CN108318589A - 基于高斯过程的疲劳裂纹长度智能评定方法和监测方法 - Google Patents

基于高斯过程的疲劳裂纹长度智能评定方法和监测方法 Download PDF

Info

Publication number
CN108318589A
CN108318589A CN201810105717.0A CN201810105717A CN108318589A CN 108318589 A CN108318589 A CN 108318589A CN 201810105717 A CN201810105717 A CN 201810105717A CN 108318589 A CN108318589 A CN 108318589A
Authority
CN
China
Prior art keywords
gaussian process
crack length
structural member
assessment method
function
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
Application number
CN201810105717.0A
Other languages
English (en)
Inventor
蔡国强
王要飞
吕姣姣
潘越
宋琼
杨晨
郝强
赵佳庆
李鸣
李一鸣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN201810105717.0A priority Critical patent/CN108318589A/zh
Publication of CN108318589A publication Critical patent/CN108318589A/zh
Pending legal-status Critical Current

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
    • G01N29/44—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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B17/00—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations
    • 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
    • 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
    • G01N29/46—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by spectral analysis, e.g. Fourier analysis or wavelet analysis
    • 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
    • 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
    • G01N2291/028—Material parameters
    • G01N2291/02854—Length, thickness
    • 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
    • G01N2291/04—Wave modes and trajectories
    • G01N2291/042—Wave modes
    • G01N2291/0423—Surface waves, e.g. Rayleigh waves, Love waves

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于高斯过程的疲劳裂纹长度智能评定方法，包括：设置Lamb波的中心频率，向高速列车的被测结构件发射探测信号；采集所述被测结构件接收到所述探测信号产生的传感信号；使用傅里叶变换和香农复数小波变换从所述传感信号中提取特征因子；设置高斯过程的先验均值函数和协方差函数，建立高斯过程模型，建立所述特征因子与所述被测结构件的裂纹长度的映射关系；对所述特征因子分别通过所述高斯过程模型使用最大似然法进行模型训练以评定和预测所述被测结构件的裂纹长度。本发明能够实现轨道交通领域关键部件的损伤识别，有效地减小由于结构材料的分散性造成的裂纹长度评定误差，精度高，应用范围广。

Description

基于高斯过程的疲劳裂纹长度智能评定方法和监测方法
技术领域
本发明涉及轨道交通结构健康监测技术领域，特别是涉及一种基于高斯过程的疲劳裂纹长度智能评定方法和监测方法。
背景技术
结构损伤是世界机车车辆专业研究工作的核心，贯穿于高速列车的设计、制造、调试、试验、运营和维修的全生命周期过程。目前，世界上对材料结构健康识别的研究主要集中在航空航天领域，在轨道交通领域的研究和应用很少，特别是随着我国城市轨道交通的大规模普及和高速铁路的进一步提速，机车车辆关键部件的结构损伤识别至关重要。
我国幅员辽阔，建设有复杂庞大的铁路网，铁路运营总里程高达12万公里，铁路线路的跨度很大，从温热潮湿的江南地带至天寒地冻的高原冻土区，车辆在短时间内会经历巨大的温湿度差异，这些差异造成了车辆焊接部件的物理性质发生改变，并且长年累月作用于车辆上，使得焊接部分出现应力集中的现象进而产生裂纹，甚至发生断裂，导致机车中途抛锚，若不能及时发现并采取相应措施，将会造成不可估量的事故发生，对人民生命财产造成巨大的威胁。
机车车辆由众多关健设备组成，包括转向架、车钩、齿轮箱、轮对等，高铁的运行速高达300Km/h，运行状态产生微小的转变将会对机车造成很大的载荷冲击，在启动和刹车过程中，车辆的强大的惯性会对设备本身造成一定的疲劳损伤，比如齿轮箱在启动过程中要承受很大的扭矩才能带动车辆的提速，齿轮之间的相互挤压会使齿轮箱在长时间的外力作用下产生裂纹，甚至有“撑爆”的趋势；另外，转向架是整个机车最关键的部位，车体绝大部分的荷载是加载在转向架上的，车辆在运行过程中产生的振动、离心力、压力等都在转向架上，列车高频次长时间的振动对转向架的损伤尤其大，使转向架产生裂纹和暗伤。随着各种疲劳因素在设备上不断累积，便会在设备表面产生裂纹和和内部不可见损伤，而如何检测到这些损伤变得尤为重要。
损伤产生以后并不会立即产生破坏性作用，它会慢慢发展以致破坏设备。目前国内外也有很多方法来检测损伤，比较多的是采用压电lamb波来探测获取原始信号，配合后期的信号分析算法来分析。相应的损伤因子的提取除传统的傅里叶变换外，还有小波变换、Hibter变换等，得到合适的损伤因子后，就可以通过标注或模式识别方法，如神经网络等建立裂纹长度的映射关系，从而评定裂纹长度。但是这些方法受结构材料、传感器性能等的差异以及环境因素的影响，使得数据的分散性较大，评定误差相对较大，应用得到了很大的限制。
发明内容
为了解决上述问题至少之一，本发明第一方面提供一种基于高斯过程的疲劳裂纹长度智能评定方法，包括：
S101：设置Lamb波的中心频率，向高速列车的被测结构件发射探测信号；
S103：采集所述被测结构件接收到所述探测信号产生的传感信号；
S105：使用傅里叶变换和香农复数小波变换从所述传感信号中提取特征因子；
S107：设置高斯过程的先验均值函数和协方差函数，建立高斯过程模型，建立所述特征因子与所述被测结构件的裂纹长度的映射关系；
S109：对所述特征因子分别通过所述高斯过程模型使用最大似然法进行模型训练以评定和预测所述被测结构件的裂纹长度。
进一步地，所述S101中的Lamb波为窄带激励信号。
进一步地，所述S101采用压电陶瓷作为触发介质以发射所述探测信号。
进一步地，所述特征因子包括互相关系数差、空间相位差、频谱幅值差和幅值谱互相关系数差。
进一步地，所述高斯过程的先验均值函数的初始值设置为0。
进一步地，所述高斯过程的协方差函数为能够生成协方差矩阵是正定矩阵的函数。
进一步地，所述高斯过程的协方差函数为神经网络协方差函数、径向基协方差函数、常量协方差函数和高斯白噪声协方差函数的组合协方差函数。
本发明的第二方面提供一种基于高斯过程的疲劳裂纹长度智能评定的监测方法，利用第一方面所述的智能评定方法对高速列车的关键部件进行实时监测。
本发明的有益效果如下：
本发明提供的基于高斯过程的疲劳裂纹长度智能评定方法具有明确的概率统计意义，它不仅仅是笼统的给出裂纹长度评定值，并且在此基础上给出评定方差以及评定值的条件概率，能够提高判断预测结果的可信度。本发明能够实现轨道交通领域的关键部件的损伤识别，有效地减小由于高速列车的结构材料的分散性造成的裂纹长度评定误差，精度高，应用范围广。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出本发明的一个实施例的智能评定方法的流程图；
图2示出本发明的一个实施例的被测结构的示意图；
图3示出本发明的一个实施例的损伤因子与裂纹长度的关系曲线图；
图4示出本发明的一个实施例的裂纹长度预测结果和实际测量数据的对比图。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
如图1所示，本发明的一个实施例提供了一种基于高斯过程的疲劳裂纹长度智能评定方法，包括：S101：设置Lamb波的中心频率，向高速列车的被测结构件发射探测信号；S103：采集所述被测结构件接收到所述探测信号产生的传感信号；S105：使用傅里叶变换和香农复数小波变换从所述传感信号中提取特征因子；S107：设置高斯过程的先验均值函数和协方差函数，建立高斯过程模型，建立所述特征因子与所述被测结构件的裂纹长度的映射关系；S109：对所述特征因子分别通过所述高斯过程模型使用最大似然法进行模型训练以评定和预测所述被测结构件的裂纹长度。
目前针对结构健康监测领域中材料疲劳强度的测算难题，提出了上述基于高斯过程的疲劳裂纹长度智能评定方法，首先，选择适当的Lamb波对高速列车的被测结构件发射探测信号，由于Lamb波的多模特性，为了降低分析的复杂程度，可选取适当的中心频率，用窄带作为激励信号，激发单一模式Lamb波信号。本实施例中的Lamb波是通过粘贴在结构表面的压电陶瓷材料作为触发介质实现的，根据物质粒子运动方向和被测结构件中心轴是否对称，Lamb波的传播方式可以分为对称式和反对称式，两种模式都可以独立在被测结构件中传播，确定传播模式以后可根据波动方程，通过相速度和频率可以绘制出Lamb波频散曲线。当被测结构件中出现裂纹或暗伤等空心部位时，Lamb波的频散曲线就会发生改变，即可得知构件的健康状况。
如图2所示，本实施例选择普遍使用的铝合金板材作为被测结构件，模拟孔边疲劳裂纹扩展，通过加载一定强度和频率的荷载，使裂纹扩展到2CM停止作用力，同时利用压电多通道扫查***进行主动Lamb波监测，其激励信号中心频率设为290kHz，幅值为10V，发波点数为40K，采样长度为5K，触发电平为0.4V，采样频率为10MHz，向被测结构件发送探测信号。
在试验中，采集被测结构件产生的原始传感信号，通过信号处理技术从该原始传感信号中提取具有指导意义的影响因子，用以判断被测结构件的损伤类型和损伤程度。原始传感信号中反应结构状态的信号特征有很多，包括时域、频域或时频域内的传播时间、幅值及能量等。由于不同的特征因子在裂纹扩展的不同阶段具有不同的精度，为了尽可能降低高斯过程(Gaussian process，GP)模型评定方法的误差，本实施例中使用傅里叶变换和香农复数小波变换从原始传感信号中分别提取了四种对于判断疲劳裂纹的长度的关键因子，包括“互相关系数差”、“空间相位差”、“频谱幅值差”和“幅值谱互相关系数差”。
高斯过程(GP)是基于统计学习理论和贝叶斯理论发展起来的一种机器学习方法，适于处理高维度、小样本和非线性等复杂回归问题，且泛化能力强，与神经网络、支持向量机相比，GP具有容易实现、超参数自适应获取、非参数推断灵活以及输出具有概率意义等优点。在本实施例中采用高斯模型选择和高斯模型学习来建立高斯过程模型，从而建立所述特征因子与所述被测结构件的裂纹长度的映射关系。
对高斯模型的选择就是给高斯过程设定程设定先验均值函数和协方差函数，一般在无任何先验知识的情况下，可将先验均值函数设为0。而协方差函数反映了输入向量之间的相关性，只要能使全部输入向量所生成协方差矩阵是正定矩阵的任意函数均可作为协方差函数，常用的协方差函数有径向基协方差函数、神经网络协方差函数、高斯白噪声协方差函数等。本发明采用如下的组合协方差函数，即：
K＝K1+K2+K3+K4 (1)
其中，K1为神经网络协方差函数，K2为径向基协方差函数，K3为常量协方差函数，K4为高斯白噪声协方差函数。
在本实施例中对长度在0-20mm内的12组裂纹数据进行了分析，如图3所示，为特征因子与裂纹长度的关系曲线。
高斯模型的学习过程就是通过样本数据进行训练，即通过所述高斯过程模型使用最大似然法进行模型训练以评定和预测所述被测结构件的裂纹长度。本实施例中设置高斯过程模型的初始值，将从12组裂纹数据中提取的特征因子输入到所述高斯过程模型中，经过一定次数迭代完成所述高斯过程模型的训练，输出对应的12组裂纹长度。如图4所示为输出的12组裂纹长度的预测值与实际测量的裂纹长度数据的对比图。从图中可知，本发明的实施例使用的基于贝叶斯理论的高斯过程的疲劳裂纹长度智能评定方法相对于传统方法更为精确，而且具有明确的概率统计意义，即不但可以给出裂纹长度评定值，还能够给出评定方差以及评定值的条件概率。因此该方法在预测结构剩余使用寿命，指导设备视情维护，实现结构健康管理中具有重要的现实意义。
本发明的一个实施例还提供了一种基于高斯过程的疲劳裂纹长度智能评定的监测方法，利用上述智能评定方法对轨道交通领域中，尤其是高速列车上的关键部件的结构件进行实时监测。该方法能够及时发现高速列车上关键部件的结构损伤，并根据实时监测结果采取相应的措施，避免造成不可估量的事故，能够保障轨道交通的正常运行，保护人民生命财产。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (8)

1.一种基于高斯过程的疲劳裂纹长度智能评定方法，其特征在于，包括：
S101：设置Lamb波的中心频率，向高速列车的被测结构件发射探测信号；
S103：采集所述被测结构件接收到所述探测信号产生的传感信号；
S105：使用傅里叶变换和香农复数小波变换从所述传感信号中提取特征因子；
S107：设置高斯过程的先验均值函数和协方差函数，建立高斯过程模型，建立所述特征因子与所述被测结构件的裂纹长度的映射关系；
S109：对所述特征因子分别通过所述高斯过程模型使用最大似然法进行模型训练以评定和预测所述被测结构件的裂纹长度。
2.根据权利要求1所述的智能评定方法，其特征在于，所述S101中的Lamb波为窄带激励信号。
3.根据权利要求1所述的智能评定方法，其特征在于，所述S101采用压电陶瓷作为触发介质以发射所述探测信号。
4.根据权利要求1所述的智能评定方法，其特征在于，所述特征因子包括互相关系数差、空间相位差、频谱幅值差和幅值谱互相关系数差。
5.根据权利要求1所述的智能评定方法，其特征在于，所述高斯过程的先验均值函数的初始值设置为0。
6.根据权利要求1所述的智能评定方法，其特征在于，所述高斯过程的协方差函数为能够生成协方差矩阵是正定矩阵的函数。
7.根据权利要求1所述的智能评定方法，其特征在于，所述高斯过程的协方差函数为神经网络协方差函数、径向基协方差函数、常量协方差函数和高斯白噪声协方差函数的组合协方差函数。
8.一种基于高斯过程的疲劳裂纹长度智能评定的监测方法，其特征在于，利用权利要求1-7中所述任一项智能评定方法对高速列车的关键部件进行实时监测。
CN201810105717.0A 2018-02-02 2018-02-02 基于高斯过程的疲劳裂纹长度智能评定方法和监测方法 Pending CN108318589A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810105717.0A CN108318589A (zh) 2018-02-02 2018-02-02 基于高斯过程的疲劳裂纹长度智能评定方法和监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810105717.0A CN108318589A (zh) 2018-02-02 2018-02-02 基于高斯过程的疲劳裂纹长度智能评定方法和监测方法

Publications (1)

Publication Number Publication Date
CN108318589A true CN108318589A (zh) 2018-07-24

Family

ID=62890170

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810105717.0A Pending CN108318589A (zh) 2018-02-02 2018-02-02 基于高斯过程的疲劳裂纹长度智能评定方法和监测方法

Country Status (1)

Country Link
CN (1) CN108318589A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110208377A (zh) * 2019-06-19 2019-09-06 南京邮电大学 一种基于Lamb波的多特征参数损伤程度评估方法
CN110910972A (zh) * 2019-11-20 2020-03-24 长沙理工大学 基于高斯过程的疲劳应力集中系数预测方法
CN112710735A (zh) * 2020-12-16 2021-04-27 江苏必得科技股份有限公司 一种Lamb波传感器网络及机械构件裂纹损伤程度检测方法
CN113484336A (zh) * 2021-07-06 2021-10-08 杭州电子科技大学 基于表面波和bp神经网络的亚表面裂纹尺寸测量方法
CN113848249A (zh) * 2021-09-24 2021-12-28 上海交通大学 一种钢桥面板疲劳裂纹深度的导波智能监测方法
CN114166943A (zh) * 2021-12-03 2022-03-11 四川西南交大铁路发展股份有限公司 基于非线性超声波的主动式钢轨伤损监测方法及终端
CN115096359A (zh) * 2022-06-17 2022-09-23 北京航空航天大学 一种金属屋面健康监测***及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955604A (zh) * 2014-04-11 2014-07-30 南京航空航天大学 一种含裂纹金属梯度材料剩余强度预测方法
CN106529018A (zh) * 2016-11-08 2017-03-22 南京航空航天大学 基于高斯权值‑混合粒子滤波的疲劳裂纹扩展预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955604A (zh) * 2014-04-11 2014-07-30 南京航空航天大学 一种含裂纹金属梯度材料剩余强度预测方法
CN106529018A (zh) * 2016-11-08 2017-03-22 南京航空航天大学 基于高斯权值‑混合粒子滤波的疲劳裂纹扩展预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邵建新等: "基于高斯过程的疲劳裂纹长度评定方法研究", 《仪器仪表学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110208377A (zh) * 2019-06-19 2019-09-06 南京邮电大学 一种基于Lamb波的多特征参数损伤程度评估方法
CN110910972A (zh) * 2019-11-20 2020-03-24 长沙理工大学 基于高斯过程的疲劳应力集中系数预测方法
CN112710735A (zh) * 2020-12-16 2021-04-27 江苏必得科技股份有限公司 一种Lamb波传感器网络及机械构件裂纹损伤程度检测方法
CN113484336A (zh) * 2021-07-06 2021-10-08 杭州电子科技大学 基于表面波和bp神经网络的亚表面裂纹尺寸测量方法
CN113848249A (zh) * 2021-09-24 2021-12-28 上海交通大学 一种钢桥面板疲劳裂纹深度的导波智能监测方法
CN114166943A (zh) * 2021-12-03 2022-03-11 四川西南交大铁路发展股份有限公司 基于非线性超声波的主动式钢轨伤损监测方法及终端
CN115096359A (zh) * 2022-06-17 2022-09-23 北京航空航天大学 一种金属屋面健康监测***及方法

Similar Documents

Publication Publication Date Title
CN108318589A (zh) 基于高斯过程的疲劳裂纹长度智能评定方法和监测方法
US9255911B2 (en) Non-contact signal propagation property evaluation of synthetic fiber rope
CN102353509B (zh) 一种基于分块冲击振动测试的中小型桥梁快速检测方法
Thirumalaiselvi et al. Pattern recognition enabled acoustic emission signatures for crack characterization during damage progression in large concrete structures
CN111767897B (zh) 一种基于支持向量机的钢轨裂纹缺陷的识别方法
Guthrie et al. Automated air-coupled impact-echo testing of a concrete bridge deck from a continuously moving platform
Moustakidis et al. An intelligent methodology for railways monitoring using ultrasonic guided waves
CN103995051B (zh) 一种识别正交异性钢桥面板焊缝缺陷的试验装置和方法
CN107560764A (zh) 一种基于钢轨横向振动特性检测钢轨纵向力的方法
Tang et al. Defect localization on rolling element bearing stationary outer race with acoustic emission technology
CN104713769B (zh) 一种用于道路状态评估的主动激振检测***
Xu et al. Damage detection of ballastless railway tracks by the impact-echo method
CN104792865A (zh) 基于分数维的管道超声导波小缺陷识别与定位方法
CN203745428U (zh) 一种微裂纹无损检测装置
CN110412132A (zh) 基于多模式多模态超声相控阵检测***及非线性成像方法
Choi et al. Application of modal-based damage-detection method to locate and evaluate damage in timber beams
CN113933392A (zh) 一种基于超声导波的特征融合概率重建损伤定位成像方法
CN113418986A (zh) 一种用于桥梁隧道的声纹检测***
CN101788536B (zh) 基于双谱分析的在役16锰钢承力件焊接结构形变损伤状态表征与定量评估***
CN113051705B (zh) 一种精确预测钢轨轨温的方法
Ju et al. Research on the identification method based on energy distribution of adaptive WPD for railway tunnel lining void
CN104297345A (zh) 一种一维结构的不连续在线检测方法
Li et al. Ultrasonic Excitation-Fiber Bragg Grating Sensing Technique for Damage Identification.
Carboni et al. A preliminary feasibility analysis about the structural health monitoring of railway concrete sleepers by acoustic emission and digital image correlation
Meng et al. Experimental research on crack damage detection of concrete beam based on PZT wave method

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: 20180724

RJ01 Rejection of invention patent application after publication