CN113624834A - 一种基于边际谱质心检测的缺陷深度识别方法、系统 - Google Patents

一种基于边际谱质心检测的缺陷深度识别方法、系统 Download PDF

Info

Publication number
CN113624834A
CN113624834A CN202110916826.2A CN202110916826A CN113624834A CN 113624834 A CN113624834 A CN 113624834A CN 202110916826 A CN202110916826 A CN 202110916826A CN 113624834 A CN113624834 A CN 113624834A
Authority
CN
China
Prior art keywords
defect
signal
defect depth
marginal
marginal spectrum
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.)
Granted
Application number
CN202110916826.2A
Other languages
English (en)
Other versions
CN113624834B (zh
Inventor
宋守许
李想
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202110916826.2A priority Critical patent/CN113624834B/zh
Publication of CN113624834A publication Critical patent/CN113624834A/zh
Application granted granted Critical
Publication of CN113624834B publication Critical patent/CN113624834B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明涉及无损检测领域，特别是涉及一种基于边际谱质心检测的缺陷深度识别方法、系统。该缺陷深度识别方法包括如下步骤：S1：获取若干具有加工缺陷的试验件，以每个试验件和具有对照关系的参考件为一个样本组。S2：获取样本组中样本的脉冲涡流检测信号的差分信号；对差分信号进行变分模态分解得到多个固有模态函数。S3：对多个固有模态函数做希尔伯特变换，将希尔伯特谱的相应频率成分在整个时间域内进行叠加，得到脉冲涡流检测信号的边际谱图。S4：提取边际谱图的边际谱质心，构建一个缺陷深度识别模型。S5：用历史缺陷深度识别模型识别待检测件的缺陷深度。本发明解决了现有的缺陷深度检测方法单一，小宽度缺陷的深度检测结果精度低的问题。

Description

一种基于边际谱质心检测的缺陷深度识别方法、系统
技术领域
本发明涉及无损检测领域，特别是涉及一种基于边际谱质心检测的缺陷深度识别方法、系统。
背景技术
涡流检测是目前应用较为广泛的一种无损检测技术。其主要原理是通电激励线圈靠近被测金属试件时，在金属试件内部会产生一个瞬态电磁场。当金属试件存在缺陷时，感应电磁场在试件内部扩散的时间和衰减的程度会因缺陷的尺寸与位置的不同而改变，从而引起检测线圈信号发生变化。利用这一原理可以测量金属试件上的缺陷。
常规的脉冲涡流检测所采用的激励为一个方波信号，这种激励方式相当于多个不同频率的谐波叠加。理论上说，不同频率的谐波成分能够检测不同的深度，因此能够获取更加丰富的内部缺陷信息。但是对于常规的脉冲涡流检测方法来说，其检测信号是一种冲击响应信号；这个信号中包含了被测对象的磁导率、电导率、缺陷、探头的提离高度等信息。由于这些信息耦合在一维的检测信号中，想要获取其中的缺陷信息难度极大。
目前，脉冲涡流检测信号在不同的应用场合中会提取不同的信号特征；例如针对时域的信号峰值、峰值时间、过零时间，针对频域的频谱幅值等特征。这些特征都可应用于不同场合下缺陷的识别。除此之外，脉冲涡流检测信号中还拥有丰富的时域和频域信息，目前所采用的无损检测方法均未对信号的时频域特征做充分的挖掘；少数的理论研究也仅停留于定性分析层面。在定量分析方面，某些技术人员采用信号的时域峰值和峰值时间对缺陷进行定量评价，但此类特征的提取容易受到噪声的影响和降噪效果的限制，导致最终的缺陷分析结果的准确度和可靠性变差，尤其是在针对小宽度的缺陷进行识别时，现有方法的识别效果都相对较差，准确度太低。
发明内容
基于此，有必要针对现有的缺陷深度检测方法单一，以及小宽度缺陷的深度检测结果准确度较低的问题，提供一种基于边际谱质心检测的缺陷深度识别方法、系统。
在本发明中，技术人员根据涡流渗透深度公式发现，在涡流检测中，激励信号频率越低则由其产生的涡流渗透深度就越大。随着缺陷深度的增加，高频分量产生的涡流受到干扰的变化量逐渐减小，而低频分量产生的涡流受到干扰的变化仍然很大；所以差分信号边际谱中低频部分的能量占比越来越大，即其频率成分的能量中心向低频偏移。由此可知，缺陷深度与其频率成分的能量中心相关。基于这一原理，本发明考虑利用边际谱质心这一特征量来表征缺陷深度，并设计出一种基于VMD(变分模态分解)-Hilbert(希尔伯特变换)和边际谱质心检测的脉冲涡流检测缺陷深度的识别方法，用于对工件中的缺陷深度进行更精确的定量分析。
具体地，本发明提供了一种基于边际谱质心检测的缺陷深度识别方法，如图1所示，该缺陷深度识别方法包括如下步骤：
S1：获取若干具有加工缺陷的试验件，按照缺陷宽度对试验件进行分类；然后在每一类中选择若干试验件，并选择一个没有缺陷的同型试验件作为参考件进行对照；以每个试验件和具有对照关系的参考件为一个样本组。
S2：依次对每个样本组中的样本进行脉冲涡流检测，将得到的两个脉冲涡流检测信号做差分处理得到差分信号；然后采用变分模态分解(VMD)方法对差分信号进行分解，得到与各个差分信号关联的多个固有模态函数。
S3：对多个固有模态函数做希尔伯特变换，得到脉冲涡流检测信号的希尔伯特谱，希尔伯特谱是时间-幅值-频率的一个三维图谱；将希尔伯特谱的相应频率成分在整个时间域内进行叠加，得到脉冲涡流检测信号的边际谱图。
S4：根据边际谱图提取其中的边际谱质心，在每个样本组的边际谱质心值和缺陷深度值之间建立映射关系，进而利用具有映射关系的若干数据点构建一个缺陷深度识别模型。缺陷深度识别模型的输入为缺陷宽度和边际谱质心值，输出为缺陷深度值。
S5：通过检测获取待检测件的缺陷宽度和边际谱质心值，将待检测件的缺陷宽度和边际谱质心值输入到缺陷深度识别模型中，得到待检测件的缺陷深度识别结果。
本发明提供的方法能够得到不同缺陷宽度条件下，工件的缺陷深度与边际谱质心值之间的一个确定函数关系。根据该函数关系能够快速识别出不同缺陷宽度和边际谱质心值条件下工件的缺陷深度的值。且通过本发明的信号处理和数据处理步骤，能够克服传统方法的缺陷，提取到脉冲涡流检测信号中更丰富的特征信息，并建立关联性更强，预测效果更可靠的缺陷深度识别模型。
本发明中，通过对脉冲涡流检测信号的时频域进行特征提取，实现了对缺陷的定量分析。在此过程中，不仅充分利用了检测信号的时域和频域信息；且引入了更加适用于本发明中非平稳信号分析的信号处理方法，从而将本发明需要的缺陷的深度信息从检测信号中剥离出来。与传统方式提取的信号特征相比，提升了在细小缺陷的深度识别上的分辨率。
作为本发明进一步地改进，步骤S1中，每个样本组中具有对照关系的样本为结构和材料相同，区别仅在于其中一个含有缺陷，另一个不含有缺陷的两个工件。或者每个样本组中具有对照关系的样本为一个工件中含有缺陷和不含有缺陷的两个区域。
作为本发明进一步地改进，各个样本组中的样本含有的缺陷的深度各不相同。
选择缺陷深度各不相同的样本能够提高有效数据的规模，进而使得拟合出的与缺陷深度和边际谱质心值关系有关的曲线更符合实际情况。
作为本发明进一步地改进，步骤S2中，为变分模态分解前的差分信号设置一个预设周期数，采集的脉冲涡流检测信号经差分处理后得到差分信号的周期数不小于预设周期数；当差分信号的周期数小于预设周期数时，对差分信号进行周期延拓以满足预设周期数的要求。
设置预设周期数能将不同信号的周期数进行统一，便于在后续过程中进行信号处理。
作为本发明进一步地改进，步骤S3中，脉冲涡流检测信号的边际谱图的建立方法具体包括如下步骤：
S31：将经变分模态分解后的差分信号的各个固有模态函数记为μi(t)，则固有模态函数μi(t)经过希尔伯特变换后的形式如下：
Figure BDA0003205913180000041
上式中，
Figure BDA0003205913180000042
为μi(t)函数的希尔伯特变换函数，n表示差分信号经变分模态分解后得到固有模态函数的数量。
S32：根据固有模态函数μi(t)及其希尔伯特变换函数
Figure BDA0003205913180000043
得到对应的解析信号
Figure BDA0003205913180000044
解析信号
Figure BDA0003205913180000045
的表达式如下：
Figure BDA0003205913180000046
其中，
Figure BDA0003205913180000047
上式中，
Figure BDA0003205913180000048
为信号的瞬时相位；Ai(t)为信号的瞬时幅值。
S33：做出上述解析信号的希尔伯特谱(Hilbert spectrum，HS)H(ω,t)，其表示形式如下：
Figure BDA0003205913180000049
其中，
Figure BDA00032059131800000410
上式中，ωi(t)为信号的瞬时角频率；fi为信号的瞬时频率。
S34：将上述希尔伯特谱的相应频率成分在整个时间域内进行叠加得到信号的边际谱图，边际谱图的计算公式如下：
Figure BDA0003205913180000051
上式中，H(ω,t)表示信号的希尔伯特谱，h(ω)表示信号的边际谱。
作为本发明进一步地改进，步骤S4中，边际谱质心值SC通过边际谱图计算得到，其计算公式如下：
Figure BDA0003205913180000052
上式中，M为信号中边际谱频率分量的个数；fi为信号的频率；Ei为信号对应的能量；边际谱质心值SC反映了信号中频率成分的能量中心。
作为本发明进一步地改进，步骤S4中，缺陷深度识别模型中包括一个或多个以边际谱质心值为自变量，以缺陷深度值为因变量的函数；且每个函数均与一个缺陷宽度的值相关联，反映出在该缺陷宽度条件下，自变量和因变量之间的函数关系。
本发明还包括一种基于边际谱质心检测的缺陷深度识别系统，该缺陷深度识别系统采用如前述的基于边际谱质心检测的缺陷深度识别方法，对工件的缺陷深度进行识别；缺陷深度识别系统包括：识别模型构建模块，数据检测模块，以及缺陷深度值生成模块。
识别模型构建模块包括检测信号获取单元，差分信号生成单元、变分模态分解单元，边际谱质心提取单元，以及曲线拟合单元。其中，检测信息获取单元用于分别获取各组具有对照关系的样本的脉冲涡流检测信号。差分信号生成单元用于对每组具有对照关系的样本的脉冲涡流检测信号进行差分处理，得到该样本组的差分信号。变分模态分解单元用于对每个差分信号进行变分模态分解，得到与该信号关联的多个固有模态函数。边际谱质心提取单元用于对分解后的多个固有模态函数做希尔伯特变换得到希尔伯特谱，并将希尔伯特谱的相应频率成分在整个时间域内进行叠加得到脉冲涡流检测信号的边际谱图，进而根据边际谱图提取其中的边际谱质心。曲线拟合单元用于在每个样本组的边际谱质心值和缺陷深度值之间建立映射关系，进而拟合出表征映射关系的曲线。拟合出的每条曲线中的数据点反映的缺陷宽度值相同。
数据检测模块用于对待检测件进行检测，根据检测结果计算出待检测件的边际谱质心值，并提取出缺陷的宽度。
缺陷深度值生成模块用于获取待检测件的缺陷宽度，然后从曲线拟合单元拟合出的曲线中选择出相应的曲线，将边际谱质心值输入到曲线中，进而输出待检测件的缺陷深度识别结果。
作为本发明进一步地改进，曲线拟合单元在拟合曲线时，先将具有相同缺陷宽度的一系列数据点进行分类，然后针对分类结果拟合出每一类数据点对应的曲线；进而得出在不同缺陷宽度状态下，样本的边际谱质心值和缺陷深度值之间的相关关系。
作为本发明进一步地改进，缺陷深度识别系统应用于一个脉冲涡流检测设备上；缺陷深度识别系统获取所述脉冲涡流检测设备的检测结果，基于该检测结果对待检测件的缺陷深度信息进行分析和识别。
本发明提供的一种基于边际谱质心检测的缺陷深度识别方法、系统，具有如下有益效果：
1、本发明提供的方法在对工件缺陷检测的差分信号进行信号处理时，采用了先对信号进行变分模态分解然后再进行希尔伯特变换处理的处理方法。这种信号处理方法可以避免传统的希尔伯特-黄变换(Hilbert-Huang Transform)中经验模态分解对信号分解会产生模态混叠以及虚假分量的缺点，有效改善了信号分解的质量。另一方面本发明所引入的变分模态分解对噪声有一定的抑制作用，提高了基于该信号处理过程得到的数据的准确性，进而提升了构建的缺陷深度识别模型的可靠性。
2、本发明提出的方法，从差分信号的时频域中提取了新的特征数据，得到的边际谱图不仅能反映真实存在的频率成分，也能反映瞬时存在的频率成分；与传统的傅里叶变换幅值谱相比，更适合分析脉冲涡流检测这样的非平稳信号。同时，本发明针对边际谱图提出的边际谱质心特征，充分利用了各个频段信息，是对边际谱的综合分析，因而能更加直观、有效地对不同深度缺陷进行定量分析。且在小宽度条件下对缺陷深度的定量分析具有更高的分辨率，分析结果更加准确。
附图说明
图1为本发明实施例1中一种基于边际谱质心检测的缺陷深度识别方法的流程图；
图2为本发明实施例1中缺陷深度模型构建过程的程序流图；
图3为本发明实施例1的验证试验中，缺陷宽度为1.0mm时，边际谱质心和缺陷深度的拟合曲线；
图4为本发明实施例1的验证试验中，缺陷宽度为1.5mm时，边际谱质心和缺陷深度的拟合曲线；
图5为本发明实施例1的验证试验中，缺陷宽度为2.0mm时，边际谱质心和缺陷深度的拟合曲线；
图6为本发明实施例1的验证试验中，缺陷宽度为2.5mm时，边际谱质心和缺陷深度的拟合曲线；
图7为本发明实施例2中一种基于边际谱质心检测的缺陷深度识别系统的系统模块示意图。
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。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“或/及”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例1
本实施例提供了一种基于边际谱质心检测的缺陷深度识别方法，如图1所示，该缺陷深度识别方法包括如下步骤：
S1：获取若干具有加工缺陷的试验件，按照缺陷宽度对试验件进行分类；然后在每一类中选择若干试验件，并选择一个没有缺陷的同型试验件作为参考件进行对照；以每个试验件和具有对照关系的参考件为一个样本组。
每个样本组中具有对照关系的样本为结构和材料相同，区别仅在于其中一个含有缺陷，另一个不含有缺陷的两个工件。或者每个样本组中具有对照关系的样本为一个工件中含有缺陷和不含有缺陷的两个区域。
在本实施例的方案中，每个待检测有缺陷的试验件需要一个没有缺陷的试验件作为信号的参考；这样才可以通过对二者的检测信号的差分处理获取缺陷部分的信号。因此，样本组中的试验件和参考件应当是除了缺陷以外完全相同的工件，这样才能排除结构或材料等其它因素对得到的检测信号的影响。
在实际检测应用中，可以将一个完全合格的工件作为参考件，并以一个含有缺陷的工件作为试验件，二者共同构成了一个样本组。在其它实施例中，针对结构具有对称性的工件，还可以将工件中具有对称关系且分别含有和不含有缺陷的两个区域作为一个样本组。同一批或同一个工件的性能一致性通常较好；因此，采用这种方式设置样本组对排除干扰因素具有更好的控制效果。
同时为了能够获取不同和缺陷深度的工件的信息，本实施例中选择的各个样本组中的样本含有的缺陷的深度各不相同。
S2：依次对每个样本组中的样本进行脉冲涡流检测，将得到的两个脉冲涡流检测信号做差分处理得到差分信号；然后采用变分模态分解方法对差分信号进行分解，得到与各个差分信号关联的多个固有模态函数。
本实施例在进行脉冲涡流检测时，作为参考件的样本只需要检测一次即可，在其它样本组中，可以选择该参考件的检测结果作为相应的样本的检测信号。而作为试验件的样本则每一次均需要独立测量，进而获得各个不同缺陷宽度和缺陷深度的试验件的检测信号。
本实施例中，还为变分模态分解前的差分信号设置一个预设周期数。采集的脉冲涡流检测信号经差分处理后得到差分信号的周期数应当不小于预设周期数；当差分信号的周期数小于预设周期数时，对差分信号进行周期延拓以满足预设周期数的要求。检测信号的周期数一致可以便于后续进行数据处理，本实施例中设置预设周期数能够使得不同周期数的检测信号达到信号周期数统一。
S3：对多个固有模态函数做希尔伯特变换，得到脉冲涡流检测信号的希尔伯特谱，希尔伯特谱是时间-幅值-频率的一个三维图谱，将希尔伯特谱的相应频率成分在整个时间域内进行叠加，得到脉冲涡流检测信号的边际谱图。
步骤S3中，脉冲涡流检测信号的边际谱图的建立方法具体包括如下步骤：
S31：将经变分模态分解后的差分信号的各个固有模态函数记为μi(t)，则固有模态函数μi(t)经过希尔伯特变换后的形式如下：
Figure BDA0003205913180000091
上式中，
Figure BDA0003205913180000092
为μi(t)函数的希尔伯特变换函数，n表示差分信号经变分模态分解后得到固有模态函数的数量。
S32：根据固有模态函数μi(t)及其希尔伯特变换函数
Figure BDA0003205913180000093
得到对应的解析信号
Figure BDA0003205913180000094
解析信号
Figure BDA0003205913180000095
的表达式如下：
Figure BDA0003205913180000096
其中，
Figure BDA0003205913180000097
上式中，
Figure BDA0003205913180000098
为信号的瞬时相位；Ai(t)为信号的瞬时幅值。
S33：做出解析信号的希尔伯特谱(Hilbert spectrum，HS)H(ω,t)，其表示形式如下：
Figure BDA0003205913180000101
其中，
Figure BDA0003205913180000102
上式中，ωi(t)为信号的瞬时角频率；fi为信号的瞬时频率。
S34：将上述希尔伯特谱的相应频率成分在整个时间域内进行叠加得到信号的边际谱图，边际谱图的计算公式如下：
Figure BDA0003205913180000103
上式中，H(ω,t)表示信号的希尔伯特谱，h(ω)表示信号的边际谱。
S4：根据边际谱图提取其中的边际谱质心，在每个样本组的边际谱质心值和缺陷深度值之间建立映射关系，进而利用具有映射关系的若干数据点构建一个缺陷深度识别模型。缺陷深度识别模型的输入为缺陷宽度和边际谱质心值，输出为缺陷深度值。
边际谱质心值SC通过边际谱图计算得到，其计算公式如下：
Figure BDA0003205913180000104
上式中，M为信号中边际谱频率分量的个数；fi为信号的频率；Ei为信号对应的能量；边际谱质心值SC反映了信号中频率成分的能量中心。
本实施例中，缺陷深度识别模型中包括一个或多个以边际谱质心值为自变量，以缺陷深度值为因变量的函数；且每个函数均与一个缺陷宽度的值相关联，反映出在该缺陷宽度条件下，自变量和因变量之间的函数关系。
在本发明实施例提供的方案中，缺陷宽度和边际谱质心值是识别出的缺陷深度结果的两个重要的决定性因素。本实施例中通过控制变量法得出了相同缺陷宽度下的工件的一系列数据，并基于这些数据拟合出边际谱质心值和缺陷深度的曲线，得到二者的线性关系函数。这为后期根据检测出的边际谱质心值定量计算出缺陷深度值奠定了基础。同时，为了使得本实施例中的缺陷深度识别模型具有更高准确性和可靠性，本实施例还需要不断扩大数据基础，从而覆盖更多缺陷宽度的范围。在满足分辨率要求的情况下，在每个不同的缺陷宽度状态下，绘制不同的“边际谱质心值-缺陷深度”曲线。
S5：通过检测获取待检测件的缺陷宽度和边际谱质心值，将待检测件的缺陷宽度和边际谱质心值输入到缺陷深度识别模型中，得到待检测件的缺陷深度识别结果。
在实际应用过程中，缺陷宽度和边际谱质心值可以采用已知的各种方法准确测量或计算。或者通过本实施前述步骤中介绍的边际谱质心值计算方法计算待检测件的边际谱质心值。
边际谱质心值和缺陷宽度输出到缺陷深度识别模型中之后，缺陷深度识别模型首先根据待检测件的缺陷宽度匹配最佳的“边际谱质心值-缺陷深度”曲线，该曲线关联的缺陷宽度值与待检测件的实际缺陷宽度值最接近。然后将待检测件的边际谱质心值带入到拟合曲线的函数中，得到相应的缺陷深度识别结果。
缺陷深度识别模型的建立过程是本发明提供的技术方案的主要内容，为了使该部分的内容更加清楚，本实施例设计了一个验证试验，验证试验的流程如图2所示，验证试验中对缺陷深度识别模型的构建过程进行模拟，以下为该验证试验的介绍：
在本实施例的验证试验中，选择了六个结构和材质完全相同的高速钢试块作为试验样本，利用通有脉冲激励信号的探头对六个试验样本进行扫描检测，得到六个检测信号。六个试验样本中，其中一个样本为无缺陷的高速钢试块，以该样本作为参考，得到参考信号S0。其它五个样本(记为样本1、2、3、4、5)分别为含有加工缺陷的高速钢试块，五个样本中加工缺陷的宽度均为1.0mm，深度依次为1.0mm、1.5mm、2.0mm、2.5mm和3.0mm；得到的检测信号分别记为S1、S2、S3、S4和S5。
将检测信号S1、S2、S3、S4和S5分别与参考信号S0做差分处理，得到样本1、2、3、4、5检测的差分信号S1’＝S1-S0、S2’＝S2-S0、S3’＝S3-S0、S4’＝S4-S0和S5’＝S5-S0。再选定合适的分解层数K和惩罚因子α，将得到的五个差分信号分别做变分模态分解，从而得到分别与每个差分信号关联的K个固有模态函数。
将每个差分信号得到的固有模态函数进行希尔伯特变换，得到的希尔伯特谱分别记为HS1、HS2、HS3、HS4和HS5。然后将得到的五个希尔伯特谱的相应频率成分在整个时间域内进行叠加，得到对应的边际谱图；进而计算出每个信号的边际谱图的边际谱质心值。最后，根据各个样本中边际谱质心值与缺陷深度值之间的对应关系确定试验的数据点，然后根据试验数据点拟合出缺陷宽度为1mm时的“边际谱质心-缺陷深度”的拟合曲线图，如图3所示拟合曲线为一个二元一次函数。分析图中曲线可以发现，随着缺陷深度的增加，试验件的边际谱质心也在不断减小，而且二者表现出较好的线性关系。该曲线表征的函数可以反映出在缺陷宽度为1.0mm时，边际谱质心值和缺陷深度二者之间的相关关系。
除此之外，本实施例的验证试验过程中还采用如上的试验方案设计方法，得出了缺陷宽度分别为1.5mm，2.0mm和2.5mm时的“边际谱质心-缺陷深度”拟合曲线图，分别如图4-6所示。图中反映出的边际谱质心值和缺陷深度的相关关系和图3一致。结合图3-6的曲线进一步分析可以发现：当缺陷宽度越窄时，拟合出的曲线更加平坦。即在缺陷宽度越窄时，相同深度变化量引起的边际谱质心的变化更大。这说明了本实施提供的方法对于小宽度的缺陷具有更好的深度识别效果，边际谱质心具有更高的分辨率。
实施例2
本实施例提供一种基于边际谱质心检测的缺陷深度识别系统，该缺陷深度识别系统采用如实施例1所述的基于边际谱质心检测的缺陷深度识别方法，对工件的缺陷深度进行识别。如图7所示，缺陷深度识别系统包括：识别模型构建模块，数据检测模块，以及缺陷深度值生成模块。
其中，识别模型构建模块包括检测信号获取单元，差分信号生成单元、变分模态分解单元，边际谱质心提取单元，以及曲线拟合单元。其中，检测信息获取单元用于分别获取各组具有对照关系的样本的脉冲涡流检测信号。差分信号生成单元用于对每组具有对照关系的样本的脉冲涡流检测信号进行差分处理，得到该样本组的差分信号。变分模态分解单元用于对每个差分信号进行变分模态分解，得到与该信号关联的多个固有模态函数。边际谱质心提取单元用于对分解后的多个固有模态函数做希尔伯特变换得到希尔伯特谱，并将希尔伯特谱的相应频率成分在整个时间域内进行叠加得到脉冲涡流检测信号的边际谱图，进而根据边际谱图提取其中的边际谱质心。曲线拟合单元用于在每个样本组的边际谱质心值和缺陷深度值之间建立映射关系，进而拟合出表征映射关系的曲线。拟合出的每条曲线中的数据点反映的缺陷宽度值相同。
数据检测模块用于对待检测件进行检测，根据检测结果计算出待检测件的边际谱质心值，并提取出缺陷的宽度。
缺陷深度值生成模块用于获取待检测件的缺陷宽度，然后从曲线拟合单元拟合出的曲线中选择出相应的曲线，将边际谱质心值输入到曲线中，进而输出待检测件的缺陷深度识别结果。
本实施例中，曲线拟合单元在拟合曲线时，先将具有相同缺陷宽度的一系列数据点进行分类，然后针对分类结果拟合出每一类数据点对应的曲线；进而得出在不同缺陷宽度状态下，样本的边际谱质心值和缺陷深度值之间的相关关系。
本实施例提供的一种基于边际谱质心检测的缺陷深度识别系统实际上是一种数据处理系统。该系统在实际应用中需要与一个脉冲涡流检测设备匹配使用。缺陷深度识别系统获取所述脉冲涡流检测设备的检测结果，基于该检测结果对待检测件的缺陷深度信息进行分析和识别。
在其它实施例中，基于边际谱质心检测的缺陷深度识别系统还可以是一个包含脉冲涡流检测设备的整体设备。该系统通过自身的脉冲涡流检测设备对待检测件进行性能检测，进而得到该待检测件的缺陷深度识别结果。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于边际谱质心检测的缺陷深度识别方法，其特征在于：所述缺陷深度识别方法包括如下步骤：
S1：获取若干具有加工缺陷的试验件，按照缺陷宽度对试验件进行分类；然后在每一类中选择若干试验件，并选择一个没有缺陷的同型试验件作为参考件进行对照；以每个试验件和具有对照关系的参考件为一个样本组；
S2：依次对每个所述样本组中的样本进行脉冲涡流检测，将得到的两个脉冲涡流检测信号做差分处理得到差分信号；然后采用变分模态分解方法对所述差分信号进行分解，得到与各个所述差分信号关联的多个固有模态函数；
S3：对所述多个固有模态函数做希尔伯特变换，得到所述脉冲涡流检测信号的希尔伯特谱，并将所述希尔伯特谱的相应频率成分在整个时间域内进行叠加，得到所述脉冲涡流检测信号的边际谱图；
S4：根据所述边际谱图提取其中的边际谱质心，在每个样本组的边际谱质心值和缺陷深度值之间建立映射关系，进而利用具有映射关系的若干数据点构建一个缺陷深度识别模型；所述缺陷深度识别模型的输入为缺陷宽度和边际谱质心值，输出为缺陷深度值；
S5：通过检测获取待检测件的缺陷宽度和边际谱质心值，将所述待检测件的所述缺陷宽度和边际谱质心值输入到所述缺陷深度识别模型中，得到所述待检测件的缺陷深度识别结果。
2.根据权利要求1所述的基于边际谱质心检测的缺陷深度识别方法，其特征在于：步骤S1中，每个所述样本组中具有对照关系的样本为结构和材料相同，区别仅在于其中一个含有缺陷，另一个不含有缺陷的两个工件；或者每个所述样本组中具有对照关系的样本为一个工件中含有缺陷和不含有缺陷的两个区域。
3.根据权利要求2所述的基于边际谱质心检测的缺陷深度识别方法，其特征在于：各个所述样本组中的样本含有的缺陷的深度各不相同。
4.根据权利要求1所述的基于边际谱质心检测的缺陷深度识别方法，其特征在于：步骤S2中，为变分模态分解前的所述差分信号设置一个预设周期数，采集的所述脉冲涡流检测信号经差分处理后得到所述差分信号的周期数不小于所述预设周期数；当所述差分信号的周期数小于所述预设周期数时，对所述差分信号进行周期延拓以满足所述预设周期数的要求。
5.根据权利要求1所述的基于边际谱质心检测的缺陷深度识别方法，其特征在于：步骤S3中，所述脉冲涡流检测信号的边际谱图的建立方法具体包括如下步骤：
S31：将经变分模态分解后的所述差分信号的各个固有模态函数记为μi(t)，则所述固有模态函数μi(t)经过希尔伯特变换后的形式如下：
Figure FDA0003205913170000021
上式中，
Figure FDA0003205913170000022
为μi(t)函数的希尔伯特变换函数，n表示所述差分信号经变分模态分解后得到固有模态函数的数量，该数量对应变分模态分解过程设置的分解层数；
S32：根据所述固有模态函数μi(t)及其希尔伯特变换函数
Figure FDA0003205913170000029
得到对应的解析信号
Figure FDA0003205913170000023
所述解析信号
Figure FDA0003205913170000024
的表达式如下：
Figure FDA0003205913170000025
其中，
Figure FDA0003205913170000026
上式中，
Figure FDA0003205913170000028
为信号的瞬时相位；Ai(t)为信号的瞬时幅值；
S33：做出所述解析信号的希尔伯特谱H(ω,t)，其表示形式如下：
Figure FDA0003205913170000027
其中，
Figure FDA0003205913170000031
上式中，ωi(t)为信号的瞬时角频率；fi为信号的瞬时频率；
S34：将上述希尔伯特谱的相应频率成分在整个时间域内进行叠加得到信号的边际谱图，所述边际谱图的计算公式如下：
Figure FDA0003205913170000032
上式中，H(ω,t)表示信号的希尔伯特谱，h(ω)表示信号的边际谱。
6.根据权利要求1所述的基于边际谱质心检测的缺陷深度识别方法，其特征在于：步骤S4中，所述边际谱质心值SC通过所述边际谱图计算得到，其计算公式如下：
Figure FDA0003205913170000033
上式中，M为信号中边际谱频率分量的个数；fi为信号的频率；Ei为信号对应的能量；所述边际谱质心值SC反映了信号中频率成分的能量中心。
7.根据权利要求1所述的基于边际谱质心检测的缺陷深度识别方法，其特征在于：步骤S4中，所述缺陷深度识别模型中包括一个或多个以边际谱质心值为自变量，以缺陷深度值为因变量的函数；且每个所述函数均与一个缺陷宽度的值相关联，反映出在该缺陷宽度条件下，自变量和因变量之间的函数关系。
8.一种基于边际谱质心检测的缺陷深度识别系统，其特征在于，所述缺陷深度识别系统采用如权利要求1-7任意一项所述的基于边际谱质心检测的缺陷深度识别方法，对工件的缺陷深度进行识别；所述缺陷深度识别系统包括：
识别模型构建模块，其包括检测信号获取单元，差分信号生成单元、变分模态分解单元，边际谱质心提取单元，以及曲线拟合单元；其中，所述检测信息获取单元用于分别获取各组具有对照关系的样本的脉冲涡流检测信号；所述差分信号生成单元用于对每组具有对照关系的样本的脉冲涡流检测信号进行差分处理，得到该样本组的差分信号；所述变分模态分解单元用于对每个差分信号进行变分模态分解，得到与该信号关联的多个固有模态函数；所述边际谱质心提取单元用于对分解后的多个固有模态函数做希尔伯特变换得到希尔伯特谱，并将所述希尔伯特谱的相应频率成分在整个时间域内进行叠加得到所述脉冲涡流检测信号的边际谱图，进而根据所述边际谱图提取其中的边际谱质心；所述曲线拟合单元用于在每个样本组的边际谱质心值和缺陷深度值之间建立映射关系，进而拟合出反应所述映射关系的曲线，每条所述曲线中的数据点反映的缺陷宽度值相同；
数据检测模块，其用于对待检测件进行检测，并根据检测结果计算出所述待检测件的边际谱质心值，并提取出缺陷的宽度；
缺陷深度值生成模块，其用于获取所述待检测件的缺陷宽度，然后从所述曲线拟合单元拟合出的曲线中选择出相应的曲线，将边际谱质心值输入到所述曲线中，进而输出待检测件的缺陷深度识别结果。
9.根据权利要求8所述的基于边际谱质心检测的缺陷深度识别系统，其特征在于：所述曲线拟合单元在拟合曲线时，先将具有相同缺陷宽度的一系列数据点进行分类，然后针对分类结果拟合出每一类数据点对应的曲线；进而得出在不同缺陷宽度状态下，样本的边际谱质心值和缺陷深度值之间的相关关系。
10.根据权利要求8所述的基于边际谱质心检测的缺陷深度识别系统，其特征在于：所述缺陷深度识别系统应用于一个脉冲涡流检测设备上；所述缺陷深度识别系统获取所述脉冲涡流检测设备的检测结果，基于该检测结果对待检测件的缺陷深度信息进行分析和识别。
CN202110916826.2A 2021-08-11 2021-08-11 一种基于边际谱质心检测的缺陷深度识别方法、系统 Active CN113624834B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110916826.2A CN113624834B (zh) 2021-08-11 2021-08-11 一种基于边际谱质心检测的缺陷深度识别方法、系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110916826.2A CN113624834B (zh) 2021-08-11 2021-08-11 一种基于边际谱质心检测的缺陷深度识别方法、系统

Publications (2)

Publication Number Publication Date
CN113624834A true CN113624834A (zh) 2021-11-09
CN113624834B CN113624834B (zh) 2023-06-30

Family

ID=78384265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110916826.2A Active CN113624834B (zh) 2021-08-11 2021-08-11 一种基于边际谱质心检测的缺陷深度识别方法、系统

Country Status (1)

Country Link
CN (1) CN113624834B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115201326A (zh) * 2022-08-18 2022-10-18 合肥工业大学 一种基于近、远场涡流的缺陷埋深多参数辨识方法
CN115597901A (zh) * 2022-12-13 2023-01-13 江苏中云筑智慧运维研究院有限公司（Cn） 一种桥梁伸缩缝损伤的监测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030033094A1 (en) * 2001-02-14 2003-02-13 Huang Norden E. Empirical mode decomposition for analyzing acoustical signals
CA2792209A1 (en) * 2012-02-06 2013-08-06 C.R.F. Societa Consortile Per Azioni A method for monitoring the quality of industrial processes and system therefrom
CN103257182A (zh) * 2013-06-07 2013-08-21 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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030033094A1 (en) * 2001-02-14 2003-02-13 Huang Norden E. Empirical mode decomposition for analyzing acoustical signals
CA2792209A1 (en) * 2012-02-06 2013-08-06 C.R.F. Societa Consortile Per Azioni A method for monitoring the quality of industrial processes and system therefrom
CN103257182A (zh) * 2013-06-07 2013-08-21 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张智军;杨博楠;杜金强;: "希尔伯特-黄变换在脉冲涡流信号消噪与识别中的应用", 国防科技大学学报, no. 03 *
张鑫;吴亚锋;朱帅琦;: "基于EEMD-HHT边际谱的轴承故障诊断", 科学技术与工程, no. 31 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115201326A (zh) * 2022-08-18 2022-10-18 合肥工业大学 一种基于近、远场涡流的缺陷埋深多参数辨识方法
CN115201326B (zh) * 2022-08-18 2024-03-29 合肥工业大学 一种基于近、远场涡流的缺陷埋深多参数辨识方法
CN115597901A (zh) * 2022-12-13 2023-01-13 江苏中云筑智慧运维研究院有限公司（Cn） 一种桥梁伸缩缝损伤的监测方法

Also Published As

Publication number Publication date
CN113624834B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
Manhertz et al. STFT spectrogram based hybrid evaluation method for rotating machine transient vibration analysis
Safizadeh et al. Time-frequency analysis of pulsed eddy current signals
CN107329932B (zh) 基于非线性调频分量分解的时频域模态参数辨识方法
Pan et al. PEC frequency band selection for locating defects in two-layer aircraft structures with air gap variations
CN113624834B (zh) 一种基于边际谱质心检测的缺陷深度识别方法、系统
CN105929024A (zh) 混凝土缺陷智能化检测与定量识别方法
US6424151B2 (en) Method and apparatus for evaluation of eddy current testing signal
CN103336049A (zh) 一种消除提离效应的脉冲涡流检测方法及装置
Pasadas et al. Defect classification with SVM and wideband excitation in multilayer aluminum plates
Liu et al. Hidden defect recognition based on the improved ensemble empirical decomposition method and pulsed eddy current testing
Schmidt et al. A pre-processing methodology to enhance novel information for rotating machine diagnostics
Zheng et al. Internal combustion engine noise analysis with time-frequency distribution
Ren et al. Shaking noise elimination for detecting local flaw in steel wire ropes based on magnetic flux leakage detection
Wang et al. CVRgram for demodulation band determination in bearing fault diagnosis under strong gear interference
Chen et al. Gear fault diagnosis model combined with MED-LMD-Hypersphere multiclass SVM
US10585067B2 (en) Method for non-destructive analysis of multiple structural parameters
Liu et al. Application of Hilbert–Huang transform for defect recognition in pulsed eddy current testing
Manhertz et al. Evaluation of short-time fourier-transformation spectrograms derived from the vibration measurement of internal-combustion engines
RU2331893C1 (ru) Способ выделения дискретных составляющих в спектре сигнала и устройство для его осуществления
He et al. Online grinding chatter detection based on minimum entropy deconvolution and autocorrelation function
Egorov et al. Using signals of special form in multi-frequency eddy current testing
Gillich et al. A versatile algorithm for estimating natural frequencies with high accuracy
Surin et al. Device''s for measuring contact surface stress
Yi-bing et al. An improved Hilbert-Huang transform and its application in faults signal analysis
CN110532635A (zh) 一种基于时域的管道泄漏检测算法

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