CN103713043A - 基于贝叶斯网络的焊接缺陷巨磁电阻涡流检测方法 - Google Patents

Abstract

本发明属于无损检测技术领域，涉及一种基于贝叶斯网络的焊接缺陷巨磁电阻涡流检测方法，选择多个焊接样本作为训练样本，测量每个样本同一时刻下的四路巨磁电阻传感器输出信号，提取信号的峰峰值，方差和斜率变化作为特征量，构造贝叶斯网络结构，并进一步计算样本类型和这三种特征量之间的概率关系，确定贝叶斯网络参数，完成贝叶斯网络模型的建立。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，结合建立好的贝叶斯网络模型，计算该样本条件下各缺陷类型可能存在的概率，概率最大的类型即为待测样本的缺陷类型。本发明的检测方法，模型简单，计算便捷且易于实施。

Description

基于贝叶斯网络的焊接缺陷巨磁电阻涡流检测方法

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.An artificial neural network for eddy current testing of austeniticstainless steel welds[J].NDT&E Int,2002,35(6):393-398.

[5].Tian,G.,Sophian,A.,Taylor,D.,etc.Wavelet-based PCA defect classification and quantification forpulsed eddy current NDT[A].In Science,Measurement and Technology,IEE Proceedings-[C],2005;141-148.

[6].Allweins,K.,Von Kreutzbruck,M.,Gierelt,G.Defect detection in aluminum laser welds using ananisotropic magnetoresistive sensor array[J].J Appl Phys,2005,97(10).

[7].Koyama,K.,Hoshikawa,H.,Taniyama,N.Investigation of eddy current testing of weld zone by uniformeddy current probe[A].In Proceedings of WCNDT[C],2000.

[8].Yusa,N.,Machida,E.,Janousek,L.,etc.Application of eddy current inversion technique to the sizing ofdefects in Inconel welds with rough surfaces[J].Nucl Eng Des,2005,235(14):1469-1480.

[9].Yusa,N.,Janousek,L.,Rebican,M.,etc.Detection of embedded fatigue cracks in Inconel weld overlayand the evaluation of the minimum thickness of the weld overlay using eddy current testing[J].Nucl Eng Des,2006,236(18):1852-1859.

[10].Mandache,C.,Dubourg,L.,Merati,A.,etc.Pulsed eddy current testing of friction stir welds[J].MaterEval,2008,66(4):382-386.

[11].Mandache,C.,Levesque,D.,Dubourg,L.,etc.Non-destructive detection of lack of penetration defects infriction stir welds[J].Sci Technol Weld Joi,2012,17(4):295-303.

[12].Abdul,S.,Zhou,Z.Evaluation of piezoresistivity in heat treated5A06Al-Mg alloy due to applied stressusing eddy current method.In Chengdu,2012;Vol.548,377-381.

[13].Postolache,O.,Ribeiro,A.L.,Ramos,H.A novel uniform eddy current probe with GMR for nondestructive testing applications[A].In Lisbon,2011.

[14].Kumar,A.,Sasi,B.,Sharma,G.K.,etc.Nondestructive evaluation of austenitic stainless steel welds.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：

一种基于贝叶斯网络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）将焊缝类型分为良好焊缝，含气孔焊缝以及未焊透焊缝，选择各个类型的焊缝样本作为学习样本，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，构造学习样本集合；

（2）基于各组学习样本的特征量，构造双层贝叶斯网络结构：三个根节点为三种可能的焊缝类型，分别为良好焊缝，含气孔焊缝以及未焊透焊缝，三个子节点依次为三个学习样本的特征量：峰峰值、方差和斜率变化；

（3）统计不同焊缝类型样本的特征量分布情况。对于各个特征量，根据其分布情况选择两个适当的阈值将其分布区间分成三段，即每个特征量的值域都被两个阈值分割成三个取值区间，计算三个根节点分别在各段区间内的概率，即完成双层贝叶斯网络的确定；

（4）测试待测焊缝的四通道输出数据，计算待测焊缝的峰峰值、方差和斜率变化；

（5）将待测焊缝的峰峰值、方差和斜率变化输入步骤（2）构造好的双层贝叶斯网络模型，根据所获得的被测焊缝的峰峰值、方差和斜率变化的具体数值，并结合步骤(3)中确定的阈值，计算被测焊缝三个特征量在各自的三个分布区间上的概率，最后根据计算获得的概率以及双层贝叶斯网络的参数，计算当前被测样本特征量分布情况下三种样本类型可能存在的概率，概率最大的样本类型即为被测焊缝的缺陷类型。

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，建立贝叶斯网络模型。在进行焊接电涡流检测时，结合贝叶斯网络模型，计算被测样本条件下三种类型的存在概率，最终得到被测样本所含缺陷类型。本发明的检测方法，模型简单，计算便捷，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4、本发明所采用的贝叶斯网络结构图；

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）构造贝叶斯网络模型

贝叶斯网络是综合利用概率论和图论进行不确定事件分析和推理的工具，由网络结构和网络参数两个部分组成。一个贝叶斯网络就是一个有向无环图，每一个节点表示一个变量，两个变量之间如果有直接的因果关系，则用一条有向线连接，方向从“原因”指向“结果”，线上是它们之间的条件概率。对于网络中的任何一个节点X，所有作为X的“原因”节点称为X的父节点，所有作为X引起的“结果”的节点称为X的子节点。对于网络中的节点X，当相关信息（证据）e出现后，就可以得到节点X取某种状态的概率：P(X＝x|e)，计算公式如下，

P(x|e)＝P(e^c|x)*P(x|e^f)     （7）

其中，e＝{e^c,e^f}表示证据，e^c,e^f分别表示子节点和父节点的证据。P(e^c|x)表示当子节点中证据出现时对节点X的影响。P(x|e^f)表示当父节点中证据出现时对节点X的影响。当节点只有父节点时，只需按此公式计算父节点的影响而不需考虑子节点，当只有子节点时同理。

当节点X有m个独立的子节点时，可得

$\begin{array}{c}P\left(e^c\right|x)=P(e_{c1},e_{c2}\·\·\·e_{\mathrm{cm}}|x)\\ =P\left(e_{c1}\right|x)*P\left(e_{c2}\right|x)\·\·\·*\left(e_{\mathrm{cm}}\right|x)\\ =\underset{i=1}{\overset{m}{\mathrm{\Π}}}P\left(e_{\mathrm{ci}}\right|x)=\underset{i=1}{\overset{m}{\mathrm{\Π}}}\underset{j}{\mathrm{\Σ}}P\left(e_{\mathrm{ci}}\right|c_{\mathrm{ij}})P\left(c_{\mathrm{ij}}\right|x)\end{array}---\left(8\right)$

同理，当节点X有n个独立的父节点时，可得

$\begin{array}{c}P\left(x\right|e^f)=P\left(x\right|e_{p1},e_{p2}\·\·\·e_{\mathrm{pn}})\\ =\underset{j,k=1}{\mathrm{\Σ}}P\left(x\right|P_{1j},P_{2k},\·\·\·P_{\mathrm{pn}})*P(P_{1j},P_{2k},\·\·\·P_{\mathrm{pn}}|e_{p1},e_{p2}\·\·\·e_{\mathrm{pn}})\\ =\underset{j,k=1}{\mathrm{\Σ}}P\left(x\right|P_{1j},P_{2k},\·\·\·P_{\mathrm{pn}})*P\left(P_{1j}\right|e_{p1})\·\·\·P\left(P_{\mathrm{pn}}\right|e_{\mathrm{pn}})\\ =\underset{P_{\mathrm{st}}}{\mathrm{\Σ}}P\left(x\right|P_{\mathrm{st}})*\underset{w=1}{\overset{p_n}{\mathrm{\Π}}}P\left(P_w\right|e_{p_w})\end{array}---\left(9\right)$

其中，P_ij为父节点i取状态j时的值。

在本应用中，样本分为三个类型：良好焊缝，含气孔焊缝，未焊透焊缝。特征量有三个，即四路信号相互之间的峰峰值、方差和斜率变化。根据已知信息构造简单的贝叶斯网络模型如图4所示。

第一层三个根节点对应样本的三种类型，第二层三个子节点对应三个相互独立的特征量。

下面计算各个子节点与各个根节点之间的概率关系。通过大量对已知类型样本的测试，获得不同缺陷类型样本的特征量分布情况，建立缺陷特征量概率表如下

表1缺陷特征量概率表

其中，a₁,a₂根据三种缺陷类型的训练样本峰峰值数据分布情况获得，p₁₁，p₁₂，p₁₃分别为三种缺陷类型的样本在峰峰值小于a₁情况下所占的概率，p₁₁+p₁₂+p₁₃＝1，p₂₁，p₂₂，p₂₃分别为三种缺陷类型的样本在峰峰值大于a₁小于a₂情况下所占的概率，p₂₁+p₂₂+p₂₃＝1，p₃₁，p₃₂，p₃₃分别为三种缺陷类型的样本在峰峰值大于a₂情况下所占的概率，p₃₁+p₃₂+p₃₃＝1。Var和kk的概率来源及分布同上。

这样，贝叶斯网络的两个组成部分，网络结构和网络参数就都已经确定了，通过大量的训练样本获得更为合理的缺陷特征量概率表，从而对待测样本的缺陷类型进行准确的分类。

（3）测试待测焊缝

测试待测焊缝的四通道输出数据（x₁，x₂，x₃，x₄），计算待测焊缝的峰峰值、方差和斜率变化。将待测焊缝的峰峰值、方差和斜率变化输入步骤2构造好的贝叶斯网络模型。根据计算获得的被测焊缝的峰峰值、方差和斜率变化具体数值，构造测试特征量概率值表2，最后结合公式（7）（8）以及表1表2计算三种缺陷类型可能发生的概率如公式（10）所示，经过归一化处理后即可得到在当前特征量条件下三种焊缝类型各自的概率大小，则待测样本的缺陷类型即可准确获得。

表2测试特征量概率表

（p_a1+p_a2+p_a3＝p_b1+p_b2+p_b3＝p_c1+p_c2+p_c3＝1）P(X₁)＝(p_a1p₁₁+p_a2p₂₁+p_a3p₃₁)(p_b1p₄₁+p_b2p₅₁+p_b3p₆₁)(p_c1p₇₁+p_c2p₈₁+p_c3p₉₁)P(X₂)＝(p_a1p₁₂+p_a2p₂₂+p_a3p₃₂)(p_b1p₄₂+p_b2p₅₂+p_b3p₆₂)(p_c1p₇₂+p_c2p₈₂+p_c3p₉₂)  (10)P(X₃)＝(p_a1p₁₃+p_a2p₂₃+p_a3p₃₃)(p_b1p₄₃+p_b2p₅₃+p_b3p₆₃)(p_c1p₇₃+p_c2p₈₃+p_c3p₉₃)

根据上面的计算获得三种类型样本的概率，通过三个概率的数值可以得到哪种类型的可能性最大，从而获得被测样本所含缺陷的类型。

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3，含气孔焊缝样本数据如表4，未焊透样本数据如表5。

表3良好焊缝10组四通道输出数据

表4含气孔焊缝10组四通道输出数据

表5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6所示的训练样本特征量分布表。

表6训练样本特征量分布表

根据表6中不同缺陷类型样本的特征量分布情况，建立训练样本缺陷特征量概率表7。

表7训练样本缺陷特征量概率

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8所示。

表8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9所示的待测样本特征量分布表。

表9待测样本特征量分布表

构造测试样本特征量概率值表10。

表10测试样本特征量概率值表

对于T₁，T₂，T₃，分别通过公式（10）并结合表7和表10中的数据，计算样本三种缺陷类型发生的概率。

$P_{T_1}\left(X_1\right)=0.769,P_{T_1}\left(X_2\right)=0,P_{T_1}\left(X_3\right)=0,$ 从而可以判断出T₁样本属于良好焊缝样本。

$P_{T_2}\left(X_1\right)=0,P_{T_2}\left(X_2\right)=0,P_{T_2}\left(X_3\right)=0.5,$ 从而可以判断出T₂样本属于未焊透焊缝样本。

$P_{T_3}\left(X_1\right)=0,P_{T_3}\left(X_2\right)=0.364,P_{T_3}\left(X_3\right)=0,$ 从而可以判断出T₃样本属于含气孔焊缝样本。

Claims (1)

1.一种基于贝叶斯网络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）将焊缝类型分为良好焊缝，含气孔焊缝以及未焊透焊缝，选择各个类型的焊缝样本作为学习样本，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，构造学习样本集合；

（2）基于各组学习样本的特征量，构造双层贝叶斯网络结构：三个根节点为三种可能的焊缝类型，分别为良好焊缝，含气孔焊缝以及未焊透焊缝，三个子节点依次为三个学习样本的特征量：峰峰值、方差和斜率变化；

（3）统计不同焊缝类型样本的特征量分布情况。对于各个特征量，根据其分布情况选择两个适当的阈值将其分布区间分成三段，即每个特征量的值域都被两个阈值分割成三个取值区间，计算三个根节点分别在各段区间内的概率，即完成双层贝叶斯网络的确定；

（4）测试待测焊缝的四通道输出数据，计算待测焊缝的峰峰值、方差和斜率变化；

（5）将待测焊缝的峰峰值、方差和斜率变化输入步骤（2）构造好的双层贝叶斯网络模型，根据所获得的被测焊缝的峰峰值、方差和斜率变化的具体数值，并结合步骤(3)中确定的阈值，计算被测焊缝三个特征量在各自的三个分布区间上的概率，最后根据计算获得的概率以及双层贝叶斯网络的参数，计算当前被测样本特征量分布情况下三种样本类型可能存在的概率，概率最大的样本类型即为被测焊缝的缺陷类型。

Images