漏磁特征可视化及智能识别缺陷

利用ANSYS Maxwell建立了三维漏磁场有限元模型,分析了穿孔、平滑凹坑以及矩形凹槽三种缺陷的漏磁信号曲线并得到了仿真数据,通过漏磁仿真信号的变化,提取4个不同的特征值。采用T-SNE算法将漏磁特征降维可视化,研究了利用特征值区分缺陷类别的可行性。选用支持向量机(SVM),随机森林(Random Forest)以及梯度提升决策树(GBDT)三种机器学习方法对特征值进行学习以及分类识别,计算了不同算法的准确率,研究发现SVM较差,而GBDT准确率稍高。本文的研究结果为机器学习区分缺陷类别提供了参考。     

基于ANSYS的漏磁模拟缺陷仿真以及特征值降维可视化

利用ANSYS有限元软件模拟了3种不同缺陷形状在不同参数下对于漏磁场的影响。分析了漏磁场径向分量以及轴向分量在不同参数下的变化曲线,根据其变化趋势选取了合适的特征值,为实现智能化识别缺陷提供了基础。分别建立了矩形凹槽、平滑凹坑和穿孔3种不同缺陷的漏磁场三维ANSYS模型,分别改变其磁化装置的气隙高度、缺陷宽度和缺陷深度3种参数,得到3种不同缺陷的漏磁场轴向曲线与径向曲线,分析研究了3种参数对于漏磁场的影响,根据其变化趋势选取了4种不同的特征值,通过t-SNE算法对4种不同特征值进行降维可视化,将其从高维空间降维至二维空间,验证了所选取的4种特征值能够明显地区分不同的缺陷类型,为通过计算机实现智能化识别缺陷类型提供了基础。