CN112179987B - 一种长距离薄板结构微缺陷的无损检测方法 - Google Patents
一种长距离薄板结构微缺陷的无损检测方法 Download PDFInfo
- Publication number
- CN112179987B CN112179987B CN202010970444.3A CN202010970444A CN112179987B CN 112179987 B CN112179987 B CN 112179987B CN 202010970444 A CN202010970444 A CN 202010970444A CN 112179987 B CN112179987 B CN 112179987B
- Authority
- CN
- China
- Prior art keywords
- long
- data information
- thin plate
- micro
- defect data
- 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.)
- Active
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
- G01N29/043—Analysing solids in the interior, e.g. by 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
- G01N29/4472—Mathematical theories or simulation
-
- 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
- G01N29/4481—Neural networks
-
- 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
-
- 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
- G01N2291/0289—Internal structure, e.g. defects, grain size, texture
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Acoustics & Sound (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种长距离薄板结构微缺陷的无损检测方法,包括以下步骤:基于待测长距离薄板建立长距离薄板结构的力学模型;在力学模型内部随机生成多组不同的缺陷数据信息,计算各缺陷数据信息在动载荷作用下观测点位置处的动位移响应数据;预构建人工神经网络模型,采用缺陷数据信息和动位移响应数据训练人工神经网络模型,建立长距离薄板结构的微缺陷数据信息预测模型;获取实测动位移信号;将实测动位移信号输入微缺陷数据信息预测模型中,以获得待测长距离薄板的微缺陷数据信息预测值。本发明通过Lamb波发射信号可快速地、定量地检测出长距离薄板结构的微缺陷信息。
Description
技术领域
本发明涉及一种无损检测方法,尤其涉及一种长距离薄板结构微缺陷的无损检测方法,属于工程结构的健康监测技术领域。
背景技术
损伤识别是工程结构健康监测的重要组成部分,近年来已成为国内外的研究热点。根据检测对象和识别范围,结构损伤识别技术在宏观上可分为局部损伤识别和整体损伤识别。局部检测方法为传统的可视或局部试验方法,如钻孔取芯法、超声波方法、雷达法、红外成像法等,这些检测方法基本上都是需要预先知道结构损伤的大***置,其采样点有限,经常漏掉存在缺陷的区域,对结构内部的缺陷没有有效的检测手段,很难保证工程质量,留下工程隐患。近年来发展的基于人工智能算法和数值模型的全局损伤检测技术,需要布置大量的传感器,并基于数值方法迭代搜索损伤位置,计算代价昂贵,且损伤反演结果受智能算法影响较大,并易于陷入局部最优。
Lamb波作为一种适用于大型结构检测的检测工具,可以传播很长的距离,同时在整个板厚产生应力,作为板状结构中传播的超声导波,Lamb波在遇到板中的缺陷时,会发生散射、反射和透射现象。此时,接收到的信号幅值、频率成分以及模态会发生变化,信号中包含了结构的缺陷信息,通过对信号进行采集分析并提取出其中所包含的缺陷信息,就可以对缺陷的存在、大小、类型以及位置等进行判别。然而,Lamb波的反射信号的解释和分析异常困难。
因此,需要设计一种无需直接分析反射信号的适合于检测长距离薄板结构微缺陷的无损检测方法。
发明内容
本发明的目的在于克服现有技术中长距离薄板结构微缺陷检测困难的不足,提供一种长距离薄板结构微缺陷的无损检测方法,技术方案如下:
一种长距离薄板结构微缺陷的无损检测方法,包括以下步骤:
基于待测长距离薄板建立长距离薄板结构的力学模型;
在力学模型内部随机生成多组不同的缺陷数据信息,计算各缺陷数据信息在动载荷作用下观测点位置处的动位移响应数据;
预构建人工神经网络模型,采用缺陷数据信息和动位移响应数据训练人工神经网络模型,建立长距离薄板结构的微缺陷数据信息预测模型;
获取实测动位移信号;
将实测动位移信号输入微缺陷数据信息预测模型中,以获得待测长距离薄板的微缺陷数据信息预测值。
进一步地,还包括确定待测长距离薄板的几何尺寸、材料属性,Lamb波激发点和观测点在待测长距离薄板上的位置以及激发点处预施加的动荷载;
基于待测长距离薄板的几何尺寸和材料属性构建长距离薄板结构的力学模型;
通过Sobol序列拟随机数发生器在力学模型内随机生成多组不同的缺陷数据信息,在力学模型的激发点位置施加动荷载,计算各缺陷数据信息在动荷载作用下观测点位置处的动位移响应数据;
预构建人工神经网络模型,并将多组缺陷数据信息作为人工神经网络模型的输出变量,多组动位移响应数据作为人工神经网络模型的输入变量训练人工神经网络模型,建立长距离薄板结构的微缺陷数据信息预测模型;
通过试验在待测长距离薄板的激发点施加动荷载激发Lamb波,在观测点获取实测动位移信号;
将实测动位移信号输入微缺陷数据信息预测模型中,以获得待测长距离薄板的微缺陷数据信息预测值。
与现有技术相比,本发明所达到的有益效果:
本发明通过Lamb波发射信号可快速地、定量地检测出长距离薄板结构的微缺陷信息。本发明的无损检测方法通过现场测试并结合动力扩展有限元法数值模拟和人工神经网络模型的建立可以较为准确地预测长距离薄板结构中的微缺陷信息,本方法对结构本身无任何破坏作用,通过检测结果可诊断结构的整体安全性,进而提出有效的维修方案。
附图说明
图1为本发明的无损检测方法的流程示意图;
图2为待测长距离薄板几何尺寸示意图(带裂纹状微缺陷);
图3为长距离薄板结构的有限元模型示意图;
图4为待测长距离薄板Lamb波装置位置示意图;
图5为其中一组计算得到的观测点处的动位移响应数据示意图;
图6为实测的观测点处的动位移响应数据示意图;
图中,1-第一压电陶瓷应变片、2-第二压电陶瓷应变片、3-第一屏蔽电缆、4-第二屏蔽电缆、5-第三屏蔽电缆。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例1
如图1所示,一种长距离薄板结构微缺陷的无损检测方法,包括以下步骤:
一种长距离薄板结构微缺陷的无损检测方法,包括以下步骤:
步骤1:确定待测长距离薄板的几何尺寸、材料属性,Lamb波激发点和观测点在待测长距离薄板上的位置以及激发点处预施加的动荷载。如图2,本实施例中待测长距离薄板的几何尺寸为:长180mm,厚度2mm,弹性模量为E=200GPa,泊松比为v=0.3,密度为ρ=7850kg/m3,在待测长距离薄板结构上部某处有微裂纹状缺陷,但无法预知具体的裂纹状微缺陷的裂尖位置xc、开裂角α和裂纹深度d。
步骤2:基于待测长距离薄板的几何尺寸和材料属性构建长距离薄板结构的力学模型。如图3所示,具体地,构建长距离薄板结构的力学模型,包括以下步骤:
步骤2.1:根据待测长距离薄板的几何尺寸确定力学模型的几何尺寸以建立几何模型。
步骤2.2:对几何模型设定边界条件,本实施例薄板四周边界自由,对设定边界条件后的几何模型进行网格划分后离散化,获得离散化后的有限元数值模型;图3中,折断线表示薄板结构的长度方向网格一致。有限元数值模型的几何尺寸与实际待测长距离薄板结构的几何尺寸完全一致。本实施例中按照待测长距离薄板结构的几何尺寸建立长距离薄板结构的离散有限元数值模型,本实施例中暂不考虑薄板结构内部的缺陷边界。本实施例中通过数值方法建立的力学模型能够反映长距离薄板结构真实特性,即指数值模型能够真实模拟结构的特性。
步骤2.3:如图4,根据实验条件下待测长距离薄板上的Lamb波激发点D点(即信号发生器的作用位置)和观测点P点的位置以及激发点处预施加的动荷载确定对几何模型施加的外荷载条件(如公式(1),D点处的外荷载F(t)与步骤1中的脉冲荷载完全一致),构建长距离薄板的力学模型。
步骤3:通过Sobol序列拟随机数发生器在力学模型内随机生成多组不同的缺陷数据信息,在力学模型的激发点位置施加动荷载,计算各缺陷数据信息在动荷载作用下观测点位置处的动位移响应数据。缺陷数据信息的生成和观测点处的动位移响应数据的计算,包括以下步骤:
步骤3.1,基于Sobol序列,在力学模型内随机生成3000条的缺陷数据信息,缺陷数据信息为缺陷的位置、尺寸信息;本实施例中以表面裂纹为例,对应的每条微缺陷数据信息为微缺陷的裂尖位置xc、开裂角α和缺陷深度d;表1中列出了第1000条至第1023条微缺陷的裂尖位置xc、开裂角α和缺陷深度d的微缺陷数据。
表1为部分微缺陷数据
步骤3.2,根据力学模型,基于动力扩展有限元法计算每条缺陷数据信息所对应的观测点处的动位移响应数据。对于每条缺陷数据信息,根据步骤(2)建立的力学模型,基于动力扩展有限元法计算每条缺陷数据信息所对应的薄板结构观测点处的动位移响应数据。图5中示出了根据表1中第1007组缺陷信息计算出来的观测点位移示意图。
步骤4:预构建人工神经网络模型,并将多组缺陷数据信息作为人工神经网络模型的输出变量,计算得到的观测点处的多组动位移响应数据作为人工神经网络模型的输入变量训练人工神经网络模型,建立长距离薄板结构的微缺陷数据信息预测模型。
微缺陷数据信息预测模型的建立包括以下步骤:
步骤4.1,预构建人工神经网络模型,以多组缺陷数据信息作为输出变量、计算得到的观测点处的多组动位移响应数据作为输入变量;
步骤4.2,将多组缺陷数据信息和多组动位移响应数据划分训练集和测试集,训练集占总数据的90%,测试集占10%;
步骤4.3,采用训练集训练预构建的人工神经网络模型,获得长距离薄板结构的微缺陷数据信息预测模型。
步骤5:通过试验在待测长距离薄板的激发点施加动荷载激发Lamb波,在观测点获取实测动位移信号。
具体地,步骤5中实测动位移信号的获取步骤如下:
步骤5.1,如图4,确定激发Lamb波信号的激发点D点和信号观测点P点在薄板结构表面上的位置,本实施例中激发点和观测点位于待测长距离薄板表面;还包括采用砂纸打磨薄板上的Lamb波激发点和实测动位移信号观测点所在周围区域位置。图4中,折断线表示薄板结构的长度方向形状、结构一致。
步骤5.2,如图4,在激发点和观测点处分别设置第一压电陶瓷应变片1和第二压电陶瓷应变片2;用应变片专用胶将2个压电陶瓷应变片分别贴在Lamb波激发点D点以及信号观测点P点处。
步骤5.3,贴完应变片后,等待2小时,待胶完全凝固后,在第一压电陶瓷应变片1和第二压电陶瓷应变片2表面分别焊接第一屏蔽电缆3和第三屏蔽电缆5,第一屏蔽电缆3连接信号发生器和数字示波器,第三屏蔽电缆5连接数字示波器,信号发生器与数字示波器之间通过第二屏蔽电缆4连接;
步骤5.4,进行现场试验,在待测长距离薄板上通过调节信号发生器的输入电压信号以产生在待测长距离薄板的激发点施加如公式(1)所示的均匀分布的对称脉冲荷载F(t)作为动载荷激发Lamb波,通过贴在信号观测点处的第二压电陶瓷应变片2获取信号观测点接收到的实测动位移信号,如图6所示。
本实施例中,步骤1和步骤3中所施加的动荷载为均匀分布的对称脉冲荷载F(t),施加的脉冲荷载F(t)的时程如公式(1):
式中,F(t)为对称脉冲荷载,单位为(GPa),π为圆周率;t为时间,单位为μs。
步骤6:将图6所示的观测点的实测动位移信号输入微缺陷数据信息预测模型中,以获得待测长距离薄板的微缺陷数据信息预测值。待测长距离薄板的微缺陷数据信息预测值的获取包括以下步骤:
步骤6.1,将实测动位移信号多次重复输入到微缺陷信息预测模型中,记录每次预测得到的微缺陷数据信息输出值;即反复将现场实测的观测点动位移信号输入到长距离薄板结构的微缺陷信息预测模型,记录2000次预测得到的微缺陷数据信息输出值。
步骤6.2,将多个微缺陷数据信息输出值通过正态分布进行拟合获得期望值;将每次预测的微缺陷数据信息通过正态分布进行拟合;
步骤6.3,期望值即为微缺陷数据信息预测值,本实施例微缺陷的裂尖位置xc期望值为90.16mm、开裂角α期望值为9.92°和缺陷深度d期望值为1.02mm,预测结果表明待测薄板结构裂纹信息为裂尖位置xc=90.16mm,开裂角α=9.92°,缺陷深度d=1.02mm。
本发明的无损检测方法可应用于土木、水利、航空、机械等领域的检测上。本发明通过Lamb波发射信号可快速地、定量地检测出长距离薄板结构的微缺陷信息。本发明的无损检测方法通过现场测试并结合动力扩展有限元法数值模拟和人工神经网络模型的建立可以较为准确地预测长距离薄板结构中的微缺陷信息,本方法对结构本身无任何破坏作用,通过检测结果可诊断结构的整体安全性,进而提出有效的维修方案。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种长距离薄板结构微缺陷的无损检测方法,其特征在于,包括以下步骤:
基于待测长距离薄板建立长距离薄板结构的力学模型;
在所述力学模型内部随机生成多组不同的缺陷数据信息,计算各所述缺陷数据信息在动荷载作用下观测点位置处的动位移响应数据,包括以下步骤:
基于Sobol序列,在所述力学模型内随机生成3000条以上的缺陷数据信息,所述缺陷数据信息为缺陷的位置、尺寸信息;
根据所述力学模型,基于动力扩展有限元法计算每条所述缺陷数据信息所对应的观测点处的动位移响应数据;
所述动荷载为均匀分布的对称脉冲荷载F(t),施加的脉冲荷载F(t)的时程如公式(1):
式中,F(t)为对称脉冲荷载,单位为GPa,π为圆周率;t为时间,单位为μs;
预构建人工神经网络模型,采用所述缺陷数据信息和所述动位移响应数据训练所述人工神经网络模型,建立长距离薄板结构的微缺陷数据信息预测模型;
获取实测动位移信号;
将所述实测动位移信号输入所述微缺陷数据信息预测模型中,以获得所述待测长距离薄板的微缺陷数据信息预测值;
所述微缺陷数据信息预测模型的建立包括以下步骤:
预构建人工神经网络模型,以多组所述缺陷数据信息作为输出变量、计算得到的所述观测点处的多组所述动位移响应数据作为输入变量;
将多组所述缺陷数据信息和多组所述动位移响应数据划分训练集和测试集,训练集占总数据的90%,测试集占10%;
采用所述训练集训练预构建的所述人工神经网络模型,获得长距离薄板结构的微缺陷数据信息预测模型。
2.根据权利要求1所述的一种长距离薄板结构微缺陷的无损检测方法,其特征在于,所述实测动位移信号的获取步骤如下:
激发点和所述观测点位于待测长距离薄板表面;
在所述激发点和所述观测点处分别设置第一压电陶瓷应变片和第二压电陶瓷应变片;
在所述第一压电陶瓷应变片和第二压电陶瓷应变片的表面分别焊接第一屏蔽电缆和第三屏蔽电缆,所述第一屏蔽电缆连接信号发生器,所述第三屏蔽电缆连接数字示波器,信号发生器与数字示波器之间通过第二屏蔽电缆连接;
通过调节所述信号发生器的输入电压在所述待测长距离薄板的激发点施加所述动荷载激发Lamb波,通过所述第二压电陶瓷应变片获取所述观测点的实测动位移信号。
3.根据权利要求2所述的一种长距离薄板结构微缺陷的无损检测方法,其特征在于,还包括采用砂纸打磨薄板上的所述激发点和所述观测点所在位置。
4.根据权利要求1所述的一种长距离薄板结构微缺陷的无损检测方法,其特征在于,构建长距离薄板结构的力学模型,包括以下步骤:
根据所述待测长距离薄板的几何尺寸、材料属性确定所述力学模型的几何尺寸以建立几何模型,对所述几何模型设定边界条件;
对设定边界条件后的所述几何模型进行网格划分后离散化,获得离散化后的有限元数值模型;
根据待测长距离薄板上的Lamb波激发点的位置以及激发点处预施加的动荷载确定对所述几何模型施加的外荷载条件,构建长距离薄板的力学模型。
5.根据权利要求1所述的一种长距离薄板结构微缺陷的无损检测方法,其特征在于,所述待测长距离薄板的微缺陷数据信息预测值的获取包括以下步骤:
将所述实测动位移信号多次重复输入到所述微缺陷数据信息预测模型中,记录每次预测得到的所述微缺陷数据信息输出值;
将多个所述微缺陷数据信息输出值通过正态分布进行拟合获得期望值;
所述期望值即为所述微缺陷数据信息预测值。
6.根据权利要求5所述的一种长距离薄板结构微缺陷的无损检测方法,其特征在于,记录每次预测得到的所述微缺陷数据信息输出值不少于2000次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010970444.3A CN112179987B (zh) | 2020-09-15 | 2020-09-15 | 一种长距离薄板结构微缺陷的无损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010970444.3A CN112179987B (zh) | 2020-09-15 | 2020-09-15 | 一种长距离薄板结构微缺陷的无损检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112179987A CN112179987A (zh) | 2021-01-05 |
CN112179987B true CN112179987B (zh) | 2022-07-15 |
Family
ID=73921198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010970444.3A Active CN112179987B (zh) | 2020-09-15 | 2020-09-15 | 一种长距离薄板结构微缺陷的无损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112179987B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103597346A (zh) * | 2011-04-21 | 2014-02-19 | 欧洲航空防务与空间公司Eads法国 | 使用合成信号的真实条件下无损检测操作的模拟方法 |
CN106596737A (zh) * | 2016-11-29 | 2017-04-26 | 大连理工大学 | 一种基于Lamb波波结构的多模态信号分离方法 |
-
2020
- 2020-09-15 CN CN202010970444.3A patent/CN112179987B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103597346A (zh) * | 2011-04-21 | 2014-02-19 | 欧洲航空防务与空间公司Eads法国 | 使用合成信号的真实条件下无损检测操作的模拟方法 |
CN106596737A (zh) * | 2016-11-29 | 2017-04-26 | 大连理工大学 | 一种基于Lamb波波结构的多模态信号分离方法 |
Non-Patent Citations (1)
Title |
---|
"基于超声波检测的BP 神经网络缺陷识别方法设计;刘松等;《压力容器》;20190831;第36卷(第8期);1.2节,2节,第66页左栏,表3,图2-4 * |
Also Published As
Publication number | Publication date |
---|---|
CN112179987A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kromine et al. | Laser ultrasonic detection of surface breaking discontinuities: scanning laser source technique | |
Kumar et al. | Recent trends in industrial and other engineering applications of non destructive testing: a review | |
Kaphle | Analysis of acoustic emission data for accurate damage assessment for structural health monitoring applications | |
CN104142195A (zh) | 基于超声波法的钢结构构件内部初始应力检测装置和方法 | |
CN108169330A (zh) | 基于非线性超声谐波法的混凝土构件轴向应力无损检测的装置和方法 | |
Bond et al. | Improved assessment of mass concrete dams using acoustic travel time tomography. Part I—theory | |
CN112557499B (zh) | 一种基于超声波的节理对应力波透反射规律影响的实验方法 | |
Im et al. | Non-destructive testing methods to identify voids in external post-tensioned tendons | |
Wang et al. | Use of numerical methods for identifying the number of wire breaks in prestressed concrete cylinder pipe by piezoelectric sensing technology | |
Cheng et al. | Ultrasonic inspection of the surface crack for the main shaft of a wind turbine from the end face | |
Haapalainen et al. | Probability of detection simulations for ultrasonic pulse-echo testing | |
Chakrapani et al. | Ultrasonic Rayleigh wave inspection of waviness in wind turbine blades: Experimental and finite element method | |
CN106645399A (zh) | 一种复合材料损伤检测评估方法和*** | |
CN112179987B (zh) | 一种长距离薄板结构微缺陷的无损检测方法 | |
Che et al. | An elastic-wave-based full-wavefield imaging method for investigating defects in a high-speed railway under-track structure | |
CN112098519B (zh) | 一种风力发电机组齿轮裂纹的检测方法 | |
Zohora | Evaluation of material crack using acoustic emission technique | |
Saitoh et al. | Automatic detection of concrete surface defects using deep learning and laser ultrasonic visualization testing | |
CN105572329A (zh) | 混凝土裂纹标距自适应监测方法 | |
Kosaka et al. | Monitoring system for pipe wall thinning management using electromagnetic acoustic transducer | |
Chakrapani et al. | Investigation of waviness in wind turbine blades: Structural health monitoring | |
JPH11281630A (ja) | 核燃料棒の超音波検査のための方法及び装置 | |
Ahmad et al. | A review of ultrasonic application on non-destructive testing method for concrete structure | |
Liu et al. | Monitoring of local plasticity using Lamb waves | |
Fromme | Structural health monitoring of stiffened plates using guided ultrasonic waves |
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 |