CN109142514A - 一种基于脉冲涡流阵列的缺陷检测装置及方法 - Google Patents

一种基于脉冲涡流阵列的缺陷检测装置及方法 Download PDF

Info

Publication number
CN109142514A
CN109142514A CN201811147009.XA CN201811147009A CN109142514A CN 109142514 A CN109142514 A CN 109142514A CN 201811147009 A CN201811147009 A CN 201811147009A CN 109142514 A CN109142514 A CN 109142514A
Authority
CN
China
Prior art keywords
signal
value
detection coil
module
defect
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
Application number
CN201811147009.XA
Other languages
English (en)
Other versions
CN109142514B (zh
Inventor
冯健
邱帅
汪刚
刘金海
马大中
张化光
卢森骧
吴振宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University China
Original Assignee
Northeastern University China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeastern University China filed Critical Northeastern University China
Priority to CN201811147009.XA priority Critical patent/CN109142514B/zh
Publication of CN109142514A publication Critical patent/CN109142514A/zh
Application granted granted Critical
Publication of CN109142514B publication Critical patent/CN109142514B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
    • G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
    • G01N27/90—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents
    • G01N27/9046—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents by analysing electrical signals
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
    • G01B7/02—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring length, width or thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
    • G01B7/26—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring depth
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
    • G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
    • G01N27/90—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents
    • G01N27/904—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents with two or more sensors

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)

Abstract

本发明提供一种基于脉冲涡流阵列的缺陷检测装置及方法，涉及无损检测技术领域。本方法的过程如下：信号发生器产生周期性脉冲信号，经功率放大器放大后，施加到激励线圈两端。检测线圈阵列单元采集被测试件上方磁场信号，输出给信号调理单元；信号调理单元对信号进行滤波、放大后输出给A/D转换单元，最后，送入DSP数据处理模块，求取缺陷的尺寸信息。本发明装置对检测阵列数据了进行了聚类和均值处理，有效抑制了检测阵列线圈倾斜或提离对缺陷检测的影响；采用了一个线圈作为激励、多个检测线圈组成阵列的结构，即减小了磁场的干扰，又实现了更为全面的缺陷信息检测；将时域特征量和频域特征量相结合，提高了缺陷检测精度。

Description

一种基于脉冲涡流阵列的缺陷检测装置及方法
技术领域
本发明涉及技术领域，尤其涉及一种基于脉冲涡流阵列的缺陷检测装置及方法。
背景技术
目前我国的管道的运行寿命大部分已达20余年，常年运行的管道由于应力，等人为或自然因素，在管道的运行过程中会产生各种缺陷，运行的管道由于缺陷的出现会造成泄漏事故，将会产生巨大安全生产隐患，所以，要对在役管道进行有效的检测。脉冲涡流检测技术是主要的缺陷检测研究方向，是一种基于电涡流效应的无损、非接触式的检测方式并且不需要耦合剂，具有极为广泛的应用范围。但单检测探头极易受外部环境的干扰，而且也不能全面反映缺陷信息。单个脉冲涡流无损检测无法摆脱提离效应对缺陷检测的影响，脉冲涡流理论基础已经建立完全，但整体的检测装置设计各不相同，也不太完善，如果缺陷、腐蚀、提离等都存在时，会对检测结果产生很大的误判，这是目前脉冲涡流技术面临的一个难题，并且脉冲涡流缺陷分类识别的研究仍处于初级阶段，分类效果并不是很理想，需要我们拓展研究思路，探索新的方法。随着现代工艺和科学技术的迅猛发展，阵列探头的制作更为简单、精确，涡流阵列的研究成为了主要研究方向，阵列探头各个检测线圈独立工作、同步响应，可提取缺陷不同位置特征信息，同时也可以实现了电涡流传感器阵列的快速、高精度测量。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种脉冲涡流阵列缺陷检测装置及方法，本发明减小了磁场的干扰，实现了更为全面的缺陷信息检测；将时域特征量和频域特征量相结合，提高了缺陷检测精度。
为解决上述技术问题，本发明所采取的技术方案是：
一方面，本发明提供一种基于脉冲涡流阵列的缺陷检测装置，包括：信号发生器、功率放大器、激励线圈、检测线圈阵列单元、信号调理单元、A/D转换单元、DSP数据处理模块；所述信号发生器与功率放大器的输入端相连，功率放大器的输出端与激励线圈的两端相连接，检测线圈阵列单元在激励线圈内，信号调理单元的输入端与检测线圈阵列单元的输出端相连，信号调理单元的输出端与A/D转换单元的输入端相连，A/D转换单元的输出端与DSP数据处理模块的输入端相连接；
所述信号发生器用于产生周期性脉冲信号，将周期性脉冲信号传输至功率放大器；
所述功率放大器用于对信号发生器产生的周期性脉冲信号放大，放大后施加到激励线圈两端；
所述激励线圈用于通入放大后的周期脉冲信号，产生交变磁场；
所述检测线圈阵列单元用于检测被测试件上方磁场信号，并将其转换成电压信号输出至信号调理单元；
所述信号调理单元用于对检测线圈阵列单元输出的电压信号进行滤波、放大后输出至A/D转换单元；
所述A/D转换单元用于对信号调理单元输出的电压信号进行模/数转换，并将转换后的数字信号输出至DSP数据处理模块；
所述DSP数据处理模块包括基于密度的聚类信号分类模块、带权重的时域特征提取模块、带权重的频域特征提取模块、主成分分析降维模块、RBF神经网络缺陷反演模块；所述基于密度的聚类信号分类模块用于对A/D转换单元输出的数字信号进行分类；所述带权重的时域特征提取模块用于提取基于密度的聚类信号分类模块分类后的数字信号，并进行对数字信号的时域特征值提取，将时域特征值输入至主成分分析降维模块；带权重的频域特征提取模块用于提取基于密度的聚类信号分类模块分类后的数字信号，并进行对数字信号的频域特征值提取，将频域特征值输入至主成分分析降维模块；所述主成分分析降维模块用于对提取到的时域特征值和频域特征值进行降维，将降维后时域特征值和频域特征值输入至RBF神经网络缺陷反演模块；RBF神经网络缺陷反演模块用于将降维后的时域特征值和频域特征值作为输入，输出缺陷的尺寸信息；
另一方面，本发明提供一种基于脉冲涡流阵列的缺陷检测方法，通过所述一种基于脉冲涡流阵列的缺陷检测装置实现，包括如下步骤：
步骤1：确定检测线圈数量n；检测线圈采集缺陷上方的电磁场信号，并将其转换为电信号传输至A/D转换单元，经A/D转换为数字信号；
步骤2：在基于密度的聚类信号分类模块中，提取步骤1的数字信号作为样本集D，利用基于密度聚类的算法，将样本集D分成D1,D2,…,Dk，共分为k类；
步骤3：将聚类后的信号分别在带权重的时域特征提取模块和带权重的频域特征提取模块中进行信号的特征值提取；
步骤4：在主成分分析降维模块中，对提取的时域特征值和频域特征值降维；
步骤5：在RBF神经网络缺陷反演模块中，将降维后的时域和频域的特征值，作为RBF神经网络的输入，使用基于RBF神经网络的缺陷尺寸判别方法，实现缺陷长、宽、深的定量检测。
步骤2包括以下步骤：
步骤2.1：提取经A/D转换单元转换后的数字信号作为样本集：
其中，D中的每一行向量为一个检测线圈在一个采样周期内的采样数据，列向量为检测线圈矩阵所有检测线圈的采样数据，xij为第i个检测线圈在一个采样周期内j时刻的采样数据，i＝1,2,…,n；j＝1,2,…,m；检测线圈矩阵共有n个检测线圈，检测线圈在一个采样周期内采集m个数据；
步骤2.2：确定邻域参数(ε,MinPts)的值；其中，ε为邻域半径；MinPts为ε邻域至少包含的样本数；
步骤2.3：利用基于密度聚类的算法，对检测线圈样本集进行分类：样本集D被分成D1,D2,…,Dk，共分为k类。
步骤3包括以下步骤：
步骤3.1：确定时域特征值；
步骤3.1.1：对步骤2.3得到的k个类D1,D2,…,Dk，求取每一类中所有检测线圈相同采样时刻电压数据的平均值，即对类Dl的每一列求平均值
其中，l＝1,2,…,k；为类Dl中第q列平均值，q＝1,2,...,m；
步骤3.1.2：分别求取中行向量中数据的最大值，作为初始特征值；
步骤3.1.3：确定类Dl的权重，求取带权重的新特征值；
对步骤2.3得到的k个类D1,D2,…,Dk，其行数分别为n1,n2,…,nk，行数也是每一类中的检测线圈数；类Dl的权重为：
其中，l＝1,2，…，k；n为检测线圈矩阵中检测线圈个数；
步骤3.1.4:将步骤3.1.2中求得的的初始特征值，与步骤3.1.3中求得的权重对应相乘，分别作为D1,D2,…,Dk的时域特征值；
步骤3.2：确定频域特征值；
步骤3.2.1：对分别做FFT变换转换:
其中S＝1,2，…，k；
步骤3.2.2：分别求取中行向量中数据的最大值,然后分别与步骤3.1.3中求得的权重对应相乘，作为D1,D2,…,Dk的频域特征值。
采用上述技术方案所产生的有益效果在于：本发明提供的一种基于脉冲涡流阵列的缺陷检测装置及方法，本方法将聚类后的检测线圈信号求取均值，减少因检测线圈倾斜、提离造成的检测信号的变化；根据聚类的检测线圈数量与检测线圈阵列总数之比作为衡量特征所含缺陷信息的权重，同时结合时域和频域特征，共同实现缺陷尺寸的定量检测；采用了一个线圈作为激励、多个检测线圈组成阵列的结构，减小了磁场的干扰，提高了缺陷检测精度。
附图说明
图1为本发明实施例提供的一种基于脉冲涡流阵列的缺陷检测装置结构框图；
图2为本发明实施例提供的被测试件、激励线圈和检测线圈矩阵单元的装置图；其中，1，被检测试件；2，激励线圈；3，检测线圈阵列单元；
图3为本发明实施例提供的一种基于脉冲涡流阵列的缺陷检测方法流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例的方法如下所述：
一方面，本发明提供一种基于脉冲涡流阵列的缺陷检测装置，如图1和图2所示，包括：信号发生器、功率放大器、激励线圈、检测线圈阵列单元、信号调理单元、A/D转换单元、DSP数据处理模块；所述信号发生器与功率放大器的输入端相连，功率放大器的输出端与激励线圈的两端相连接，检测线圈阵列单元在激励线圈内，信号调理单元的输入端与检测线圈阵列单元的输出端相连，信号调理单元的输出端与A/D转换单元的输入端相连，A/D转换单元的输出端与DSP数据处理模块的输入端相连接；
所述信号发生器用于产生周期性脉冲信号，将周期性脉冲信号传输至功率放大器；
所述功率放大器用于对信号发生器产生的周期性脉冲信号放大，放大后施加到激励线圈两端；
所述激励线圈用于通入放大后的周期脉冲信号，产生交变磁场；
所述检测线圈阵列单元用于检测被测试件上方磁场信号，并将其转换成电压信号输出至信号调理单元；
所述信号调理单元用于对检测线圈阵列单元输出的电压信号进行滤波、放大后输出至A/D转换单元；
所述A/D转换单元用于对信号调理单元输出的电压信号进行模/数转换，并将转换后的数字信号输出至DSP数据处理模块；
所述DSP数据处理模块包括基于密度的聚类信号分类模块、带权重的时域特征提取模块、带权重的频域特征提取模块、主成分分析降维模块、RBF神经网络缺陷反演模块；所述基于密度的聚类信号分类模块用于对A/D转换单元输出的数字信号进行分类；所述带权重的时域特征提取模块用于提取基于密度的聚类信号分类模块分类后的数字信号，并进行对数字信号的时域特征值提取，将时域特征值输入至主成分分析降维模块；带权重的频域特征提取模块用于提取基于密度的聚类信号分类模块分类后的数字信号，并进行对数字信号的频域特征值提取，将频域特征值输入至主成分分析降维模块；所述主成分分析降维模块用于对提取到的时域特征值和频域特征值进行降维，将降维后时域特征值和频域特征值输入至RBF神经网络缺陷反演模块；RBF神经网络缺陷反演模块用于将降维后的时域特征值和频域特征值作为输入，输出缺陷的尺寸信息；
本实施例中，信号发生器的型号为AFG3021，功率放大器的型号为TL071CDR，A/D转换模块的型号为ADS7844，DSP的型号为TMS320F28335。
另一方面，本发明提供一种基于脉冲涡流阵列的缺陷检测方法，通过所述一种基于脉冲涡流阵列的缺陷检测装置实现，如图3所示，包括如下步骤：
步骤1：根据实际检测情况以及工艺技术所能达到的条件，功率放大器将信号发生器产生的脉冲信号，放大为电压为10V，频率为100HZ的方波，施加在检测线圈阵列中；确定检测线圈数量n；检测线圈采集缺陷上方的电磁场信号，并将其转换为电信号传输至A/D转换单元，经A/D转换为数字信号；
本实验中选取的检测线圈数为9个，激励线圈数为1个，具体参数如表1：
表1检测线圈和激励线圈的具体参数表
步骤2：在基于密度的聚类信号分类模块中，提取步骤1的数字信号作为样本集D，利用基于密度聚类的算法，将样本集D分成D1,D2,…,Dk，共分为k类；包括以下步骤：
步骤2.1：提取经A/D转换单元转换后的数字信号作为样本集：
其中，D中的每一行向量为一个检测线圈在一个采样周期内的采样数据，列向量为检测线圈矩阵所有检测线圈的采样数据，xij为第i个检测线圈在一个采样周期内j时刻的采样数据，i＝1,2,…,n；j＝1,2,…,m；检测线圈矩阵共有n个检测线圈，检测线圈在一个采样周期内采集m个数据；
步骤2.2：给定邻域参数(ε,MinPts)的值；其中，ε为邻域半径；MinPts为ε邻域至少包含的样本数；
参数的选择需要根据检测线圈的数量、尺寸、匝数等实际因素，经过多次实际检测确定。在检测线圈数量较少的情况下，MinPts不宜设置的过大；在检测线圈数量比较多的情况，可根据实际情况适当增大MinPts的值；
步骤2.3：利用基于密度聚类的算法，对检测线圈样本集进行分类：样本集D被分成D1,D2,…,Dk，共分为k类。
步骤3：将聚类后的信号分别在带权重的时域特征提取模块和带权重的频域特征提取模块中进行信号的特征值提取；包括以下步骤：
步骤3.1：确定时域特征值；
步骤3.1.1：对步骤2.3得到的k个类D1,D2,…,Dk，求取每一类中所有检测线圈相同采样时刻电压数据的平均值，即对类Dl的每一列求平均值
其中，l＝1,2,…,k；为类Dl中第q列平均值，q＝1,2,...,m；
步骤3.1.2：分别求取中行向量中数据的最大值，作为初始特征值；
步骤3.1.3：确定类Dl的权重，求取带权重的新特征值；
权重系数规则如下：对步骤2.3得到的k个类D1,D2,…,Dk，其行数分别为n1,n2,…,nk，行数也是每一类中的检测线圈数；类Dl的权重为：
其中，l＝1,2，…，k；n为检测线圈矩阵中检测线圈个数；
步骤3.1.4:将步骤3.1.2中求得的的初始特征值，与步骤3.1.3中求得的权重对应相乘，分别作为D1,D2,…,Dk的时域特征值；
步骤3.2：确定频域特征值；
步骤3.2.1：对分别做FFT变换转换:
其中S＝1,2，…，k；
步骤3.2.2：分别求取中行向量中数据的最大值,然后分别与步骤3.1.3中求得的权重对应相乘，作为D1,D2,…,Dk的频域特征值。
步骤4：在主成分分析降维模块中，对提取的时域特征值和频域特征值降维；
步骤5：在RBF神经网络缺陷反演模块中，将降维后的时域和频域的特征值，作为RBF神经网络的输入，使用基于RBF神经网络的缺陷尺寸判别方法，实现缺陷长、宽、深的定量检测。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (4)

1.一种基于脉冲涡流阵列的缺陷检测装置，其特征在于：包括：信号发生器、功率放大器、激励线圈、检测线圈阵列单元、信号调理单元、A/D转换单元、DSP数据处理模块；所述信号发生器与功率放大器的输入端相连，功率放大器的输出端与激励线圈的两端相连接，检测线圈阵列单元在激励线圈内，信号调理单元的输入端与检测线圈阵列单元的输出端相连，信号调理单元的输出端与A/D转换单元的输入端相连，A/D转换单元的输出端与DSP数据处理模块的输入端相连接；
所述信号发生器用于产生周期性脉冲信号，将周期性脉冲信号传输至功率放大器；
所述功率放大器用于对信号发生器产生的周期性脉冲信号放大，放大后施加到激励线圈两端；
所述激励线圈用于通入放大后的周期脉冲信号，产生交变磁场；
所述检测线圈阵列单元用于检测被测试件上方磁场信号，并将其转换成电压信号输出至信号调理单元；
所述信号调理单元用于对检测线圈阵列单元输出的电压信号进行滤波、放大后输出至A/D转换单元；
所述A/D转换单元用于对信号调理单元输出的电压信号进行模/数转换，并将转换后的数字信号输出至DSP数据处理模块；
所述DSP数据处理模块包括基于密度的聚类信号分类模块、带权重的时域特征提取模块、带权重的频域特征提取模块、主成分分析降维模块、RBF神经网络缺陷反演模块；所述基于密度的聚类信号分类模块用于对A/D转换单元输出的数字信号进行分类；所述带权重的时域特征提取模块用于提取基于密度的聚类信号分类模块分类后的数字信号，并进行对数字信号的时域特征值提取，将时域特征值输入至主成分分析降维模块；带权重的频域特征提取模块用于提取基于密度的聚类信号分类模块分类后的数字信号，并进行对数字信号的频域特征值提取，将频域特征值输入至主成分分析降维模块；所述主成分分析降维模块用于对提取到的时域特征值和频域特征值进行降维，将降维后时域特征值和频域特征值输入至RBF神经网络缺陷反演模块；RBF神经网络缺陷反演模块用于将降维后的时域特征值和频域特征值作为输入，输出缺陷的尺寸信息。
2.一种基于脉冲涡流阵列的缺陷检测方法，通过权利要求1所述的一种基于脉冲涡流阵列的缺陷检测装置实现，其特征在于：包括如下步骤：
步骤1：确定检测线圈数量n；检测线圈采集缺陷上方的电磁场信号，并将其转换为电信号传输至A/D转换单元，经A/D转换单元转换为数字信号；
步骤2：在基于密度的聚类信号分类模块中，提取步骤1的数字信号作为样本集D，利用基于密度聚类的算法，将样本集D分成D1,D2,…,Dk，共分为k类；
步骤3：将聚类后的信号分别在带权重的时域特征提取模块和带权重的频域特征提取模块中进行信号的特征值提取；
步骤4：在主成分分析降维模块中，对提取的时域特征值和频域特征值降维；
步骤5：在RBF神经网络缺陷反演模块中，将降维后的时域和频域的特征值，作为RBF神经网络的输入，使用基于RBF神经网络的缺陷尺寸判别方法，实现缺陷长、宽、深的定量检测。
3.根据权利要求2所述的一种基于脉冲涡流阵列的缺陷检测方法，其特征在于：所述步骤2包括以下步骤：
步骤2.1：提取经A/D转换单元转换后的数字信号作为样本集：
其中，D中的行向量为一个检测线圈在一个采样周期内的采样数据，列向量为检测线圈矩阵所有检测线圈的采样数据，xij为第i个检测线圈在一个采样周期内j时刻的采样数据，i＝1,2,…,n；j＝1,2,…,m；检测线圈矩阵共有n个检测线圈，检测线圈在一个采样周期内采集m个数据；
步骤2.2：确定邻域参数(ε,MinPts)的值；其中，ε为邻域半径；MinPts为ε邻域至少包含的样本数；
步骤2.3：利用基于密度聚类的算法，对检测线圈样本集进行分类：样本集D被分成D1,D2,…,Dk，共分为k类。
4.根据权利要求2所述的一种基于脉冲涡流阵列的缺陷检测方法，其特征在于：所述步骤3包括以下步骤：
步骤3.1：确定时域特征值；
步骤3.1.1：对步骤2.3得到的k个类D1,D2,…,Dk，求取每一类中所有检测线圈相同采样时刻电压数据的平均值，即对类Dl的每一列求平均值
其中，l＝1,2,…,k；为类Dl中第q列平均值，q＝1,2,...,m；
步骤3.1.2：分别求取中行向量中数据的最大值，作为初始特征值；
步骤3.1.3：确定类Dl的权重，求取带权重的新特征值；
对步骤2.3得到的k个类D1,D2,…,Dk，其行数分别为n1,n2,…,nk，行数也是每一类中的检测线圈数；类Dl的权重为：
其中，l＝1,2，…，k；n为检测线圈矩阵中检测线圈个数；
步骤3.1.4:将步骤3.1.2中求得的的初始特征值，与步骤3.1.3中求得的权重对应相乘，分别作为D1,D2,…,Dk的时域特征值；
步骤3.2：确定频域特征值；
步骤3.2.1：对分别做FFT变换转换:
其中S＝1,2，…，k；
步骤3.2.2：分别求取中行向量中数据的最大值,在分别与步骤3.1.3中求得的权重对应相乘，作为D1,D2,…,Dk的频域特征值。
CN201811147009.XA 2018-09-29 2018-09-29 一种基于脉冲涡流阵列的缺陷检测装置及方法 Active CN109142514B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811147009.XA CN109142514B (zh) 2018-09-29 2018-09-29 一种基于脉冲涡流阵列的缺陷检测装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811147009.XA CN109142514B (zh) 2018-09-29 2018-09-29 一种基于脉冲涡流阵列的缺陷检测装置及方法

Publications (2)

Publication Number Publication Date
CN109142514A true CN109142514A (zh) 2019-01-04
CN109142514B CN109142514B (zh) 2022-04-01

Family

ID=64813333

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811147009.XA Active CN109142514B (zh) 2018-09-29 2018-09-29 一种基于脉冲涡流阵列的缺陷检测装置及方法

Country Status (1)

Country Link
CN (1) CN109142514B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109632944A (zh) * 2019-01-17 2019-04-16 浙江大学 一种基于组合特征的多层管柱结构脉冲涡流无损检测方法
CN110378370A (zh) * 2019-06-10 2019-10-25 浙江大学 一种基于脉冲涡流信号的油气井套管缺陷分类方法
CN110865118A (zh) * 2019-10-15 2020-03-06 东北大学 基于交错式探头和脉冲涡流的缺陷深度检测装置及方法
CN111220701A (zh) * 2019-10-17 2020-06-02 中国人民解放军陆军炮兵防空兵学院 一种身管损伤状态超声导波诊断方法
CN112394292A (zh) * 2020-11-16 2021-02-23 中国科学院上海硅酸盐研究所 电池故障动态检测系统
CN112782273A (zh) * 2020-12-31 2021-05-11 天津因科新创科技有限公司 基于脉冲涡流的管道裂纹检测方法及装置
CN113155954A (zh) * 2021-04-23 2021-07-23 佛山科学技术学院 一种用于导体结构缺陷检测的脉冲涡流检测系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020190724A1 (en) * 2001-06-12 2002-12-19 Plotnikov Yuri Alexeyevich Pulsed eddy current two-dimensional sensor array inspection probe and system
CN103940908A (zh) * 2014-04-28 2014-07-23 河海大学常州校区 基于dbscan及互相关算法的超声检测装置及方法
CN105548350A (zh) * 2016-01-26 2016-05-04 江苏理工学院 基于圆角矩形阵列探头的脉冲涡流缺陷检测成像系统
WO2017089568A1 (de) * 2015-11-27 2017-06-01 Ice Gateway Gmbh Klassifizieren eines oder mehrerer reflektionsobjekte
CN107255671A (zh) * 2017-06-29 2017-10-17 清华大学 钢板缺陷磁旋阵成像检测方法及检测装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020190724A1 (en) * 2001-06-12 2002-12-19 Plotnikov Yuri Alexeyevich Pulsed eddy current two-dimensional sensor array inspection probe and system
CN103940908A (zh) * 2014-04-28 2014-07-23 河海大学常州校区 基于dbscan及互相关算法的超声检测装置及方法
WO2017089568A1 (de) * 2015-11-27 2017-06-01 Ice Gateway Gmbh Klassifizieren eines oder mehrerer reflektionsobjekte
CN105548350A (zh) * 2016-01-26 2016-05-04 江苏理工学院 基于圆角矩形阵列探头的脉冲涡流缺陷检测成像系统
CN107255671A (zh) * 2017-06-29 2017-10-17 清华大学 钢板缺陷磁旋阵成像检测方法及检测装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
VOELKER, CHRISTOPH ET AL.: "Clustering Based Multi Sensor Data Fusion for Honeycomb Detection in Concrete", 《JOURNAL OF NONDESTRUCTIVE EVALUATION》 *
杨宾峰等: "脉冲涡流无损检测中腐蚀缺陷边缘的识别", 《机械工程学报》 *
王海涛 等: "脉冲涡流阵列缺陷成像检测技术", 《无损检测》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109632944A (zh) * 2019-01-17 2019-04-16 浙江大学 一种基于组合特征的多层管柱结构脉冲涡流无损检测方法
CN110378370A (zh) * 2019-06-10 2019-10-25 浙江大学 一种基于脉冲涡流信号的油气井套管缺陷分类方法
CN110865118A (zh) * 2019-10-15 2020-03-06 东北大学 基于交错式探头和脉冲涡流的缺陷深度检测装置及方法
CN111220701A (zh) * 2019-10-17 2020-06-02 中国人民解放军陆军炮兵防空兵学院 一种身管损伤状态超声导波诊断方法
CN112394292A (zh) * 2020-11-16 2021-02-23 中国科学院上海硅酸盐研究所 电池故障动态检测系统
CN112394292B (zh) * 2020-11-16 2022-01-04 中国科学院上海硅酸盐研究所 电池故障动态检测系统
CN112782273A (zh) * 2020-12-31 2021-05-11 天津因科新创科技有限公司 基于脉冲涡流的管道裂纹检测方法及装置
CN112782273B (zh) * 2020-12-31 2024-02-20 天津因科新创科技有限公司 基于脉冲涡流的管道裂纹检测方法及装置
CN113155954A (zh) * 2021-04-23 2021-07-23 佛山科学技术学院 一种用于导体结构缺陷检测的脉冲涡流检测系统及方法

Also Published As

Publication number Publication date
CN109142514B (zh) 2022-04-01

Similar Documents

Publication Publication Date Title
CN109142514A (zh) 一种基于脉冲涡流阵列的缺陷检测装置及方法
Pan et al. Intelligent fault identification for industrial automation system via multi-scale convolutional generative adversarial network with partially labeled samples
Chen et al. Feature extraction and selection for defect classification of pulsed eddy current NDT
Contin et al. Classification and separation of partial discharge signals by means of their auto-correlation function evaluation
Hu et al. Identification of gas/solid two-phase flow regimes using electrostatic sensors and neural-network techniques
Zhou et al. Optimal features combination for pulsed eddy current NDT
CN109375010A (zh) 基于振动分布特征模型的电力变压器绕组故障诊断方法
CN108760300A (zh) 一种依据轴承振动信号对其进行故障智能诊断的方法
CN109115868A (zh) 一种基于脉冲涡流的缺陷深度检测装置及方法
Xu et al. Rail defect detection method based on recurrent neural network
CN105717191A (zh) 磁巴克豪森噪声信号和磁性参数的检测方法和装置
CN110632484A (zh) 一种基于elm的gis局部放电缺陷诊断分类系统及方法
CN109100416A (zh) 基于正交多频电磁检测的铁磁性管道内壁缺陷检测装置
Liu et al. Pulsed eddy current data analysis for the characterization of the second-layer discontinuities
Huang et al. A parameter-optimized variational mode decomposition method using salp swarm algorithm and its application to acoustic-based detection for internal defects of arc magnets
Han et al. A novel rolling bearing fault diagnosis method based on generalized nonlinear spectral sparsity
CN112881879A (zh) 一种高压电缆终端局部放电模式识别方法、装置及设备
Yang et al. Reduction of lift-off effect for pulsed eddy current NDT based on sensor design and frequency spectrum analysis
Huang et al. Automatic classification of magnetic tiles internal defects based on acoustic resonance analysis
CN113624834A (zh) 一种基于边际谱质心检测的缺陷深度识别方法、系统
CN111579634B (zh) 一种铁磁性材料表面残余应力的抽样评估方法
Yang et al. Independent component analysis–based feature extraction technique for defect classification applied for pulsed eddy current NDE
CN116881712A (zh) 一种混凝土大坝活动裂纹电磁脉冲信号识别方法
Kolganov et al. Development of the Design of the Sensor and the Elements of Software Data Processing of the Dynamic Indentation Device
Xie et al. Inspection of magnetic tile internal cracks based on impact acoustics

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant