南玉龍+楊龍興+闞仁峰+莊立東

摘 要：脈沖渦流檢測(cè)技術(shù)是一種發(fā)展迅速的無(wú)損檢測(cè)方法，而缺陷分類(lèi)識(shí)別是缺陷檢測(cè)和評(píng)估中的關(guān)鍵步驟。文中設(shè)計(jì)了一套脈沖渦流檢測(cè)系統(tǒng)，通過(guò)實(shí)驗(yàn)得到表面、亞表面及腐蝕缺陷的瞬時(shí)差分信號(hào)，再對(duì)瞬時(shí)差分信號(hào)做時(shí)域和頻域分析，從中提取多個(gè)特征量，然后將這些特征量進(jìn)行不同的組合，用于缺陷的分類(lèi)識(shí)別。最后提出核主成分分析法（KPCA）對(duì)表面、亞表面及腐蝕缺陷進(jìn)行分類(lèi)識(shí)別。通過(guò)對(duì)比兩種識(shí)別方法，發(fā)現(xiàn)核主成分分析法具有更好的分類(lèi)性能，從而為判定缺陷提供了一種有效的方法。

關(guān)鍵詞：脈沖渦流；缺陷分類(lèi)；特征量；KPCA

中圖分類(lèi)號(hào)：TG115.28；TP274 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2017）02-00-04

0 引 言

脈沖渦流檢測(cè)技術(shù)是一種新渦流無(wú)損檢測(cè)方法[1]。脈沖渦流檢測(cè)技術(shù)采用的激勵(lì)信號(hào)通常為具有一定占空比的周期方波信號(hào)，根據(jù)傅里葉信號(hào)分析理論，方波信號(hào)是一系列不等幅正弦信號(hào)的合成信號(hào)，具有很寬的頻譜[2，3]，特別適合于飛機(jī)多層結(jié)構(gòu)的檢測(cè)[4，5]。

缺陷的檢測(cè)、分類(lèi)和定量評(píng)估是脈沖渦流檢測(cè)技術(shù)的重要組成部分[6]。缺陷分類(lèi)就是將已檢測(cè)到的缺陷區(qū)分為正確的缺陷類(lèi)型，如表面缺陷或亞表面缺陷。田云貴[6]等人采用主成分分析法（Principal Component Analysis，PCA），提取脈沖渦流瞬態(tài)響應(yīng)信號(hào)峰值時(shí)間作為特征量對(duì)缺陷進(jìn)行分類(lèi)識(shí)別。文獻(xiàn)[7]提出了時(shí)間上升點(diǎn)這一新的特征量，對(duì)缺陷分類(lèi)識(shí)別進(jìn)行研究。何澤[8]等人采用脈沖渦流響應(yīng)差分信號(hào)的峰值時(shí)間和過(guò)零時(shí)間作為特征量對(duì)缺陷進(jìn)行分類(lèi)識(shí)別。楊賓峰[9，10]等人提出頻譜分離點(diǎn)對(duì)缺陷進(jìn)行分類(lèi)識(shí)別，但是“頻譜分離點(diǎn)”這一特征量難以準(zhǔn)確提取。潘孟春[11]等人提出了選擇3個(gè)特定頻率點(diǎn)的幅值作為特征量對(duì)缺陷進(jìn)行3D分類(lèi)識(shí)別。高軍哲[12]等人提出譜相對(duì)變化與相位過(guò)零點(diǎn)對(duì)不同類(lèi)型的缺陷進(jìn)行分類(lèi)。周德強(qiáng)[13]等人通過(guò)對(duì)所有特征進(jìn)行組合分類(lèi)識(shí)別缺陷，研究發(fā)現(xiàn)，基頻分量的頻譜幅值與峰值時(shí)間的組合能夠有效識(shí)別缺陷類(lèi)型。目前，在脈沖渦流缺陷分類(lèi)識(shí)別技術(shù)研究方面，大多數(shù)以單一或兩個(gè)特征量對(duì)缺陷分類(lèi)識(shí)別進(jìn)行研究，分類(lèi)識(shí)別的準(zhǔn)確率有待進(jìn)一步提高。本文將提取脈沖渦流缺陷信號(hào)的多個(gè)特征量，用組合特征量及核主成分分析法（KPCA）分別對(duì)不同類(lèi)型的缺陷進(jìn)行分類(lèi)識(shí)別。

1 工作原理

1.1 脈沖渦流原理

脈沖渦流的激勵(lì)信號(hào)為具有一定占空比的方波，施加在探頭上的方波信號(hào)會(huì)在激勵(lì)線圈上感生出一個(gè)快速衰減的脈沖磁場(chǎng)，變化的磁場(chǎng)在試件中感應(yīng)出瞬時(shí)渦流，脈沖渦流向試件內(nèi)部傳播，又會(huì)感應(yīng)出一個(gè)快速衰減的渦流磁場(chǎng)，隨著渦流的衰減，檢測(cè)線圈就會(huì)感應(yīng)出隨試件變化的電壓。假如試件有缺陷存在，磁感應(yīng)強(qiáng)度B必然發(fā)生變化，導(dǎo)致檢測(cè)線圈上的感應(yīng)電壓隨之改變[5-7]。如果將檢測(cè)線圈放置在被測(cè)試件的無(wú)缺陷處，所獲得的基本響應(yīng)信號(hào)為參考信號(hào)，被測(cè)試件的響應(yīng)信號(hào)減去參考信號(hào)即為差分信號(hào)[13]。圖1所示為一個(gè)典型脈沖渦流的差分瞬時(shí)信號(hào)響應(yīng)圖。

1.2 核主成分分析法（KPCA）

矩陣XR中包含了測(cè)試信息在由特征矢量組成的特征空間F中的各階分量，其中第i個(gè)特征值對(duì)應(yīng)第i階分量。因?yàn)槭紫葘?duì)特征值進(jìn)行從大到小排列，所以階數(shù)較小的主分量對(duì)應(yīng)較大的特征值，描述信號(hào)的主要特征；階數(shù)較大的主分量對(duì)應(yīng)的特征值較小，描述信號(hào)的細(xì)微特征[15]。

2 檢測(cè)系統(tǒng)

脈沖渦流無(wú)損檢測(cè)系統(tǒng)如圖2所示，包含脈沖信號(hào)發(fā)生器、脈沖渦流探頭、功率放大模塊、信號(hào)調(diào)理電路、數(shù)據(jù)采集模塊、上位機(jī)與被測(cè)試件。方波信號(hào)的電壓為10 V，其頻率為100 Hz，占空比為0.5。脈沖渦流探頭包括激勵(lì)線圈和磁傳感器，激勵(lì)線圈采用圓柱型磁芯，共繞800匝，線徑為0.3 mm的漆包線，內(nèi)徑為7.5 mm，外徑為10 mm，高為20 mm。磁傳感器采用霍爾傳感器UGN3505，在線圈的底部中心，檢測(cè)受缺陷擾動(dòng)而產(chǎn)生磁場(chǎng)垂直分量。數(shù)據(jù)采集電路采用凌華數(shù)據(jù)采集卡PCI9111，采樣頻率為100 kHz。

試件1如圖3（a）所示，圖中單位均為毫米，A面和B面分別模擬飛機(jī)結(jié)構(gòu)中出現(xiàn)的表面及亞表面缺陷，材料為AL6061，外形尺寸為300 mm×30 mm×10 mm。試件2如圖3 （b）所示，材料為AL6061，模擬飛機(jī)結(jié)構(gòu)中出現(xiàn)了大面積腐蝕減薄的缺陷，外形尺寸為400 mm×30 mm×10 mm。

3 實(shí)驗(yàn)分析

3.1 缺陷差分信號(hào)特征量的提取

用脈沖渦流探頭分別對(duì)三種不同類(lèi)型缺陷的試件進(jìn)行檢測(cè)，數(shù)據(jù)采集卡將采集到的缺陷時(shí)域信號(hào)傳輸?shù)缴衔粰C(jī)，運(yùn)用Matlab工具對(duì)其進(jìn)行差分、濾波、分析等，提取缺陷的時(shí)域特征量——峰值和峰值時(shí)間，結(jié)果如圖4和圖5所示。

利用頻譜分析法對(duì)三種不同類(lèi)型缺陷的脈沖渦流響應(yīng)差分信號(hào)進(jìn)行快速傅里葉變換，得到各缺陷信號(hào)所對(duì)應(yīng)的幅值譜，再提取脈沖渦流缺陷信號(hào)頻譜特征量——基頻分量的頻譜幅值和三次諧波分量的頻譜幅值，結(jié)果如圖6和圖7所示。

通過(guò)分析峰值、峰值時(shí)間、基頻分量頻譜幅值和三次諧波頻譜幅值隨缺陷深度的變化關(guān)系，發(fā)現(xiàn)這四種特征量的值無(wú)論上升還是下降，對(duì)于表面缺陷而言，特征量的值隨深度幾乎成線性變化；而對(duì)于亞表面和腐蝕缺陷而言，特征量的值隨深度幾乎成指數(shù)變化。根據(jù)渦流檢測(cè)原理，由式（9）可知，被測(cè)導(dǎo)體中感應(yīng)渦流的密度隨深度增加成指數(shù)下降，而Hall傳感器測(cè)得的激勵(lì)線圈產(chǎn)生磁場(chǎng)和渦流產(chǎn)生磁場(chǎng)矢量和，證明實(shí)驗(yàn)結(jié)果和理論一致。

3.2 基于組合特征量的分類(lèi)識(shí)別

采用峰值和峰值時(shí)間的分類(lèi)識(shí)別如圖8所示。通過(guò)峰值與峰值時(shí)間兩個(gè)特征量的組合對(duì)三種缺陷進(jìn)行了分類(lèi)識(shí)別，可以看出，利用峰值與峰值時(shí)間兩個(gè)組合特征量能夠成功分離出表面缺陷、亞表面缺陷及腐蝕缺陷，但亞表面缺陷與腐蝕缺陷分離效果不佳。采用基頻分量頻譜幅值和峰值時(shí)間的分類(lèi)識(shí)別如圖9所示，以峰值時(shí)間與基頻分量的頻譜幅值兩個(gè)組合特征量對(duì)三種缺陷進(jìn)行分類(lèi)識(shí)別，可以看出，以峰值時(shí)間與基頻分量的頻譜幅值兩個(gè)組合特征量可以較明顯的分離三種不同的缺陷。以上可以看出，用不同特征量的組合對(duì)缺陷分類(lèi)效果明顯不同，由于特征組合種類(lèi)較多，尋找最佳特征量組合并不容易。