基于KPCA的脉冲涡流缺陷分类识别技术的研究

2017-03-15 09:05南玉龙杨龙兴阚仁峰庄立东
物联网技术 2017年2期

南玉龙+杨龙兴+阚仁峰+庄立东

摘 要:脉冲涡流检测技术是一种发展迅速的无损检测方法,而缺陷分类识别是缺陷检测和评估中的关键步骤。文中设计了一套脉冲涡流检测系统,通过实验得到表面、亚表面及腐蚀缺陷的瞬时差分信号,再对瞬时差分信号做时域和频域分析,从中提取多个特征量,然后将这些特征量进行不同的组合,用于缺陷的分类识别。最后提出核主成分分析法(KPCA)对表面、亚表面及腐蚀缺陷进行分类识别。通过对比两种识别方法,发现核主成分分析法具有更好的分类性能,从而为判定缺陷提供了一种有效的方法。

关键词:脉冲涡流;缺陷分类;特征量;KPCA

中图分类号:TG115.28;TP274 文献标识码:A 文章编号:2095-1302(2017)02-00-04

0 引 言

脉冲涡流检测技术是一种新涡流无损检测方法[1]。脉冲涡流检测技术采用的激励信号通常为具有一定占空比的周期方波信號,根据傅里叶信号分析理论,方波信号是一系列不等幅正弦信号的合成信号,具有很宽的频谱[2,3],特别适合于飞机多层结构的检测[4,5]。

缺陷的检测、分类和定量评估是脉冲涡流检测技术的重要组成部分[6]。缺陷分类就是将已检测到的缺陷区分为正确的缺陷类型,如表面缺陷或亚表面缺陷。田云贵[6]等人采用主成分分析法(Principal Component Analysis,PCA),提取脉冲涡流瞬态响应信号峰值时间作为特征量对缺陷进行分类识别。文献[7]提出了时间上升点这一新的特征量,对缺陷分类识别进行研究。何泽[8]等人采用脉冲涡流响应差分信号的峰值时间和过零时间作为特征量对缺陷进行分类识别。杨宾峰[9,10]等人提出频谱分离点对缺陷进行分类识别,但是“频谱分离点”这一特征量难以准确提取。潘孟春[11]等人提出了选择3个特定频率点的幅值作为特征量对缺陷进行3D分类识别。高军哲[12]等人提出谱相对变化与相位过零点对不同类型的缺陷进行分类。周德强[13]等人通过对所有特征进行组合分类识别缺陷,研究发现,基频分量的频谱幅值与峰值时间的组合能够有效识别缺陷类型。目前,在脉冲涡流缺陷分类识别技术研究方面,大多数以单一或两个特征量对缺陷分类识别进行研究,分类识别的准确率有待进一步提高。本文将提取脉冲涡流缺陷信号的多个特征量,用组合特征量及核主成分分析法(KPCA)分别对不同类型的缺陷进行分类识别。

1 工作原理

1.1 脉冲涡流原理

脉冲涡流的激励信号为具有一定占空比的方波,施加在探头上的方波信号会在激励线圈上感生出一个快速衰减的脉冲磁场,变化的磁场在试件中感应出瞬时涡流,脉冲涡流向试件内部传播,又会感应出一个快速衰减的涡流磁场,随着涡流的衰减,检测线圈就会感应出随试件变化的电压。假如试件有缺陷存在,磁感应强度B必然发生变化,导致检测线圈上的感应电压随之改变[5-7]。如果将检测线圈放置在被测试件的无缺陷处,所获得的基本响应信号为参考信号,被测试件的响应信号减去参考信号即为差分信号[13]。图1所示为一个典型脉冲涡流的差分瞬时信号响应图。

1.2 核主成分分析法(KPCA)

矩阵XR中包含了测试信息在由特征矢量组成的特征空间F中的各阶分量,其中第i个特征值对应第i阶分量。因为首先对特征值进行从大到小排列,所以阶数较小的主分量对应较大的特征值,描述信号的主要特征;阶数较大的主分量对应的特征值较小,描述信号的细微特征[15]。

2 检测系统

脉冲涡流无损检测系统如图2所示,包含脉冲信号发生器、脉冲涡流探头、功率放大模块、信号调理电路、数据采集模块、上位机与被测试件。方波信号的电压为10 V,其频率为100 Hz,占空比为0.5。脉冲涡流探头包括激励线圈和磁传感器,激励线圈采用圆柱型磁芯,共绕800匝,线径为0.3 mm的漆包线,内径为7.5 mm,外径为10 mm,高为20 mm。磁传感器采用霍尔传感器UGN3505,在线圈的底部中心,检测受缺陷扰动而产生磁场垂直分量。数据采集电路采用凌华数据采集卡PCI9111,采样频率为100 kHz。

试件1如图3(a)所示,图中单位均为毫米,A面和B面分别模拟飞机结构中出现的表面及亚表面缺陷,材料为AL6061,外形尺寸为300 mm×30 mm×10 mm。试件2如图3 (b)所示,材料为AL6061,模拟飞机结构中出现了大面积腐蚀减薄的缺陷,外形尺寸为400 mm×30 mm×10 mm。

3 实验分析

3.1 缺陷差分信号特征量的提取

用脉冲涡流探头分别对三种不同类型缺陷的试件进行检测,数据采集卡将采集到的缺陷时域信号传输到上位机,运用Matlab工具对其进行差分、滤波、分析等,提取缺陷的时域特征量——峰值和峰值时间,结果如图4和图5所示。

利用频谱分析法对三种不同类型缺陷的脉冲涡流响应差分信号进行快速傅里叶变换,得到各缺陷信号所对应的幅值谱,再提取脉冲涡流缺陷信号频谱特征量——基频分量的频谱幅值和三次谐波分量的频谱幅值,结果如图6和图7所示。

通过分析峰值、峰值时间、基频分量频谱幅值和三次谐波频谱幅值随缺陷深度的变化关系,发现这四种特征量的值无论上升还是下降,对于表面缺陷而言,特征量的值随深度几乎成线性变化;而对于亚表面和腐蚀缺陷而言,特征量的值随深度几乎成指数变化。根据涡流检测原理,由式(9)可知,被测导体中感应涡流的密度随深度增加成指数下降,而Hall传感器测得的激励线圈产生磁场和涡流产生磁场矢量和,证明实验结果和理论一致。

3.2 基于组合特征量的分类识别

采用峰值和峰值时间的分类识别如图8所示。通过峰值与峰值时间两个特征量的组合对三种缺陷进行了分类识别,可以看出,利用峰值与峰值时间两个组合特征量能够成功分离出表面缺陷、亚表面缺陷及腐蚀缺陷,但亚表面缺陷与腐蚀缺陷分离效果不佳。采用基频分量频谱幅值和峰值时间的分类识别如图9所示,以峰值时间与基频分量的频谱幅值两个组合特征量对三种缺陷进行分类识别,可以看出,以峰值时间与基频分量的频谱幅值两个组合特征量可以较明显的分离三种不同的缺陷。以上可以看出,用不同特征量的组合对缺陷分类效果明显不同,由于特征组合种类较多,寻找最佳特征量组合并不容易。