CN107505399A - 一种基于声纹特征的智能钢筋套筒灌浆缺陷检测方法 - Google Patents
一种基于声纹特征的智能钢筋套筒灌浆缺陷检测方法 Download PDFInfo
- Publication number
- CN107505399A CN107505399A CN201710934321.2A CN201710934321A CN107505399A CN 107505399 A CN107505399 A CN 107505399A CN 201710934321 A CN201710934321 A CN 201710934321A CN 107505399 A CN107505399 A CN 107505399A
- Authority
- CN
- China
- Prior art keywords
- reinforced bar
- bar sleeve
- defect
- vocal print
- print feature
- 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
- 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
-
- 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
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
- G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
Landscapes
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Acoustics & Sound (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于声纹特征的智能钢筋套筒灌浆缺陷检测方法,具体步骤包括:建立不同灌浆缺陷比例的钢筋套筒连接结构有限元模型和实际模型,通过模拟和测试最优定频声波在该结构的响应特征,得到灌浆缺陷的声纹特征;将缺陷声纹特征作为实际检测的判断标准,并集成在钢筋套筒灌浆缺陷检测***中;实际检测时,用稀土超磁致伸缩换能器激发最优定频声波,通过声波接收传感器采集钢筋套筒结构的响应信号,通过分数阶傅里叶变换信号分析处理得到去除表面干扰的实际结构缺陷声纹特征,将其与钢筋套筒缺陷声纹特征数据库进行自动比对,确定实际钢筋套筒灌浆缺陷。本申请避免了人为因素的影响,提高了检测的准度,节省检测分析时间,提高了检测效率。
Description
技术领域
本发明涉及无损检测技术领域,尤其涉及一种基于声纹特征的智能钢筋套筒灌浆缺陷检测方法。
背景技术
装配式混凝土结构建筑是将主要构件在工厂预制成型,到施工现场进行组装,再通过少量现浇作业将构件连成一体而建成的工业化建筑。钢筋套筒灌浆连接是该结构中受力钢筋的重要连接方法,连接接头由带肋钢筋、套筒和灌浆料三部分所组成。其连接原理是:带肋钢筋***套筒,向套筒内灌注无收缩或微膨胀的水泥基灌浆料,充满套筒与钢筋之间的间隙,灌浆料硬化后与钢筋的横肋和套筒内壁凹槽或凸肋紧密啮合,即实现两根钢筋连接后所受外力能够有效传递。
在工程实践中,灌注的浆料从下部孔灌入、上部孔洞流出即为灌浆完成,但实际上由于现场影响因素比较多,套筒内部情况比较复杂,灌浆饱满度难以把握。目前还没有一种有效的检测方法,对钢筋连接套筒灌浆质量进行检测。因为灌浆质量直接影响着结构的安全性,因此,有必要开展钢筋套筒灌浆无损检测技术与智能仪器开发,建立相关钢筋套筒灌浆质量等级和检测标准。
声纹是指钢筋套筒灌浆缺陷声纹,它是在预制混凝土结构侧面灌浆套筒位置激发定向声波,该声波在混凝土中传播,并与灌浆套筒结构发生反射、散射等作用,然后在激发位置附近用声波仪记录下作用后的声波,并转化为数字信号,进行声波频谱分析,就得到该检测位置钢筋套筒的灌浆声纹。如果套筒灌浆质量不同,其套筒灌浆声纹就不同。因此,就能够通过套筒灌浆缺陷声纹来判别灌浆质量。
传统的声纹处理方法是对所检测到的时域信号进行傅里叶变换,得到其频谱。傅里叶变换的局限性是它是一种全局变换,得到的是信号的整体频谱,因而无法表述信号的时频局部特性。对于特定已知结构尺寸的套筒灌浆结构,其灌浆缺陷声纹有两个特征:一是相对于结构边界反射,其信号强度要小得多;二是可根据所检测实际结构尺寸预先较为准确的得到其注浆缺陷反射波达到的时间。如果用传统的傅里叶变换处理,灌浆缺陷声纹被边界反射声纹掩盖,将难以识别出灌浆缺陷声纹,这样也就难以准确判断灌浆质量。
套筒灌浆缺陷反射和散射信号是典型的非平稳信号,如果用一种具有时频局部特性的频谱变换方法,根据灌浆缺陷声纹的上述两个特性,就能够大幅度提高其识别能力。分数阶傅里叶变换是一种统一的时频变换,同时反映了信号在时域、频域的信息,与常用二次型时频分布不同的是它用单一变量来表示时频信息,且没有交叉项困扰。
目前,对钢筋套筒灌浆检测的研究主要有冲击回波法和传统的超声波法,这两种方法存在精度不高,需要人工经验判断,检测方式为人工手锤激发等缺点,难以满足现场实际应用。另外,还有用工业X射线进行钢筋套筒灌浆检测的研究,这种方法虽然精度较高,但X射线设备不适合现场使用且对检测人员存在一定安全风险。
由于上述钢筋套筒灌浆检测方法存在种种问题,因此研究一种检测精度高、能够通过计算机自动判断的钢筋套筒灌浆智能无损检测技术具有迫切需求。
发明内容
本发明的目的是针对上述技术问题,提供了一种基于声纹特征的智能钢筋套筒灌浆缺陷检测方法,其步骤合理,把模拟与模型研究得到的钢筋套筒缺陷声纹数据库作为标准,实际检测信号经过分数阶傅里叶变换分解处理,去除表面干扰波,结果准确度高;同时节省了检测分析时间,提高了检测效率。
本发明的技术方案
为解决上述技术问题,本发明提供的一种基于声纹特征的智能钢筋套筒灌浆缺陷检测方法,包括以下步骤:
S1,建立钢筋套筒灌浆结构有限元模型,对典型钢筋套筒灌浆缺陷进行模拟,测试最优定频声波在对应结构的响应,得到钢筋套筒灌装缺陷的声波特征;
S2,制作钢筋套筒灌浆结构模型,对典型钢筋套筒灌浆缺陷进行测试,使用稀土超磁致换能器激发最优定频声波,并通过声波接收传感器采集典型套筒灌浆缺陷对应的钢筋套筒的响应信号,对比模拟结果与测试结果的差异;
S3,根据实际测试结果修正模拟结果,并利用线性插值法计算未模拟的钢筋套筒灌浆缺陷对应的声波特征,建立钢筋套筒灌浆缺陷声纹特征数据库,将该数据库集成在测试仪器中,作为缺陷检测判断标准;
S4,使用稀土超磁致伸缩换能器激发最优定频声波,测试仪器通过声波接收传感器采集钢筋套筒结构的响应信号,通过分数阶傅里叶变换对响应信号进行分析处理;
S5,将实际测试获得的缺陷声波特征与套筒灌浆缺陷声纹特征数据库中的数据自动比对,确定实际钢筋套筒灌浆缺陷。
进一步地,步骤S1中,典型钢筋套筒灌浆缺陷模拟包括以下步骤:
S1-1,建立钢筋套筒灌浆结构有限元模型,包括设置模型的几何尺寸、缺陷大小及位置、模型各部分的材料;
S1-2,进行声波检测过程模拟,包括设置激发信号的能力、频率、位置、波的传播时间;
S1-3,分析模拟检测信号,包括接收位置的选取、信号的读取、信号的分数阶傅里叶变换处理分析。
进一步地,步骤S2中,典型钢筋套筒灌浆缺陷的验证包括以下步骤:
S2-1,设计钢筋套筒灌浆结构加工模型,包括模型的几何尺寸,钢筋套筒的类型、尺寸及位置,根据模型形状、尺寸及套筒固定要求制作模具;
S2-2,向模具中浇筑混凝土,并按照工艺要求对模型混凝土进行保养;
S2-3,使用稀土超磁致伸缩换能器对特定灌浆缺陷模型激发特定声波,并通过声波接收传感器采集典型套筒灌浆缺陷对应的钢筋套筒的响应信号,通过分数阶傅里叶变换对响应信号进行分析处理。
进一步地,步骤S4中,所述分数阶傅里叶变换是针对钢筋套筒灌浆结构最优0.89阶分数傅里叶变换,其对应的公式为:
其中,χ(t)为激励信号在钢筋套筒结构中的发射和散射信号函数,K0.89(v,t)=Aexp[iπ(v2cotα-2vtcscα+t2cotα)为钢筋套筒灌浆结构最优0.89阶分数傅里叶变换的核函数,α=ρπ/2,p≠2n,n是整数,dt为单位时间,单位为微秒,积分上限2048是测试仪器的最优采集参数。
本申请还公开了一种基于声纹特征的智能钢筋套筒灌浆缺陷检测***,其包括稀土超磁致伸缩换能器,声波接收传感器及控制器;所述控制器包括声波发射与控制模块、高精度数据采集模块、电源模块,数据同步与传输模块,其执行以下检测步骤:
使用稀土超磁致伸缩换能器激发最优定频声波;
智能钢筋套筒灌浆缺陷检测***通过声波接收传感器采集钢筋套筒结构的响应信号;
利用分数阶傅里叶变换对响应信号进行分析处理;
将实际测试获得的缺陷声波特征与套筒灌浆缺陷声纹特征数据库中的数据自动比对,确定实际钢筋套筒灌浆缺陷。
进一步地,所述控制器还包括仪器参数控制模块、数据记录显示模块、数据库处理模块及结构图形化模块。
进一步地,所述稀土超磁致换能器包括壳体,壳体内设置有Terfenol-D棒,激励线圈缠绕在Terfenol-D棒上,预紧螺栓设置在Terfenol-D棒的左端,碟簧,配重及发射头设置在Terfenol-D棒的右端。
本发明有益效果:
相对现有技术,本发明提供的一种基于声纹特征的智能钢筋套筒灌浆缺陷检测方法,其步骤合理,具有以下技术效果:
(1)将有限元模拟与实际模型研究得到的钢筋套筒缺陷声纹数据库作为标准,实际检测信号经过分数阶傅里叶变换分解处理,去除表面干扰波,检测结果准确度高,具有快速、准确和节约成本等优点;
(2)针对灌浆钢筋套筒结构的特殊性,采用稀土超磁致伸缩换能器进行激发声波,保证了适用于钢筋套筒结构最优定频声波的产生,并且由仪器计算机控制,具有重复性、可靠性高的优点;
(3)通过研究计算预处理,得到与本发明测试***固有特性相关的、针对钢筋套筒灌浆结构的最优分数阶变换的阶次为0.89,使处理信号特征更明确,并把该结果内置在软件中进行自动计算处理数据,实现检测分析的智能化,提高了检测效率;
(4)本发明检测结果全部由计算机进行运算分析,避免了人为因素的影响,规避了技术人员依靠经验来判断,保证了检测结果的客观性。
附图说明
通过结合以下附图所作的详细描述,本发明的上述优点将变得更清楚和更容易理解,这些附图只是示意性的,并不限制本发明,其中:
图1是本发明所述一种基于声纹特征的智能钢筋套筒灌浆缺陷检测方法的流程图;
图2是本发明之典型钢筋套筒灌浆缺陷模拟的流程图;
图3是本发明之典型钢筋套筒灌浆缺陷的验证的流程图;
图4是本发明之有限元模型示意图;
图5是有限元模拟所施加的激励信号波形;
图6是本发明之有限元模拟所得典型波场;
图7是本发明之有限元模拟所得到的100%密实声纹特征;
图8是本发明之有限元模拟所得到的0%密实声纹特征;
图9是本发明之套筒灌浆结构模型示意图;
图10是图9的剖视图;
图11是本发明之实际模型测试所得到的100%密实声纹特征;
图12是本发明之实际模型测试所得到的0%密实声纹特征;
图13是本发明之稀土超磁致伸缩换能器的结构示意图;
图14是本发明所述一种基于声纹特征的智能钢筋套筒灌浆缺陷检测***的模块示意图。
具体实施方式
下面结合具体实施例和附图,对本发明一种基于声纹特征的智能钢筋套筒灌浆缺陷检测方法进行详细说明。
在此记载的实施例为本发明的特定的具体实施方式,用于说明本发明的构思,均是解释性和示例性的,不应解释为对本发明实施方式及本发明范围的限制。除在此记载的实施例外,本领域技术人员还能够基于本申请权利要求书和说明书所公开的内容采用显而易见的其它技术方案,这些技术方案包括采用对在此记载的实施例的做出任何显而易见的替换和修改的技术方案。
本说明书的附图为示意图,辅助说明本发明的构思,示意性地表示各部分的形状及其相互关系。请注意,为了便于清楚地表现出本发明实施例的各部件的结构,各附图之间并未按照相同的比例绘制。相同的参考标记用于表示相同的部分。
图1至图14是本申请所述一种基于声纹特征的智能钢筋套筒灌浆缺陷检测方法的相关示意图。
本发明提供的一种基于声纹特征的智能钢筋套筒灌浆缺陷检测方法,其流程图,如图1所示,具体包括以下步骤:
S1,建立钢筋套筒灌浆结构有限元模型,对典型钢筋套筒灌浆缺陷进行模拟,测试最优定频声波在对应结构的响应,得到钢筋套筒灌装缺陷的声波特征;
在该步骤中,典型钢筋套筒灌浆缺陷模拟的流程图,如图2所示,其具体包括以下步骤:
S1-1,建立钢筋套筒灌浆结构有限元模型,包括设置模型的几何尺寸、缺陷大小及位置、模型各部分的材料,图4是有限元模型示意图;
S1-2,进行声波检测过程模拟,包括设置激发信号的能力、频率、位置、波的传播时间;
S1-3,分析模拟检测信号,包括接收位置的选取、信号的读取、信号的分数阶傅里叶变换处理分析。
图5是在有限元模型上施加的激励信号波形,图6是本发明之有限元模拟所得典型波场;钢筋套筒灌浆缺陷的典型模式包括:100%密实、90%密实、80%密实、70%密实、60%密实、50%密实、40%密实、30%密实、20%密实、10%密实及未灌浆典型模式。在该步骤中,需要分别对典型钢筋套筒灌浆缺陷进行仿真模拟。图7是本发明之有限元模拟所得到的100%密实声纹特征;图8是本发明之有限元模拟所得到的0%密实声纹特征,由图8可知,在钢筋套筒灌浆缺陷处有明显的反射和散射波。
S2,制作钢筋套筒灌浆结构模型,对典型钢筋套筒灌浆缺陷进行测试,使用稀土超磁致换能器激发最优定频声波,并通过声波接收传感器采集典型套筒灌浆缺陷对应的钢筋套筒的响应信号,对比模拟结果与测试结果的差异;
在该步骤中,典型钢筋套筒灌浆缺陷的验证的流程图,如图3所示,其具体包括以下步骤:
S2-1,设计钢筋套筒灌浆结构加工模型,包括模型的几何尺寸,钢筋套筒的类型、尺寸及位置,根据模型形状、尺寸及套筒固定要求制作模具;图9和图10为套筒灌浆结构模型示意图。
S2-2,向模具中浇筑混凝土,并按照工艺要求对模型混凝土进行保养;
S2-3,使用稀土超磁致伸缩换能器对特定灌浆缺陷模型激发特定声波,并通过声波接收传感器采集典型套筒灌浆缺陷对应的钢筋套筒的响应信号,通过分数阶傅里叶变换对响应信号进行分析处理。
图11是本发明之实际模型测试所得到的100%密实声纹特征,图12是本发明之实际模型测试所得到的0%密实声纹特征;将实测声纹特征与模拟所得的声纹特征相比,两者基本一致。
S3,根据实际测试结果修正模拟结果,并利用线性插值法计算未模拟的钢筋套筒灌浆缺陷对应的声波特征,建立钢筋套筒灌浆缺陷声纹特征数据库,将该数据库集成在测试仪器中,作为缺陷检测判断标准;
S4,使用稀土超磁致伸缩换能器激发最优定频声波,测试仪器通过声波接收传感器采集钢筋套筒结构的响应信号,通过分数阶傅里叶变换对响应信号进行分析处理;
步骤S4中,所述分数阶傅里叶变换是针对钢筋套筒灌浆结构最优0.89阶分数傅里叶变换,其对应的公式为:
其中,χ(t)为激励信号在钢筋套筒结构中的发射和散射信号函数,dt为单位时间,单位为微秒。
K0.89(v,t)=Aexp[iπ(v2cotα-2vtcscα+t2cotα)为钢筋套筒灌浆结构最优0.89阶分数傅里叶变换的核函数,其中,α=ρπ/2,p≠2n,n是整数,积分上限2048是测试仪器的最优采集参数。
在该步骤中,使用稀土超磁致换能器作为钢筋套筒灌浆质量无损检测的定频声波激发器,所述稀土超磁致换能器的结构示意图,如图13所示,其包括壳体,壳体内设置有Terfenol-D棒1,激励线圈2缠绕在Terfenol-D棒1上,预紧螺栓3设置在Terfenol-D棒1的左端,碟簧4,配重5及发射头6设置在Terfenol-D棒1的右端。预紧螺栓3和碟簧4两者共同作用给Terfenol-D棒1提供合适的轴向初始预压应力,初始预压应力可使Terfenol-D棒材料的磁畴在未加外磁场时尽可能地沿着与轴向应力垂直的方向排列,从而获得较大的轴向磁致伸缩应变,增大输出位移,提高超磁致伸缩换能器的电磁-机械能转换效率。
S5,将实际测试获得的缺陷声波特征与套筒灌浆缺陷声纹特征数据库中的数据自动比对,确定实际钢筋套筒灌浆缺陷。
本申请还公开了一种基于声纹特征的智能钢筋套筒灌浆缺陷检测***,如图14所示,其包括稀土超磁致伸缩换能器,声波接收传感器及控制器;所述控制器包括声波发射与控制模块、高精度数据采集模块、电源模块,数据同步与传输模块,其执行以下检测步骤:
使用稀土超磁致伸缩换能器激发最优定频声波;
智能钢筋套筒灌浆缺陷检测***通过声波接收传感器采集钢筋套筒结构的响应信号;
利用分数阶傅里叶变换对响应信号进行分析处理;
将实际测试获得的缺陷声波特征与套筒灌浆缺陷声纹特征数据库中的数据自动比对,确定实际钢筋套筒灌浆缺陷。
本申请中,所述控制器还包括仪器参数控制模块、数据记录显示模块、数据库处理模块及结构图形化模块。基于声纹特征的智能钢筋套筒灌浆缺陷检测***通过各个模块相互协作,自动计算、判定套筒灌浆缺陷的情况。
相比于现有技术的缺点和不足,本发明提供的钢筋套筒灌浆检测方法将模拟与模型研究得到的钢筋套筒缺陷声纹数据库作为标准,实际检测信号经过分数阶傅里叶变换分解处理,去除表面干扰波,提高检测结果的准确度。本发明检测结果全部由计算机进行计算分析,避免了人为因素的影响,规避了技术人员依靠经验来判断,检测结果客观性强,同时节省了检测分析时间,提高了检测效率。
本发明不局限于上述实施方式,任何人在本发明的启示下都可得出其他各种形式的产品,但不论在其形状或结构上作任何变化,凡是具有与本申请相同或相近似的技术方案,均落在本发明的保护范围之内。
Claims (7)
1.一种基于声纹特征的智能钢筋套筒灌浆缺陷检测方法,其特征在于,包括以下步骤:
S1,建立钢筋套筒灌浆结构有限元模型,对典型钢筋套筒灌浆缺陷进行模拟,测试最优定频声波在对应结构的响应,得到钢筋套筒灌装缺陷的声波特征;
S2,制作钢筋套筒灌浆结构模型,对典型钢筋套筒灌浆缺陷进行测试,使用稀土超磁致换能器激发最优定频声波,并通过声波接收传感器采集典型套筒灌浆缺陷对应的钢筋套筒的响应信号,对比模拟结果与测试结果的差异;
S3,根据实际测试结果修正模拟结果,并利用线性插值法计算未模拟的钢筋套筒灌浆缺陷对应的声波特征,建立钢筋套筒灌浆缺陷声纹特征数据库,将该数据库集成在测试仪器中,作为缺陷检测判断标准;
S4,使用稀土超磁致伸缩换能器激发最优定频声波,测试仪器通过声波接收传感器采集钢筋套筒结构的响应信号,通过分数阶傅里叶变换对响应信号进行分析处理;
S5,将实际测试获得的缺陷声波特征与套筒灌浆缺陷声纹特征数据库中的数据自动比对,确定实际钢筋套筒灌浆缺陷。
2.根据权利要求1所述基于声纹特征的智能钢筋套筒灌浆缺陷检测方法,其特征在于,步骤S1中,典型钢筋套筒灌浆缺陷模拟包括以下步骤:
S1-1,建立钢筋套筒灌浆结构有限元模型,包括设置模型的几何尺寸、缺陷大小及位置、模型各部分的材料;
S1-2,进行声波检测过程模拟,包括设置激发信号的能力、频率、位置、波的传播时间;
S1-3,分析模拟检测信号,包括接收位置的选取、信号的读取、信号的分数阶傅里叶变换处理分析。
3.根据权利要求1所述基于声纹特征的智能钢筋套筒灌浆缺陷检测方法,其特征在于,步骤S2中,典型钢筋套筒灌浆缺陷的验证包括以下步骤:
S2-1,设计钢筋套筒灌浆结构加工模型,包括模型的几何尺寸,钢筋套筒的类型、尺寸及位置,根据模型形状、尺寸及套筒固定要求制作模具;
S2-2,向模具中浇筑混凝土,并按照工艺要求对模型混凝土进行保养;
S2-3,使用稀土超磁致伸缩换能器对特定灌浆缺陷模型激发特定声波,并通过声波接收传感器采集典型套筒灌浆缺陷对应的钢筋套筒的响应信号,通过分数阶傅里叶变换对响应信号进行分析处理。
4.根据权利要求1所述基于声纹特征的智能钢筋套筒灌浆缺陷检测方法,其特征在于,步骤S4中,所述分数阶傅里叶变换是针对钢筋套筒灌浆结构最优0.89阶分数傅里叶变换,其对应的公式为:
<mrow>
<msub>
<mi>Y</mi>
<mn>0.89</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mn>2048</mn>
</msubsup>
<msub>
<mi>K</mi>
<mn>0.89</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>t</mi>
</mrow>
其中,χ(t)为激励信号在钢筋套筒结构中的发射和散射信号函数,K0.89(v,t)=A exp[iπ(v2cotα-2vt cscα+t2cotα)为钢筋套筒灌浆结构最优0.89阶分数傅里叶变换的核函数,α=ρπ/2,p≠2n,n是整数,dt为单位时间,单位为微秒,积分上限2048是测试仪器的最优采集参数。
5.一种基于声纹特征的智能钢筋套筒灌浆缺陷检测***,其特征在于,包括稀土超磁致伸缩换能器,声波接收传感器及控制器;所述控制器包括声波发射与控制模块、高精度数据采集模块、电源模块,数据同步与传输模块,其执行以下检测步骤:
使用稀土超磁致伸缩换能器激发最优定频声波;
智能钢筋套筒灌浆缺陷检测***通过声波接收传感器采集钢筋套筒结构的响应信号;
利用分数阶傅里叶变换对响应信号进行分析处理;
将实际测试获得的缺陷声波特征与套筒灌浆缺陷声纹特征数据库中的数据自动比对,确定实际钢筋套筒灌浆缺陷。
6.根据权利要求5所述基于声纹特征的智能钢筋套筒灌浆缺陷检测***,其特征在于,所述控制器还包括仪器参数控制模块、数据记录显示模块、数据库处理模块及结构图形化模块。
7.根据权利要求5所述基于声纹特征的智能钢筋套筒灌浆缺陷检测***,其特征在于,所述稀土超磁致换能器包括壳体,壳体内设置有Terfenol-D棒,激励线圈缠绕在Terfenol-D棒上,预紧螺栓设置在Terfenol-D棒的左端,碟簧,配重及发射头设置在Terfenol-D棒的右端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710934321.2A CN107505399A (zh) | 2017-10-09 | 2017-10-09 | 一种基于声纹特征的智能钢筋套筒灌浆缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710934321.2A CN107505399A (zh) | 2017-10-09 | 2017-10-09 | 一种基于声纹特征的智能钢筋套筒灌浆缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107505399A true CN107505399A (zh) | 2017-12-22 |
Family
ID=60700838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710934321.2A Pending CN107505399A (zh) | 2017-10-09 | 2017-10-09 | 一种基于声纹特征的智能钢筋套筒灌浆缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107505399A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108918660A (zh) * | 2018-05-19 | 2018-11-30 | 徐光大 | 钢筋套筒灌浆连接接头的套筒灌浆饱满度的无损检测方法 |
CN109239183A (zh) * | 2018-09-25 | 2019-01-18 | 昆山市建设工程质量检测中心 | 一种基于套筒表面超声波反射判断测点处无灌浆的方法 |
CN109916999A (zh) * | 2019-04-28 | 2019-06-21 | 中国水利水电科学研究院 | 一种钢筋损伤检测方法、装置及*** |
CN109959713A (zh) * | 2019-04-25 | 2019-07-02 | 南京工业大学 | 一种套筒灌浆饱满度检测装置和方法 |
CN110867195A (zh) * | 2019-11-20 | 2020-03-06 | 四川赛康智能科技股份有限公司 | 一种基于声纹及振动针对电力主设备的缺陷在线监测方法 |
CN111272867A (zh) * | 2019-12-25 | 2020-06-12 | 浙江大学 | 一种钢筋套筒连接结构内的灌浆体密实度检测方法 |
CN112098512A (zh) * | 2020-09-28 | 2020-12-18 | 湘潭大学 | 一种基于声波局部共振散射特性的灌浆套筒灌浆缺陷检测方法 |
CN113538406A (zh) * | 2021-07-31 | 2021-10-22 | 西南石油大学 | 一种基于分数阶小波变换的钢板内表面缺陷识别方法 |
CN117470752A (zh) * | 2023-12-28 | 2024-01-30 | 广东省有色工业建筑质量检测站有限公司 | 一种钢管桁架体内预应力灌浆含量的检测方法 |
-
2017
- 2017-10-09 CN CN201710934321.2A patent/CN107505399A/zh active Pending
Non-Patent Citations (3)
Title |
---|
王亚普: "温度对稀土超磁致伸缩换能器输出特性的影响研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
袁娅: "稀土超磁致伸缩换能器结构设计及性能优化", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
邓志举: "桥梁预应力混凝土梁纵向与横向应力波特征及其应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108918660A (zh) * | 2018-05-19 | 2018-11-30 | 徐光大 | 钢筋套筒灌浆连接接头的套筒灌浆饱满度的无损检测方法 |
CN109239183A (zh) * | 2018-09-25 | 2019-01-18 | 昆山市建设工程质量检测中心 | 一种基于套筒表面超声波反射判断测点处无灌浆的方法 |
CN109239183B (zh) * | 2018-09-25 | 2020-11-17 | 昆山市建设工程质量检测中心 | 一种基于套筒表面超声波反射判断测点处无灌浆的方法 |
CN109959713A (zh) * | 2019-04-25 | 2019-07-02 | 南京工业大学 | 一种套筒灌浆饱满度检测装置和方法 |
CN109916999A (zh) * | 2019-04-28 | 2019-06-21 | 中国水利水电科学研究院 | 一种钢筋损伤检测方法、装置及*** |
CN110867195A (zh) * | 2019-11-20 | 2020-03-06 | 四川赛康智能科技股份有限公司 | 一种基于声纹及振动针对电力主设备的缺陷在线监测方法 |
CN110867195B (zh) * | 2019-11-20 | 2023-12-12 | 四川赛康智能科技股份有限公司 | 一种基于声纹及振动针对电力主设备的缺陷在线监测方法 |
CN111272867A (zh) * | 2019-12-25 | 2020-06-12 | 浙江大学 | 一种钢筋套筒连接结构内的灌浆体密实度检测方法 |
CN111272867B (zh) * | 2019-12-25 | 2021-01-26 | 浙江大学 | 一种钢筋套筒连接结构内的灌浆体密实度检测方法 |
CN112098512A (zh) * | 2020-09-28 | 2020-12-18 | 湘潭大学 | 一种基于声波局部共振散射特性的灌浆套筒灌浆缺陷检测方法 |
CN112098512B (zh) * | 2020-09-28 | 2023-05-16 | 湘潭大学 | 一种基于声波局部共振散射特性的灌浆套筒灌浆缺陷检测方法 |
CN113538406A (zh) * | 2021-07-31 | 2021-10-22 | 西南石油大学 | 一种基于分数阶小波变换的钢板内表面缺陷识别方法 |
CN113538406B (zh) * | 2021-07-31 | 2024-04-05 | 西南石油大学 | 一种基于分数阶小波变换的钢板内表面缺陷识别方法 |
CN117470752A (zh) * | 2023-12-28 | 2024-01-30 | 广东省有色工业建筑质量检测站有限公司 | 一种钢管桁架体内预应力灌浆含量的检测方法 |
CN117470752B (zh) * | 2023-12-28 | 2024-05-07 | 广东省有色工业建筑质量检测站有限公司 | 一种钢管桁架体内预应力灌浆含量的检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107505399A (zh) | 一种基于声纹特征的智能钢筋套筒灌浆缺陷检测方法 | |
US11662284B2 (en) | Method for evaluating anchor bolt embedment in concrete | |
US7660197B2 (en) | System for measuring stress in downhole tubulars | |
Dumoulin et al. | Monitoring of crack propagation in reinforced concrete beams using embedded piezoelectric transducers | |
CN110346453B (zh) | 一种混凝土结构内缺陷小排列反射回波快速检测方法 | |
CN112098512B (zh) | 一种基于声波局部共振散射特性的灌浆套筒灌浆缺陷检测方法 | |
Shirole et al. | Damage monitoring in rock specimens with pre-existing flaws by non-linear ultrasonic waves and digital image correlation | |
CN112326786B (zh) | 基于电磁超声Lamb波S1模态群速度的金属板应力检测方法 | |
Oh et al. | Improved interpretation of vibration responses from concrete delamination defects using air-coupled impact resonance tests | |
Im et al. | Non-destructive testing methods to identify voids in external post-tensioned tendons | |
Pei et al. | A new method for plastic strain measurement with Rayleigh wave polarization | |
Lei et al. | An automatic extraction algorithm for measurement of installed rock bolt length based on stress wave reflection | |
Parida et al. | A comprehensive review on piezo impedance based multi sensing technique | |
CN104483389B (zh) | 基于组合震源法检测桥梁预应力管道注浆质量的方法 | |
Oh | Defect characterization in concrete elements using vibration analysis and imaging | |
CN106053602A (zh) | 一种基于磁致伸缩效应的自比式锚杆无损检测方法 | |
Helmerich et al. | Non-destructive testing of nuclear power plant concrete structures state of the art report | |
Tong et al. | A new elastic-wave-based imaging method for scanning the defects inside the structure | |
Lin et al. | Nondestructive evaluation of concrete compressive strength using shear-horizontal waves | |
Zhu et al. | The potential of ultrasonic non-destructive measurement of residual stresses by modal frequency spacing using leaky lamb waves | |
Wei et al. | Corrosion damage identification in concrete underwater based on time reversal of stress waves | |
Wu et al. | Feasibility study of an active sensing approach to detect soil slope interlayer slide using piezoceramic buzzers | |
CN111597736A (zh) | 一种装配式混凝土梁柱节点施工质量检测方法 | |
Zhan et al. | Nondestructive In Situ Imaging of Preexisting Cracks in a Concrete Bridge Using Ultrasonic Coda Wave | |
Grosse et al. | Concrete structures |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171222 |