Page 44 - 理化检验-物理分册2022年第十二期

杜裕平, 等: 基于多电磁无损检测的管线钢硬度检测模型

关性较低时, 所得结果误差较大。
1 试验方法
1.2 试样制备及硬度检测
1.1 试验设备 制 备 的 试 样 尺 寸 为 750 mm ×300 mm ×

采用德国 3MA 设备( 见图 1 ) 获取电磁特征参 30mm ( 长 × 宽 × 高), 结构及测点如图 3 所示。

数, 其探头结构如图 2 所示( 图 2 中, 1 为保护壳, 2
为探头电子元件, 3 为磁轭, 4 为轭线圈, 5 为探头电
缆, 6 为弹簧加载传感器元件, 7 为磁场传感器, 8 为
电感式传感器, 9 为检测试样)。

图 3 试样结构及测点示意
首先在钢板正面取 5 个点, 探头磁场方向与轧

图 1 3MA 设备外观 制方向垂直, 每个点的采集时间为 30s , 提离距离为

2mm 。采用里氏硬度计对钢板的表面硬度进行检
测, 结果如表 1 所示。
表 1 部分试样表面硬度检测结果 HV
测点
钢板编号
1 2 3 4 5
#
1 537 539 538 538 506
#
2 468 471 475 486 465
图 2 3MA 设备探头结构示意 1.3 检测模型及评估函数
巴克豪森信号由位于试样表面上的磁感应传感 逐步回归算法是将所有解释变量逐一引入, 通
器接收, 并使用带通滤波器或低通与高通滤波器的 过 F 检验和t检验后确认显著变量, 并将不显著变
组合对检测到的信号进行滤波并放大。此后, 还需 量删除, 循 环 往 复 得 到 最 优 回 归 方 程, 用 于 拟 合。
3MA 检测系统采用的算法是逐步回归算法, 但在实
要对信号进行整流, 包括放大和 信号平滑等过程。
与 MBN 信号类似, 增量磁导率( MIP ) 检测技术也 际应用中, 为了保证实时传输和计算, 系统只选取
10 个最优特征值进行回归建模, 使得其余 31 个相
提取类似特征。
切向磁场谐波分析技术是在电压驱动磁化的情 关参数被遗弃, 导致回归模型跨度大, 拟合精度低。
的正弦激励电压施加到电磁铁 文中 采 用 的 逐 步 回 归 算 法 模 型 并 不 依 赖 于
况下, 将频率为 fM
的磁轭线圈上, 根据电磁铁的总电感和材料的磁滞 3MA 检测系统, 而 是 编 写 的 算 法。该 算 法 模 型 将
回线形状, 探头磁轭线圈中将产生与时间相关的非 41 个参数包括在内, 建立了回归方程, 进一步提升
之外, 磁化电流将会出现 了拟合的精度。逐步回归算法流程如图 4 所示。
正弦电流。除了基频 fM
人工神经网络( ANN ) 是模拟生物大脑神经系
高次谐波。
3MA 设备应用 4 种不同的涡流频率去激励检 统建立的一种数学模型, 具有很强的信息处理和自
测线圈, 对检测信号解调处理后, 得到每个频率的实 学习能力, 能有效识别复杂系统输入向量和输出向
部和虚部, 以及阻抗的幅度和相位, 这样可以使得目 量之间的非线性映射关系, 特别适用于解决输出受
标值与干扰因素分离, 有利于提高检测精度。 较多输入因素影响, 且影响关系不明确的建模问题。
3MA 设备采用多元回归方法得到电磁特征与 根据不同的学习特性和功能, ANN 可分为 BP 神经
目标的数据模型, 但这种算法依赖特征参数与目标 网络、 径向基神经网络、 线性神经网络、 自组织神经
的相关性, 具有一定的限制性。当参数与目标的相 网络等, 其中 BP 神经网络是目前应用最广泛的一
2 8