CN111948279A - 一种弱磁检测顺磁性金属材料裂纹缺陷的定量评价方法 - Google Patents

Abstract

本发明涉及无损检测技术领域，公开了一种弱磁检测顺磁性金属材料裂纹缺陷的定量评价方法，包括建立顺磁性金属材料缺陷样本库并制作试件；采用弱磁检测仪器扫描试件获得原始检测数据；对原始检测数据进行盲源分离信号预处理获得表征缺陷特征的源信号；采用二分类支持向量机算法对源信号进行定量评价，获得缺陷反演模型。本发明在天然地磁场环境下，通过弱磁检测仪器对顺磁性金属材料表面或近表面进行扫查，采集垂直于试件表面方向磁感应强度的变化并进行盲源分离数据处理，以缺陷磁异常信号的特征值作为输入值，对应缺陷的长宽深参数值作为输出值，训练Libsvm算法，建立与缺陷参数之间的映射关系，无需额外激励源，实现顺磁性金属材料缺陷定量分析。

Description

一种弱磁检测顺磁性金属材料裂纹缺陷的定量评价方法

技术领域

本发明涉及无损检测技术领域，具体涉及一种弱磁检测顺磁性金属材料裂纹缺陷的定量评价方法。

背景技术

长期以来，金属材料一直是最重要的结构材料和功能材料。金属材料在生产和使用过程中都离不开无损检测。金属材料按磁性可分为铁磁性金属材料和非铁磁性金属材料两大类。铁磁性金属材料的无损检测方法除超声、射线外，电磁类的无损检测方法具有一般适用性，如漏磁、涡流和金属磁记忆等。非铁磁性金属材料的无损检测方法相对较少，除超声、射线外，电磁类的无损检测方法只有涡流法。射线检测受材料或构件厚度和形状的影响较大，检测成本高，效率低，不易实现批量检测，且射线本身具有一定危害性，使得其工作环境受到限制。涡流检测主要存在涡流效应的影响因素多，对缺陷定性和定量分析困难等问题。因此超声检测一直是非铁磁性金属材料的主要检测手段，但由于材料和缺陷的特性，在实际检测中仍存在诸多问题。因此，有必要发展新的无损检测技术，作为现有无损检测技术的补充，更好的服务于非铁磁性金属材料的检测，具有重要的经济和社会效益。

经过近几年的研究积累，我们发展了一种地磁场环境下基于弱磁信号测量的非铁磁性金属材料的无损检测技术，总结已有的研究成果发现，这些非铁磁性的金属材料，均属于顺磁性材料，顺磁性物质在被磁化时使磁场略有增强。当给顺磁性材料外加一个磁场时，永久磁矩均沿外磁场方向排列，如果该外加磁场强度较大，此时检测到的磁场强度完全是外加磁场的强度；但天然地磁场本身磁场强度微弱，在其作用下，采用高精度测磁传感器检测到的恰恰是能够反映出顺磁性材料被磁化的微弱磁场强度。

目前，国内外针对关于弱磁检测可行性的应用和仪器的硬件设计，以及对工程中不同磁性材料的检出缺陷率等方面进行了研究与开发，但是在后续的弱磁信号分析、缺陷信息的提取、对缺陷弱磁信号与缺陷参数的关系的研究不系统，关系不明确，特别是对缺陷的反演还有待更深入的研究和完善。也就是说，现有顺磁性金属材料弱磁无损检测技术的研究成果仅限于能够检出部分缺陷和定性分析，对于缺陷的磁异常特征没有合适的量化评价方法用于指导实际的检测工作。因为裂纹缺陷是最常产生也是危险性最高的缺陷，其形成概率较大，与铁磁性材料相比较而言，顺磁性材料对于磁场的敏感度更低，使得缺陷信号与缺陷参数之间的关系更加复杂化。并且在实际检测中，检测的弱磁信号受到各种各样的噪声干扰，使得缺陷定量更加困难。

发明内容

基于以上问题，本发明提供一种弱磁检测顺磁性金属材料裂纹缺陷的定量评价方法，在天然地磁场环境下，通过弱磁检测仪器对顺磁性金属材料表面或近表面进行扫查，采集垂直于试件表面方向磁感应强度的变化并进行数据处理，以缺陷磁异常信号的特征值作为输入值，对应缺陷的长宽深参数值作为输出值训练Libsvm算法，建立与缺陷参数之间的映射关系，无需额外激励源即实现顺磁性金属材料缺陷定量分析。

为实现上述技术效果，本发明采用的技术方案是：

一种弱磁检测顺磁性金属材料裂纹缺陷的定量评价方法，包括如下步骤：

S1、根据正交试验设计原理，建立顺磁性金属材料缺陷样本库，并加工制作带有缺陷槽的试件；

S2、采用带阵列式磁探头的弱磁检测仪器扫描试件进行信号采集，获得缺陷的原始检测数据；

S3、基于主成分分析的盲源分离算法进行信号预处理，获得表征缺陷特征的源信号；

S4、采用二分类支持向量机算法对源信号进行定量评价，获得缺陷反演模型。

进一步地，步骤S1中的试件上的缺陷槽为矩形槽、V形槽或组合形槽。

进一步地，步骤S3中的算法流程如下：

1)对观测数据每一列进行归一化处理：

n个磁探头的弱磁检测仪器沿试件长度方向进行扫查，获得n个数据样本，分别为X₁、X₂、…、X_i、…、X_n，每个X_i样本中含有p个元素，记为：

X_i＝[x_1i，x_2i，…，x_pi]^T，(i＝1，2，…，n)

其中：

2)求协方差矩阵：

归一化后的x_i′所构成的数据矩阵记为X′_n，求其协方差矩阵为：

V＝E{(X′_n-E[X′_n])(X′_n-E[X′_n])^T}

3)计算协方差矩阵的特征值及特征向量：

求出协方差矩阵V的特征值，并按从大到小的顺序排列，即λ₁＞λ₂＞…＞λ_n；同时，求出特征值所对应的特征向量，并构成特征矩阵S＝[S₁，S₂，…，S_n]；

4)计算主成分贡献率及累计贡献率：

贡献率用于量化主成分所包含的信息量占总信息量的比重，每个主成分的贡献率计算式如下：

贡献率越大，说明主成分包含的信息越多，采用累计贡献率法从所有主成分中筛选出包含主要信息的少数主成分；定义前m个主成分的累计贡献率为

5)选取主成分

各主成分线性变换表示如下：

F＝[F₁，F₂，…，F_m]^T为各主成分的集合，包含了观测量所有信息；其中a_ij为系数矩阵对应元素，F₁、F₂、…、F_m分别为第1主成分、第2主成分、…、第m主成分，并按特征值由大到小排列，各主成分所包含的信息依次递减；为尽可能提取出所有主成分，选取累计贡献率在95％以上的前m个主成分，以此作为盲源分离的解混矩阵；

6)选用负熵为高斯性的度量指标的FastICA算法，分离出源信号。

进一步地，步骤S4中提取试件缺陷磁异常信号的特征值作为输入值，对应缺陷的长宽深参数值作为输出值，训练Libsvm算法，使得缺陷磁异常特征量的数据在高维空间可分，建立与缺陷参数之间的映射关系。

与现有技术相比，本发明的有益效果是：本发明在天然地磁场环境下，通过弱磁检测仪器对顺磁性金属材料表面或近表面进行扫查，采集垂直于试件表面方向磁感应强度的变化并进行数据处理，以缺陷磁异常信号的特征值作为输入值，对应缺陷的长宽深参数值作为输出值训练Libsvm算法，建立与缺陷参数之间的映射关系，无需额外激励源即实现顺磁性金属材料缺陷定量分析。

附图说明

图1为实施例1或2中试件及人工槽的结构示意图；

图2为图1中剖面A-A的结构示意图；

图3为实施例1或2中的弱磁检测示意图；

图4为实施例1或2中试件缺陷槽的结构示意图；

图5为实施例2中的试件弱磁信号图；

图6为实施例2中的盲源分离信号图；

图7为实施例2中的反演结构流程图；

图8为实施例2中的缺陷反演的流程图；

其中，1、缺陷槽；2、磁探头；3、弱磁检测仪器。

具体实施方式

为使本发明的目的；技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1：

参见图1-4，一种弱磁检测顺磁性金属材料裂纹缺陷的定量评价方法，包括如下步骤：

S1、根据正交试验设计原理，建立顺磁性金属材料缺陷样本库，并加工制作带有缺陷槽1的试件；

试件上的缺陷槽1为矩形槽、V形槽或组合形槽(如图4)。裂纹是最常形成也是危险性最高的缺陷，其形成概率较大，形状规则，简化成矩形槽缺陷后人工加工难度较小，更易于对缺陷参数定量，故本实施例用矩形人工槽型缺陷进行反演建模。使用正交试验设计参与缺陷尺寸参数的设计，能够更合理地表现典型尺寸的缺陷，同时最大限度减少试验误差，更加贴近实际应用。

S2、采用带阵列式磁探头2的弱磁检测仪器3扫描试件进行信号采集，获得缺陷的原始检测数据；

S3、基于主成分分析的盲源分离算法进行信号预处理，获得表征缺陷特征的源信号；

源信号是从测量的原始信号中分离出来的含有缺陷信息的部分，能够更好的表征缺陷的特征，信号预处理流程如下：

1)对观测数据每一列进行归一化处理：

n个磁探头2的弱磁检测仪器3沿试件长度方向进行扫查，获得n个数据样本，分别为X₁、X₂、…、X_i、…、X_n，每个X_i样本中含有p个元素，记为：

X_i＝[x_1i，x_2i，…，x_pi]^T，(i＝1，2，…，n)

其中：

2)求协方差矩阵：

归一化后的x_i′所构成的数据矩阵记为X′_n，求其协方差矩阵为：

V＝E{(X′_n-E[X′_n])(X′_n-E[X′_n])^T}

3)计算协方差矩阵的特征值及特征向量：

求出协方差矩阵V的特征值，并按从大到小的顺序排列，即λ₁＞λ₂＞…＞λ_n；同时，求出特征值所对应的特征向量，并构成特征矩阵S＝[S₁，S₂，…，S_n]；

4)计算主成分贡献率及累计贡献率：

贡献率用于量化主成分所包含的信息量占总信息量的比重，每个主成分的贡献率计算式如下：

贡献率越大，说明主成分包含的信息越多，采用累计贡献率法从所有主成分中筛选出包含主要信息的少数主成分；定义前m个主成分的累计贡献率为

5)选取主成分

各主成分线性变换表示如下：

F＝[F₁，F₂，…，F_m]^T为各主成分的集合，包含了观测量所有信息；其中a_ij为系数矩阵对应元素，F₁、F₂、…、F_m分别为第1主成分、第2主成分、…、第m主成分，并按特征值由大到小排列，各主成分所包含的信息依次递减；为尽可能提取出所有主成分，选取累计贡献率在95％以上的前m个主成分，以此作为盲源分离的解混矩阵；

6)选用负熵为高斯性的度量指标的FastICA算法，分离出源信号。

S4、采用二分类支持向量机算法对源信号进行定量评价，获得缺陷反演模型。

提取试件缺陷磁异常信号的特征值作为输入值，对应缺陷的长宽深参数值作为输出值，训练Libsvm算法，使得缺陷磁异常特征量的数据在高维空间可分，建立与缺陷参数之间的映射关系。

本实施例通过在天然地磁场环境下，通过弱磁检测仪器3对顺磁性金属材料表面或近表面进行扫查，采集不同方向上磁感应强度的变化，并进行数据处理，以缺陷磁异常信号的特征值作为输入值，以对应缺陷的长宽深参数值作为输出值，训练Libsvm算法，建立与缺陷参数之间的映射关系，无需额外激励源，即可实现顺磁性金属材料缺陷定量分析。

实施例2：

参见图1-8，图8所示是缺陷反演的流程图，以顺磁性金属材料304奥氏体不锈钢为例，利用高精度测磁传感器和弱磁检测仪器3，采集304奥氏体不锈钢试件的弱磁信号和缺陷的尺寸参数作为训练样本，将弱磁信号导入反演模型，计算各个缺陷弱磁信号磁异常的特征值，与其缺陷的尺寸参数组成输入集和输出集，构造4×(4-1)/2个，即6个二类分类器，利用输入集和输出集对Libsvm算法反演模型进行训练，拟合两者之间的映射关系；训练完成后形成了成熟的缺陷反演模型，并测试缺陷反演的结果。

设计顺磁性金属材料304奥氏体不锈钢表面裂纹缺陷，用人工槽型缺陷进行模拟。使用正交试验设计参与缺陷尺寸参数的设计：

本实施例缺陷长度选取10mm、13mm、16mm、20mm，宽度选取0.3mm、0.35mm、0.4mm、0.45mm，深度选取1mm、2mm、3mm、4mm。正交试验设计因素为3，水平则为4，设计正交表L₁₆(4³)，得到16组不同尺寸的长度、宽度、深度的缺陷，如表1所示。取四块规格都为300mm×100mm×5mm(长×宽×高)的304奥氏体不锈钢板材试件，在每块试件上人工加工4组缺陷，如图2是304奥氏体不锈钢1号试件的剖面图，其余试件的规格相同但缺陷尺寸不同。

表1缺陷规格

以上是304奥氏体不锈钢缺陷试件的设计，在300mm长的试件上尽可能设计较大的缺陷间隔，避免磁探头2扫查时缺陷之间的弱磁信号的互相干扰，即缺陷间距为60mm，每块试件的人工槽型缺陷都位于试件宽度的中央。

用弱磁检测仪器3进行信号采集，获得缺陷的原始检测数据。

利用弱磁检测仪器3对304奥氏体不锈钢试件进行检测。由于外界环境的天然磁场较弱，304奥氏体不锈钢又是顺磁性材料，缺陷产生的磁异常很小，外界干扰因素较多。所以采集试件弱磁信号应在地磁场较为稳定的空间内，尽可能的排除一切铁磁性干扰物质。工程应用中，为提高检测效率，往往采用阵列式传感器扫查试件。本实施例中阵列式传感器设有四个分辨率为1nT的高精度测磁传感器，弱磁检测过程如图3所示。将磁探头2放置于试件左端，磁探头2垂直于试件表面，从左向右匀速扫查。得到四组检测数据如图5所示，依次对应1、2、3、4号试件。横坐标表示扫查路径，纵坐标表示垂直试件表面方向的磁感应强度。此结果即为缺陷的原始检测数据。

基于主成分分析的盲源分离算法进行信号预处理

本实施例从时域的角度出发，提出基于主成分分析的盲源分离算法，目的是有效分离裂纹缺陷产生的磁异常信号和背景噪声，便于后续的定量评价。主成分分析法作为盲源分离的预处理步骤，寻找出观测样本冗余度最小的一个子集，盲源分离通过分离算法对该子集寻求最佳估计，可达到获取缺陷信号的目的。主成分分析通过正交变换，降低数据间的冗余度，而这个冗余度最低的子集即为主成分，包含观测量的大部分信息。主成分分析是统计数据分析、特征提取和数据压缩中的经典方法，主成分分析算法流程如下：

1)对观测数据每一列进行归一化处理；

2)求协方差矩阵；

3)计算协方差矩阵的特征值及特征向量；

4)计算主成分贡献率及累计贡献率；

5)选取主成分。

在上述检测中，采用阵列式磁探头2扫查工件，构成了p×n的原始数据矩阵X，为消除工件无缺陷区域磁场差异大的影响，对原始数据X进行归一化处理。根据计算得到的特征值依次求出各主成分贡献率，贡献率大小表示了包含信息的多少。采用累积贡献率法确定主元贡献率达到95％以上的主成分个数，以此作为盲源分离的解混矩阵。主成分分析法降低了数据间的相关性，是非常有用的预处理步骤。

经过主成分分析，进一步对解混矩阵进行盲源分离。盲源分离在源信号不可测及混合系统未可知的情况下，仅需通过观测信号和原始信号独立统计特性即可分离源信号。独立成分分析是最常用的一种盲源分离方法，假设源信号彼此统计独立，即可得到唯一最优解。盲源分离算法根据信号不同的统计特性有不同的判定准则，依据判定准则构造目标函数，达到分离目的。其中非高斯性极大化简单直观，为独立成分分析的判定指标之一。有两种方式度量随机变量的非高斯性：峭度和负熵。峭度在应用中计算简单，但是对奇异值极其敏感，鲁棒性差。为了解决峭度本身带来的问题，引入信息论另一个统计特性——负熵，负熵鲁棒性好，计算效率高。因此，选用负熵为高斯性的度量指标的FastICA算法。

对观测原始信号进行主成分分析处理，计算得到各主成分的累计贡献率。1号试件中，前一个主成分累计贡献率为81％，前两个主成分可达96％，则保留前两个主成分进行盲源分离即可；2号试件计算结果显示，前三个主成分累计贡献率依次为45％、70％、95％，各主成分贡献率较分散。由于试件自身磁场分布不均匀等客观因素，导致各个传感器检测数据波动较大，因此2号工件保留三个主成分；3号和4号试件的主成分贡献率较为集中，前两个主成分均可达到99％，说明前两个主成分几乎涵盖了整个试件的检测信息。将形成的新的数据样本导入盲源分离算法中，分离结果如图6所示。试件分离结果可以看出，每个试件的分离信号中均有两类曲线：规律性较强的缺陷信号曲线和带有一定走向趋势的背景噪声曲线。

二分类支持向量机算法进行定量评价

支持向量机算法有利于小样本训练预测以及非线性高维度分类，不易陷入局部最小化，解决了维数灾难等问题。本发明中采用二类分类支持向量机算法，二类分类支持向量机将非线性不可分的样本数据，通过核函数映射至高维度空间内后线性可分，求解数据的最优超平面。使得求解两类数据的分类间隔最大化问题，转化成求解凸二次规划问题。算法利用Libsvm软件包来实现，最终目的是获得裂纹缺陷的定量尺寸。

为了获得裂纹缺陷磁异常信号与裂纹缺陷参数(长宽深)之间的关系，提取16组缺陷磁异常信号的特征值作为输入值，对应缺陷的长宽深参数值作为输出值，训练Libsvm算法，从而使得缺陷磁异常特征量的数据在高维空间可分，建立与缺陷参数之间的映射关系。如图7，为Libsvm反演结构流程图。图中，输入集为缺陷信号磁异常的特征量，输出集由缺陷参数长、宽、深的值作为类别组成。构造了6个二类分类器进行训练，分别测试16组缺陷的长、宽、深的反演准确性，每组测试缺陷通过6个分类器进行投票，并统计最多票数的类别作为最后的输出结果。

参与反演计算的缺陷磁异常信号的特征参数包括，时域特征参数(磁感应强度的最大值、最小值、平均值和峰峰值)，频域特征参数(信号的能量，S3.0小波包能量)和形态特征参数(磁异常的面积，占宽，幅值)。实际计算时采用了两种方案，一种只取3个形态特征参数参与反演，另一种取上述所有11个特征参数参与反演。并且对比了盲源分离算法在定量评价中的效果，取其中任意一组缺陷进行验证，平均定量误差如下表：

表2定量误差

盲源分离信号效果如上述图6所示。在此基础上进行缺陷反演，经验证后，预测缺陷尺寸的误差如表2所示。盲源分离后的数据用于反演定量，能够有效的降低缺陷定量的深度误差，11个特征参数参与反演的整体效果显著优于3个形态特征参数的反演效果。

主成分分析法可依据累计贡献率寻找出冗余度最小的子集，该子集作为盲源分离解混矩阵，是有效的预处理步骤。该法可降低源信号之间的相关性，提升分离效果。盲源分离可有效分离缺陷信号和背景噪声，消除了缺陷信号中的趋势项，凸显缺陷特征。二分类支持向量机反演模型能够较精确地反演人工槽型缺陷的长度、宽度和深度。

如上即为本发明的实施例。上述实施例以及实施例中的具体参数仅是为了清楚表述发明验证过程，并非用以限制本发明的专利保护范围，本发明的专利保护范围仍然以其权利要求书为准，凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明的保护范围内。

Claims (4)

1.一种弱磁检测顺磁性金属材料裂纹缺陷的定量评价方法，其特征在于，包括如下步骤：

S1、根据正交试验设计原理，建立顺磁性金属材料缺陷样本库，并加工制作带有缺陷槽(1)的试件；

S2、采用带阵列式磁探头(2)的弱磁检测仪器(3)扫描试件进行信号采集，获得缺陷的原始检测数据；

S3、基于主成分分析的盲源分离算法进行信号预处理，获得表征缺陷特征的源信号；

S4、采用二分类支持向量机算法对源信号进行定量评价，获得缺陷反演模型。

2.根据权利要求1所述的一种弱磁检测顺磁性金属材料裂纹缺陷的定量评价方法，其特征在于：步骤S1中的试件上的缺陷槽(1)为矩形槽、V形槽或组合形槽。

3.根据权利要求1或2所述的一种弱磁检测顺磁性金属材料裂纹缺陷的定量评价方法，其特征在于：步骤S3中的算法流程如下：

1)对观测数据每一列进行归一化处理：

n个磁探头(2)的弱磁检测仪器(3)沿试件长度方向进行扫查，获得n个数据样本，分别为X₁、X₂、…、X_i、…、X_n，每个X_i样本中含有p个元素，记为：

X_i＝[x_1i，x_2i，…，x_pi]^T，(i＝1，2，…，n)

其中：

2)求协方差矩阵：

归一化后的x′_i所构成的数据矩阵记为X′_n，求其协方差矩阵为：

V＝E{(X′_n-E[X′_n])(X′_n-E[X′_n])^T}

3)计算协方差矩阵的特征值及特征向量：

求出协方差矩阵V的特征值，并按从大到小的顺序排列，即λ₁＞λ₂＞…＞λ_n；同时，求出特征值所对应的特征向量，并构成特征矩阵S＝[S₁，S₂，…，S_n]；

4)计算主成分贡献率及累计贡献率：

贡献率用于量化主成分所包含的信息量占总信息量的比重，每个主成分的贡献率计算式如下：

贡献率越大，说明主成分包含的信息越多，采用累计贡献率法从所有主成分中筛选出包含主要信息的少数主成分；定义前m个主成分的累计贡献率为

5)选取主成分

各主成分线性变换表示如下：

F＝[F₁，F₂，…，F_m]^T为各主成分的集合，包含了观测量所有信息；其中a_ij为系数矩阵对应元素，F₁、F₂、…、F_m分别为第1主成分、第2主成分、…、第m主成分，并按特征值由大到小排列，各主成分所包含的信息依次递减；为尽可能提取出所有主成分，选取累计贡献率在95％以上的前m个主成分，以此作为盲源分离的解混矩阵；

6)选用负熵为高斯性的度量指标的FastICA算法，分离出源信号。

4.根据权利要求3所述的一种弱磁检测顺磁性金属材料裂纹缺陷的定量评价方法，其特征在于：步骤S4中提取试件缺陷磁异常信号的特征值作为输入值，对应缺陷的长宽深参数值作为输出值，训练Libsvm算法，使得缺陷磁异常特征量的数据在高维空间可分，建立与缺陷参数之间的映射关系。

Images