涡流检测的技术

目录涡流检测技术及进展⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯2 涡流检测自然裂纹与信号处理⋯⋯⋯⋯⋯⋯⋯⋯⋯5 压力容器列管涡流检测技术的研究⋯⋯⋯⋯⋯⋯⋯9 金属锈蚀的涡流检测⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯11 涡流检测技术及进展1 引言涡流检测是建立在电磁感应原理基础上的无损检测方法。如图1，已知法拉第电磁感应定律， 在检测线圈上接通交流电， 产生垂直于工件的交变磁场。检测线圈靠近被检工件时，该工件表面感应出涡流同时产生与原磁场方向相反的磁场，部分抵消原磁场，导致检测线圈电阻和电感变化。若金属工件存在缺陷，将改变涡流场的强度及分布，使线圈阻抗发生变化，检测该变化可判断有无缺陷。随着微电子学和计算机技术的发展及各种信号处理技术的采用，涡流检测换能器、涡流检测信号处理技术及涡流检测仪器等方面出现长足发展。2 涡流检测的信号处理技术提高检测信号的信噪比和抗干扰能力，实现信号的识别、 分析和诊断， 以得出最佳的信号特征和检测结果。2.1 信号特征量提取常用的特征量提取方法有傅里叶描述法、主分量分析法和小波变换法。傅里叶描述法是提取特征值的常用方法。其优点是， 不受探头速度影响， 且可由该描述法重构阻抗图， 采样点数目越多， 重构曲线更逼近原曲线。 但该方法只对曲线形状敏感， 对涡流检测仪的零点和增益不敏感，且不随曲线旋转、 平移、尺寸变换及起始点选择变化而变化。用测试信号自相关矩阵的本征值和本征矢量来描绘信号特征的方法称为主分量分析法，该方法对于相似缺陷的分辨力较强。小波变换是一种先进的信号时频分析方法。将小波变换中多分辨分析应用到涡流检测信号分析中， 对不同小波系数处理后， 再重构。 这种经小波变换处理后的信号，其信噪比会得到很大的提高。2.2 信号分析(1) 人工神经网络人工神经网络的输入矢量是信号的特征参量，对信号特征参量的正确选择与提取是采用神经网络智能判别成功的关键。组合神经网络模型， 采用分级判别法使网络输入变量维数由 N2 降到N，网络结构大为简化，训练速度很快，具有较高的缺陷识别率和实用价值。神经网络可实现缺陷分类， 具有识别准确度高的优点， 对不完全、 不够清晰的数据同样有效。(2) 信息融合技术信息融合是对来自不同信息源检测、关联、相关、估计和综合等多级处理，得到被测对象的统一最佳估计。涡流 C 扫描图像的融合，将图像分解为多子带图像，并在转换区内采用融合算法实现图像融合。 Ka Bartels等...