CN101701934A

CN101701934A - Acfm缺陷智能可视化检测***

Info

Publication number: CN101701934A
Application number: CN200910230601A
Authority: CN
Inventors: 陈国明; 李伟; 倪春生; 李文艳
Original assignee: China University of Petroleum East China
Current assignee: China University of Petroleum East China
Priority date: 2009-11-16
Filing date: 2009-11-16
Publication date: 2010-05-05

Abstract

本发明公开了一种基于交流电磁场的缺陷智能可视化检测***，包括探头、辅助电路、***检测软件以及缺陷量化和形状重构算法。探头激励部分采用双U型结构设计，由锰锌铁氧体铁芯和两组正交载流线圈组成，检测部分采用2维阵列结构，该阵列探头采用提放式行走方式。检测信号的硬件处理包括放大、滤波等信号调理以及引入原始激励信号作为参考信号，对检测信号进行相敏检波和低通滤波。信号经A/D采集卡送入计算机，由检测软件对信号进行数字滤波、相关分析，实时绘制磁感应强度曲线和蝶形图，并通过缺陷量化以及形状重构算法实现裂纹的尺寸量化和三维形状反演。本发明充分发挥了计算机优势，大大提高了交流电磁场检测的智能化和可视化水平。

Description

ACFM缺陷智能可视化检测***

技术领域

本发明涉及一种以交流电磁场检测技术为基础的智能可视化无损检测***，更具体地说，本发明涉及ACFM缺陷智能可视化检测***装置、软件和缺陷智能量化与可视化方法。

背景技术

交流电磁场检测(ACFM)是一种新兴的无损检测手段，在石油化工、航空航天等各种场合构件的表面裂纹检测，尤其适于海上平台和水下结构等构件。但是，目前，ACFM技术的应用还没有实现信号处理的自动化，通常是借助于经验人工进行分析处理，不仅效率低，缺陷的定量分析精度也难以提高，而且可视化方面仍是以磁通密度曲线和蝶形图来表示缺陷，不能反映出缺陷的形状信息，可视化水平不高。

发明内容

本发明的目的是克服现有交流电磁场检测装置和检测方法中存在的各种不足，提供一种交流电磁场检测缺陷的量化和可视化方法，实现检测信号的自动量化，提高检测效率、检测精度，实现缺陷形状的重构，提高检测的可视化水平。

本发明包括交流电磁场检测装置和缺陷可视化方法两部分。交流电磁场检测***如图1所示，主要由电源、激励信号发生器、功率放大电路、激励探头、检测线圈、信号调理电路、移相器、相敏检波电路、低通滤波电路、A/D采集卡和计算机等几部分组成。激励信号源选择美国INTERSIL公司的精密压控函数发生器ICL8038和射频跟随器产生，提供6KH_Z正弦波作为激励信号。该信号经过功率放大和移相器90⁰移相后分别导入激励探头，激励探头由两个U型锰锌铁氧体铁芯和两组正交载流线圈组成，结构如图2所示，两组载流线圈分别由移相前后相差90⁰的正交激励信号分别驱动，在工件表面激励出匀速旋转的均匀感应电流，产生磁场方向匀速旋转的均匀感应磁场，该结构激励探头有效的弥补了感应电流方向对裂纹方向的限制，达到对任意方向裂纹都有较高检测灵敏度的目的，使裂纹方向检测成为可能。检测线圈采用2维阵列排列，阵列探头沿裂纹长度方向采用提放式行走，提取薄板表面裂纹附近的磁感应强度分量，以电压形式表示磁感应强度。检测信号经过放大、滤波等信号调理电路完成初步处理，引入原始激励信号作为参考信号，对检测信号进行相敏检波和低通滤波。A/D采集卡将模拟信号转化为数字信号送入计算机，通过在LabVIEW环境下设计的数字信号处理软件模块，由计算机对信号进行数字滤波、相关分析，实现信号的矢量测定，并通过开发的ACFM缺陷智能可视化检测软件，实时绘制磁感应强度曲线和蝶形图，实现缺陷的实时判别、自动量化及缺陷可视化描述。

ACFM缺陷智能可视化检测方法包括实施绘制磁感应强度曲线和蝶形图、缺陷实时判定、自动量化、角度计算以及形状可视化等几部分功能，可以通过以下的技术步骤实现：

(1)将探头采集的信号经过放大、滤波、A/D转换以及数字信号处理模块处理后，绘制出磁感应强度曲线，并将磁感应强度两分量正交得到蝶形图；根据磁感应强度曲线和蝶形图，依据考虑相位信息的缺陷实时自动判定方法，实现缺陷的自动判定和报警；

(2)确定缺陷存在后，首先基于有限元分割思想，确定磁场扫描曲线提取步长，离散化检测所得的磁场信号，将探头扫描路径分为n份，长度分别为L_n＝{l₁，l₂，l₃，...，l_n}，提取n个磁场特征向量B_m[i]，i＝1，2，3，...，n；

(3)根据广义回归神经网络(GRNN)缺陷智能定量识别算法，由缺陷磁场信号的特征向量B_m计算得到缺陷的最大长度L和最大深度值D和最大宽度C，根据磁场信号分布与缺陷形状的空间转化算子，计算得到每个分析点上的缺陷形状参数值P[i]＝{L_i，D_i，C_1i，C_2i}，其中，L_i表示该点在缺陷长度方向的坐标，D_i表示该点在缺陷截面形状轮廓上投影的深度方向坐标值，C_1i和C_2i分别表示该点在缺陷表面形状轮廓上投影的宽度方向坐标值；

(4)利用有限元计算模型和步骤(3)中得到的缺陷形状参数P构建ACFM仿真计算模型，经过有限元仿真计算，提取相同分析点位置上的磁场仿真结果B_c[i]，i＝1，2，3，...，n；

(5)设计目标优化函数方程和优化条件如以下公式所示，判断仿真结果和检测结果之间的误差ε是否不大于阈值ε₀，或者分割数量n达到最大值n_max。

ϵ = \frac{1}{n} \cdot Σ_{i = 1}^{n} {(B_{c} [i] - B_{m} [i])}^{2}

ε≤ε₀或n≥n_max

(6)若步骤(5)结果为是，则继续进行下一步：结果为否，则重新设定分析参数，回到步骤(2)；

(7)输出缺陷形状参数P，根据该参数重构缺陷的截面和表面二维形状；并由轮廓线扫掠得到缺陷的三维近似形状。

(9)所有结果计算完毕，以数值、曲线或图形方式输出结果供观察。

该方法实现流程步骤(1)中的信号采集，为了消除某一采集点的磁场值突变对缺陷截面形状反演的影响，采用面积法计算每个路径段上的磁场信号值。步骤(2)中首次确定信号分析步长是根据软件自动绘制的磁通密度曲线和蝶形图中缺陷的范围自动设定的。步骤(2)中提取的电磁场信号的特征向量，是借助实验和仿真相结合的方法，通过大量缺陷样本实验，按照缺陷制作的规律性，从缺陷某一尺寸变化(其它因素不变)分析磁场信号特征的变化，总结变化规律，从而筛选出缺陷信号特征量。步骤(3)中的缺陷定量识别是是由广义回归神经网络(GRNN)自动学习、训练完成的，得到从磁场特征量到缺陷尺寸的转换的GRNN网络模型；缺陷的二维形状反演是在缺陷量化基础上，借助有限元分割思想，以n的标准形状的半椭圆小缺陷叠加形成原始缺陷的二维形状。

本发明ACFM缺陷智能可视化检测***可以对金属构件各种表面缺陷进行非接触检测，随着探头的扫描实时判定缺陷存在与否、绘制磁感应强度曲线和蝶形图，自动计算缺陷尺寸以及绘制缺陷二维三维形状。本发明成本低、方法简单，充分发挥计算机的优势，能够实现缺陷的量化和形状重构，大大提高了ACFM缺陷检测的智能化和可视化程度。

附图说明：

图1ACFM缺陷智能可视化检测***示意图；

图2双U型正交激励探头结构图；

图3ACFM缺陷智能可视化检测软件流程图

图4反演裂纹与真实裂纹轮廓对比图；

图5缺陷三维轮廓扫略图。

具体实施方式：

下面通过附图和实施例对本发明作进一步的描述。

利用ACFM缺陷智能可视化检测***检测低碳钢薄板表面40mm长，8mm深，1mm宽的裂纹。

缺陷智能可视化检测流程。ACFM缺陷智能可视化检测***组成如图1所示，主要由电源、激励信号发生器、功率放大电路、移相电路、激励探头、检测探头、信号调理电路、A/D采集卡和基于LabVIEW的缺陷智能可视化检测软件等几部分组成。稳压电源为压控函数发生器ICL8038和射频跟随器组成的信号发生器供电，信号发生器提供频率为6KH_Z幅值为1V正弦波作为激励信号，该信号经过功率放大器和移相器形成一组相位相差90⁰的正交激励信号，分别驱动双U型正交激励探头的两组激励线圈，如图2所示，随着探头的移动在金属工件表面激励出方向作周期性旋转的均匀感应电流，二维阵列排列的检测线圈构成检测探头阵列在双U型激励探头的中心贴近工件安放，以提取裂纹造成的感应电磁场的扰动，检测到的电磁信号以电压数值标示，并传递到信号调理电路，经过放大、滤波等信号调理电路完成初步处理，经A/D采集卡将模拟信号转化为数字信号送入计算机，由ACFM智能可视化检测软件对信号进行数字滤波、互相关矢量检测等数字信号处理，实时绘制磁感应强度曲线和蝶形图，并实现缺陷智能定量识别和缺陷形状可视化反演。

缺陷判定。步骤1。根据探头采集信号，经过处理，实时绘制出磁场密度曲线和蝶形图，可以很容易的定性分析缺陷的位置和范围，提取相应的缺陷信号。

特征值选取。步骤2。选用B_Z分量波形峰谷间距L_Z，远离裂纹处B_X分量信号幅值B_X0和B_X信号幅值最小值B_Xmin以及B_Z信号畸变最大幅值B_Zmax，这四个特征量作为描述裂纹外形尺寸信息的特征向量，并引入灵敏度的概念，定义B_X信号灵敏度S_X为B_X信号的波谷深度M_X与无裂纹时的B_X信号幅值B_X0的比值；B_Z信号灵敏度S_Z为B_Z信号畸变最大值B_Zmax与无裂纹时的B_X信号幅值B_X0的比值，如下式所示。

S_{X} = \frac{M_{X}}{B_{X 0}} = \frac{B_{X 0} - B_{X \min}}{B_{X 0}},

S_{Z} = \frac{B_{Z \max}}{B_{X 0}}

灵敏度的引入不仅能够减少特征量的个数，简化反演，而且能够有效地补偿检测误差，提高反演精度。

本例中裂纹轮廓最深点对应的特征向量为：B_m＝{S_X，S_Z，L_Z}＝{15.51％，35.6％，37.78mm}。

裂纹定量识别。结合DNV等评估规范中的缺陷定义方法，针对ACFM技术特点，采用缺陷人工加工和仿真模拟相结合，对缺陷进行了分类制作，建立了缺陷特征库，并以此特征库作为训练和检验样本，对广义回归神经网络(GRNN)模型进行训练和检验，建立裂纹量化的GRNN网络模型，输入信号特征值自动计算得到裂纹尺寸。

本例中反演所得裂纹的尺寸为：长38.72mm；深7.31mm；宽0.94mm。

裂纹可视化。根据缺陷形状和缺陷上方的磁场信号分布的相关性，可以将从磁场信号到缺陷形状的空间非线性转化算子线性化，根据这一线性算子和上一步得到的裂纹陷尺寸，可以计算出裂纹形状参数阵，这一参数矩阵是由裂纹轮廓坐标组成的。

本例中计算得到的裂纹轮廓坐标如表1所示。

设计目标函数。判断误差大小，步骤(4)和(5)。根据步骤(3)得到的缺陷形状参数阵可以建立缺陷数学模型，利用有限元方法计算出磁场信号的理论值，采用优化方法建立误差判断目标函数，如图3中的优化方程。有限元计算得到的磁场信号值也存入基础数据库中。

重构缺陷。步骤(7)。以优化后的裂纹形状参数阵的每一组坐标作为一个标准的半椭圆形状的裂纹，各个半椭圆裂纹进行叠加就可以得到裂纹的二维、三维外形轮廓，如图4和图5所示。

结果分析。

裂纹真实截面形状和反演所得轮廓的比对图如图4所示，裂纹的三维轮廓如图5所示，经过表1的误差分析可知，缺陷形状反演平均绝对误差为0.4803mm，平均相对误差为6％，反演精度超过90％，该算法反演所得形状能够较为准确的描述缺陷真实截面形状，而且减小扫描步长，增大切割份数n还能够进一步的提高反演精度。

通过大量检测实验发现，本发明的ACFM缺陷智能可视化检测***能够有效的检测出金属平板表面缺陷尺寸和形状，量化误差小于10％，并且该***算法简单，实时性强，智能可视化程度高。

表1反演裂纹形状数据与真实裂纹数据对比

Claims

1.基于交流电磁场的缺陷智能可视化检测装置，其特征是，探头激励部分采用双U型结构设计，由锰锌铁氧体铁芯和两组正交载流线圈组成，检测部分采用2维阵列结构，该阵列探头采用提放式行走方式。

2.检测软件，其特征是，采用小波包变化方法对交流电磁场检测信号进行数字信号处理，利用互功率谱密度的相关分析方法，实现信号相位检测。

3.一种基于交流电磁场检测技术的缺陷智能量化和可视化方法，其特征是，该方法包括以下步骤：

(1)将探头采集的信号经过放大、滤波、A/D转换以及数字信号处理模块处理后，绘制出磁感应强度曲线和蝶形图；并根据磁感应强度曲线和蝶形图，实现缺陷的自动判定和报警；

(2)确定磁场扫描曲线提取步长，离散化检测所得的磁场信号，提取磁场特征向量；

(3)根据磁场特征值，智能量化缺陷尺寸，计算缺陷形状参数；

(4)根据步骤(3)得到的缺陷形状参数构建有限元模型FEM，计算磁场密度理论值；

(5)设计目标函数，判断是否满足要求；

(6)若步骤(5)结果为是继续进行下一步，否则计算步长参数和目标函数关于缺陷参数的导数，推出下一步的参数结果，回到步骤(2)；

(7)根据所得缺陷形状参数重构缺陷，获得缺陷三维形状；

(8)所有结果计算完毕，以数值、曲线或图形方式输出结果供观察。

4.根据权利要求3所述的缺陷的自动判定和报警，其特征是，依据考虑相位信息的缺陷实时自动判定方法，首先检测点与蝶型图原点之间的距离大于安全阈值，而且相关检测得到的当前磁场信号的相位也必须大于相位域值，才能说明该位置存在缺陷。

5.根据权利要求3所述的磁场特征向量提取，其特征是，引入灵敏度，定义了磁场分量灵敏度，有效地补偿检测误差。

6.根据权利要求3所述的缺陷尺寸智能量化，其特征是，建立缺陷量化的GRNN网络模型，输入信号特征值自动计算得到缺陷尺寸。

7.根据权利要求3所述的缺陷形状参数计算，其特征是，借助有限元分割思想，将缺陷形状看作是多个标准小缺陷的叠加，每个小缺陷的尺寸有缺陷量化算法计算可得，则这些小缺陷尺寸值经过缺陷形状算子的补偿组成缺陷形状参数阵。

8.根据权利要求3所述的目标函数，其特征在于，有限元仿真结果和检测结果之间的误差是否不大于阈值，或者分割数量是否达到最大值。

9.根据权利要求3所述的缺陷重构，其特征在于，缺陷二维轮廓是以标准半椭圆形状为单元进行有限元叠加得到的，并根据二维轮廓扫略得到三维形状。