CN111060588B - 一种基于脉冲涡流技术的表面和埋深缺陷分类方法 - Google Patents
一种基于脉冲涡流技术的表面和埋深缺陷分类方法 Download PDFInfo
- Publication number
- CN111060588B CN111060588B CN202010009468.2A CN202010009468A CN111060588B CN 111060588 B CN111060588 B CN 111060588B CN 202010009468 A CN202010009468 A CN 202010009468A CN 111060588 B CN111060588 B CN 111060588B
- Authority
- CN
- China
- Prior art keywords
- defect
- value
- test piece
- curve
- signal extraction
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000005516 engineering process Methods 0.000 title claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 38
- 238000012360 testing method Methods 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 230000004044 response Effects 0.000 claims abstract description 14
- 230000035945 sensitivity Effects 0.000 claims abstract description 9
- 239000000463 material Substances 0.000 claims abstract description 8
- 238000009933 burial Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 4
- 239000000523 sample Substances 0.000 claims description 10
- 230000008859 change Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 4
- 230000006698 induction Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
Landscapes
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明公开一种基于脉冲涡流技术的表面和埋深缺陷分类方法，步骤是：加工和待测试件具有相同材料和厚度的无缺陷试件和含有要求的最大埋深深度缺陷的缺陷试件，分别采集参考信号R0和参考缺陷信号R1，得到检测灵敏度在一个周期内的变化曲线，并将最大值对应的时刻作为最优信号提取时刻；对待测试件进行扫查，分别提取每一个周期响应信号中的峰值时刻t2值A0,A1,A2…An和最优信号提取时刻t1值B0,B1,B2…Bn，其中n为检测点的个数；分别归一化，绘制峰值时刻曲线和最优信号提取时刻曲线；当缺陷的峰值时刻曲线最小值小于最优信号提取时刻曲线最小值时，表明检测到的缺陷为表面缺陷，否则为埋深缺陷。此种分类方法可实现表面缺陷和埋深缺陷的快速实时自动识别。
Description
技术领域
本发明属于电磁无损检测领域，特别涉及一种基于脉冲涡流技术的表面和埋深缺陷分类方法。
背景技术
脉冲涡流技术是一种新型电磁无损检测技术，与传统单激励频率涡流技术相比，脉冲涡流的响应信号具有丰富的时域和频域信息。特别是当检测飞机蒙皮等多层结构时，传统涡流技术由于信号单一，很难实现表面和埋深缺陷的同时检出和分类。而借助脉冲涡流技术，不仅可以有效的对表面和埋深缺陷同时检出，还可以对缺陷位置进行分类。因此，脉冲涡流技术得到了较为广泛的关注。
基于脉冲涡流技术的表面和埋深裂纹缺陷分类算法，目前主要分为两类，监督型和非监督型。监督型学习算法往往需要基于大量的先验数据进行训练，而非监督型算法采用复杂数学公式。现有基于脉冲涡流技术的缺陷分类算法，缺陷分类实时性差，很难满足现场快速实时检测的需求。
发明内容
本发明的目的，在于提供一种基于脉冲涡流技术的表面和埋深缺陷分类方法，其可实现表面缺陷和埋深缺陷的快速实时自动识别。
为了达成上述目的，本发明的解决方案是：
一种基于脉冲涡流技术的表面和埋深缺陷分类方法，包括如下步骤：
步骤1，获取最优信号提取时刻；具体步骤是：
步骤11，根据待测试件的材料和厚度，加工具有相同材料和厚度的无缺陷试件和含有要求的最大埋深深度缺陷的缺陷试件，组成标准试件组；
步骤12，将脉冲涡流探头放置在标准试件组中无缺陷试件的任意位置，提取水平方向磁场一个周期的脉冲响应信号，作为参考信号R0；将脉冲涡流探头放置在标准试件组中缺陷试件的埋深缺陷上方，提取水平方向磁场一个周期的脉冲响应信号，作为参考缺陷信号R1；
步骤13，将参考缺陷信号R1与参考信号R0做差，再将两者之差除以参考信号R0，得到埋深缺陷检测灵敏度在一个周期内的变化曲线；
步骤14，将所得到的灵敏度曲线最大值对应的时刻，作为最优信号提取时刻t1；
步骤2，采用脉冲涡流探头对待测试件进行扫查，在每一个检测点均提取水平方向磁场一个周期的脉冲响应信号，分别提取每一个周期响应信号中的峰值时刻t2值A0,A1,A2…An和最优信号提取时刻t1值B0,B1,B2…Bn，其中n为检测点的个数；
步骤3，将提取的每一个峰值时刻值A0,A1,A2…An除以第一标准值As，得到归一化峰值时刻值，并绘制峰值时刻曲线；将提取的每一个最优信号提取时刻值B0,B1,B2…Bn除以第二标准值Bs，得到归一化最优信号提取时刻值，并绘制最优信号提取时刻曲线；
步骤4，对比分析峰值时刻曲线和最优信号提取时刻曲线最小值关系，当缺陷的峰值时刻曲线最小值小于最优信号提取时刻曲线最小值时，表明检测到的缺陷为表面缺陷；当缺陷的峰值时刻曲线最小值大于最优信号提取时刻曲线最小值时，表明检测到的缺陷为埋深缺陷。
上述步骤3中，以初始峰值时刻值A0作为第一标准值As。
上述步骤3中，以初始最优信号提取时刻值B0作为第二标准值Bs。
根据脉冲涡流技术基本原理，当探头激发出脉冲电磁场时，试件中的感应电流将会经过三个主要的变化阶段。首先，试件表面由于脉冲信号的上升沿或下降沿将感应出较强的感应电流。由于上升时间和下降时间极短，感应电流主要集中在试件表面，该过程称之为早期感应阶段。其次，由于激励信号为0，感应电流将主要向试件背面传播，该过程称之为中期传播阶段。再次，当感应电流到达试件背面后，将快速衰减并沿试件径向传播，该过程称之为晚期衰减阶段。传统脉冲涡流技术使用差分信号并采用中期和晚期阶段信号特征实现对表面和埋深缺陷进行检测。而绝对信号早期感应阶段信号对表面缺陷具有最优的检测效果，这一特点一直未被相关研究人员所利用。本发明正是充分利用“早期感应阶段信号对表面缺陷所具有的最优检测效果”这一特性提出了一种表面和埋深缺陷快速实时自动识别方法，具体来说，分别提取绝对信号早期阶段峰值和晚期阶段最优时刻值两个特征值，通过信号归一化和比较，实现对表面缺陷和埋深缺陷的区分。
采用上述方案后，本发明的有益效果是：提出一种适用于脉冲涡流技术的表面缺陷和埋深缺陷分类方法，可实现表面缺陷和埋深缺陷的快速实时自动识别。
附图说明
图1是本发明的流程图；
图2是一个周期内要求的最大埋深深度缺陷检测灵敏度的变化关系示意图；
图3是表面缺陷峰值时刻曲线和最优信号提取时刻曲线；
图4是埋深缺陷峰值时刻曲线和最优信号提取时刻曲线。
具体实施方式
以下将结合附图，对本发明的技术方案及有益效果进行详细说明。
如图1所示，本发明提供一种基于脉冲涡流技术的表面和埋深缺陷分类方法，包括以下步骤：
S1，获得参考信号：制作无缺陷试件，该无缺陷试件采用与待测试件相同材料制作，并与待测试件具有相同的厚度；将脉冲涡流探头放置在无缺陷试件的任意位置，提取水平方向磁场一个周期的脉冲响应信号，作为参考信号R0；
S2，获得参考缺陷信号：制作具有最大埋深缺陷的标准试件，该含缺陷试件采用与待测试件相同材料制作，并与待测试件具有相同的厚度；将脉冲涡流探头放置在该标准试件的最大埋深缺陷上方，提取水平方向磁场一个周期的脉冲响应信号，作为参考缺陷信号R1；
S3，获得最大埋深缺陷检测灵敏度在一个周期内的变化曲线：将缺陷信号R1与参考信号R0做差，再将两者之差除以参考信号R0，得到如图2所示检测灵敏度在一个周期内的变化曲线；
S4，获得最优信号提取时刻：将所得到的灵敏度曲线最大值对应的时刻，作为最优信号提取时刻t1；
S5，提取峰值时刻值和最优信号提取时刻值：在进行具体分类时，假设待测试件含5个表面缺陷和5个埋深缺陷，那么采用脉冲涡流探头，对待测试件进行扫查。扫查过程中，在每一个检测点均提取水平方向磁场一个周期的脉冲响应信号，分别提取每一个周期响应信号中的峰值时刻t2值A0,A1,A2…An和最优信号提取时刻t1值B0,B1,B2…Bn，其中n为检测点的个数；
S6，归一化数值并绘制曲线：将提取的每一个峰值时刻值A0,A1,A2…An除以初始值A0，得到归一化峰值时刻值，并实时绘制峰值时刻曲线；将提取的每一个最优信号提取时刻值B0,B1,B2…Bn除以初始值B0，得到归一化最优信号提取时刻值，并绘制最优信号提取时刻曲线；
S7，表面和埋深缺陷分类：对比分析峰值时刻曲线和最优信号提取时刻曲线最小值关系。如图3所示，当缺陷的峰值时刻曲线最小值小于最优信号提取时刻曲线最小值时，表明检测到的缺陷为表面缺陷。如图4所示当缺陷的峰值时刻曲线最小值大于最优信号提取时刻曲线最小值时，表明检测到的缺陷为埋深缺陷。
需要说明的是，在实际操作中，可以预先制作多组不同材料、不同厚度的标准试件组，得到关于最优信号提取时刻的多组数据，从而在遇到符合其中某组标准试件组的参数的待测试件时，可以直接采用其对应的最优信号提取时刻，从而节省流程，提高效率。
特别需要指出的是，本发明方法属于非监督学习方法，无需大量的先验数据进行方法的训练和调试。同时，不同于现有非监督学习方法，本发明方法无需复杂的公式和定理。更为突出的是，本发明方法中，当无缺陷时，两条检测结果曲线相互重合，当缺陷出现时，通过实时计算两条曲线的最小值的大小即可快速实时的区分表面缺陷和埋深缺陷，无需离线进行后续复杂的数据处理和分析。因此，本发明方法具有实现方法简单、实时性强、结果展示清晰明了和对现场检测人员要求低等优点。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
Claims (1)
1.一种基于脉冲涡流技术的表面和埋深缺陷分类方法，其特征在于包括如下步骤：
步骤1，获取最优信号提取时刻；具体步骤是：
步骤11，根据待测试件的材料和厚度，加工具有相同材料和厚度的无缺陷试件和含有要求的最大埋深深度缺陷的缺陷试件，组成标准试件组；
步骤12，将脉冲涡流探头放置在标准试件组中无缺陷试件的任意位置，提取水平方向磁场一个周期的脉冲响应信号，作为参考信号R0；将脉冲涡流探头放置在标准试件组中缺陷试件的埋深缺陷上方，提取水平方向磁场一个周期的脉冲响应信号，作为参考缺陷信号R1；
步骤13，将参考缺陷信号R1与参考信号R0做差，再将两者之差除以参考信号R0，得到埋深缺陷检测灵敏度在一个周期内的变化曲线；
步骤14，将所得到的灵敏度曲线最大值对应的时刻，作为最优信号提取时刻t1；
步骤2，采用脉冲涡流探头对待测试件进行扫查，在每一个检测点均提取水平方向磁场一个周期的脉冲响应信号，分别提取每一个周期响应信号中的峰值时刻t2值A0,A1,A2…An和最优信号提取时刻t1值B0,B1,B2…Bn，其中n为检测点的个数；
步骤3，以初始峰值时刻值A0作为第一标准值As，将提取的每一个峰值时刻值A0,A1,A2…An除以第一标准值As，得到归一化峰值时刻值，并绘制峰值时刻曲线；以初始最优信号提取时刻值B0作为第二标准值Bs，将提取的每一个最优信号提取时刻值B0,B1,B2…Bn除以第二标准值Bs，得到归一化最优信号提取时刻值，并绘制最优信号提取时刻曲线；
步骤4，对比分析峰值时刻曲线和最优信号提取时刻曲线最小值关系，当缺陷的峰值时刻曲线最小值小于最优信号提取时刻曲线最小值时，表明检测到的缺陷为表面缺陷；当缺陷的峰值时刻曲线最小值大于最优信号提取时刻曲线最小值时，表明检测到的缺陷为埋深缺陷。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010009468.2A CN111060588B (zh) | 2020-01-06 | 2020-01-06 | 一种基于脉冲涡流技术的表面和埋深缺陷分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010009468.2A CN111060588B (zh) | 2020-01-06 | 2020-01-06 | 一种基于脉冲涡流技术的表面和埋深缺陷分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111060588A CN111060588A (zh) | 2020-04-24 |
| CN111060588B true CN111060588B (zh) | 2022-07-22 |
Family
ID=70306383
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010009468.2A Active CN111060588B (zh) | 2020-01-06 | 2020-01-06 | 一种基于脉冲涡流技术的表面和埋深缺陷分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111060588B (zh) |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6058343B2 (ja) * | 2012-10-11 | 2017-01-11 | 株式会社東芝 | 渦電流探傷装置および渦電流探傷方法 |
| CN103257182B (zh) * | 2013-06-07 | 2015-11-18 | 电子科技大学 | 一种脉冲涡流缺陷定量检测方法及检测系统 |
| CN103336049B (zh) * | 2013-06-27 | 2016-03-16 | 电子科技大学 | 一种消除提离效应的脉冲涡流检测方法及装置 |
| CN103499022B (zh) * | 2013-09-30 | 2015-08-19 | 清华大学 | 一种区分管道内外表面腐蚀缺陷的传感器 |
| JP6356579B2 (ja) * | 2014-11-14 | 2018-07-11 | 株式会社東芝 | 渦電流探傷装置および渦電流探傷方法 |
| CN106596711B (zh) * | 2016-10-24 | 2020-04-14 | 合肥工业大学 | 基于脉冲涡流的液压缸检测系统 |
-
2020
- 2020-01-06 CN CN202010009468.2A patent/CN111060588B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111060588A (zh) | 2020-04-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Miao et al. | Online defect recognition of narrow overlap weld based on two-stage recognition model combining continuous wavelet transform and convolutional neural network | |
| CN101221150B (zh) | 用于检查具有复杂几何形状的部件的多频率图像处理 | |
| Chen et al. | Feature extraction and selection for defect classification of pulsed eddy current NDT | |
| Pan et al. | PEC frequency band selection for locating defects in two-layer aircraft structures with air gap variations | |
| CN109828023A (zh) | 一种基于涡流成像的金属构件缺陷定量检测方法与装置 | |
| Giguère et al. | Pulsed eddy current: Finding corrosion independently of transducer lift-off | |
| Harmouche et al. | Statistical approach for nondestructive incipient crack detection and characterization using Kullback-Leibler divergence | |
| CN112699912B (zh) | 一种通过改进gan增强红外热图像的方法 | |
| CN103398769A (zh) | 基于小波ggd特征和不均衡k-均值下采样集成svm的变压器在线故障检测方法 | |
| EP3951381B1 (en) | Non-destructive testing method and device for testing and distinguishing internal and external defects of steel wire rope | |
| WO2021189717A1 (zh) | 基于涡流和漏磁检测信号融合的缺陷类型评估方法 | |
| Liu et al. | Pulsed eddy current data analysis for the characterization of the second-layer discontinuities | |
| JP2012159502A (ja) | 締め具（ｆａｓｔｅｎｅｒ）自動検査のための非破壊試験方法 | |
| CN106296687A (zh) | 基于掩模技术的磁环表面缺陷提取方法 | |
| CN103163211A (zh) | 一种金属导体表面和亚表面缺陷分类识别方法 | |
| CN113624834B (zh) | 一种基于边际谱质心检测的缺陷深度识别方法、系统 | |
| CN108982657A (zh) | 一种基于脉冲涡流的铁磁性材料屈服强度参数估计方法 | |
| CN106404893B (zh) | 一种轴向漏磁缺陷信号自动检测方法 | |
| Sun et al. | Cross-correlation inspired residual network for pulsed eddy current imaging and detecting of subsurface defects | |
| CN111060588B (zh) | 一种基于脉冲涡流技术的表面和埋深缺陷分类方法 | |
| CN102621221A (zh) | 一种基于相控超声波的缺陷分类方法 | |
| CN112508862B (zh) | 一种通过改进gan增强裂纹磁光图像的方法 | |
| Udpa et al. | Automated analysis of eddy current signals in steam generator tube inspection | |
| CN109870500A (zh) | 一种基于交流电磁场检测的缺陷实时判别方法及系统 | |
| CN109357868B (zh) | 轴承套圈的扫频涡流与巴克豪森噪声法的综合分选方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |