1、引用格式:引用格式:罗炜韬,胡博,石文泽,等.磁信号检测高温合金内外壁缺陷分类研究J.中国测试,2024,50(2):161-166.LUOWeitao,HUBo,SHIWenze,etal.ResearchontheclassificationofinnerandouterwalldefectsofsuperalloybasedonmagneticsignaldetectionJ.ChinaMeasurement&Test,2024,50(2):161-166.DOI:10.11857/j.issn.1674-5124.2022060116磁信号检测高温合金内外壁缺陷分类研究罗炜韬,胡博,石
2、文泽,王少飞,陈宇,樊梦,程虹之(南昌航空大学无损检测技术教育部重点实验室,江西南昌330063)摘要:为区分高温合金内外壁缺陷,采用高精度弱磁传感器对高温合金人工槽型缺陷进行检测。从有缺陷的一面检测为正面(即外壁缺陷),从另一面检测为反面(相当于内壁缺陷),发现单侧表面缺陷检测信号出现极性相反的情况,无法通过极性相反这一特征区分内外壁缺陷。针对这一现象,基于支持向量机中的分类功能,对采集到的弱磁信号进行特征提取获得面积、幅值和占宽 3 种特征量建立分类数据库,进行内外壁缺陷分类识别,并采用不同的核函数建立分类模型进行比较,最终发现径向基核函数分类模型正确率最高,为 84.37%,且经过样本库
3、外的试件验证后正确率仍有 81.25%。结果表明该算法能够有效地对高温合金缺陷信号进行分析和辨识,具有一定的实用价值。关键词:弱磁检测;高温合金;支持向量机;内外壁缺陷识别中图分类号:V252;TP181;TB9文献标志码:A文章编号:16745124(2024)02016106Research on the classification of inner and outer wall defects ofsuperalloy based on magnetic signal detectionLUOWeitao,HUBo,SHIWenze,WANGShaofei,CHENYu,FANMeng
4、,CHENGHongzhi(KeyLaboratoryofNon-destructiveTestingofEducation,NanchangHangkongUniversity,Nanchang330063,China)Abstract:Inordertodistinguishtheinternaldefectsandexternaldefectsofsuperalloys,high-precisionweakmagnetic probes are used to detect artificial groove defects of superalloys,detected as posi
5、tive from thedefectiveside(externaldefect)andnegativefromtheotherside(internaldefect),itisfoundthatthepolarityofthedetectionsignalofonesidesurfacedefectisopposite,andtheinnerandouterwalldefectscannotbedistinguishedbythefeatureofoppositepolarity.Inresponsetothisphenomenon,basedontheclassificationfunc
6、tioninthesupportvectormachine,theweakmagneticsignalscollectedareextractedbyfeatureextractionto obtain three kinds of characteristic quantities of area,amplitude and width to establish a classificationdatabase,andthenclassifyandidentifytheinnerandouterwalldefects.Forcomparison,theclassificationmodele
7、stablishedbytheradialbasiskernelfunctionisfinallyfoundtohavethehighestaccuracyrate,whichis84.37%,andtheaccuracyrateisstill81.25%afterverificationbythesamplesoutsidethesamplelibrary.Theresultsshowthatthealgorithmcaneffectivelyanalyzeandidentifythedefectsignalofsuperalloy,andhas收稿日期:2022-06-17;收到修改稿日期
8、:2022-10-18基金项目:国家自然科学基金(51967014);江西省主要学科学术和技术带头人培养计划-青年人才项目(20204BCJ23001);江西省研究生教育创新计划项目(YC2021-067)作者简介:罗炜韬(1998-),男,湖南衡阳市人,硕士研究生,专业方向为电磁无损检测研究。通信作者:胡博(1984-),女,山东枣庄市人,副教授,硕士生导师,博士,主要从事电磁无损检测研究。第50卷第2期中国测试Vol.50No.22024年2月CHINAMEASUREMENT&TESTFebruary,2024certainpracticalvalue.Keywords:weak magn
9、etic detection;superalloy;support vector machine;inner and outer wall defectidentification0 引言镍基高温合金作为航空发动机涡轮盘的主要材料,随着人们对其性能要求不断提高,以及所处的环境严酷,所承受的载荷复杂,在铸造、加工和使用过程中容易产生各种类型的缺陷,对其进行无损检测以保证人们的生命以及财产安全显得尤为重要,但是,受涡轮盘缺陷特性、工件厚度、顺磁性等因素的影响,常规的无损检测技术对于涡轮盘的检测存在局限,而弱磁无损检测技术在天然地磁场环境下进行检测1,无需外加激励,操作方便,非常适用于涡轮盘表面缺陷
10、的快速检测2。在电磁检测领域中,关于缺陷的分类识别主要集中在涡流检测以及漏磁检测。许鹏等3结合了涡流和漏磁检测的特点,设计了一种复合电磁检测探头,对钢轨样例上所有表面和埋藏缺陷都实现了检出与分类。王少平等4提出电涡流三轴信号区分管道内外壁缺陷的方法,并给出了关系曲面图。李爱莲等5提出一种图像处理与蚁群和粒子群混合优化支持向量机结合的缺陷分类方法,用于钢板表面的缺陷分类。朱红秀等6基于漏磁检测技术,设计改进的 Levenberg-Marquardt 算法建立用于缺陷分类的 BP 神经网络模型,结果表明改进后的神经网络系统可实现对缺陷的有效分类。而由于弱磁检测技术起步较晚,目前研究内容主要还集中在
11、其机理模型7-9和缺陷定量10-11方面,对于内外壁缺陷分类识别这一问题缺乏相关理论研究,因此对高温合金涡轮盘内外壁弱磁检测信号进行研究很有必要。为此,本文采用弱磁检测技术,对高温合金磁异常信号开展研究,提出基于支持向量机的高温合金内外壁缺陷识别方法,在天然地磁场环境下,通过弱磁检测仪器对高温合金正面和反面进行扫查,获取内外壁缺陷的磁异常信号并进行数据处理,以缺陷磁异常信号的特征值作为输入值,对应缺陷的类别作为输出值训练支持向量机模型,建立高温合金内外壁缺陷分类模型。1 试验方案1.1 弱磁检测当被检试件置于均匀的地磁场中,若试件的材质是连续、均匀的,则试件中的磁力线将均匀分布在试件内部,使得
12、试件表面的磁力线分布均匀。若试件中存在缺陷,由于缺陷和试件的磁导率不同,材料表面磁力线发生弯曲,产生磁异常。高温合金是顺磁性材料,顺磁性物质被磁化时使物质周围的磁场略有增强,高精度磁传感器能够检测到这种微弱磁场的变化。查阅相关资料可知镍基高温合金的相对磁导率介于 1.023721.02623 之间12,空气的相对磁导率为 1。当缺陷位于试件外壁时,缺陷内空气介质的相对磁导率小于试件本体的相对磁导率,磁力线会绕过空气槽,沿相对磁导率较大的母材穿过,磁感应强度曲线表现出下凹的磁异常;而当缺陷存在于试件内壁时,磁力线也会沿着相对磁导率较大的母材穿过,磁感应强度曲线表现出向上凸起的磁异常。原理如图 1
13、 所示。PC弱磁探伤仪弱磁传感器弱磁检测信号外壁缺陷内壁缺陷图 1 弱磁检测原理示意图但在实际检测过程中,出现了同一缺陷磁异常信号极性相反的情况。为探究出现该现象的原因,设计试验对高温合金人工槽型缺陷磁异常信号展开研究。1.2 检测对象采用 GH4169 高温合金加工 4 个试件,编号为14,试件均为直径 185mm,高度 8mm 的圆柱形试件。由于高温合金在实际生产及应用过程中最容易产生的缺陷为裂纹缺陷,因此本次缺陷设计以矩形槽为例,在试件表面中心处加工矩形槽来模拟外壁缺陷,每个试件上制作 4 个矩形槽,在实际工程中,被检构件中缺陷的长、宽、深往往不是单一变化的。162中国测试2024年2月
14、为贴合实际应用,更加合理地反映典型尺寸的缺陷,设计矩形槽长度分别为 12、15、18、21mm,宽度分别为 0.20、0.25、0.30、0.35mm,深度分别为 2、3、4、5mm,共 16 个缺陷,编号为 116,获得 16 组不同尺寸的长度、宽度、深度的缺陷,缺陷尺寸如表 1所示。表 1 缺陷尺寸试件编号缺陷编号长/mm宽/mm深/mm11120.2022120.2543120.3054120.35325150.2036150.2557150.3048150.35239180.25210180.30311180.20412180.355413210.35214210.20315210.3
15、0416210.2551.3 检测试验530 mm试验采用 5 个分辨率为 1nT 的弱磁传感器组成阵列式传感器,传感器尺寸为。阵列式传感器从上至下分别为传感器 1、2、3、4、5。扫查方式为分别从试件正面和反面紧贴试件表面扫查,两面均重复扫查 3 次,保证数据的一致性,采样率为 200Hz,每个缺陷扫查距离为 60mm。检测示意图如图 2 所示。1.4 结果与讨论由阵列式传感器正面扫查试件 1 缺陷 14 的检测曲线如图 3 所示。由图 3 缺陷 14 检出曲线可知,每组缺陷都出现了极性反转,且出现极性反转的传感器各不相同,这是由于裂纹长度变化从而传感器经过缺陷的位置发生变化导致的。试件 1
16、 缺陷 14 反面检测路径上垂直于试件表面的磁感应强度曲线如图 4 所示。图 4 显示,反面扫查的缺陷曲线在缺陷位置也图 2 检测示意图(a)缺陷 1(b)缺陷 2(c)缺陷 3(d)缺陷 41.351.301.251.201.101.050 10 20 30 40 50 601.15磁感应强度/(105 T)扫查距离/mm传感器1传感器2传感器3传感器4传感器5传感器1传感器2传感器3传感器4传感器5传感器1传感器2传感器3传感器4传感器5传感器1传感器2传感器3传感器4传感器51.301.251.201.101.050 10 20 30 40 50 601.15磁感应强度/(105 T)扫
17、查距离/mm1.301.251.201.101.050 10 20 30 40 50 601.15磁感应强度/(105 T)扫查距离/mm1.301.251.201.101.050 10 20 30 40 50 601.15磁感应强度/(105 T)扫查距离/mm图 3 缺陷 14 正面检测曲线(a)缺陷 11.251.201.101.051.000 10 20 30 40 50 601.15磁感应强度/(105 T)扫查距离/mm(b)缺陷 22.852.352.452.552.652.750 10 20 30 40 50 60磁感应强度/(105 T)扫查距离/mm(d)缺陷 42.802
18、.402.502.602.700 10 20 30 40 50 60磁感应强度/(105 T)扫查距离/mm(c)缺陷 31.201.101.050 10 20 30 40 50 601.15磁感应强度/(105 T)扫查距离/mm传感器1传感器2传感器3传感器4传感器5传感器1传感器2传感器3传感器4传感器5传感器1传感器2传感器3传感器4传感器5传感器1传感器2传感器3传感器4传感器5图 4 缺陷 14 反面检测曲线第50卷第2期罗炜韬,等:磁信号检测高温合金内外壁缺陷分类研究163会产生极性变化,由于缺陷尺寸不一致,产生的磁异常形态和数值各不相同。首先为排除由于转动探头的干扰,采用控制变
19、量法,采集时顺时针转动试件,不转动传感器,结果显示每个传感器检出曲线的极性与转动传感器的结果相同,仍出现极性反转。然后为排除传感器相互之间的干扰,采取去掉传感器 2 和传感器 4 且只转动试件的扫查方式,发现在去掉传感器 2、4 后,缺陷信号仍出现极性变化且每个探头的检测结果与前两次检测结果一致,因此可排除传感器之间的干扰。于是采用单一传感器 1 对缺陷进行扫查,不固定扫查路径,寻找缺陷发生极性变化的位置。最终发现探头在经过缺陷的一端附近处会引起缺陷磁异常信号极性反转,查阅文献可知,该现象与涡流检测中的边缘效应相似13,即当传感器靠近被测物边缘时,由于被测物形状突变,感应涡流发生畸变,会对实际
20、检测造成干扰。在本实验中,当探头靠近表面缺陷边缘时,缺陷弱磁信号发生畸变,发生极性反转。因此在弱磁检测中,也存在边缘效应,无法通过磁信号极性向上或是向下来判断缺陷为内壁缺陷还是外壁缺陷。考虑到内外壁缺陷分类识别实际上是对缺陷的定性问题,而支持向量机中的分类功能可以用来解决这一类似问题,因此采用支持向量机分类算法来对高温合金人工槽型缺陷进行分类。2 支持向量机分类2.1 分类算法原理支持向量机是一种基于机器学习下的数据分类、模式识别、回归分析模型,具有一定的数学基础和理论支持14,其分类算法实现过程如下:首先将数据划分为训练集和测试集,再基于经验风险最小化和结构风险最小化(SRM)原则15根据输
21、入向量在特征空间中寻求最优分类超平面将数据按类分开,使分类间隔最大,输入的数据特征量可不受限制,这将更有利于数据的分类。与传统分类器相比,支持向量机分类具有良好的泛化性能,并且适用于样本数量较少的情况。其中,训练集如下:T=(x1,y1),(x2,y2),(xi,yi)(1)xiixi Rni=1,2,N式中:第 个输入向量,;yixiyi 1,+1对应的标签,;(xi,yi)Ti训练集 中的第 个样本。经线性可分SVM学习得到的分离超平面为:wTxi+b=0(2)wxi式中 为对应的权值偏量。b偏置量为,即超平面相对原点的偏移。得到的分类决策函数为:f(x)=sign(wTx+b)(3)传统
22、的支持向量机是基于两类线性可分的样本数据发展而来,但对于高温合金内外缺陷分类,缺陷类型与磁异常特征之间处于非线性不可分状态,因此引入核函数应用于支持向量机的分类过程中解决该问题,假设某一映射 把样本(mi,mj)从样本空间映射到某高维特征空间,高维特征空间中样本的内积为(mi)(mj),若存在某一个核函数 K 使得下式成立:K(mi,mj)=(mi)(mj)(4)则可以用核函数隐式地决定非线性映射。核函数把变换空间中的内积转化为原空间中内积的某个函数进行计算,从而避免直接在变换空间计算。2.2 特征值提取缺陷磁异常数据的特征值包括形态特征、时域特征和频域特征,由文献 11 可知,在弱磁检测定量
23、分类研究中提取形态特征可以减少大量的数据处理工作,且与提取所有的特征进行分类的结果并无明显区别,因此本文采用形态特征作为弱磁信号特征量进行分类研究。根据弱磁检测原理可知,高温合金缺陷由于内外缺陷类型的不同在磁感应强度曲线上表现出向上或向下凸起的磁异常特征。形态特征是从弱磁检测信号中提取的,包括占宽、幅值和面积,如图 5 所示。磁异常为向上的凸起时,曲线从平稳至突然攀升阶段的转折点,与下滑至平稳阶段的转折点之间的横坐标之差的一半,作为磁异常特征的占宽;转折点与顶点之间的纵坐标之差作为磁异常特征的幅值;磁异常信号曲线的半波面积作为磁异常特征的面积。磁异常为向下的凸起时,采取相同的方法提取特征值。将
24、正反面检测的 14 号试件的 32 组缺陷特征值数据作为样本库,其中 31 组作训练集,1 组作测幅值占宽面积幅值占宽面积图 5 特征值提取示意图164中国测试2024年2月试集,建立样本库与内外缺陷之间的映射关系。其中外壁缺陷与内壁缺陷的特征值通过提取阵列式传感器扫查结果中缺陷信号明显且无杂波的一组数据得到。2.3 分类结果分类算法模型通过 Matlab 软件编程实现,为了充分利用现有数据,将 32 组特征值数据划分成 32种训练集和测试集的组合,构建高温合金内外壁缺陷分类模型。支持向量机可供选择的核函数共有4 种,本文通过对 4 种不同的核函数分类模型效果进行比较,选择最优核函数进行分类,
25、模型的分类结果见表 2。表 2 模型分类结果核函数类型分类正确率线性核函数81.25%多项式核函数78.12%径向基核函数Sigmoid核函数84.37%71.87%对比 4 种不同核函数的分类结果可知,采用径向基核函数的分类正确率最高,因此在高温合金内外壁缺陷分类问题中,采用径向基核函数建立的支持向量机分类模型效果最好。2.4 验证试验300 mm100 mm5 mm为验证该分类模型的可靠性,采用实验室现有的 2 块高温合金试件进行验证,如图 6 所示,试件规格为(长 宽 高)的矩形试件,每个试件表面均有 4 个裂纹缺陷,共计 8 个缺陷,编号为 18。图 6 验证试件在与 1.3 节相同的
26、试验条件下获得验证件内外壁缺陷的弱磁信号,进行特征提取后采用径向基核函数构建的支持向量机分类模型进行分类,分类结果为外壁缺陷用 1 表示,内壁缺陷用-1 表示,结果如表 3 所示。验证结果显示,正面检测的 8 组外壁缺陷有 6组分类正确,2 组分类错误,反面检测的 8 组内壁缺陷有 7 组分类正确,1 组分类错误,验证件分类正确率为 81.25%,表明该分类模型对于样本库数据外的内外壁缺陷弱磁信号也有较好的分类效果。3 结束语基于弱磁检测技术,对高温合金人工槽型缺陷磁异常信号展开研究,并提取磁异常信号特征值用于内外壁缺陷分类模型的构建,得到如下结论:1)通过对高温合金人工槽型缺陷磁信号的研究,
27、发现高温合金人工槽型缺陷存在边缘效应,即当弱磁传感器在扫查表面外部缺陷时,传感器从缺陷中心经过与从边缘经过时产生的磁异常曲线极性会发生反转,无法通过极性相反这一特征区分内外壁缺陷。2)采用径向基核函数构建支持向量机分类模型,输入为缺陷信号特征值,输出为缺陷类别。结果表明,该方法可对高温合金内外壁缺陷实施高精度、有效分类识别。参考文献 HU B,YU R,ZOU H.Magnetic non-destructive testingmethod for thin-plate aluminum alloysJ.Ndt&EInternational,2012,47:66-69.1胡博,于润桥,徐伟津.
28、人工槽模拟 GH4169 涡轮盘表面裂纹缺陷的微磁检测 J.航空学报,2015,36(10):3450-3456.HUB,YURQ,XUWJ.Micro-magneticNDTforsurfacecrackdefectinaGH4169turbinediscsimulatedbyartificialgrooveJ.Acta Aeronautica ET Astronautica Sinica,2015,36(10):3450-3456.2许鹏,耿明,方舟,等.基于复合电磁的高速轨道缺陷检测方法研究 J.机械工程学报,2021,57(18):57-65.XU P,GENG M,FANG Z,et
29、 al.Study on high-speed raildefectdetectionmethodbasedoncombinationofECandMFLtestingJ.JournalofMechanicalEngineering,2021,57(18):57-65.3王少平,王增国,刘金海,等.基于三轴漏磁与电涡流检测的管道内外壁缺陷识别方法 J.控制工程,2014,21(4):572-4表 3 验证件分类结果缺陷编号正面检测反面检测111211311456781111111111第50卷第2期罗炜韬,等:磁信号检测高温合金内外壁缺陷分类研究165578.WANGSP,WANGZG,LIU
30、JH,etal.Identificationmethodbetweeninternaldefectandexternaldefectforpipelinebasedon tri-axial magnetic flux leakage and electric eddy currentinspectionJ.ControlEngineeringofChina,2014,21(4):572-578.李爱莲,郭志斌,解韶峰,等.蚁群和粒子群混合优化 SVM的钢板表面缺陷分类研究 J.中国测试,2020,46(1):110-116.LIAL,GUOZB,XIESF,etal.Researchonsur
31、facedefectclassificationofsteelplatebasedonantcolonyandparticleswarm optimization SVMJ.ChinaMeasurement Test,2020,46(1):110-116.5朱红秀,刘欢,李宏远,等.油气管道腐蚀缺陷分类识别技术研究 J.中国测试,2015,41(6):91-95.ZHUHX,LIUH,LIHY,etal.ResearchontheclassificationandidentificationofoilandgaspipelinecorrosiondefectsJ.ChinaMeasuremen
32、tTest,2015,41(6):91-95.6徐鸿飞,刘艳军,王鲜.基于力-磁耦合模型的埋地管道腐蚀检测研究 J.材料保护,2022,55(6):69-74+79.XUHF,LIUYJ,WANGX.Researchonburiedpipelinecorrosion detection based on force-magnetic couplingmodelJ.MaterialsProtection,2022,55(6):69-74+79.7杨晓惠,蒲海峰,陈龙,等.基于扩展磁荷模型的埋地管道弱磁检测方法研究 J.仪器仪表学报,2022,43(5):218-226.YANG X H,PU H
33、 F,CHEN L,et al.Weak magneticdetectionmethodontheburiedpipelinebasedontheextendedmagnetic charge modelJ.Chinese Journal of ScientificInstrument,2022,43(5):218-226.8李博阳,廖柯熹,何国玺,等.弱磁检测技术研究进展与展望J.电子测量与仪器学报,2022,36(3):1-14.LIBY,LIAOKX,HEGX,etal.Researchprogressesandprospectsofweakmagnetictestingtechnolo
34、gyJ.Journalof9ElectronicMeasurementandInstrumentation,2022,36(3):1-14.张贺,刘斌,冯刚,等.铁磁材料应力损伤处弱磁信号的定量化研究 J.仪表技术与传感器,2022(4):112-118.ZHANGH,LIUB,FENGG,etal.QuantitativestudyofweakmagneticsignalatstressdamageofferromagneticmaterialsJ.InstrumentTechniqueandSensor,2022(4):112-118.10傅萍.基于盲源分离的涡轮盘表面裂纹弱磁检测定量研究
35、D.南昌:南昌航空大学,2021.FU P.Quantitative study on weak magnetic detection ofsurface cracks in turbine discs based on blind sourceseparationD.Nanchang:Nanchang Hangkong University,2021.11徐伟津.发动机涡轮盘微磁检测技术研究 D.南昌:南昌航空大学,2014.XU W J.Study of micro magnetic detectiontechnology forengine turbine discD.Nanchang:
36、Nanchang HangkongUniversity,2014.12杨理践,刘斌,高松巍.弱磁场中漏磁检测技术的研究 J.仪表技术与传感器,2014(1):89-92.YANG L J,LIU B,GAO S W.Study on magnetic fluxleakage testing in weak magnetic fieldJ.InstrumentTechniqueandSensor,2014(1):89-92.13刘方园,王水花,张煜东.支持向量机模型与应用综述 J.计算机系统应用,2018,27(4):1-9.LIUFY,WANGSH,ZHANGYD.Overviewonmodelsand applications of support vector machineJ.ComputerSystemsApplications,2018,27(4):1-9.14VAPNIKVN.AnoverviewofstatisticallearningtheoryJ.IEEETransonNeuralNetWorks,1999,10(5):988-999.15(编辑:谭玉龙)166中国测试2024年2月