基于弧形涡流传感器阵列的金属管路缺陷快速检测方法

本发明涉及电磁无损检测，尤其是基于弧形涡流传感器阵列的金属管路缺陷快速检测方法。

背景技术：

1、在航空航天领域，安全问题一直是人们最关注的问题，尤其是航空航天飞机的管路系统，其包含有大量金属管道，管道的质量对管路系统的可靠性以及发动机的稳定运行至关重要，在每次的飞行前都需要通过实时、高效的检测来确保其安全稳定，因此无损检测(ndt)作为一种高效、快速的检测的方法已广泛应用于该领域，其中无损检测包含超声检测(ut)、涡流检测(ect)、磁粉检测(mt)等，因为超声检测需要耦合剂、对金属管表面或近表面缺陷检测困难，而磁粉检测只适用于铁磁性材料的表面或近表面缺陷、检测灵敏度与磁化方向和缺陷方向有关，而涡流检测线圈不需要接触工件，也无需耦合剂，对金属管表面或近表面缺陷具有很高的检测灵敏度，因此其克服了超声检测、磁粉检测的不足，具有快速、准确检测的特点，更加适用于金属管路的缺陷检测。

2、先前学者们已对该方面进行了大量的研究，如i.lucarini等使用柔性cmut智能检测复合材料结构缺陷，abderrahman eddazi等使用基于红外热像仪和有限元法检测金属腐蚀程度。同时在众多涡流检测(ect)应用中，提离效应是一个重大挑战。

3、近年来，为了解决这一问题，许多学者想了各种解决方案，mingyang lu等在金属板的涡流厚度测量中提出峰值频率补偿算法，ganghu等发现电感频谱的峰值频率特征与线圈中心与球中心之间的提离距离成线性关系，这些研究取得了一定的成绩，但主要应用于钢轨等金属平面，而鲜少有应用于金属管路，因此本发明提出了一种用于金属管路缺陷深度与方向快速检测的新型弧形涡流检测阵列。

4、同时近年来机器学习算法蓬勃发展，在计算机视觉等领域有着许多的应用。机器学习中深度学习各种算法与无损检测的结合也成为一项重要应用，可以通过深度学习提高无损检测的准确性与效率，实现更加快速、准确的检测，如n.ulapane等学者使用基于高斯过程的机器学习技术来测量水管厚度，x.fu等学者使用4层卷积神经网络(cnn)进行端到端的缺陷分类和回归。

技术实现思路

1、本发明提出基于弧形涡流传感器阵列的金属管路缺陷快速检测方法，利于无损检测管道内部缺陷，同时能结合深度学习lstm模型，实现金属管路缺陷深度与方向的快速检测。

2、本发明采用以下技术方案。

3、基于弧形涡流传感器阵列的金属管路缺陷快速检测方法，包括以下步骤；

4、步骤s1、在金属管路待检测区的外壁处安装传感器阵列；

5、步骤s2、将传感器阵列中相邻激励线圈的激励方向设为两两相反，以提升弧形阵列对管路周向与轴向缺陷的敏感度，并抑制提离效应；

6、步骤s3、在管路待检测区内壁与传感器阵列对应的区域处安装强导磁体；

7、步骤s4、通过对传感器阵列中不同接收线圈的信号进行数据预处理与图像处理，结合训练好的深度学习lstm模型，对金属管路进行缺陷深度与缺陷方向的快速检测。

8、所述金属管路为曲线结构金属管道，所述传感器阵列为弧形传感器阵列，其阵列中的各线圈分为接收线圈、激励线圈，各线圈与金属管道外壁表面等距，以在物理层面消除不同物理提离对接收信号的影响。

9、所述传感器阵列中，各线圈按x型排列方式分布，x型排列方式的中间线圈为接收线圈，接收线圈四周的相邻激励线圈的激励方向两两相反。

10、在弧形传感器阵列处于整体激励工况时，通过快速切换弧形伸展方向上的相邻x型排列方式的各组线圈的激励状态和接收状态，以执行对样品的扫描。

11、所述强导磁体为整块的强导磁块，用于使传感器阵列激励线圈的磁场集中在目标检测区域

12、所述传感器阵列还包括与上位机相连的信息采集单元，当传感器阵列扫描检测样品管时，通过信息采集单元将传感器阵列采集到的电磁涡流信号传至上位机。

13、当传感器阵列扫描检测样品管时，信息采集单元每次向上位机输送的电磁涡流信号包括四组不同接收线圈接收的电磁涡流信号，即四组复数阻抗信号。

14、步骤s4中，上位机在收到传感器阵列采集到的电磁涡流信号后，通过数据处理来对样品管的缺陷方向和缺陷深度进行判别；

15、在判别缺陷方向时，首先上位机端将该电磁涡流信号数据的实、虚部以及模值分别提取出来，其次针对原始数据会带有的大量杂波扰动，通过归一化处理将干扰波滤除，最后基于滤波后的数据绘制出可识别样品管缺陷区域方向的样品管磁场图像，基于样品管磁场图像缺陷区域的起止点坐标，计算斜率，得到样品管路的缺陷方向。

16、在上位机判定样品管的缺陷方向后，将电磁涡流信号数据送入用于缺陷深度的lstm模型，并将模型进行训练，对样品管进行管路缺陷深度检测；

17、所述lstm模型通过具备选择性记忆功能的记忆细胞来选择记忆重要信息、过滤掉噪声信息、减轻记忆负担；

18、lstm模型由一个输入层、多个堆叠隐含层、一个全连接层和回归层构成，每一层的每个时间步的输出作为下一层的时间步的输入，样品管涡流测量信号的特征提取和特征变换通过输入层和隐含层来完成，最后经过全连接层非线性回归输出样品管的缺陷深度预测值。

19、所述用于缺陷深度的lstm模型中，多隐含层的lstm是由lstm基本单元所组成，其结构包括遗忘门、输入门和输出门；遗忘门用于决定什么信息应该被神经元遗忘，对输入xt和前段时间ht-1进行权重运算，其公式为:

20、

21、神经元通过输入门层和tanh层来更新其状态向量，以保存输入序列的相关信息；输入门层利用sigmoid函数决定要更新的数值，而tanh层通过非线性变换获取候选数值gt，该值将被增加到神经元的状态中；这两步被组合起来，以产生一个更新的状态向量，从而实现信息的状态更新，其公式为：

22、

23、

24、ct＝ct-1ft+gtit公式1.4；

25、通过sigmoid和tanh函数对输入层和神经元状态进行变换，神经元滤掉不需要的信息并保留需要输出的信息，此时的输出ht将被传递到下一个神经元进行信息更新，最后一层网络的输出会进行权重和偏置运算后输出为最终结果；其公式为：

26、ht＝ot*tanh(ct)公式1.6；

27、yt＝wyhht+by公式1.7；

28、其中w和b分别为相应层的权重和偏置，σ为sigmoid运算。

29、本发明针对金属管路的无损检测，提出了一种高效、可探测性强的涡流检测阵列装置，通过数据处理，能实现金属管路缺陷深度与方向的快速检测。在本发明提出的一种新型的弧形传感器阵列中，使各线圈与金属管路缺陷的距离相等，同时用独特的线圈阵列分布方式与激励方式使其对金属管路周向与轴向缺陷都具有较高的敏感度，并可有效地抑制提离效应。同时，在检测相应位置的管内加入一块强导磁体，可使散在空气中的磁场集中在目标检测区域中，增强电磁涡流特征信号，进而得到更丰富的缺陷特征信号，利于检测管道内部缺陷。此外，利用传感器阵列不同接收线圈的信号，通过数据预处理与图像处理，可判别其缺陷方向，结合深度学习lstm模型，能实现金属管路缺陷深度与方向的快速检测。