放军空军装备研究院航空装备研究所 | 飞机结构疲劳部件的监测*** |
CN104181230A (zh) * | 2014-04-21 | 2014-12-03 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 复合材料板结构的损伤监测方法 |
CN104392122A (zh) * | 2014-11-17 | 2015-03-04 | 北京航空航天大学 | 基于裂纹检出概率模型的概率寿命评估方法 |
Non-Patent Citations (2)
Title |
---|
THE FREE LIBRARY: "《https://www.thefreelibrary.com/Novel+Damage+Detection+Techniques+for+Structural+Health+Monitoring+...-a0524388119》", 1 January 2016 * |
马官兵 等: ""无损检测可靠性的研究进展"", 《中国电力》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107588788A (zh) * | 2017-08-29 | 2018-01-16 | 北京航空航天大学 | 基于熵权‑层次分析的光纤和智能涂层数据融合实现方法 |
CN107607055A (zh) * | 2017-09-08 | 2018-01-19 | 北京航空航天大学 | 一种基于光纤和智能涂层传感器的硬件***的实现方法 |
CN108318261A (zh) * | 2018-01-08 | 2018-07-24 | 中车青岛四方机车车辆股份有限公司 | 车辆结构的监测方法及装置 |
CN110390115A (zh) * | 2018-04-17 | 2019-10-29 | 江苏必得科技股份有限公司 | 列车部件裂纹损伤预测方法和装置 |
CN108645727A (zh) * | 2018-05-10 | 2018-10-12 | 北京航空航天大学 | 基于压电激励-光纤光栅传感的裂纹损伤定量检测方法 |
CN112334765A (zh) * | 2018-06-22 | 2021-02-05 | 杰富意钢铁株式会社 | 蓄压器的寿命推定装置及蓄压器的寿命延长方法 |
US11982644B2 (en) | 2018-06-22 | 2024-05-14 | Jfe Steel Corporation | Life estimation apparatus for accumulator and life extension method for pressure accumulator |
CN109187857A (zh) * | 2018-08-22 | 2019-01-11 | 中国飞机强度研究所 | 一种基于银粉涂层传感器的裂纹监测装置及方法 |
CN109632958A (zh) * | 2018-12-24 | 2019-04-16 | 北京航空航天大学 | 一种考虑裂纹方位的Lamb波损伤检测方法 |
CN109655493A (zh) * | 2019-01-21 | 2019-04-19 | 广东省特种设备检测研究院珠海检测院 | 一种起重机疲劳裂纹扩展监测设备及方法 |
CN109612806A (zh) * | 2019-02-25 | 2019-04-12 | 北京航空航天大学 | 一种适用于表面裂纹缺陷检出概率试验的高效试件制备及试验方法 |
CN110779960B (zh) * | 2019-11-13 | 2021-07-30 | 上海交通大学 | 基于电阻变化的cfrp损伤检测方法 |
CN110779960A (zh) * | 2019-11-13 | 2020-02-11 | 上海交通大学 | 基于电阻变化的cfrp损伤检测方法 |
CN111024527A (zh) * | 2019-12-06 | 2020-04-17 | 西安理工大学 | 一种基于多传感器数据融合的裂纹扩展监测方法 |
CN111611654A (zh) * | 2020-04-16 | 2020-09-01 | 清华大学 | 一种铆接结构的疲劳预测方法、装置及设备、存储介质 |
CN111693603B (zh) * | 2020-05-22 | 2021-07-23 | 中联重科股份有限公司 | 臂架监测方法、***及包含该臂架监测***的工程机械 |
CN111693603A (zh) * | 2020-05-22 | 2020-09-22 | 中联重科股份有限公司 | 臂架监测方法、***及包含该臂架监测***的工程机械 |
CN112182935B (zh) * | 2020-09-29 | 2022-06-03 | 北京航空航天大学 | 基于兰姆波缺陷定量的结构可靠性敏感性分析方法 |
CN112182935A (zh) * | 2020-09-29 | 2021-01-05 | 北京航空航天大学 | 基于兰姆波缺陷定量的结构可靠性敏感性分析方法 |
CN112903952A (zh) * | 2021-01-21 | 2021-06-04 | 北京航空航天大学 | 一种金属板结构损伤评价***和方法 |
CN112903953B (zh) * | 2021-01-21 | 2022-03-15 | 北京航空航天大学 | 一种金属板结构损伤类型识别***和方法 |
CN112903953A (zh) * | 2021-01-21 | 2021-06-04 | 北京航空航天大学 | 一种金属板结构损伤类型识别***和方法 |
CN113514545A (zh) * | 2021-04-14 | 2021-10-19 | 芜湖创联新材料科技有限公司 | 一种飞行器复合材料结构健康监控*** |
CN114692302A (zh) * | 2022-03-28 | 2022-07-01 | 中南大学 | 基于高斯混合模型的疲劳裂纹检测方法及*** |
CN114692302B (zh) * | 2022-03-28 | 2023-08-25 | 中南大学 | 基于高斯混合模型的疲劳裂纹检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107014668A (zh) | 一种基于压电和智能涂层传感器的疲劳裂纹综合监测方法 | |
Carpinteri et al. | Reliable onset time determination and source location of acoustic emissions in concrete structures | |
CN106323452B (zh) | 一种设备异音的检测方法及检测装置 | |
Diakhate et al. | Cluster analysis of acoustic emission activity within wood material: Towards a real-time monitoring of crack tip propagation | |
CN106006344B (zh) | 扶梯故障在线预警***及故障诊断方法 | |
CN106447040B (zh) | 基于异类多传感器数据融合的机械设备健康状态评估方法 | |
CN102636303B (zh) | 一种基于表面超声波测定薄镀层残余应力的方法 | |
CN110389170A (zh) | 基于Lamb波成像的列车部件裂纹损伤检测方法和*** | |
CN105067239B (zh) | 基于扫频激励振动的梁裂纹故障检测装置及方法 | |
Zhang et al. | Deep convolutional neural network probability imaging for plate structural health monitoring using guided waves | |
Al-Jumaili et al. | Parameter Correction Technique (PCT): A novel method for acoustic emission characterisation in large-scale composites | |
CN109190272B (zh) | 基于弹性波和机器学习的混凝土结构缺陷检测方法 | |
CN106596729B (zh) | 2.25Cr-1Mo钢疲劳裂纹扩展监测及氢脆评价方法 | |
CN104264718A (zh) | 一种桩基完整性的检测方法 | |
CN108387638A (zh) | 劣化诊断方法、劣化诊断***和传感器 | |
CN114235962B (zh) | 一种面向各向异性结构的超声导波成像方法及*** | |
CN109632958A (zh) | 一种考虑裂纹方位的Lamb波损伤检测方法 | |
CN103926313B (zh) | 一种基于超声检测的复合材料孔隙率数值评估方法 | |
Light-Marquez et al. | Structural damage identification in wind turbine blades using piezoelectric active sensing | |
CN105862935A (zh) | 一种用于挡土墙结构***的损伤识别方法 | |
CN107367552A (zh) | 时变温度影响下基于fcm算法的损伤扩展实时监测方法 | |
CN204758542U (zh) | 一种金属结构的裂纹的检测装置 | |
CN116429902A (zh) | 一种风机叶片多裂纹声发射监测方法及*** | |
KR102207794B1 (ko) | 자기 애자 상태의 진단장치 및 그 방법 | |
Lu et al. | Shaft crack identification based on vibration and AE signals |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170804 |
|
RJ01 | Rejection of invention patent application after publication |