CN103713042B - 基于k邻近算法的焊接缺陷电涡流检测方法 - Google Patents

Abstract

本发明属于无损检测技术领域，涉及一种基于k邻近算法的焊接缺陷巨磁电阻涡流检测方法，包括：选择多个类型的焊缝样本作为训练样本，测量每个样本同一时刻下的四路输出信号，提取信号的峰峰值，方差和斜率变化作为样本特征量，构造训练样本集合；从每个类型的焊缝样本中选取k组样本特征量，在对待测样本的检测过程中，测量待测样本四路巨磁电阻传感器输出信号的峰峰值，方差和斜率变化特征量，结合建立好的训练样本集合，分别计算该样本的特征量与训练样本集合中所选取的每个类型的焊接样本的样本特征量的相似度；其中，与待测样本之间平均相似度最大的训练样本焊缝类型即为待测样本的焊缝类型。本发明具有计算简单，结论清晰，且测量过程简单的优点。

Description

基于k邻近算法的焊接缺陷电涡流检测方法

技术领域

本发明属于无损检测技术领域，特别涉及一种焊接质量的电涡流检测方法。

背景技术

焊接技术被广泛应用于能源，石化，核工业，交通运载工具制造以及其他一些工业过程[1-3]。在焊接过程中，对焊接缺陷进行检测和估计，可降低废品率提高生产效率；在设备运行过程中，检测焊接处由于温度、压力和外部影响造成的早期缺陷，可避免灾难性事故的发生[4]。常见的焊接缺陷有气孔、未焊透、裂纹等等，通过对焊接缺陷的检测和分类可以对后续的修补和替换带来判断依据。

电涡流检测是一种重要的无损检测方法[5]。对于焊接缺陷的电涡流检测，焊接区域粗糙表面引入的测量噪声对缺陷检测影响极大[6]。许多改进的电涡流检测的激励线圈，如矩形线圈[7]、差分薄饼线圈、TR探头、带差分检测线圈的均匀涡流探头[8]、正交涡流线圈[2]被应用于焊接缺陷的检测[7-9]。在激励方式的改进方面，不同的激励方式如双频激励技术和脉冲激励技术被用于检测焊接缺陷[10,11]。

焊接缺陷如气孔，夹杂和裂纹的存在会影响到被测试件内部的涡流分布，从而导致磁场分布的变化，因此直接检测磁场给对缺陷的检测和评估带来了便利。人们尝试使用直接的磁敏感元件来检测磁场的变化情况来确定焊接质量的好坏，Hall[12]，AMR[6]，GMR[13]已经被用来对焊接周围的涡流磁场进行检测。

除了对激励线圈和传感器的改进外，对获得的缺陷信号的处理也是检测能够成功的关键因素。对缺陷信号的识别有多种方法，很多先进的信号处理技术被用于焊接缺陷的涡流检测。神经网络被用于对缺陷进行分类和重构[4,14]；通过仿真模型数据和检测数据的对比来进行缺陷形状估计[9]，二维离散小波变换被用于焊接信号的去噪[14]。但是针对焊接缺陷电涡流检测特征量非常少。特别是由于焊接表面的复杂纹理和结构，造成焊接涡流电磁信号通常带有比较强的噪声。如何区分噪声信号和缺陷信号，给电涡流检测提出了新的挑战。

参考文献

[1].任吉林.我国涡流检测技术的发展[J].无损检测,1994,(10):280-283+298.

[2].黄建明,林俊明.焊缝电磁涡流检测技术[J].无损检测,2004,(02):95-98.

[3].林俊明.电磁(涡流)检测技术现状及发展趋势[J].航空制造技术,2004,(09):40-41.

[4].Rao,B.,Raj,B.,Jayakumar,T.,etc.Anartificialneuralnetworkforeddycurrenttestingofausteniticstainlesssteelwelds[J].NDT&EInt,2002,35(6):393-398.

[5].Tian,G.,Sophian,A.,Taylor,D.,etc.Wavelet-basedPCAdefectclassificationandquantificationforpulsededdycurrentNDT[A].InScience,MeasurementandTechnology,IEEProceedings-[C],2005;141-148.

[6].Allweins,K.,VonKreutzbruck,M.,Gierelt,G.Defectdetectioninaluminumlaserweldsusingananisotropicmagnetoresistivesensorarray[J].JApplPhys,2005,97(10).

[7].Koyama,K.,Hoshikawa,H.,Taniyama,N.Investigationofeddycurrenttestingofweldzonebyuniformeddycurrentprobe[A].InProceedingsofWCNDT[C],2000.

[8].Yusa,N.,Machida,E.,Janousek,L.,etc.ApplicationofeddycurrentinversiontechniquetothesizingofdefectsinInconelweldswithroughsurfaces[J].NuclEngDes,2005,235(14):1469-1480.

[9].Yusa,N.,Janousek,L.,Rebican,M.,etc.DetectionofembeddedfatiguecracksinInconelweldoverlayandtheevaluationoftheminimumthicknessoftheweldoverlayusingeddycurrenttesting[J].NuclEngDes,2006,236(18):1852-1859.

[10].Mandache,C.,Dubourg,L.,Merati,A.,etc.Pulsededdycurrenttestingoffrictionstirwelds[J].MaterEval,2008,66(4):382-386.

[11].Mandache,C.,Levesque,D.,Dubourg,L.,etc.Non-destructivedetectionoflackofpenetrationdefectsinfrictionstirwelds[J].SciTechnolWeldJoi,2012,17(4):295-303.

[12].Abdul,S.,Zhou,Z.Evaluationofpiezoresistivityinheattreated5A06Al-Mgalloyduetoappliedstressusingeddycurrentmethod.InChengdu,2012;Vol.548,377-381.

[13].Postolache,O.,Ribeiro,A.L.,Ramos,H.AnoveluniformeddycurrentprobewithGMRfornondestructivetestingapplications[A].InLisbon,2011.

[14].Kumar,A.,Sasi,B.,Sharma,G.K.,etc.Nondestructiveevaluationofausteniticstainlesssteelwelds.InMumbai,2013;Vol.794,366-374.

发明内容

本发明的目的是克服现有技术上的不足，提出一种响应速度快，实时性好且测量过程简单并容易实现的焊接电涡流检测方法。为此，本发明采用如下的技术方案：

一种基于k邻近算法的焊接缺陷巨磁电阻涡流检测方法，所采用的检测装置包括一个矩形线圈、交流激励电压产生电路、四个相同的巨磁电阻传感器、信号调理电路、数据采集模块、分析计算模块，其中，交流激励电压产生电路的输出连接到矩形线圈；四个巨磁电阻传感器排列成一条直线固定在矩形线圈的底部；巨磁电阻的敏感轴方向平行于矩形线圈的导线，使得矩形线圈产生的一次磁场方向垂直于巨磁电阻的敏感轴方向；矩形线圈的内部放置一块永磁铁，用于对磁场进行偏置；四个巨磁电阻的输出分别连接信号调理电路的不同的通道，信号调理电路用于对巨磁电阻的输出信号进行滤波及放大；经过调理后的信号经过数据采集模块输入到分析计算模块，分析计算模块用于解调检测到的四路通道信号的实部数据，并根据实部数据检测是否存在焊接缺陷，检测方法如下：

（1）选择多个类型的焊缝样本作为训练样本，测量每个样本同一时刻下的四路输出信号，提取信号的峰峰值，方差和斜率变化作为样本特征量，构造训练样本集合；

（2）从每个类型的焊缝样本中选取k组样本特征量，在对待测样本的检测过程中，测量待测样本四路输出信号的峰峰值，方差和斜率变化特征量，结合建立好的训练样本集合，分别计算该样本的特征量与训练样本集合中所选取的每个类型的焊接样本的样本特征量的相似度；

（3）分别统计待测样本与每个类型样本之间的样本特征量的平均相似度，其中，与待测样本之间平均相似度最大的训练样本焊缝类型即为待测样本的焊缝类型。步骤（1）中，选择的训练样本焊缝类型可分为：良好焊缝，含气孔焊缝和未焊透焊缝。

本发明在一个矩形线圈下部同时放置四个巨磁电阻传感器，同时检测焊缝两侧的磁场分布，以四个通道的信号的峰峰值、方差和斜率变化三个参数作为评价焊接质量的参数，根据这三个参数离线构造训练样本集合，并将每个样本的三个特征量组成特征向量。在进行焊接电涡流检测时，将测得的被测样本的三个特征量组成新的特征向量，并与训练样本中的特征向量计算相似度，与被测样本特征向量相似度最大的训练样本特征向量所对应的类型即为被测样本所含缺陷类型。本发明的检测方法，计算简单，结论清晰，且测量过程简单，造价低，易于实施。

附图说明

图1、(a)焊缝电涡流检测装置探头示意图；

(b)焊缝电涡流检测装置探头截面示意图；

(c)焊缝电涡流检测装置探头侧面示意图；

图2、焊缝电涡流检测系统结构图；

图3、焊缝电涡流检测实现过程示意图；

图中：

1、焊缝2、激励线圈

3、激励电压产生电路4、巨磁电阻传感器

5、巨磁电阻敏感轴方向6、信号调理电路

7、数据采集模块8、分析计算模块

9、永磁铁

具体实施方式：

下面结合附图和实施例对本发明做进一步说明。

参见图1和图2，检测装置包括一个矩形激励线圈2(本实施例矩形线圈的尺寸为长60mm，宽30mm，高25mm)、激励电压信号产生电路3、四个相同的巨磁电阻传感器芯片4(本实施例四个巨磁电阻芯片之间的距离为2mm)、信号调理电路6、数据采集模块7、分析计算模块8组成。激励电压产生电路3的输出连接矩形线圈2的导线；四个巨磁电阻传感器4(1)、4(2)、4(3)、4(4)位于同一条直线上，分别固定在矩形线圈2的底部；四个巨磁电阻的输出分别连接具有四个通道的信号调理电路6，信号调理电路6用于将巨磁电阻的输出信号进行滤波及放大；经过调理后的信号经过数据采集模块7输入到分析计算模块8。测量过程中，将焊缝放置于检测探头的巨磁电阻芯片4(2)和4(3)之间。

检测算法主要步骤如下：

（1）获取学习样本

对良好焊缝和不同种类缺陷焊缝进行编号。通过焊接缺陷检测系统的分析计算模块8计算四个通道信号的峰峰值、方差和斜率变化。本实施例中,经过四个通道输出的四个巨磁电阻4(1)、4(2)、4(3)、4(4)的输出电压信号分别为x₁，x₂，x₃，x₄，在分析计算模块8中计算峰峰值

V_pp＝max(x₁,x₂,x₃,x₄)-min(x₁,x₂,x₃,x₄)(1)

在分析计算模块8中计算信号x₁，x₂，x₃，x₄的方差为Var

$\mathrm{\μ}=E(x_1,x_2,x_3,x_4)=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i(n=4)---\left(2\right)$

Var(x₁,x₂,x₃,x₄)＝E[(x_i-μ)²](3)

在分析计算模块8中计算斜率变化kk

k₁＝(x₂-x₁)(4)

k₂＝(x₄-x₃)(5)

kk＝k₁k₂＝(x₂-x₁)(x₄-x₃)(6)

（2）计算待测样本与训练样本的相似度

K邻近分类算法的基本思路是：计算测试样本与所有样本的相似度，并以最邻近的k个最相似的样本中的大多数所属的类别作为测试样本的类别。在本应用中，选择的样本特征量为四个通道信号的峰峰值、方差和斜率变化，这样，首先构造训练样本集合如下表。

表1训练样本集合

其中U称为样本域，X_j为各训练样本；C为样本特征量，C₁,C₂,C₃依次为四路信号相互之间的峰峰值、方差和斜率变化；D为样本类型集，也称为类型决策集，D₁,D₂,D₃依次为良好焊缝，含气孔焊缝和未焊透焊缝。

将样本类型表示为特征向量X_n＝{C_1n,C_2n,C_3n}后，设两个向量分别为X＝(x₁,x₂,…x_n)，Y＝（y₁，y₂，…y_n)，则其相似度通过下面的公式来表示：

$\mathrm{sim}(X,Y)=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i\·y_i}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x_i}^2}\·\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y_i}^2}}---\left(7\right)$

其中y＝(C_1j,C_2j,C_3j)(j＝1,2...n)，根据训练样本集合取值，x＝(x₁,x₂,x₃)为待测样本三个特征量组成的特征向量。

在对待测样本的检测过程中，测量待测样本四路输出信号的峰峰值，方差和斜率变化特征量。将待测样本的特征向量与训练样本集中的所有特征向量通过上式计算相似度，并将结果排序，将相似度最大的结果位于前端，最后取前k个样本得出良好焊缝，含气孔焊缝，未焊透焊缝三种类型在前k个样本中所占的比例，比例大者即为待测样本的分类结果。理论上,k值的选择根据实际的样本数量取值越大越好，这样可以包含更多样本的数据特征，但在通常的使用情况中鉴于样本数量比较大，所以需要对k值进行多次取值并比较各次取值后的分类结果。在本实施例中，由于数据量比较小，三类缺陷的样本数量均为10，因此k的取值为最大，k=10。

分别求待测样本特征量与三种类型样本D₁,D₂,D₃中各k个样本特征量的相似度s_j(j＝1,2…k)，最后统计待测样本分别与D₁,D₂,D₃的平均相似度，如下式表示：

$\stackrel{\‾}{S}=\frac{\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{s}_j}{k}---\left(8\right)$

最后比较三个平均相似度的大小，相似度最大者对应的类别即为待测样本的类别。

本实施例测试待测焊缝的四通道输出数据（x₁，x₂，x₃，x₄）。样本总计30组，计算峰峰值、方差和斜率变化并构成训练样本。其中良好焊缝样本数据如表2，含气孔焊缝样本数据如表3，未焊透样本数据如表4。

表2良好焊缝10组四通道输出数据

表3含气孔焊缝10组四通道输出数据

表4未焊透焊缝10组四通道输出数据

根据表3～5的总计30组四通道输出数据，计算这30组数据的峰峰值、方差和斜率变化，构成如表5所示的训练样本特征量分布表。

表5训练样本特征量分布表

此时，选择三个待测试件T₁,T₂,T₃，分别测量其四通道输出数据（x₁，x₂，x₃，x₄），具体数据如表6所示。

表6待测试件四通道输出数据

计算这三组数据的峰峰值、方差和斜率变化，构成如表7所示的待测样本特征量分布表。

表7待测样本特征量分布表

令k＝10。结合公式（7）分别计算T₁,T₂,T₃各自的三个特征量和表5中三个缺陷类型（每个类型十组特征量）的平均相似度，最大相似度对应的类型即为被测样本的缺陷类型，得到如下结果：

$\stackrel{\‾}{S}(T_1,D_1)=0.9661,\stackrel{\‾}{S}(T_1,D_2)=0.6530,\stackrel{\‾}{S}(T_1,D_3)=0.5514,$ 所以T₁属于D₁类，即良好焊缝类型。

$\stackrel{\‾}{S}(T_2,D_1)=0.5616,\stackrel{\‾}{S}(T_2,D_2)=0.8274,\stackrel{\‾}{S}(T_2,D_3)=0.9986,$ 所以T₂属于D₃类，即未焊透焊缝类型。

$\stackrel{\‾}{S}(T_3,D_1)=0.8281,\stackrel{\‾}{S}(T_3,D_2)=0.9275,\stackrel{\‾}{S}(T_3,D_3)=0.9171,$ 所以T₃属于D₂类，即含气孔焊缝类型。

Claims (2)

1.一种基于k邻近算法的焊接缺陷巨磁电阻传感器涡流检测方法，所采用的检测装置包括一个矩形线圈、交流激励电压产生电路、四个相同的巨磁电阻传感器、信号调理电路、数据采集模块、分析计算模块，其中，交流激励电压产生电路的输出连接到矩形线圈；四个巨磁电阻传感器排列成一条直线固定在矩形线圈的底部；巨磁电阻传感器的敏感轴方向平行于矩形线圈的导线，使得矩形线圈产生的一次磁场方向垂直于巨磁电阻传感器的敏感轴方向；矩形线圈的内部放置一块永磁铁，用于对磁场进行偏置；四个巨磁电阻传感器的输出分别连接信号调理电路的不同的通道，信号调理电路用于对巨磁电阻传感器的输出信号进行滤波及放大；经过调理后的信号经过数据采集模块输入到分析计算模块，分析计算模块用于解调检测到的四路通道信号的实部数据，并根据实部数据检测是否存在焊接缺陷，检测方法如下：

(1)选择多个类型的焊缝样本作为训练样本，测量每个样本同一时刻下的四路输出信号，提取信号的峰峰值，方差和斜率变化作为样本特征量，构造训练样本集合；

(2)从每个类型的焊缝样本中选取k组样本特征量，在对待测样本的检测过程中，测量待测样本四路输出信号的峰峰值，方差和斜率变化特征量，结合建立好的训练样本集合，分别计算待测样本的特征量与训练样本集合中所选取的每个类型的焊接样本的样本特征量的相似度；

(3)分别统计待测样本与每个类型焊接样本之间的样本特征量的平均相似度，其中，与待测样本之间平均相似度最大的训练样本焊缝类型即为待测样本的焊缝类型。

2.根据权利要求1所述的基于k邻近算法的焊接缺陷巨磁电阻传感器涡流检测方法，其特征在于，步骤(1)中，选择的训练样本焊缝类型分为：良好焊缝、含气孔焊缝和未焊透焊缝。