漏磁检测法的主要特点.docVIP

漏磁检测法的主要特点:(l)对各种损伤均具有较高的检测速度;(2)对铁磁性材料表面、近表面、内部裂纹以及锈蚀等均可获得满意的检测效果;(3)探头装置结构简单、易于实现、成本低且操作简单;(4)由于磁性的变化易于非接触测量和实现在线实时检测，磁场信号不受被测材料表面污染状态的影响，进行检测时被测材料表面就不需清洗，因此将大大提高检测的效率，减小工作量;(5)可以实现全自动化检测，非常适合在流水线上进行质量检测和生产过程控制。 从漏磁检测技术在工程中的应用来看，最为重要的便是对检测信号和数据的处理以及对缺陷的智能识别。漏磁检测信号是检测线圈切割或者霍尔元件直接感应漏磁通的法向分量或切向分量而获得。在缺陷漏磁信号的特征提取和分类方面，Jun-Youl Lee[40]等人基于分层规则对信号的分类进行了研究，该研究比较了BP神经网络和多层感知神经网络(HMLP)对漏磁信号的分类效果，证明HMLP网络可以减小在缺陷分类中的误差。K.Hwang, S.Mukhopadhyay和R.Perrazo[116]等人用不同的方法研究了漏磁信号的特征提取问题。K.Hwang采用小波神经网络训练了一种多分辨率、分层小波函数神经网络用于提取缺陷漏磁信号的三维特征。S.Mukhopadyay[117]通过大量实验研究了离散小波变换用于漏磁信号的去噪和特征提取，并讨论了缺陷信号的分类问题。R.Perrazo[121]等人在 177mm长的钢管上加工出 30 种不同形状的缺陷，让测量传感器以 0.2m/s的相对速度和不同的磁化电流测量实验数据，然后采用神经网络分析方法提取缺陷特征。在缺陷漏磁信号的计算和处理等方面，EduardoAltschuler[137]等人综合磁场、饱和磁通密度等因素建立了钢管缺陷漏磁信号的非线性数学模型，并用该模型讨论了缺陷信号对于钢管壁厚、缺陷深度、宽度和磁场强度的依赖性。K.Mandal和D.L.Atherton[98]研究了管道压力对缺陷漏磁信号的影响，分析讨论了几种现有数学模型，最终采用Zatepin-Shcherbinin和Edwards-Palmer两种模型拟合了轴向和径向漏磁信号。经采用适当的比例因子，该两种模型可以不受管道压力的影响。蒋奇[95]等人提出应用径向基函数(RBF)神经网络对漏磁场进行插值计算和非线性逼近，建立了RBF网络模型，并对人工凹坑缺陷进行插值和重构，结果表明，该方法收效速度快、计算量小、拟合曲面效果好。Jaein Lim[127]等人在多传感器的数据融合方面进行了研究。他们在使用小波神经网络提取缺陷 3-D特征的过程中使用了两组传感器分别测量轴向和圆周方向的漏磁信号，并在信号级对传感器的信号进行了融合，即两组传感器的信号经去噪和边界提取后，分别作为复数值信号的实部和虚部而融合到一起，然后用小波神经网络重构缺陷的外形。金建华[138]在其论文中也研究了基于模式识别和模糊聚类的磁性传感器数据融合方法，分析油管局部损伤和壁厚损伤，建立了融合方法的评价指标。由于漏磁检测过程中信号的灵敏度会受到诸如检测元件移动速度、被测物体导磁率等因素的影响，因此S.Mandayam[139]等人研究了用于补偿这两种因素的恒等变换方案，使得测量信号不受这些因素的影响