Page 132 - 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

忆信号特征指标具有强关联性，需要更大的测试数 magnetic memory[J]. Applied Mechanics and Materials,
据集来验证最优方法的实用性和可靠性，以此优化 2013, 401: 1212-1217.
和改进当前的预测模型。 [5] 王长龙, 朱红运, 徐超, 等. 自适应小波阈值在磁记
忆信号降噪处理中的应用[J]. 系统工程与电子技术,
3 结论和展望 2012, 34（8）: 1555-1559.
[6] 蔡少川. 经验模态分解在管道缺陷漏磁检测信号处理
对机器学习方法在金属磁记忆检测中的应用进 中的应用研究[J]. 中国机械工程, 2006, 17（21）: 2201-
行了综述，其中在金属磁记忆信号数据模型构建中 2203.
应用最为广泛的机器学习方法包含支持向量机、神 [7] 梁志芳, 李午申, 王迎娜, 等. 焊接裂纹的金属磁记忆
经网络以及其他融合优化学习算法，主要应用于铁 信号特征[J]. 天津大学学报, 2006, 39（6）: 181-184.
磁构件损伤的信号特征提取、定量识别和剩余寿命 [8] XIAO M L, HONG S D, SHI W B. Research on the
stress-magnetism effect of ferromagnetic materials based
预测中。未来，机器学习方法在金属磁记忆检测中
on three-dimensional magnetic flux leakage testing[J].
的应用将主要集中于以下几个方面。
NDT & E International, 2014, 62: 50-54.
（1）金属磁记忆检测信号具有较强的非线性， [9] 任吉林, 范振中, 陈曦, 等. 基于小波包变换的磁记
可以通过融合神经网络模型或是支持向量机、主成 忆信号特征值的提取[J]. 无损检测, 2008, 30（9）: 184-
分分析法等先进的处理方法提取信号特征。由于金 186.
属磁记忆信号的峰值、功率谱和频带能量等特征易 [10] 王继革, 王文江, 郭爽. 金属磁记忆信号特征量提取
受到高斯噪声的影响，随着计算机计算速度的进一 中的 Lipschitz 指数法[J]. 无损检测, 2008, 30（8）: 494-
步提高和人工智能的发展，对各类现有算法进行机 497.
[11] LIU S, YONG Q, HE D, et al. A new feature of
器学习并将新算法应用到金属磁记忆检测中将成为
magnetic memory signal for quantitative identification
未来发展的趋势。
of stress concentration[J]. Vibroengineering Procedia,
（2）当前机器学习在金属磁记忆检测中的应用 2021, 38: 107-112.
多聚焦于缺陷的定量分类识别，即通过提取金属磁 [12] 朱红运, 王长龙, 徐超. 基于 Wigner-Ville 分布及局部
记忆信号特征参数，引入算法提取特征信号数据，建 奇异值分解的磁记忆信号特征提取与识别[J]. 军械工
立起磁特征参数与缺陷间的定量关系模型，实现缺 程学院学报, 2012, 24（2）: 40-43.
陷的定量化识别，并能够将其进一步拓展至剩余寿 [13] 王太勇, 刘兴荣, 秦旭达, 等. 谱熵分析方法在漏磁信
号特征提取中的应用[J]. 天津大学学报, 2004, 37（3）:
命预测中。
216-220.
（3）近年来机器学习算法在无损检测领域已经
[14] 邢海燕, 葛桦, 韩亚潼, 等. 基于熵带与 DS 理论的焊
取得了一定的发展，但实际工程应用场景往往比实 缝等级磁记忆量化评价[J]. 仪器仪表学报, 2016, 37
验室更加复杂，机器学习算法种类繁多，每种算法都 （3）: 610-616.
存在自身的优劣和适用范围，没有哪一种算法能够 [15] 刘涛, 鲍宏, 朱达荣, 等. 基于磁记忆和表面纹理特征
解决全部的问题。通过融合多种机器学习算法的自 融合的再制造毛坯疲劳损伤评估[J]. 中国机械工程,
身优势，能够更加有效地提升模型的适应性和金属 2018, 29（13）: 1615.
[16] 杨茂, 张洪, 周建庭, 等. 机器学习在磁记忆无损检测
磁记忆检测的缺陷识别能力。
领域的应用及展望[J]. 重庆交通大学学报 （自然科学
参考文献： 版）, 2022,41（8）: 58.
[17] 朱达荣, 潘志远, 刘涛, 等. 金属疲劳过程磁记忆信号
[1] 张栋, 钟培道, 陶春虎, 等. 失效分析[M]. 北京：国防 多特征量提取研究[J]. 现代制造工程, 2018 （10）: 123-
工业出版社, 2004. 129.
[2] 卢兵兵,王海斗,董丽虹，等.金属磁记忆疲劳损伤 [18] ZHANG Y, HU D, CHEN J, et al. Research on non-
检测的应用现状及发展前景[J].材料导报,2021,35 destructive testing of stress in ferromagnetic components
（7）:7139-7144. based on metal magnetic memory and the Barkhausen
[3] 任吉林.金属磁记忆检测技术[M].北京：中国电力出版 effect[J]. NDT & E International, 2023, 138: 102881.
社,2000. [19] 胥永刚, 谢志聪, 孟志鹏, 等. 基于奇异值分解的磁记
[4] WANG Y Q, XU J P, SHI Y, et al. Research on the 忆信号特征提取方法[J]. 振动. 测试与诊断, 2014, 34
application of wavelet entropy theory in detecting metal （6）: 1105-1109.
94
2024 年 第 46 卷 第 8 期
无损检测