预览加载中,请您耐心等待几秒...
1/6
2/6
3/6
4/6
5/6
6/6

在线预览结束,喜欢就下载吧,查找使用更方便

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111272879A(43)申请公布日2020.06.12(21)申请号202010201529.5(22)申请日2020.03.20(71)申请人福建省锅炉压力容器检验研究院地址350000福建省福州市仓山区卢滨路370号(72)发明人陈小韩汪建光陈世旺叶振华谢小明黄晓芝叶飞飞(74)专利代理机构福州旭辰知识产权代理事务所(普通合伙)35233代理人程春宝(51)Int.Cl.G01N29/04(2006.01)G01N29/44(2006.01)权利要求书1页说明书3页附图1页(54)发明名称一种超声波探伤中对缺陷类型的判别方法(57)摘要本发明提供了一种超声波探伤中对缺陷类型的判别方法,所述判别方法为设置已知缺陷类型的波形特征向量模板,通过超声波探伤检测仪器获取工件的波形信号,根据波形的特点,提取波形信号特征,将波形信号特征中的波形向量与波形特征向量模板进行波形匹配;匹配后得到工件焊缝的缺陷类型,本发明能对缺陷类型进行快速判别,且识别率高。CN111272879ACN111272879A权利要求书1/1页1.一种超声波探伤中对缺陷类型的判别方法,其特征在于:所述判别方法为设置已知缺陷类型的波形特征向量模板,通过超声波探伤检测仪器获取工件的波形信号,根据波形的特点,提取波形信号特征,将波形信号特征中的波形向量与波形特征向量模板进行波形匹配;匹配后得到工件焊缝的缺陷类型。2.根据权利要求1所述的一种超声波探伤中对缺陷类型的判别方法,其特征在于:所述设置已知缺陷类型的波形特征向量模板具体为:所述超声波探伤的过程中,不同缺陷类型的波形信息不同,同种缺陷其波形特征相同,根据这特点来判断识别缺陷类型,对于不同缺陷类型的数据波形用一个含有n个参数的向量M=[m1,m2,m3,m4……mn-1,mn]来表示,将不同的缺陷类型的波形特征向量集合在一起形成一个波形特征向量模板,即波形特征向量模板中含有多个向量M。3.根据权利要求1所述的一种超声波探伤中对缺陷类型的判别方法,其特征在于:不同的缺陷类型在不同的位置间隔下的幅值的变化不一样,则设置元素xi为波形某点的幅值,对获取的波形X做如下处理:令向量P=[x1,x2,x3,x4……xn-1,xn]/max(xi)=[P1,P2,P3,P4……Pn-1,Pn];将波形信号特征中的波形向量与波形特征向量模板进行波形匹配时,必须确保获取的波形X的起始位置和终止位置与波形特征向量模板中对波形向量化处理的起始位置和终止位置相同,则定义输入波形向量X与波形特征向量模板Mi之间的距离Di,Di=∑(Mi-Pi);比较Di的值,取Di的最小值,此时i即为输入波形X所对应的数字,即将输入波形向量X与多个向量M中的第i个进行波形匹配;从而匹配后得到工件焊缝的缺陷类型。4.根据权利要求1所述的一种超声波探伤中对缺陷类型的判别方法,其特征在于:所述超声波探伤检测仪器包括上壳体和下壳体,所述上壳体和下壳体内设置有带有单片机的电路板,所述电路板上设置有超声波检测模块和数据采集模块,所述超声波检测模块包括超声波发射电路、探头、超声波接收电路、高频放大电路、带通滤波器,所述超声波发射电路经探头与超声波接收电路连接,所述超声波接收电路分别与单片机和高频放大电路连接,所述高频放大电路分别与单片机和带通滤波器连接,所述带通滤波器与单片机连接;所述数据采集模块包括A/D转换芯片、数据存储器、以及EPLD芯片,所述带通滤波器与所述A/D转换芯片连接,所述A/D转换芯片与所述数据存储器连接,所述数据存储器与所述单片机连接,所述EPLD芯片分别与数据存储器和A/D转换芯片连接。5.根据权利要求4所述的一种超声波探伤中对缺陷类型的判别方法,其特征在于:所述检测仪器还包括液晶显示器和键盘模块,所述液晶显示器与所述单片机连接,所述键盘模块与所述EPLD芯片连接。6.根据权利要求4所述的一种超声波探伤中对缺陷类型的判别方法,其特征在于:所述单片机连接有一外接端口,所述外接端口连接有电源模块和上位计算机。2CN111272879A说明书1/3页一种超声波探伤中对缺陷类型的判别方法技术领域[0001]本发明涉及锅炉检测技术领域,特别是一种超声波探伤中对缺陷类型的判别方法。背景技术[0002]超声检测技术是无损检测领域中的一种非常重要的方法,一直广泛地应用于在线质量控制等安全监测之中。[0003]常规超声检测使用的超声波探伤仪只能提供回波信号时域方面的信息,对于缺陷性质的评定更多地依赖于检测人员的技术和经验,致使缺陷定性的可靠性受到限制。关于缺陷的机器识别,现有缺陷评定方法有:神经网络、模糊数学、谱分析、多元统计分析等。现有的评定方法存在如下缺点:操作比较复杂或者识别率比较