CN113348758B - 一种消除材料属性影响的脉冲涡流缺陷轮廓重构方法 - Google Patents
一种消除材料属性影响的脉冲涡流缺陷轮廓重构方法 Download PDFInfo
- Publication number
- CN113348758B CN113348758B CN201518002719.4A CN201518002719A CN113348758B CN 113348758 B CN113348758 B CN 113348758B CN 201518002719 A CN201518002719 A CN 201518002719A CN 113348758 B CN113348758 B CN 113348758B
- Authority
- CN
- China
- Prior art keywords
- defect
- function
- eddy current
- profile
- reconstruction
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明涉及一种消除材料属性影响的脉冲涡流缺陷轮廓重构方法,特别涉及一种通过采用表征同一缺陷的两个不同特征量构建能够消除材料属性影响的不变函数,从而建立使检测信号与缺陷轮廓一一对应的非线性映射关系模型,实现不同属性材料的缺陷轮廓重构,该方法具有较高的精度和较好的泛化性能。
Description
技术领域
本发明涉及一种基于不变函数的缺陷轮廓重构方法以消除材料属性对脉冲涡流缺陷轮廓重构精度的影响,特别涉及一种通过采用表征同一缺陷的两个不同特征量构建能够消除材料属性影响的不变函数,从而建立使检测信号与缺陷轮廓一一对应的非线性映射关系模型,实现不同属性材料的缺陷轮廓重构的方法。属于无损检测技术领域。
背景技术
脉冲涡流技术是一种快速发展的电磁涡流无损检测技术,它采用方波脉冲作为激励信号,具有深层缺陷检测能力强、检测信号频率成分丰富等优点;此外,它还具有安全性好、成本低、操作简单等特点,因而该方法在部队武器装备(如飞机机身多层铆接结构)缺陷检测中得到了广泛的应用。
在对部队装备进行脉冲涡流检测时,准确地得到被测缺陷的轮廓可为装备剩余寿命的评估提供可靠依据,然而,由脉冲涡流检测信号重构缺陷的轮廓是一种典型的不适定反演问题,还存在反演精度低、速度慢等问题。目前国内外学者主要是针对同种材料从反演精度与速度等方面对缺陷轮廓重构展开研究的,当被测试件材料属性不同时,相同尺寸缺陷的检测信号特征会存在一定的差异,在对不同属性材料的缺陷轮廓进行重构时,缺陷重构的精度必然会受被测试件材料属性的影响,因此设计一种消除材料属性影响的脉冲涡流缺陷轮廓重构方法非常有必要。
发明内容
在方波信号的作用下,脉冲涡流激励线圈内部会产生一个快速衰减的脉冲磁场,由电磁感应原理可知,此时,被测试件中会感应出一个瞬时涡流,此涡流的大小、相位及流动形式受被测试件材料属性(电导率、相对磁导率)的影响,同时该涡流也会产生一个快速变化的涡流磁场,通过检测脉冲磁场与涡流磁场的叠加磁场即可得到被测试件的信息。当被测试件中存在缺陷时,涡流的分布形式会发生变化,因此通过检测叠加磁场的变化,可间接地得到缺陷的信息。由此可知,脉冲涡流检测信号特征受被测试件电导率、相对磁导率及缺陷尺寸的共同影响。因此,在对缺陷轮廓进行重构时,若忽略材料属性的影响,就会出现多个检测信号对应同一缺陷轮廓的问题,缺陷轮廓重构的精度必然会受到影响。为准确地重构缺陷轮廓,应设计一种有效消除材料属性影响的脉冲涡流缺陷轮廓重构方法。为解决上述问题本发明采用以下技术方案:
本发明采用一种基于不变函数的缺陷轮廓重构方法,在对不同属性材料缺陷轮廓进行重构时,通过构建不变函数建立了使检测信号与缺陷轮廓一一对应的非线性映射关系模型,有效地消除了材料属性对脉冲涡流缺陷轮廓重构的影响。
首先,消除材料属性影响因素。设XA(H,L,δ)和XB(H,L,δ)为能够表征同一缺陷参数的两个不同特征量,其中H为缺陷的深度,L为缺陷的宽度,δ为与被测试件属性有关的参数。为消除材料属性的影响,设存在一个不变函数f使XA与XB满足下式:
f{XA(H,L,δ),XB(H,L,δ)}=T(H,L) (1)
式中,T(H,L)为仅与被测缺陷参数有关的函数。
为求得满足上式的不变函数,设存在两函数J1和J2,满足:
T(H,L)·J1(XA)=J2(XB) (2)
可得
因此,若能求得满足式(3)的函数J1、J2和T,即可得到所求不变函数f,进而可消除材料属性的影响。由于函数T仅与被测缺陷参数有关,因此,通过定义表征缺陷几何特征的函数即可得到T;为便于对检测信号进行分析,函数J1可根据信号的特征来定义,如当检测信号数值变化范围较小时,可将J1定义为指数函数;当T与J1确定后,函数J2可通过求解下式得到
式中,i=1,2,3,...,m、j=1,2,3,...,n、k=1,2,3,...,p。
当缺陷尺寸及被测试件属性不同时,通过选取适当的函数形式,使式(4)存在唯一解的J2即为所求函数。
其次,基于不变函数的缺陷轮廓重构。缺陷轮廓重构是指由给定的检测信号求出被测缺陷的轮廓,从而实现缺陷检测的可视化。由式(1)可知,若将T(H,L)定义为被测缺陷的轮廓函数,通过求解不变函数f即可在消除材料属性影响的条件下实现缺陷轮廓重构。
在实际脉冲涡流检测中,通常通过分析差分检测信号的特征来获取被测缺陷信息,而峰值及峰值时间是脉冲涡流差分检测信号常用的两个特征,因此将J1定义为
J1{XA(H,L,δ)}=ep+eτ (5)
式中,p为脉冲涡流差分检测信号峰值,τ为峰值时间。
为实现缺陷轮廓重构,将T(H,L)定义为缺陷的轮廓函数,即:T(H,L)={x0,x1,...,xi},式中{x0,x1,...,xi}为缺陷深度的状态序列,i为序列标号,xi表示i点的缺陷深度量。由于径向基函数网络能够实现非线性函数的精确逼近与映射,因此,将J2选为径向基函数网络,通过构建不变函数,建立由检测信号到缺陷轮廓的非线性映射关系模型,以实现缺陷轮廓重构,此时,不变函数f可表示为:
式中,J2为径向基函数网络,XB为缺陷检测信号。由式6可知,将缺陷检测信号作为网络的输入量,通过计算差分检测信号的峰值及峰值时间即可建立由检测信号到缺陷轮廓的非线性映射关系模型。根据上述理论可知,在脉冲涡流缺陷轮廓重构过程中,由检测信号求解缺陷轮廓的具体表达式可表示为:
J2(XB)=T(H,L)·(ep+eτ) (7)
在求解过程中,为使J2存在唯一解,采用不同属性材料的不同缺陷差分检测信号作为J2的特征输入量对式(7)进行训练,当J2各系数确定后,将未经训练的差分检测信号作为网络的输入量,经求解式(7)即可重构出被测缺陷的轮廓。
为提高径向基函数网络的数据敏感度和容错能力,采用混合学习算法进行训练[14],具体步骤如下:
(1)获取脉冲涡流检测信号,建立数据样本库。
(2)选取高斯函数作为径向基函数的传递函数,并确定隐层节点的中心矢量。设网络的输入层神经元数为I,隐含层与输出层的神经元数分别为M和N,X为输入向量,则隐层节点的中心矢量可由下式求得:
其中
式中,j=1,2,3,...,M;d为求欧式距离符号;Vj(t)为t学习时刻后,隐含层第j个神经元中心矢量聚纳的输入样本数;γj为隐含层第j个神经元中心矢量Qj(t)的聚纳半径,即当输入样本X(t+1)进入Qj(t)的聚纳范围时,中心矢量Qj(t)会由于受到X(t+1)的影响而变为Qj(t+1)。
(3)采用监督学习算法确定隐含层神经元至输出层神经元的联结系数。设第r轮第s个学习样本对应的第t个学习时刻的隐含层状态为Z(r,s),期望输出为Yd(r,s),而实际输出为Y(r,s)。设第r轮次学习后隐含层神经元至输出层神经元联结系数矩阵为W(r),则第r+1轮次学习后联结系数矩阵W(r+1)可表示为:
式中,ρ>0,R为学习样本总数,ydk、yk分别为向量Yd与Y的第k个元素,zj为Z的第j个元素,j=1,2,3,...,M。
(4)对学习结束的网络进行测试。
附图说明
图1流程图
图2二种方法对不同属性材料缺陷重构的结果
(a)铜试件缺陷重构结果
(b)铝试件缺陷重构结果
(c)铁试件缺陷重构结果
(d)钢试件缺陷重构结果
具体实施方式
以下将结合说明书附图及具体实施例对本发明做进一步详细说明。
建立由缺陷检测信号到缺陷轮廓的非线性映射关系模型,需要有能正确反映二者关系的样本。由于实测数据成本高,且缺陷尺寸变化范围受限,因此,采用人工缺陷的实验信号与有限元法计算得到的仿真信号共同构建样本库。
被测试件分别为铜、铝、铁和钢四种材料,获取实验样本时,各被测试件长30cm,宽10cm,厚1cm,在每种试件上人为加工一系列矩形缺陷。实验共提取了25组缺陷分别对应四种材料的差分检测信号,即样本库共包含100组数据,其中20组为实验数据,80组为仿真数据。为模拟真实的涡流检测信号,仿真信号中加入了一定程度的噪声。由于实验信号与仿真信号采样点数不同,为便于计算将信号样本归一化为每组数据800个样本点。缺陷宽度取值范围为1.5~3.0mm,深度取值范围为2.0~5.0mm。
为验证基于不变函数的缺陷轮廓重构方法的有效性,将宽为1.5mm,深为2.0mm缺陷对应的四种材料的检测信号作为测试样本,剩余信号作为训练样本,对构造的不变函数进行训练,而后对各材料缺陷轮廓进行重构;为进一步验证该方法的性能,在忽略材料属性影响的情况下,采用径向基函数网络对各缺陷轮廓进行重构,即在对缺陷轮廓进行重构时,首先将训练样本中不同材料的缺陷检测信号作为式J2(XB)=T(H,L)的输入量对网络进行训练,而后再将各测试样本作为网络输入量求得其对应的缺陷轮廓;此外,实验还采用径向基函数网络分别对各材料缺陷轮廓进行了重构,该方法首先分别建立了各材料缺陷检测信号的数据样本库,而后将各样本库中训练样本作为式J2(XB)=T(H,L)的输入量分别对网络进行训练,最后再分别求得各测试样本对应的缺陷轮廓,各方法重构结果如图2所示。为便于表述,将以上三种方法依次称为方法一、方法二和方法二。
基于不变函数的缺陷轮廓重构误差明显小于忽略材料属性影响时重构的误差;基于不变函数的缺陷轮廓重构误差略大于分别对各材料缺陷轮廓进行重构时的误差,但二者差别不是特别明显,由此表明,基于不变函数的缺陷轮廓重构方法可有效消除材料属性对缺陷重构的影响,且具有较高的精度和较好的泛化性能。
为研究基于不变函数的缺陷轮廓重构方法在不同信噪比下的重构效果,在信号中加入不同程度的高斯白噪声,仍可发现在噪声水平较高的情况下仍能实现缺陷轮廓重构,具有良好的抗噪声干扰能力。
以上是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (1)
1.一种消除材料属性影响的脉冲涡流缺陷轮廓重构方法,其特征在于:
(1)构造不变函数f
其中XA(H,L,δ)和XB(H,L,δ)为能够表征同一缺陷参数的两个不同特征量,H为缺陷的深度,L为缺陷的宽度,δ为与被测试件属性有关的参数,T(H,L)为仅与被测缺陷参数有关的函数,J1和J2为假设存在的两函数,函数J1可根据信号的特征来定义,当T与J1确定后,函数J2即为所求唯一函数;
(2)基于不变函数重构缺陷轮廓,J1定义为
J1{XA(H,L,δ)}=ep+eτ (2)
e为指数,p为脉冲涡流差分检测信号峰值,τ为峰值时间,定义T(H,L)为缺陷的轮廓函数,即:
T(H,L)={x0,x1,...,xi} (3)
式中{x0,x1,...,xi}为缺陷深度的状态序列,i为序列标号,xi表示i点的缺陷深度量,将J2选为径向基函数网络,构建不变函数
J2为径向基函数网络,XB为缺陷检测信号,将缺陷检测信号作为网络的输入量,通过计算差分检测信号的峰值及峰值时间即可建立由检测信号到缺陷轮廓的非线性映射关系模型,在脉冲涡流缺陷轮廓重构过程中,由检测信号求解缺陷轮廓的具体表达式可表示为:
J2(XB)=T(H,L)·(ep+eτ) (5)
为使J2存在唯一解,采用不同属性材料的不同缺陷差分检测信号作为J2的特征输入量对式(5)进行训练,当J2各系数确定后,将未经训练的差分检测信号作为网络的输入量,经求解式(5)即可重构出被测缺陷的轮廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201518002719.4A CN113348758B (zh) | 2015-06-12 | 2015-06-12 | 一种消除材料属性影响的脉冲涡流缺陷轮廓重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201518002719.4A CN113348758B (zh) | 2015-06-12 | 2015-06-12 | 一种消除材料属性影响的脉冲涡流缺陷轮廓重构方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113348758B true CN113348758B (zh) | 2017-08-15 |
Family
ID=77541237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201518002719.4A Expired - Fee Related CN113348758B (zh) | 2015-06-12 | 2015-06-12 | 一种消除材料属性影响的脉冲涡流缺陷轮廓重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113348758B (zh) |
-
2015
- 2015-06-12 CN CN201518002719.4A patent/CN113348758B/zh not_active Expired - Fee Related
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Model‐based method with nonlinear ultrasonic system identification for mechanical structural health assessment | |
Kandroodi et al. | Estimation of depth and length of defects from magnetic flux leakage measurements: verification with simulations, experiments, and pigging data | |
CN106950276B (zh) | 一种基于卷积神经网络的管道缺陷深度的反演方法 | |
CN104299033B (zh) | 基于布谷鸟搜索和粒子滤波混杂算法的漏磁缺陷重构方法 | |
Sun et al. | Development of a physics-informed doubly fed cross-residual deep neural network for high-precision magnetic flux leakage defect size estimation | |
CN110286155B (zh) | 一种多层复合材料的损伤检测方法及系统 | |
CN105891321B (zh) | 铁磁性材料结构力学性能的微磁检测标定方法 | |
CN110346005B (zh) | 基于深度学习的科里奥利质量流量计数字信号处理方法 | |
CN113568055A (zh) | 一种基于lstm网络的航空瞬变电磁数据反演方法 | |
CN105572572A (zh) | 基于wknn-lssvm的模拟电路故障诊断方法 | |
CN110274956A (zh) | 一种基于Kolmogorov熵的管道超声导波检测方法 | |
CN106940343A (zh) | 一种基于阵列电磁传感器的材料微损伤检测方法及系统 | |
CN111274911B (zh) | 基于无线微波衰减特征迁移学习的浓雾监测方法 | |
CN115049026A (zh) | 基于gsnnr的空间非平稳性关系的回归分析方法 | |
Chady et al. | Neural network models of eddy current multi-frequency system for nondestructive testing | |
CN113348758B (zh) | 一种消除材料属性影响的脉冲涡流缺陷轮廓重构方法 | |
Ulapane | Nondestructive evaluation of ferromagnetic critical water pipes using pulsed eddy current testing | |
Hou et al. | A Target-Focusing Optimization Method for 3D Profile Reconstruction of Defects using MFL Measurements | |
CN101614799A (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 | |
Wei et al. | Estimation of the Discrete Spectrum of Relaxations for Electromagnetic Induction Responses Using $\ell_ {p} $-Regularized Least Squares for $0\leq p\leq 1$ | |
Zhang et al. | Defect reconstruction from magnetic flux leakage measurements employing modified cuckoo search algorithm | |
CN103940388B (zh) | 一种检测金属管道参数的方法及系统 | |
Xianming et al. | Weld defect recognition method of pipeline based on improved least squares twin support vector machine | |
Tao et al. | Design on forward modeling of RFEC inspection for cracks | |
Spagnolo et al. | Forensic metrology: uncertainty of measurements in forensic analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GR03 | Grant of secret patent right | ||
GR03 | Grant of secret patent right | ||
DC01 | Secret patent status has been lifted | ||
DC01 | Secret patent status has been lifted | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170815 |