本发明涉及基于巴克豪森原理的电磁无损检测技术领域，是一种基于mbn信号半高全宽比与包络面积的屈服强度神经网络估计方法。
背景技术：
巴克豪森检测法是一种常用的电磁无损检测方法。二十世纪初由德国物理学家巴克豪森(heinrich.barkhausen)在铁磁物质的磁化过程中发现，因此得名“巴克豪森效应”。巴克豪森效应实质上是铁磁性材料在外加磁场的作用下，其内部磁畴向外加磁场的方向发生偏转而引起磁畴壁跳跃式的不可逆位移。利用电磁感应原理，在铁磁性材料表面放置检测线圈可以检测到磁畴错动释放的电压脉冲信号，该信号被称作磁巴克豪森噪声信号，简称mbn信号。
mbn信号受多种因素的影响，如材料的微观组织结构、机械性能强度、硬度、疲劳损伤状态、材料表面的腐蚀情况、内部的残余应力分布，以及外加磁场的参数变化、温度等。因此，通过分析mbn信号，不仅可以反应材料的疲劳损伤、变形大小、缺陷等微观组织结构，同时也能用来预估材料机械性能参数(如硬度、屈服强度、抗拉强度等)。
机械性能是评价铁磁性材料性能优劣的一个重要指标，是机械类产品设计和选材的主要依据。铁磁性材料的使用范围、承载能力以及在役寿命等，与其机械性能紧密相关。常用的机械性能指标有：屈服强度、抗拉强度、延伸率、硬度、韧性等。
目前，国内外研究人员关于mbn信号关于材料机械性能评估的研究主要集中于材料硬度的测量。2003年，英国的v.moorthy等研究人员研究了由温度变化引起材料硬度不同对mbn信号的影响；2012年，巴西的f.a.franco等研究人员研究了材料经过热处理后的冷却速率对mbn信号的影响。通过不断的实验分析，国内外许多学者都一致认为材料硬度越大则mbn信号越弱，这对于材料硬度测量有很好的指导作用。
但是，在实际生产应用中，屈服强度和抗拉强度的大小对于产品质量和用途也起到了至关重要的作用。而传统上只能采用离线拉伸的方式来评估材料屈服强度、抗拉强度等，这种有损的方法耗时耗力，需要将材料拉断才能得到其屈服强度和抗拉强度的真实值，造成了一定的资源浪费和物料损失。因此，将巴克豪森无损检测方法用于材料屈服强度的评估是十分必要且很有意义的。
技术实现要素：
本发明所要解决的技术问题在于，通过bp神经网络，提供一种基于mbn信号半高全宽比与包络面积的屈服强度估计方法，能够实现材料屈服强度的定量估计。
为解决上述技术问题，本发明提供基于mbn信号半高全宽比与包络面积的屈服强度估计方法，包括如下步骤：
(1)选取频率为10hz、幅值为5v的正弦波信号作为激励源，采样频率为200khz，采集mbn信号，然后经过频带范围为2khz-45khz的带通滤波器滤波；
(2)提取mbn信号半高全宽比与包络面积两个特征值；
(3)建立样本数据库，每个样本包括4个参数：半高全宽比、包络面积、厚度、屈服强度；
(4)样本数据预处理；将样本数据归一化到[0,1]之间；
(5)构造bp神经网络模型，将归一化后样本数据的半高全宽比、包络面积、厚度作为网络输入，网络输出为各样本的屈服强度；
(6)根据提供的训练样本对bp神经网络进行训练，当训练误差小于0.001时训练完成；
(7)利用训练好的bp神经网络模型，根据测试样本提供的输入参数即可实现屈服强度的预测。
优选的，步骤(2)中，提取mbn信号半高全宽比与包络面积两个特征值具体包括如下步骤：
(21)提取mbn信号包络；将mbn信号数据取绝对值后等间隔分组，将每组数据从大到小排序，取前10个较大数的平均值作为包络值，得到所有的包络数据点平滑滤波后即得到mbn信号包络线，从mbn信号包络上可以计算求得特征值半高全宽比，其定义为mbn信号维持峰值一半以上包络的宽度与整个包络宽度的比值；
(22)对激励信号等间隔抽取，以激励幅值为自变量，对mbn信号的包络进行积分得到的积分曲线，积分曲线最后一点的积分值即为包络面积。
优选的，步骤(4)中，样本数据预处理具体为：将样本数据归一化到[0,1]之间，归一化公式为：
其中，xi(i＝1,2,3,…)表示某一样本的某组参数的具体值，xmin表示该组参数的最小值，xmax表示该组参数的最大值，y表示xi的归一化输出。
优选的，步骤(5)中，构造bp神经网络模型具体为：网络层数：1个输入层，2个隐含层，1个输出层；节点数：设置输入层、输出层节点数分别为3和1，经过多次训练的试验结果确定第一层隐含层节点数为5，第二层为3；传递函数：在两个隐含层之间设置了“sigmoid”函数，隐含层的传递函数采用“tansig”函数；训练函数和学习函数分别设置为“trainbfg”函数和“learnwh”函数；其他参数的设置：最大训练次数为2000，训练目标误差为0.001。
优选的，用于估计屈服强度的bp神经网络模型结构为1个输入层，2个隐含层，1个输出层，输入层和输出层的节点数分别是3和1，隐含层节点数的计算公式为
其中l为输入层的节点数，m为输出层的节点数，i表示第i层隐含层。
优选的，步骤(7)中，利用训练好的bp神经网络模型，将测试样本的输入参数输入网络模型，输出即为测试样本屈服强度的预测值具体为：
对于网络最终的估计结果，以相对误差最大值emax、相对误差均值emean、相对误差小于10％的估算合格率q10和相对误差小于5％的估算合格率q5作为评价指标，各评价指标的计算公式如下：
式(3)-(6)中，y表示待估参数的真实值，
本发明的有益效果为：(1)本发明提出的基于mbn信号半高全宽比与包络面积的屈服强度估计方法，可以实现铁磁性材料屈服强度的无损估计，避免了传统上为获得屈服强度等指标进行离线拉伸而造成的资源浪费；(2)通过bp神经网络模型建立了mbn信号多特征值与屈服强度之间的映射关系，可以实现材料屈服强度的定量估计；(3)该方法的检测误差低，可以达到较高的检测合格率。
附图说明
图1为本发明基于mbn信号半高全宽比与包络面积的屈服强度估计方法的总体流程图。
图2为本发明的一次磁化过程中产生的mbn信号示意图。
图3为本发明的mbn信号包络示意图。
图4为本发明的mbn包络积分得到的曲线示意图，积分曲线的最大值即为mbn信号包络的面积。
图5为本发明的bp神经网络模型结构示意图。
图6为本发明的bp神经网络的预测结果示意图。
具体实施方式
本发明基于mbn信号半高全宽比与包络面积的屈服强度估计方法的总体流程图如图1所示，具体包括如下步骤：
第一步：选取频率为10hz、幅值为5v的正弦波信号作为激励源，采样频率为200khz，采集mbn信号如图2所示，然后经过频带范围为2khz-45khz的带通滤波器滤波；
第二步：滤波后，提取mbn信号半高全宽比与包络面积两个特征值，具体过程如下：
(a)首先提取mbn信号包络，包络提取算法为：将mbn信号数据取绝对值后等间隔(如50个数据为一组)分组，将每组数据从大到小排序，取前10个较大数的平均值作为包络值，得到所有的包络数据点平滑滤波后即得到mbn信号包络线，如图3所示，从mbn信号包络上可以计算求得特征值半高全宽比，其定义为：mbn信号维持峰值一半以上包络的宽度与整个包络宽度的比值。
(b)对激励信号等间隔抽取，以激励幅值为自变量，对mbn信号的包络进行积分得到的积分曲线，如图4所示，积分曲线最后一点的积分值即为包络面积。
第三步：选取220组钢板试样建立样本数据库(11种钢板，各类钢板分别取20个不同周期的mbn信号提取特征作为不同的样本)用作bp神经网络的训练与测试，其中随机选取200组作训练样本，20组作测试样本，每个样本包括4个参数：半高全宽比、包络面积、厚度、屈服强度；
第四步：样本数据预处理：将样本数据归一化到[0,1]之间，归一化公式为：
其中，xi(i＝1,2,3,…)表示某一样本的某组参数的具体值，xmin表示该组参数的最小值，xmax表示该组参数的最大值，y表示xi的归一化输出。
第五步：构造bp神经网络模型，网络结构的设计如下：
(a)网络层数：1个输入层，2个隐含层，1个输出层。
(b)节点数：设置输入层、输出层节点数分别为3和1，经过多次训练的试验结果确定第一层隐含层节点数为5，第二层为3，其模型结构如图5所示。
(c)传递函数：在两个隐含层之间设置了“sigmoid”函数，隐含层的传递函数采用“tansig”函数；
(d)训练函数和学习函数分别设置为“trainbfg”函数和“learnwh”函数。
(e)其他参数的设置：最大训练次数为2000，训练目标误差为0.001。
第六步：将归一化后训练样本数据的半高全宽比、包络面积、厚度作为网络输入，各训练样本的屈服强度作为输出，训练bp神经网络，当训练误差小于0.001时训练完成。
第七步：利用训练好的bp神经网络模型，将测试样本的输入参数输入网络模型，输出即为测试样本屈服强度的预测值。
对于网络最终的估计结果，以相对误差最大值(emax)、相对误差均值(emean)、相对误差小于10％的估算合格率(q10)和相对误差小于5％的估算合格率(q5)作为评价指标。各评价指标的计算公式如下：
式(3)-(6)中，y表示待估参数的真实值，
其中，关于隐含层节点数的设置，其初始值设置为两个隐含层的节点数都为1训练神经网络，然后每次将其中一个隐含层的节点数加1再进行训练，记录了各隐含层节点数分别从1增加到12的所有预测结果。最终发现当第一层隐含层节点数为5，第二层隐含层节点数为3时，各项评价指标几乎可以同时取得最优值，即预测结果是最好的，所以初步认为各隐含层节点数的设置应满足公式(2)。
利用训练好的bp神经网络对测试样本进行预测，其预测结果如表1和图6所示。从表1可以看出，神经网络对于屈服强度的相对误差均值达到了5％以内，且相对误差小于10％的预测合格率达到了90％，具有较高的预测精度。
表1bp神经网络预测结果
本发明的目的是提出一种基于mbn信号半高全宽比与包络面积的屈服强度估计方法，通过bp神经网络建立数学模型来描述mbn信号多特征值与屈服强度之间的关系，实现材料屈服强度的定量估计。由于材料厚度对mbn信号也会产生一定的影响，所以在建模过程中引入厚度这一参数进行补偿，以减小估计误差。
综上所述，本发明基于mbn信号半高全宽比与包络面积的屈服强度估计方法具有良好的可行性与可靠性。在工程应用实践中，可以实现屈服强度的无损定量估计，从很大程度上减少了传统上因离线拉伸而造成的物料损失，具有较大的实际应用价值。