基于贝叶斯网络的焊接缺陷巨磁电阻涡流检测方法
【专利摘要】本发明属于无损检测【技术领域】，涉及一种基于贝叶斯网络的焊接缺陷巨磁电阻涡流检测方法，选择多个焊接样本作为训练样本，测量每个样本同一时刻下的四路巨磁电阻传感器输出信号，提取信号的峰峰值，方差和斜率变化作为特征量，构造贝叶斯网络结构，并进一步计算样本类型和这三种特征量之间的概率关系，确定贝叶斯网络参数，完成贝叶斯网络模型的建立。在对待测样本的检测过程中，测量待测样本四路输出信号的峰峰值，方差和斜率变化特征量，结合建立好的贝叶斯网络模型，计算该样本条件下各缺陷类型可能存在的概率，概率最大的类型即为待测样本的缺陷类型。本发明的检测方法，模型简单，计算便捷且易于实施。
【专利说明】基于贝叶斯网络的焊接缺陷巨磁电阻涡流检测方法
【技术领域】
[0001]本发明属于无损检测【技术领域】，特别涉及一种焊接质量的电涡流检测方法。
【背景技术】
[0002]焊接技术被广泛应用于能源，石化，核工业，交通运载工具制造以及其他一些工业过程[1-3]。在焊接过程中，对焊接缺陷进行检测和估计，可降低废品率提高生产效率；在设备运行过程中，检测焊接处由于温度、压力和外部影响造成的早期缺陷，可避免灾难性事故的发生[4]。常见的焊接缺陷有气孔、未焊透、裂纹等等，通过对焊接缺陷的检测和分类可以对后续的修补和替换带来判断依据。
[0003]电涡流检测是一种重要的无损检测方法[5]。对于焊接缺陷的电涡流检测，焊接区域粗糙表面引入的测量噪声对缺陷检测影响极大[6]。许多改进的电涡流检测的激励线圈，如矩形线圈[7]、差分薄饼线圈、TR探头、带差分检测线圈的均匀涡流探头[8]、正交涡流线圈[2]被应用于焊接缺陷的检测[7-9]。在激励方式的改进方面，不同的激励方式如双频激励技术和脉冲激励技术被用于检测焊接缺陷[10，11]。
[0004]焊接缺陷如气孔，夹杂和裂纹的存在会影响到被测试件内部的涡流分布，从而导致磁场分布的变化，因此直接检测磁场给对缺陷的检测和评估带来了便利。人们尝试使用直接的磁敏感元件来检测磁场的变化情况来确定焊接质量的好坏，Hall [12]，AMR[6]，GMR[13]已经被用来对焊接周围的涡流磁场进行检测。
[0005]除了对激励线圈和传感器的改进外，对获得的缺陷信号的处理也是检测能够成功的关键因素。对缺陷信号的 识别有多种方法，很多先进的信号处理技术被用于焊接缺陷的涡流检测。神经网络被用于对缺陷进行分类和重构[4，14];通过仿真模型数据和检测数据的对比来进行缺陷形状估计[9]，二维离散小波变换被用于焊接信号的去噪[14]。但是针对焊接缺陷电涡流检测特征量非常少。特别是由于焊接表面的复杂纹理和结构，造成焊接涡流电磁信号通常带有比较强的噪声。如何区分噪声信号和缺陷信号，给电涡流检测提出了新的挑战。
[0006]参考文献
[0007][I],任吉林.我国涡流检测技术的发展[J].无损检测，1994，(10):280-283+298.[0008][2],黄建明，林俊明.焊缝电磁涡流检测技术[J].无损检测，2004, (02):95-98.[0009][3].林俊明.电磁(涡流)检测技术现状及发展趋势[J].航空制造技术，2004，(09):40-41.[0010][4].Rao, B., Raj, B., Jayakumar, T., etc.An artificial neural networkfor eddy current testing of austenitic stainless steel welds[J].NDT&EInt, 2002，35(6):393-398.[0011][5].Ti an, G., Sophi an, A., Taylor, D., etc.Wavelet-based PCA defectclassification and quantification for pulsed eddy current NDT [A].1nScience, Measurement and Technology, IEE Proceedings-[C]，2005;141-148.[0012][6].AlIweins，Κ.，Von Kreutzbruckj Μ.，Giereltj G.Defect detection inaluminum laser welds using an anisotropic magnetoresistive sensor array[J].JAppl Phys，2005，97(10).[0013][7].Koyamaj K.，Hoshikawaj H.，Taniyamaj N.1nvestigation of eddy currenttesting of weld zone by uniform eddy current probe[A].1n Proceedings ofWCNDT[C], 2000.[0014][8].Yusaj N.，Machida, E.，Janousekj L.，etc.Application of eddy currentinversion technique to the sizing of defects in Inconel welds with roughsurfaces[J].Nucl Eng Des，2005，235 (14):1469-1480.[0015][9].Yusa，N.，Janousekj L.，Rebican，M., etc.Detection of embeddedfatigue cracks in Inconel weld overlay and the evaluation of the minimumthickness of the weld overlay using eddy current testing[J].Nucl EngDesj 2006，236 (18): 1852-1859.[0016][10].Mandache，C.，Dubourg，L，Merati，A.，etc.Pulsed eddy current testingof friction stir welds[J].Mater Eval，2008，66 (4):382-386.[0017][11].Mandache, C.，Levesque, D.，Dubourg, L，etc.Non-destructive detectionof lack of penetration defects in friction stir welds[J].Sci Technol WeldJoij 2012，17(4):295-303.[0018][12].Abdul, S., Zhou, Z.Evaluation of piezoresistivity in heattreated5A06Al_Mg alloy due to applied stress using eddy current method.1nChengdu, 2012; Vol.548，377-381.[0019][13].Postolachej 0., Ribeiroj A.L., Ramos, H.A novel uniform eddy currentprobe with GMR for non destructive testing applications[A].1n Lisbon, 2011.[0020][14].Kumar, A.，Sasij B.，Sharmaj G.K.，etc.Nondestructive evaluation ofaustenitic stainless steel welds.1n Mumbai, 2013;Vol.794, 366-374.
【发明内容】
[0021]本发明的目的是克服现有技术上的不足，提出一种响应速度快，实时性好且测量过程简单并容易实现的焊接电涡流检测方法。为此，本发明釆用如下的技术方案:
[0022]一种基于贝叶斯网络的焊接缺陷巨磁电阻涡流检测方法，所釆用的检测装置包括一个矩形线圈、交流激励电压产生电路、四个相同的巨磁电阻传感器、信号调理电路、数据釆集�？�、分析计算�？椋渲校涣骷だ缪共缏返氖涑隽拥骄匦蜗呷Γ凰母鼍薮诺缱璐衅髋帕谐梢惶踔毕吖潭ㄔ诰匦蜗呷Φ牡撞浚痪薮诺缱璧拿舾兄岱较蚱叫杏诰匦蜗呷Φ牡枷撸沟镁匦蜗呷Σ囊淮未懦》较虼怪庇诰薮诺缱璧拿舾兄岱较颍痪匦蜗呷Φ哪诓糠胖靡豢橛来盘糜诙源懦〗衅茫凰母鼍薮诺缱璧氖涑龇直鹆有藕诺骼淼缏返牟煌耐ǖ溃藕诺骼淼缏酚糜诙跃薮诺缱璧氖涑鲂藕沤新瞬胺糯螅痪骼砗蟮男藕啪葆娂？槭淙氲椒治黾扑隳？椋治黾扑隳？橛糜诮獾骷觳獾降乃穆吠ǖ佬藕诺氖挡渴荩⒏菔挡渴菁觳馐欠翊嬖诤附尤毕荩觳夥椒ㄈ缦�:
[0023]( I)将焊缝类型分为良好焊缝，含气孔焊缝以及未焊透焊缝，选择各个类型的焊缝样本作为学习样本，测量每个样本同一时刻下的四路输出信号，提取信号的峰峰值，方差和斜率变化作为样本特征量，构造学习样本集合；
[0024](2)基于各组学习样本的特征量，构造双层贝叶斯网络结构:三个根节点为三种可能的焊缝类型，分别为良好焊缝，含气孔焊缝以及未焊透焊缝，三个子节点依次为三个学习样本的特征量:峰峰值、方差和斜率变化；
[0025](3)统计不同焊缝类型样本的特征量分布情况。对于各个特征量，根据其分布情况选择两个适当的阈值将其分布区间分成三段，即每个特征量的值域都被两个阈值分割成三个取值区间，计算三个根节点分别在各段区间内的概率，即完成双层贝叶斯网络的确定；
[0026](4)测试待测焊缝的四通道输出数据，计算待测焊缝的峰峰值、方差和斜率变化；
[0027](5)将待测焊缝的峰峰值、方差和斜率变化输入步骤(2)构造好的双层贝叶斯网络模型，根据所获得的被测焊缝的峰峰值、方差和斜率变化的具体数值，并结合步骤(3)中确定的阈值，计算被测焊缝三个特征量在各自的三个分布区间上的概率，最后根据计算获得的概率以及双层贝叶斯网络的参数，计算当前被测样本特征量分布情况下三种样本类型可能存在的概率，概率最大的样本类型即为被测焊缝的缺陷类型。
[0028]本发明在一个矩形线圈下部同时放置四个巨磁电阻传感器，同时检测焊缝两侧的磁场分布，以四个通道的信号的峰峰值、方差和斜率变化三个参数作为评价焊接质量的参数，建立贝叶斯网络模型。在进行焊接电涡流检测时，结合贝叶斯网络模型，计算被测样本条件下三种类型的存在概率，最终得到被测样本所含缺陷类型。本发明的检测方法，模型简单，计算便捷，结论清晰，且测量过程简单，造价低，易于实施。
【专利附图】
【附图说明】
[0029]图1、(a)焊缝电涡流检测装置探头示意图；
[0030](b)焊缝电涡流检测装置探头截面示意图；
[0031](c)焊缝电涡流检测装置探头侧面示意图；
[0032]图2、焊缝电涡流检测系统结构图；
[0033]图3、焊缝电涡流检测实现过程示意图；
[0034]图4、本发明所采用的贝叶斯网络结构图；
[0035]图中:
[0036]1、焊缝2、激励线圈
[0037]3、激励电压产生电路 4、巨磁电阻传感器
[0038]5、巨磁电阻敏感轴方向6、信号调理电路
[0039]7、数据采集�？�8、分析计算�？�
[0040]9、永磁铁
【具体实施方式】:
[0041]下面结合附图和实施例对本发明做进一步说明。
[0042]参见图1和图2，检 测装置包括一个矩形激励线圈2(本实施例矩形线圈的尺寸为长60mm，宽30mm，高25mm)、激励电压信号产生电路3、四个相同的巨磁电阻传感器芯片4(本实施例四个巨磁电阻芯片之间的距离为2mm)、信号调理电路6、数据采集�？�7、分析计算�？�8组成。激励电压产生电路3的输出连接矩形线圈2的导线；四个巨磁电阻传感器4(1)、4(2)、4(3)、4(4)位于同一条直线上，分别固定在矩形线圈2的底部；四个巨磁电阻的输出分别连接具有四个通道的信号调理电路6，信号调理电路6用于将巨磁电阻的输出信号进行滤波及放大；经过调理后的信号经过数据采集�？�7输入到分析计算模块8。测量过程中，将焊缝放置于检测探头的巨磁电阻芯片4(2)和4(3)之间。
[0043]检测算法主要步骤如下:
[0044](1)获取学习样本
[0045]对良好焊缝和不同种类缺陷焊缝进行编号。通过焊接缺陷检测系统的分析计算模块8计算四个通道信号的峰峰值、方差和斜率变化。本实施例中，经过四个通道输出的四个巨磁电阻4(1)、4(2)、4(3)、4(4)的输出电压信号分别为X1, x2, x3, X4，在分析计算�？�8中计算峰峰值
[0046]Vpp = max (X1, x2, x3, x4) -min (X1, X2, x3, x4)(I)
[0047]在分析计算模块8中计算信号X1, x2, x3, X4的方差为Var
[0048]
【权利要求】
1.一种基于贝叶斯网络的焊接缺陷巨磁电阻涡流检测方法，所采用的检测装置包括一个矩形线圈、交流激励电压产生电路、四个相同的巨磁电阻传感器、信号调理电路、数据采集�？�、分析计算�？椋渲校涣骷だ缪共缏返氖涑隽拥骄匦蜗呷Γ凰母鼍薮诺缱璐衅髋帕谐梢惶踔毕吖潭ㄔ诰匦蜗呷Φ牡撞浚痪薮诺缱璧拿舾兄岱较蚱叫杏诰匦蜗呷Φ牡枷撸沟镁匦蜗呷Σ囊淮未懦》较虼怪庇诰薮诺缱璧拿舾兄岱较颍痪匦蜗呷Φ哪诓糠胖靡豢橛来盘糜诙源懦〗衅茫凰母鼍薮诺缱璧氖涑龇直鹆有藕诺骼淼缏返牟煌耐ǖ溃藕诺骼淼缏酚糜诙跃薮诺缱璧氖涑鲂藕沤新瞬胺糯螅痪骼砗蟮男藕啪莶杉？槭淙氲椒治黾扑隳？椋治黾扑隳？橛糜诮獾骷觳獾降乃穆吠ǖ佬藕诺氖挡渴荩⒏菔挡渴菁觳馐欠翊嬖诤附尤毕荩觳夥椒ㄈ缦�: (1)将焊缝类型分为良好焊缝，含气孔焊缝以及未焊透焊缝，选择各个类型的焊缝样本作为学习样本，测量每个样本同一时刻下的四路输出信号，提取信号的峰峰值，方差和斜率变化作为样本特征量，构造学习样本集合； (2)基于各组学习样本的特征量，构造双层贝叶斯网络结构:三个根节点为三种可能的焊缝类型，分别为良好焊缝，含气孔焊缝以及未焊透焊缝，三个子节点依次为三个学习样本的特征量:峰峰值、方差和斜率变化； (3)统计不同焊缝类型样本的特征量分布情况。对于各个特征量，根据其分布情况选择两个适当的阈值将其分布区间分成三段，即每个特征量的值域都被两个阈值分割成三个取值区间，计算三个根节点分别在各段区间内的概率，即完成双层贝叶斯网络的确定； (4)测试待测焊缝的四通道输出数据，计算待测焊缝的峰峰值、方差和斜率变化； (5)将待测焊缝的峰峰值、方差和斜率变化输入步骤(2)构造好的双层贝叶斯网络模型，根据所获得的被测焊缝的峰峰值、方差和斜率变化的具体数值，并结合步骤(3)中确定的阈值，计算被测焊缝三个特征量在各自的三个分布区间上的概率，最后根据计算获得的概率以及双层贝叶斯网络的参数，计算当前被测样本特征量分布情况下三种样本类型可能存在的概率，概率最大的样本类型即为被测焊缝的缺陷类型。
【文档编号】G01N27/90GK103713043SQ201410008956
【公开日】2014年4月9日 申请日期:2014年1月7日 优先权日:2014年1月7日
【发明者】王超, 支亚, 高鹏, 李旸 申请人:天津大学
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
