CN113376250A - 基于功率谱密度和lamb波层析成像的复合材料损伤识别方法 - Google Patents
基于功率谱密度和lamb波层析成像的复合材料损伤识别方法 Download PDFInfo
- Publication number
- CN113376250A CN113376250A CN202110653081.5A CN202110653081A CN113376250A CN 113376250 A CN113376250 A CN 113376250A CN 202110653081 A CN202110653081 A CN 202110653081A CN 113376250 A CN113376250 A CN 113376250A
- Authority
- CN
- China
- Prior art keywords
- damage
- power spectral
- spectral density
- signal
- composite material
- 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
- 230000006378 damage Effects 0.000 title claims abstract description 121
- 230000003595 spectral effect Effects 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000002131 composite material Substances 0.000 title claims abstract description 40
- 235000019687 Lamb Nutrition 0.000 title claims abstract description 31
- 238000003325 tomography Methods 0.000 title claims abstract description 13
- 238000003384 imaging method Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 10
- 230000004044 response Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 230000001066 destructive effect Effects 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 6
- 229920000049 Carbon (fiber) Polymers 0.000 claims description 5
- 239000004917 carbon fiber Substances 0.000 claims description 5
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 abstract description 11
- 230000007547 defect Effects 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000003491 array Methods 0.000 abstract 1
- 230000003902 lesion Effects 0.000 description 31
- 238000005516 engineering process Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000006735 deficit Effects 0.000 description 5
- 230000004807 localization Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 208000027418 Wounds and injury Diseases 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000005284 excitation Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 208000014674 injury Diseases 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000007769 metal material Substances 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
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
- G01N29/041—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
- G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Signal Processing (AREA)
- Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Acoustics & Sound (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明提出了基于功率谱密度和lamb波层析成像的复合材料损伤识别方法。首先,仿真分析了兰姆波在复合材料中的传播特性。将圆形传感器阵列均匀地布置在复合材料上,每个传感器依次顺时针作为执行器产生兰姆波,其他传感器负责采集信号,将有效信号添加强噪声模拟强噪声环境下采集的信号。最后,利用功率谱密度表征损伤信息确定损伤因子,采用概率成像算法实现损伤位置成像。本发明能够克服传统方法对信号预处理的过程,直接将原始信号进行损伤成像。同时也避免了复杂反射信号特征的提取过程,在强噪声环境下复合材料损伤定位和识别中具有很大的潜力。
Description
技术领域
本公开涉及复合材料损伤信息分析技术领域,特别是涉及强噪声环境下基于功率谱密度和lamb波层析成像技术的复合材料损伤识别。
背景技术
碳纤维增强复合材料(Carbon Fiber Reinforced Plastic,CFRP)因其高强度、高刚度、低密度、耐腐蚀、抗疲劳、可设计性强的许多优良特点而能显著提高飞机、航天器等的性能。是国防军工、航空航天等尖端科技领域不可或缺的一种性能优异、应用广泛的战略性新材料。
虽然CFRP代替金属材料具有某些机械性能和化学性能的优势,但是CFRP也存在不足:一方面,复合材料损伤机理和模式与金属材料区别甚大;另一方面,复合材料在服役过程中不可避免地会产生内部损伤,例如,碳纤维复合材料受到低速冲击产生内部损伤。内部损伤虽然目视不可见,但其降低结构强度;若不能及时发现,恶劣的环境将导致结构迅速破坏,引发灾难性后果。因此,迫切需要研究一种损伤定位方法,以保证CFRP结构的安全。
在新型传感器技术发展下,出现了基于Lamb波技术的复合材料结构健康监测方法。其因传播距离远、成本低、对各种缺陷具有良好的敏感性等优点已成为人们关注的焦点。为实现复合材料的损伤位置判定,学者研究了几何定位法、飞行时间法、模式识别等方法。对于几何定位法和飞行时间法需要借助波速才能开展位置判定,左浩提出了一种改进的多重分类的方法实现复合材料的损伤定位。
Liping Huang提出了一种利用多径反射兰姆波进行结构预测的无基线损伤检测方法。对概率成像方法进行了改进,通过在复合材料板上模拟损伤的实验,验证了提出方法的有效性。 A.Nokhbatolfoghahai提出了一种实现复合材料板损伤定位的延迟和稀疏重建混合方法,并在复合材料实验中取得较好效果。A.Nokhbatolfoghahai提出了一种实现复合材料板损伤定位的延迟和稀疏重建混合方法,并在复合材料实验中取得较好效果。然而由于Lamb波的频散特性,其传播速度是频率和材料厚度的函数,导致波速不是常数,很难直接根据信号的特征和指标来发现识别规则。为了克服波速对损伤定位不准确的问题,学者研究了基于Lamb波和模式识别方法相结合的碳纤维复合材料损伤定位技术,A.Mardanshahi提出了一种用于复合材料基体裂纹自动检测和分类的智能模型。采用支持向量机、线性矢量量化神经网络和多层感知器神经网络进行分类。结果表明,支持向量机的分类准确率最高。Shengyuan Zhang采用一维卷积神经网络训练模型实现结构的损伤识别,并取得了良好的效果。但是该方法需要大量的样本数据,这是制约其快速发展的一个重要因素。
基于Lamb波检测技术的目的是建立信号特征与损伤关系,并依据得到的信号,推断出与损伤有关的信息。然而,检测通常是在强噪声环境中进行的,信号在传感器接收以及传播路径容易受到外界噪声的干扰,例如随机噪声(如数据采集***噪声、外部环境干扰)和结构振动(如飞机机翼、高速铁路)造成的强噪声干扰。因此获取的信号较复杂,其含有大量的干扰噪声信号。损伤信号和非损伤下信号间的差别易被淹没,无法实现损伤评估。O.I.Traore研究了奇异谱分析对离散声发射信号进行表征和去噪的能力。结果表明,即使在低信噪比的情况下,SSA仍能很好地识别出被破坏的信号和检测结构的变化。Boudraa AO提出了基于经验模态分解的消噪方法,涉及对每个模态固有函数进行滤波或阈值化,以及使用处理后的模态固有函数重建估计信号。该方法的不足是各个模态之间产生混叠消噪效果不明显。ChristopherBeale提出了一个自适应小波包去噪算法,适用于许多SHM技术,包括声学、振动和声发射。该算法融合了噪声估计、阈值选择和阈值应用的非传统方法,以增强实时结构健康监测测量的去噪性能。XinDong针对非线性、非平稳机械振动信号的滤波问题,提出了一种将谱图小波变换与去趋势波动分析相结合的非迭代去噪方法。
除此之外还有分形去噪方法以及神经网络去噪方法等。GaoFan提出了一种基于特殊残差卷积神经网络(ResNet)的振动信号去噪方法。所开发的ResNet从振动信号中提取高层特征,并自动学习结构的模态信息,从而很好地保留了振动信号中最重要的振动特征,有助于结构模态识别中的物理模态和伪模态的识别。当强噪声存在时,有无损伤状态下信号之间的微弱差异极易被淹没,进而无法实现损伤评估。理想的损伤识别算法应该仅对损伤敏感,而不受噪声影响。CFRP板的损伤评估由实验室研究转向实际应用必须解决强噪声背景下损伤特征提取问题。因此在强噪声环境下,如何快速、准确地实现损伤特征的提取是CFRP损伤定位检测函待解决的问题。
发明内容
本说明书实施方式的目的是提供强噪声环境下基于功率谱密度和lamb波层析成像技术的复合材料损伤识别方法,其通过功率谱密度表征计算强噪声环境下损伤前后信号的差异进行损伤识别。该方法无需对传感器采集的信号进行预处理,避免了复杂的信号处理过程,直接将信号用于损伤成像定位。
本说明书实施方式强噪声环境下基于功率谱密度和lamb波层析成像技术的复合材料损伤识别方法,通过以下技术方案实现:
包括:
在碳纤维复合材料板均匀布置圆形传感器阵列;
圆形传感器阵列中每个传感器依次作为激励器产生Lamb波,其他传感器分别采集有、无损伤下的响应信号;
采用功率谱密度表征计算强噪声环境下有、无损伤的信号差异确定损伤因子,并通过概率成像算法实现损伤的定位成像。
进一步的技术方案,所述复合材料板无损时结构的响应信号作为参考信号,再采集含损伤状态的信号;
损伤定位过程分为信号比较和图像重建两部分。
比较信号时,计算参考信号和损伤信号的功率谱密度,根据损伤前后的功率谱密度确定损伤因子(DFP)。计算定义如下:
Pu与Pd分别为无损伤或无损伤兰姆波响应信号得到的最大功率谱密度。
根据每个传感器路径对应的DFP值,重构相邻区域的损伤概率分布。为了更加准确定位损伤,将概率分布图对应的所有感知路径进行叠加,得到N条感知路径检测区域内任意点(x, y)的损伤概率分布:
Sij(x,y)被称为空间分布函数。最后利用求得的损伤因子,采用概率成像算法实现损伤位置的成像。
功率谱密度可以用来反映信号能量所具有随频率的变化而变化的特性。下面是功率谱密度的计算过程。
如果假设信号是x(t),那么它的傅里叶变换就是X(ejω)。根据Pa-Sewall定理,对信号能量的计算可以用式(3)表示。
功率谱密度表示如下:
本说明书实施方式提供基于功率谱密度和Lamb波层析成像技术的复合材料损伤成像***,通过以下技术方案实现:
包括:
任意函数发生器、线性宽带功率放大器、多通道示波器及计算机;
任意函数发生器经线性宽带功率放大器加载在传感器上发出Lamb波信号,其他传感器采用多通道示波器采集响应信号,顺时针依次激励传感器,其他传感器接收;
多通道示波器先采集无损伤下的响应信号,再采集有损伤下的响应信号,并将采集的信号传输至计算机处理;
所述计算机被配置为:
计算损伤前后的信号的功率谱密度,得到损伤前后信号的功率谱密度图,得到最大功率谱密度值,再计算损伤因子,并进行损伤成像。
与现有技术相比,本公开的有益效果是:
本公开能够克服传统损伤定位方法基于Lamb波波速无法可靠实现复合材料损伤位置判定、模式识别方法需要大量训练样本的问题。
本公开可以解决强噪环境下的损伤定位为题,无需多余的信号预处理过程,直接将强噪声环境下获得的信号进行计算功率谱密度得到损伤因子进而成像,实现单损伤和多损伤的定位成像。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为传感器及单个损伤位置示意图。
图2为复合材料损伤定位与成像识别流程图。
图3(a)、3(b)为损伤前后信号比较。
图4(a)、4(b)为仿真无损伤强噪声环境下S1-S7结构感测通道损伤功率谱密度。
图5(a)、5(b)为仿真单损伤强噪声环境下S1-S7结构感测通道损伤功率谱密度。
图6(a)、6(b)为仿真无损时S5-S9传感通道在强噪声环境下结构无损伤功率谱密度。
图7(a)、7(b)为仿真单损伤时强噪声环境下S5-S9感测通道损伤结构的功率谱密度。
图8为强噪声环境下的单损伤成像。
图9为多损伤仿真传感器及损伤位置示意图。
图10(a)、10(b)为多损伤仿真前后信号对比。
图11(a)、11(b)为多损伤仿真强噪声环境下结构无损伤的S1-S7感测通道功率谱密度。
图12(a)、12(b)为多损伤仿真强噪声环境下S1-S7结构感测通道损伤的功率谱密度。
图13(a)、13(b)为多损伤仿真强噪声环境下S5-S9结构无损伤感测通道功率谱密度。
图14(a)、14(b)为多损伤仿真强噪声环境下S5-S9传感通道损伤的功率谱密度。
图15为仿真强噪声环境下的多损伤成像。
图16为传感器通道S1-S2的原始信号和去噪信号。
图17(a)、17(b)为单个损伤情况下不同传感通道的响应信号。
图18(a)、18(b)为强噪声环境下结构无损伤的S1-S7感测通道功率谱密度。
图19(a)、19(b)为强噪声环境下S1-S7结构感测通道损伤功率谱密度。
图20(a)、20(b)为强噪声环境下S5-S9结构无损伤感测通道功率谱密度。
图21(a)、21(b)为强噪声环境下S5-S9感测通道损伤结构的功率谱密度。
图22为强噪声环境下单损伤成像结果。
图23(a)、23(b)为多种损伤情况下不同传感通道的响应信号。
图24(a)、24(b)为强噪声环境下结构无损伤的S1-S7感测通道功率谱密度。
图25(a)、25(b)为强噪声环境下S1-S7结构感测通道多损伤功率谱密度。
图26(a)、26(b)为强噪声环境下S5-S9结构无损伤感测通道功率谱密度。
图27(a)、27(b)为强噪声环境下S5-S9感应结构通道多损伤的功率谱密度。
图28为强噪声环境下多损伤成像结果。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例子一
仿真-单损伤
(1)首先按照图1所示的示意图布设传感器并进行建立有限元仿真模型,由12个传感器环绕中心点形成直径为30cm的圆形阵列;
(2)损伤是采用通孔来实现的其直径为20毫米,其坐标位置为(300,375)。
(3)对于兰姆波信号,首先在S1传感器中被激励,其他传感器采集结构响应信号。再顺时针选择单个传感器激励产生兰姆波信号,其他传感器采集响应信号。直至最后的S12传感器激励。其中激励信号中心频率为50kHz。
先采集复合材料无损时结构的响应信号作为参考信号xij(t),再采集含损伤状态的信号yij(t),此处的信号就是其中一个激励,其余传感器采集的信号。
整个流程参见附图2所示。
计算参考信号和损伤信号的功率谱密度,根据损伤前后的功率谱密度确定损伤因子(DFP)。计算定义如下:
Pu与Pd分别为无损伤或无损伤兰姆波响应信号得到的最大功率谱密度。
根据每个传感器路径对应的DFP值,重构相邻区域的损伤概率分布。为了更加准确定位损伤,将概率分布图对应的所有感知路径进行叠加,得到N条感知路径检测区域内任意点(x, y)的损伤概率分布:
Sij(x,y)被称为空间分布函数。最后利用求得的损伤因子,采用概率成像算法实现损伤位置的成像。
功率谱密度可以用来反映信号能量所具有随频率的变化而变化的特性。下面是功率谱密度的计算过程。
如果假设信号是x(t),那么它的傅里叶变换就是X(ejω)。根据Pa-Sewall定理,对信号能量的计算可以用式(3)表示。
功率谱密度表示如下:
(4)图3(a)和图3(b)表达的是当传感器S1和S5分别产生激励信号时,传感器S7 和传感器S9接收的损伤前后的信号。当损伤位于点(300,375)时,可以在图4中得知,损伤位于传感器通道S1-S7中,所以直达波信号遇到损伤时被散射导致传感器S7接收的直达波信号变弱。由于传感通道S5-S9没有损伤,因此传感器S9采集的直达波信号几乎相同。损伤会导致信号的散射,传感器接收信号的幅度变小,这种变化可以通过功率谱密度来表征。
(5)由于难以获得强噪声下的信号,为此强噪声环境下的研究是在无噪声环境的基础上开展的。是在无噪声环境下的有效信号中加载噪声(3db),来模拟强噪声环境下采集的信号。
图4(a)中的(a)是图3(a)中无损伤的信号,在这个信号中加载强噪声(3db)便是图4(a)中的(b)。对图4(a)的信号计算功率谱密度,如图4(b)所示。在图4(b) 中可知,噪声环境下时高频部分的功率谱密度相对增加。但是无噪声和强噪声环境下信号的功率谱密度最大值基本上一致。无噪声时信号的最大功率谱密度为-173.90dB/Hz,强噪声时信号的最大功率谱密度为-173.30dB/Hz,两者相差非常小。也就是说功率谱密度可以获得强噪声环境下的有效值,有效的避开噪声的影响,这为强噪声环境下的损伤因子计算提供了可能。对图4(a)中损伤的信号,在这个信号中加载强噪声(3db)便是图5(a)中的(b)。对图5(a)的信号计算功率谱密度,如图5(b)所示。可知有噪声和没有强噪声时信号的最大功率谱密度基本上一样
(6)同理,对图3(b)中的信号加载强噪声,并计算信号的功率谱密度,无损伤时和损伤时分别如图6和图7所示。从图中可以得到有噪声和没有强噪声时信号的最大功率谱密度基本上一样。
(7)根据公式(1)计算损伤因子,并依据公式(2)进行损伤成像,仿真单损伤如图8所示。在图中可以看出到损伤定位坐标为(300.60,377.00)。并根据下式计算径向误差,误差为2.09毫米。
其中(xr,yr)是成像位置坐标;(xp,yp)为实际损伤坐标。
仿真-多损伤
(1)多损伤成像,是在单损伤的基础上在坐标(300,245)处增加一个损伤,传感器排布及损伤位置如图9所示。
(2)同理提取了传感通道S1-S7和传感通道S5-S9损伤前后的信号,如图10(a)和图10(b)所示。结合图9,可以看出两个损伤分别位于这两个传感通道上,所以信号出现了明显的差异。
(3)将图10中的信号加载强噪声(3dB),模拟噪声环境下获得的信号。并对其计算功率谱密度,计算结果分别如图11、图12、图13和图14所示。从图11、图12、图13和图 14可以看出,该方法能够有效地获得强噪声环境下信号的功率谱密度。它与无噪声信号的功率谱密度一致。计算了各感测通道的功率谱密度,得到了损伤因子。根据式(2),得到如图 15所示的损伤成像定位图。
(4)在图15中可以得到两个损伤的定位结果为(300.40,376.10)和(299.20,236.00)。根据径向误差公式(5)计算得到两个损伤的定位误差分别为1.17毫米和9.04毫米。
实施例子二
实验验证:
(1)为了进一步验证所提出算法的可行性,开展了实验研究工作。选定一个尺寸为600mm ×600mm×2mm,铺层顺序为[0°/90°]8的复合材料结构。在其表面围绕中心点均匀布置一个包含12个传感器,直径为30厘米的传感阵列,与仿真一致,如图1所示。
(2)实验***由任意函数发生器、线性宽带功率放大器、多通道示波器及计算机构成。函数发生器发送中心频率为50kHz的汉宁窗调制的激励信号。放大器将激励信号放大加载到传感器S1上。其它传感器通过示波器采集响应信号,采样频率为10MHz。另外,顺时针依次单个激励传感器。在此过程中,采集了无损伤和有损伤的响应信号。其中损伤是通过质量块来改变结构的局部应变场来模拟实验的。对于单个损伤,在坐标位置(315,375)粘贴30mm×10mm×40mm的质量块。对于多损伤,在单损伤的基础上在坐标(295,220)处粘贴一个20mm、高度为20mm的圆柱形块体。。
(3)在采集信号过程中,兰姆波不可避免地受到噪声的干扰。为了得到有效信号,选择了小波方法对信号噪声进行滤波。采用了DB4小波和4尺度分解的方法。传感器s1和S2分别负责激发和接收原始信号和去噪后信号,如图16所示。
(4)图17(a)和18(b)分别表达了传感通道S1-S7和传感通道S5-S9损伤前后结构的响应信号。可以看出传感通道S1-S7损伤前后信号的差异比较大。而传感通道S5-S9差异比较小。这是因为损伤位于传感通道S1-S7上,导致直达波信号散射。
(5)由于在实验室难以获得较高噪声的信号,为此和仿真部分一样,也是在有效信号中添加强噪声(3dB),模拟噪声环境下采集的信号。为此将图17中的信号添加强噪声,并计算各个信号的功率谱密度。信号的功率谱密度分别如图18、图19、图20和图21所示。从图18- 图21中,可以看出含有强噪声和无噪声信号的功率谱密度基本上一致。说明功率谱密度可以提取强噪声环境下信号的有效值。这为强噪声环境下损伤因子的计算奠定了基础。得到各个传感通道信号的功率谱密度,计算损伤因子。并基于lamb波层析成像技术,根据式(2),实现复合材料结构的单损伤定位,其结果如图22所示。
(6)在图22中,损伤的具***置是(319.30,376.60)。根据公式(5),定位误差为4.59 mm。
(7)同样,多损伤成像实验的信号处理单损伤相似,在这里不再赘述。图23展示了损伤前后传感器接收到的响应信号。
(8)噪声环境下的多损伤定位也是对无噪声环境下的信号加载强噪声。模拟强噪声环境下采集的信号。对图23中的信号加载强噪声,并计算信号的功率谱密度,如图24-图27所示。
(9)从图24-图27中可知,含有强噪声信号的功率谱密度与无噪声时相比没有多大的变化。进一步计算损伤因子,并根据公式(2)成像,得到如图28所示的损伤定位结果。
(10)在图28中,两个损伤的精确坐标为(300.00,214.60)和(320.00,375.00)。径向定位误差分别为7.36mm和5.00mm。
可以理解的是,在本说明书的描述中,参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例~第N实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料的特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
Claims (5)
1.基于功率谱密度和lamb波层析成像的复合材料损伤识别方法,其特征是,包括:
在选定的碳纤维复合材料板均匀布置圆形传感器阵列;
圆形传感器阵列中每个传感器依次作为激励器产生Lamb波,其他传感器分别采集有、无损伤下的响应信号;
采用功率谱密度表征计算有、无损伤的信号特征,并计算损伤因子,并通过概率成像算法实现损伤的定位成像。
3.如权利要求2所述的基于功率谱密度和lamb波层析成像的复合材料损伤识别方法,其特征是,根据得到的损伤前后信号的功率谱密度,在功率谱密度中读取最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110653081.5A CN113376250A (zh) | 2021-06-11 | 2021-06-11 | 基于功率谱密度和lamb波层析成像的复合材料损伤识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110653081.5A CN113376250A (zh) | 2021-06-11 | 2021-06-11 | 基于功率谱密度和lamb波层析成像的复合材料损伤识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113376250A true CN113376250A (zh) | 2021-09-10 |
Family
ID=77573866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110653081.5A Pending CN113376250A (zh) | 2021-06-11 | 2021-06-11 | 基于功率谱密度和lamb波层析成像的复合材料损伤识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113376250A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060012556A (ko) * | 2005-12-26 | 2006-02-08 | 한국가스공사연구개발원 | 주파수 스펙트럼 밀도 분석에 의한 타공사 감시 방법 |
US7531780B1 (en) * | 2005-10-03 | 2009-05-12 | Lockheed Martin Corporation | Spectrum analyzer device on a chip |
CN110412130A (zh) * | 2019-08-14 | 2019-11-05 | 山东大学 | 基于能量谱和Lamb波层析成像技术的复合材料损伤成像方法 |
-
2021
- 2021-06-11 CN CN202110653081.5A patent/CN113376250A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7531780B1 (en) * | 2005-10-03 | 2009-05-12 | Lockheed Martin Corporation | Spectrum analyzer device on a chip |
KR20060012556A (ko) * | 2005-12-26 | 2006-02-08 | 한국가스공사연구개발원 | 주파수 스펙트럼 밀도 분석에 의한 타공사 감시 방법 |
CN110412130A (zh) * | 2019-08-14 | 2019-11-05 | 山东大学 | 基于能量谱和Lamb波层析成像技术的复合材料损伤成像方法 |
Non-Patent Citations (3)
Title |
---|
冯勇明等: "基于概率成像的复合材料结构健康监测***", 《电子测量与仪器学报》 * |
李晓雷等: "《机械振动基础》", 30 September 2005, 北京理工大学出版社 * |
胡勇等: "HHT在复合材料Lamb波检测中的应用", 《传感器与微***》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110389170B (zh) | 基于Lamb波成像的列车部件裂纹损伤检测方法和*** | |
Banerjee et al. | A wave propagation and vibration-based approach for damage identification in structural components | |
US8042397B2 (en) | Damage volume and depth estimation | |
Zheng et al. | Lamb waves and electro-mechanical impedance based damage detection using a mobile PZT transducer set | |
CN113358743B (zh) | 一种基于时频分布相似度分析的兰姆波模态分离方法 | |
Hua et al. | Modified minimum variance imaging of Lamb waves for damage localization in aluminum plates and composite laminates | |
CN114235962A (zh) | 一种面向各向异性结构的超声导波成像方法及*** | |
CN110057918B (zh) | 强噪声背景下的复合材料损伤定量识别方法及*** | |
Su et al. | Research on composites damage identification based on power spectral density and lamb wave tomography technology in strong noise environment | |
Lei et al. | Ultrasonic pig for submarine oil pipeline corrosion inspection | |
Hall et al. | Ultrasonic guided wave imaging for damage characterization | |
CN112285651A (zh) | 基于特征提取矩阵相似度识别复合材料冲击源位置的方法及*** | |
Wang et al. | Multifrequency identification and exploitation in Lamb wave inspection | |
CN114910562A (zh) | 基于Lamb波频谱的复合材料损伤定位与成像 | |
CN113376250A (zh) | 基于功率谱密度和lamb波层析成像的复合材料损伤识别方法 | |
CN114544765A (zh) | 一种基于深度学习的检测板状材料缺陷存在与位置的方法 | |
Esfandabadi et al. | Accelerated guided waves inspection using compressive sensing and local wavenumber domain analysis | |
Dugnani et al. | Damage detection of large composite structures | |
Zhang et al. | Impact identification using a passive imaging method | |
CN114460175B (zh) | 一种薄壁结构损伤检测方法 | |
Malatesta et al. | Damage identification via Laplacian filtering of full wavefield acquisitions | |
Zhai et al. | Novel Method to Improve the Imaging Accuracy of Defect based on Zero-Signal Filling for the Plate | |
Migot | Structural Health Monitoring and Non-Destructive Inspection of Composite and Metallic Structures | |
Dziendzikowski | Guided Waves Benchmark Dataset and Classifier Comparison | |
Bocharova et al. | Low frequency method for monitoring the state of structural heterogeneous objects |
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: 20210910 |
|
RJ01 | Rejection of invention patent application after publication |