CN103760229A - 基于支持向量机的焊接缺陷巨磁电阻涡流检测方法 - Google Patents
基于支持向量机的焊接缺陷巨磁电阻涡流检测方法 Download PDFInfo
- Publication number
- CN103760229A CN103760229A CN201410008925.0A CN201410008925A CN103760229A CN 103760229 A CN103760229 A CN 103760229A CN 201410008925 A CN201410008925 A CN 201410008925A CN 103760229 A CN103760229 A CN 103760229A
- Authority
- CN
- China
- Prior art keywords
- sample
- output
- vector machine
- weld seam
- giant magnetoresistance
- 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.)
- Granted
Links
Images
Abstract
本发明属于无损检测技术领域,涉及一种基于支持向量机的焊接缺陷巨磁电阻涡流检测方法,该方法选择良好焊缝,含气孔焊缝以及未焊透焊缝三个类型下的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,共使用两个支持向量机模型,第一个支持向量机用来区分有缺陷样本和无缺陷样本,第二个支持向量机用来确认有缺陷样本的缺陷类型。在对待测试件进行检测时,首先提取其特征量,将特征量输入第一个支持向量机模型,若为良好焊缝则结束,否则认为有缺陷焊缝,输入至第二个支持向量机模型进行进一步的分类处理。本发明可以准确的对待测样本的缺陷类型进行识别及分类。
Description
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 unifrmeddy 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 evaluati on ofthe 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 Techno1 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.Anovel 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,提供一种响应速度快,实时性好且测量过程简单并容易实现的焊接电涡流检测装置。为此,本发明采用如下的技术方案:
一种基于支持向量机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)将焊缝种类分为良好焊缝、含气孔焊缝和未焊透焊缝样本,选择包括不同种类缺陷样本,分别进行检测,对采集的不同焊缝种类的样本的四输出通道数据,计算同一时刻下的四路信号相互之间的峰峰值、方差和斜率变化三个样本特征量;
(2)选择n组具有良好焊缝的样本特征量,并选择n组包含各种缺陷焊缝的样本特征量,组成第一训练样本集,选择m组含气孔焊缝样本特征量和m组未焊透焊缝样本特征量作为第二训练样本集;
(3)以第一训练样本集内的样本特征量为输入端,建立第一支持向量机模型,用于对样本有无缺陷进行识别和分类,其输出端为期望输出,其中良好样本的期望输出为1,有缺陷样本期望输出为-1;
(4)以第二训练样本集内的样本特征量为输入端,建立第二支持向量机模型,用来对有缺陷样本进行进一步识别,确认其缺陷类型,输出为期望输出,含气孔样本的期望输出为1,未焊透样本期望输出为-1;
(5)在对待测焊缝样本的检测过程中,测量待测样本四路输出信号,并获取峰峰值,方差和斜率变化特征量;
(6)将待测焊缝样本的峰峰值、方差和斜率变化特征量输入训练好的第一支持向量机模型,若为良好焊缝则输出为1并结束,若输出为-1则认为是缺陷的焊缝样本;
将有缺陷的焊缝样本的特征量输入至第二支持向量机模型进行进一步的分类处理,若输出为1则为含气孔焊缝,输出-1为未焊透焊缝。
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。通过三个参数的数值及焊缝缺陷的种类训练支持向量机,用于对新被测焊缝的检验和分类。支持向量机的分类原理是将向量映射到一个高维空间内并在这个空间内建立一个最佳超平面使得属于两个不同类型的数据点之间的间隔最大。基于这个原理,并结合本发明所使用的特征量的分布情况,建立两个二分类支持向量机模型,通过至多两步完成对待测样本缺陷类型的识别,无论是在分类速度和精度上都优于多分类支持向量机模型。总之,本发明的检测方法,响应速度快,实时性好,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、对样本有无缺陷进行分类的svm1的训练结果;
图5、对样本缺陷类型进行识别的svm2的训练结果;
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
Vpp=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
Var(x1,x2,x3,x4)=E[(xi-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)
选择n组良好样本的特征量(峰峰值Vpp、方差Var和斜率变化kk)与n组有缺陷样本(包括气孔和未焊透)的特征量组成训练样本1,选择m组含气孔焊缝样本特征量和m组未焊透焊缝样本特征量作为训练样本2。
(2)训练svm支持向量机
本实施例中,在步骤(1)得到的训练样本的基础上,对各组训练样本,分别建立支持向量机模型,第一个支持向量机模型svm1用于对样本有无缺陷进行识别和分类,输入端输入步骤(1)中的训练样本1,输出端为期望输出,其中良好样本的期望输出为1,有缺陷样本期望输出为-1。第二个支持向量机模型svm2用来对有缺陷样本进行进一步识别,确认其缺陷类型,输入端为步骤(1)中获得的训练样本2,输出为期望输出,含气孔样本的期望输出为1,未焊透样本期望输出为-1。
第一步:训练支持向量机模型svm1。
通过步骤(1)对40组良好样本,20组含气孔样本和20组未焊透样本进行测量,获得各样本同一时刻下四路信号相互之间的峰峰值Vpp、方差Var和斜率变化kk,组成训练样本1,即一个80×3的数组(80个样本,每个样本3个特征量)作为svm1的输入,输出端则为一个80×1的数组,前40个数据为1,对应无缺陷良好样本,后40个为-1,对应有缺陷样本。使用径向基核函数RBF,对svm1进行训练。训练结果如附图4所示。
第二步:训练支持向量机模型svm2。
通过步骤(1)对40组含气孔样本和40组未焊透样本进行测量,获得各样本同一时刻下四路信号相互之间的峰峰值Vpp、方差Var和斜率变化kk,组成训练样本2,即一个80×3的数组(80个样本,每个样本3个特征量)作为svm2的输入,输出端则为一个80×1的数组,前40个数据为1,对应含气孔良好样本,后40个为-1,对应未焊透样本。使用径向基核函数RBF,对svm2进行训练。训练结果如附图5所示。
(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Vpp、方差Var和斜率变化kk输入步骤(2)训练好的支持向量机模型svm1,若为良好焊缝则输出为1并结束,若输出为-1则为有缺陷焊缝,输入至第二个支持向量机模型svm2进行进一步的分类处理,若输出为1则为含气孔焊缝,输出-1为未焊透焊缝。
从三种类型的样本中各选一个不属于训练样本的数据作为测试样本检测svm模型的分类识别能力,检测结果如下:
良好样本数据[1.55810.4603-1.0422],首先输入svm1,输出为1,则该样本为良好样本,检测正确;
未焊透样本数据[6.790612.1043-0.5475],输入svm1,输出为-1,即有缺陷,继续输入svm2,输出为-1,则为未焊透样本,检测正确;
含气孔样本数据[2.77391.50750.6418],输入svm1,输出为-1,即有缺陷,继续输入svm2,输出为1,则为含气孔样本,检测正确。
Claims (1)
1.一种基于支持向量机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)将焊缝种类分为良好焊缝、含气孔焊缝和未焊透焊缝样本,选择包括不同种类缺陷样本,分别进行检测,对采集的不同焊缝种类的样本的四输出通道数据,计算同一时刻下的四路信号相互之间的峰峰值、方差和斜率变化三个样本特征量;
(2)选择n组具有良好焊缝的样本特征量,并选择n组包含各种缺陷焊缝的样本特征量,组成第一训练样本集,选择m组含气孔焊缝样本特征量和m组未焊透焊缝样本特征量作为第二类训练样集;
(3)以第一训练样本集内的样本特征量为输入端,建立第一支持向量机模型,用于对样本有无缺陷进行识别和分类,其输出端为期望输出,其中良好样本的期望输出为1,有缺陷样本期望输出为-1;
(4)以第二训练样本集内的样本特征量为输入端,建立第二支持向量机模型,用来对有缺陷样本进行进一步识别,确认其缺陷类型,输出为期望输出,含气孔样本的期望输出为1,未焊透样本期望输出为-1;
(5)在对待测焊缝样本的检测过程中,测量待测样本四路输出信号,并获取峰峰值,方差和斜率变化特征量;
(6)将待测焊缝样本的峰峰值、方差和斜率变化特征量输入训练好的第一支持向量机模型,若为良好焊缝则输出为1并结束,若输出为-1则认为是缺陷的焊缝样本;
(7)将有缺陷的焊缝样本的特征量输入至第二支持向量机模型进行进一步的分类处理,若输出为1则为含气孔焊缝,输出-1为未焊透焊缝。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410008925.0A CN103760229B (zh) | 2014-01-07 | 2014-01-07 | 基于支持向量机的焊接缺陷巨磁电阻涡流检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410008925.0A CN103760229B (zh) | 2014-01-07 | 2014-01-07 | 基于支持向量机的焊接缺陷巨磁电阻涡流检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103760229A true CN103760229A (zh) | 2014-04-30 |
CN103760229B CN103760229B (zh) | 2016-03-30 |
Family
ID=50527502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410008925.0A Expired - Fee Related CN103760229B (zh) | 2014-01-07 | 2014-01-07 | 基于支持向量机的焊接缺陷巨磁电阻涡流检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103760229B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106841390A (zh) * | 2017-03-14 | 2017-06-13 | 浙江大学 | 一种基于支持向量机的环焊缝超声相控阵自动聚焦方法 |
CN109727229A (zh) * | 2018-11-28 | 2019-05-07 | 歌尔股份有限公司 | 虚焊检测方法及装置 |
CN109741296A (zh) * | 2018-11-28 | 2019-05-10 | 歌尔股份有限公司 | 产品质量检测方法及装置 |
CN109829483A (zh) * | 2019-01-07 | 2019-05-31 | 鲁班嫡系机器人(深圳)有限公司 | 缺陷识别模型训练方法、装置、计算机设备和存储介质 |
CN113207286A (zh) * | 2018-12-19 | 2021-08-03 | 松下知识产权经营株式会社 | 外观检查装置及使用该外观检查装置判定焊接部位有无形状不良及形状不良的种类的判定精度的提高方法、焊接系统及使用该焊接系统的工件的焊接方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3588682A (en) * | 1967-11-28 | 1971-06-28 | Forster F M O | System for inspecting a welded seam with means for generating a signal which is a function of the welding temperature |
CN1959402A (zh) * | 2006-11-01 | 2007-05-09 | 浙江大学 | 基于巨磁电阻传感器的涡流检测装置 |
CN101140263A (zh) * | 2007-09-30 | 2008-03-12 | 浙江大学 | 基于巨磁电阻的电涡流检测传感器及其方法 |
US20100052667A1 (en) * | 2005-11-07 | 2010-03-04 | Hiroaki Kohama | Electromagnetic induction type inspection device and method |
CN103163216A (zh) * | 2013-03-14 | 2013-06-19 | 天津大学 | 一种基于巨磁电阻传感器的金属导体缺陷识别及估计方法 |
CN103257181A (zh) * | 2013-05-24 | 2013-08-21 | 中国矿业大学 | 一种高速运动状态下金属板材缺陷检测装置与方法 |
-
2014
- 2014-01-07 CN CN201410008925.0A patent/CN103760229B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3588682A (en) * | 1967-11-28 | 1971-06-28 | Forster F M O | System for inspecting a welded seam with means for generating a signal which is a function of the welding temperature |
US20100052667A1 (en) * | 2005-11-07 | 2010-03-04 | Hiroaki Kohama | Electromagnetic induction type inspection device and method |
CN1959402A (zh) * | 2006-11-01 | 2007-05-09 | 浙江大学 | 基于巨磁电阻传感器的涡流检测装置 |
CN101140263A (zh) * | 2007-09-30 | 2008-03-12 | 浙江大学 | 基于巨磁电阻的电涡流检测传感器及其方法 |
CN103163216A (zh) * | 2013-03-14 | 2013-06-19 | 天津大学 | 一种基于巨磁电阻传感器的金属导体缺陷识别及估计方法 |
CN103257181A (zh) * | 2013-05-24 | 2013-08-21 | 中国矿业大学 | 一种高速运动状态下金属板材缺陷检测装置与方法 |
Non-Patent Citations (4)
Title |
---|
G.YANG ET AL.: "Sensor-tilt invariance analysis for eddy current signals", 《NDT&E INTERNATIONAL》 * |
徐明 等: "基于GMR的二维焊缝检测传感器的设计与实现", 《仪表技术与传感器》 * |
耿强 等: "基于支持向量机和神经网络方法的应力腐蚀裂纹定量重构", 《电工技术学报》 * |
高云红 等: "基于SVM的电涡流传感器动态建模方法", 《微计算机信息》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106841390A (zh) * | 2017-03-14 | 2017-06-13 | 浙江大学 | 一种基于支持向量机的环焊缝超声相控阵自动聚焦方法 |
CN106841390B (zh) * | 2017-03-14 | 2019-05-28 | 浙江大学 | 一种基于支持向量机的环焊缝超声相控阵自动聚焦方法 |
CN109727229A (zh) * | 2018-11-28 | 2019-05-07 | 歌尔股份有限公司 | 虚焊检测方法及装置 |
CN109741296A (zh) * | 2018-11-28 | 2019-05-10 | 歌尔股份有限公司 | 产品质量检测方法及装置 |
CN109741296B (zh) * | 2018-11-28 | 2023-10-20 | 歌尔股份有限公司 | 产品质量检测方法及装置 |
CN109727229B (zh) * | 2018-11-28 | 2023-10-20 | 歌尔股份有限公司 | 虚焊检测方法及装置 |
CN113207286A (zh) * | 2018-12-19 | 2021-08-03 | 松下知识产权经营株式会社 | 外观检查装置及使用该外观检查装置判定焊接部位有无形状不良及形状不良的种类的判定精度的提高方法、焊接系统及使用该焊接系统的工件的焊接方法 |
CN109829483A (zh) * | 2019-01-07 | 2019-05-31 | 鲁班嫡系机器人(深圳)有限公司 | 缺陷识别模型训练方法、装置、计算机设备和存储介质 |
CN109829483B (zh) * | 2019-01-07 | 2021-05-18 | 鲁班嫡系机器人(深圳)有限公司 | 缺陷识别模型训练方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103760229B (zh) | 2016-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103760230B (zh) | 基于bp神经网络的焊接缺陷巨磁电阻涡流检测方法 | |
CN103760231B (zh) | 基于决策树的焊接缺陷巨磁电阻涡流检测方法及检测装置 | |
CN1985164B (zh) | 用于无损坏地检查管道的方法和装置 | |
CN103713042B (zh) | 基于k邻近算法的焊接缺陷电涡流检测方法 | |
CN103995048B (zh) | 钢丝绳磁记忆在线检测装置 | |
CN103163216B (zh) | 一种基于巨磁电阻传感器的金属导体缺陷识别及估计方法 | |
CN110057904B (zh) | 一种运动金属构件的缺陷定量检测方法及装置 | |
CN102182933B (zh) | 脉冲漏磁缺陷与应力的无损检测系统及无损检测方法 | |
CN103760229B (zh) | 基于支持向量机的焊接缺陷巨磁电阻涡流检测方法 | |
CN102841136B (zh) | 一种基于阵元线圈的变阵列涡流仪器设计方法 | |
CN103499636B (zh) | 基于测静磁力的薄板类铁磁材料中微缺陷的无损检测方法 | |
CN103592365B (zh) | 一种转子裂纹快速检测方法 | |
CN104807566B (zh) | 基于涡流响应曲面的铝合金板材残余应力检测方法 | |
Rocha et al. | Studies to optimize the probe response for velocity induced eddy current testing in aluminium | |
Ru et al. | Structural coupled electromagnetic sensing of defects diagnostic system | |
CN103163211A (zh) | 一种金属导体表面和亚表面缺陷分类识别方法 | |
CN202018442U (zh) | 脉冲漏磁缺陷与应力的无损检测系统 | |
EP3344982B1 (en) | A method and system for detecting a material discontinuity in a magnetisable article | |
Fu et al. | Simulation and quantitative study of cracks in 304 stainless steel under natural magnetization field | |
CN103713043A (zh) | 基于贝叶斯网络的焊接缺陷巨磁电阻涡流检测方法 | |
Piao et al. | High-speed inspection method fusing pulsed eddy current and magnetic flux leakage | |
Pasha et al. | A pipeline inspection gauge based on low cost magnetic flux leakage sensing magnetometers for non-destructive testing of pipelines | |
Liu et al. | A novel method of omnidirectional defects detection by MFL testing under single axial magnetization at the production stage of lathy ferromagnetic materials | |
CN108956756A (zh) | 一种高灵敏铁磁材料无损检测方法及系统 | |
CN201527411U (zh) | 二维低频脉冲涡流探头 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160330 Termination date: 20210107 |