论文部分内容阅读
分析了304不锈钢的脉冲涡流信号,以单对数坐标系下晚期信号的斜率作为表征壁厚的特征值,拟合出晚期信号斜率与不锈钢壁厚之间的关系式,并通过试验分析了提离高度、缺陷形状等对信号的影响.该方法已进行实践应用,效果良好.
基于脉冲涡流晚期信号斜率的不锈钢壁厚测量
【摘 要】
：
分析了304不锈钢的脉冲涡流信号,以单对数坐标系下晚期信号的斜率作为表征壁厚的特征值,拟合出晚期信号斜率与不锈钢壁厚之间的关系式,并通过试验分析了提离高度、缺陷形状等对信号的影响.该方法已进行实践应用,效果良好.
【机 构】
：
中石化工程质量监测有限公司,北京 100020;天津舜捷安科技有限公司,天津 300110
【出 处】
：
无损检测
【发表日期】
：
2022年3期
其他文献
在对较厚工件进行TOFD(超声波衍射时差法)分区检测时,通常需要使用对比试块来进行深度的校准和检测灵敏度的确定.现在通用的TOFD对比试块在进行厚工件检测灵敏度参数设置验证、二区以后A扫描深度范围的验证、时间窗口深度范围内相对应的A扫描波幅幅值差验证时,其结果并不理想.笔者设计了一种连续尖角人工缺陷对比试块,该对比试块制作较为方便经济,形状较小,使用简单,能够准确地对TOFD检测所需要的深度进行覆盖,且能够对深度覆盖范围内A扫描波幅幅值差以及检测灵敏度进行验证.
红外检测(IRT)技术具有非接触、测量范围广、成像直观等特点,通过对3种不同型号电梯的电路板、电源、接触器、继电器、接线端子等5类关键电气部件进行检测试验,得到了相应的红外信号特征图谱,然后通过对不同电梯温升特征进行分析,发现不同型号的电气部件热辐射特征存在较大差异,最后采用温差判别法进行了评价分级,并提出了对应的维修策略,指出IRT技术在电梯电气部件的图像识别和智能检测方面具有一定应用前景.
对压缩机螺栓的裂纹缺陷进行相控阵超声检测.结果表明,相控阵超声检测技术对裂纹的检出率较高,且检测图像可清晰直观地显示裂纹缺陷,具有一定的推广价值.
制冷机在工业企业中的使用极为广泛,为了能及时发现制冷机长期运行过程中因气缸、曲轴磨损及设备松动等引起的运行异常及故障,保证制冷机的长期、稳定运行,研制了一套基于声信号无线远传和声纹识别的制冷机运行及故障监控系统.系统采用通用分组无线业务(GPRS)移动通讯网络,将现场采集到的制冷机运转噪声信号无线远传给上位机,然后在上位机内采用Mel倒谱系数(MFCC)特征提取与长短时记忆(LSTM)神经网络相结合的声纹识别方法对接收到的声信号进行处理,进而对制冷机的运行状况及故障进行监控和识别.试验结果表明,采用MFC
针对常规涡流Bobbin检测技术的局限性,开展了热交换器换热管管板区内壁的补充涡流检测,确定了涡流三混频检测技术和阵列检测技术的检测灵敏度,并对3种技术的检测结果进行了综合对比.
在飞行试验领域中,基于iNET架构的网络化测试系统正逐步取代传统的PCM测试系统,成为试飞测试系统的主要架构.网络化测试系统激增的数据量对多科目数据处理提出了更高的要求.为了满足某型号飞机网络化架构的机载测试系统的数据处理需求,提了基于iNET架构的网络数据分析软件设计方案,采用基于内存映射的海量试飞数据读取技术;针对iNET架构网络数据包的特点,设计了数据包快速解析技术对参数时序进行统一;提出“整体—分流”方法,极大地提高了数据处理效率;制定Excel校线文件模版,提高校线录入效率.方案采用C++语言实
设计制作了钛合金管材对比试样,并采用穿过式涡流、阵列涡流和旋转涡流3种方法对其进行检测.从检测灵敏度、周向分辨力、轴向分辨力、检测盲区和胀接区检测能力等方面对检测结果进行了比较.结果表明,阵列涡流的综合检测能力优于穿过式涡流和旋转涡流的,在钛合金换热管的涡流检测中有广阔的应用前景.
研究了钢板表面常残留的污染物如油漆、油、铁屑、浮锈、气泡等对受控射流超声检测灵敏度的影响.结果表明,铁屑和气泡会大大降低检测灵敏度,甚至会导致回波消失.为受控射流超声检测系统设计了辅助装置,该装置可以清除污染物,同时避免钢板表面在检测前产生气泡,实现对钢板的有效在线自动检测.
利用有限元软件ABAQUS对储罐不均匀沉降进行计算,得出储罐在不同工况下的结构响应,发现大沉降面积会导致应力分布出现显著差异.利用自主封装光纤光栅应变传感器开展了不同液位及不同沉降面积的沉降模拟试验,实现了储罐壁板和边缘板应力的动态监测,采用最小二乘多项式拟合试验数据,得到不同阶次的相关系数拟合曲线及4阶拟合曲线的一阶导数,发现了储罐罐壁及边缘板应力的变化符合高阶多项式曲线的变化趋势.结果表明,储罐液位高,引起罐壁、边缘板及角焊缝的应力变化大;不均匀沉降导致壁板上应力的变化并非为线性增加或减少.相同工况下
建立了基于卷积神经网络算法的智能导波损伤检测方法,可实现加筋板中脱黏损伤的高效识别和精准定位.在数值模拟和试验研究T型筋加筋板中导波传播特性的基础上,通过单点激发多点接收的方法获取不同损伤样本的兰姆波响应,经预处理之后组成融合数据库.利用卷积神经网络(CNN)深度学习检测算法,抓取和学习融合数据库中与损伤相关的特征,并使用未经训练的数据测试网络性能.结果表明,以Adam为优化器的7层CNN对数据库中损伤样本的检测精度达99％;基于CNN的智能导波检测方法不仅能够识别加筋板中的脱黏损伤,而且能够准确定位.