基于相空間模糊熵算法的金屬缺陷形狀辨識*

汪劍鳴,趙 坤,王 琦*,朱新河,孫玉寬,孫空軍,李秀艷,段曉杰,王化祥

(1.天津工業(yè)大學電子與信息工程學院,天津 300387;2.天津工業(yè)大學理學院,天津 300387; 3.天津大學電氣與自動化工程學院,天津 300072)

?

基于相空間模糊熵算法的金屬缺陷形狀辨識*

汪劍鳴1,趙 坤1,王 琦1*,朱新河2,孫玉寬1,孫空軍1,李秀艷1,段曉杰1,王化祥3

(1.天津工業(yè)大學電子與信息工程學院,天津 300387;2.天津工業(yè)大學理學院,天津 300387; 3.天津大學電氣與自動化工程學院,天津 300072)

提出了一種多線圈渦流無損檢測方法,通過相空間模糊熵算法分析渦流信號復雜度,進而實現(xiàn)對金屬微小缺陷形狀的辨識。為了從足夠的測量信息中獲取有效的缺陷特征,設(shè)計了多線圈傳感器模型。通過仿真實驗選取適合的傳感器參數(shù)和激勵模式。采用相空間模糊熵算法,研究不同大小、深度、形狀的缺陷對渦流信號復雜度的影響。為了準確提取渦流信號的內(nèi)在規(guī)律,獲得對缺陷敏感的信號分析結(jié)果,對渦流信號進行相空間重構(gòu),并在重構(gòu)的相空間中計算信號的模糊熵。分析結(jié)果表明:隨著缺陷體積的增加,模糊熵增大,渦流信號的復雜度增加。根據(jù)不同形狀缺陷的模糊熵均值分布圖,可以實現(xiàn)對孔、洞、裂縫3種缺陷較精確的區(qū)分。

渦流檢測;復雜度;相空間重構(gòu);模糊熵

渦流檢測技術(shù)是建立在電磁感應原理基礎(chǔ)上的一種無損檢測方法,具有非接觸檢測、無需耦合劑、高靈敏度等優(yōu)點。在激勵線圈上施加交變電流,交變電流會產(chǎn)生交變磁場。被測物體受到交變磁場的影響產(chǎn)生渦流。渦流的大小會受到被測物體磁導率、電導率的影響,而被測物體的磁導率和電導率與被測物本身的成分、缺陷有關(guān)。由于渦流產(chǎn)生的感應磁場會使檢測線圈的感應電壓發(fā)生變化,因此可以通過測量檢測線圈感應電壓的方法獲取被測物磁導率、電導率信息,進而獲得被測物體的尺寸、形狀、缺陷等信息[1-2]。渦流檢測技術(shù)主要應用于導電材料表面、近表面缺陷的檢測[3],如航空、航天領(lǐng)域中金屬構(gòu)件的檢測;電站、石油化工等領(lǐng)域的有色和黑色金屬管道的檢測;炮筒、導彈發(fā)射架、炮彈底座、彈殼,戰(zhàn)機的發(fā)動機葉片、機翼、起落架和輪轂等的檢測[4-5]。由于渦流檢測技術(shù)不僅具有無需耦合劑,檢測精度高、速度快的優(yōu)點,還易于實現(xiàn)自動化檢測。

渦流檢測中局部的渦流信號反映了該位置下缺陷的信息。由于不同缺陷的渦流信號十分相似且無規(guī)則,經(jīng)常用一些信號處理方法找到信號的特征。處理渦流檢測數(shù)據(jù)的方法主要有時域法、頻域法、時頻聯(lián)合分析法、主成分分析法、小波分析法、非線性動力學分析法等。近年來,非線性動力學分析法已經(jīng)成為處理復雜系統(tǒng)和信號的一種重要工具[6]。在鋁合金焊縫狀態(tài)檢測中,應用非線性動力學分析方對不同狀態(tài)的焊縫進行特征分析并分類,從復雜的焊縫電渦流信號中提取有效的描述焊縫質(zhì)量的特征量[7]。分析非線性系統(tǒng)的重要參數(shù)包括Lyapunov指數(shù)(李雅普諾夫指數(shù))、分數(shù)維數(shù)及熵等。其中,熵是一種衡量系統(tǒng)無序程度的方法,具有穩(wěn)定性、全局性。付夢瑤通過對信息熵特征選擇研究濾光片缺陷特性,提出了一種基于聯(lián)合信息熵特征選擇算法。但這種算法對特征的依賴性較高[8]。孫克輝等采用模糊熵算法對混沌系統(tǒng)進行分析,并與近似熵、樣本熵算法進行對比,說明模糊熵算法對重構(gòu)維數(shù)和相似度容限的敏感性、依賴性更低,魯棒性和測度值的連續(xù)性更好[9]。

為了提高渦流檢測技術(shù)的精度,本文提出了一種多線圈渦流無損檢測方法,通過相空間模糊熵算法分析渦流信號復雜度,進而實現(xiàn)對金屬微小缺陷形狀的辨識。為了從足夠的測量信息中獲取有效的缺陷特征,設(shè)計了多線圈傳感器模型。通過仿真實驗選取適合的傳感器參數(shù)和激勵模式。由于不同的缺陷形狀會使得缺陷深度的檢測精度不高,因此,為了精確檢測缺陷的深度,需要先對缺陷形狀做出辨識。本文以3種常見缺陷形狀為例,在分析了每種缺陷尺寸對模糊熵的影響之后,對缺陷形狀進行了分類,并對缺陷深度進行了精確辨識。采用相空間模糊熵算法,研究不同大小、深度、形狀的缺陷對渦流信號復雜度的影響。為了準確提取渦流信號的內(nèi)在規(guī)律,獲得對缺陷敏感的信號分析結(jié)果,需要對渦流信號進行相空間重構(gòu);在此基礎(chǔ)上計算相空間信號的模糊熵。為了精確計算渦流信號的復雜度,對重構(gòu)維數(shù)、模糊隸屬函數(shù)邊界的寬度和梯度的選擇進行了討論。本文的主要目的在于驗證模糊熵算法用于金屬缺陷辨識的可行性。并且設(shè)計了一套渦流陣列檢測系統(tǒng),可實現(xiàn)金屬缺陷自動在線缺陷檢測。

1 傳感器設(shè)計

在渦流無損檢測中,傳感器是獲取被測物場信息的基礎(chǔ)單元,其性能的優(yōu)劣性決定了被測物場的數(shù)據(jù)質(zhì)量[10-11]。為了滿足特定的檢測要求,需要對傳感器進行設(shè)計與分析。通過測量感應電壓的變化會得到傳感器參數(shù)對傳感器的影響[12]。本文通過仿真不同參數(shù)下的傳感器模型,對比感應電壓的變化趨勢,選取較好的激勵模式和傳感器參數(shù)。

考慮到系統(tǒng)空間分辨率和獲取不同角度的不同檢測數(shù)據(jù),且由于實驗系統(tǒng)對傳感器的尺寸和掃描速度的要求,本研究設(shè)計了一種六線圈傳感器[13]。如圖1所示。

圖1 正常模型的俯視圖和剖面圖

如圖1所示,本文采用電導率為3.448×107S/m的鋁板作為檢測對象,半徑R=45 mm,厚度D=7.5 mm,幾何中心點OC坐標(0,0,0)。線圈匝數(shù)為100匝,半徑為8.5 mm,兩個相鄰線圈的圓心的夾角為60°,相對線圈的圓心距L=48 mm,傳感器與鋁板的垂直距離H=5 mm。

1.1 激勵模式

本文采用6個線圈的傳感器模型,根據(jù)線圈的數(shù)量和相對位置,選擇了3種激勵模式:單激勵模式、相對激勵模式和相鄰激勵模式。單激勵模式是指每次激勵過程中只有一個線圈作為激勵線圈,其余5個線圈作為感應線圈的激勵方式。相對激勵模式是指每次激勵過程中處于相對位置的兩個線圈作為激勵線圈,其余4個線圈作為感應線圈的激勵方式。相鄰激勵模式是指每次激勵過程中處于相鄰位置的兩個線圈作為激勵線圈,其余4個線圈作為感應線圈的激勵方式[14]。本文通過多次仿真,觀察3種激勵模式下的感應線圈電壓的趨勢和大小,找到適合本實驗系統(tǒng)合適的激勵模式。3種激勵模式下的感應電壓如圖2所示。

圖2 3種激勵模式下的感應電壓

由圖2可以看出3種激勵模式下的感應電壓趨勢基本一致,但是不同激勵模式下,幅值的大小不同:相鄰激勵模式>相對激勵模式>單激勵模式。由于相鄰激勵模式和相對激勵模式有兩個激勵線圈,它們的磁場都是由兩個線圈的磁場疊加起來的。單激勵模式下的磁場是由一個線圈激發(fā)產(chǎn)生的,因此相鄰激勵模式和相對激勵模式下的感應電壓要大于單激勵模式下的感應電壓。兩個線圈作為激勵時,相鄰線圈的距離近、夾角小,相對線圈的距離大、夾角大。因此相鄰激勵模式下的感應電壓要大于相對激勵模式下的感應電壓。通過仿真結(jié)果和理論分析,實驗系統(tǒng)采用相鄰激勵模式。

1.2 傳感器設(shè)計

在激勵電流一定時,線圈的匝數(shù)、半徑和相對線圈的圓心距會影響感應電壓的大小。本節(jié)通過觀察線圈的匝數(shù)、半徑和相對線圈的圓心距對感應線圈電壓的影響,選取合適的傳感器參數(shù)。

1.2.1 線圈的匝數(shù)

為了獲得感應線圈電壓隨線圈匝數(shù)的變化規(guī)律,仿真設(shè)計了8組不同的傳感器模型。將線圈匝數(shù)每隔25匝,從25匝增加到200匝進行采樣。通過仿真分析,獲得的檢測數(shù)據(jù)如圖3所示。

由圖3可以看出,感應線圈電壓隨著線圈匝數(shù)的增加而增大。線圈3和線圈6的感應電壓基本相同,線圈4和線圈5的感應電壓基本相同。由圖1(a)中線圈的分布情況可知,當線圈1和線圈2作為激勵時,傳感器沿X軸對稱。其中,線圈1和線圈2的位置對應,線圈3和線圈6的位置對應,線圈4和線圈5的位置對應。當施加的激勵電壓相同時,相對位置的感應電壓也相同。根據(jù)實際系統(tǒng)電壓測量范圍,本系統(tǒng)采用100匝的線圈。

圖3 感應電壓隨線圈匝數(shù)變化的趨勢

1.2.2 線圈的半徑

為了獲得感應線圈電壓隨線圈半徑的變化規(guī)律,仿真設(shè)計了8組不同的傳感器模型。將半徑每隔1 mm,從3.5 mm增加到10.5 mm進行采樣。通過仿真分析,獲得的檢測數(shù)據(jù)如圖4所示。

圖4 感應電壓隨線圈半徑變化的趨勢

由圖4可以看出,當線圈的半徑小于4.5 mm時,感應線圈的電壓值很小,幾乎為零;當線圈的半徑在4.5 mm與7.5 mm之間時,感應電壓緩慢增加;當線圈的半徑大于7.5 mm時,感應線圈的電壓快速增加。根據(jù)實際系統(tǒng)電壓測量范圍,本系統(tǒng)選取8.5 mm的半徑。

圖5 感應電壓隨相對線圈的圓心距變化的趨勢

1.2.3 相對線圈的圓心距

為了獲得感應線圈電壓隨相對線圈的圓心的變化規(guī)律,仿真設(shè)計了8組不同的傳感器模型。將相對線圈的圓心距每隔4 mm,從44 mm增加到72 mm進行采樣。通過仿真分析,獲得的檢測數(shù)據(jù)如圖5所示。

由圖5可以看出,感應線圈電壓隨著相對線圈距離的增大,呈現(xiàn)出折線型。隨著相對線圈圓心距的增大,感應線圈電壓總體趨勢是減小的。考慮到感應線圈的電壓是由激勵電流產(chǎn)生的,所以相對線圈距離越大,越不利于仿真的進行。根據(jù)實際系統(tǒng)電壓測量范圍,本系統(tǒng)中選取48 mm的相對線圈距離。

1.3 頻率

根據(jù)上述分析,選擇100匝半徑為8.5 mm的相對線圈的圓心距為48 mm的線圈。為了獲得感應線圈電壓隨激勵頻率的變化規(guī)律,將頻率每隔10 kHz,從10 kHz增加到1 000 kHz進行采樣。在以上仿真模型的基礎(chǔ)上,加上一個長方體的缺陷,該缺陷長40 mm,寬2 mm,高3 mm,幾何中心點坐標為(0,0,-1.5)。通過仿真分析,獲得的檢測數(shù)據(jù)如圖6所示。

圖6 頻率對感應電壓的影響

通過圖6可以看出感應線圈的電壓會隨著頻率的增加先增大后減小。當頻率一定時,含缺陷模型的感應電壓大于正常模型的感應電壓。根據(jù)實際系統(tǒng)電壓測量,本系統(tǒng)中選取500 kHz的頻率。根據(jù)以上結(jié)論,可以通過檢測電壓的大小,初步判定待測試件是否有缺陷。

圖7 實驗系統(tǒng)

2 實驗數(shù)據(jù)提取方法及預處理

基于以上對仿真模型的參數(shù)分析,設(shè)計出一種具有較高靈敏度的六線圈傳感器。實驗系統(tǒng)如圖7所示。

圖7中,實驗系統(tǒng)由DG1022U信號發(fā)生器、傳感器、NI USB-6356采集卡、開關(guān)電路、X-Y平面坐標平臺、計算機和電源組成。系統(tǒng)采用DG1022U對線圈施加激勵電壓,通過開關(guān)電路的電壓-電流轉(zhuǎn)換功能,將激勵電壓轉(zhuǎn)化為激勵電流。利用NI USB-6356采集感應線圈產(chǎn)生的感應電壓,并且傳輸?shù)诫娔X中。為了避免實驗中噪聲的干擾,采用滑動平均濾波的方法對采集到的數(shù)據(jù)進行預處理。其中,滑動窗口的寬度為5。為了循環(huán)測量感應電壓和改變激勵線圈,設(shè)計了一種雙層開關(guān)電路。線圈1和線圈2作為激勵線圈時,循環(huán)測量感應線圈3、線圈4、線圈5和線圈6的感應電壓。通過電路板轉(zhuǎn)換激勵線圈,線圈2和線圈3作為激勵線圈,循環(huán)測量感應線圈4、線圈5、線圈6和線圈1的感應電壓。依次類推,共有6種激勵源,每次測得4個感應電壓,每個采樣點上共測24個感應電壓。

設(shè)Oi(i=1,2,…,201)為傳感器的中心,傳感器的移動方向如圖8所示。傳感器以0.1 mm/s的速度沿X軸,從O1(-10,0,5)向O201(10,0,5)勻速采集,每次采集間隔0.1 mm,共采集201次。為了使得兩次測量的結(jié)果不會相互影響,每次間隔0.1 s進行采集。當i=101時,O101(0,0,5)與物場中心坐標OC(0,0,0)沿Z軸垂直。

圖8 傳感器采集的方向

由于缺陷的形狀復雜多樣,本文檢測了兩種最常見的缺陷形狀:類圓孔缺陷(洞)和類長方體缺陷(縫隙)。其中類圓孔缺陷根據(jù)缺陷高度分為孔形缺陷和洞形缺陷。當缺陷高度等于被測物高度時,屬于洞形缺陷;當缺陷高度小于被測物高度時,屬于孔形缺陷。3種缺陷模型的俯視圖和剖面圖如圖9所示。

圖9 3種缺陷模型的俯視圖和剖面圖

3 相空間模糊熵算法

本文提出了一種多線圈渦流無損檢測方法,通過相空間模糊熵算法分析渦流信號復雜度,進而實現(xiàn)對金屬微小缺陷形狀的辨識。由于被測物場的渦流信號是一種無規(guī)則的時間序列,需要將渦流信號進行相空間重構(gòu)提取渦流信號內(nèi)在的規(guī)律。模糊熵是通過衡量時間序列產(chǎn)生新模式的概率大小,計算渦流序列的復雜度。通過將渦流信號的復雜度和缺陷信息進行對應,進而對缺陷進行辨識[15]。

3.1 相空間模糊熵函數(shù)

本文采用相空間重構(gòu)和模糊熵結(jié)合的方法,分析被測物體表面缺陷的信息。首先將同一采樣點獲得的感應電壓均值化之后,再使用窗函數(shù)對局部區(qū)域的渦流信號進行聚焦。將滑動窗口得到的時間序列進行相空間重構(gòu),計算其模糊熵。時間序列Xi定義為:

Xi=[x(i,1),…,x(i,24)]

(1)

式中:i=1,2,…,N,N=201,i代表傳感器的采樣點。x(i,1),…,x(i,24)為第i個采樣點上循環(huán)激勵線圈測得的24個感應電壓。

具體算法如下:

①感應電壓均值化:

(2)

x(i)為第i個采樣點上的24個感應電壓的平均值。用感應電壓的平均值表示時間序列Xi:

Xi=[x(1),…,x(i),…,x(N)]

(3)

②為了增大對局部區(qū)域的敏感度,需要用窗函數(shù)對局部渦流信號進行聚焦?；瑒哟翱诘闹行狞ci0=w+1,w+2,…,N-w,窗口寬度為w,設(shè)為20。窗函數(shù):

(4)

聚焦之后的時間序列為:

Xi0,i=Xi*δ(i0,i)

(5)

隨著滑動窗口的移動,會獲得不同的時間序列?；瑒哟翱谥行狞c的移動范圍[w+1,N-w],共得到(N-2)(w-1)個時間序列。將每次獲得的時間序列,依次進行以下步驟。

③將滑動窗口得到的時間序列Xi0,i選取合適的重構(gòu)維數(shù)m和時間延遲τ進行相空間重構(gòu):

(6)

式中:i=1,…,N-(m-1)τ,m為嵌入維數(shù),τ為時間延遲,N為時間序列的長度。

(7)

x0為偏移量:

(8)

(9)

式中:i,j=1,2,…,N-m+1且i≠j。

(10)

(11)

⑨計算模糊熵函數(shù):

(12)

隨著滑動窗口的移動,窗函數(shù)的中心點i0發(fā)生改變,時間序列也隨之變化。將式(5)得到的時間序列代入式(6)～式(12)中計算模糊熵,可得到模糊熵曲線。模糊熵序列定義為:

FuzzyEn=[fn(1),fn(2),…,fn(i)]

(13)

式中:fn(i)為渦流信號的第i個模糊熵,i=1,2,…,(N-2)(w-1)。N為渦流信號的長度,w為窗口寬度。

3.2 參數(shù)選擇

3.2.1 重構(gòu)維數(shù)

本文基于Takens定理,采用C-C方法計算時間序列的重構(gòu)維數(shù),具體算法如下[16]:

(14)

(15)

(16)

③選擇最大和最小的兩個檢驗統(tǒng)計量,計算差量:ΔS(m,t)=max{S(m,N,dj,t)}-min{S(m,N,dj,t)}

(17)

④應用BDS統(tǒng)計得到對m和d的恰當估計,取m=2,3,4,5,j=1,2,3,4。根據(jù)m和d的取值范圍,分別計算檢驗統(tǒng)計量均值、差量均值和校正統(tǒng)計量:

(18)

(19)

(20)

τw=(m-1)τ

(21)

則最佳重構(gòu)維數(shù)m為:

(22)

通過將時間延遲τ和時間窗口τw代入式(22)中,可得到時間序列Xi的最佳的重構(gòu)維數(shù)m[17]。通過重構(gòu)時間序列的相空間,可以提取出時間序列蘊藏的信息。

3.2.2 模糊隸屬函數(shù)邊界的梯度和寬度

標準差SD(Standard Deviation)反映了一個數(shù)據(jù)集的離散程度。模糊熵的標準差SD的計算公式:

(23)

模糊熵的均值為:

(24)

式中:(N-2)(w-1)-1為模糊熵的自由度。

圖10 模糊熵的標準差隨梯度和寬度的變化曲線

為了觀察不同渦流信號的模糊熵曲線的差別,需要提高模糊熵的穩(wěn)定度。根據(jù)標準差隨梯度和寬度的變化情況,選取標準差較小時對應的梯度和寬度,增大模糊熵的一致性。標準差隨梯度和寬度的變化情況如圖10所示。

圖10(a)中,隨著梯度的增大,標準差先減小,然后趨于平穩(wěn)。但梯度值越大,計算量越大。綜合考慮,選取的梯度為2。圖10(b)中,隨著寬度的增大,標準差減小。寬度大于0.3時,模糊熵標準差的變化趨勢較為平穩(wěn),寬度的增大對標準差的影響較小。通過以上討論得知,寬度值不能選取的過大或過小,且SD值較小時模糊熵函數(shù)的一致性較高,因此在SD值變化平穩(wěn)時選取寬度值。綜合考慮,選取的寬度為0.3。

圖11 算法流程圖

4 數(shù)據(jù)分析

為了觀測缺陷大小、深度、形狀與渦流信號復雜度的關(guān)系,設(shè)置不同大小、深度、形狀的缺陷進行對比,并用正常的渦流信號作為基準信號(HREF)。實驗共設(shè)置了3種形狀的缺陷:孔狀缺陷、洞狀缺陷、裂縫缺陷。其中,孔形缺陷的信號根據(jù)半徑不同分別命名為CW1、CW2、CW3、CW4,根據(jù)深度不同分別命名為CD1、CD2、CD3、CD4;洞形缺陷的信號根據(jù)半徑不同分別命名為H1、H2、H3、H4;裂縫缺陷的信號根據(jù)長度不同分別命名為CRW1、CRW2、CRW3、CRW4,根據(jù)深度不同分別命名為CRD1、CRD2、CRD3、CRD4。每種缺陷的尺寸、名稱如表1、表2所示。

表1 每種孔形缺陷和洞形缺陷信號的尺寸和名稱

表2 每種裂縫缺陷信號的尺寸和名稱

4.1 缺陷的大小

為了觀測缺陷大小與渦流信號復雜度的關(guān)系,設(shè)置相同形狀、不同深度的缺陷進行對比,并用基準信號作為對照組。圖12不同缺陷大小的模糊熵隨窗函數(shù)中心點的變化情況。

圖12 不同缺陷大小的模糊熵隨窗函數(shù)中心點的變化情況

由圖12可以看出,模糊熵隨缺陷長度的增加而增大,基準信號的模糊熵值最小。每條模糊熵曲線都根據(jù)缺陷大小、形狀不同,有不規(guī)則的起伏。不同缺陷的模糊熵變化情況均不同。說明缺陷的增加,增大了渦流信號的復雜度。由于缺陷的形狀或大小不同,每個渦流信號的復雜度不同,模糊熵也不同。由于受到集膚效應和提離效應的影響,不同尺寸缺陷的模糊熵曲線不是平行的。

4.2 缺陷的深度

為了觀測缺陷深度與渦流信號復雜度的關(guān)系,設(shè)置相同形狀、不同深度的缺陷進行對比,并用基準信號作為對照組。圖13不同缺陷深度的模糊熵隨窗函數(shù)中心點的變化情況。

圖13 不同缺陷深度的模糊熵隨窗函數(shù)中心點的變化情況

圖13中隨著缺陷深度的增加,模糊熵增大,基準信號的模糊熵值最小。由圖13(a)和圖13(b)對比可知,裂縫缺陷的模糊熵更大。說明缺陷深度的增加,增大了渦流信號的復雜度。對比圖12可知,缺陷體積的增加會使模糊熵增大。

4.3 缺陷的形狀

圖14 不同缺陷形狀的模糊熵均值分布圖

圖14中基準信號的模糊熵小于含缺陷的模型的模糊熵。每種形狀的缺陷其模糊熵均隨著體積的增加而增大。其中,孔形缺陷和裂縫缺陷的模糊熵隨著缺陷深度的增加呈線性。相同深度的孔形缺陷和裂縫缺陷相比,裂縫缺陷的模糊熵更大。相同半徑的孔形缺陷和洞形缺陷相比,洞形缺陷的模糊熵更大。圖14中不同形狀缺陷的分布在不同的區(qū)域,不存在重疊現(xiàn)象。相同缺陷的點分布相對聚集。對比圖12、圖13可知,隨著缺陷體積的增加,缺陷的模糊熵均值增大。綜上所述,本文通過檢測具有不同缺陷尺寸的渦流信號,利用相空間模糊熵算法計算不同缺陷的模糊熵均值,發(fā)現(xiàn)渦流信號的模糊熵會隨著缺陷體積的增加而增大。而不同形狀缺陷的模糊熵均值分布區(qū)域不同,可以將不同形狀的缺陷實現(xiàn)較精確的區(qū)分。

5 總結(jié)

根據(jù)被測物場受到金屬微小缺陷的影響會增加渦流信號復雜度這一原理,提出了一種基于多線圈傳感器的相空間模糊熵算法。采用相空間模糊熵算法,研究不同大小、深度、形狀的缺陷對渦流信號復雜度的影響。為了準確提取渦流信號的內(nèi)在規(guī)律,獲得對缺陷敏感的信號分析結(jié)果,對渦流信號進行相空間重構(gòu),并在此基礎(chǔ)上計算相空間信號的模糊熵,對重構(gòu)維數(shù)、模糊隸屬函數(shù)邊界的寬度和梯度的選擇進行了討論。研究結(jié)果表明,隨著缺陷體積的增加,模糊熵增大,渦流信號的復雜度增加。含缺陷的渦流信號的復雜度大于無缺陷的渦流信號的復雜度。根據(jù)不同形狀缺陷的模糊熵均值分布圖,可以實現(xiàn)對孔、洞、裂縫3種缺陷較精確的區(qū)分。本文主要證明了相空間模糊熵算法在金屬缺陷辨識方面的可行性。下一步計劃采用支持向量機的方法將不同缺陷信號的模糊熵特征值進行分類,增加分類結(jié)果的準確性。并且將優(yōu)化檢測系統(tǒng),提高測量精度,并縮小缺陷尺寸進行實驗,進一步擴大算法的適用范圍。

[1] 高軍哲. 多頻渦流無損檢測的干擾抑制和缺陷檢測方法研究[D]. 長沙:國防科學技術(shù)大學,2011.

[2] 張明.電磁測量與成像技術(shù)三維有限元建模與特性分析[D]. 天津:天津大學,2009.

[3] 張思全,唐江鋒. 一種新型相移場探頭改變導體渦電流分布的理論驗證[J]. 傳感技術(shù)學報. 2016,29(8):1169-1175.

[4] 鄒國輝,朱克寧,付躍文,等. 飛機多層結(jié)構(gòu)鉚釘周圍裂紋脈沖渦流檢測傳感器參數(shù)優(yōu)化[J]. 失效分析與預防,2015,10(1):11-20.

[5] 郭肖鵬. 基于GMR的電渦流檢測仿真分析[D]. 天津:天津大學,2013.

[6] 周德強. 航空鋁合金缺陷及應力脈沖渦流無損檢測研究[D]. 南京:南京航空航天大學,2010.

[7] 高鵬,王超,支亞,等. 鋁合金焊縫電渦流信號的非線性特征提取及分類方法研究[J]. 物理學報,2014,63(13):143103.1-143103.7.

[8] 付夢瑤. 基于聯(lián)合信息熵特征選擇的濾光片外觀缺陷檢測研究[D]. 廣州:華南理工大學,2014.

[9] 孫克輝,賀少波,尹林子,等. 模糊熵算法在混沌序列復雜度分析中的應用[J]. 物理學報,2012,61(13):130507.1-130507.7.

[10] 劉波,羅飛路,侯良潔. 平板表層缺陷檢測渦流陣列傳感器的設(shè)計[J]. 傳感技術(shù)學報,2011,24(5):679-683.

[11] 丁華,杜金強,何宇廷,等. 基于多重相關(guān)法的渦流陣列傳感器信號處理研究[J]. 傳感器與微系統(tǒng),2012,31(2):45-51.

[12] 王啟偉. 電磁層析成像激勵策略研究與系統(tǒng)設(shè)計[D]. 天津:天津大學,2010.

[13] 李玉川,何敏. 電磁成像金屬探傷傳感結(jié)構(gòu)激勵模式的仿真研究[J]. 機電工程,2014,31(7):828-832.

[14] 劉東. 電磁層析成像敏感場與傳感器的仿真[D]. 天津:天津大學,2008.

[15] 張榮華,劉珊,張牧,等. 基于空間分布熵的電磁脈沖渦流無損檢測[J]. 儀器儀表學報,2015,36(4):805-809.

[16] Kim H S,Eykholt R,Salas J D.Nonlinear Dynamics,Delay Times and Embedding Windows[J]. Physica D,1999,127:48-60.

[17] 劉慧,謝洪波,和衛(wèi)星,等. 基于模糊熵的鬧點睡眠分期特征提取與分類[J]. 數(shù)據(jù)采集與處理,2010,25(4):485-486.

[18] 李城璋. 基于混沌理論的電子信息制造業(yè)產(chǎn)業(yè)集群演化及預測研究[D]. 哈爾濱:哈爾濱工業(yè)大學,2015.

Identification of Flaw Shape in Metal Material Based on Phase Space and Fuzzy Entropy*

WANG Jianming1,ZHAO Kun1,WANG Qi1*,ZHU Xinhe2,SUN Yukuan1, SUN Kongjun1,LI Xiuyan1,DUAN Xiaojie1,WANG Huaxiang3

(1.School of Electronics and Information Engineering,Tianjin Polytechnic University,Tianjin 300387,China; 2.School of Science,Tianjin Polytechnic University,Tianjin 300387,China; 3.School of Electrical Engineering and Automation,Tianjin University,Tianjin 300072,China)

A metal flaw detection method based on eddy current testing is proposed. The size and shape of the flaws are identified by analyzing complexity of the measured signal with the aid of phase space and fuzzy entropy method. The multiple coil sensor models are designed in order to obtain valid flaw features from enough measurement information. The appropriate sensor parameters and excitation mode are selected through electromagnetic simulation. The fuzzy entropy is used for evaluating the complexity of measured signal with different size,depth and shape of defects. In order to accurately extract the inherent law of the eddy current signal and improve the sensitivity of the signal analysis algorithm,the phase space reconstruction is used for eddy current signal before fuzzy-entropy analysis. The results show that the fuzzy entropy,i.e. the complexity,of eddy current signal is increased with the growth of flaw size. Furthermore,different shapes of the flaws can be effectively distinguished by the profile of mean fuzzy entropy.

eddy current testing;complexity;phase space reconstruction;fuzzy entropy

汪劍鳴(1974-),男,博士,教授,碩士生導師。天津工業(yè)大學電子與信息工程學院,主要研究方向為智能信息處理技術(shù)及系統(tǒng),wangjianming@tjpu.edu.cn;

趙 坤(1990-),女,碩士研究生。就讀于天津工業(yè)大學電子與信息工程學院,主要研究方向為渦流無損檢測,zhaokun_0317@sina.com;

王 琦(1985-),女,博士,副教授,碩士生導師,本文通訊作者。天津工業(yè)大學電子與信息工程學院,主要研究方向為智能信息處理和電學成像,wangqiju@163.com。

項目來源:國家科技支撐計劃重點項目(2013BAF06B00);國家自然科學基金項目(61373104,61402330,61405143,61601324);高等學校博士點專項科研基金項目(20131201120002);天津市應用基礎(chǔ)與前沿技術(shù)研究計劃項目(15JCQNJC01500)

2016-10-11 修改日期:2017-01-25

TP274.2

A

1004-1699(2017)05-0721-10

C:7210A

10.3969/j.issn.1004-1699.2017.05.015