基于多物理场融合的无损检测系统及方法与流程

本发明涉及金属构件的无损检测技术领域，特别涉及基于多物理场融合的无损检测系统及方法。

背景技术：

无损检测可以在不损坏待测构件的前提下对其进行状态评估，是保障设备安全运行的关键技术，在工业领域有广泛应用。金属构件在生产、生活中的应用相当普遍，对金属构件的损伤与失效进行精确有效的检测，对国家和人民的生命财产安全具有重要意义。在金属构件无损检测方面，常规无损检测技术(如磁粉检测、渗透检测、超声检测、射线检测等)大多效率低、且只能对金属构件表面缺陷进行检测，涉及到内部损伤时一般检测繁琐，或难以进行内部检测。

电磁无损检测(如涡流、微波无损检测)可以实现非接触的检测，速度快，适应性强，但涉及到金属构件时，受限于趋肤效应，只能检测金属表面缺陷。在电磁无损检测基础上发展而来的电磁感应热成像检测技术融合了涡流检测与红外热成像检测技术的优点，是一种效率高、检测范围大、灵敏度高、直观的检测方法，但涉及到金属构件依然受限于趋肤效应，对深层缺陷检测灵敏度不高，易受构件表面状态的影响，抗干扰性差。

根据热声理论，在焦耳加热过程中，交变热源将激励出声信号。构件内部组织结构的变化(如损伤等)会对声波传播特性(如声衰减系数、声速、带宽等)产生影响。通过分析声信号的传播特性可以获取构件内部损伤状态，但由于声信号微弱，单纯基于非接触式声场的检测干扰大，损伤定位困难。电磁感应热成像检测技术固有的融合了电磁感应、焦耳加热、热传导、热辐射、热声效应等多个物理过程，但目前电磁感应热成像检测技术中还未涉及到热声。

技术实现要素：

针对现有基于单一电磁场、热场或声场的检测方法对金属构件损伤检测精度不高，特别是深层损伤检测效果差的缺点，本发明公开了基于多物理场融合的无损检测系统及方法，融合金属磁化过程中的电磁场、热场、声场信号，可以实现金属表面及内部损伤的立体检测。来源于电磁场、热场、声场的信号特征，可认为是对金属损伤进行的物理上相关联的不同观察，每种观察称为一个模态。虽然他们来自于相同的材料状态特性，但不同的物理场形态对损伤有不同的敏感度。对于金属构件的损伤识别，融合多场多模态信息便于降低干扰，继而对金属深层损伤实现更准确、全面的检测。

本发明通过下述技术方案实现：

基于多物理场融合的无损检测系统，包括信号发生器、功率放大器、激励线圈、红外热像仪、声传感器、电磁传感器、信号处理单元和待测金属构件；所述信号发生器与功率放大器、声传感器及红外热像仪分别连接，所述激励线圈、电磁传感器、红外热像仪、声传感器皆非接触的固定安装在待测金属构件垂直方向，所述信号处理单元与红外热像仪、电磁传感器、声传感器相连。

所述信号发生器产生激励信号并将信号发送至功率放大器和红外热像仪、声传感器；

所述功率放大器将接收的激励信号功率放大，产生交流电流作用在激励线圈上；

所述激励线圈在交变激励电流的作用下产生交变的电磁场，在交变的电磁场作用下，待测金属构件表面形成电涡流并对待测金属构件进行加热，由于不同金属部位的涡流密度不同，金属不同部位的温度分布各异并发出热声信号；

所述电磁传感器获取电磁信号后，经信号调理电路、采集卡与计算机相连；

所述红外热像仪在激励信号源的触发下进入工作状态，获取红外热成像序列；

所述声传感器设置为声阵列传感器，在激励信号的触发下工作，可获取稳定的声压信号。

所述信号处理单元包括信号调理电路、采集卡、机箱、计算机及计算机安装的信号处理软件，计算机接收来自红外热像仪、电磁传感器、声传感器的不同物理场的损伤检测信号，并对电磁、热、声信号进行特征提取、融合分析处理；

所述信号调理电路具有对多物理场信号进行滤波、放大、减噪等信号预处理功能。

本发明的工作过程为，激励线圈在放大的激励信号作用下产生交变的电磁场，电磁场作用在待测金属构件上并产生电涡流。由于待测金属构件各部位缺陷状态不同，故涡流密度分布差异较大，各部位涡流加热金属构件产生不同温度分布的温度场并激励出热声信号。在金属构件中的涡流会产生次级磁场，电磁传感器可检测到叠加的电磁信号。待测构件的缺陷与损伤的存在会使涡流分布以及热扩散发生变化，红外热像图、热声、电磁信号等也随之发生变化。不同物理场信号对不同位置和不同种类的缺陷敏感程度不同，利用深度学习算法对不同物理场的检测信号进行融合分析，对金属构件的损伤进行全面、智能的量化评估。基于深度学习信号分析理论的多物理场检测系统可实时检测分析金属构件宏观特性(电磁特性、热学特性、声学特性)，对构件的整个失效过程(应力集中、位错、相变、微裂纹形成、裂纹扩展)进行监测，及时准确的发现金属构件各部位的损伤。本发明针对金属磁化过程中电磁感应、焦耳加热、热声效应等多个固有物理过程，在同一激励条件下进行多场物理信息融合，之后建立多源多模态深度学习模型，对金属构件进行更加精确、全面的损伤检测。相比传统单一物理场无损检测方法，该方法抗干扰性强，检测精度高，对金属构件深层损伤更加敏感，不会出现漏检、误检的现象。

基于多物理场融合的无损检测系统及方法包括以下步骤：

步骤1：通过信号发生器产生激励信号，激励信号控制声传感器与红外热像仪的工作状态，通过功率放大器放大后作用到激励线圈，产生激励电磁场；

步骤2：交变的电磁场作用于待测金属构件，待测金属构件产生电涡流，电涡流对金属构件加热，不同部位不同密度的电涡流使待测金属构件的温度分布产生变化，同时产生热声信号；

步骤3：通过红外热像仪测量待测金属构件红外热辐射对表面热分布进行成像，通过声传感器采集热声信号，通过电磁传感器收集电磁信号，三种不同物理场信号最终传送至信号处理单元；

步骤4：信号处理单元通过计算机接收不同物理场的检测信号，计算机中的信号处理软件对不同物理场信号进行特征提取，通过深度学习模型对构件损伤进行全面、智能的损伤检测。

进一步，所述步骤1中经过功率放大器放大后的激励信号功率不低于1.2kw，激励时间为500ms-1.5s；利用功率放大器处理激励信号使激励电涡流强度满足检测需求，一般电流有效值不低于10a。

进一步，所述步骤1中的激励线圈与待测金属构件的提离距离不高于4mm，防止感应涡流过小。

进一步，所述步骤3中的电磁传感器、红外热像仪、声传感器与待测金属构件距离不高于5mm，保证可以接收到足够强度的电磁、热、声信号。

本发明与现有单一物理场无损检测技术相比，具有如下优点：

1、多物理场无损检测建立不同宏观特性与金属构件损伤之间的联系，相比单一物理场的无损检测方法，可提高多场数据利用效率，抗干扰性强、灵敏度高、空间分辨率更好。

2、电磁感应热成像技术、涡流检测等其他电磁无损检测方法受限于涡流趋肤效应的影响，在进行深层缺陷的检测时，检测过程繁琐或难以进行内部检测，检测灵敏度不高，易受金属表面状态的影响。多物理场融合的无损检测方法融入了待测构件声场信息，可以对金属构件内部缺陷进行更加精确的检测。

3、在多物理场融合检测系统中，利用基于多源多模态深度学习的微损伤量化评估模型，使无损检测系统实时性更好，更加智能化、可视化。

附图说明

此处附图用来提供对本发明实施的进一步理解，构成本申请专利的一部分，并不构成对本发明实施的限定。

图1为本发明多物理场无损检测系统示意图；

图2为多模态深度学习金属损伤评估模型的损伤检测流程图；

图3为金属构件瞬态温度响应曲线图；

图4为深度学习损伤评估网络模型信号处理示意图。

附图1中标记及对应的部件名称：

1-信号发生器，2-功率放大器，3-红外热像仪，4-激励线圈，5-电磁传感器，6-待测金属构件，7-声传感器，8-信息处理单元。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，本发明的基于多物理场融合的无损检测系统包括信号发生器1、功率放大器2、红外热像仪3、激励线圈4、电磁传感器5、待测金属试件6、声传感器7、信号处理单元8。所述信号发生器1与功率放大器2、红外热像仪3、声传感器7相连，所述红外热像仪3、电磁传感器5、声传感器7均与信号处理单元8相连，所述激励线圈4、红外热像仪3、电磁传感器5、声传感器7均固定设置在待测金属构件垂直方向。

所述信号发生器1产生激励信号并将信号传送至功率放大器2，同时激励信号触发红外热像仪3，声传感器7进入工作状态；

所述红外热像仪3为高速高分辨率的flirp30，在信号发生器1的同步触发下测量待测金属构件的红外热辐射并产生红外热像序列输入信号处理单元8；

所述激励线圈4在激励电流的作用下产生交变的电磁场，交变电磁场作用在待测金属构件6表面，磁化金属并产生电涡流；

所述电磁传感器5采集待测金属构件6的电磁信号并传送到信号处理单元8；

所述声传感器7为声阵列传感器，可获取稳定的声压信号并传送到信号处理单元8；

所述信号处理单元8包括信号调理单元、ni机箱、采集卡、计算机及计算机中的信号处理软件，计算机中有基于多源多模态深度学习信号处理模块，可处理来自红外热像仪3、电磁传感器5、声传感器7的“电磁-热-声”多层结构信息，对待测构件损伤进行更加全面、智能的定量检测。

基于多物理场融合的无损检测系统及方法包括以下步骤：

步骤1：信号发生器1产生激励信号，激励信号控制声传感器7与红外热像仪3的工作状态，通过功率放大器2放大后作用到激励线圈4，产生激励电磁场；

步骤2：交变的电磁场作用于待测金属构件6，待测金属构件6产生电涡流，电涡流对金属构件加热，不同密度的电涡流使待测金属构件6的温度分布产生变化，同时产生热声信号；

步骤3：通过红外热像仪3测量待测金属构件6的红外热辐射对表面热分布进行成像，通过声传感器7采集热声信号，通过电磁传感器5收集电磁信号，三种不同物理场信号最终传送至分析处理单元8；

步骤4：分析处理单元8通过计算机接收不同物理场的检测信号，计算机中的信号处理软件对不同物理场信号进行特征提取、融合，通过深度学习模型对构件损伤进行精确、智能的检测。

进一步，所述多物理场无损检测方法的金属缺陷无损检测流程如图2所示。

进一步，所述步骤4中的特征提取包括热声信号整体幅值或进行频谱分析后提取的激励信号所在的频率幅值，所述步骤4中的特征提取包括电磁信号高频部分的巴克豪森信号或低频的涡流信号，所述步骤4中的特征提取包括材料表面和内部状态的瞬态温度响应及金属构件的热像图特征。

进一步，所述待测金属构件6的瞬态温度响应包括电涡流的加热过程，与待测金属构件6的冷却过程，瞬态温度响应曲线如图3。

进一步，所述步骤1中经过功率放大器放大后的激励信号功率不低于1.2kw，激励时间为500ms-1.5s；利用功率放大器处理激励信号使激励电涡流强度满足检测需求，一般电流有效值不低于10a。

进一步，所述步骤1中的激励线圈4与待测金属构件6的提离距离在4mm以内，防止感应涡流过小；电磁传感器5、红外热像仪3、声传感器7与待测金属构件6的垂直距离小于5mm，保证可以接收到足够强度的电磁、热、声信号。

实施例：

本发明的检测方法的具体工作过程如下：

①、多物理场检测系统的搭建

根据图1搭建多物理场检测系统，信号发生器需要满足激励频率的要求；功率放大器需要满足激励线圈的功率要求；红外热像仪可采用美国flir公司的p30，该热像仪分辨率达到0.08℃，热像采集方式可采用反射模式；采用环形线圈作为激励线圈，线圈采用6mm左右的高导电铜空心管制成，电磁传感器可为多匝直径0.6mm左右的检测铜线圈，检测线圈与信号调理电路、采集卡相连；声传感器可选择多个频率为pxr0.3声发射传感器，组成声传感器阵列，保证声信号采集的完整性与稳定性；待测金属构件可选择45号钢钢板。涡流加热时间可设为1s，信号采集时间设置为2s。

②、多物理场信号的分析与处理过程

“电磁-热-声”多物理场信号融合理论基础：金属构件在交变电磁场激励下磁化并产生电涡流。根据焦耳定律，涡流在材料内部由电能转化为热能，在金属表面与内部产生温度变化；根据热声效应，变化的热源激发出声波，声波的传播特性(如声衰减、声速)与材料特性有关。金属磁化过程实际上是电磁感应、焦耳加热、热声效应等多个物理过程的耦合，而各物理场特性受金属损伤状态的影响。基于电磁感应多物理过程耦合原理，各物理过程在同一电磁激励下，通过融合声传感器、电磁传感器、红外热像仪，实现“电磁-热-声”多场的融合无损检测。金属构件的损伤根本上是由于构件材料微观结构(位错、相变、裂纹)的变化引起的，微观结构的变化逐渐积累会引起材料宏观特性上的变化。本发明基于“电磁-热-声”多场融合的检测方法通过材料损伤处的电磁特性、热学特性、声学特性的变化，对金属构件的损伤进行立体检测。

电磁信号特征提取与表征：在交变激励磁场的作用下，金属构件磁化产生密度分布不均的电涡流。电涡流产生与初级磁场中心相对的次级磁场，检测线圈可检测到初级磁场与次级磁场的叠加磁场，检测信号发生畸变，在高频部分将激发出电磁巴克豪森信号。根据检测信号的谐波特性及电磁巴克豪森信号识别损伤整体状态的性质，利用频谱校正方法，可为基于电磁特性的损伤整体评估模型提供电磁信息。

基于张量表达与动态贝叶斯网络(dynamicbayesnetworks，dbns)融合的热图像高维张量特征提取与稀疏表征：利用基于张量的空间-时间-状态张量分离方法，可以获得金属构件不同损伤状态对应的张量状态特征。状态特征可由电导率、磁导率、热导率描述，基于张量的空间-时间-状态张量分离方法可初步反映材料的宏观电磁、热特性。dbns可很好的表示随机系统的动态特性，反映系统中的因果关系、先后关系和条件关系。在不同先验失效模式下，利用基于张量表达与dbns融合的空间、时间、材料属性高维空间{s,t,σ,μ,ε}(以电磁属性为例，s:空间，t:时间，σ:电导率，μ:磁导率，ε:介电常数)自适应映射分离方法，将热图像序列进行高维张量特征提取与稀疏表征，为基于电磁、热特性的表面、亚表面损伤状态识别、评估模型提供特征信息。

热声陈列信号的盲源分离、特征提取与表征：在实际检测环境中，金属构件磁化过程中所激发的热声信号会存在各种噪声干扰及多个热声源，需要从这些复杂的热声信号中准确识别热声特征并对主要声源(如损伤热声源)进行识别定位，特别是对内部损伤的识别。非负矩阵分解(non-negativematrixfactorization，nmf)是重要的盲源分析方法。在深度学习的基础上，利用基于概率相似性的隐马尔可夫模型(hiddenmarkovmodel，hmm)状态评估方法可以获得很好的损伤评估效果。即在给定的可观察状态序列c下，精确地找到一组最优的hmm参数λ使概率p(ci/λ)最大。假设结构在某状态下的特征向量为ci，而正常状态参考特征向量集合为c′＝[c′1,…,c′i,…,c′k]。由于损伤状态演化实质为其逐步偏离其正常状态的过程，因此在不同状态下，特征向量c与参考特征向量序列c′的相似性随材料状态改变而变化。因此，对特征向量c与特征向量序列c′的相似度进行度量，并构建量化特征指标，提取表征金属构件损伤的特征。本发明利用基于nmf和hmm的热声阵列信号盲源分离与状态特征提取技术，对涡流电热声信号的频率、相位及其分布等传播特征进行特征融合，提取热声特征，为基于声学特性的金属构件内部损伤状态识别与评估模型提供特征信息。

基于多源多模态深度学习的微损伤量化评估模型：深度学习是数据导向的非线性学习方法，不仅能提取高维数据空间中的非线性特征，并能将这类特征映射到低维空间实现降维，其输入参数少，特征提取重复性好。本发明根据多场多尺度损伤分析结果的稀疏表示，通过对热、声、电磁等多场传感信号的深度学习，在深度学习的框架下进行数据融合与关联向量回归估计，对损伤进行量化评估。

深度玻尔兹曼机(deepboltzmannmachines，dbm)是一种无监督深度学习模型，具有学习复杂的关键整体特征的能力，由多层限制玻尔兹曼机(restrictedboltzmannmachines，rbm)叠加而成，有一个可见层和多个隐藏层组成。多模态dbm可见层单元用来描述观察数据，对应本发明中的多场多模态检测数据，而隐藏层单元用来获取可见层单元对应变量之间的依赖关系，即本发明中多场耦合特征与金属损伤的关系。本发明可在深度玻尔兹曼机可见层使用高斯神经元，得到高斯·伯努利dbm(gaussianbernoullidbm，gdbm)，利用信号仿真数据或典型材料损伤的多场实验数据，对gdbm进行训练，并将输入单元拓展为连续输入的实值变量，建立构件损伤实时、全面、精确的定量评估模型。

③、基于多物理场的多源多模态深度学习模型损伤检测

通过在多物理场无损检测系统获取电磁、热、声信号，多物理场信号输入计算机后，计算机进行特征提取与表征后，输入经过训练的gdbm模型，可对金属构件不同部位的各类损伤进行更加精确、更加智能、实时性更好的定量检测。

以上所述仅为本发明可用的实施例，并不以限制本发明，凡在本发明精神和原则之内所做的修改、替换、改进等，均应包含在本发明的保护范围内。