基于脉冲漏磁理论的铁磁性材料斜裂纹检测

在广泛应用于各行各业的铁磁性材料中,由于应力和环境等因素的作用,裂纹是其最常见的缺陷之一,且多以不规则的形状(如斜裂纹)存在。为了分析斜裂纹的脉冲漏磁信号特点,建立了脉冲漏磁检测斜裂纹的有限元仿真模型,对比分析了斜裂纹与垂直裂纹的脉冲漏磁信号的差异,提取并研究了相关特征量与斜裂纹尺寸的关系。同时,利用脉冲漏磁检测系统对几种斜裂纹进行了实验,检测结果与仿真分析结果一致,验证了利用脉冲漏磁检测斜裂纹的可行性,为下一步对斜裂纹的定量检测提供了理论指导。     

DKSVD和SVM在钢轨裂纹漏磁识别上的对比研究

针对漏磁检测中漏磁信号识别的问题,引入DKSVD字典学习方法来识别缺陷的种类.将实验采集到的数据制作成有标签的数据集,通过OMP算法和SVD算法迭代的优化字典和稀疏系数,构造出最优字典,再用构造出的字典原子重新组合来表示测试集的数据,判别出测试集样本类别.实验证明字典学习方法能够基于训练集的特征重构漏磁信号,对漏磁信号有良好的识别能力.在不同数据维度下,通过和支持向量机(SVM)算法识别效果进行对比,DKSVD算法取得了更好的效果.     

Hilbert变换在钢管漏磁检测缺陷定量化识别中的应用

提出一种根据漏磁检测信号切向分量信息构造法向分量的新方法.根据Hilbert变换原理,分析了钢管缺陷漏磁信号各个分量之间的正交对偶关系,论证了缺陷漏磁信号各个分量之间相互转换的理论基础和条件.基于探头所检测到的缺陷信号切向分量,利用Hilbert变换构造法向分量,增加了定量化识别的特征量,改善了缺陷识别的准确率和尺寸定量化误差.理论和仿真结果证明了该方法的有效性,可实现一维探头的准二维测量.     

基于ReliefF特征量优化及BP神经网络识别的高压隔离开关故障类型与位置诊断方法

针对高压隔离开关机械故障的类型和发生位置难以有效识别的问题,提出了一种将隔离开关多路振动特征利用Relief F算法进行优化然后利用BP神经网络进行融合决策的故障诊断方法。首先进行试验模拟故障,在隔离开关本体和操动机构上分布式安装振动传感器,采集不同位置振动信号;然后将多个传感器采集的振动信号进行经验模态分解,得到固有模态函数,分别计算能量距,并把多路信号的能量距进行融合。最后使用Relief F算法对其进行特征筛选,构成BP神经网络的输入特征向量,从而实现故障类型、位置诊断。试验结果表明,多路传感器融合特征向量相比于单路信号提取的特征,对隔离开关不同的故障具有较好的识别能力,可诊断出故障发生的种类及位置,提高了诊断准确率。     

基于两轴振动和多传感器融合的变压器绕组机械故障诊断

针对传统变压器绕组机械故障诊断方法中，仅考虑绕组单一方向振动信号且特征参数提取复杂、识别准确率低的问题。本文提出了一种基于两轴振动和多传感器融合的变压器绕组机械故障诊断方法。首先从绕组轴向、辐向振动相关性角度提出两轴振动关系图形作为特征图像；然后采用轻量级卷积神经网络MobileNet V2对不同传感器获得的图像数据进行训练；最后利用D-S证据理论对多维信息源识别结果进行融合，并做出最终决策。实验结果表明所提方法故障诊断准确率可达99.4%,与传统故障诊断方法相比，简化特征提取步骤，诊断准确率提高了6.2%以上，为变压器绕组机械故障诊断提供一种可行方案。     

基于编解码的超声导波轨底裂纹识别方法研究

超声导波在针对钢轨小裂纹检测时由于利用高频信号，会导致信号衰减明显，对于小裂纹的检测灵敏度降低，针对细小裂纹难以识别，为提高缺陷信号识别度，本文将barker码作为编码方式，并用类BPSK作为解码方式，利用到导波检测钢轨小裂纹的信号处理中。通过实验将对钢轨轨底上深度6 mm宽度0.5 mm的人工裂纹进行验证，为衡量算法效果分别用未经过任何信号处理的原始收发导波信号和经过barker码-匹配滤波编解码处理的导波信号与实验方法进行对比。结果表明，利用barker码-类BPSK编解码处理的导波信号在处理钢轨轨底小裂纹的识别上有着明显的增强作用，效果优于另外两种方法，可以为以后的导波钢轨小裂纹检测提供支持。     

基于最小熵解卷积的轨面缺陷漏磁信号处理

钢轨表面缺陷的漏磁检测会受到巡检速度等因素的影响,导致背景噪声增大,检测灵敏度降低。为了增强缺陷信号特征,提高漏磁信号的信噪比,提出了一种基于最小熵解卷积的漏磁信号处理方法。通过目标函数法,计算得到最优的逆滤波器参数,对采集到的漏磁信号进行滤波处理。为衡量最小熵解卷积算法滤波效果,将处理得到的缺陷信号和背景噪声信号的峰峰值与小波变换法和中值滤波法进行对比。实验结果表明,最小熵解卷积算法对缺陷信号起到了明显的增强作用,且其效果优于小波变换和中值滤波。     

基于相关性的钢轨缺陷漏磁检测提离干扰抑制

钢轨是铁路交通的基础设施,漏磁技术常用来检测诸如钢轨之类的铁磁性材料的表面缺陷。针对缺陷漏磁检测信号容易受到提离变化干扰的问题,提出了一种基于相关性的滤波算法。先根据缺陷尺寸、巡检速度和采样速度把检测数据分段,然后在每一段中,比较相邻磁敏传感器x方向采样数据的相关性、各个磁敏传感器x和z方向采样数据的相关性的相对大小,确定本段数据中提离干扰的幅值,以此实现滤波。构建了实验系统对钢轨表面的缺陷进行了检测实验,实验结果表明该算法能有效抑制提离干扰,信噪比增益在1.7以上。     

基于 tSNE-ASC 特征选择和 DSmT 融合决策的 滚动轴承声振信号故障诊断

针对滚动轴承早期故障特征微弱且难以有效辨识的问题,提出一种基于tSNE-ASC特征选择和DSmT融合决策的滚动轴承声振信号故障诊断方法。利用多个传感器采集轴承在不同故障模式下的声振信号,将每个信号通过VMD分解得到K个IMF分量;对各个IMF分量进行特征提取,构建各个特征的数据集矩阵;利用tSNE将各特征数据集矩阵降维至二维,计算平均轮廓系数(ASC);根据ASC大于临界值提取出声振故障信号的敏感特征;基于诊断模型实现轴承故障的初级诊断;利用DSmT将声振信号初级诊断结果进行融合决策,得出最终的诊断结论。实验结果表明：基于tSNE-ASC的特征选择方法能有效提取混合域特征中的敏感特征,在不同工况、不同诊断模型中均具有很高的诊断精度;DSmT决策融合有效降低了单一信号诊断的不确定性,在变载荷和升降速非平稳工况下均有很高的诊断精度。     

含镍腐蚀噪声的铜-镍合金热交换管涡流检测信号处理方法

基于理论分析和实验研究,提出和验证了一种针对铜镍合金管脱镍腐蚀区域涡流检测信号的自动处理方法。首先,通过数值分析,研究了换热管内壁脱镍腐蚀和管内外壁裂纹导致的涡流检测信号的差异,发现腐蚀噪声与裂纹信号的相位和波形具有不同特点,但单一信号特征量无法独立判定检测信号中的缺陷信息。基于信号相位和波形特征,提出了一种基于分段特征相位变换和模式匹配识别的涡流检测裂纹信息判定方法。作为验证实验,利用实际核电站老化换热管制作了含不同大小人工裂纹和疲劳裂纹的脱镍腐蚀换热管裂纹试件,进行了涡流检测并对检测信号利用本文方法进行了识别处理。实验结果表明本方法可有效从混合信号中识别和抽取裂纹信息,可有效用于实际铜镍合金换热管脱镍腐蚀区域的裂纹检测。     

基于低频电磁的铁磁管道内壁缺陷重构方法

利用低频电磁的方法对铁磁管道内壁缺陷进行检测及轮廓重构是当前的一个热点问题。然而,低频电磁方法检测到的漏磁信号是周期性变化的,不便于缺陷信息的提取,并且被检测管道的长度、管径和原始壁厚的不同会严重干扰检测结果。因此,本文首先建立了低频磁场下管道内壁缺陷的二维有限元检测模型。其次通过计算漏磁信号与线圈电流比值,消除了漏磁信号的周期性变化给检测带来的不便。然后通过对的预处理,有效减少管道长度、管径和原始壁厚的不同对缺陷轮廓重构结果的影响。最后,基于高斯过程回归算法建立预处理信号与缺陷轮廓的回归模型,实现了缺陷轮廓重构。仿真结果中,针对长度、管径和原始壁厚各异的铁磁管道,所重构轮廓的均方根误差在0.17mm左右,表明该方法能够准确的重构出内壁缺陷轮廓。     

Evaluation of alternating flux leakage testing using 3D nonlinear eddy current analysis and experiment

Alternating magnetic flux leakage testing has been applied in the inspection process for detecting cracks on the surface of steel. To develop a precise inspection method, the flux and eddy current distribution should be investigated taking into account the nonlinearity of steel. This paper describes 3D numerical analysis and experiment for this testing. The property of leakage flux from the crack of steel under ac excitation is investigated using the 3D edge‐based hexahedral finite element method. It is shown that the 3D analysis is obligatory in the precise analysis of magnetic phenomena of this testing. The effect of crack width and depth of leakage flux is clarified, and the relationship between the lift off and the amplitude of leakage flux is also illustrated. The characteristic of leakage flux is confirmed by a verification experiment. © 2002 Wiley Periodicals, Inc. Electr Eng Jpn, 142(1): 8–15, 2003; Published online in Wiley InterScience ( www.interscience.wiley.com ). DOI 10.1002/eej.10085     

含缺陷管道磁化状态与漏磁信号规律研究

漏磁检测技术是管道内检测领域常用的检测方法，基于漏磁信号的分析对于管道安全评价具有重要意义。建立漏磁检测的二维仿真模型，研究漏磁检测中励磁强度对于漏磁信号的影响；基于磁化状态对漏磁信号影响的物理模型，可将励磁强度分为3个阶段，即初始增长阶段、非线性增长阶段和饱和线性增长阶段。结果表明，3个阶段的分界点只受缺陷深度的影响，仿真结果与物理模型具有很好的一致性，所划分的3个阶段有效衡量管道漏磁检测中励磁强度的影响，对于漏磁信号采集分析具有指导意义。     

基于 FCN 的阀门内泄漏声发射信号识别方法

针对石化工业中输气管道阀门的内泄漏故障,将声发射检测技术与深度学习技术相结合,提出了一种基于全卷积神经 网络(FCN)的阀门内泄漏声发射信号识别方法。 该方法利用声发射技术采集阀门内泄漏的声发射信号,基于 FCN 搭建阀门内 泄漏分类诊断模型,充分发挥了声发射技术在阀门内泄漏检测领域的优越性,以及 FCN 在时间序列分类任务上的高性能。 该 方法相较于传统的识别方法,无需对原始采集数据进行特征提取或繁重复杂的预处理,而是将特征提取的任务也交于神经网络 模型来学习和完成,可实现端到端的阀门内泄漏声发射信号分类识别。 搭建阀门内泄漏检测实验平台,采集并制作阀门内泄漏 声发射信号数据集,建立了基于 FCN 的阀门内泄漏声发射信号的二分类模型,实验结果表明,该模型的分类识别准确率可达 98. 72%,相比较于其他先进的分类模型在数据集上表现出了更加优越的分类识别性能和训练效率,同时对环境噪声具有良好 的抗干扰性能。     

磁化方向对焊缝缺陷漏磁场的影响分析

漏磁检测（MFL）技术适用于焊缝裂纹、气孔等缺陷的检测。由于焊缝结构的特殊性,不同磁化方向下的磁化路径及漏磁场强度均存在差异。采用合适的磁化方向能够激发更强的缺陷漏磁场信号,从而提高小尺寸缺陷的检出率。通过Ansys有限元仿真软件计算焊缝缺陷漏磁场,定量分析比较了磁化方向分别为垂直与平行于焊缝时,圆孔缺陷和纵向矩形槽缺陷的漏磁场及其分量强度。据此探讨任意磁化方向下的缺陷漏磁场及分量的特征规律,并搭建了焊缝漏磁检测平台进行试验验证。实验结果表明,圆孔型缺陷垂直磁化时漏磁信号幅值仅为平行磁化时的18.6%,纵向裂纹型缺陷平行磁化时漏磁信号幅值仅为垂直磁化时的9.2%至29.3%。     

多尺度卷积的时频域语音分离方法研究

在进行混合语音分离时,信号时域特征的深度学习语音分离性能优于频域特征。但目前时域特征的语音分离方法在真实噪声环境下的鲁棒性较差,且单一时域特征对分离模型的性能存在局限性。因此,提出一种基于Conv-TasNet网络的多特征语音分离方法,融合频域特征与时域特征,提高数据的多维信息。为了进一步提高分离网络性能,引入多尺度卷积块,提高网络对特征的提取能力。在包含真实噪声的实验环境下,所提方法与Conv-TasNet模型和最新的时频域融合语音分离基线模型相比,性能分别提高了0.91和0.52 dB,有效提升了语音分离的性能及鲁棒性。