CN113075289B - 一种金属圆柱缺陷参数检测方法及系统 - Google Patents
一种金属圆柱缺陷参数检测方法及系统 Download PDFInfo
- Publication number
- CN113075289B CN113075289B CN202110346950.XA CN202110346950A CN113075289B CN 113075289 B CN113075289 B CN 113075289B CN 202110346950 A CN202110346950 A CN 202110346950A CN 113075289 B CN113075289 B CN 113075289B
- Authority
- CN
- China
- Prior art keywords
- defect
- metal cylinder
- neural network
- detection
- impedance
- 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 216
- 238000001514 detection method Methods 0.000 title claims abstract description 160
- 239000002184 metal Substances 0.000 title claims abstract description 140
- 239000013598 vector Substances 0.000 claims abstract description 99
- 238000013528 artificial neural network Methods 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000004088 simulation Methods 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 8
- 230000005284 excitation Effects 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 208000037516 chromosome inversion disease Diseases 0.000 description 7
- 238000005259 measurement Methods 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 230000005672 electromagnetic field Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
本发明公开了一种金属圆柱缺陷参数检测方法及系统，涉及工业金属管材缺陷检测领域，包括确定待测金属圆柱对应的阻抗增量扫描曲线；对阻抗增量扫描曲线进行处理以获取阻抗增量扫描曲线对应的的特征向量；将特征向量输入到金属圆柱缺陷参数检测模型中以确定金属圆柱的缺陷参数；缺陷参数包括缺陷宽度、缺陷深度以及缺陷形状；其中，金属圆柱缺陷参数检测模型是根据特征向量数据集和神经网络确定的。应用本发明能够达到无损快速高精度检测的目的。
Description
技术领域
本发明涉及工业金属管材缺陷检测领域，特别是涉及一种金属圆柱缺陷参数检测方法及系统。
背景技术
缺陷无损检测是指在不损害或不影响被检测对象使用性能，不伤害被检测对象内部组织的前提下，利用材料缺陷引起的物理反应变化来检测缺陷的方法。常见的金属圆柱缺陷检测方法有超声波检测法、射线检测法、电涡流检测法等。
超声波检测法要求对被检测对象具有表面光滑和声耦合良好的条件；射线检测法在检测过程中存在较大的安全隐患，容易对检测人员和被检测对象造成伤害。涡流检测方法注重检测缺陷的存在，对于缺陷形状和缺陷参数的测量和估计有所欠缺。
随着制造业信息化进程的发展，工业生产对数据的精确性和快捷性都提出了更高的要求，此时，工业金属管材缺陷的精确检测就显得尤为必要。
发明内容
本发明的目的是提供一种金属圆柱缺陷参数检测方法及系统，以达到无损快速高精度检测的目的。
为实现上述目的，本发明提供了如下方案：
一种金属圆柱缺陷参数检测方法，包括：
确定待测金属圆柱对应的阻抗增量扫描曲线；
对所述阻抗增量扫描曲线进行处理以获取所述阻抗增量扫描曲线对应的的特征向量；
将所述特征向量输入到金属圆柱缺陷参数检测模型中以确定所述金属圆柱的缺陷参数；所述缺陷参数包括缺陷宽度、缺陷深度以及缺陷形状；
其中，所述金属圆柱缺陷参数检测模型是根据特征向量数据集和神经网络确定的；所述特征向量数据集包括多组缺陷实际参数以及每组所述缺陷实际参数对应的第一特征向量；所述第一特征向量是根据所述缺陷实际参数对应的金属圆柱的阻抗增量扫描曲线确定的；所述缺陷实际参数包括缺陷实际宽度、缺陷实际深度以及缺陷实际形状。
可选的，所述确定待测金属圆柱对应的阻抗增量扫描曲线，具体包括：
获取无损金属圆柱对应的检测阻抗信号；
确定待测金属圆柱对应的检测阻抗信号；
根据所述无损金属圆柱对应的检测阻抗信号和所述待测金属圆柱对应的检测阻抗信号，确定待测金属圆柱对应的阻抗增量扫描曲线。
可选的，所述确定待测金属圆柱对应的检测阻抗信号，具体包括：
选用正弦信号作为检测线圈的激励信号，采用电涡流无损检测技术对所述待测金属圆柱进行测量，以获取所述待测金属圆柱的检测阻抗信号。
可选的，所述对所述阻抗增量扫描曲线进行处理以获取所述阻抗增量扫描曲线对应的的特征向量，具体包括：
基于最小二乘法的多项式曲线拟合原理，对所述阻抗增量扫描曲线进行处理，进而确定所述阻抗增量扫描曲线对应的的特征向量。
一种金属圆柱缺陷参数检测系统，包括：
阻抗增量扫描曲线确定模块，用于确定待测金属圆柱对应的阻抗增量扫描曲线；
特征向量确定模块，用于对所述阻抗增量扫描曲线进行处理以获取所述阻抗增量扫描曲线对应的的特征向量；
缺陷参数确定模块，用于将所述特征向量输入到金属圆柱缺陷参数检测模型中以确定所述金属圆柱的缺陷参数；所述缺陷参数包括缺陷宽度、缺陷深度以及缺陷形状；
其中，所述金属圆柱缺陷参数检测模型是根据特征向量数据集和神经网络确定的；所述特征向量数据集包括多组缺陷实际参数以及每组所述缺陷实际参数对应的第一特征向量；所述第一特征向量是根据所述缺陷实际参数对应的金属圆柱的阻抗增量扫描曲线确定的；所述缺陷实际参数包括缺陷实际宽度、缺陷实际深度以及缺陷实际形状。
可选的，所述阻抗增量扫描曲线确定模块，具体包括：
第一检测阻抗信号获取单元，用于获取无损金属圆柱对应的检测阻抗信号；
第二检测阻抗信号确定单元，用于确定待测金属圆柱对应的检测阻抗信号；
阻抗增量扫描曲线确定单元，用于根据所述无损金属圆柱对应的检测阻抗信号和所述待测金属圆柱对应的检测阻抗信号，确定待测金属圆柱对应的阻抗增量扫描曲线。
可选的，所述第二检测阻抗信号确定单元，具体包括：
第二检测阻抗信号确定子单元，用于选用正弦信号作为检测线圈的激励信号，采用电涡流无损检测技术对所述待测金属圆柱进行测量，以获取所述待测金属圆柱的检测阻抗信号。
可选的，所述特征向量确定模块，具体包括：
特征向量确定单元，用于基于最小二乘法的多项式曲线拟合原理，对所述阻抗增量扫描曲线进行处理，进而确定所述阻抗增量扫描曲线对应的的特征向量。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明利用检测线圈的阻抗增量扫描曲线与金属圆柱缺陷的对应关系，采用神经网络训练反演算法，检测金属圆柱的缺陷参数。显然，本发明可快速低成本高精度的实现了金属圆柱缺陷参数的检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种金属圆柱缺陷参数检测方法的流程示意图；
图2为本发明一种基于神经网络训练的金属圆柱缺陷参数检测方法的流程示意图；
图3为本发明不同参数、不同类型的缺陷对应的检测线圈阻抗增量扫描曲线图；图3(a)为本发明圆柱表面三角形缺陷示意一图，图3(b)为本发明三角形缺陷扫描检测信号示意一图，图3(c)为本发明圆柱表面三角形缺陷示意二图，图3(d)为本发明三角形缺陷扫描检测信号示意二图；
图4为本发明多项式拟合特征向量提取过程示意图；图4(a)为本发明多项式拟合示意一图，图4(b)为本发明多项式拟合示意二图；
图5为本发明神经网络结构示意图；
图6为本发明神经网络训练过程示意图；
图7为本发明一种金属圆柱缺陷参数检测系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种金属圆柱缺陷参数检测方法及系统，对于非铁磁且带缺陷的金属圆柱进行缺陷形状、缺陷深度、缺陷宽度的无损快速高精度的检测。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明的技术原理是：基于对带缺陷的非铁磁管道的解析解的计算仿真，发现对不同类型缺陷进行扫描检测时，检测线圈阻抗差(增量)扫描曲线会随缺陷的深度、宽度、形状等参数产生明显不同的变化。通过缺陷对应的阻抗增量扫描曲线可以获得缺陷的相关信息，采用多项式拟合方法对检测点检测值进行拟合，确定特征向量，即则缺陷信息可以通过多项式的系数向量体现。通过解析解的计算仿真，可以获得大量缺陷信息和所对应的特征向量，使用缺陷信息对应的特征向量和缺陷参数进行神经网络训练，可获得根据检测阻抗信号反演缺陷参数的神经网络模型。因此，通过获取待检测金属圆柱对应的阻抗增量扫描曲线，即可获得金属圆柱的缺陷参数信息。
实施例一
本实施例提供了一种金属圆柱缺陷参数检测方法，该检测方法是基于检测线圈对金属圆柱表面扫描时，检测线圈阻抗增量和金属圆柱缺陷的对应关系实现的。其中，检测阻抗信号的获取是由电涡流无损检测技术实现，神经网络的特征向量数据集由电磁场解析解获得。
如图1所示，本实施例提供的检测方法，包括如下步骤：
步骤101：确定待测金属圆柱对应的阻抗增量扫描曲线。
步骤102：对所述阻抗增量扫描曲线进行处理以获取所述阻抗增量扫描曲线对应的的特征向量。
步骤103：将所述特征向量输入到金属圆柱缺陷参数检测模型中以确定所述金属圆柱的缺陷参数；所述缺陷参数包括缺陷宽度、缺陷深度以及缺陷形状。
其中，所述金属圆柱缺陷参数检测模型是根据特征向量数据集和神经网络确定的；所述特征向量数据集包括多组缺陷实际参数以及每组所述缺陷实际参数对应的第一特征向量；所述第一特征向量是根据所述缺陷实际参数对应的金属圆柱的阻抗增量扫描曲线确定的；所述缺陷实际参数包括缺陷实际宽度、缺陷实际深度以及缺陷实际形状。
作为一种优选地实施方式，本实施例提供的步骤101具体包括：
获取无损金属圆柱对应的检测阻抗信号；确定待测金属圆柱对应的检测阻抗信号；根据所述无损金属圆柱对应的检测阻抗信号和所述待测金属圆柱对应的检测阻抗信号，确定待测金属圆柱对应的阻抗增量扫描曲线。
其中，所述的确定待测金属圆柱对应的检测阻抗信号，具体包括：
选用正弦信号作为检测线圈的激励信号，采用电涡流无损检测技术对所述待测金属圆柱进行测量，以获取所述待测金属圆柱的检测阻抗信号。
作为一种优选地实施方式，本实施例提供的步骤102具体包括：
基于最小二乘法的多项式曲线拟合原理，对所述阻抗增量扫描曲线进行处理，进而确定所述阻抗增量扫描曲线对应的的特征向量。
实施例二
本实施例提供了一种基于神经网络训练的金属圆柱缺陷参数检测方法，具体检测方法分为三个阶段，检测准备阶段、实际测量阶段、参数反演阶段。检测准备阶段，需要对不同金属圆柱对应的检测线圈阻抗增量扫描曲线进行计算仿真，并将计算仿真得到的特征向量用来进行神经网络反演模型的构建；实际测量阶段，利用检测线圈等涡流无损检测装置对待检测金属圆柱进行扫描检测，记录阻抗增量扫描曲线；参数反演阶段，使用多项式拟合法对实际测量阶段获取的阻抗增量扫描曲线进行拟合，以提取该阻抗增量扫描曲线的特征向量，并将特征向量输入到检测准备阶段获得的神经网络反演模型中，从而快速获得缺陷参数信息。
如图2所示，本实施例提供了一种基于神经网络训练的金属圆柱缺陷参数检测方法，步骤如下：
步骤(1)：开始，输入待检测金属圆柱的扫描检测数据；具体为：
利用检测线圈等涡流无损检测装置对待检测金属圆柱和无损金属圆柱进行扫描检测，以获取待检测金属圆柱的缺陷检测阻抗信号和无损金属圆柱的检测阻抗信号，然后根据上述两种信号，确定待检测金属圆柱对应的检测线圈阻抗增量扫描曲线，即扫描检测数据。
步骤(2)：根据扫描数据提取特征多项式，进而确定特征向量；具体为：
对扫描检测数据进行多项式拟合，进而扫描检测数据对应的特征向量。其中，多项式的系数向量(即特征向量)是由最小二乘法确定的。
步骤(3)：确定仿真计算数据集，进行反演网络训练，进而得到由仿真信息确定的训练好的神经网络；具体为：
1)通过计算得到用来训练神经网络的仿真计算数据集。该仿真计算数据集包括多组缺陷实际参数以及每组缺陷实际参数对应的检测线圈阻抗增量扫描曲线的特征向量。
缺陷实际参数和对应的检测线圈阻抗增量扫描曲线是由带浅表面缺陷的金属圆柱涡流场的数学模型的解析解得到。基于解析解的不同参数、不同类型的缺陷对应的检测线圈阻抗增量扫描曲线的仿真结果如图3所示。
对于沿轴向或周向扫描计算得到不同缺陷对应的检测线圈阻抗增量扫描曲线，然后采用多项式拟合法对检测线圈阻抗增量扫描曲线进行处理，提取多项式拟合的多项式系数，并将多项式系数作为特征向量。其多项式拟合特征向量的提取过程如图4所示。
2)前馈神经网络构建。
神经网络如图5所示。在进行前馈神经网络构建时，首先，需要进行神经网络初始化。根据检测需求确定神经网络的输入层节点数i、隐含层节点数j、输出层节点数k。初始化输入层、隐含层和输出层神经元之间的连接权值Wij，Wjk，采用Sigmoid函数为激活函数。其Sigmoid函数如下所示。
激活函数是神经网络计算的一部分，用来表示该处神经“激活”条件。
其次，根据输入变量X，以及输入层和隐含层间的连接权值Wij，计算隐含层输出H。
最后，由隐含层输出H和连接权值Wjk，计算神经网络预测输出向量O。
上述过程即完成对前馈神经网络的构建。
3)对构建好的前馈神经网络进行训练。
输入变量X为计算得到的特征向量，期望输出Y为特征向量对应的缺陷实际参数，神经网络预测输出向量为O.
进行训练时，根据输入变量X、期望输出Y和神经网络预测输出向量O计算神经网络预测误差e。
根据神经网络预测误差e，采用最速梯度算法，更新网络连接权值Wij，Wjk。
Wjk←Wjk+ηOk(1-Ok)(Yk-Ok)Hj
当神经网络预测误差e满足设计要求时，停止上述网络连接权值更新过程，即得到满足神经网络预测误差e需求且用以检测缺陷参数信息的神经网络模型。其训练过程流程图如图6所示。
对于期望输出Y，其包括缺陷的深度信息Yd，宽度信息Yw和形状辨识信息Ys。缺陷的深度信息Yd，缺陷的宽度信息Yw为缺陷深度和缺陷宽度的实际值，对于缺陷的形状辨识信息Ys，需要根据缺陷的形状按需求设定形状权重值。对于不同类型的缺陷(三角形、扇形、梯形等)，在训练时给定不同的形状权重值WYs1、WYs2、……WYsn。
步骤(4)：输出目标参数，结束；具体为：
将待检测金属圆柱对应的特征向量输入到训练好的神经网络模型，计算得到神经网络输出向量O，即获得金属圆柱的缺陷参数信息。神经网络输出向量O中包括缺陷的深度信息Od，宽度信息OW和形状辨识权值Os。神经网络输出向量O中的深度信息，宽度信息即为缺陷深度和缺陷宽度的检测值，形状辨识权值根据输出的缺陷形状权重值判定。比对检测输出的缺陷形状辨识权值Os和训练时给定不同缺陷形状的权重值WYs1、WYs2、……WYsn，即得到检测金属圆柱的缺陷形状。
本实施例首先选用正弦信号作为检测线圈的激励信号，然后采用电涡流无损检测技术对金属圆柱缺陷进行测量，并通过仿真建模计算得到检测信号的特征向量和金属圆柱缺陷参数之间的对应关系，接着通过计算数据进行神经网络训练，反演得到金属圆柱的缺陷参数。实验结果表明本实施例可有效、精确的实现对金属圆柱缺陷参数的检测。
实施例三
如图7所示，本实施例提供了一种金属圆柱缺陷参数检测系统，包括：
阻抗增量扫描曲线确定模块201，用于确定待测金属圆柱对应的阻抗增量扫描曲线。
特征向量确定模块202，用于对所述阻抗增量扫描曲线进行处理以获取所述阻抗增量扫描曲线对应的的特征向量。
缺陷参数确定模块203，用于将所述特征向量输入到金属圆柱缺陷参数检测模型中以确定所述金属圆柱的缺陷参数；所述缺陷参数包括缺陷宽度、缺陷深度以及缺陷形状。
其中，所述金属圆柱缺陷参数检测模型是根据特征向量数据集和神经网络确定的；所述特征向量数据集包括多组缺陷实际参数以及每组所述缺陷实际参数对应的第一特征向量；所述第一特征向量是根据所述缺陷实际参数对应的金属圆柱的阻抗增量扫描曲线确定的；所述缺陷实际参数包括缺陷实际宽度、缺陷实际深度以及缺陷实际形状。
所述阻抗增量扫描曲线确定模块201，具体包括：
第一检测阻抗信号获取单元，用于获取无损金属圆柱对应的检测阻抗信号；第二检测阻抗信号确定单元，用于确定待测金属圆柱对应的检测阻抗信号；阻抗增量扫描曲线确定单元，用于根据所述无损金属圆柱对应的检测阻抗信号和所述待测金属圆柱对应的检测阻抗信号，确定待测金属圆柱对应的阻抗增量扫描曲线。
所述第二检测阻抗信号确定单元，具体包括：
第二检测阻抗信号确定子单元，用于选用正弦信号作为检测线圈的激励信号，采用电涡流无损检测技术对所述待测金属圆柱进行测量，以获取所述待测金属圆柱的检测阻抗信号。
所述特征向量确定模块202，具体包括：
特征向量确定单元，用于基于最小二乘法的多项式曲线拟合原理，对所述阻抗增量扫描曲线进行处理，进而确定所述阻抗增量扫描曲线对应的的特征向量。
与现有技术相比，本发明的优点在于：
本发明通过对带缺陷金属圆柱的电磁场解析解仿真来获得缺陷扫描检测曲线和缺陷参数的对应关系，使用多项式拟合法提取缺陷扫描检测曲线的特征向量，进而进行神经网络训练，从而可以低成本高效的解决金属圆柱缺陷参数检测的问题。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种金属圆柱缺陷参数检测方法，其特征在于，包括：
确定待测金属圆柱对应的阻抗增量扫描曲线；
对所述阻抗增量扫描曲线进行处理以获取所述阻抗增量扫描曲线对应的特征向量；
将所述特征向量输入到金属圆柱缺陷参数检测模型中以确定所述金属圆柱的缺陷参数；所述缺陷参数包括缺陷宽度、缺陷深度以及缺陷形状；
其中，所述金属圆柱缺陷参数检测模型是根据特征向量数据集和神经网络确定的；所述特征向量数据集包括多组缺陷实际参数以及每组所述缺陷实际参数对应的第一特征向量；所述第一特征向量是根据所述缺陷实际参数对应的金属圆柱的阻抗增量扫描曲线确定的；所述缺陷实际参数包括缺陷实际宽度、缺陷实际深度以及缺陷实际形状；
基于神经网络训练的金属圆柱缺陷参数检测方法，步骤如下：
步骤(1)：开始，输入待检测金属圆柱的扫描检测数据；
步骤(2)：根据扫描数据提取特征多项式，进而确定特征向量；
步骤(3)：确定仿真计算数据集，进行反演网络训练，进而得到由仿真信息确定的训练好的神经网络；具体为：
1)通过计算得到用来训练神经网络的仿真计算数据集，该仿真计算数据集包括多组缺陷实际参数以及每组缺陷实际参数对应的检测线圈阻抗增量扫描曲线的特征向量；
缺陷实际参数和对应的检测线圈阻抗增量扫描曲线是由带浅表面缺陷的金属圆柱涡流场的数学模型的解析解得到；
对于沿轴向或周向扫描计算得到不同缺陷对应的检测线圈阻抗增量扫描曲线，然后采用多项式拟合法对检测线圈阻抗增量扫描曲线进行处理，提取多项式拟合的多项式系数，并将多项式系数作为特征向量；
2)前馈神经网络构建；
在进行前馈神经网络构建时，首先，需要进行神经网络初始化，根据检测需求确定神经网络的输入层节点数i、隐含层节点数j、输出层节点数k，初始化输入层、隐含层和输出层神经元之间的连接权值Wij，Wjk，采用Sigmoid函数为激活函数，其Sigmoid函数如下所示；
激活函数是神经网络计算的一部分，用来表示该处神经“激活”条件；
其次，根据输入变量X，以及输入层和隐含层间的连接权值Wij，计算隐含层输出H；
最后，由隐含层输出H和连接权值Wjk，计算神经网络预测输出向量O；
上述过程即完成对前馈神经网络的构建；
3)对构建好的前馈神经网络进行训练；
输入变量X为计算得到的特征向量，期望输出Y为特征向量对应的缺陷实际参数，神经网络预测输出向量为O；
进行训练时，根据输入变量X、期望输出Y和神经网络预测输出向量O计算神经网络预测误差e；
根据神经网络预测误差e，采用最速梯度算法，更新网络连接权值Wij，Wjk；
Wjk←Wjk+ηOk(1-Ok)(Yk-Ok)Hj
当神经网络预测误差e满足设计要求时，停止上述网络连接权值更新过程，即得到满足神经网络预测误差e需求且用以检测缺陷参数信息的神经网络模型；
对于期望输出Y，其包括缺陷的深度信息Yd，宽度信息Yw和形状辨识信息Ys，缺陷的深度信息Yd，缺陷的宽度信息Yw为缺陷深度和缺陷宽度的实际值，对于缺陷的形状辨识信息Ys，需要根据缺陷的形状按需求设定形状权重值，对于不同类型的缺陷，在训练时给定不同的形状权重值WYs1、WYs2、……WYsn；
步骤(4)：输出目标参数，结束。
2.根据权利要求1所述的一种金属圆柱缺陷参数检测方法，其特征在于，所述确定待测金属圆柱对应的阻抗增量扫描曲线，具体包括：
获取无损金属圆柱对应的检测阻抗信号；
确定待测金属圆柱对应的检测阻抗信号；
根据所述无损金属圆柱对应的检测阻抗信号和所述待测金属圆柱对应的检测阻抗信号，确定待测金属圆柱对应的阻抗增量扫描曲线。
3.根据权利要求2所述的一种金属圆柱缺陷参数检测方法，其特征在于，所述确定待测金属圆柱对应的检测阻抗信号，具体包括：
选用正弦信号作为检测线圈的激励信号，采用电涡流无损检测技术对所述待测金属圆柱进行测量，以获取所述待测金属圆柱的检测阻抗信号。
4.根据权利要求1所述的一种金属圆柱缺陷参数检测方法，其特征在于，所述对所述阻抗增量扫描曲线进行处理以获取所述阻抗增量扫描曲线对应的特征向量，具体包括：
基于最小二乘法的多项式曲线拟合原理，对所述阻抗增量扫描曲线进行处理，进而确定所述阻抗增量扫描曲线对应的特征向量。
5.一种金属圆柱缺陷参数检测系统，其特征在于，包括：
阻抗增量扫描曲线确定模块，用于确定待测金属圆柱对应的阻抗增量扫描曲线；
特征向量确定模块，用于对所述阻抗增量扫描曲线进行处理以获取所述阻抗增量扫描曲线对应的特征向量；
缺陷参数确定模块，用于将所述特征向量输入到金属圆柱缺陷参数检测模型中以确定所述金属圆柱的缺陷参数；所述缺陷参数包括缺陷宽度、缺陷深度以及缺陷形状；
其中，所述金属圆柱缺陷参数检测模型是根据特征向量数据集和神经网络确定的；所述特征向量数据集包括多组缺陷实际参数以及每组所述缺陷实际参数对应的第一特征向量；所述第一特征向量是根据所述缺陷实际参数对应的金属圆柱的阻抗增量扫描曲线确定的；所述缺陷实际参数包括缺陷实际宽度、缺陷实际深度以及缺陷实际形状；
基于神经网络训练的金属圆柱缺陷参数检测方法，步骤如下：
步骤(1)：开始，输入待检测金属圆柱的扫描检测数据；
步骤(2)：根据扫描数据提取特征多项式，进而确定特征向量；
步骤(3)：确定仿真计算数据集，进行反演网络训练，进而得到由仿真信息确定的训练好的神经网络；具体为：
1)通过计算得到用来训练神经网络的仿真计算数据集，该仿真计算数据集包括多组缺陷实际参数以及每组缺陷实际参数对应的检测线圈阻抗增量扫描曲线的特征向量；
缺陷实际参数和对应的检测线圈阻抗增量扫描曲线是由带浅表面缺陷的金属圆柱涡流场的数学模型的解析解得到；
对于沿轴向或周向扫描计算得到不同缺陷对应的检测线圈阻抗增量扫描曲线，然后采用多项式拟合法对检测线圈阻抗增量扫描曲线进行处理，提取多项式拟合的多项式系数，并将多项式系数作为特征向量；
2)前馈神经网络构建；
在进行前馈神经网络构建时，首先，需要进行神经网络初始化，根据检测需求确定神经网络的输入层节点数i、隐含层节点数j、输出层节点数k，初始化输入层、隐含层和输出层神经元之间的连接权值Wij，Wjk，采用Sigmoid函数为激活函数，其Sigmoid函数如下所示；
激活函数是神经网络计算的一部分，用来表示该处神经“激活”条件；
其次，根据输入变量X，以及输入层和隐含层间的连接权值Wij，计算隐含层输出H；
最后，由隐含层输出H和连接权值Wjk，计算神经网络预测输出向量O；
上述过程即完成对前馈神经网络的构建；
3)对构建好的前馈神经网络进行训练；
输入变量X为计算得到的特征向量，期望输出Y为特征向量对应的缺陷实际参数，神经网络预测输出向量为O；
进行训练时，根据输入变量X、期望输出Y和神经网络预测输出向量O计算神经网络预测误差e；
根据神经网络预测误差e，采用最速梯度算法，更新网络连接权值Wij，Wjk；
Wjk←Wjk+ηOk(1-Ok)(Yk-Ok)Hj
当神经网络预测误差e满足设计要求时，停止上述网络连接权值更新过程，即得到满足神经网络预测误差e需求且用以检测缺陷参数信息的神经网络模型；
对于期望输出Y，其包括缺陷的深度信息Yd，宽度信息Yw和形状辨识信息Ys，缺陷的深度信息Yd，缺陷的宽度信息Yw为缺陷深度和缺陷宽度的实际值，对于缺陷的形状辨识信息Ys，需要根据缺陷的形状按需求设定形状权重值，对于不同类型的缺陷，在训练时给定不同的形状权重值WYs1、WYs2、……WYsn；
步骤(4)：输出目标参数，结束。
6.根据权利要求5所述的一种金属圆柱缺陷参数检测系统，其特征在于，所述阻抗增量扫描曲线确定模块，具体包括：
第一检测阻抗信号获取单元，用于获取无损金属圆柱对应的检测阻抗信号；
第二检测阻抗信号确定单元，用于确定待测金属圆柱对应的检测阻抗信号；
阻抗增量扫描曲线确定单元，用于根据所述无损金属圆柱对应的检测阻抗信号和所述待测金属圆柱对应的检测阻抗信号，确定待测金属圆柱对应的阻抗增量扫描曲线。
7.根据权利要求6所述的一种金属圆柱缺陷参数检测系统，其特征在于，所述第二检测阻抗信号确定单元，具体包括：
第二检测阻抗信号确定子单元，用于选用正弦信号作为检测线圈的激励信号，采用电涡流无损检测技术对所述待测金属圆柱进行测量，以获取所述待测金属圆柱的检测阻抗信号。
8.根据权利要求5所述的一种金属圆柱缺陷参数检测系统，其特征在于，所述特征向量确定模块，具体包括：
特征向量确定单元，用于基于最小二乘法的多项式曲线拟合原理，对所述阻抗增量扫描曲线进行处理，进而确定所述阻抗增量扫描曲线对应的特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110346950.XA CN113075289B (zh) | 2021-03-31 | 2021-03-31 | 一种金属圆柱缺陷参数检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110346950.XA CN113075289B (zh) | 2021-03-31 | 2021-03-31 | 一种金属圆柱缺陷参数检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113075289A CN113075289A (zh) | 2021-07-06 |
| CN113075289B true CN113075289B (zh) | 2024-05-07 |
Family
ID=76614030
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110346950.XA Active CN113075289B (zh) | 2021-03-31 | 2021-03-31 | 一种金属圆柱缺陷参数检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113075289B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7176706B1 (ja) * | 2022-05-23 | 2022-11-22 | 山中産業株式会社 | Ａｉを用いた籠型回転子の欠陥検出装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102122351A (zh) * | 2011-03-01 | 2011-07-13 | 哈尔滨工程大学 | 一种基于rbf神经网络的管道缺陷智能识别方法 |
| CN106018545A (zh) * | 2016-06-29 | 2016-10-12 | 东北大学 | 一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法 |
| CN106645391A (zh) * | 2016-10-10 | 2017-05-10 | 南京航空航天大学 | 一种用于评估碳纤维板缺陷深度的多频涡流检测系统及检测方法 |
| CN109828023A (zh) * | 2019-03-29 | 2019-05-31 | 电子科技大学 | 一种基于涡流成像的金属构件缺陷定量检测方法与装置 |
| CN111256574A (zh) * | 2020-03-25 | 2020-06-09 | 北京理工大学 | 一种金属管道厚度测量方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108828059B (zh) * | 2018-06-29 | 2020-04-07 | 清华大学 | 电磁多场耦合缺陷综合检测评价方法及装置 |
-
2021
- 2021-03-31 CN CN202110346950.XA patent/CN113075289B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102122351A (zh) * | 2011-03-01 | 2011-07-13 | 哈尔滨工程大学 | 一种基于rbf神经网络的管道缺陷智能识别方法 |
| CN106018545A (zh) * | 2016-06-29 | 2016-10-12 | 东北大学 | 一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法 |
| CN106645391A (zh) * | 2016-10-10 | 2017-05-10 | 南京航空航天大学 | 一种用于评估碳纤维板缺陷深度的多频涡流检测系统及检测方法 |
| CN109828023A (zh) * | 2019-03-29 | 2019-05-31 | 电子科技大学 | 一种基于涡流成像的金属构件缺陷定量检测方法与装置 |
| CN111256574A (zh) * | 2020-03-25 | 2020-06-09 | 北京理工大学 | 一种金属管道厚度测量方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 基于RBF网络的涡流无损检测系统设计;李爱华 等;河北工业科技(04);第239-244页 * |
| 基于层次式多子网神经网络的缺陷识别;刘东辉 等;无损检测(05);全文 * |
| 神经网络方法在涡流无损检测定量分析中的应用;孙晓云 等;西安交通大学学报(06);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113075289A (zh) | 2021-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106950276B (zh) | 一种基于卷积神经网络的管道缺陷深度的反演方法 | |
| Sun et al. | Development of a physics-informed doubly fed cross-residual deep neural network for high-precision magnetic flux leakage defect size estimation | |
| CN109685793B (zh) | 一种基于三维点云数据的管身缺陷检测方法及系统 | |
| RU2591584C1 (ru) | Способ оценки геометрических размеров дефектов стенки трубной секции и сварных швов по данным магнитного внутритрубного дефектоскопа с помощью универсальной нейросетевой модели, подходящей для дефектоскопов с различными диаметрами и магнитными системами | |
| CN108008006B (zh) | 一种焊缝缺陷检测方法、装置、设备及系统 | |
| Hasanzadeh et al. | A fuzzy alignment approach to sizing surface cracks by the AC field measurement technique | |
| Jaramillo et al. | On-line 3-D system for the inspection of deformable parts | |
| CN113075289B (zh) | 一种金属圆柱缺陷参数检测方法及系统 | |
| CN111256574B (zh) | 一种金属管道厚度测量方法及系统 | |
| CN111445515A (zh) | 基于特征融合网络的地下圆柱体目标半径估算方法及系统 | |
| CN115420806A (zh) | 一种基于神经网络及图像融合的无损超声检测方法 | |
| CN110220967B (zh) | 一种acfm技术簇状裂纹表面轮廓自动识别方法 | |
| Pan et al. | A novel method for defects marking and classifying in MFL inspection of pipeline | |
| Chady et al. | Neural network models of eddy current multi-frequency system for nondestructive testing | |
| CN110907540B (zh) | 一种基于贝叶斯更新和吉布斯采样的超声导波多损伤识别方法 | |
| Chen | Three-axial MFL inspection in pipelines for defect imaging using a hybrid inversion procedure | |
| CN115371536A (zh) | 一种金属管道裂纹测量方法及系统 | |
| CN111044604B (zh) | 一种acfm单轴磁信号评估方法 | |
| CN113984880A (zh) | 对管道金属损失缺陷生成三维轮廓的方法及装置 | |
| Jiang et al. | Automatic detection of microcracks on the surface of special steel wire based on remanence effect | |
| Huang et al. | Magnetic Flux Leakage: Theories and Imaging Technologies | |
| Ze-song | Research on image detection and recognition for defects on the surface of the steel plate based on magnetic flux leakage signals | |
| CN116754632B (zh) | 基于正交孪生的油气管道裂纹量化方法及装置、存储介质 | |
| Ferreira et al. | Corrosion-like defect severity estimation in pipelines using convolutional neural networks | |
| Jiang | Study of underground oil-gas pipeline corrosion pits estimation based on MFL inspection method |
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 |