Page 126 - 无损检测2024年第九期
P. 126
龚思璠，等：
碳钢焊缝典型缺陷的非线性特征
表4 不同缺陷信号的近似熵统计值 4 结论
缺陷类型 最大值 最小值 均值 变差系数 偏态系数
（1）缺陷信号的非线性定性识别结果表明，5种
气孔 0.660 1 0.471 8 0.600 2 0.145 0 −0.680 1
缺陷信号的递归图具有周期性和随机性共存的复杂
夹渣 0.721 0 0.594 6 0.639 0 0.070 2 0.656 8
结构，表明超声波在含缺陷试块内的传播具有非线
未熔合 0.766 3 0.424 9 0.582 0 0.217 1 0.130 3
性特征，验证了基于非线性动力学理论研究缺陷信
未焊透 0.767 4 0.419 2 0.631 0 0.229 2 0.097 2
号的可行性。
纵向裂纹 0.667 4 0.395 4 0.508 8 0.193 4 0.336 9
（2）缺陷信号的非线性定量分析结果表明，5种
根据表2~表4可知，不同种类的缺陷信号均有
缺陷信号均有较为稳定的盒维数，表明缺陷信号具有
较为稳定的盒维数，表明缺陷信号具有分形特征；所
分形特征；5种缺陷信号的最大Lyapunov指数均大于
有缺陷信号的最大Lyapunov指数均大于零，表明缺 零，表明缺陷信号具有混沌特征；5种缺陷信号的近
陷信号具有混沌特征；不同种类缺陷信号的近似熵 似熵不一样，表明各种缺陷信号的复杂程度不同。
不一样，表明各种缺陷信号的复杂程度不同。还可 （3） 5种缺陷信号的盒维数值比较相近，单纯采
以发现，5种缺陷信号的盒维数值比较相近，单纯采 用盒维数无法对5种缺陷信号进行准确分类；采用
用盒维数无法对5种缺陷信号进行准确分类；采用 最大Lyapunov指数和近似熵可以有效识别出纵向裂
最大Lyapunov指数和近似熵可以有效识别出纵向裂 纹，但对其他4种缺陷信号分类效果不佳。为了更
纹，但对其他4种缺陷信号的分类效果不佳。从盒 准确地对缺陷信号进行有效识别并分类，需要融合
维数、最大Lyapunov指数和近似熵的定义可知，3种 多种非线性特征指标进行综合判定。
非线性特征参数都能够在一定程度上表征缺陷信号
参考文献：
的混沌特征，但其侧重点不同。盒维数是缺陷信号
分形特征的一种度量，最大Lyapunov指数反映了缺 [1] 李师瑶，侯磊，熊毅，等. 油气管道本质安全影响因素
分析及启示[J]. 中国安全生产科学技术，2017，13（11）：
陷信号对初始条件的敏感依赖性，是对缺陷信号可
79-84．
预测性的一种度量，近似熵主要反映缺陷信号的复 [2] 王星. 常压储罐完整性管理系统的研究与应用[D]. 北
杂无序程度。因此，为了更准确地对缺陷信号进行 京：北京化工大学，2018．
有效识别并分类，需要融合多种非线性特征指标进 [3] 孙京，樊建春，何守杰，等. 油气储罐罐壁焊缝静载拉
行综合判定。 伸检测试验研究[J]. 中国安全生产科学技术，2021，
焊接缺陷通常具有凸凹不平和随机分布等特 17（1）：67-73．
[4] 李娜，王学影，胡晓峰，等. 基于改进PP-YOLOv2 的
征，其形貌往往具有非线性特征，因此非线性动力学
IC引脚焊接缺陷检测算法研究[J]. 计量学报，2023，
方法为缺陷识别提供了一条新思路。相控阵超声检 44（10）：1574-1581．
测仪采集到的缺陷信号反映的是超声波经过焊缝内 [5] NGAN H Y T，PANG G K H，YUNG N H C.
部缺陷区域并经过复杂传播的非线性时间序列，能 Performance evaluation for motif-based patterned texture
够在一定程度上表征缺陷的内部特征。文章提取焊 defect detection[J]. IEEE Transactions on Automation
接缺陷信号的3种非线性特征值结果也表明， 不同种 Science and Engineering，2010，7（1）：58-72．
[6] YANG D M，CUI Y R，YU Z Y，et al. Deep learning
类的缺陷信号均具有非线性动力学特性。因此，采
based steel pipe weld defect detection[J]. Applied
用非线性特征参数表征焊接缺陷类型具有合理性。 Artificial Intelligence，2021，35（15）：1237-1249．
现阶段，在相控阵超声检测碳钢焊缝缺陷信号 [7] 宋俊俊， 胡斌，王强，等. 12 Cr1 MoVG蒸汽管道蠕变
特征提取方面，国内外研究者做了较多工作，常见的 的反射式非线性超声无损检测分析[J]. 中国安全生产
有时域特征、频域特征、时频融合特征等方法，但传 科学技术，2022，18（12）：129-134．
统的特征提取方法难以有效反映缺陷信号的非线性 [8] MERY D，BERTI M A. Automatic detection of welding
defects using texture features[J]. Insight-Non-Destructive
特征。为了更好地实现焊缝典型缺陷的智能识别，
Testing and Condition Monitoring，2003，45（10）：676-
基于非线性动力学方法提取缺陷信号的特征值，对 681．
其进行筛选与构建基于机器学习的缺陷信号分类特 [9] 张帅领，张磊. 基于变分模态分解的风电机组水冷壁管
征向量，是值得深入研究的课题。 焊接裂纹缺陷识别方法[J]. 焊接技术，2023，52（10）：
88
2024 年 第 46 卷 第 9 期
无损检测
