彭 英，吳應(yīng)發(fā)，邱選兵，劉路路，魏計(jì)林，陳長(zhǎng)飛

（1.太原科技大學(xué) 應(yīng)用科學(xué)學(xué)院，太原 030024；2.山東能源臨礦集團(tuán)古城煤礦，濟(jì)寧 272100）

脈沖渦流檢測(cè)是近年迅速發(fā)展起來(lái)的一種新的無(wú)損檢測(cè)和評(píng)價(jià)技術(shù)［1］。由于它的頻率范圍廣，能實(shí)現(xiàn)金屬材料表面和次表面的裂紋缺陷和孔缺陷檢測(cè)。脈沖渦流具有寬頻譜、易于操作、高靈敏和非接觸等優(yōu)點(diǎn)，在金屬成形過(guò)程［2］、服役階段航空航天結(jié)構(gòu)的疲勞裂紋［3］、壓力容器［4］、石油管道［5］等領(lǐng)域得到了廣泛的應(yīng)用。

目前，對(duì)缺陷分類(lèi)的研究主要為時(shí)域瞬態(tài)分析［6］和頻域的頻譜分析［6］。其中時(shí)域特性主要包括峰值、上升時(shí)間、峰值時(shí)間、降點(diǎn)、過(guò)零時(shí)間［7－8］。分析脈沖時(shí)域響應(yīng)采用的方法主要是統(tǒng)計(jì)分析方法，例如主成分分析、獨(dú)立成分分析［9］和小波主成分分析［10］。與時(shí)域分析相比，頻域分析的優(yōu)點(diǎn)是缺陷內(nèi)在特征量的提取更加穩(wěn)定和準(zhǔn)確［11］。B.YANG 等學(xué)者提出了一種幅頻特性分離點(diǎn)提取特征量方法，采用這種方法可以提高缺陷分類(lèi)的準(zhǔn)確性［12］。T.KIWA 等學(xué)者對(duì)導(dǎo)電材料以及不同深度缺陷采用傅里葉變換，并且對(duì)其進(jìn)行可視化操作，同時(shí)可以測(cè)量缺陷的深度［13］。Y.HE 等學(xué)者使用特定的頻率幅度譜進(jìn)行缺陷分類(lèi)，以便抑制提離效應(yīng)［14］。此外，他們將頻帶選擇結(jié)合主成分分析對(duì)多層結(jié)構(gòu)進(jìn)行缺陷分類(lèi)［15］，并采用C掃描的三維缺陷圖像和頻譜分析法有效地評(píng)估試樣在邊緣效應(yīng)影響下的次表面缺陷［16］。G.Y.TIAN 等人研究了脈沖渦流在探頭提離效應(yīng)、材料屬性（電導(dǎo)率和磁導(dǎo)率）和定向拉伸應(yīng)力等的光譜響應(yīng)［17］。

邱選兵等人采用幅度譜和小波分解提取小波變換的近似和細(xì)節(jié)頻譜為缺陷特征量，并利用主成分分析的線性分類(lèi)和貝葉斯分類(lèi)對(duì)缺陷進(jìn)行了分類(lèi)研究。然而，其中直接差分脈沖渦流響應(yīng)的幅度譜和重構(gòu)近似幅度譜不能完全識(shí)別各種類(lèi)型的缺陷（識(shí)別率為87.5%）。因此，為了彌補(bǔ)這個(gè)不足，作者提出了一種新的特征量提取方法——功率譜密度分析，它是一種應(yīng)用統(tǒng)計(jì)信號(hào)處理方法，將時(shí)域和頻域結(jié)合起來(lái)進(jìn)行缺陷定量分析的方法。

1 功率譜密度分析試驗(yàn)系統(tǒng)

1.1 試驗(yàn)平臺(tái)

在連鑄鋼板生產(chǎn)線上的無(wú)損檢測(cè)，需要測(cè)試、分類(lèi)和量化可能存在缺陷的板材，主要為表面缺陷和次表面缺陷。為此，設(shè)計(jì)了一種巨磁阻脈沖渦流檢測(cè)系統(tǒng)［18］。由巨磁阻探頭獲取該渦流場(chǎng)的信號(hào)，經(jīng)過(guò)放大器和低通濾波電路調(diào)理后輸入到模數(shù)轉(zhuǎn)換器進(jìn)行A／D 轉(zhuǎn)換。同時(shí)該信號(hào)被Tektronix公司的TDS3210B示波器采集，并存儲(chǔ)在內(nèi)部的存儲(chǔ)器中。由于采樣頻率為250kHz（樣本間隔4μs），故截取的樣本時(shí)間為40 ms。同時(shí)，存儲(chǔ)在TDS 3210B示波器的數(shù)據(jù)通過(guò)以太網(wǎng)傳給PC 機(jī)，并在Matlab中進(jìn)行信號(hào)的去噪、分析、提取特征量和實(shí)現(xiàn)分類(lèi)等試驗(yàn)。其中，實(shí)現(xiàn)缺陷分類(lèi)的數(shù)據(jù)是通過(guò)Daubechies－4小波基進(jìn)行去噪后的數(shù)據(jù)。

1.2 試驗(yàn)樣品

連鑄鋼板產(chǎn)品，典型的缺陷有裂紋缺陷和孔缺陷。如圖1所示，兩塊試驗(yàn)樣品（鋼板A 和鋼板B）用作評(píng)估系統(tǒng)的試樣。鋼板A 和鋼板B大小一樣，它們的長(zhǎng)、寬和厚度分別為200、100、10mm。在鋼板A 上加工4種裂紋來(lái)模擬裂紋缺陷，為了方便分析，缺陷的序號(hào)為UC2、UC4、UC6 和UC8。（UC為上表面裂紋，后文中UD 為上表面孔缺陷，DC 為次表面裂紋，DD 為次表面孔缺陷。）鋼板A 對(duì)應(yīng)4種裂紋的尺寸（寬×深度）分別為3 mm×2 mm，3 mm×4mm，3mm×6mm 和3mm×8mm。用鋼板B來(lái)模擬孔缺陷，加工了4個(gè)相同深度（4mm）的小孔，對(duì)應(yīng)的孔徑分別為4，6，8，10mm。通過(guò)翻轉(zhuǎn)兩塊鋼板，相當(dāng)于提供4種類(lèi)型缺陷，即：表面裂紋缺陷、次表面裂紋缺陷、表面孔缺陷、次表面孔缺陷。

圖1 缺陷試驗(yàn)樣品尺寸結(jié)構(gòu)圖

2 缺陷分類(lèi)方法

2.1 缺陷分類(lèi)和特征量提取

脈沖渦流激勵(lì)源是一個(gè)瞬態(tài)的方波信號(hào)。在時(shí)域，脈沖渦流檢測(cè)響應(yīng)信號(hào)包含了大量的特征量，例如上升時(shí)間、峰值時(shí)間和過(guò)零時(shí)間等；然而頻域包含了更具有本質(zhì)特征的信息。根據(jù)傅里葉級(jí)數(shù)展開(kāi)公式，一個(gè)周期方波信號(hào)可以由基波和無(wú)窮多個(gè)諧波疊加而成。根據(jù)趨膚效應(yīng)，滲透深度δ可以表示為：

式中：f為激勵(lì)源的頻率，Hz；σ 為相對(duì)電導(dǎo)率，S·m－1；μ為相對(duì)磁導(dǎo)率，H·m－1。

從式（1）可以看出激勵(lì)源的頻率越高、導(dǎo)電率越高或?qū)Т判阅茉胶玫牟牧?，趨膚效應(yīng)越顯著；隨著頻率的增加，滲透深度也隨之逐漸減小。激勵(lì)信號(hào)中的高頻成分滲透深度淺，而低頻成分的滲透深度深。因此，高頻成分只受表面缺陷的影響，低頻成分受到表面缺陷和次表面缺陷的共同影響。也就是說(shuō)，表面缺陷可以影響頻譜中的高頻成分和低頻成分，次表面缺陷主要影響頻譜中的低頻成分。

然而，功率譜密度定義為平均功率密度或一定范圍頻率的平均能量。幅度譜表示為原始信號(hào)每個(gè)頻率分量的幅度值，與幅度譜相比，功率譜更側(cè)重于某一頻率分析范圍內(nèi)的平均能量。不管怎樣，實(shí)質(zhì)上都是表示頻率信號(hào)的能量分布。因此差分功率譜的特征量和脈沖渦流檢測(cè)響應(yīng)的幅度譜對(duì)不同深度的缺陷都能正確地識(shí)別和量化。

2.2 缺陷分類(lèi)方法

缺陷分類(lèi)方法是主成分分析—線性判別分類(lèi)方法（PCA－LDA）和主成分分析—貝葉斯分類(lèi)方法（PCA－Bayes），這些分類(lèi)方法具有健壯性強(qiáng)、穩(wěn)定和可靠高等優(yōu)點(diǎn)。其中線性判別分類(lèi)也叫做Fisher線性判別，是直接基于樣本模式識(shí)別的經(jīng)典算法。線性鑒別分析的基本思想是找到一組最佳的投影方向，在這些投影方向上，可以最好地區(qū)分訓(xùn)練樣本屬于不同類(lèi)別的樣本，即具有最佳的可分離性。因此，它是一種有效的特征抽取方法。而貝葉斯分類(lèi)是建立在經(jīng)典的貝葉斯概率理論的基礎(chǔ)上的統(tǒng)計(jì)分類(lèi)方法。該算法具有能處理大型數(shù)據(jù)、方法較簡(jiǎn)單、分類(lèi)準(zhǔn)確率高、速度快等優(yōu)點(diǎn)。

3 缺陷分類(lèi)試驗(yàn)

筆者主要闡述功率譜密度的缺陷特征提取方法，以及利 用PCA－LDA 和PCA－Bayes 的分類(lèi) 算法，對(duì)人工缺陷試樣A 和試樣B 進(jìn)行了分類(lèi)試驗(yàn)。脈沖激勵(lì)采用幅值為7.8V、頻率為100Hz和占空比50%的方波信號(hào)。

圖2（a）所示為典型的脈沖渦流從0～40ms的時(shí)域響應(yīng)。差分功率譜是缺陷響應(yīng)信號(hào)功率譜和無(wú)缺陷信號(hào)相減得到的，如圖2（b）所示。

圖2 裂紋缺陷的脈沖渦流檢測(cè)的典型反應(yīng)

為了分析脈沖渦流檢測(cè)功率譜的特性，提取從100～125kHz頻率范圍的基頻分量和奇次諧波分量。線性判據(jù)分類(lèi)和貝葉斯分類(lèi)對(duì)表面裂紋、次表面裂紋、表面孔缺陷和次表面孔缺陷的比較，如圖3所示。圖3（a）、（c）、（e）和（g）可以看出，通過(guò)主成分分析—線性判別分析法在主成分PC1（Principal Components，主成分1）和PC2（Principal Components，主成分2）提取缺陷特征并投影到特征空間?；赑CA－Bayes的分類(lèi)結(jié)果如圖3（b）、（d）、（f）和（h）所示。缺陷識(shí)別率的結(jié)果如表1所示。

圖3 脈沖渦流響應(yīng)功率譜密度分析的PCA－LDA 和PCA－Bayes的分類(lèi)結(jié)果

表1 線性判別分類(lèi)法和貝葉斯分類(lèi)法的分類(lèi)結(jié)果 %

從圖3 和表1 可以推斷出，基于功率譜的PCA－LDA 和PCA－Bayes分類(lèi)方法均能正確地區(qū)分導(dǎo)體表面和次表面的裂紋缺陷和孔缺陷的各種情況。

4 結(jié)語(yǔ)

試驗(yàn)結(jié)果表明，基于直接差分脈沖渦流檢測(cè)響應(yīng)的功率譜的提取缺陷特征量的方法能獲取更多缺陷信息。與幅度譜相比，功率譜側(cè)重于分析中心頻率的平均能量分布，更易于識(shí)別深層次的隱藏缺陷。

［1］SOPHIAN A，TIAN G Y，TAYLOR D，et al.A feature extraction technique based on principal component analysis for pulsed eddy current NDT［J］.NDT ＆ E International，2003，36：37－41.

［2］ADEWALE I D and GUI YUI T.Decoupling the influence of permeability and conductivity in Pulsed Eddy－Current measurements［J］.IEEE Transactions on Magnetics，2013，49：1119－1127.

［3］SOPHIAN A，TIAN G Y，TAYLOR D，et al.Design of a pulsed eddy current sensor for detection of defects in aircraft lap－joints［J］.Sensors and Actuators A：Physical，2002，101：92－98.

［4］SHEJUAN X，CHEN Z，TAKAGI T，et al.Efficient numerical solver for simulation of Pulsed Eddy－Current testing signals［J］.IEEE Transactions on Magnetics，2011，47：4582－4591.

［5］SHEJUAN X，ZHENMAO C，HONG－EN C，et al.Sizing of wall thinning defects using pulsed eddy current testing signals based on a hybrid inverse analysis method［J］.IEEE Transactions on Magnetics，2013，49：1653－1656.

［6］QIU X，ZHANG P，WEI J，et al.Defect classification by pulsed eddy current technique in con－casting slabs based on spectrum analysis and wavelet decomposition［J］.Sensors and Actuators A：Physical，2013，203：272－281.

［7］HE Y，LUO F，PAN M，et al.Defect edge identification with rectangular pulsed eddy current sensor based on transient response signals［J］.NDT ＆ E International，2010，43：409－415.

［8］HE Y，LUO F，PAN M，et al.Defect classificationbased on rectangular pulsed eddy current sensor in different directions［J］.Sensors and Actuators A：Physical，2010，157：26－31.

［9］HE Y，PAN M，LUO F，et al.Support vector machine and optimised feature extraction in integrated eddy current instrument［J］.Measurement，2013，46：764－774.

［10］TIAN G，SOPHIAN A，TAYLOR D，et al.Wavelet－based PCA defect classification and quantification for pulsed eddy current NDT［J］.in Science，Measurement and Technology，IEE Proceedings，2005，141－148.

［11］KIWA T，HAYASHI T，KAWASAKI Y，et al.Magnetic thickness gauge using a Fourier transformed eddy current technique［J］.NDT ＆E International，2009，42：606－609.

［12］YANG B，LUO F，ZHANG Y，et al.Quantification and classification of cracks in aircraftmulti－layered structure［J］.Jixie Gongcheng Xuebao（Chinese Journal of Mechanical Engineering），2006，42：63－67.

［13］KIWA T，KAWATA T，YAMADA H，et al.Fourier－transformed eddy current technique to visualize cross－sections of conductive materials［J］.NDT ＆E International，2007，40：363－367.

［14］HE Y，PAN M，LUO F，et al.Reduction of lift－off effects in pulsed eddy current for defect classification［J］.IEEE Transactions on Magnetics，2011，47：4753－4760.

［15］PAN M，HE Y，TIAN G，et al.PEC frequency band selection for locating defects in two－layer aircraft structures with air gap variations［J］.Instrumentation and Measurement，IEEE Transactions on，2012，62：2849－2856.

［16］HE Y，PAN M，LUO F，et al.Pulsed eddy current imaging and frequency spectrum analysis for hidden defect nondestructive testing and evaluation［J］.NDT＆E International，2011，44：344－352.

［17］TIAN G Y，HE Y，ADEWALE I，et al.Research on spectral response of pulsed eddy current and NDE applications［J］.Sensors and Actuators A：Physical，2013，189：313－320.

［18］QIU X，WEI C，CUI X，et al.Real－time pre－processing of the pulsed eddy current signal from continuous casting slabs［J］.Insight－Non－Destructive Testing and Condition Monitoring，2013，55：136－141.