多层导电结构内部状态脉冲涡流检测分析方法

赵 凌, 黄平捷, 刘宝玲,2, 赵树浩, 侯迪波, 张光新

(1.浙江大学 控制科学与工程学院,浙江 杭州 310027； 2.南昌工程学院 机械与电气工程系,江西 南昌 330000)



多层导电结构内部状态脉冲涡流检测分析方法

赵 凌1, 黄平捷1, 刘宝玲1,2, 赵树浩1, 侯迪波1, 张光新1

(1.浙江大学 控制科学与工程学院,浙江 杭州 310027； 2.南昌工程学院 机械与电气工程系,江西 南昌 330000)

针对脉冲涡流多层导电结构内部状态检测问题及检测中提离抖动的干扰,采用Fisher线性判别分析(FLDA)进行脉冲涡流检测信号特征提取,抑制提离抖动的影响；应用支持向量机(SVM)进行多层导电结构内部状态的检测与分类；以双金属片温控器内部状态检测为实例进行实验验证.理论和实验分析表明,在多层导电结构内部状态检测时,FLDA可以通过选取最佳的投影方向,最大程度地分离有用特征信息和干扰信息,相较于基于峰值、峰值时间的时域特征法,能够有效地减小提离抖动的干扰,提高内部状态的检测准确度；在减小训练集样本的情况下,FLDA检测方法具有较高的检测准确率.

脉冲涡流；多层结构；提离；Fisher线性判别分析(FLDA)；支持向量机(SVM)

脉冲涡流检测(pulsed eddy current testing, PECT)技术研究与应用,近年来在无损检测领域受到了广泛重视[1-2].相对于采用单一谐波信号激励的常规涡流检测技术,脉冲涡流采用具有一定占空比的方波作为激励信号,在同等条件下具有更宽的频谱范围和更深的检测深度,可望获得丰富的反映被测结构件伤损情况的信息[3].基于脉冲涡流的多层导电结构内部状态检测过程可以大致分为特征提取和伤损识别2个阶段[4-5].在检测中常受到探头提离抖动和各类环境噪声的干扰[6-7],脉冲涡流检测信号往往会受到较大的扰动,进而影响检测结果.

针对脉冲涡流多层导电结构内部状态检测和分类问题,目前常用的方法是通过特征提取得到能够表征脉冲涡流检测信号的特征值,再将特征值输入给分类算法(如支持向量机)构建分类检测模型.有效的特征提取方法是实现多层导电结构内部状态检测和分类的关键.常用的特征提取方法有时域特征分析法、主成分分析法等.时域特征分析法[8]以信号峰值、峰值时间为特征量,优点是简单直接,不足是当特征量变化较小时难以辨别.此外易受探头提离抖动和环境噪声等干扰.基于主成分分析和支持向量机的识别方法[9-10]能够建立缺陷自动分类的模型,然而在特征提取阶段,主成分分析提取的最大贡献率特征量不一定反映缺陷信息,需要采用一定的统计研究才能得到最佳投影向量.

Fisher线性判别分析(FLDA)方法是一种有监督的数据降维方法,在分类问题的特征提取中已展现了良好的抗干扰能力,在人脸识别等领域已有成功应用的报道[11].本文将FLDA方法引入到脉冲涡流无损检测过程中.由于FLDA在投影方向选择上依据了类别信息的先验知识,能够提取出关于试件结构待测参数的信息,弱化提离抖动和环境噪声导致的干扰信息,提升检测方法的检出能力.

本文应用FLDA进行特征提取和提离抑制,结合支持向量机构建分类模型,并与时域特征分析法比较,探讨一种适用于多层导电结构内部状态检测的技术方案[12].以双金属片温控器内部状态检测为应用案例开展研究和实验验证.

1 多层导电结构检测原理和方法

1.1 脉冲涡流检测原理

脉冲涡流检测的激励信号为具有一定周期、幅值和占空比的电压方波信号,在空间能够感生出一个快速衰减的脉冲磁场,变化的磁场在试件中感应出涡流.假如被测试件结构、材质等特性发生变化,感应涡流会发生变化.涡流的反作用磁场和原脉冲磁场叠加的总磁场随之变化.在检测线圈感应电压信号中,包含了试件结构(材质、电导率、厚度、缺陷参数等)的相关重要信息[13].

如图1所示为典型脉冲涡流响应信号曲线.图中,t为时间,U为检测电压.根据脉冲涡流信号的典型特征量——峰值、峰值时间、过零时间等参数判断试件结构的相关信息.对于非铁磁性材质试件,上述3个特征量均比较显著；对于铁磁性材质试件,一般主要分析电压峰值和峰值时间2个特征量.根据脉冲涡流检测原理[13]可知,在其他影响因素不变的情况下,电压峰值与缺陷的体积密切相关；峰值时间与缺陷所处的位置和尺寸有关；过零时间包含了缺陷深度的信息[14].

提离是表征探头和试件之间距离的物理量,如图2(a)所示.当提离不变而试件结构变化时,如从单层变为多层,脉冲涡流响应信号随之变化.典型单层和多层导电结构试件(见图2)零提离下脉冲涡流检测信号如图3所示.由图3可知,当层数增加时,响应信号峰值和峰值时间变大,说明这些特征量包含了试件结构相关的信息.

图1 典型脉冲涡流响应信号Fig.1 Typical pulsed eddy current response signal

图2 多层导电结构试件Fig.2 Multi-layer conductive structure

图3 多层导电结构层数变化对响应信号的影响Fig.3 Effect of changes in layer to response signal

对于同一试件,当提离变化时,脉冲涡流响应信号随之变化,因此响应信号包含了提离干扰信息.典型多层导电在几组不同提离L下的响应信号如图4所示.由图4可知,提离抖动可以影响检测信号,改变峰值或峰值时间,会对试件结构信息的识别造成干扰.适当的提离抑制预处理是脉冲涡流检测与分析的必要步骤[15-16].

图4 提离变化对响应信号的影响Fig.4 Effect of lift-off to response signal

1.2 基于FLDA的特征提取与提离抑制

脉冲涡流响应信号呈瞬态变化,提离抖动的干扰往往会改变响应曲线的波形.在进行多层导电结构内部状态检测时,须将待测的试件结构信息和提离干扰信息进行分离.若直接采用脉冲涡流响应曲线的峰值或峰值时间作为特征信息,则可能会无法抑制提离的影响,难以较好地检测试件结构参数.引入对干扰具有较好抑制作用的特征提取方法,研究FLDA方法.FLDA的基本工作原理如下.

将l组脉冲涡流瞬态响应数据,标记为矩阵χ=[x1,x2,…,xi,…,xl],其中xi为一个列向量,且xi∈Rn,i=1,…,l；n为脉冲涡流响应信号的维度,即采样点数.矩阵χ包含c类样本,表示由不同类试件得到的脉冲涡流信号,第j类试件包含的样本数量为mj,则m1+m2+…+mj+…+mc=l.

类j的样本均值uj和总体样本的样本均值u为

(1)

(2)

类间散度矩阵Sb和类内散度矩阵Sw定义为

(3)

(4)

Fisher线性判别分析的主要思想,是使得类间距最大化,类内距最小化,由此引入Fisher鉴别准则[17]：

(5)

式(5)中：ω为投影矩阵.根据式(5)可知,J(ω)能够表征有用信号和干扰信号的分离程度.J(ω)越大,分离程度越大.使J(ω)最大化的投影方向,称为最佳投影矩阵为ωop.通过数学推导可知,ωop为(Sw)-1Sb的特征向量组成的矩阵.提取的脉冲涡流响应数据的特征量矩阵Y∈Rd×l为

(6)

在脉冲涡流多层导电结构内部状态检测中,通过训练样本数据得到最佳的投影方向ωop；认为测试样本数据只要直接投影到该方向,即可将信号进行最佳分离,减小提离的影响,得到特征提取的d个特征量,为后续的内部状态识别做好准备.

1.3 基于SVM的内部状态检测

通过使参数J(ω)最大化,找到ωop,实现有用特征信号和干扰信号最大程度分离,完成特征提取和提离抑制的工作.得到的特征量将用于检测模型的构建.支持向量机常被用在分类、回归和其他学习任务中,在多层结构缺陷识别中已被证明有较好的缺陷参数识别的效果[9-10].本文采用SVM来构建检测模型,实现多层导电结构的内部状态检测.

图5 总体技术路线流程图Fig.5 Technology roadmap diagram

如图5所示为内部状态检测总体技术路线图.首先,脉冲涡流响应信号被分为训练样本和测试样本；训练样本作为FLDA的输入,能够获取到最佳映射矩阵ω和测试样本特征量；由最佳映射方向可以得到测试样本特征量；将脉冲涡流检测信号训练集特征量及分类标签,输入给SVM可以获得基于脉冲涡流的多层导电结构内部状态检测模型.将测试集数据的特征量作为检测模型的输入,获得测试集分类结果,与实际进行比较,开展检测模型效果的检验.

2 实验与结果分析

2.1 检测装置和试件

针对提出的基于脉冲涡流的多层导电结构内部状态检测方法,开展实验验证.脉冲涡流实验系统如图6所示.信号发生器产生脉冲信号,通过放大模块,驱动参比探头和检测探头.检测信号处理模块将参比探头和检测探头的信号进行差减、放大及A/D转换,通过NI数据采集卡传递给计算机.脉冲信号激励频率为100 Hz,峰峰值为5 V,占空比为50 %,采样频率为500 kHz.

采用的封装温控器试件(7)是高度约为1.5 cm、直径约为1.2 cm的小零件.内部的双金属片是厚度为0.1 mm、直径约为6 mm的圆片,上、下表面材质分别为高锰合金和殷钢,外部用塑料托盘和铝制外壳壳体封装.在研究该试件的检测分类问题时,对试件进行简化,将铝制外壳及内部双金属片组成的整体作为研究的典型的多层导电结构对象.

封装完成的温控器成品试件,合格产品内有一片正放的双金属片(见图8(a)),不合格产品壳体内部的双金属片的分布状态常见的有以下3种：无双金属片、双金属片反放、两片双金属片叠放(见图8(b)～(d)).以两片双金属片叠放的温控器为例,两片双金属片、外壳和双金属片之间的空气层、铝制外壳组成了典型的多层导电结构.在封装完成后,温控器质检人员无法用肉眼区分这4种内部状态不同的温控器,需要采用无损检测的方法进行检测和分类.采用该试件为检测对象,研究基于脉冲涡流的多层导电结构内部状态检测方法.

图7 温控器试件实物图Fig.7 Picture of bimetallic temperature controller structure

图8 封装完成后的4种温控器试件结构简化图Fig.8 Simplified diagram of four Bimetallic temperature controller structure

2.2 检测实验和分析

2.2.1 脉冲涡流响应与提离波动的影响 在上文的实验装置条件下,对4种温控器试件在0～1.4 mm提离(以0.1 mm为步长)下,开展基于脉冲涡流的多层导电结构内部状态检测实验,得到脉冲涡流原始检测信号.在实际检测时,探头提离抖动多数情况下较小,因此就0∶0.1∶1.4 mm提离范围开展实验设计.

图9 提离抖动对检测信号的影响Fig.9 Effect of lift-off to response signal

如图9(a)～(c)分别为温控器试件的4种不同状态,在小提离(0.2 mm为代表)、中提离(取0.7 mm为代表)、较大提离(取1.2 mm为代表)下,对应的脉冲涡流电压响应曲线.由响应曲线及局部放大图可知,小提离下4种试件可以通过峰值、峰值时间时域特征量较明显地进行区分；当提离渐大至中提离,响应信号发生了较明显的变化,时域信号特征量峰值、峰值时间之间的差异变小；当提离再变大至大提离时,时域信号进一步变化,4种试件几乎无法直接根据时域特征量进行区分.

如图9(d)所示为一片正放双金属片温控器在1.4 mm提离下的响应信号,和一片反放双金属片温控器在零提离下的响应信号.通过响应信号的峰值、峰值时间的时域特征量,无法对这两种试件进行区分.由此可见,提离的波动对于脉冲涡流检测信号有较大的影响.当存在提离抖动时,通过时域特征量实现4类温控器试件识别,变得不可靠.对原始检测信号进行提离抑制和适当的特征提取对于提高检测准确率很有必要.

2.2.2 特征提取及结果分析 对实验获取的原始检测信号,采用FLDA特征提取法,与基于信号峰值、峰值时间的时域特征提取方法进行比较.温控器中双金属片为零片、一片正放、一片反放、两片叠放,分别标记为1类～4类.

图10 时域特征提取效果图Fig.10 Result of time domain feature extraction

图10展示了时域特征法特征提取结果.图中，Up、tp分别为电压峰值、峰值时间.由图10可知,同一类试件在提离变化时,峰值时间和峰值两个特征值发生较明显的变化,同时呈现一定的规律性变化；不同类试件在时域特征空间的下方区域有较多的重合,在其他区域实现了一定的分离.由此可见,时域特征的特征提取方法由于受到提离等干扰的影响,无法在特征空间中将原始信号按类别实现较好的分离.

图11展示了FLDA特征提取结果.图中,C1、C2分别为特征提取得到的特征量1和特征量2(根据1.2节FLDA原理可知,进行特征提取运算时,取最佳投影方向的维数d=2,得到2个特征量).相比于时域特征法,采用FLDA方法很好地实现了4类试件在特征空间中的分离,类间距较大,而类内距较小.这说明FLDA提取出的2个特征量较好地表征了关于试件结构的信息,弱化了提离干扰信息,实现了有用特征信息和干扰信息的分离.这为多层导电结构内部状态检测,作好了准备.

图11 FLDA特征提取效果图Fig.11 Result of FLDA feature extraction

2.2.3 内部状态检测结果 将得到的训练集特征量(时域特征量和FLDA提取得到的特征量)及对应的类别标签,输入给SVM可以构建出检测模型,用测试集数据进行模型效果分析.检测模型的效果主要通过检测准确率这一参数来说明.通过上述实验装置得到的实验数据共339组,其中测试集为201组,训练集为138组.试件的4种不同状态(零片、一片正放、一片反放、两片)在随机的提离大小下,测试集和训练集的数量如表1所示.其中一片正放的数量多于其他情况的数量,和实际检测中合格试件较多的情况相符.

以全部的138组训练集数据作为训练集,使用时域特征法和FLDA法分别处理,测试集的检测准确率分别为85.56%、99.50%.在该实验条件下,采用FLDA的检测方法的检测准确率优于采用时域特征法的检测方法.结合特征提取效果的结果图可得,特征提取的效果对检测准确率的影响很大.FLDA特征提取方法以不同类样本分离程度最大化为目标,得到最佳投影方向,能够有效地实现有用信息和干扰信息的分离,在特征空间上实现不同类别样本的最佳分离,因而最后的检测准确率是最高的.FLDA对于有着提离抖动和环境干扰的情况,基于脉冲涡流的多层导电结构内部状态检测分类问题有着较好的特征提取效果.

表1 训练集和测试集数据

为了进一步验证基于FLDA的脉冲涡流多层导电结构检测方法的有效性,减小训练集的样本数,随机从138组训练集数据中,选取72组(1～4类试件样本数依次为14、32、14、12组)、32组(1～4类试件样本数依次为5、15、7、5组)数据作为训练集.在各个数量不同的训练集下,2种特征提取方法的检测准确率P如表2所示.表中，N为训练集组数.

表2 2种特征提取方法的检测准确度

Tab.2 Classification accuracy of two feature methods %

由表2可知,当训练集样本减小时,针对本文所研究的问题——存在提离抖动的多层导电结构内部状态检测问题,基于时域特征的检测方法的检测准确率会较明显地减小,而基于FLDA的检测方法的检测准确率保持在较高水平.这为脉冲涡流的实际检测提供了可能.

本文的研究方法已投入实际检测过程,在温控器内部的不同状态判别方面,FLDA特征提取方法和SVM分类方法展现了较好的稳健性.

3 结 论

(1) 在脉冲涡流检测中,探头提离抖动和环境噪声等干扰会影响脉冲涡流检测结果.理论和实验结果表明,相对于时域特征提取方法,FLDA特征提取方法在投影方向的选择上,能够实现有用特征信号和干扰信号最大程度的分离,具有较好的提离抑制和特征提取效果,有助于提高最终的检测准确率.

(2)在训练样本减小的情况下,基于FLDA的检测方法的检测准确率保持较高水平；在进行适当的特征提取后,采用SVM方法构建内部状态检测模型,可以较准确地实现多层导电结构内部状态的检测和分类.

多层导电结构内部状态检测和分类的关键一环是特征提取工作,将在后续工作中进一步研究其他特征提取方法,并进行对比分析.

[1] SOPHIAN A, TIAN Gui-yun, TAYLOR D, et al. A feature extraction technique based on principal component analysis for pulsed Eddy current NDT [J]. NDT and E International, 2003, 36(1): 37-41.

[2] YIN Wu-liang, PEYTON A J. Thickness measurement of non-magnetic plates using multi-frequency eddy current sensors [J]. Ndt and E International, 2007, 40(1): 43-48.

[3] 黄琳.基于脉冲涡流信号频谱分析的缺陷表征方法[D].厦门: 厦门大学, 2012. HUANG Lin. Defect characterization method based on pulse eddy current signal spectrum analysis [D]. Xiamen: Xiamen University, 2012.

[4] LANG Z Q, AGURTO A, TIAN Gui-yun, et al. A system identification based approach for pulsed eddy current non-destructive evaluation [J]. Measurement Science and Technology, 2007, 18(7): 2083.

[5] ZHOU De-qiang, TIAN Gui-yun, ZHANG Bin-qiang, et al. Optimal features combination for pulsed eddy current NDT [J]. Nondestructive Testing and Evaluation, 2010, 25(2): 133-143.

[6] HE Yun-ze, PAN Meng-chun, LUO Fei-lu, et al.Reduction of lift-off effects in pulsed eddy current for defect classification [J]. IEEE Transactions on Magnetics, 2011, 47(12): 4753-4760.

[7] LI Jian, WU Xin-jun, ZHANG Qing, et al. Measurement of lift-off using the relative variation of magnetic flux in pulsed eddy current testing. [J]. NDT and EInternational, 2015, 75: 57-64.

[8] 王春艳,陈铁群,张欣宇.脉冲涡流检测技术的研究进展[J].无损探伤,2005, 29(4): 1-4. WANG Chun-yan, CHEN Tie-qun, ZHANG Xin-yu. Research progress of pulsed eddy current testing technology [J]. Nondestructive Testing, 2005, 29(4): 1-4.

[9] HE Yun-ze, PAN Meng-chun, CHEN Di-xiang, et al. PEC defect automated classification in aircraft multi-ply structures with interlayer gaps and lift-offs [J]. NDT and E International, 2013, 53(1):39-46.

[10] HE Yun-ze, PAN Meng-chun, LUO Fei-lu, et al. Support vector machine and optimized feature extraction in integrated eddy current instrument [J]. Measurement, 2013, 46(1): 764-774.

[11] CHEN Song-can, LIU Jun, ZHOU Zhi-hua. Making FLDA applicable to face recognition with one sample per person [J]. Pattern Recognition, 2004, 37(7): 1553-1555.

[12] HOSSEINI S, LAKIS A A. Application of time-frequency analysis for automatic hidden corrosion detection in a multilayer aluminum structure using pulsed eddy current [J]. NDT and E International, 2012,47(2): 70-79.

[13] 赖圣.飞机多层金属结构脉冲涡流检测技术研究[D].南昌： 南昌航空大学, 2012. LAI Sheng. Research on pulsed eddy current testing of aircraft multilayer metal structure [D]. Nanchang: Nanchang Hangkong University, 2012.

[14] 徐平,罗飞路,张玉华,等.基于脉冲涡流检测技术的缺陷定量检测研究[J].工业计量,2006, 16(2): 6-10. XU Ping, LUO Fei-lu, ZHANG Yu-hua, et al. Quantitative detection of defects based on pulsed eddy current testing technology [J]. Industrial Measurement, 2006, 16 (2): 6-10.

[15] YU Ya-ting, YAN Yue, WANG Fei, et al. Anapproach to reduce lift-off noise in pulsed eddy current nondestructive technology [J]. NDT and E International, 2014, 63(4):1-6.

[16] QIU Xuan-bin, ZHANG Peng, WEI Ji-lin, 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(12): 272-281.

[17] MARDERO S, SCHMOOK B, CHRISTMAN Z, et al. Face recognition using adaptive margin Fisher’s criterion and linear discriminant analysis [J]. International Arab Journal of Information Technology, 2014, 11(2): 149-158.

Pulsed eddy current detection and analysis method for internal state of multi-layer conductive structure

ZHAO Ling1, HUANG Ping-jie1, LIU Bao-ling1,2, ZHAO Shu-hao1,HOU Di-bo1, ZHANG Guang-xin1

(1.CollegeofControlScienceandEngineering,ZhejiangUniversity,Hangzhou310027,China;2.DepartmentofMechanicalandElectricalEngineering,NanchangInstituteofTechnology,Nanchang330000,China)

Fisher linear discrimination analysis (FLDA) was used to extract signal features and restrain lift-off fluctuation in order to solve the problem of pulsed eddy current detection for internal state of multi-layer conductive structure and the interference of probe lift-off. Then the support vector machine (SVM) method was investigated for multi-layer structure internal states automated classification. Detection for internal state of bimetallic temperature controller structure was taken as an example to validate the method by experiment. The theoretical and experimental results show that the proposed method FLDA can realize the maximum separation of the useful information and disturbance information by choosing the best projection direction. FLDA helps to restrain lift-off effect and obtain higher recognition accuracy compared with time domain feature extract method based on peak value and peak time. In the case of smaller sample size, the proposed method has a high detection rate.

pulsed eddy current; multi-layer structure; lift-off fluctuation; Fisher linear discriminant analysis (FLDA); support vector machine (SVM)

2015-12-13. 浙江大学学报(工学版)网址： www.journals.zju.edu.cn/eng

国家自然科学基金资助项目(50505045, 61174005)；浙江省教育厅资助项目(Y201432539).

赵凌(1990—)，女，硕士生，从事涡流无损检测的研究.ORCID: 0000-0002-3219-7739. E-mail：zhaoling_zju@zju.edu.cn 通信联系人：黄平捷，男，副教授.ORCID: 0000-0002-5487-6097. E-mail：huangpingjie@zju.edu.cn

10.3785/j.issn.1008-973X.2016.04.002

U 28

A

1008-973X(2016)04-0603-06