一种减小巴克豪森噪声检测误差的方法及其传感器系统的制作方法
【技术领域】
[0001]本发明属于无损检测技术领域，涉及一种减小巴克豪森噪声检测误差的方法及其传感器系统。
【背景技术】
[0002]巴克豪森噪声技术是一种针对铁磁性物质的无损检测技术，可用于检测各种状况如疲劳、辐射、应力以及热处理下铁磁性物质的微观结构特征，当前已经在铁路、机械、汽车、航空等领域取得良好的应用效果。
[0003]现有技术的巴克豪森噪声检测装置，一般采用的传感器往往是将磁化器和检测线圈固定在一起，并且磁化器底面和检测线圈底面在同一个平面上，在磁化器的磁轭上缠上激励线圈，如图1所示。这种结构的传感器，在巴克豪森噪声检测过程中，一是传感器的检测线圈与被测试件往往会存在提离，因此会造成检测到的巴克豪森噪声信号减小；二是传感器的磁化器由于摆放位置的变动也会相对于被测试件产生提离，使得被测试件内产生的磁场会发生变化，造成所检测到的巴克豪森噪声信号不一致。上述两种传感器的提离现象均会形成检测误差。
【发明内容】
[0004]本发明所要解决的技术问题是提供一种减小巴克豪森噪声检测误差的方法及其传感器系统，能够有效地减小在巴克豪森噪声检测过程中由于传感器的检测线圈以及磁化器相对于被测试件的提离所造成的检测误差。
[0005]为了解决上述技术问题，本发明采用以下技术方案:
本发明的一种减小巴克豪森噪声检测误差的方法，在噪声检测中采用传感器，其特征在于:
将所述的传感器的磁化器与检测线圈用一个弹性元件进行连接；
在所述的磁化器的U型磁轭的左、中、右部位分别设置匝数、线径均相同的第一感应线圈、第二感应线圈、第三感应线圈；
所述的三组感应线圈输出交流的电压信号，通过有效值转换电路转换为直流电压信号，然后通过模数转换电路转换成数字信号，再经微处理器获取电压值，将所述的三个电压值输入到一个BP神经网络中；
根据所述的BP神经网络采用BP神经网络算法对巴克豪森噪声检测的特征值进行修正，其步骤如下:
步骤一、获取所述的三个感应线圈的电压以及其各自的特征值修正系数作为样本数据；
步骤二、根据所述的样本数据构造一个BP神经网络模型；
步骤三、将所述的样本数据作为所述的BP神经网络的训练数据，进行BP神经网络训练得到训练后的神经网络，进而得到神经网络输出的特征值修正系数； 步骤四、将实际测量的所述三个感应线圈的各自的感应电压数据作为所述的BP神经网络的输入，得到特征值修正系数；
步骤五、将实际测量对应的检测到的巴克豪森噪声信号特征值除以所述的特征值修正系数，得到修正后的巴克豪森噪声检测信号的特征值。
[0006]在所述步骤一中所述的样本数据的获取方法如下:
Cl)获取每次测量时的所述三个感应线圈的感应电压；
(2)获取所述传感器没有提离时的巴克豪森噪声信号的特征值，以及每次测量时的巴克豪森噪声信号的特征值；
(3)将每次测量时的巴克豪森噪声信号特征值除以所述传感器没有提离时的特征值得到的系数作为特征值修正系数。
[0007]在所述步骤二中的所述的BP神经网络模型的具体特征如下:
(1)将所述三个感应线圈得到的电压作为所述的BP神经网络的输入层的输入元素，神经元数量为3 ；
(2)所述的BP神经网络的隐含层的层数为2，神经元数量分别为8和12;
(3)所述的BP神经网络的输出层输出神经元数量为1，输出元素为特征值修正的比例系数；
(4)所述的BP神经网络的隐含层和输出层的神经元传递函数采用S型正切函数tansigo
[0008]在所述步骤三中的所述的BP神经网络的具体实现方式如下:
(1)设置训练参数，所述训练参数包括最大训练次数，训练的目标误差精度，学习率以及动量系数；
(2)选用尺度化共轭梯度反向传播算法trainscg作为训练函数，选用动量梯度下降权值和阈值学习函数Iearndm作为学习函数，选用均方误差函数mse作为性能函数；
(3)得到BP神经网络的权值和阈值，结束训练。
[0009]本发明的一种减小巴克豪森噪声检测误差的传感器系统，包括传感器，所述的传感器具有磁化器、激励线圈、检测线圈、固定件，其特征在于:
所述的传感器的磁化器和检测线圈用一个弹性元件进行连接；在所述的磁化器的U型磁轭的左、中、右部位分别设置有匝数、线径均相同的第一感应线圈、第二感应线圈、第三感应线圈；
所述的传感器系统还包括有效值转换电路、模数转换电路、DSP微处理器和BP神经网络；所述的有效值转换电路、模数转换电路、DSP微处理器集成在一个电路板上，所述的传感器的三个感应线圈通过屏蔽线与电路板相连；
所述的传感器通过所述的第一感应线圈、第二感应线圈、第三感应线圈的三个电压输出端与三个所述的有效值转换电路联接；所述的三个有效值转换电路的输出端串行联接所述的模数转换器；所述的模数转换器的输出端串行联接所述的微控制器中；所述的BP神经网络在所述的微控制器中实现；
所述的三个有效值转换电路用于将所述的三个感应线圈感应到的正弦信号转换成电压值为正弦信号有效值的直流信号；
所述的模数转换器用于将经过所述的有效值转换电路得到的直流信号转换为可供所述的微处理器读取的数字信号；
所述的微控制器用于:将所述的三个感应线圈的感应电压的有效值作为所述的BP神经网络的输入；然后将检测到的巴克豪森噪声信号的特征值除以所述的BP神经网络输出得到的特征值修正系数，得出经修正后的巴克豪森噪声信号的特征值。
[0010]所述的弹性元件设置于所述的磁化器与所述的固定件之间；所述的检测线圈突出于所述的磁化器的底部平面。
[0011]所述的有效值转换电路采用AD637芯片。
[0012]所述的模数转换电路采用AD7656芯片。
[0013]所述的DSP微处理器采用TMS320C6747数字信号处理器。
[0014]相比现有技术，本发明的优点和有益效果是；
1.本发明能够基本上消除因传感器的检测线圈提离造成的巴克豪森噪声信号的检测误差，并在很大程度上减小了磁化器的提离造成的巴克豪森噪声信号的检测误差。
[0015]2.本发明采用改进传感器的结构，将传感器的检测线圈与磁化器用弹性装置进行连接，在磁化器的U型磁轭的左、中、右三部分添加三个相同的感应线圈，有效地减小了在检测过程中传感器提离造成的误差影响。
[0016]3.本发明利用BP神经网络算法对巴克豪森噪声检测结果进行进一步修正:将检测到的巴克豪森噪声的特征值修正为传感器没有提离时检测到的巴克豪森噪声的特征值，从而使检测结果更为准确。
[0017]
【附图说明】
[0018]图1是现有技术的巴克豪森噪声检测装置传感器的结构示意图。其中，I磁化器，2激励线圈，3检测线圈，4检测线圈固定件。
[0019]图2是本发明的减小巴克豪森噪声检测误差的传感器系统的结构框图。
[0020]图3是本发明的传感器的结构示意图。其中，I磁化器，2激励线圈，3检测线圈，4检测线圈固定件，5弹性元件，6第一感应线圈，7第二感应线圈，8第三感应线圈。
[0021]图4是本发明图3所示传感器的感应电压检测的原理框图。
[0022]图5是本发明所述的BP神经网络算法步骤框图。
[0023]图6是本发明所述BP神经网络的结构图。
【具体实施方式】
[0024]下面结合附图和实施例对本发明做进一步详细说明。
[0025]本发明的一种减小巴克豪森噪声检测误差的方法，在噪声检测中采用传感器，其特征在于:
将所述的传感器的磁化器(I)与检测线圈(3)用一个弹性元件(5)进行连接；
在所述的磁化器(I)的U型磁轭的左、中、右部位分别设置匝数、线径均相同的第一感应线圈(6)、第二感应线圈(7)、第三感应线圈(8)；
所述的三组感应线圈(6、7、8 )输出交流的电压信号，通过有效值转换电路转换为直流电压信号，然后通过模数转换电路转换成数字信号，再经微处理器获取电压值，将所述的三个电压值输入到一个BP神经网络中；
根据所述的BP神经网络采用BP神经网络算法对巴克豪森噪声检测的特征值进行修正，其步骤如下，如图5所示:
步骤一、获取所述的三个感应线圈(6、7、8)的电压以及其各自的特征值修正系数作为样本数据；
步骤二、根据所述的样本数据构造一个BP神经网络模型；
步骤三、将所述的样本数据作为所述的BP神经网络的训练数据，进行BP神经网络训练得到训练后的神经网络，进而得到神经网络输出的特征值修正系数；
步骤四、将实际测量的所述三个感应线圈(6、7、8)的各自的感应电压数据作为所述的BP神经网络的输入，得到特征值修正系数；
步骤五、将实际测量对应的检测到的巴克豪森噪声信号特征值除以所述的特征值修正系数，得到修正后的巴克豪森噪声检测信号的特征值。
[0026]在所述步骤一中所述的样本数据的获取方法如下:
Cl)获取每次测量时的所述三个感应线圈(6、7、8)的感应电压；
(2)获取所述传感器没有提离时的巴克豪森噪声信号的特征值，以及每次测量时的巴克豪森噪声信号的特征值；
(3)将每次测量时的巴克豪森噪声信号特征值除以所述传感器没有提离时的特征值得到的系数作为特征值修正系数。
[0027]在所述步骤二中的所述的BP神经网络模型的具体特征如下:
(1)将所述三个感应线圈(6、7、8)得到的电压作为所述的BP神经网络的输入层的输入元素，神经元数量为3 ；
(2)所述的BP神经网络的隐含层的层数为2，神经元数量分别为8和12;
(3)所述的BP神经网络的输出层输出神经元数量为1，输出元素为特征值修正的比例系数；
(4)所述的BP神经网络的隐含层和输出层的神经元传递函数采用S型