CN109632960B - 一种振动测量装置及铝铸件无损测量方法 - Google Patents
一种振动测量装置及铝铸件无损测量方法 Download PDFInfo
- Publication number
- CN109632960B CN109632960B CN201910054825.4A CN201910054825A CN109632960B CN 109632960 B CN109632960 B CN 109632960B CN 201910054825 A CN201910054825 A CN 201910054825A CN 109632960 B CN109632960 B CN 109632960B
- Authority
- CN
- China
- Prior art keywords
- vibration
- solenoid
- measured
- neural network
- supports
- 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
- 238000005266 casting Methods 0.000 title claims abstract description 18
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 title claims abstract description 17
- 229910052782 aluminium Inorganic materials 0.000 title claims abstract description 17
- 238000000691 measurement method Methods 0.000 title claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 230000005284 excitation Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 13
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000001939 inductive effect Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 210000001599 sigmoid colon Anatomy 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 230000003213 activating effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000002950 deficient Effects 0.000 abstract 1
- 230000007547 defect Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011179 visual inspection Methods 0.000 description 3
- AZDRQVAHHNSJOQ-UHFFFAOYSA-N alumane Chemical group [AlH3] AZDRQVAHHNSJOQ-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 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
- G01N29/045—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
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
-
- 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
- G01N2291/0234—Metals, e.g. steel
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种振动测量装置和铝铸件无损测量方法，这种振动测量装置包括振动装置、用于拾取装置以及对数据处理装置，使用这种振动测量装置对待测物体加以振动激励，并采集对采集到的振动信号进行处理后对人工神经网络加以训练，使用人工神经网络对样品进行分析，检出不良品。本发明利用激光多普勒测振技术和人工神经网络技术可以实现对铝铸件，尤其是长壳铝铸件的自动化无损检测，大大提高检测效率和准确率，节约成本。
Description
技术领域
本发明涉及一种工业用元部件的测量装置及无损测量方法，更具体地说，涉及一种用于检测长壳铝铸件裂纹的振动测量撞击及无损测量方法。
背景技术
铸造铝件以其良好的重量和强度，被广泛应用于汽车工业等各种应用领域。然而，铝铸件在铸造过程中容易产生裂纹/缺陷，尤其是在汽车转向罩等安全关键部件中。零件内部的裂纹在反复的机械和热载荷作用下会扩展，导致零件失效，因此，在零件交付前检测生产线上的裂纹/缺陷是较好的方法。
通常，无损检测方法用于检测铸铝转向壳上的裂纹/缺陷，以保持检查后零件的未来用途。目前，该行业依靠视觉检查来确定铸件缺陷。目视检查涉及人类观察，以识别可见的裂缝。然而，这种方法可能是不可靠的，因为人类视觉检查的准确性下降，枯燥，无休止的日常工作。而且人的检查是缓慢的，昂贵的，主观的。因此，上述检测方法容易出现人为误差。
激光多普勒测振技术(Laser Doppler Vibrometry(LDV)technology)是一项用于检测物体机械振动特性的技术。对于元部件机械振动特性的测量可以分为两种方式：接触式和非接触式。传统的测量方法需要把加速度传感器附着于待测物体表面，利用其输出的信号实现“加速度–速度–位移”的相关测量，这种接触式的安装方式会破坏原有的振动状态，甚至在许多场合无法应用，因此限制了它的应用范围。而激光多普勒测振技术作为一种非接触式测量方法，集光机电为一体，不受环境噪声影响，具有精度高、动态响应快、测量范围大、抗电磁干扰、对横向振动干扰不敏感等优点，对检测振幅微小的振动也很有效，其特点满足了振动测量的需要。在存在裂痕和缺陷的铝铸件上，振动能量的传递必然不同，因此从理论上讲，可以通过利用该技术来检测铝铸件的机械振动特性用以检测其良品率。
发明内容
本发明的发明目的在于利用激光多普勒测振技术和人工神经网络实现对铝铸件，尤其是长壳铝铸件的自动化无损检测，以提高检测效率和准确率。
本发明的发明目的是通过如下的技术手段加以实现的：
首先针对性地设计了一种振动测量装置，这种振动测量装置包括振动装置、用于拾取待测物体振动数据的拾取装置以及对拾取装置拾取到的数据进行处理的数据处理装置，拾取装置为激光多普勒振动计，数据处理装置为计算机，振动装置包括两块左右对称设置的侧支撑、可调高度和位置的螺线管支架以及用于诱导待测量物体振动的螺线管线性致动器，其中侧支撑为板状结构，其上端开有用于放置待测量物体的置物开口，所述置物开口的内侧设置有滑块机构，所述螺线管支架位于置物开口的下方，穿过两个侧支撑设置，所述螺线管线性致动器安装在螺线管支架上。使用时，将待测量物体放置在置物开口内侧的滑块上，调整好线性螺线管线性致动器的位置，启动螺线管线性致动器，激发待测物品的振动，通过激光多普勒振动计拾取待测物体的振动信号并发送至计算机进行后续处理。
优选地，侧支撑为L形板状结构，置物开口位于侧支撑较高的一边的顶端，螺线管支架从侧支撑较低的一边的侧支撑的板壁上穿过。
优选地，置物开口为V形，滑块机构位于V形置物开口的两个内侧壁上。
优选地，螺线管支架有两根，平行于水平面设置。
除了上述的振动测量装置，为了实现发明目的，还要采用如下的无损测量方法：
i.将样品放置于上述振动测量装置的置物开口上，调节螺线管支架使螺线管线性致动器至合适的位置，启动螺线管线性致动器，对样品施以频率变化的激励信号，用激光多普勒振动计拾取振动信号；
ii.对上一步骤中激光多普勒振动计拾取到的振动信号进行处理，提取主峰频率信号，此时主峰频率信号表现为时域振动信号；
iii.对上一步骤中提取到的主峰频率信号进行傅里叶变换，使其从时域振动信号转换为频域信号，以这些频域信号为特征值；
iv.建立人工神经网络分类器，用步骤III中的到的特征值，分别对人工神经网络进行训练和验证，将样品分为训练组和验证组，采用线性回归的方法对训练组样品建立机械振动特性与其有无损伤之间的数学模型，并基于验证组对所得到的与其模型进行验证，比较有损样品的检出率，并根据实际生产中的需求，对模型进行优化；
v.应用优化完毕的人工神经网络分类器，在生产中进行检测。
在本发明中，上述步骤iii可以中作为特征值的主频率信号有5个，其中450Hz<F1<550Hz，8650Hz<F2<8750Hz，1250Hz<F3<1350Hz，3050Hz<F4<3150Hz，0Hz<F5<8350Hz。
优选地，步骤V中的人工神经网络包括四层，包括输入层、第一隐层、第二隐层和输出层，其中每个隐层由20个隐藏神经单元组成，输入层神经元数目有5个，输出层由1个神经元组成。
优选地，隐层与输出层之间的传递函数为切线乙状结肠传递函数，训练算法为尺度共轭梯度反向传播法。
优选地，输出层的输出结果介于0到1之间，以0.4和0.6为阈值，当0<输出值<0.4时，被测量物品归类为“合格”；当0.4≤输出值<0.6时，被测量物品归类为“不确定”；当0.6≤输出值<1时，被测量物品归类为“不合格”。
与现有技术相比，本发明存在如下的优点：
1.可以实现自动化检测，比起现有的人工检测，效率高，速度快，可以大大提高生产率；
2.准确率高，正确检出率可以达到99.3％以上，若采用合适的阈值，在实验室条件下，甚至可以达到100％。
附图说明
附图1为本发明所述振动测量装置的结构示意图(省略电脑)；
附图2为振动测量装置中振动装置的结构示意图；
附图3为本发明所述的人工神经网络体系结构示意图。
具体实施方式
下面结合具体实施例对本发明作进一步的说明：
如图1及图2所示的振动测量装置，包括振动装置、作为拾取装置的激光多普勒振动计1，以及对拾取到的数据进行计算机。
振动装置包括两块左右对称设置的侧支撑2、可调高度和位置的螺线管支架3以及用于诱导待测量物体振动的螺线管线性致动器4，其中侧支撑为L形板状结构，其较高的一边的顶端开有用于放置待测量物体的V形置物开口，置物开口的内侧设置有滑块机构21，螺线管支架3位于置物开口的下方，从侧支撑较低的一边的侧支撑板壁上穿过且平行于水平面设置，螺线管线性致动器4安装在螺线管支架上。
使用时，将振动装置放在高度合适的支撑台5台面上，待测物体放置在滑块机构21上，按如下步骤进行测量：
i.将样品放置于上述振动测量装置的置物开口上，调节螺线管支架使螺线管线性致动器至合适的位置，启动螺线管线性致动器，对样品施以频率变化的激励信号，用激光多普勒振动计拾取振动信号；
ii.对上一步骤中激光多普勒振动计拾取到的振动信号进行处理，提取5个主峰频率信号，此时主峰频率信号表现为时域振动信号；
iii.对上一步骤中提取到的主峰频率信号进行傅里叶变换，使其从时域振动信号转换为频域信号，转换后的主峰频域信号有450Hz<F1<550Hz，8650Hz<F2<8750Hz，1250Hz<F3<1350Hz，3050Hz<F4<3150Hz，8250Hz<F5<8350Hz，以这些频域信号为特征值；
iv.建立人工神经网络分类器，用步骤III中的到的特征值，分别对人工神经网络进行训练和验证，将样品分为训练组和验证组，采用线性回归的方法对训练组样品建立机械振动特性与其有无损伤之间的数学模型，并基于验证组对所得到的与其模型进行验证，比较有损样品的检出率，并根据实际生产中的需求，对模型进行优化；
v.应用优化完毕的人工神经网络分类器，在生产中进行检测。
在步骤IV中，取24个样本，每个记录6个冲击信号，得到24*6＝144组数据。其中5％的数据被使用，5％的数据用于验证，90％的数据用于训练。人工神经网络有四层，包括输入层、第一隐层、第二隐层和输出层，其中每个隐层由20个隐藏神经单元组成，输入层神经元数目有5个，输出层由1个神经元组成。隐层与输出层之间的传递函数为切线乙状结肠传递函数，训练算法为尺度共轭梯度反向传播法。
在本具体实施例中，输出层的输出结果介于0到1之间，以0.4和0.6为阈值，当0<输出值<0.4时，被测量物品归类为“合格”；当0.4≤输出值<0.6时，被测量物品归类为“不确定”；当0.6≤输出值<1时，被测量物品归类为“不合格”。
经过训练的人工神经网络检测结果如下表所示，可以看到，采用本实施例中的方法和阈值，可以得到100％的“真阳性”(合格)和100％的“假阳性”(不合格)率。
Claims (8)
1.一种振动测量装置，包括振动装置、用于拾取待测物体振动数据的拾取装置以及对拾取装置拾取到的数据进行处理的数据处理装置，所述拾取装置为激光多普勒振动计，所述数据处理装置为计算机，其特征在于：所述振动装置包括两块左右对称设置的侧支撑、可调高度和位置的螺线管支架以及用于诱导待测量物体振动的螺线管线性致动器，其中侧支撑为板状结构，其上端开有用于放置待测量物体的置物开口，所述置物开口的内侧设置有滑块机构，所述螺线管支架位于置物开口的下方，穿过两个侧支撑设置，所述螺线管线性致动器安装在螺线管支架上。
2.根据权利要求1所述的振动测量装置，其特征在于：所述侧支撑为L形板状结构，所述置物开口位于侧支撑较高的一边的顶端，所述螺线管支架从侧支撑较低的一边的侧支撑的板壁上穿过。
3.根据权利要求2所述的振动测量装置，其特征在于：所述置物开口为V形，所述滑块机构位于V形置物开口的两个内侧壁上。
4.根据权利要求1至3任一项所述的振动测量装置，其特征在于：所述螺线管支架有两根，平行于水平面设置。
5.一种铝铸件无损测量方法，其特征在于：所述无损测量方法包括如下步骤：
i.将样品放置于权利要求4所述的振动测量装置的置物开口上，调节螺线管支架使螺线管线性致动器至合适的位置，启动螺线管线性致动器，对样品施以频率变化的激励信号，用激光多普勒振动计拾取振动信号；
ii.对上一步骤中激光多普勒振动计拾取到的振动信号进行处理，提取主峰频率信号，此时主峰频率信号表现为时域振动信号；
iii.对上一步骤中提取到的主峰频率信号进行傅里叶变换，使其从时域振动信号转换为频域信号，以这些频域信号为特征值；
iv.建立人工神经网络分类器，用步骤III中的到的特征值，分别对人工神经网络进行训练和验证，将样品分为训练组和验证组，采用线性回归的方法对训练组样品建立机械振动特性与其有无损伤之间的数学模型，并基于验证组对所得到的与其模型进行验证，比较有损样品的检出率，并根据实际生产中的需求，对模型进行优化；
v.应用优化完毕的人工神经网络分类器，在生产中进行检测，所述人工神经网络分类器包括四层，包括输入层、第一隐层、第二隐层和输出层，其中每个隐层由20个隐藏神经单元组成，输入层神经元数目有5个，输出层由1个神经元组成。
6.根据权利要求5所述的铝铸件无损测量方法，其特征在于：所述步骤iii中作为特征值的主频率信号有5个，其中450Hz<F1<550Hz，
8650Hz<F2<8750Hz，1250Hz<F3<1350Hz，3050Hz<F4<3150Hz，
8250Hz<F5<8350Hz。
7.根据权利要求6所述的铝铸件无损测量方法，其特征在于：所述隐层与输出层之间的传递函数为切线乙状结肠传递函数，训练算法为尺度共轭梯度反向传播法。
8.根据权利要求7所述的铝铸件无损测量方法，其特征在于：所述输出层的输出结果介于0到1之间，以0.4和0.6为阈值，当0<输出值<0.4时，被测量物品归类为“合格”；当0.4≤输出值<0.6时，被测量物品归类为“不确定”；当0.6≤输出值<1时，被测量物品归类为“不合格”。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910054825.4A CN109632960B (zh) | 2019-01-21 | 2019-01-21 | 一种振动测量装置及铝铸件无损测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910054825.4A CN109632960B (zh) | 2019-01-21 | 2019-01-21 | 一种振动测量装置及铝铸件无损测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109632960A CN109632960A (zh) | 2019-04-16 |
| CN109632960B true CN109632960B (zh) | 2021-08-10 |
Family
ID=66062245
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910054825.4A Active CN109632960B (zh) | 2019-01-21 | 2019-01-21 | 一种振动测量装置及铝铸件无损测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109632960B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117741090B (zh) * | 2024-02-19 | 2024-04-26 | 如皋市力霸铸造有限公司 | 一种变速箱精密铸件质量缺陷检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS5880532A (ja) * | 1981-11-09 | 1983-05-14 | Nippon Rutsubo Kk | 振動周波数測定装置 |
| WO2000068654A1 (en) * | 1999-05-11 | 2000-11-16 | Georgia Tech Research Corporation | Laser doppler vibrometer for remote assessment of structural components |
| US20090076752A1 (en) * | 2007-09-17 | 2009-03-19 | Seagate Technology Llc | Free-state modal frequency response testing |
| CN201885999U (zh) * | 2010-11-29 | 2011-06-29 | 秦皇岛开发区美铝合金有限公司 | 对铝合金铸棒进行探伤的自动化检测装置 |
| CN103331310A (zh) * | 2013-07-13 | 2013-10-02 | 吉林大学 | 镁合金板材轧制参数监测与故障诊断系统及方法 |
| CN104160256A (zh) * | 2012-02-22 | 2014-11-19 | 新西兰植物与食品研究所 | 用于确定物体的特性的系统和方法以及阀 |
| CN104569154A (zh) * | 2015-01-04 | 2015-04-29 | 浙江大学 | 快速无损水果质地的检测方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070071652A1 (en) * | 2003-11-03 | 2007-03-29 | Jean-Pei Cherng | Method and apparatus for manipulating and measuring solids |
-
2019
- 2019-01-21 CN CN201910054825.4A patent/CN109632960B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS5880532A (ja) * | 1981-11-09 | 1983-05-14 | Nippon Rutsubo Kk | 振動周波数測定装置 |
| WO2000068654A1 (en) * | 1999-05-11 | 2000-11-16 | Georgia Tech Research Corporation | Laser doppler vibrometer for remote assessment of structural components |
| US20090076752A1 (en) * | 2007-09-17 | 2009-03-19 | Seagate Technology Llc | Free-state modal frequency response testing |
| CN201885999U (zh) * | 2010-11-29 | 2011-06-29 | 秦皇岛开发区美铝合金有限公司 | 对铝合金铸棒进行探伤的自动化检测装置 |
| CN104160256A (zh) * | 2012-02-22 | 2014-11-19 | 新西兰植物与食品研究所 | 用于确定物体的特性的系统和方法以及阀 |
| CN103331310A (zh) * | 2013-07-13 | 2013-10-02 | 吉林大学 | 镁合金板材轧制参数监测与故障诊断系统及方法 |
| CN104569154A (zh) * | 2015-01-04 | 2015-04-29 | 浙江大学 | 快速无损水果质地的检测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 奥氏体不锈钢铸件的超声探伤信号处理与识别系统;刘镇清 等;《无损检测》;19961031;第18卷(第10期);参见摘要，第272页"2.1 处理与识别方法" * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109632960A (zh) | 2019-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rowshandel et al. | Characterisation of clustered cracks using an ACFM sensor and application of an artificial neural network | |
| CN104569154B (zh) | 快速无损水果质地的检测方法及装置 | |
| Segers et al. | Robust and baseline-free full-field defect detection in complex composite parts through weighted broadband energy mapping of mode-removed guided waves | |
| CN107389732A (zh) | 一种激光扫描热成像裂纹检测方法 | |
| CN103257181B (zh) | 一种高速运动状态下金属板材缺陷检测装置与方法 | |
| CN105699491A (zh) | 一种水果坚实度在线无损检测装置及检测方法 | |
| CN111024805B (zh) | 一种钢轨表面伤损漏磁检测装置及方法 | |
| CN111044621A (zh) | 一种基于声音品质及声学特征的无损检测系统及方法 | |
| CN104833724B (zh) | 一种禽蛋蛋壳裂纹检测方法 | |
| CN113671018B (zh) | 一种用于抑制钢轨漏磁检测提离干扰的滤波方法 | |
| US11879869B2 (en) | Method for predicting surface quality of burnishing workpiece | |
| CN109632960B (zh) | 一种振动测量装置及铝铸件无损测量方法 | |
| CN108956122B (zh) | 一种基于结构动力学特性的装配质量检测方法 | |
| CN204359750U (zh) | 一种快速无损水果质地的检测装置 | |
| CN204613160U (zh) | 一种禽蛋蛋壳裂纹检测装置 | |
| CN112131781B (zh) | 基于全连接神经网络与传递率函数的钢结构损伤检测方法 | |
| CN105675720B (zh) | 一种水果坚实度信息在线采集系统和方法 | |
| CN116482217A (zh) | 一种基于声波特征的非侵入式液体检测方法以及装置 | |
| Coffey | Acoustic resonance testing | |
| CN110057918B (zh) | 强噪声背景下的复合材料损伤定量识别方法及系统 | |
| Zhang et al. | A comprehensive study of the magnetic concentrating sensor for the damage detection of steel wire ropes | |
| Peng et al. | Defect classification using PEC respones based on power spectral density analysis combined with EMD and EEMD | |
| 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系统 | |
| Yu et al. | Investigation on conductivity invariance in eddy current NDT and its application on magnetic permeability measurement | |
| CN205720101U (zh) | 一种水果坚实度信息在线采集系统 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Dai Hui Inventor after: Wang Xin Inventor after: Chen Mingguang Inventor after: Chen Wencong Inventor before: Dai Hui Inventor before: Wang Xin Inventor before: Tan Minghuang Inventor before: Tan Bosong |
|
| CB03 | Change of inventor or designer information |