Page 128 - 无损检测2024年第八期

王慧鹏，等：

机器学习在金属磁记忆检测中的应用与展望

损伤与其应力状态和微观缺陷密切相关，传统无损 的磁记忆检测信号特征。
检测技术（如磁粉检测、涡流检测、渗透检测和超声 目前，小波变换是金属磁记忆检测信号时频分析
检测等）很难实现以应力集中为代表的早期损伤评 特征提取的常用方法。WANG等 通过小波变换进
[4]
估。俄国科学家DOBOV在 20 世纪 90 年代提出了 行信号分解，并结合基于软阈值的小波熵表示信号能
金属磁记忆检测技术，该技术不但能够检测损伤位 量分布，根据信号在各分解尺度下的小波熵差异，自
置，还具有评估铁磁性材料疲劳损伤的潜力。金属 适应确定高频分量的阈值，从而有效确定损伤位置。
磁记忆检测的基本原理为：在地磁场的激励下铁磁 王长龙等 提出了一种自适应阈值降噪算法，该算法
[5]
性材料受外加载荷作用后内部磁畴会发生定向转变 提取小波系数的总类内离散度和均值差平方，通过综
而产生漏磁场。该方法具有无需附加外磁场、易操 合多尺度分解小波系数特征确定最佳阈值，能够克服
作、可提前进行损伤预测等优点，得到了广泛关注并 全局阈值的缺陷，提高了信号的可识别性。
取得了良好的工程应用效果 。 基于小波分析的降噪方法能够准确地识别损伤
[2]
金属磁记忆检测信号采集主要选用灵敏度高、 特征，其效果主要取决于小波基函数的选择。但实
分辨率高以及具备抗干扰能力的霍尔传感器，并通 际工程应用时，选择合适的小波基函数较为困难，且
过低通滤波器过滤掉高频信号干扰，最后由放大电 不具备自适应性。为此，蔡少川 针对管道缺陷金
[6]
路及A/D（模/数）转换器将模拟电压信号转换为数 属磁记忆信号中噪声干扰严重的问题，将经验模态
字信号 。金属磁记忆信号具有离散性和非线性， 分解法用于信号去噪及有效信号提取中，其噪声抑
[3]
且信号微弱易受周围环境干扰，检测出的疲劳损伤 制效果与小波变换处理效果相同，该方法既克服了
位置和大小往往存在误差，因此，如何从金属磁记忆 小波变换基函数选取困难以及不具备自适应性的缺
信号中提取出合适的特征参量，分析损伤对应的信 点，同时又具有小波变换高分辨率的优点。
号特征规律，是实现金属磁记忆信号疲劳损伤评价 除小波变换，傅里叶变换在金属磁记忆信号特
的关键。近年来，国内外许多学者针对这一问题尝 征识别领域也有诸多应用。梁志芳等 通过快速傅
[7]
试了多种形式的研究，其中不少学者引入机器学习 里叶变换方法发现傅里叶分析中的相位突变位置能
算法分析金属磁记忆检测信号特征规律，从而构建 够反映信号中深层包含的信息，采用金属磁记忆信
损伤模型，来对铁磁材料损伤进行有效定量评估。 号多特征参数以及傅里叶相位突变位置信号特征参
数归一化统计和可靠性分析，确定焊接裂纹特征规
1 金属磁记忆检测信号特征提取方法
[8]
律，能够有效判断焊接裂纹的存在。XIAO等 建立
金属磁记忆检测信号微弱且具有较强的非线 了基于傅里叶变换和支持向量机的模型，通过谱熵
性，多采用时频分析方法对信号进行处理。此外，金 分布实现了铁磁材料内部裂纹扩展的监测。
属磁记忆检测信号易受环境噪声干扰，而噪声能量 基于小波变换理论，利用小波包能量谱方法能
对信号能量谱特征提取会产生影响。因此，在进行 够较好地处理铁磁性材料早期疲劳损伤定量识别问
时频分析前要先进行去噪处理，再对预处理信号进 题。通过对金属磁记忆信号小波包降噪处理后，任
行特征提取和分析。金属磁记忆信号在进行常用特 吉林等 用Hilbert变换提取信号包络，极大地提高
[9]
征提取和预处理时，主要通过小波变换、小波包变 了信噪比和应力集中的可检测度。王继革等 [10] 提取
换、平移不变小波去噪等方法提取出信号时频域特 去噪后的磁记忆信号小波包能量特征作为神经网络
征；对金属磁记忆信号的预处理，除了运用不同层次 的输入，该方法对钢绳芯胶带的早期损伤预测效果
的小波分解方法之外，还可以使用时频联合分析、谱 较好。LIU等 [11] 提出了一种基于小波包能量谱的磁
熵分析等。 记忆信号特征提取方法，发现应力集中程度越高，能
1.1 基于时频分析的特征提取法 量谱分布越集中并向低频方向发展。朱红运等 [12] 以
当信息只从一个域进行计算时，在分析过程中 小波变换为多尺度工具，提取信号的能量、奇异性指
可能丢弃具有高分辨力的重要特征，这是时域或频 数作为特征量构成评估疲劳损伤的多特征量，实现
域特征提取方法存在的局限性。对于这些限制，可 了疲劳损伤的量化评估。
通过S变换、小波分解、经验模态分解、快速傅立叶 传统时频分析建立的特征提取方法（从短时傅里
变换、傅立叶变换等传统时频分析方法提取出所需 叶变换到Cohen类变换等各类分布）有数十种，其中，
90
2024 年 第 46 卷 第 8 期
无损检测