CN110823996A - 可变检测面积的金属裂纹探伤成像仪 - Google Patents

可变检测面积的金属裂纹探伤成像仪 Download PDF

Info

Publication number
CN110823996A
CN110823996A CN201910987264.3A CN201910987264A CN110823996A CN 110823996 A CN110823996 A CN 110823996A CN 201910987264 A CN201910987264 A CN 201910987264A CN 110823996 A CN110823996 A CN 110823996A
Authority
CN
China
Prior art keywords
detection
signal
coil
output
neural network
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.)
Withdrawn
Application number
CN201910987264.3A
Other languages
English (en)
Inventor
孙春光
曾星星
庄雨欣
何敏
于慧华
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.)
Shanghai Maritime University
Original Assignee
Shanghai Maritime University
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 Shanghai Maritime University filed Critical Shanghai Maritime University
Priority to CN201910987264.3A priority Critical patent/CN110823996A/zh
Publication of CN110823996A publication Critical patent/CN110823996A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • 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
    • G01N27/9006—Details, e.g. in the structure or functioning of sensors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)

Abstract

本发明提供一种可变检测面积的金属裂纹探伤成像仪，包括：激激励电路生成并发送激励信号；信号采集电路，包括：由多个检测单元组成的传感器，调节平衡线圈，且在无损金属平面下使得第一检测信号和第二检测信号的输出电压相同；信号切换电路，用于对激励信号与检测单元的连接进行选通和切换；差分放大电路，用于接收每一组检测信号并进行差分放大，获得差分放大结果并转换为数字信号；上位机，用于接收数字信号，并将其输入至BP神经网络，以使BP神经网络基于输入结果输出与金属表面缺陷相对应的像素分布矩阵。旨在本发明属于电磁涡流探伤，由趋肤效应知，可以检测金属近表面缺陷，也可以检测内部空泡缺陷。通过增减检测单元数，增减检测面积。

Description

可变检测面积的金属裂纹探伤成像仪
技术领域
本发明涉及金属探伤技术领域，特别是涉及一种可变检测面积的金属裂纹 探伤成像仪。
背景技术
在金属材料的整个生命周期中总会出现或大或小的缺陷，虽然明显的大范 围缺陷能够及时被发现，但细微裂纹和内部空泡缺陷检测难度较大，容易被忽 视，这样的缺陷会随时间积累逐渐增大，因此，需要及时对金属裂纹进行检测。
目前对金属缺陷检测方法有渗透检测、磁粉检测等，需要对金属表面进行 处理，效率较低，传感器结构固定，单次检测面积被限定。
因此，提供一种操作便捷且稳定高效，同时可根据检测范围大小改变单次 检测面积的金属探伤方案是亟待解决的技术问题。
发明内容
鉴于以上所述现有技术的缺点及实际应用需求，本发明的目的在于提供一 种可变检测面积的金属裂纹探伤成像仪，旨在通过线圈的电压改变实现金属裂 缝的检测。
为实现上述目的及其他相关目的，本发明提供一种可变检测面积的金属裂 纹探伤成像仪，所述系统包括：
激励电路，用于生成并发送激励信号；
信号采集电路，包括：多个检测单元，其中，每一个检测单元包括：检测 线圈和平衡线圈、参考线圈，所述平衡线圈嵌在所述检测线圈内，所述检测线 圈和所述平衡线圈的轴线重合且均垂直于检测平面，所述参考线圈的轴线垂直 于检测平面，且第一距离与第二距离相等，其中，所述第一距离为所述检测线 圈与被测金属上表面的距离，所述第二距离为所述参考线圈与被测金属上表面 的距离；并将所述检测线圈的电压作为第一检测信号，将所述参考线圈的电压 作为第二检测信号；调节所述平衡线圈和参考线圈所在支路的可调电阻，且使 得在无损金属平面下使得所述第一检测信号和所述第二检测信号的输出电压相 同；
信号切换电路，用于对所述激励信号与检测单元的连接进行选通和切换， 以使所述多个检测单元依次与所述激励信号连接，获得多组检测信号，其中， 每一组检测信号均包括第一检测信号和第二检测信号；
差分放大电路，用于接收每一组检测信号并进行差分放大，获得差分放大 结果，其中，所述差分放大结果经过整流、滤波后为直流信号，并将直流信号 发送至单片机进行AD转化，获得数字信号；
上位机，用于接收所述数字信号，并将所述数字信号输入至BP神经网络， 以使所述BP神经网络基于所述输入结果输出与金属表面缺陷相对应的像素分 布矩阵，应用牛顿差值法弥补线圈之间未覆盖区域的图像，获得整个检测区域 内的所有像素矩阵并进行图像重建；
其中，将每个检测线圈所覆盖的范围作为一个单元格，每个单元格作为一 个像素点，当该单元格内有缺陷时，该单元格对应的像素值为1，该单元格内无 缺陷时，像素值为0，将所有检测线圈对应的像素分布矩阵作为图像重建数据， 根据不同缺陷情况，构建像素分布矩阵，作为神经网络的理想输出。
一种实现方式中，所述检测线圈的一端与所述第一电阻的一端相连，所述 第一电阻的一另端与所述激励信号相连，所述第一电阻的另一端与第一滑动电 阻的一端、第二滑动电阻的一端相连，所述第一滑动电阻的滑动端与所述参考 线圈的一端相连、所述第二滑动电阻的滑动端与所述平衡线圈的一端相连，所 述参考线圈的另一端接地，所述平衡线圈的另一端接地。
一种实现方式中，所述激励电路包括正弦信号发生电路、信号放大电路；
所述正弦信号发生电路与所述信号放大电路相连，其中，所述正弦信号发 生电路所采用的芯片型号为AD9833，所述信号放大电路所采用的芯片型号为 AD620B。
一种实现方式中，所述差分放大电路所采用的芯片具体型号为AD620B，所 述差分放大电路的所述第一检测信号和所述第二检测信号分别输入正向输入端 和反向输入端，所述差分放大电路的输出端经过整流、滤波后得到直流信号， 再与单片机相连，以使所述单片机对所述直流信号进行AD转化，得到数字信 号。
一种实现方式中，所述信号切换电路接收所述激励信号，所述信号切换电 路的输出端与多个检测单元相连；
所述信号切换电路通过控制器的端口选择信号，并根据所述端口选择信号 确定输出激励信号的输出端；其中，所述信号切换电路所采用的芯片型号为： ADG408。
一种实现方式中，所述BP神经网络的训练过程，包括：
设置训练数据集和验证数据集；
采用训练数据集对BP神经网络进行训练，设定输出的像素值为0或1；
采用验证数据集进行验证，并在BP神经网络的实际输出结果与理想值之间 差值的绝对值小于1％，则该检测数据的输出结果确定为正确，当每种缺陷情况 的检测数据正确率达到90％以上时，认为该BP神经网络为可用BP神经网络。
一种实现方式中，所述BP神经网络包括：输入层、隐含层、输出层；
其中，所述输入层接收输入数据，输出层，输出测试结果，前一层神经元连 接到后一层神经元，接收上一层神经元传递来的信息，通过一定的函数关系传 递给下一层；
神经网络每层输出结果正向传播，传递函数Sigmoid具体表达式如下：
Figure BDA0002237073790000031
其中，i＝1、2、3、...n，y是第i个神经元的输出，x是第i个神经元的净输 入值；
误差梯度为：
δh＝(δowho)f′(hi)
根据误差进行权值更新，隐含层的更新公式是：
输出层的更新为：
Figure BDA0002237073790000033
其中，δh表示隐含层的误差梯度，δo表示整个网络的误差梯度，who表示输 出层节点输入部分的传递函数权重，hi表示隐含层节点的输入，f′()表示传递 函数的导数，wih表示隐含层节点输入部分的传递函数权重，xi表示来自神经元i 的输入，i＝1,2,3,...n，N表示第N次迭代，η表示学习率，ho表示隐含层节点的输 出。
如上所述，本发明实施例提供的一种可变检测面积的金属裂纹探伤成像仪， 本发明属于电磁涡流探伤，由趋肤效应知，可以检测金属近表面缺陷，也可以 检测内部空泡缺陷；其次，本发明使用平衡电桥原理，被测金属无缺陷时输出 近似为零，输出电压随缺陷增大而增大，不需要建立灵敏度矩阵；最后，可以 根据检测面积大小，适当增减线圈数，做到检测效率与成本兼顾。
附图说明
图1是本发明实施例的可变检测面积的金属裂纹探伤成像仪的一种结果示 意图。
图2是本发明实施例的可变检测面积的金属裂纹探伤成像仪的第一种电路 连接示意图。
图3是本发明实施例的可变检测面积的金属裂纹探伤成像仪的第一种线圈 连接示意图。
图4是本发明实施例的可变检测面积的金属裂纹探伤成像仪的第二种线圈 连接示意图。
图5是本发明实施例的可变检测面积的金属裂纹探伤成像仪的第三种线圈 连接示意图。
图6是本发明实施例的可变检测面积的金属裂纹探伤成像仪的第二种电路 连接示意图。
图7是本发明实施例的可变检测面积的金属裂纹探伤成像仪的第三种电路 连接示意图。
图8是本发明实施例的可变检测面积的金属裂纹探伤成像仪的第四种电路 连接示意图。
图9是本发明实施例的可变检测面积的金属裂纹探伤成像仪的第五种电路 连接示意图。
图10是本发明实施例的可变检测面积的金属裂纹探伤成像仪的第六种电路 连接示意图。
图11是本发明实施例的可变检测面积的金属裂纹探伤成像仪的BP神经网 络的连接示意图。
图12是本发明实施例的可变检测面积的金属裂纹探伤成像仪的Sigmoid函 数曲线示意图。
图13是本发明实施例的可变检测面积的金属裂纹探伤成像仪的具体应用效 果示意图。
图14是本发明实施例的可变检测面积的金属裂纹探伤成像仪的牛顿插值法 示例函数曲线图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本 说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过 另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于 不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1-14。需要说明的是，本实施例中所提供的图示仅以示意方式说 明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实 施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例 可为一种随意的改变，且其组件布局型态也可能更为复杂。
如图1所示，本发明实施例提供一种可变检测面积的金属裂纹探伤成像仪， 所述系统包括：
激励电路，用于生成并发送激励信号。
如图2所示，采用芯片为AD9833，芯片的VCC电压引脚通过连接电容C31 后接地，用于滤波，使控制芯片的电源更稳定，通过控制FSYNC、SCLK、SDATA 三个引脚可以使模块输出频率为50kHz、伏值为0.5V的正弦信号AD9833out。
如图2、图3和图4所示，信号采集电路，包括：多个检测单元，其中，每 一个检测单元包括：检测线圈7和平衡线圈8、参考线圈9，所述平衡线圈8嵌 在所述检测线圈7内，所述检测线圈7和所述平衡线圈8的轴线重合且均垂直 于检测平面，所述参考线圈9的轴线垂直于检测平面，且第一距离与第二距离 相等，其中，所述第一距离为所述检测线圈7与被测金属上表面的距离，所述 第二距离为所述参考线圈9与被测金属上表面的距离；并将所述检测线圈7的 电压作为第一检测信号，将所述参考线圈9的电压作为第二检测信号；调节所述平衡线圈8，且使得在无损金属平面下使得所述第一检测信号和所述第二检测 信号的输出电压相同。
传感器有若干个检测单元，每个检测单元由3个线圈组成，分别是大的检 测线圈7和小的平衡线圈8，以及公共的参考线圈9，平衡线圈8嵌在检测线圈 7内。在本实施案例中，传感器5包含的检测线圈数为25，平衡线圈25个，参 考线圈1个，传感器5的所有检测线圈7和参考线圈9绕线匝数、绕线密度、 线圈阻抗相同，绕线匝数范围为50～500，线圈的内直径范围为1mm～15mm，外 直径范围为3mm～30mm，所有平衡线圈8参数相同，线圈匝数范围为50～500， 平衡线圈8外直径比检测线圈7内直径小0.5～5mm。如图5所示，检测线圈7 和平衡线圈8的轴线重合，都垂直与检测平面，参考线圈9的轴线也垂直与检 测平面，同时若检测线圈7与被测金属10上表面的距离为L，参考线圈9与被 测金属10上表面距离也为L。
如第一检测线圈下方有缺陷，其他检测线圈下方无缺陷时，对应的像素矩 阵只有第一个元素为1，其他元素为0。
通过增加或减少检测单元的数量，可以增加或减少单次检测面积。
其中，插值法是利用函数f(x)在某区间内若干点的函数值，拟合出适当的 函数关系，使该区间内的其他函数值近似符合该函数关系，牛顿插值法通过求 各阶差商，得到公式如下所示：
Figure BDA0002237073790000071
其 中，xi中的i表示每个检测线圈的编号，i＝1,2,3,…n，x为插入的像素值在最终 的像素矩阵中的位置，f(xi)为某个检测线圈工作时，该位置经过BP神经网络输 出的像素值。牛顿插值法的k阶均差如下式所示，其中，xj为待拟合函数曲线 有限的已知自变量，f(xj)表示已知自变量对应的函数值，j∈[0,k]，k∈[1,n]表示 已知自变量的编号：
Figure BDA0002237073790000072
以下使用一个函数实例加以描述牛顿插值法的使用，如函数表达式为：
Figure BDA0002237073790000073
自变量在区间[-10，10]内时，函数图像为图14中的实心曲线，离散的圆点为 牛顿插值法的采样点，使用该采样点拟合整个函数曲线，虚线部分表示使用牛 顿插值法拟合的曲线，可以看出拟合的函数曲线和原函数曲线近似相同。
由法拉第电磁感应原理知，通入变化电流的线圈产生变化的磁场，在磁场 范围内的金属近表面产生变化的涡流，该涡流同时产生变化的磁场，进而影响 最初线圈上的电压幅值和相位。根据平衡电桥原理，将受缺陷情况影响的检测 线圈7电压信号输入到放大器的正向输入端，另外，将通入同样激励信号的参 考线圈9，放在无缺陷的被测金属表面，该线圈的电压信号接入放大器的反向输 入端。因实际工艺误差，不能保证所用线圈的参数特性完全相同，导致在金属 表面无缺陷时，经电桥差分放大后的输出信号不为零。本文在检测线圈7中嵌 入一个小线圈作为平衡线圈8，调整通入平衡线圈8的电流方向，可使平衡线圈 8产生的磁场方向与检测线圈7的磁场方向相同或相反，进而使检测线圈7的磁 场得到增强或削弱，达到与参考线圈9磁场强度相同的程度，使平衡电桥在金 属无缺陷时输出电压接近零。
信号切换电路，用于对所述激励信号与检测单元的连接进行选通和切换， 以使所述多个检测单元依次与所述激励信号连接，获得多组检测信号，其中， 每一组检测信号均包括第一检测信号和第二检测信号。
如图6所示，示例性的，每个ADG408芯片可以控制8个检测单元，例如DetectCell1-DetectCell8，通过DetectCellA0_1、DetectCellA1_1、DetectCellA2_1 进行选通，DetectCellEn_1为使能信号，通过DetectCellEn_1的有效与否确定 U5是否为工作状态，其输入为引脚8所对应的激励信号Stimulate，示例性的， 传感器一共有25个检测单元，则一共需要4个ADG408芯片。
当DetectCellEn_1为高电平，DetectCellA2_1为低电平，DetectCellA1_1为 低电平，DetectCellA0_1为低电平时，ADG408的8引脚和4引脚S1内部接通， 第一个检测单元工作，具体的8引脚和哪个引脚接通，如表1所示。每个检测 单元需要2个继电器，一共需要50个继电器，每两个继电器控制一个检测单元 的信号，如继电器K1左侧引脚3为第一个检测单元检测线圈的电压，继电器 K1引脚5的Relay1和驱动芯片U6的输出端Relay1连接，当控制器输出到U6 的1引脚RealyOut1为高电平时，U6的输出端Relay1为低电平，继电器K1内部线圈通电，detect1和RealyDetect1内部闭合，也就是图6中的detect1和 RealyDetect1导通，其他继电器以此类推，由于篇幅限制图中只列出了4个继电 器。
表1
A2 A1 A0 EN 导通端
X X X 0 无
0 0 0 1 S1
0 0 1 1 S2
0 1 0 1 S3
0 1 1 1 S4
1 0 0 1 S5
1 0 1 1 S6
1 1 0 1 S7
1 1 1 1 S8
如图7所示，RelayOut1-RelayOut50为单片机STM32F407ZGT6的输出电平， 对应通过ULN2003进行电平转换后输出继电器的控制信号，例如针对芯片U6， 通过接收单片机发送的RelayOut1-RelayOut7对应输出Relay1-Relay7，例如，当 RelayOut1为高电平，则Relay1为高电平信号，以此对应。
如图8所示，激励信号Detectcell_1接通到该检测单元，检测线圈的一端与 第一电阻R1的一端相连，第一电阻R1的一另端与激励信号相连，第一电阻R1 的另一端与第一滑动电阻POT2的一端、第二滑动电阻POT3的一端相连，第一 滑动电阻POT2的滑动端与参考线圈的一端相连、第二滑动电阻POT3的滑动端 与平衡线圈的一端相连，参考线圈的另一端接地，平衡线圈的另一端接地。
激励信号DetectCell_1输入到三个线圈上，ref1通过参考线圈接地，det1通 过检测线圈接地，bal1通过平衡线圈接地，检测线圈所在支路的定值电阻R1较 大，参考线圈所在支路串联较小的定值电阻R2和可调电阻POT2，通过调节 POT2，可以使参考线圈所在支路的总电阻和检测线圈支路的总电阻近似相等， 因平衡线圈内嵌在检测线圈中，且平衡线圈和检测线圈的轴线重合，所以可以 通过调整电阻POT3，增强或减弱平衡线圈产生的磁场，进而改变检测线圈下方 的磁场，使检测线圈和参考线圈下方的磁场强度相等，使检测线圈的电压detect1 和参考线圈电压ref1相等，这两个信号经过通道选择电路的继电器后变成RelayDetect1和RelayRef1，输入到放大器U3，经过放大后输出signal信号近似 为零。当检测线圈下方有裂纹时，检测线圈的电压detect1和参考线圈电压ref1 不相等
和图9所示，为对激励信号进行放大的电路，得到的是最初由激励电路生 成并发送的激励信号，POT1用于调节放大倍数。
如图10所示的差分放大电路，用于接收每一组检测信号并进行差分放大， 获得差分放大结果，其中，所述差分放大结果经过整流后转换为直流信号。用 于将所检测到的RelayDetect1和RelayRef1输入至芯片U3的引脚中，芯片U3 的型号为AD602B，经过放大器U3差分放大后得到一定频率的交流信号signal， 通过调整POT4即可改变差分放大电路的放大倍数，经过肖特基二极管SS34的 半波整流，电容C3滤波后得到直流信号ADC，最后送入单片机进行AD转换， 获得数字信号。
上位机，用于接收所述数字信号，并将所述数字信号输入至BP神经网络， 以使所述BP神经网络基于所述输入结果输出与金属表面缺陷相对应的像素分 布矩阵。应用牛顿差值法弥补线圈之间未覆盖区域的图像，获得整个检测区域 内的所有像素矩阵并进行图像重建。
首先，可以将检测单元采集尽可能多的缺陷时的电压幅值，每种缺陷情况 采集500组数据，将这种缺陷情况的300组检测数据作为训练数据，构建的像 素分布矩阵作为理想输出结果，导入到BP神经网络进行训练，最后将余下的200组数据作为检测数据，检测BP神经网络的训练效果。因设定的像素值范围 为0或1，假设网络实际输出结果与理想值之间差值的绝对值小于1％，即认为 该检测数据的输出结果正确，当每种缺陷情况的检测数据正确率达到90％以上 时，认为该神经网络已训练好。
实际应用中，将每个检测线圈所覆盖的范围作为一个单元格，每个单元格 作为一个像素点，当该单元格内有缺陷时，该单元格对应的像素值为1，该单元 格内无缺陷时，像素值为0。检测范围内出现不同缺陷情况时，传感器会输出不 同的电压，将所有检测线圈对应的像素分布矩阵作为图像重建数据，根据不同 缺陷情况，构建像素分布矩阵，作为神经网络的理想输出。如第一检测线圈下 方有缺陷，其他检测线圈下方无缺陷时，对应的像素分布矩阵只有第一个元素 为1，其他元素为0。
如图11所示，以三层神经网络为例，包含输入层i、隐含层h、输出层o。其中 输入层接收数据，输出层输出最终结果，前一层神经元连接到后一层神经元， 接收上一层神经元传递来的信息，通过一定的函数关系传递给下一层。其中w 是传递函数的权重，b是偏置，每一个圆圈表示一个神经元。
神经网络每层输出结果正向传播，例如h1的输入是前一层神经元输出的加 权平均值之和再加上偏置，即h1＝i1*w1+i2*w2+b1*1。h1输出的内容是这个输 入的处理，处理的过程是经过一定的传递函数计算，例如常用的传递函数 Sigmoid具体表达式如下：
Figure BDA0002237073790000101
该传递函数的曲线如图12所示，该传递函数有两点符合生物学的神经传播：
单调传递，输入信号越大，输出信号越大；
定义域是(-∞,+∞)，值域是(0,1)，相当于把(-∞,+∞)映射到(0,1)信号
h1输出结果与h2的输出进行加权求和后再加上偏置b2传递到输出层o1、 o2，最后得到整个网络的输出结果。
神经网络初始化时会设置一定的权值和偏置，将样本数据导入时，实际输 出值与理想输出进行比较即可得到误差量。因初始化参数是随机的，需要经过 学习的过程才可以让模型不断优化逼近最佳状态。训练过程中需要让权值尽快 匹配尽可能多的训练样本，和线性回归方程中希望残差尽可能小一致，在最小 二乘法中，把误差表示成样本作为自变量的函数，用求极值的方法找到误差最 小时各个系数。以下是误差计算方法：
隐含层节点输入：hi＝wihxi+bh；
隐含层节点输出：h0＝f(hi)；
输出层节点输入：yi＝who+bo；
输出层节点输出：yo＝f(yi)。
其中xi、wih、who、ho、yo是向量，xi表示来自神经元i的输入，i＝1,2,3,...n， wih表示隐含层节点输入部分的传递函数权重，who表示输出层节点输入部分的传 递函数权重，ho表示隐含层节点的输出，hi表示隐含层节点的输入，yi表示输出 层节点的输入，yo表示输出层节点的输出，bh表示隐含层的偏置，bo表示输出 层节点的偏置，f()表示传递函数。
误差函数为：Ei＝doi-yoi
其中，doi表示理想输出结果，yoi表示实际输出结果。
整个网络的误差函数为：
Figure BDA0002237073790000111
输出层误差的偏微分：
Figure BDA0002237073790000112
其中：
Figure BDA0002237073790000113
Figure BDA0002237073790000114
从而得到：
Figure BDA0002237073790000115
误差梯度为：δo＝-(doi-yoi)f(yi)；
隐含层的误差偏微分：
Figure BDA0002237073790000116
其中：
Figure BDA0002237073790000121
Figure BDA0002237073790000122
Figure BDA0002237073790000123
所以得到：
Figure BDA0002237073790000124
误差梯度为：δh＝(δowho)f′(hi)
根据误差进行权值更新，隐含层的更新公式是：
Figure BDA0002237073790000125
输出层的更新为：
Figure BDA0002237073790000126
其中，δh表示隐含层的误差梯度，δo表示整个网络的误差梯度，f′()表 示传递函数的导数，N表示第N次迭代，η表示学习率。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。 任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进 行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所 揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利 要求所涵盖。

Claims (7)

1.一种可变检测面积的金属裂纹探伤成像仪，其特征在于，所述系统包括：
激励电路，用于生成并发送激励信号；
信号采集电路，包括：由多个检测单元组成的传感器，其中，每一个检测单元包括：检测线圈和平衡线圈、参考线圈，所述平衡线圈嵌在所述检测线圈内，所述检测线圈和所述平衡线圈的轴线重合且均垂直于检测平面，所述参考线圈的轴线垂直于检测平面，且第一距离与第二距离相等，其中，所述第一距离为所述检测线圈与被测金属上表面的距离，所述第二距离为所述参考线圈与被测金属上表面的距离；并将所述检测线圈的电压作为第一检测信号，将所述参考线圈的电压作为第二检测信号；调节所述平衡线圈和参考线圈所在支路的可调电阻，且使得在无损金属平面下所述第一检测信号和所述第二检测信号的输出电压相同；
信号切换电路，用于对所述激励信号与检测单元的连接进行选通和切换，以使所述多个检测单元依次与所述激励信号连接，获得多组检测信号，其中，每一组检测信号均包括第一检测信号和第二检测信号；
差分放大电路，用于接收每一组检测信号并进行差分放大，获得差分放大结果，其中，所述差分放大结果经过整流、滤波后为直流信号，并将直流信号发送至单片机进行AD转化，获得数字信号；
上位机，用于接收所述数字信号，并将所述数字信号输入至BP神经网络，以使所述BP神经网络基于所述输入结果输出与金属表面缺陷相对应的像素分布矩阵，应用牛顿差值法弥补线圈之间未覆盖区域的图像，获得整个检测区域内的所有像素矩阵并进行图像重建；
其中，将每个检测线圈所覆盖的范围作为一个单元格，每个单元格的数值作为像素信息，当该单元格内有缺陷时，该单元格对应的像素值为1，该网格内无缺陷时，像素值为0，将所有检测线圈对应的像素分布矩阵作为图像重建数据，根据不同缺陷情况，构建像素分布矩阵，作为神经网络的理想输出。
2.根据权利要求1所述的可变检测面积的金属裂纹探伤成像仪，其特征在于，所述检测线圈的一端与所述第一电阻(R1)的一端相连，所述第一电阻(R1)的一另端与所述激励信号相连，所述第一电阻(R1)的另一端与第一滑动电阻(POT2)的一端、第二滑动电阻(POT3)的一端相连，所述第一滑动电阻(POT2)的滑动端与所述参考线圈的一端相连、所述第二滑动电阻(POT3)的滑动端与所述平衡线圈的一端相连，所述参考线圈的另一端接地，所述平衡线圈的另一端接地。
3.根据权利要求1或2所述的可变检测面积的金属裂纹探伤成像仪，其特征在于，所述激励电路包括正弦信号发生电路、信号放大电路；
所述正弦信号发生电路与所述信号放大电路相连，其中，所述正弦信号发生电路所采用的芯片型号为AD9833，所述信号放大电路所采用的芯片型号为AD620B。
4.根据权利要求1-3任一项所述的可变检测面积的金属裂纹探伤成像仪，其特征在于，所述差分放大电路所采用的芯片具体型号为AD620B，所述差分放大电路的所述第一检测信号和所述第二检测信号分别输入正向输入端和反向输入端，所述差分放大电路的输出端经过整流、滤波后得到直流信号，再与单片机相连，以使所述单片机对所述直流信号进行AD转化，得到数字信号。
5.根据权利要求1-3任一项所述的可变检测面积的金属裂纹探伤成像仪，其特征在于，所述信号切换电路接收所述激励信号，所述信号切换电路的输出端与多个检测单元相连；
所述信号切换电路通过控制器的端口选择信号，并根据所述端口选择信号确定输出激励信号的输出端；其中，所述信号切换电路所采用的芯片型号为：ADG408。
6.根据权利要求1所述的可变检测面积的金属裂纹探伤成像仪，其特征在于，所述BP神经网络的训练过程，包括：
设置训练数据集和验证数据集；
采用训练数据集对BP神经网络进行训练，设定输出的像素值为0或1；
采用验证数据集进行验证，并在BP神经网络的实际输出结果与理想值之间差值的绝对值小于1％，则该检测数据的输出结果确定为正确，当每种缺陷情况的检测数据正确率达到90％以上时，认为该BP神经网络为可用BP神经网络。
7.根据权利要求6所述的可变检测面积的金属裂纹探伤成像仪，其特征在于，所述BP神经网络包括：输入层、隐含层、输出层；
其中，所述输入层接收输入数据，输出层，输出测试结果，前一层神经元连接到后一层神经元，接收上一层神经元传递来的信息，通过一定的函数关系传递给下一层；
神经网络每层输出结果正向传播，传递函数Sigmoid具体表达式如下：
Figure FDA0002237073780000031
其中，i＝1、2、3、...n，y是第i个神经元的输出，x是第i个神经元的净输入值；
误差梯度为：
δh＝(δowho)f′(hi)
根据误差进行权值更新，隐含层的更新公式是：
Figure FDA0002237073780000032
输出层的更新为：
Figure FDA0002237073780000033
其中，δh表示隐含层的误差梯度，δo表示整个网络的误差梯度，who表示输出层节点输入部分的传递函数权重，hi表示隐含层节点的输入，f′()表示传递函数的导数，wih表示隐含层节点输入部分的传递函数权重，xi表示来自神经元i的输入，i＝1,2,3,...n，N表示第N次迭代，η表示学习率，ho表示隐含层节点的输出。
CN201910987264.3A 2019-10-17 2019-10-17 可变检测面积的金属裂纹探伤成像仪 Withdrawn CN110823996A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910987264.3A CN110823996A (zh) 2019-10-17 2019-10-17 可变检测面积的金属裂纹探伤成像仪

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910987264.3A CN110823996A (zh) 2019-10-17 2019-10-17 可变检测面积的金属裂纹探伤成像仪

Publications (1)

Publication Number Publication Date
CN110823996A true CN110823996A (zh) 2020-02-21

Family

ID=69549702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910987264.3A Withdrawn CN110823996A (zh) 2019-10-17 2019-10-17 可变检测面积的金属裂纹探伤成像仪

Country Status (1)

Country Link
CN (1) CN110823996A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111862083A (zh) * 2020-07-31 2020-10-30 中国矿业大学 一种基于视觉-电磁检测的钢丝绳状态综合监测系统及方法
CN114002324A (zh) * 2021-11-02 2022-02-01 吉林大学 一种用于复合材料亚表层微裂痕的定位检测装置及方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111862083A (zh) * 2020-07-31 2020-10-30 中国矿业大学 一种基于视觉-电磁检测的钢丝绳状态综合监测系统及方法
CN111862083B (zh) * 2020-07-31 2023-09-19 中国矿业大学 一种基于视觉-电磁检测的钢丝绳状态综合监测系统及方法
CN114002324A (zh) * 2021-11-02 2022-02-01 吉林大学 一种用于复合材料亚表层微裂痕的定位检测装置及方法
CN114002324B (zh) * 2021-11-02 2022-12-30 吉林大学 一种用于复合材料亚表层微裂痕的定位检测装置及方法

Similar Documents

Publication Publication Date Title
Zhu et al. Permittivity reconstruction in electrical capacitance tomography based on visual representation of deep neural network
CN110823996A (zh) 可变检测面积的金属裂纹探伤成像仪
CN110174255B (zh) 一种基于径向基神经网络的变压器振动信号分离方法
Orcioni et al. Identification of Volterra models of tube audio devices using multiple-variance method
CN108992068A (zh) 一种相位补偿电路、磁感应成像装置及相位补偿方法
CN110470979B (zh) 基于故障特征区域的模拟电路故障诊断方法
Tian et al. Adaptive selection of relaxation factor in Landweber iterative algorithm
Sun et al. Proportional–integral controller modified landweber iterative method for image reconstruction in electrical capacitance tomography
CN109799472B (zh) 一种基于深度学习的磁共振涡流补偿方法
CN110188876A (zh) 基于bp神经网络的超声振动设备振幅软测量预测方法
Monfared et al. Prediction of state-of-charge effects on lead-acid battery characteristics using neural network parameter modifier
CN104865309A (zh) 一种减小巴克豪森噪声检测误差的方法及其传感器系统
CN113609749B (zh) 适用于多场景的基于磁场信号的电流计算方法
CN112578187B (zh) 高频变压器损耗测量系统和方法
Tröltzsch et al. Simplified analytical inductance model for a single turn eddy current sensor
CN101614799B (zh) 应用于电流传感器角差在线监测系统的信号分离择优方法
CN117233682A (zh) 一种平衡电桥的快速校准系统
Lin et al. Weighing fusion method for truck scales based on prior knowledge and neural network ensembles
Xue et al. An INN-based solution for the underdetermined image reconstruction problem in EIT
Li et al. Estimation of stress distribution in ferromagnetic tensile specimens using low cost eddy current stress measurement system and BP neural network
CN103439646A (zh) 一种模拟电路测试矢量生成方法
CN110598849A (zh) 基于神经网络的hmet散射参数提取方法、系统及存储介质
CN113075289B (zh) 一种金属圆柱缺陷参数检测方法及系统
Wang et al. Image reconstruction for electrostatic tomography based on residual network considering the prior knowledge of boundary measurement
CN113870377A (zh) 基于V-ResNet肺部成像方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20200221

WW01 Invention patent application withdrawn after publication