基于PEC的铁磁性材料缝状缺陷无损检测方法研究

摘要

磁性材料广泛应用于大型机械设备、化工储罐和石油输送管道等，一旦产生裂纹而没有被检测设备识别的话，将会引发重大安全事故。目前，针对非磁性材料缺陷检测研究很多，检测技术相对成熟，而对磁性材料缺陷检测的研究很少，检测技术还处于探索阶段；针对磁性材料，采用漏磁、磁粉和远场涡流技术研究较多，而采用脉冲涡流技术研究非常少；磁性材料管道腐蚀裂纹和厚度检测研究比较多，而对平板试件自然裂纹缺陷检测非常少；对缺陷检测正向研究多，而对缺陷逆向反演识别的研究少；缺陷反演算法采用传统算法比较多，采用现代智能算法反演比较少。针对磁性材料缺陷检测研究现状，有必要对应用广泛的板状试件采用频谱较为丰富的脉冲涡流技术进行缺陷检测研究，也非常有必要在缺陷正向检测的基础上采用人工智能算法对缺陷进行识别。针对目前磁性材料中缺陷无损检测存在的问题，本文从以下几个方面进行研究： （1）脉冲涡流磁性材料缺陷检测原理及仿真研究。首先研究了磁性材料缺陷检测原理，为仿真和实验提供理论基础；接着建立缺陷检测有限元模型，研究了相对磁导率、电导率和提离高度对输出信号的影响；研究了磁性被测体中同宽不同深度和同深不同宽的两组缺陷的电磁信号和缺陷参数的关系；通过对输出信号的差分处理寻找到缺陷信息的特征信号，提出磁性材料中缝状缺陷的定量识别方法。 （2）磁性材料中缝状缺陷无损检测实验研究。搭建软硬件试验平台，分别对同宽不同深的试件和同深不同宽的试件进行缺陷检测实验研究，对输出信号有无缺陷进行差分。将实验差分值与仿真差分值进行对比，一方面证明仿真模型的正确性，另一方面也为后续缺陷反演提供样本数据。随后对实验差分值进行函数拟合，建立缺陷识别模型。 （3）基于BP神经网络的磁性材料缝状缺陷的定量反演算法研究。基于神经网络算法对缺陷进行反演研究，对比了BP神经网络、径向基神经网络、广义回归网络和概率神经网络对缺陷的反演结果，最终选择性能较好的BP神经网络算法进行缺陷反演。同时采用训练样本对BP神经网络优化和基于遗传算法的BP神经网络优化来提高BP神经网络的反演误差精度。最后将传统反演算法与BP神经网络算法的反演精度进行对比。

目录

第一个书签之前

MASTER THESIS

UDC注1

摘 要

ABSTRACT

目 录

第一章 绪论

1.1 课题研究背景及意义

1.2 国内外研究现状

1.2.1 脉冲涡流技术缺陷检测研究现状

1.2.2 磁性材料缺陷检测研究现状

1.2.3 脉冲涡流缺陷识别反演算法研究现状

1.3 本文主要研究内容

1.4 本文内容结构安排

第二章 脉冲涡流技术的磁性材料缝状缺陷识别理论及仿真研究

2.1 铁磁性材料磁化机理研究

2.1.1 磁化磁场产生机理

2.1.2 磁滞回线

2.2 磁性材料缝状缺陷检测原理

2.2.1 基于脉冲方波激励的磁性材料缺陷检测原理

2.2.2 趋肤深度计算

2.3 基于脉冲涡流检测技术的铁磁性材料缺陷检测的数值仿真研究

2.3.1 建立有限元仿真模型

2.3.2 检测信号的影响因素

2.3.3 缺陷尺寸与电磁信号关系仿真分析

2.4 本章小结

第三章 脉冲涡流技术的磁性材料缝状缺陷识别实验研究

3.1 实验硬件平台

3.1.1 选取信号源

3.1.2 设计探头

3.1.3 设计放大滤波电路

3.1.4 设计被测试件

3.2 实验软件平台

3.2.1 数据采集

3.2.2 周期波形自动化提取技术研究

3.2.3 信号处理程序集成及封装

3.3 实验软硬件平台集成

3.4 缺陷尺寸与电磁信号关系实验研究

3.4.1 缺陷深度与检测电压的关系

3.4.2 缺陷宽度与检测电压的关系

3.5 实验结果与仿真结果对比

3.6 本章小结

第四章 基于神经网络的磁性材料缺陷定量识别算法研究

4.1 神经网络算法

4.1.1 人工神经元

4.1.2 神经网络结构模型

4.2 神经网络训练样本和验证值的选取

4.2.1 训练样本的选择

4.2.2 验证值的选择

4.3 基于不同神经网络算法的铁磁性材料缺陷识别算法研究

4.3.1 BP神经网络缺陷识别算法

4.3.2 RBF径向基函数神经网络缺陷识别算法

4.3.3 GRNN广义回归神经网络缺陷识别算法

4.3.4 PNN概率神经网络缺陷识别算法

4.3.5神经网络反演结果比较

4.4 BP神经网络算法优化

4.4.1 BP神经网络训练样本优化

4.4.2 基于遗传算法优化的BP神经网络算法

4.5 智能算法与传统算法对比

4.5.1 基于传统算法的缺陷验证和预测

4.5.2 算法对比

4.6 基于优化的BP神经网络缺陷反演精度研究

4.7 本章小结

第五章 总结与展望

5.1 总结

5.2 展望

致 谢

参考文献

攻读硕士学位期间取得的研究成果