CN106124614B - 基于多维数据融合思想的亚表面缺陷定量化检测方法 - Google Patents

Abstract

一种基于多维数据融合思想的亚表面缺陷定量化检测方法，包括如下步骤：1)采用超声传感器获得的特征数据预估缺陷深度；2)采用涡流传感器获得的特征数据预估缺陷深度；3)建立双曲判别模型；4)d代表独立运用超声传感器和涡流传感器获得预估缺陷深度，判别如下：①当d偏向于较深的位置时，d大于预设上限阈值时，判定超声波检测结果有效，而涡流检测结果无效；②当d偏向于较浅的位置时，d小于预设下限限阈值时，判定超声波检测结果无效，涡流检测结果有效；③当d在深度上没有特别的趋向时，d位于预设下限阈值和预设上限阈值之间的闭合区间时，给出的中间不确定状况均衡模型，得到均衡检测值。本发明克服单一检测方式的局限性、可靠性良好。

Description

基于多维数据融合思想的亚表面缺陷定量化检测方法

技术领域

本发明涉及一种缺陷定量化检测方法，尤其是一种应用于亚表面缺陷定量化检测方法。

背景技术

随着现代工业生产的迅速发展,整个社会对工业生产的安全运行以及市场对产品质量的要求越来越高。与通信技术和计算机技术一起并称为现代信息技术三大支柱的检测技术就有极为重要的应用价值。检测技术中的无损检测更是在航空航天、轨道交通、加工制造等重要领域中有着重大的作用，而高可靠、定量化无损检测与评估是目前无损检测领域的研究难点也是研究热点。

对于导电结构件的有效检测与评估，可使用多种常规无损检测方法。但对于亚表面不同位置、尺寸微小、扩展角度多样的复杂缺陷，单一无损检测方法无法获得稳定可靠的检测信号。因此，探寻基于多种检测方法的综合集成理论与技术来提高缺陷检测的可检出性具有重要意义。

超声检测与电涡流检测是两种经典的无损检测方式。但两种无损检测方式各有利弊:当缺陷深度较浅时，电涡流检测的可靠性要高于超声检测的可靠性；当缺陷深度较深时，超声检测的可靠性要高于电涡流检测的可靠性。

发明内容

为了克服现有亚表面缺陷无损检测方式的可靠性较差的不足，本发明提供一种克服单一检测方式的局限性、可靠性良好的基于多维数据融合思想的亚表面缺陷定量化检测方法。

为了解决上述技术问题提供如下的技术方案：

一种基于多维数据融合思想的亚表面缺陷定量化检测方法，所述检测方法包括如下步骤：

1)采用超声传感器获得的特征数据预估缺陷深度du；

2)采用涡流传感器获得的特征数据预估缺陷深度de；

3)建立双曲判别模型：

其中，du和de表示运用超声传感器和涡流传感器获得的预估缺陷深度，θ₁、θ₂、θ₃表示多维检测方式的判别参数；

4)d代表独立运用超声传感器和涡流传感器获得预估缺陷深度，判别过程如下：

①：当d偏向于较深的位置时，即d大于预设上限阈值时，j(du,de)→1，判定超声波检测结果有效，而涡流检测结果无效；

②：当d偏向于较浅的位置时，即d小于预设下限限阈值时，j(du,de)→-1，判定超声波检测结果无效，涡流检测结果有效；

③：当d在深度上没有特别的趋向时，即d位于预设下限阈值和预设上限阈值之间的闭合区间时，给出如下的中间不确定状况均衡模型：

其中，G(du,de)表示均衡后的缺陷深度，即检测结果；x与y分别是两种检测方式下获得的特征数据，θ₁、θ₂、θ₃表示多维检测方式的判别参数，通过最小二乘的计算方式获得。

本发明的技术构思为：针对两种检测方式下的误差分布特点，提出基于多维数据融合思想的亚表面缺陷定量化检测方案。运用归一化理论融合数据，用最小二乘法估计双曲线正切函数参数，建立判别模型。

涡流检测和超声检测数据的量纲存在差异，为了消除指标之间的量纲，需要对数据进行归一化操作。以x表示从超声传感器获得的特征数据；y表示从超声传感器获得的特征数据。

对于一批N个已知缺陷深度为d_i(i＝1,2,3,…,N)分别采用超声传感器获得的特征数据为x_i，电涡流传感器获得的特征数据为y_i。

本发明的有益效果为：克服单一检测方式的局限性、可靠性良好。

附图说明

图1是基于多维数据融合思想的亚表面缺陷定量化检测方法的流程图。

具体实施方式

下面结合附图对本发明做进一步说明。

参照图1，一种基于多维数据融合思想的亚表面缺陷定量化检测方法，所述检测方法包括如下步骤：

1)采用超声传感器获得的特征数据预估缺陷深度du；

2)采用涡流传感器获得的特征数据预估缺陷深度de；

3)建立双曲判别模型：

其中，du和de表示运用超声传感器和涡流传感器获得的预估缺陷深度，θ₁、θ₂、θ₃表示多维检测方式的判别参数；

4)d代表独立运用超声传感器和涡流传感器获得预估缺陷深度，判别过程如下：

①：当d偏向于较深的位置时，即d大于预设上限阈值时，j(du,de)→1，判定超声波检测结果有效，而涡流检测结果无效；

②：当d偏向于较浅的位置时，即d小于预设下限限阈值时，j(du,de)→-1，判定超声波检测结果无效，涡流检测结果有效；

③：当d在深度上没有特别的趋向时，即d位于预设下限阈值和预设上限阈值之间的闭合区间时，给出如下的中间不确定状况均衡模型：

其中，G(du,de)表示均衡后的缺陷深度，即检测结果；x与y分别是两种检测方式下获得的特征数据，θ₁、θ₂、θ₃表示多维检测方式的判别参数，通过最小二乘的计算方式获得。

超声检测原理：超声波检测的物理基础是质点的机械振动及振动的传播，其原理遵循界面上的反射定律、折射定律、波的叠加、干涉及惠根斯原理等。

对于脉冲反射式的超声波探伤仪，探头被激励向被检测材料发射超声波，可以建立反射回的声音波幅与传播时间的对应关系。声波传播的时间可通过横坐标，即时基线十分精确的定位，而纵坐标的波幅会因缺陷形状、分布等原因只能得出缺陷大小的相对量，用已知标准缺陷对比来表示未知缺陷的大小。如果材料中存在缺陷，当探头接收到缺陷反射回的声波时，在时基线上会呈现出代表缺陷的脉冲波形。

按照水平刻度与探测深度成正比的关系，缺陷深度d满足：

其中，τ_f表示水平刻度，T表示反射时间，τ_b表示时间间隔。

根据现有的数据无法获得缺陷形状对传播时间的影响。只能通过现有数据进行分析，对探测的可靠深度进行估计。基于这些材料可以确定亚表面缺陷检测的特征数据和亚表面缺陷深度的关系为：

x＝α₁d+α₂

其中，x表示为超声传感器获得的特征数据，d为亚表面缺陷深度，α₁、α₂表示为超声检测参数。

参数α₁、α₂可以通过大量的测试数据运用最小二乘的数学方式计算得到。最小二乘的数学模型如下：

将一批N个已知缺陷深度为d_i(i＝1,2,3,…,N)采用超声传感器获得的特征数据为x_i代入如下函数f。

利用缺陷回波的时间和幅值的特征信息来判断缺陷深度具有操作方便、定位准确、灵敏度高的优点，但是也存在对表面和近表面缺陷的检测能力较差的缺点。在检测过程中，当缺陷深度较小时，缺陷信息会被初始回波淹没，造成检测盲区。

涡流检测的原理是来自于麦克斯韦方程组的推导结果，根据导体在交变磁场中会感应产生涡流的原理而诞生的一种不需要破坏导体表面结构的检测方式。通过导体中感应出的涡流反作用于检测的磁线圈，通过对于电磁线圈中产生的相应的阻抗来计算出涡流在导体中的大小，相位以及流动形式等，从而可以根据这些信息和标准工件进行对比得出被测工件的具体缺陷信息。

通过分析涡流检测的原理和局限可以确定以下几点涡流检测的限制条件:由于导体在变化的电磁场中有趋肤效应，为了较好地表示趋肤效应的程度，把导体从表面到内部磁场和涡流密度衰减到表面值的1/e大约(37.6％)处的深度称为标准趋肤深度。根据大量现有的资料可以把限制条件描述成以下公式：

其中，I₀为半径无限大导体表面的涡流密度，f为交流电的频率，μ为材料的磁导率，σ为材料的电导率，I_x为距离导体表面x深度处的涡流密度。从该公式可以看出:随着深度的增加用电涡流来测量缺陷的可靠程度将会变得越来越低。

其中，δ为趋肤深度，f为交流电的频率，μ为材料的磁导率，σ为材料的电导率。通常，检测对象的材质不会发生大的改变，所以电导率σ、磁导率μ当作不变，通常把导体表面3δ处的位置作为涡流检测的极限位置。通过一些基于频谱脉冲涡流检测的研究可知频谱的幅值和亚表面缺陷深度呈指数的关系。基于这些材料可以确定亚表面缺损检测的特征数据和亚表面缺陷深度的关系为：

y＝αd^β+γ

其中，y表示为涡流传感器获得的特征数据，d为亚表面缺陷深度，β表示为电涡流检测参数，γ表示不确定状况均衡参数。

参数β、γ可以通过大量的测试数据运用最小二乘的数学方式计算得到。最小二乘的数学模型如下：

将一批N个已知缺陷深度为d_i(i＝1,2,3,…,N)采用电涡流传感器获得的特征数据为y_i代入如下函数g。

综上所述，通过如上方法可以获得两种检测方式下的预估深度。

其中，du表示一块未知缺陷深度的亚表面材料通过超声检测传感器获得特征数据为x时，所估计的缺陷深度。de表示一块未知缺陷深度的亚表面材料通过涡流检测传感器获得特征数据为y时，所估计的缺陷深度。

但是在实际的处理过程中，还会出现一种中间情况:即测试同一个样本时，数据落在了介于中间区间的范围内，此时任何一种的测量方法都是不准确的。但是，任何一种方案都是有较高参考价值的情况下，则就此情况给出额外的冲突决策模型。本发明提出了一种双曲判别模型如下：

其中，du和de表示运用两种检测方法获得的亚表面缺陷深度定量评估数值。θ₁、θ₂、θ₃表示多维检测方式的判别参数。

通过这个判断模型可以较为容易得得出：在基于最大化准确测定概率的决策方式，可以通过以下的判别模型来求得估计深度。

其中d代表在对应的独立超声波检测模型或者涡流检测模型根据输入特征值求得深度：通过几次迭代后，求得各个区间所对应的深度数值。均在下列情况中给出。

判别模型①：当d偏向于较深的位置(在3.6mm以上)时，趋向于1而后者通常都会趋向于0，这样就可以根据这个类似于阶跃函数的模型推断出此时的状况为超声波检测结果有效，而涡流检测结果无效。

判别模型②：当d偏向于较浅的位置(在2.8mm以下)时，趋向于1而前者通常会趋向于0，根据这个性质j(du,de)→-1，推断出此时的状况为超声波检测结果无效，涡流检测结果有效。

判别模型③：当d在深度上没有特别的趋向(在2.8mm～3.6mm)时，在此种情况下无论d是如何分布的，其j(du,de)的绝对值都不会太大。即在此种情况下不再使用单一的涡流检测或者超声波检测的模型。所以给出如下所示的中间不确定状况均衡模型:

其中，G(du,de)表示均衡后的缺陷深度，即检测结果；x与y分别是两种检测方式下获得的特征数据，θ₁、θ₂、θ₃表示多维检测方式的判别参数，通过最小二乘的计算方式获得。

涡流检测和超声检测的模型的有机结合，利用模型预测的偏差程度，结合概率博弈理论，推测出两种检测方法的可靠区间。

Claims (1)

1.一种基于多维数据融合思想的亚表面缺陷定量化检测方法，其特征在于：所述检测方法包括如下步骤：

1)采用超声传感器获得的特征数据预估缺陷深度du；

2)采用涡流传感器获得的特征数据预估缺陷深度de；

3)建立双曲判别模型：

其中，du和de表示运用超声传感器和涡流传感器获得的预估缺陷深度，θ₁、θ₂、θ₃表示多维检测方式的判别参数；

4)d代表独立运用超声传感器和涡流传感器获得预估缺陷深度，判别过程如下：

①：当d偏向于较深的位置时，即d大于预设上限阈值时，j(du，de)→1，判定超声波检测结果有效，而涡流检测结果无效；

②：当d偏向于较浅的位置时，即d小于预设下限阈值时，j(du，de)→-1，判定超声波检测结果无效，涡流检测结果有效；

③：当d在深度上没有特别的趋向时，即d位于预设下限阈值和预设上限阈值之间的闭合区间时，给出如下的中间不确定状况均衡模型：

其中，G(du，de)表示均衡后的缺陷深度，即检测结果；x与y分别是两种检测方式下获得的特征数据，θ₁、θ₂、θ₃表示多维检测方式的判别参数，通过最小二乘的计算方式获得；

x＝α₁d+α₂

其中，x表示为超声传感器获得的特征数据，d为亚表面缺陷深度，α₁、α₂表示为超声检测参数，参数α₁、α₂通过大量的测试数据运用最小二乘的数学方式计算得到；

y＝αd^β+γ

其中，y表示为涡流传感器获得的特征数据，d为亚表面缺陷深度，β表示为电涡流检测参数，γ表示不确定状况均衡参数；

参数β、γ通过大量的测试数据运用最小二乘的数学方式计算得到。