CN111983020A - 一种金属构件内部缺陷敲击检测识别***及识别方法 - Google Patents

一种金属构件内部缺陷敲击检测识别***及识别方法 Download PDF

Info

Publication number
CN111983020A
CN111983020A CN202010862602.3A CN202010862602A CN111983020A CN 111983020 A CN111983020 A CN 111983020A CN 202010862602 A CN202010862602 A CN 202010862602A CN 111983020 A CN111983020 A CN 111983020A
Authority
CN
China
Prior art keywords
knocking
signal
sound signal
metal component
tapping
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
Application number
CN202010862602.3A
Other languages
English (en)
Other versions
CN111983020B (zh
Inventor
余焕伟
陈仙凤
赵星波
杜锡勇
程飞
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.)
SHAOXING SPECIAL EQUIPMENT TESTING INSTITUTE
Original Assignee
SHAOXING SPECIAL EQUIPMENT TESTING INSTITUTE
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 SHAOXING SPECIAL EQUIPMENT TESTING INSTITUTE filed Critical SHAOXING SPECIAL EQUIPMENT TESTING INSTITUTE
Priority to CN202010862602.3A priority Critical patent/CN111983020B/zh
Publication of CN111983020A publication Critical patent/CN111983020A/zh
Application granted granted Critical
Publication of CN111983020B publication Critical patent/CN111983020B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01N29/045—Analysing solids by imparting shocks to the workpiece and detecting the vibrations or the acoustic waves caused by the shocks
    • 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
    • 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
    • G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Mathematical Physics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

一种金属构件内部缺陷敲击检测识别***及识别方法，属于声学检测技术领域。本发明包括检验锤、信息采集和控制单元、信息处理及显示单元、敲击声信号采集传感器和/或振动信号采集传感器，敲击声信号采集传感器采集检验锤敲击金属构件产生的敲击声音信号，振动信号采集传感器采集检验锤敲击金属构件产生的敲击振动信号，信息采集和控制单元对敲击声音信号和敲击振动信号进行A/D采样，信息处理及显示单元对敲击声音信号和敲击振动信号进行分析与识别。本发明模拟经验丰富的检验员通过敲击声“听出”缺陷的过程，对检验锤敲击过程进行辨识，实现对承压金属构件缺陷的快速检测和智能识别，提高对内部缺陷识别的准确度和客观性。

Description

一种金属构件内部缺陷敲击检测识别***及识别方法
技术领域
本发明属于声学检测技术领域，具体是涉及一种金属构件内部缺陷敲击检测识别***。
背景技术
敲击检测属于声振无损检测方法中的一种，是一种通过激励被检试件，使其产生机械振动，并从得到声波的测定结果中判定被检测对象质量的方法。最早是用于铁路工人在检测车轮是否完整时，通过小锤敲击车轮后发出的声音，依据经验判断车轮是否有缺陷的存在。在承压类特种设备的宏观检验中也常用到这种敲击检验方法，用检验锤敲击锅炉受压元件的有关部位，以听觉配合手感触觉、视觉来判断有无缺陷，是锅炉检验中重要的、不可缺少的检验方法，正确使用该方法，可以对被检对象金属材料的劣化、腐蚀、结垢等进行初步判断。比如，用锤击法检验压力容器内外壁、锅炉筒体、炉胆、管板大横水管等受压元件时候，听锤击发出的声音和检验锤回弹的程度判断被检验受压元件的情况。如果被检验受压元件发出清脆和单纯的声音，这是钢板状况良好的象征；如果声音发闷、浊声，说明钢板很可能有夹灰、夹层、或者金属表面已经严重腐蚀，或者金属表面已经结了很厚的水垢；如发出沙拉沙拉的声音，说明钢板已经产生裂纹。用锤击法检验短拉撑质量，如果拉撑已经折断，则锤头回弹力明显的减弱；用检验锤击短拉撑的头部声音发闷，则表明短拉撑已经有了裂纹或者折断。
检验锤敲击后，用耳听、手感来判断特种设备金属承压部件缺陷的方法简便、快捷，并经长期实践证明也是行之有效的，但该方法很大程度上是建立在检验人员主观判断上，非常依赖个人经验，往往需要多年的实践积累。
发明内容
本发明主要是解决上述现有技术所存在的技术问题，提供一种金属构件内部缺陷敲击检测识别***及识别方法。本发明可以模拟经验丰富的检验员通过敲击声“听出”缺陷的过程，使检验锤敲击检验结果判定更加准确，有利于解决锅炉、压力容器、压力管道等特种设备承压金属构件敲击检验对个人经验的严重依赖，提高对内部缺陷识别的准确度和客官性。
本发明的上述技术问题主要是通过下述技术方案得以解决的：一种金属构件内部缺陷敲击检测识别***，包括检验锤、信息采集和控制单元、信息处理及显示单元、敲击声信号采集传感器和/或振动信号采集传感器，所述敲击声信号采集传感器采集检验锤敲击金属构件产生的敲击声音信号，所述振动信号采集传感器采集检验锤敲击金属构件产生的敲击振动信号，所述振动信号采集传感器安装在金属构件被敲击部位的周边，所述信息采集和控制单元对***的控制和参数进行设置，对敲击声音信号和敲击振动信号进行A/D采样，所述信息处理及显示单元对敲击声音信号和敲击振动信号进行分析与识别，并把缺陷辨识结果通知使用者。
作为优选，所述检验锤配置有力传感器，所述力传感器记录检验锤敲击力的大小。
本发明还公开了一种金属构件内部缺陷敲击检测识别***识别方法，所述方法包括以下步骤：
(1)，采集金属构件的敲击声音信号、敲击振动信号，记录敲击力大小；
(2)，根据金属构件缺陷特征，对采集到的敲击信息样本进行分类和标定；
(3)，对敲击声音信号进行预处理和滤波去噪，包括信号的滑动滤波、标准化、去除信号中的异常点和噪声；
(4)，计算各帧信号的过零率和短时能量，对敲击声音信号进行端点检测和音频段划分，剔除无用的静默段信号，把连续采集的敲击声音信号划分成与敲击次数相对应的等长音频段；
(5)，对步骤(4)中分段后的音频信号进行基于小波包分解的MFCC特征提取，建立敲击声音信号的MFCC特征集；
(6)，采用隐马尔可夫算法对敲击声音信号和敲击振动信号的MFCC特征集进行训练，建立HMM缺陷模型；
(7)，根据训练好的HMM缺陷模型，利用“二元信息融合+相关性反向证据”算法从敲击信号中识别出相同或类似的缺陷。
作为优选，在步骤(2)中，敲击信息样本分类和标定采用的方式为：检验人员利用“耳听手感”方式对被敲击金属构件的缺陷进行识别，并采用超声检测或数字射线技术对分类有怀疑的信息样本进行二次确认。
作为优选，在步骤(2)中，敲击信息样本分类和标定采用的方式为：制作一批有预制缺陷的人工试件，模拟检验现场的敲击信息采集，在敲击信息采集时，人为改变敲击力度、改变敲击声信号采集传感器的位置、制造环境噪声。
作为优选，在步骤(3)中，采用五点三次滑动滤波方法去除敲击声音信号中的高频随机噪声，采用小波包去噪对敲击声音信号进行去噪，利用滤波后信号最大值对滤波后的敲击声音信号进行标准化。
作为优选，所述步骤(4)具体为：
(4.1)，对敲击声音信号进行分帧；
(4.2)，计算某一帧信号的短时平均能量和短时过零率；
(4.3)，将敲击声音信号分为多个状态，利用状态机方法依次判断各帧所处的状态，依次信号处于敲击状态开始和结束的位置坐标，把敲击声音信号划分为多个等长的音频段；
(4.4)，利用敲击振动信号的同源性和不受环境噪声影响的特性，采用相关性分析的方法监测敲击声音信号可能存在的异常噪声。
作为优选，所述步骤(5)具体为：
(5.1)，对敲击声音信号进行信号预加重处理，提升高频部分，突出高频的共振峰；
(5.2)，对预加重处理后的敲击声音信号进行分帧，并对每一帧信号进行加汉明窗；
(5.3)，对敲击声音信号进行快速傅里叶变换；
(5.4)，对敲击声音信号进行多层小波包分解；
(5.5)，定义三角滤波器组；
(5.6)，计算每个滤波器组输出的对数能量；
(5.7)，将对数能量信号带入离散余弦变换，经离散余弦变换得到MFCC系数；
(5.8)，计算MFCC系数的一阶差分；
(5.9)，将MFCC系数和MFCC系数的一阶差分组合，得到敲击声音信号的MFCC特征参数；
(5.10)，重复上述步骤(5.1)-步骤(5.9)，对敲击振动信号进行信号处理和特征参数提取，得到敲击振动信号的MFCC特征参数。
作为优选，所述步骤(6)具体为：
(6.1)，对敲击信号样本进行划分与分类；
(6.2)，HMM模型参数初始化；
(6.3)，计算给定输入信号序列，计算当前信号序列时刻的前向概率和后向概率、状态转移概率和混合输出概率；
(6.4)，根据最大期望估计算法计算样本集的HMM参数状态概率分布、状态转移矩阵和状态发射矩阵；
(6.5)，采用Viterbi算法计算敲击特征信号序列在某一次参数和该次参数的前一次时的输出概率；
(6.6)，重复上述步骤(6.1)-步骤(6.5)，得到多个样本集的HMM模型参数。
作为优选，所述步骤(7)具体为：
(7.1)，对输入的敲击声音信号和敲击振动信号重复上述步骤(3)-步骤(5)；
(7.2)，计算相对融合概率；
(7.3)，计算敲击声音信号分别延迟至少一个采样点后与缺陷状态的敲击声音参考信号的互相关系数向量，并计算其标准差，通过标准差的大小对当前敲击声音信号对应的缺陷状态进行反向决策。
本发明具有的有益效果：本发明从仿生学角度出发，模拟经验丰富的检验员通过敲击声“听出”缺陷的过程，对检验锤敲击过程进行辨识，实现对承压金属构件缺陷的快速检测和智能识别，提高对内部缺陷识别的准确度和客观性。
附图说明
图1是本发明的一种结构示意图；
图2是本发明敲击信号的MFCC特征集提取的一种示意图；
图3是本发明样本缺陷的HMM训练模型建立的一种示意图；
图4是本发明基于HMM的“二元信息融合+相关性反向证据”算法的一种流程示意图；
图5是本发明实施例中连续采集到的30次敲击声的一种示意图；
图6是本发明实施例中信号滑动滤波后的波形的一种示意图；
图7是本发明实施例中敲击声的原始信号(部分)的一种示意图；
图8是本发明实施例中小波包去噪前后敲击声音信号(部分)的一种对比示意图；
图9是本发明实施例中未进行标准化处理的单次敲击声音信号示意图；
图10是本发明实施例中敲击声音信号的帧能量的一种示意图；
图11是本发明实施例中敲击声音信号的帧过零率的一种示意图；
图12是本发明实施例中采集信号的信号分段结果的一种示意图；
图13(a)是本发明实施例中一次敲击时敲击声音信号的一种示意图；
图13(b)是本发明实施例中一次敲击时敲击振动信号的一种示意图；
图14是本发明实施例中一次敲击时敲击声音信号和敲击振动信号两者傅里叶频域曲线的一种示意图；
图15是本发明实施例中一次敲击时敲击声音信号和敲击振动信号的相关性系数的一种示意图；
图16是本发明实施例中不同类型缺陷试件的敲击声音信号和敲击振动信号的相关性系数的一种示意图；
图17是本发明实施例中原始敲击声音信号加入高斯白噪声的一种示意图；
图18是本发明实施例中敲击声音信号延迟序列与敲击振动信号的相关性系数的一种示意图；
图19是本发明实施例中敲击声音信号MFCC参数的一种示意图；
图20是本发明实施例中敲击振动信号MFCC参数的一种示意图；
图21是本发明实施例中不同缺陷样本集的一种示意图。
图中：1、检验锤；2、敲击声信号采集传感器；3、振动信号采集传感器；4、信息采集和控制单元；5、信息处理及显示单元；6、力传感器。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
一种金属构件内部缺陷敲击检测识别***，如图1所示，包括检验锤1、信息采集和控制单元4、信息处理及显示单元5、敲击声信号采集传感器2和/或振动信号采集传感器3，所述敲击声信号采集传感器2采集检验锤1敲击金属构件产生的敲击声音信号，所述振动信号采集传感器3采集检验锤1敲击金属构件产生的敲击振动信号，所述振动信号采集传感器3安装在金属构件被敲击部位的周边，例如距离被敲击部位10cm-20cm的范围内，所述振动信号采集传感器3安装的方式可采用平放、磁铁吸附、绑绳捆绑等，所述信息采集和控制单元4对***的控制和参数进行设置，对敲击声音信号和敲击振动信号进行A/D采样，采集到的声音和振动数据供信息处理及显示单元5处理分析，所述信息处理及显示单元5对敲击声音信号和敲击振动信号进行分析与识别，并把缺陷辨识结果通知使用者。
在检测识别过程中，可单独使用敲击声信号采集传感器2或振动信号采集传感器3，也可敲击声信号采集传感器2和振动信号采集传感器3同时使用，当敲击声信号采集传感器2和振动信号采集传感器3同时使用时，缺陷识别的准确度会更好。
所述检验锤1配置有力传感器6，所述力传感器6记录检验锤1敲击力的大小。所述检验锤1包括但不限于锤状敲击设备，其它能实现敲击功能的设备也应包含在内。
所述敲击声信号采集传感器2包括但不限于防爆或非防爆的外接型传感器、终端设备的集成传感器等。
所述振动信号采集传感器3包括但不限于防爆或非防爆的外接型传感器、终端设备的集成传感器等。
所述信息处理及显示单元5包括但不限于具有信息处理功能的便携的移动终端、笔记本电脑、工控电脑，以及其他通用电子处理设备；缺陷辨识结果的通知形式包括但不限于屏幕显示、声音通知、灯光报警等。
本发明还公开了一种金属构件内部缺陷敲击检测识别***识别方法，所述方法包括以下步骤：
(1)，采集金属构件的敲击声音信号、敲击振动信号，记录敲击力大小；敲击声音信号和敲击振动信号为同源信号，互为补充，敲击力大小为参考信号，敲击力值的缺失不会影响方法的有效性；
(2)，根据金属构件缺陷特征，对采集到的敲击信息样本进行分类和标定；敲击信息样本分类和标定采用两种方式：一是有丰富检验锤1敲击检测经验的人员利用传统“耳听手感”方式对被敲击金属构件的缺陷进行识别，并采用超声检测(UT)或数字射线(DR)技术对分类有怀疑的信息样本进行二次确认；二是制作一批有预制缺陷的人工试件，模拟特种设备检验现场的敲击信息采集，在敲击信息采集时，人为改变敲击力度、改变敲击声信号采集传感器2的位置、制造环境噪声，以增大信息样本的多样性和最终缺陷识别方法的鲁棒性；
(3)，对敲击声音信号进行预处理和滤波去噪，包括信号的滑动滤波、标准化、去除信号中的异常点和噪声；作为优选，可采用五点三次滑动滤波方法去除敲击声音信号中的高频随机噪声，必要时还可以采用小波包去噪对敲击声音信号进行去噪，然后利用滤波后信号最大值对滤波后的敲击声音信号进行标准化；如下式所示：
Figure BDA0002648647560000061
(4)，计算各帧信号的过零率和短时能量，对敲击声音信号进行端点检测和音频段划分，剔除无用的静默段信号，把连续采集的敲击声音信号划分成与敲击次数相对应的等长音频段；具体为：
(4.1)，对敲击声音信号X进行分帧，相邻两帧之间有一定重叠段，每帧的长度m及重叠长度l根据采样***的采样频率fs及敲击声的频率f来确定；
(4.2)，计算第n帧信号的短时平均能量En和短时过零率Zn；如下式所示：
Figure BDA0002648647560000062
Figure BDA0002648647560000063
w(m)为窗函数；
(4.3)，把敲击声音信号X分为静音(0)、模糊(1)、敲击(2)和结束(3)四个状态，分别代表敲击声音处于敲击前、不确定、敲击正在发生和敲击结束，设定能量阈值Et、短时过零率阈值Zt、静音长度sil和敲击状态的信号最小长度阈值Lt，利用状态机方法依次判断各帧所处的状态，依次信号处于敲击状态开始和结束的位置坐标，把敲击声音信号X划分为k个等长的音频段；
(4.4)，利用敲击振动信号的同源性和不受环境噪声影响的特性，采用相关性分析的方法监测敲击声音信号可能存在的异常噪声(包括腔体回响)，当相关性系数小于阈值corrThr时，在结果展示步骤进行提醒。
(5)，对步骤(4)中分段后的音频信号进行基于小波包分解的MFCC(梅尔倒谱系数)特征提取，建立敲击声音信号的MFCC特征集；具体为：
(5.1)，对敲击声音信号进行信号预加重处理，提升高频部分，突出高频的共振峰；如下式所示：
H(Z)＝1-μz-1
式中μ的值介于0.9-1.0之间；作为优选，为选择合适的μ值，从μ＝0.9开始，以step＝0.0005开始步进，分别计算预加权后信号与原始信号相关系数，取相关系数最大时的μmax；
(5.2)，对步骤(5.1)预加重处理后的敲击声音信号进行分帧，相邻两帧之间有一段重叠区域，设每帧内的数据点数为N，重叠区点数为N/4；N值过大会降低特征数据的时域分辨率，N值太小不能有效覆盖信号的时域变化，而且会增大计算量；选择N＝200为初始值，通过比较不同N值时MFCC特征的离散弗雷歇距离(Fréchet distance)，选择距离相对较小时的N值，兼顾特征数据的时域分辨率与时域覆盖性；将敲击声音信号分为T帧，每一帧信号进行加汉明窗，以减小频谱泄露；
(5.3)，对敲击声音信号进行快速傅里叶变换；对步骤(5.2)加汉明窗后的每帧信号进行快速傅里叶变换FFTS，对每帧信号的频谱取模并平方，得到傅里叶功率谱矩阵Pf，大小为N×T；
(5.4)，对敲击声音信号进行多层小波包分解；进行J层小波包分解，小波函数为“db3”，可得到第J层2J个小波包系数，按照小波系数对应的频率高低进行排序，分别对第J层小波系数进行重构，得到2J个时域信号，分别对应着从低到高的2J个频段；对2J个时域信号按步骤(5.2)分为T帧，分别计算每一帧的平均功率谱；如下式所示：
Figure BDA0002648647560000071
小波包平均功率谱矩阵Pw的大小为2J×T；
(5.5)，定义三角滤波器组，中心频率为f(m),m＝1,2,...,M；f(m)由梅尔频率关系得到，假设在Mel空间最低频率为0，最高频率为c*In(1+0.5fs/700)，c为常数，在梅尔频率空间各滤波器的中心频率间隔相等，各个滤波器的Mel中心频率为：
Figure BDA0002648647560000072
根据Mel频率的定义可得正常频率域的中心频率为：
Figure BDA0002648647560000073
在频率域各f(m)之间的间距随着m值的增大而增宽，即在较低频段时滤波器相对较窄，随着频率的升高，滤波器变宽；三角滤波器的频率响应定义为：
Figure BDA0002648647560000074
式中
Figure BDA0002648647560000075
(5.6)，计算每个滤波器组的对数能量为：
Figure BDA0002648647560000081
P可以是傅里叶平均功率谱Pf，也可以是小波包平均功率谱Pw，根据实际情况进行选择，最后得到总的输出对数能量信号矩阵S，大小为M×T。
(5.7)将上述的对数能量信号S带入离散余弦变换，经离散余弦变换(DCT)得到MFCC系数：
Figure BDA0002648647560000082
L阶指MFCC系数阶数，M是三角滤波器个数，MFCC系数矩阵C的大小为L×T；
(5.8)，计算MFCC系数的一阶差分，可按以下方法计算：
Figure BDA0002648647560000083
n＝1,2,...,L,i＝3,4,...,T-3,T-2，L阶指MFCC系数阶数，T为敲击声音信号帧数；
(5.9)，MFCC特征参数由步骤(5.7)中的MFCC系数和步骤(5.8)中的MFCC系数的一阶差分组成，大小为2L×(T-4)，记为AMFCC；
(5.10)，对敲击振动信号采用与敲击声音信号同样的步骤，进行信号处理和特征参数提起，得到敲击振动信号的MFCC特征参数，大小为2L×(T-4)，记为VMFCC；
上述步骤(1)-步骤(5)实现了从连续敲击信号到梅尔倒频谱系数(MFCC)特征集的提取，主要技术路线如图2所示。
(6)，采用隐马尔可夫算法(HMM)对敲击声音信号和敲击振动信号的MFCC特征集进行训练，建立典型缺陷的敲击识别模型，如图3所示；具体为：
(6.1)，敲击信号样本划分和分类：敲击信号样本划分为训练和测试两个样本集，每个样本集又包含L个缺陷类别的样本，在采集相同缺陷的样本时，人为调整敲击力度的大小，以增大样本的多样性和模型的鲁棒性；
(6.2)，HMM模型参数的初始化：初始化概率矩阵a＝[1,0,0,0,0,0]，矩阵的长度等于状态数S，当前实例中S＝46；初始化S*S维的转移概率矩阵，对角线上最后一个元素赋值为1，剩余元素赋值为0.5；把每个训练样本平均划分为N个数据片段，采用kmeans聚类函算法对训练数据进行分类，并计算聚类分析后各类的平均值m(m1,m2,...,mn)、方差v(v1,v2,...,vn)和权重w系数，实现对各状态混合高斯概率输出函数的初始构造。其中：
Figure BDA0002648647560000091
记作p＝p(m,v,x)；
状态数为S，则混合高斯状态函数为Pmix
Figure BDA0002648647560000092
(6.3)，计算给定输入信号序列(敲击声音信号和敲击振动信号的MFCC特征集)，分别计算当前信号序列时刻的前向概率alpha和后向概率beta，状态转移概率ξt(i,j)和混合输出概率γt(i)。
其中前向概率alpha的计算步骤如下：
at(i)表示在t时刻敲击声且状态si，敲击声音信号特征x的序列为x1,x2,...,xt的前向概率，a1(i)为初始时刻1时的状态si，敲击声音信号特征x为x1时的概率
步骤1，初始值：α1(i)＝πi*b1(x1)，πi为状态si的初始概率；
步骤2，递推计算：对于t＝1,2,...,T-1，有
Figure BDA0002648647560000093
步骤3，时刻T敲击声音信号特征x的序列为x1,x2,...,xT的前向概率P(x|μ)为：
Figure BDA0002648647560000094
其中后向概率beta的计算步骤如下：
步骤1，初始值：βT(i)＝1；
步骤2，递推计算，对于t＝T-1,T-2,...,1，有
Figure BDA0002648647560000095
步骤3，时刻1敲击声音信号特征x的序列为x1的前向概率P(x1|μ)为：
Figure BDA0002648647560000096
ξt(i,j)表示t时刻处于状态i，t+1时刻处于状态j的概率(1≤t≤T+1)：
Figure BDA0002648647560000097
γt(i)表示在t时刻，敲击声音信号特征为X，处于状态i的概率1≤t≤T+1)：
Figure BDA0002648647560000098
从1到T时刻，从其他任意状态转移到状态i的次数的期望值可表示为：
Figure BDA0002648647560000099
从1到T时刻，从状态i转移出去的次数的期望值可表示为：
Figure BDA0002648647560000101
从1到T时刻，从状态i转移到状态j的次数的期望值可表示为：
Figure BDA0002648647560000102
(6.4)，根据最大期望估计算法(EM算法)，计算样本集的HMM参数状态概率分布Πl，状态转移矩阵Al和状态发射矩阵Bl(l表示第l次计算HMM参数，初始化时记为第0次)
Π＝[πi]N，其中
Figure BDA0002648647560000103
A＝[aij]N×N，其中
Figure BDA0002648647560000104
B＝[bj(k)]N×N，其中
Figure BDA0002648647560000105
Figure BDA0002648647560000106
(6.5)，采用Viterbi算法计算在敲击特征信号序列X在第l-1次参数(Πl-1，Al-1，Bl-1)和第l次参数(Πl，Al，Bl)时的输出概率Pl-1和Pl；
进一步地，当(Pl-Pl-1)/Pl<ε时，停止计算，输出(Πl，Al，Bl)为模型参数；
进一步地，当(Pl-Pl-1)/Pl≥ε时，重复步骤(6.4)和步骤(6.5)，直到满足输出概率收敛或迭代步数；
(6.6)，重复上述步骤(6.1)-步骤(6.5)，分别得到N个样本集的HMM模型参数；
(7)，根据训练好的HMM缺陷模型，采用“二元信息融合+相关性反向证据”算法可以从敲击信号中识别出相同或类似的缺陷，具有较高的识别成功率，主要识别流程如图4所示；具体为：
(7.1)，对于输入的敲击声音信号RS1和敲击振动信号RS2重复上述步骤(3)-步骤(5)，得到RS的信号特征序列RX1和RX2，采用Viterbi算法分别计算其对于的隐马尔可夫模型HMM1(Π1i，A1i，B1i)、HMM2(Π2i，A2i，B2i)，(i＝1,2,...,M)的相对概率输出POut1(pA1,PA2,..PAM)和POut2(pV1,PV2,..PVM)；
(7.2)，计算相对融合概率POut(p1,p2…,pM)＝POut1*w1+POut2*w2，其中w1和w2为两个HMM模型的权重系数，且w1+w2＝1；对于POut中p1,p2,...,pM按融合概率值大小进行排序，最大值为(pmax，seq1)，次大值为(psec，seq2)，第三值为(pthi，seq3)，seq表示融合概率对应的缺陷状态编号；
(7.3)，计算敲击声音信号RS1分别延迟t个采样点(t＝1,2,...,T)后与seq1缺陷的敲击声音参考信号的互相关系数向量corrT1，并计算corrT1的标准差，记为corrSTD1；
(7.4)，如果corrSTD1≥0.1，则最终缺陷识别结果为Pmax＝pmax,Seq＝seq1，即当前敲击声音信号RS1对应的缺陷为seq1缺陷；
(7.5)，如果corrSTD1＜0.1，计算敲击声音信号RS1分别延迟t个采样点(t＝1,2,...,T)后与seq2缺陷的敲击声音参考信号的互相关系数向量corrT2，并计算corrT2的标准差，记为corrSTD2；
(7.6)，如果corrSTD2≥0.1，则最终缺陷识别结果为Pmax＝pmax,Seq＝seq2，即当前敲击声音信号RS1对应的缺陷为seq2缺陷；
(7.7)，如果corrSTD2＜0.1，则最终缺陷识别结果为Pmax＝pmax,Seq＝seq3，即当前敲击声音信号RS1对应的缺陷为seq3缺陷。
实施例：
图5为某次采集到的Q235平板敲击声音信号，采样频率f＝51200Hz，共采集到30次敲击声。
1、滤波：
采用“五点三次滑动滤波”方法去除信号中的高频随机噪声，如图6所示，对信号进行平滑，去除部分尖端噪声。
采用db3小波包基函数，对平滑后的信号进行5层小波包去噪，计算小波包系数的Shannon熵值作为去噪依据，在全局范围内进行软阈值去噪，阈值Thr一般在0.01～0.1，图7为一段敲击声的原始信号，图8为小波包去噪前后的信号对比图(Thr＝0.05)。图9为未进行标准化处理的单次敲击声音信号图。
2、信号端点检测与分段：
计算各帧信号的过零率和短时能量，对敲击声音信号进行端点检测和音频段划分，剔除相邻两次敲击之间的静默段信号，把连续采集的敲击声音信号划分成与敲击次数相对应的等长音频段。具体处理过程如下：
对图5中的敲击声音信号X进行分帧，每帧的长度LenFram＝256，相邻的两帧之间有一定的重叠段，为提高端点检测精度，相邻两帧的重叠长度为88，帧增移量为80；
如图10、图11所示，计算第n帧信号的短时平均能量En和短时过零率Zn，为了减少噪声在计算过零率时的影响，当任意两个相邻信号点的幅值差绝对值小于0.03时，认为是噪声干扰，该两点不纳入帧窗口的过零率计算；
利用“状态机”算法对敲击声音信号X的状态进行分类(静音(0)、模糊(1)、敲击(2)和结束(3))，敲击声音信号X的帧数NumFram＝6141为循环条件，构建“状态机”循环程序：
2.1、初始化status＝0，帧过零率阈值Zt＝5，敲击声音信号的长度阈值Lt＝10，敲击间隔的静默长度阈值Sil＝10；帧能量阈值Et1＝min(std(En)，max(En)/4)，Et2＝min(std(En)/8，max(En)/16)，std(En)为敲击声音信号X的帧能量En的标准差；
2.2、当status＝0或1，如果En＞Et1，则status＝2(敲击)，否则当En＞Et2或Zn＞Zt，则status＝1(模糊)，否则status＝0(静音)；
2.3、当status＝2，如果En＞Et2或Zn＞Zt，则status＝2，否则静音长度加1，而且如果静音长度小于Lt＝10时，仍认为信号处于敲击声的范围内，当静音长度小于Sil时且记录的信号长度小于Lt时，认为此时的信号为噪声，信号状态跳转到静音(status＝0)，否则认为该敲击声音信号结束，信号状态跳转到结束状态(status＝3)，同时敲击声音信号段计数加1；
2.4、当status＝3，如果敲击声音信号段计数小于可能的最大语音段数MaxSec(Length(X)/(Inc*Lt))，则信号状态跳转到静音(status＝0)，否则跳出“状态机”循环步骤；
2.5、当循环计数等于NumFram时，终止“状态机”循环步骤。
利用上述“状态机”循环判断的方法，对某包含30次敲击的采集信号进行信号分段，结果如图12所示。
利用敲击振动信号的同源性和不受环境噪声影响的特性，采用相关性分析的方法监测敲击声音信号可能存在的异常噪声(包括回响)，当相关性系数小于阈值corrThr时，在结果展示步骤进行提醒。图13(a)和图13(b)分别为同一次敲击时敲击声音信号和敲击振动信号，图14为两者的傅里叶频域曲线，共振峰基本一致。
假设两个信号序列x(n)和y(n)，信号长度均为N，x(n)保持固定，对信号y(n)延迟m个采样点，按下式计算x(n)序列与y(n)延迟序列的相关性系数，记做Rxy(m)。
Figure BDA0002648647560000121
Figure BDA0002648647560000122
Figure BDA0002648647560000123
由于敲击声音信号序列x和敲击振动信号y为阻尼振荡波形，对不同采集条件下的敲击声音信号x和敲击振动信号y截取相同的长度后，进行互相关分析：(1)同一构件的同一次敲击声音信号和敲击振动信号的互相关Rxy(m)；(2)不同构件的敲击声音信号和敲击振动信号的互相关Rxy’(m)。当m＝3000时，结果如图15和图16所示，敲击信号之间的互相关系数随着延迟时间的变化在零点上下呈周期性振荡，同一构件的敲击声音信号和敲击振动信号的Rxy曲线标准差为0.159，而不同构件的Rxy’曲线标准差为0.02，差异非常明显，该特性可以用来验证两种信号是否源自同类构件。
通过计算相关系数还可以对敲击声音信号中噪声情况进行监测，如图17所示，在原始敲击声音信号上加入一定程度的高斯白噪声，按上述方法计算敲击声音信号延迟序列Sn与振动信号V的相关性系数，结果如图18所示，标准差为0.148，相比加噪声前降低了7％。
3、MFCC特征集提取：
上述步骤(5.1)中进行信号预加重时，根据参数优选结果，取参数μ＝0.975。
上述步骤(5.2)中，取帧窗口初始值N0＝200、256、360、512、1024，分别计算相应N值时的MFCC特征参数，第1个和第7个MFCC参数分别记作MFCC1和MFCC7，计算不同N值时MFCC7曲线之间的离散弗雷歇距离(Fréchet distance)，记作FD(N1，N2)，N1、N2表示不同的帧窗口大小值，计算结果如表1所示。
表1为不同N值时MFCC特征曲线之间的离散弗雷歇距离
FD(200，256) FD(200，360) FD(200，512) FD(200，1024)
MFCC1 11.3 6.3 3.5 4.4
MFCC7 4.36 4.31 4.32 5.94
MFCC1和MFCC7分别对应敲击声音信号中的低频和高频部分，根据表1的比较结果，兼顾信号低频和高频部分，本案例选择信号的帧窗口大小值N＝512。
根据上述步骤(5.3)-步骤(5.10)，可得到敲击声音信号的MFCC参数AMFCC，如图19所示，同样可得到振动信号的MFCC参数VMFCC，如图20所示。
4、典型缺陷的敲击识别模型：
上述步骤(6.2)，对HMM模型参数进行初始化，HMM状态数S＝6，每个状态由3个混合高斯模型组成，初始发射概率矩阵初始为[0,0,0,0,0,1]，转移概率矩阵初值为：
Figure BDA0002648647560000131
上述步骤(6.5)中，迭代收敛率ε＝5e-6。本案例中共有9个对应不同缺陷的样本集，如图21所示，每个样本集包含着数量不等敲击声音信号和敲击振动信号，样本集划分为两部分，一部分用来进行HMM模型训练，剩余部分用来检验模型的识别率。
基于敲击声音信号的HMM模型，对测试样本(9类)的正确识别率分别为100％、83.3％、100％、82.8％、100％、100％、100％、100％、100％，总的平均识别率为96.3％；基于敲击振动信号的Hmm模型，对测试样本的正确识别率均为100％。假设信号强度为0dB,分别在敲击声音信号和敲击振动信号上叠加-30db的高斯白噪声，则两个模型对测试样本的平均识别率分别为57.4％和72.1％；采用融合算法后，则缺陷识别率提高到86.7％；采用融合算法+相关性反向证据算法，则缺陷识别率提高到98.1％。
当叠加-25dB时，两个模型对测试样本的平均识别率分别为54.8％和61.0％；采用融合算法后，则缺陷识别率提高到76.3％；采用融合算法+相关性反向证据算法，则缺陷识别率提高到86.3％。
综上所述，本发明从仿生学角度出发，模拟经验丰富的检验员通过敲击声“听出”缺陷的过程，对检验锤1敲击过程进行辨识，实现对承压金属构件缺陷的快速检测和智能识别，提高对内部缺陷识别的准确度和客观性。
最后，应当指出，以上实施例仅是本发明较有代表性的例子。显然，本发明不限于上述实施例，还可以有许多变形。凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均应认为属于本发明的保护范围。

Claims (10)

1.一种金属构件内部缺陷敲击检测识别***，其特征在于，包括检验锤、信息采集和控制单元、信息处理及显示单元、敲击声信号采集传感器和/或振动信号采集传感器，所述敲击声信号采集传感器采集检验锤敲击金属构件产生的敲击声音信号，所述振动信号采集传感器采集检验锤敲击金属构件产生的敲击振动信号，所述振动信号采集传感器安装在金属构件被敲击部位的周边，所述信息采集和控制单元对***的控制和参数进行设置，对敲击声音信号和敲击振动信号进行A/D采样，所述信息处理及显示单元对敲击声音信号和敲击振动信号进行分析与识别，并把缺陷辨识结果通知使用者。
2.根据权利要求1所述一种金属构件内部缺陷敲击检测识别***，其特征在于，所述检验锤配置有力传感器，所述力传感器记录检验锤敲击力的大小。
3.一种金属构件内部缺陷敲击检测识别***识别方法，其特征在于，所述方法包括以下步骤：
(1)，采集金属构件的敲击声音信号、敲击振动信号，记录敲击力大小；
(2)，根据金属构件缺陷特征，对采集到的敲击信息样本进行分类和标定；
(3)，对敲击声音信号进行预处理和滤波去噪，包括信号的滑动滤波、标准化、去除信号中的异常点和噪声；
(4)，计算各帧信号的过零率和短时能量，对敲击声音信号进行端点检测和音频段划分，剔除无用的静默段信号，把连续采集的敲击声音信号划分成与敲击次数相对应的等长音频段；
(5)，对步骤(4)中分段后的音频信号进行基于小波包分解的MFCC特征提取，建立敲击声音信号的MFCC特征集；
(6)，采用隐马尔可夫算法对敲击声音信号和敲击振动信号的MFCC特征集进行训练，建立HMM缺陷模型；
(7)，根据训练好的HMM缺陷模型，利用“二元信息融合+相关性反向证据”算法从敲击信号中识别出相同或类似的缺陷。
4.根据权利要求3所述一种金属构件内部缺陷敲击检测识别***识别方法，其特征在于，在步骤(2)中，敲击信息样本分类和标定采用的方式为：检验人员利用“耳听手感”方式对被敲击金属构件的缺陷进行识别，并采用超声检测或数字射线技术对分类有怀疑的信息样本进行二次确认。
5.根据权利要求3所述一种金属构件内部缺陷敲击检测识别***识别方法，其特征在于，在步骤(2)中，敲击信息样本分类和标定采用的方式为：制作一批有预制缺陷的人工试件，模拟检验现场的敲击信息采集，在敲击信息采集时，人为改变敲击力度、改变敲击声信号采集传感器的位置、制造环境噪声。
6.根据权利要求3所述一种金属构件内部缺陷敲击检测识别***识别方法，其特征在于，在步骤(3)中，采用五点三次滑动滤波方法去除敲击声音信号中的高频随机噪声，采用小波包去噪对敲击声音信号进行去噪，利用滤波后信号最大值对滤波后的敲击声音信号进行标准化。
7.根据权利要求3所述一种金属构件内部缺陷敲击检测识别***识别方法，其特征在于，所述步骤(4)具体为：
(4.1)，对敲击声音信号进行分帧；
(4.2)，计算某一帧信号的短时平均能量和短时过零率；
(4.3)，将敲击声音信号分为多个状态，利用状态机方法依次判断各帧所处的状态，依次信号处于敲击状态开始和结束的位置坐标，把敲击声音信号划分为多个等长的音频段；
(4.4)，利用敲击振动信号的同源性和不受环境噪声影响的特性，采用相关性分析的方法监测敲击声音信号可能存在的异常噪声。
8.根据权利要求3所述一种金属构件内部缺陷敲击检测识别***识别方法，其特征在于，所述步骤(5)具体为：
(5.1)，对敲击声音信号进行信号预加重处理，提升高频部分，突出高频的共振峰；
(5.2)，对预加重处理后的敲击声音信号进行分帧，并对每一帧信号进行加汉明窗；
(5.3)，对敲击声音信号进行快速傅里叶变换；
(5.4)，对敲击声音信号进行多层小波包分解；
(5.5)，定义三角滤波器组；
(5.6)，计算每个滤波器组输出的对数能量；
(5.7)，将对数能量信号带入离散余弦变换，经离散余弦变换得到MFCC系数；
(5.8)，计算MFCC系数的一阶差分；
(5.9)，将MFCC系数和MFCC系数的一阶差分组合，得到敲击声音信号的MFCC特征参数；
(5.10)，重复上述步骤(5.1)-步骤(5.9)，对敲击振动信号进行信号处理和特征参数提取，得到敲击振动信号的MFCC特征参数。
9.根据权利要求3所述一种金属构件内部缺陷敲击检测识别***识别方法，其特征在于，所述步骤(6)具体为：
(6.1)，对敲击信号样本进行划分与分类；
(6.2)，HMM模型参数初始化；
(6.3)，计算给定输入信号序列，计算当前信号序列时刻的前向概率和后向概率、状态转移概率和混合输出概率；
(6.4)，根据最大期望估计算法计算样本集的HMM参数状态概率分布、状态转移矩阵和状态发射矩阵；
(6.5)，采用Viterbi算法计算敲击特征信号序列在某一次参数和该次参数的前一次时的输出概率；
(6.6)，重复上述步骤(6.1)-步骤(6.5)，得到多个样本集的HMM模型参数。
10.根据权利要求3所述一种金属构件内部缺陷敲击检测识别***识别方法，其特征在于，所述步骤(7)具体为：
(7.1)，对输入的敲击声音信号和敲击振动信号重复上述步骤(3)-步骤(5)；
(7.2)，计算相对融合概率；
(7.3)，计算敲击声音信号分别延迟至少一个采样点后与缺陷状态的敲击声音参考信号的互相关系数向量，并计算其标准差，通过标准差的大小对当前敲击声音信号对应的缺陷状态进行反向决策。
CN202010862602.3A 2020-08-25 2020-08-25 一种金属构件内部缺陷敲击检测识别***及识别方法 Active CN111983020B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010862602.3A CN111983020B (zh) 2020-08-25 2020-08-25 一种金属构件内部缺陷敲击检测识别***及识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010862602.3A CN111983020B (zh) 2020-08-25 2020-08-25 一种金属构件内部缺陷敲击检测识别***及识别方法

Publications (2)

Publication Number Publication Date
CN111983020A true CN111983020A (zh) 2020-11-24
CN111983020B CN111983020B (zh) 2023-08-22

Family

ID=73444060

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010862602.3A Active CN111983020B (zh) 2020-08-25 2020-08-25 一种金属构件内部缺陷敲击检测识别***及识别方法

Country Status (1)

Country Link
CN (1) CN111983020B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113075296A (zh) * 2021-04-01 2021-07-06 湖南翰坤实业有限公司 基于声波检测和bim模型的外墙结构安全检测方法、装置
CN113109011A (zh) * 2021-03-29 2021-07-13 太仓众擎机械设备有限公司 一种钢结构架综合检测装置
CN113588782A (zh) * 2021-07-01 2021-11-02 广州珠江天然气发电有限公司 一种基于音频分析的无损探伤方法、装置及设备
CN114324580A (zh) * 2021-12-03 2022-04-12 西安交通大学 一种结构缺陷的智能敲击检测方法及***
CN114371222A (zh) * 2022-01-17 2022-04-19 华北理工大学 基于modwpt系数平方熵与rf的陶瓷制品结构缺陷声波检测方法
CN114429771A (zh) * 2022-04-02 2022-05-03 武汉地震工程研究院有限公司 钢梁与cfrp板粘结缺陷智能检测方法及***
CN115032272A (zh) * 2022-06-08 2022-09-09 广西大学 融合敲击力信号与声音信号的结构缺陷检测装置及方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10300730A (ja) * 1997-04-24 1998-11-13 Mitsubishi Electric Corp 打音判定装置
JP2000074889A (ja) * 1998-09-02 2000-03-14 Mitsubishi Electric Corp 打音判定装置
CN101701935A (zh) * 2009-11-24 2010-05-05 东北大学 耐火砖内部质量在线检测装置
CN106645435A (zh) * 2016-12-09 2017-05-10 北京工业大学 金属构件中夹杂缺陷检测方法
JP2017083330A (ja) * 2015-10-29 2017-05-18 古河機械金属株式会社 打音検査システム及び打音検査方法
CN106706119A (zh) * 2016-12-15 2017-05-24 北方工业大学 一种基于信号频域特征的振动源识别方法及***
CN108956770A (zh) * 2018-07-04 2018-12-07 北京林业大学 一种用于古建筑木构件内部缺陷初步筛查的智能锤及筛查方法
CN109387565A (zh) * 2018-10-12 2019-02-26 山东理工大学 一种通过分析声音信号检测刹车片内部缺陷的方法
CN110045015A (zh) * 2019-04-18 2019-07-23 河海大学 一种基于深度学习的混凝土结构内部缺陷检测方法
CN110038813A (zh) * 2019-04-01 2019-07-23 山东理工大学 一种基于声音的盘式刹车片内部缺陷检测设备
CN111289611A (zh) * 2020-01-19 2020-06-16 河南科技大学 一种复合材料缺陷类型检测方法及装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10300730A (ja) * 1997-04-24 1998-11-13 Mitsubishi Electric Corp 打音判定装置
JP2000074889A (ja) * 1998-09-02 2000-03-14 Mitsubishi Electric Corp 打音判定装置
CN101701935A (zh) * 2009-11-24 2010-05-05 东北大学 耐火砖内部质量在线检测装置
JP2017083330A (ja) * 2015-10-29 2017-05-18 古河機械金属株式会社 打音検査システム及び打音検査方法
CN106645435A (zh) * 2016-12-09 2017-05-10 北京工业大学 金属构件中夹杂缺陷检测方法
CN106706119A (zh) * 2016-12-15 2017-05-24 北方工业大学 一种基于信号频域特征的振动源识别方法及***
CN108956770A (zh) * 2018-07-04 2018-12-07 北京林业大学 一种用于古建筑木构件内部缺陷初步筛查的智能锤及筛查方法
CN109387565A (zh) * 2018-10-12 2019-02-26 山东理工大学 一种通过分析声音信号检测刹车片内部缺陷的方法
CN110038813A (zh) * 2019-04-01 2019-07-23 山东理工大学 一种基于声音的盘式刹车片内部缺陷检测设备
CN110045015A (zh) * 2019-04-18 2019-07-23 河海大学 一种基于深度学习的混凝土结构内部缺陷检测方法
CN111289611A (zh) * 2020-01-19 2020-06-16 河南科技大学 一种复合材料缺陷类型检测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
曾向阳 等, 西北工业大学出版社 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113109011A (zh) * 2021-03-29 2021-07-13 太仓众擎机械设备有限公司 一种钢结构架综合检测装置
CN113075296A (zh) * 2021-04-01 2021-07-06 湖南翰坤实业有限公司 基于声波检测和bim模型的外墙结构安全检测方法、装置
CN113588782A (zh) * 2021-07-01 2021-11-02 广州珠江天然气发电有限公司 一种基于音频分析的无损探伤方法、装置及设备
CN114324580A (zh) * 2021-12-03 2022-04-12 西安交通大学 一种结构缺陷的智能敲击检测方法及***
CN114371222A (zh) * 2022-01-17 2022-04-19 华北理工大学 基于modwpt系数平方熵与rf的陶瓷制品结构缺陷声波检测方法
CN114371222B (zh) * 2022-01-17 2023-11-03 上海电子信息职业技术学院 基于modwpt系数平方熵与rf的陶瓷制品结构缺陷声波检测方法
CN114429771A (zh) * 2022-04-02 2022-05-03 武汉地震工程研究院有限公司 钢梁与cfrp板粘结缺陷智能检测方法及***
CN115032272A (zh) * 2022-06-08 2022-09-09 广西大学 融合敲击力信号与声音信号的结构缺陷检测装置及方法
CN115032272B (zh) * 2022-06-08 2023-04-07 广西大学 融合敲击力信号与声音信号的结构缺陷检测装置及方法

Also Published As

Publication number Publication date
CN111983020B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN111983020A (zh) 一种金属构件内部缺陷敲击检测识别***及识别方法
CN109357749B (zh) 一种基于dnn算法的电力设备音频信号分析方法
CN103440869A (zh) 一种音频混响的抑制装置及其抑制方法
Wu et al. Robust endpoint detection algorithm based on the adaptive band-partitioning spectral entropy in adverse environments
CN103413547A (zh) 一种室内混响消除的方法
Falk et al. Temporal dynamics for blind measurement of room acoustical parameters
CN104658543A (zh) 一种室内混响消除的方法
EP0722164A1 (en) Method and apparatus for characterizing an input signal
CN109215674A (zh) 实时语音增强方法
KR102316671B1 (ko) Cnn을 이용한 음향 처리방법
CN112634882B (zh) 端到端实时语音端点检测神经网络模型、训练方法
Yamada et al. Performance estimation of speech recognition system under noise conditions using objective quality measures and artificial voice
CN103852525B (zh) 基于ar-hmm的声发射信号识别方法
KR101008022B1 (ko) 유성음 및 무성음 검출방법 및 장치
CN113096691A (zh) 检测方法、装置、设备和计算机存储介质
US20020010576A1 (en) A method and device for estimating the pitch of a speech signal using a binary signal
CN108871558B (zh) 一种基于大数据的电力电缆运行振动健康监测***
Wu et al. A pitch-based method for the estimation of short reverberation time
Zou et al. A robust speech detection algorithm in a microphone array teleconferencing system
CN104200815B (zh) 一种基于相关分析的音频噪声实时检测方法
CN114927141B (zh) 异常水声信号的检测方法及***
Soni et al. Effectiveness of ideal ratio mask for non-intrusive quality assessment of noise suppressed speech
CN112269158B (zh) 一种基于unet结构利用传声器阵列语音源定位方法
WO2022103290A1 (en) Method for automatic quality evaluation of speech signals using neural networks for selecting a channel in multimicrophone systems
CN114530161A (zh) 一种基于谱减与自适应子带对数能熵积的语音检测方法

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
GR01 Patent grant
GR01 Patent grant