基于点阵式探头的压力管道表面微小缺陷检测系统及方法与流程

本发明属于金属材料的裂纹缺陷检测，具体涉及一种基于点阵式探头的压力管道表面微小缺陷检测系统及方法。

背景技术：

1、在石油、天然气长输管道等重要机械结构的加工或服役过程中不可避免的会产生各种缺陷，准确检测这些缺陷的位置和形状是减少事故发生、运输安全的重要保证。随着国内长输管道的广泛应用，适用于石油、天然气长输管道的重要机械结构的无损探伤技术也逐渐发展起来。

2、目前，在压力管道等重要机械结构的裂纹检测中通常使用漏磁无损检测、超声波检测和涡流检测等方法，但这些方法存在应用尺寸有局限性、超声波耦合不佳和渗透能力不足等缺陷。而利用直流电位降(dcpd)法可以对两测点之间的电位降信号进行测量以判断压力管道是否存在微小缺陷。其核心思想是：当在试样两端通入恒定电流时，可以通过对比多个测量点之间的电压，来判断试样是否存在缺陷。因此，在对含缺陷试样进行检测时，为更高效的检测缺陷，缺陷的位置需采用多个探头以同时采集不同测点的电位信号。但压力管道长期处于服役状态，常规的dcpd四点测量方法需要对比含缺陷与无缺陷管道测得的电压值数据来判断管道是否存在缺陷，且无法判断裂纹缺陷存在的大致区域。目前，国内基于dcpd法的压力管道缺陷检测方法无法同时采集多个测点的电位信息，且没有利用dcpd法测得的信号来预测缺陷尺寸方法。

技术实现思路

1、本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于点阵式探头的压力管道表面微小缺陷检测系统，其点阵式弹簧探头结构能够实现同时采集多个测点的电位降信号，并对提取的电位信号进行分析处理，实现对裂纹位置的检测，增加了缺陷尺寸预测的准确性。

2、为解决上述技术问题，本发明采用的技术方案是：

3、一种基于点阵式探头的压力管道表面微小缺陷检测系统，包括点阵式弹簧探头和缺陷检测仪，所述点阵式弹簧探头包括弹簧探头连接板和连接在弹簧探头连接板上的弹簧探针，所述弹簧探针的数量为多个且呈点阵式布设在弹簧探头连接板上，所述弹簧探头连接板上设置有用于与压力管道连接的压力管道连接结构，所述弹簧探针与缺陷检测仪连接。

4、上述的基于点阵式探头的压力管道表面微小缺陷检测系统，所述弹簧探头连接板上设置有排针，所述弹簧探针通过排针与缺陷检测仪连接；

5、所述压力管道连接结构为带螺柱的吸盘，所述弹簧探头连接板上设置有螺孔，所述带螺柱的吸盘的螺柱从下到上连接在所述螺孔中后通过螺母固定。

6、上述的基于点阵式探头的压力管道表面微小缺陷检测系统，所述缺陷检测仪包括主控单元，为缺陷检测仪中各用电单元供电的恒流源和电源管理单元，以及克服热电势影响的电流换向单元；所述主控单元的输入端接有对微弱的多路电压信号进行采集的多通道信号采集单元，所述多通道信号采集单元的输入端接有对缺陷信号进行放大和滤波处理的前端处理单元，所述主控单元与计算机连接，所述主控单元的输出端接有显示单元。

7、本发明还公开了一种基于点阵式探头的压力管道表面微小缺陷检测方法，通过各个测点之间的电压关系判断的，利用有限元法分析出含缺陷时相邻电压之间的比值与不含缺陷处的不同，确定缺陷区域的判断准则，对测得的电压信号分析处理，从而拟合出缺陷可能存在的位置，并通过遗传算法优化的神经网络模型，得到缺陷裂纹长度的预测值；包括以下步骤：

8、步骤一、连接点阵式弹簧探头与压力管道：将点阵式弹簧探头的弹簧探针对准压力管道表面，按压点阵式弹簧探头，使每个弹簧探针与压力管道良好接触后，按压带螺柱的吸盘，使其内部空气排空，将点阵式弹簧探头吸附在压力管道上；

9、步骤二、将点阵式弹簧探头的排针与缺陷检测仪连接，将缺陷检测仪与计算机连接；

10、步骤三、电压信号数据采集：缺陷检测仪器采集点阵式弹簧探头的多个弹簧探针中每相邻两个弹簧探针之间的电压，将电压数据显示在缺陷检测仪上，并传输给计算机进行保存；

11、步骤四、缺陷存在区域判断：通过预先采用有限元仿真确定的判断规则，判断出含缺陷区域和无缺陷区域；

12、步骤五、缺陷裂纹长度预测：将含缺陷区域的相邻两个弹簧探针之间的电压输入预先构建的基于遗传算法优化的神经网络模型中，得到缺陷裂纹长度的预测值。

13、上述的方法，步骤三中所述弹簧探针的数量为16个，所述缺陷检测仪器采集点阵式弹簧探头的多个弹簧探针中每相邻两个弹簧探针之间的电压时有12组电压数据。

14、上述的方法，步骤四中所述采用有限元仿真确定的判断规则为：将相邻的两个电压值作比，并表示为k，当k>10或k<0.1时，判断为这两个测量点之间存在缺陷；否则，当0.1≤k≤10时，判断为这两个测量点之间不存在缺陷。

15、上述的方法，步骤五中构建基于遗传算法优化的神经网络模型的方法为：

16、步骤601、构建样本数据库并划分为训练样本和测试样本；

17、步骤602、确定rbf神经网络模型的参数，并建立隐含层神经元数目可变的rbf神经网络模型，所述rbf神经网络模型包括一个输入层、一个隐藏层和一个输出层，所述输入层中设置有n1个节点；所述隐藏层中设置有n2个节点，所述输出层中设置有n3个节点，与缺陷裂纹长度相对应；

18、步骤603、采用训练样本和测试样本训练各个不同隐含层节点数的rbf神经网络模型：计算机对取a为1～10的自然数时所对应的不同隐含层节点数的rbf神经网络模型进行训练，且在进行训练的过程中调用遗传算法参数优化模块rbf神经网络模型的权值w和阈值b进行优化，得到各个不同隐含层节点数时权值w和阈值b最优的训练好的rbf神经网络模型；

19、步骤604、确定出遗传算法优化的bp神经网络模型，具体过程为：

20、步骤6041、计算机调用网络误差计算模块计算步骤603中各个不同隐含层节点数时权值w和阈值b最优的训练好的rbf神经网络模型对应的网络误差；

21、步骤6042、选择出网络误差最小的隐含层节点数的权值w和阈值b最优的rbf神经网络模型，确定为训练好的rbf神经网络模型，并将其定义为基于遗传算法优化的rbf神经网络模型。

22、上述的方法，步骤602中所述rbf神经网络模型的激活函数为：

23、

24、其中，xp＝(x1p,x2p,…,xmp)t为第p个输入样本；p＝1,2，……，p，p为总样本数；m为第p个输入样本的元素总数；ci为高斯函数的中心，i＝1,2，…，n2；||xp-ci||为欧式范数；σ为高斯函数的方差，且j＝1,2，……，m；yj为与输入样本对应的rbf神经网络的第j个输出结点的实际输出，且wij为隐含层到输出层的连接权值；dj为与输入样本对应的rbf神经网络的第j个输出结点的期望输出值。

25、上述的方法，所述高斯函数的中心ci基于k-均值聚类方法求取，具体过程为：

26、步骤a1、网格初始化：根据输入样本的电势值相似性，将所有输入样本划分为多个子集，并随机选取一组电压数据作为初始聚类中心；

27、步骤b1、将输入样本集合按最近邻规则分组：针对初始化时随机选择的聚类中心，计算所有输入样本到每个中心的距离，将每个输入样本聚集到与其最近的中心的类中，构成聚类结果；

28、步骤c1、重新调整聚类中心：计算各个聚类结果集合中训练样本的平均值，即新的聚类中心，当新的聚类中心不再发生变化时，将此时得到的聚类中心确定为高斯函数的中心ci；否则，返回执行步骤b，进行下一轮的中心求解。

29、上述的方法，步骤603中所述在进行训练的过程中调用遗传算法参数优化模块rbf神经网络模型的权值w和阈值b进行优化的具体过程为：

30、步骤6031、对遗传算法的初始群体进行初始化；

31、步骤6032、构造适应度函数：设置选择概率其中，fi为个体i的适应度值；k为系数，n为种群个体数目；

32、步骤6033、遗传操作，具体过程包括：

33、步骤60331、选择遗传操作的参数；所述遗传操作的参数包括种群规模、交叉概率和变异概率；

34、步骤60332、交叉算子：采用实数交叉法进行交叉操作，第k个染色体ak和第i个染色体ai在j位的交叉操作方法如下:b是[0,1]区间的随机数；染色体的长度crossnm的选取公式为其中，clen为交叉点数，nmax为交叉点数的最大取值；

35、步骤60333、变异算子：选取第i个个体的第j个基因aij进行变异，变异操作方法如下：

36、

37、式中：amax为基因aij的上界；amin为基因aij的下界；f(g)＝r2(1-g/gmax)2；r2为一个随机数；g为当前迭代次数；gmax为最大进化次数；r为[0,1]间的随机数；

38、步骤60334、插入算子；

39、步骤60335、删除算子；

40、步骤6034、计算种群中各染色体的适应度值和种群的平均适应度值，当种群中一半以上的染色体达到相同的适应度值，且种群的平均适应度值不变时，将这一代种群作为终止种群；否则，循环执行步骤6033。

41、本发明与现有技术相比具有以下优点：

42、1、本发明的点阵式探头结构可以实现同时采集多个测点的电位降信号，并对提取的电位信号进行分析处理，利用点阵式探头可以实现对裂纹位置的检测。

43、2、本发明的缺陷尺寸预测是经过遗传算法优化的神经网络算法进行预测，增加了缺陷尺寸预测的准确性。

44、3、本发明的缺陷定位方法是通过各个测点之间的电压关系判断的，利用有限元法分析出含缺陷时相邻电压之间的比值与不含缺陷处的不同，确定缺陷区域的判断准则，对测得的电压信号分析处理，从而拟合出缺陷可能存在的位置。

45、4、本发明将相邻点电压值之间的比值作为判断缺陷存在的方法，利用遗传算法优化的神经网络算法能，较好的根据测得电压预测缺陷的尺寸。

46、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。