一种多传感器云融合技术的亚表面缺陷深度检测算法

一种多传感器云融合技术的亚表面缺陷深度检测算法

对于大组件的导电件的异表面缺陷（如折叠和钻孔部分的疲劳裂纹和耐腐蚀性）的定量化损害，一直是航空航天、铁路、加工和制造等重要领域需要调查和解决的问题。近年来,随着航空航天、交通、核电等重要行业的迅速发展,亚表面缺陷检测已然成为行业亟需解决的重要问题。无损检测作为一种安全性高、完整性强的技术,也成为国内外专业学者研究的热点领域由于单一传感器检测具有各自的特点和有限的适用范围,无法全面地检测各类亚表面缺陷。因此,多传感器复合无损检测技术应运而生。基于多传感器复合无损检测的技术主要涉及信号处理分析、数值建模、数据融合以及反演分析等学科领域,属于新型检测技术的研究范畴针对亚表面缺陷深度的检测,不同传感器产生的各种特征信息难以直接应用的难题,本文提出了一种基于多传感器云融合技术的亚表面缺陷深度检测算法。多传感器融合技术起源于20世纪70年代,被广泛地应用于各种智能平台以及许多民事领域。多传感器信息融合实际上是对人脑综合处理复杂问题的一种功能模拟。与单一传感器检测相比,运用多传感器信息融合技术在解决探测、跟踪和目标识别等问题方面,能够增强系统生存能力,提高整个系统的可靠性和健壮性。作为多传感器融合的研究热点之一,国内外专家已经进行了大量的研究,提出了许多信息融合技术但是,传统数据融合方法无法处理大量实验数据产生的模糊隶属度函数,且为了提高传统数据融合方法的计算精度,本文提出了一种多传感器云融合技术的亚表面缺陷深度检测算法,克服单一传感器检测的局限性。对于涡流检测与超声检测两类传感器提取的特征信息,引用云滴数学模型获取各种传感器测量下各类缺陷的隶属度分布,并在此基础上提出了一种D-S+PCR信息融合算法对不同传感器获取的信息进行融合,以实现检测亚表面缺陷深度的目的。1回波时间与定量论域通过文献分析首先,本文简要地介绍云滴数学模型的一些基本概念。一维正态云滴模型可以用期望E,熵En,超熵He3个数字特征来反映。设U是一个用精确数值表示的一维定量论域,T是论域U上的定性概念,x是定义于U上的随机变量X的一次实现。若x满足:x~N(E以矩形缺陷为例,本文采用多频电涡流检测试验系统测量缺陷的幅度信息,超声波检测系统测量缺陷的回波时间信息。为获得不同亚表面缺陷深度的期望、熵、超熵,对已知深度为1mm~4.5mm的亚表面缺陷每隔0.5mm各采样100组数据,获得幅度数据为W=(w将幅度数据W与回波时间数据C代入式(2),可以得到深度为1mm~4.5mm、间隔0.5mm的8类亚表面缺陷的幅度期望E式中:En2d-s+pcr多值映射获得未知深度的待检验亚表面缺陷样本t的各类隶属度后,需将涡流传感器与超声传感器的数据进行融合。20世纪60年代美国哈佛大学数学家Dempster在利用上、下限概率解决多值映射问题时,提出了著名的D-S证据理论以及对应的数据融合方法定义M引入PCR理论由于云滴模型得到待测样本属于各类缺陷深度的隶属度μ通过式(6)可以计算得到待检测样本t属于第i类深度的概率n由于待检验样本的缺陷深度未知,且并不一定严格属于上述的八类缺陷深度。因此,获得待检测样本t属于第i类缺陷深度的概率n式中:a、b、c表示待拟合的参量。3实验系统及检测参数本文设计实验对比经典Bayes变换的D-S融合检测算法、单传感器检测算法与多传感器云融合技术的检测算法,分别检测不同深度的亚表面缺陷来验证本文算法的有效性。本文设计的涡流检测系统与超声检测系统如图2所示。涡流检测设备由探头、激励信号产生电路、检测信号调理电路、数据采集卡、计算机以及两轴运动平台组成。其中探头分为检测探头和参考探头,探头同时包含了激励线圈和检测线圈,检测探头置于试件之上,参考探头一般置于参考试件上或简单悬空,本设计中将参考探头悬空,检测探头信号和参考探头信号进行差分得到有用信号;激励信号产生电路用来产生不同频率的电涡流激励信号;检测信号调理电路用于对探头的输出信号进行硬件处理,通常包括滤波、放大和检波等电路环节;信号调理单元的输出信号由NI的数据采集卡进行A/D转换并采集到计算机中,用Labview软件在计算机中编写相应上位机程序,对采集信号进一步进行软件滤波,去噪等信号预处理,通过上位机可以控制激励信号产生电路产生不同频率的电涡流激励信号和运动平台根据需求拖动试件;运动平台采用固高公司的两轴伺服机构。实验时试件在运动平台的拖动下移动,检测探头挂在被测试件上方,试件拖动的速度为0.02m/s,由于运动平台的抖动性,使得探头的提离在0.1mm~0.5mm之间随机变化,涡流信号的激励频率采用250Hz,每种试件在不同提离的条件下各扫描100次。本文设计导电结构体背面缺陷的检测实验,被测缺陷深度存在较小的区别,旨在通过实验检测和数据分析,对缺陷深度做出定量化估计。实验采用超声检测设备是上材电磁的UTA-3062E型双通道超声检测仪,主要由超声检测探头、内置的数据采集卡以及工控机组成。实验采用食用油作为耦合剂,使超声波探头和被测试件紧密黏合,将超声波探头移动至试件背面有缺陷的位置处(提前标出),观察在上位机上显示的超声波波形,待波形稳定后,存储超对应的波形数据,如此反复测试。为此,对已知深度为1mm~4.5mm的亚表面缺陷每隔0.5mm分别采用涡流传感器与超声传感器各采样100组数据,估算云滴模型的期望、熵、超熵,如表1和表2所示。通过参数绘制了4.5mm、4mm以及3.5mm三类深度缺陷的涡流传感器隶属度函数曲线与超声传感器隶属度函数曲线,如图4和图5所示。从图4和图5中可以看出:每类缺陷深度隶属度曲线都呈现清晰的高斯分布特性;且不同的缺陷深度隶属度函数有重叠区域,说明采用单一的测量方法易出现误判现象。通过表1和表2获得的数字特征建立的云滴数学模型,对未知深度的20个缺陷样本进行检测,计算缺陷深度估计值与真实值的误差。运用式(4)~式(7),计算出此20个样本的缺陷深度估计值。对比经典Bayes变换的D-S融合检测算法与多传感器云融合技术的检测算法,20个未知深度的缺陷样本检测误差如图6所示。对比多传感器云融合技术的检测算法与超声检测、涡流检测等单一传感器检测算法,20个未知深度的缺陷样本检测误差如图7所示。实验结果显示:对比传统Bayes变换下的D-S证据融合检测技术与单传感器检测技术,本文提出多传感云融合技术的检测算法具有较高的识别准确率。4亚表面缺陷深度的检测与估算为检测亚表面缺陷的深度,本文提出了一种多传感器云融合技术的检测算法。通过超声传感器与涡流传感器两种方法检测亚