Электромагнитные методы

УДК 620.179.147

МЕТОДИКА НА ОСНОВЕ ИМПУЛЬСНЫХ ВИХРЕВЫХ ТОКОВ

ДЛЯ ОПРЕДЕЛЕНИЯ МЕХАНИЧЕСКИХ СВОЙСТВ ФЕРРОМАГНИТНЫХ

МАТЕРИАЛОВ

¹Колледж автоматики, Нанкинский университет аэронавтики и астронавтики, Нанкин, 211100

²Ведущая лаборатория Министерства промышленности и информационных технологий по

неразрушающему контролю и мониторингу на объектах высокоскоростного транспорта

*E-mail: 1826581388@qq.com

Поступила в редакцию 31.08.2020; после доработки 30.10.2020

Принята к публикации 06.11.2020

В современной сталелитейной промышленности определение механических свойств ферромагнитных материа-

лов основывается на разрушающих методах контроля, что значительно увеличивает стоимость производства. В дан-

ной статье предлагается метод оценки механических свойств ферромагнитных материалов, основанный на методах

импульсных вихревых токов (ИВТ). Во-первых, стандартные характеристики сигнала ИВТ, такие как пики дифферен-

циального сигнала и спектральные амплитуды, применяются для количественной оценки механических свойств.

Во-вторых, метод, основанный на разложении на эмпирические моды и преобразовании Гильберта—Хуанга, исполь-

зуется для выделения маргинального спектрального пика и маргинальной спектральной энергии в качестве новых

характеристик. Наконец, представлен алгоритм нейронной сети с обратным распространением (НОР) для количе-

ственной оценки параметров механических свойств. Результаты показывают, что сочетание как стандартных, так и

новых функций подходит для оценки механических свойств. Метод обладает высокой точностью количественной

оценки механических параметров.

Ключевые слова: импульсные вихревые токи, условный предел текучести, нейронная сеть с ОР, многопараметро-

вость.

DOI: 10.31857/S0130308221020081

1. ВВЕДЕНИЕ

Ферромагнитные материалы (такие как сталь) широко используются на железной дороге, в

авиакосмической промышленности и строительстве. Их механические свойства напрямую влияют

на безопасность большого количества основного оборудования. В современной сталелитейной

промышленности нельзя игнорировать метод неразрушающего контроля механических свойств

ферромагнитных материалов. Поскольку сигнал импульсного вихревого тока (ИВТ) содержит

широкий спектр, который очень чувствителен к проводимости и проницаемости материала, мето-

ды ИВТ широко используются для обнаружения дефектов, определения толщины и обнаружения

напряжений [1―3]. Тем не менее по-прежнему существует проблема расширения методов ИВТ

для контроля механических свойств ферромагнитных материалов.

Что касается определения механических свойств, разрушающие испытания (такие как испыта-

ние на растяжение) по-прежнему являются основными методами, что значительно увеличит стои-

мость производства и приводит к большому количеству отходов производства. Более того, их

нельзя встроить в производственную линию. Прогнозирование механических свойств, основанное

на химическом анализе и микроструктурных наблюдениях, может служить ориентиром для про-

цесса производства, но не стало точным методом контроля механических свойств [4―6]. В

последние годы для проведения неразрушающего контроля механических свойств ферромагнит-

ных материалов использовались различные электромагнитные методы [7―9]. Немецкий институт

Fraunhofer IZFP предложил метод 3MA для испытания механических свойств [10―12]. Метод

3MA сочетает в себе метод Баркгаузена, метод вихревых токов и измерение дифференциальной

магнитной проницаемости, то есть 41 электромагнитный параметр, со ступенчатой регрессией

механических свойств (условный предел текучести и прочность при растяжении). 3MA, хоть и

относительно продуманная методика, имеет несколько недостатков. Он дорогой, а также приводит

к взаимным помехам нескольких электромагнитных сигналов. Кроме того, требуется много време-

ни на калибровку датчика. Liu Xicheng предложил метод измерения твердости поверхности, рас-

тягивающего напряжения и глубины дефекта, в котором комбинируются измерения шумов

Баркгаузена, тангенциального магнитного поля и петель гистерезиса [13]. He Cunfu предложил

метод оценки механических свойств среднеуглеродистой стали. Используя в исследовании точеч-

Ли Кайюй, Цю Пэнчэн, Ван Пин и др.

ный электромагнитный датчик, автор делает вывод о том, что основная амплитуда линейно связа-

на с твердостью образца [14]. Большинство существующих методов неразрушающего контроля

механических свойств должны включать в себя различные электромагнитные методы и часто

используют методы одночастотных вихревых токов вместо популярных методов ИВТ. По сравне-

нию с одночастотным вихретоковым сигналом, сигнал ИВТ может выделять больше характери-

стик. Следовательно, существует большая перспектива использовать методы ИВТ для контроля

механических свойств ферромагнитных материалов [15―17]. В данной работе предлагается метод

оценки механических свойств ферромагнитных материалов на основе ИВТ. Во-первых, для при-

близительной оценки механических свойств применяются традиционные характеристики сигнала

ИВТ. Затем разложение на эмпирическое моды (РЭМ) и преобразование Гильберта―Хуанга (ПГХ)

объединяются для анализа сигнала ИВТ. Мы извлекаем новые характеристики на основе АРЭМ―

ПГХ, а затем анализируем и сравниваем эффективность новых и старых характеристик. Наконец,

алгоритм НОР используется для количественной оценки механических свойств ферромагнитных

материалов. Эффективно достигается количественная оценка трех механических свойств (услов-

ный предел текучести, прочность при растяжении и удлинение).

2. МЕТОД

2.1. Принцип метода ИВТ

Сигнал ИВТ определяется по напряженностью магнитного поля и по распределению магнит-

ного поля возле зонда, поэтому такие факторы, как амплитуда и частота сигнала возбуждения,

проводимость и проницаемость исследуемого образца, различные типы дефекта и расстояние

отрыва, влияющие на магнитное поле, будут влиять на сигнал ИВТ [18,19]. Если мы будем управ-

лять частью влияющих факторов и оставлять их постоянными, можно выявить определенные

параметры. Механические свойства ферромагнитных материалов в основном определяются

микроструктурой, а изменения микроструктуры влияют на такие электромагнитные свойства, как

проводимость и проницаемость материала [20], а затем влияют на сигнал ИВТ. Следовательно,

управляя амплитудой, частотой, отрывом зонда и другими факторами, влияющими на сигнал,

можно проанализировать взаимосвязь между сигналом ИВТ и механическими свойствами ферро-

магнитных материалов. Исходя из достаточного количества данных выборки, можно создать

модель алгоритма нейронной сети, которая принимает сигнал ИВТ на вход, а на выход подавать

механические свойства контролируемого образца.

2.2. Традиционные характеристики ИВТ-сигналов

В настоящее время существующие исследования по анализу ИВТ-сигналов проводятся в

основном с двух точек зрения — во временной области и в частотной области [21―23]. Анализ во

временной области в основном нацелен на определении изменения формы кривой отклика. Анализ

в частотной области обычно основан на преобразовании Фурье. Традиционные характеристики,

извлекаемые из сигнала ИВТ, включают как характеристики временной области, так и характери-

стики частотной области: пиковое напряжение, время пика и спектральная амплитуда. Эти харак-

теристики отражают внутреннюю информацию об исследуемом образце, которая имеет высокую

корреляцию с электромагнитными свойствами, такими как электрическая проводимость и магнит-

ная проницаемость. В этой статье мы выбрали некоторые традиционные характеристики, которые

более чувствительны к внутренним различиям контролируемых образцов. Традиционные характе-

ристики временной области, определяемые в нашем эксперименте, включают пик дифференциаль-

ного сигнала (PV_d), пик первой производной (PV_t) и единый период интеграции (F_g). Традиционные

характеристики частотной области включают основную гармонику ω₁, третью гармонику ω₃ и пик

спектральной плотности мощности P_max.

2.3. Характеристики ИВТ-сигналов, определяемые по АРЭМ―ПГХ

Большинство существующих методов анализа, включая методы анализа во временной и

частотной областях, основаны на предположении о стационарности сигнала. Поскольку сигнал

ИВТ является нестационарным сигналом, использование только традиционных характеристик

повлияет на точность анализа. Поэтому в этой статье метод анализа в частотно-временной обла-

сти, который подходит для анализа нелинейных и нестационарных сигналов с возможностью

Дефектоскопия

№ 2

2021

Методика на основе импульсных вихревых токов для определения механических свойств...

ИВТ-сигнал

ЭМ₁, ЭМ₂, ..., ЭМ_М

Преобразование Гильберта

Спектр Гильберта ЭМ₁, ЭМ₂, …,

ЭМ_м

Спектр Гильберта ИВТ-сигнала

Маргинальный спектр Гильберта ИВТ-сигнала

Определение характеристик

max(P_ms), PW_ms

Рис. 1. Алгоритм метода АРЭМ―ПГХ.

самоадаптации, используется при анализе сигналов ИВТ и определении характеристик.

Основываясь на этом, метод ансамблевого разложения на эмпирические моды (АРЭМ) и метод

преобразования Гильберта—Хуанга (ПГХ) объединяются для получения новой характеристики

частотно-временной области сигнала ИВТ. Во-первых, сигнал ИВТ раскладывается с помощью

АРЭМ. Затем спектр Гильберта и его сигнал ИВТ вычисляются в соответствии с эмпирической

модой (ЭМ), полученной путем разложения. Наконец, новый ИВТ-параметр определяется путем

анализа маргинального спектра Гильберта. Алгоритм метода АРЭМ―ПГХ показан на рис. 1.

(1) C помощью АРЭМ разложить ИВ-сигнал, чтобы получить ряд эмпирических мод ЭМ_1,ЭМ₂,

ЭМ_м и сумму остатков. Количество ЭМ определяется о формуле 1, где M ― это количество ЭМ, а

L ― длина сигнала:

М = 2 log(L) - 1.

(1)

(2) Провести преобразование Гильберта―Хуанга для каждой ЭМ, полученной при разложении

в спектр Гильберта.

(3) Интегрируя спектр Гильберта каждой ЭМ, получить исходный сигнал, то есть спектр

Гильберта ИВТ-сигнала, и затем проинтегрировать спектр Гильберта ИВТ-сигнала для получения

маргинального спектра ИВТ-сигнала.

(4) Выделить пик и энергию маргинального спектра ИВТ-сигнала в качестве новых характери-

стик (max(P_ms), PW_ms).

Новые параметры получают из маргинального спектра ИВТ-сигнала. Выделенные параметры

представляют собой маргинальный спектральный пик (max(P_ms)) и маргинальную спектральную

энергию (PW_ms). Маргинальный спектр интегрируется для получения энергии маргинального

спектра. Маргинальный спектр Гильберта ИВТ-сигнала показывает изменение амплитуд сигнала

с частотой по всей полосе частот, которая имеет большее разрешение, чем амплитудно-частотный

спектр, полученный преобразованием Фурье.

И маргинальный спектральный пик, и маргинальная спектральная энергия тесно связаны с

ИВТ-сигналом и подвержены влиянию со стороны внутреннего состояния вещества. Следовательно,

маргинальный спектральный пик (max(P_ms)) и маргинальная спектральная энергия (PW_ms) ИВТ-

сигнала определяются как новые характеристики ИВТ-сигнала временной и частотной области

2.4. Количественная оценка механических свойств на основе ОР-нейросети

ОР-нейросеть — это сеть с прямой связью, состоящая из входного слоя, выходного слоя и

одного или нескольких скрытых слоев. Типичная четырехуровневая модель ОР-нейронной сети

показана на рис. 2.

Дефектоскопия

№ 2

2021

Ли Кайюй, Цю Пэнчэн, Ван Пин и др.

Входной слой

Скрытые слои

Выходной слой

x₁

y₁

x₂

y_k

x_n

Рис. 2. Структура ОР-нейросети.

Основная особенность ОР-нейронной сети состоит в том, что сигнал распространяется вперед,

а ошибка распространяется назад [24―25]. Основная идея всего алгоритма заключается в коррек-

тировке веса и порога сети путем вычисления ошибки между выходным слоем и ожидаемым зна-

чением, чтобы ошибка максимально соответствовала требованиям. В этой статье ОР-нейронная

сеть используется для установления модели взаимосвязи между характеристиками сигнала ИВТ и

параметрами механических свойств.

Основные этапы создания нейронной сети заключаются в следующем.

(1) Определить входные и выходные данные модели ОР-нейронной сети.

Выборки делятся на обучающего выборку и тестовую выборку. К каждому сигналу добавляют-

ся данные, которые представляет собой истинное значение механических свойств, соответствую-

щих испытуемому образцу. Таким образом, каждый сигнал включает в себя три дополнительных

параметра (условный предел текучести, прочность при растяжении и удлинение) и последователь-

ность характеристик сигнала ИВТ. Входными данными модели являются наборы последователь-

ностей характеристик сигнала ИВТ образца, как показано в формуле 2, где k₁, k₂, ..., k_n представля-

ют собой различные характеристики сигнала ИВТ. Выходные данные модели включают истинные

значения механических свойств контролируемой детали, как показано в формуле 3.

X_i = [k₁, k₂ ,..., k_n ];

(2)

X₀ = [R_p 0,2 , R_m , A].

(3)

(2) Разработать структуру и параметры модели ОР-нейронной сети.

Для повышения точности количественной оценки и скорости сходимости функции выбрана

ОР-нейронная сеть с двумя скрытыми слоями, которая включает в себя входной слой, два скрытых

слоя и выходной слой. Поскольку входными данными модели являются характеристики сигнала

ИВТ, а выходными данными ― три параметра механических свойств, количество узлов входного

слоя устанавливается равным количеству характеристик, а количество узлов выходного слоя уста-

навливается равным трем.

(3) Выполнить обучение ОР-нейронной сети для получения модели нейросети.

Последовательность характеристик обучающей выборки принимается в качестве входных дан-

ных модели ОР-нейронной сети, а данные, упомянутые выше, принимается в качестве выходных

данных модели. Обучение модели ОР-нейронной сети и веса с пороговыми значениями оптимизи-

руются в соответствии с глобальной ошибкой каждой итерации. После длительного обучения,

наконец, получается модель нейронной сети BP, которая удовлетворяет требованиям к ошибкам.

Чтобы оценить достоверность установленной модели ОР-нейронной сети для количественной

оценки механических свойств, в наш эксперимент была введена средняя относительная погреш-

ность δ_ave. Различные контролируемые образцы имеют разные результаты оценки и относительные

погрешности. Средняя относительная погрешность δ_ave отражает средний уровень относительной

погрешности результатов оценивания всех протестированных выборок. Это выражается следую-

щим образом:

×100

(4)

Дефектоскопия

№ 2

2021

Методика на основе импульсных вихревых токов для определения механических свойств...

1 n

(5)

ave

∑

― рассчитыва-

емое значение; x_i― реальное значение; n ― общее количество контролируемых образцов.

3. ОБРАЗЦЫ И ЭКСПЕРИМЕНТАЛЬНАЯ УСТАНОВКА

3.1. Образцы

В этом эксперименте в качестве стандартных образцов для испытаний была выбрана партия

пластин из низколегированной стали, изготовленная «Nanjing Iron and Steel Group» по индивиду-

альному заказу. Использовали десять пластин одинаковой формы, размера, толщины, но с разными

механическими свойствами. Параметры механических свойств каждого испытуемого образца

показаны в табл. 1. Эти стандартные образцы пронумерованы от 1 до 10 и не имеют поверхност-

ных или внутренних повреждений. Условный предел текучести (R_p 0,2), прочность при растяже-

нии (R_m) и относительное удлинение (A) ― три важных параметра механических свойств для

оценки качества ферромагнитных объектов. В данной статье в основном оцениваются эти три

механических свойства.

Таблица

Механические свойства образцов

Номер образца

R_p 0,2, МПа

R_m, МПа

A, %

163

286

46,40

182

304

46,10

257

370

39,40

277

376

38,10

318

385

35,70

254

356

42,10

383

457

31,80

471

599

23,20

397

645

26,20

486

815

11,60

3.2. Экспериментальная установка

Как показано на рис. 3, система детектирования ИВТ состоит из преобразователя, генератора

сигналов возбуждения, усилителя мощности, источника питания постоянного тока, контролируе-

Генератор

сигналов

Устройство

трехмерного

позиционирования

Усилитель

Плата сбора

мощности

данных

Образец

Компьютер

промышленного

Источник питания

ИВТ-

применения

постоянного тока

преобразователь

Рис. 3. Установка ИВТ-контроля.

Дефектоскопия

№ 2

2021

Ли Кайюй, Цю Пэнчэн, Ван Пин и др.

Магнитопровод

Катушка

возбуждения

Датчик Холла

Рис. 4. Конструкция ИВТ-преобразователя.

Рис. 5. Внешний вид преобразователя.

мой детали, платы сбора данных, устройства трехмерного позиционирования и компьютера про-

мышленного применения. Преобразователь состоит из трех частей: катушки возбуждения, магнит-

ного датчика и магнитопровода. Конструкция преобразователя показана на рис. 4 и 5. Возбуждающий

сигнал подается на катушку возбуждения после усиления на усилителе мощности. Конструкция

катушки возбуждения напрямую влияет на чувствительность преобразователя. В процессе проек-

тирования установки были протестированы и сопоставлены несколько наборов катушек возбужде-

ния с разными диаметрами проводов и количеством витков, и в итоге была выбрана лучшая.

Параметры выбранной катушки возбуждения приведены в табл. 2.

Таблица

Параметры катушки возбуждения

Параметр

Значение

Диаметр эмалированного провода

0.27 мм

Внутренний диаметр катушки

5 мм

Внешний диаметр катушки

8 мм

Высота катушки

7 мм

Число витков

400

Сопротивление

40 Ом

Индуктивность

48 мГн

В эксперименте выбранный возбуждающий сигнал представляет собой меандр с амплитудой

8 В, частотой 20 Гц и скважностью 50 %. Выходная мощность составляет около 2,2 Вт, частота

дискретизации ― 20 кГц, интервал дискретизации ― 1 с.

В соответствии с схемой эксперимента каждая из отобранных десяти стальных пластин была

подвергнута 20 измерениям в разных местах пластины (за исключением краев), было получено в

общей сложности 200 комплектов сигналов. 20 сигналов от каждой стальной пластины были раз-

делены на 19 обучающих наборов сигналов и один тестовый набор. Итак, всего было 190 обучаю-

щих наборов и 10 тестовых наборов.

4. РЕЗУЛЬТАТЫ

4.1. Анализ достоверности и сравнение характеристик ИВТ-сигналов

Как описано в разделах 2.2 и 2.3, каждый сигнал содержит шесть традиционных характеристик

и две новых. Поэтому мы обучили 3 нейросети, первая из них в качестве входных данных исполь-

зовала 6 традиционных характеристик, вторая — 2 новые, а третья — и те, и те, т.е. 8 параметров

суммарно. ОР-нейронные сети были обучены с помощью 190 наборов обучающих выборок, затем

они были использованы для тестирования 10 тестовых наборов и прогнозирования трех параме-

тров механических свойств стальных листов: условного предела текучести R_p0,2, прочности при

растяжении R_m и удлинения A. Средняя относительная погрешность определения параметров

механических свойств приведены в табл. 3.

Дефектоскопия

№ 2

2021

Методика на основе импульсных вихревых токов для определения механических свойств...

Таблица

Средняя относительная погрешность определения параметров механических свойств при использовании

различных характеристик

, %

Средняя относительная ошибка δ_ave

Входные данные модели

R_p 0,2

R_m

Шесть традиционных характеристик

6,82

3,42

5,40

Две новых характеристики

5,70

3,22

2,51

Традиционные и новые характеристики

3,85

2,06

2,33

Следующие экспериментальные результаты можно получить из табл. 3.

(1) Когда в качестве входных данных использовались новые характеристики, средняя относи-

тельная ошибка для трех параметров была меньше, чем у традиционных характеристик, использу-

емых в качестве входных данных.

(2) Когда в качестве входных данных использовались традиционные и новые характеристики

вместе, результат контроля был наилучшим.

Результат эксперимента показывает, что для количественной оценки механических свойств две

новые характеристик лучше шести традиционных функций, поскольку мы считаем, что новая

характеристика содержит информацию о времени и частоте сигнала, что может точно отражать

подробную информацию об ИВТ-сигнале. У традиционных характеристик нет этого преимуще-

ства, поэтому новые характеристики лучше для оценки. Когда традиционные характеристики объ-

единяются с новыми характеристиками в качестве входных данных ОР-нейронной сети, средняя

относительная ошибка для трех параметров механических свойств является наименьшей. Это

связано с тем, что сочетание традиционных и новых характеристик является наиболее универсаль-

ным, так как, в таком случае, могут компенсироваться недостатки использования традиционных

или только новых характеристик.

Поскольку сочетание традиционных и новых характеристик в качестве входных данных дает

наилучшую оценку механических свойств, при обучении ОР-нейронной сети, которое выполняет-

ся ниже, использовались эти характеристики в совокупности.

4.2. Количественная оценка механических свойств на основе ОР-нейросети

Восемь характеристик используются в качестве входных данных модели, а три параметра

механических свойств используются в качестве выходных данных. После 200-кратного обучения

получается оптимальная структура модели с лучшей способностью к сходимости и способностью

к обобщению. Коэффициент корреляции модели показан на рис. 6.

Чем ближе коэффициент корреляции R на рис. 6 к 1, тем лучше будет эффект аппроксимации

модели нейронной сети на отношении ввода-вывода. Из рисунка видно, что коэффициент корреля-

ции между результатом обучения и целевыми данными составляет 0,9999, коэффициент корреля-

ции между результатом верификации и целевыми данными составляет 0,99026, коэффициент

корреляции между результатом прогнозирования и целевыми данными 0,98437, а коэффициент

корреляции обученной общей сетевой модели 0,99569. Результаты показывают, что расчетные зна-

чения модели хорошо коррелируют с фактическими результатами и могут использоваться для

количественной оценки механических свойств ферромагнитных материалов. Модель ОР-нейронной

сети, полученная путем обучения, использовалась для количественной оценки параметров механи-

ческих свойств тестируемых образцов. В табл. 4 ― 6 приведены результаты количественной оцен-

ки условного предела текучести R_p0,2, прочности при растяжении R_m и удлинения A испытанных

образцов по отдельности.

Из табл. 4―6 видно, что относительная погрешность количественной оценки механических

свойств испытуемого образца составляет менее 8 %. Общая точность выше, а максимальная

средняя относительная погрешность условного предела текучести R_p 0,2, прочности при растя-

жении R_m и удлинения A составляет соответственно 7,85, 4,31 и 5,74 %. Это указывает на то, что

модель ОР-нейронной сети может реализовать неразрушающую количественную оценку меха-

нических свойств ферромагнитных материалов, и это подтверждает возможность количествен-

ной оценки параметров механических свойств на основе метода ИВТ и эффективность восьми

выбранных характеристик. Эксперименты показывают, что модель ОР-нейронной сети, основан-

Дефектоскопия

№ 2

2021

Ли Кайюй, Цю Пэнчэн, Ван Пин и др.

Обучение: R = 0,9999

Верификация: R = 0,99026

Дата

Аппроксимация

Y=T

0,5

-0,5

-1

-0,5

0,5

-1

-0,5

0,5

Цель

Проверка: R = 0,98437

Все: R = 0,99569

Дата

Аппроксимация

Y=T

0,5

-0,5

-1

-0,5

0,5

-1

-0,5

0,5

Цель

Рис. 6. Коэффициент корреляции модели ОР-нейросети.

Таблица

Результаты количественной оценки условного предела текучести (R_p0,2)

Номер образца

Расчетное значение, МПа

Фактическое значение, МПа

Относительная погрешность, %

168,92

163

3,63

187,54

182

3,04

243,55

257

5,23

257,53

277

7,03

293,11

318

7,83

273,93

254

7,85

378,69

383

1,13

463,96

471

1,49

397,86

397

0,22

491,04

486

1,04

Таблица

Результаты количественной оценки прочности при растяжении (R_m)

Номер образца

Расчетное значение, МПа

Фактическое значение, МПа

Относительная погрешность, %

288,78

286

0,97

308,63

304

1,52

354,85

370

4,09

359,80

376

4,31

374,73

385

2,67

363,75

356

2,18

452,61

457

0,96

615,24

599

2,71

652,13

645

1,11

814,67

815

0,04

Дефектоскопия

№ 2

2021

Методика на основе импульсных вихревых токов для определения механических свойств...

Таблица

Результаты количественной оценки относительного удлинения (A)

Номер образца

Расчетное значение, %

Фактическое значение, %

Относительная погрешность, %

46,17

46,4

0,50

46,30

46,1

0,43

40,60

39,4

3,05

39,32

38,1

3,21

37,75

35,7

5,74

40,04

42,1

4,90

32,09

31,8

0,91

23,06

23,2

0,58

25,69

26,2

1,94

11,36

11,6

2,08

ная на характеристиках сигнала ИВТ, позволяет осуществлять неразрушающую количественную

оценку механических свойств ферромагнитных материалов и достигать более высокой точности.

5. ЗАКЛЮЧЕНИЕ И ПЕРСПЕКТИВЫ ДАЛЬНЕЙШЕЙ РАБОТЫ

В данной статье методы ИВТ применяются для количественной оценки механических

свойств ферромагнитных материалов. Во-первых, традиционные характеристики сигнала ИВТ

применяются для количественной оценки механических свойств. Затем предлагается новый

метод на основе АРЭМ―ПГХ для извлечения новых характеристик сигнала ИВТ и сравнивает-

ся эффективность новых и старых характеристик. Результат показывает, что предполагаемые

результаты для новых характеристик лучше, чем для традиционных характеристик. Наконец,

ОР-нейронная сеть используется для количественной оценки механических свойств ферромаг-

нитных материалов с традиционными и новыми характеристиками, а также осуществляется

количественная оценка трех механических свойств. Метод, предложенный в этой статье, не

только отвечает требованиям точности промышленного производства с точки зрения погреш-

ности, но также имеет преимущества неразрушающего контроля с большой практической цен-

ностью, поскольку он позволяет избежать большого количества экспериментов на растяжение и

снижает материальные потери.

Последующие эксперименты позволят расширить тип и количество образцов, увеличить раз-

мер выборки и построить более полную модель нейронной сети. Когда размер выборки станет

достаточно большим, авторы попробуют использовать глубокую сеть доверия, сверточную ней-

ронную сеть и другие алгоритмы при количественную оценку параметров механических

свойств.

Работа частично поддержана Национальной программой развития и ключевых исследований

«Разработка основных научных приборов и оборудования» (2017YFF0107304), Национальным

планом развития и ключевых исследований «Производство материалов и производство лазеров»

(2016YFB1100205), Программой разработки специальных научных приборов Министерства науки

и технологии Китая (2016YFF0103702), Национальным фондом естественных наук Китая

(61527803), Открытым фондом Нанкинского университета аэронавтики и астронавтики

(kfjj20180315), Открытым фондом ведущей лаборатории Министерства промышленности и

информационных технологий «Неразрушающий контроль и технологии мониторинга на объектах

высокоскоростного транспорта».

СПИСОК ЛИТЕРАТУРЫ

1. Desjardins D., Krause T. W., Clapham L. Transient eddy current method for the characterization of

magnetic permeability and conductivity // NDT & E International. 2016. V. 80. P. 65―70.

2. Fan M., Cao B, Sunny A. I. et al. Pulsed eddy current thickness measurement using phase features

immune to liftoff effect // NDT & E International. 2017. V. 86. P. 123―131.

3. Xu Z., Wu X., Li. et al. Assessment of wall thinning in insulated ferromagnetic pipes using the time-to-

peak of differential pulsed eddy-current testing signals // Ndt & E International. 2012. V. 51. No. 10. P. 24―29.

Дефектоскопия

№ 2

2021

Ли Кайюй, Цю Пэнчэн, Ван Пин и др.

4. Kolokolnikov S., Dubov A., Steklov O. Assessment of welded joints stress-strain state inhomogeneity

before and after post weld heat treatment based on the metal magnetic memory method // Welding in the

World. 2016. V. 60. No. 4. P. 1―8.

5. Dubov A. A., Kolokolnikov M. S. Assessment of the material state of oil and gas pipelines based on the

metal magnetic memory method // Welding in the World. 2012. V. 56. No. 3/4. P. 11―19.

6. Dubov A., Dubov A., Kolokolnikov S. Application of the metal magnetic memory method for detection

of defects at the initial stage of their development for prevention of failures of power engineering welded steel

structures and steam turbine parts // Welding in the World. 2014. V. 58. No. 2. P. 225―236.

7. Ghanei S., Saheb Alam A., Kashefi M. Nondestructive characterization of microstructure and mechanical

properties of intercritically annealed dual-phase steel by magnetic Barkhausennoise technique // Materials

Science & Engineering A. 2014. V. 607. P. 253―260.

8. Dobmann G., Altpete I., Kopp M. Nondestructive materials characterization of irradiated nuclear

pressure-vessel steel samples by the use of micromagnetic techniques and in terms of mechanical properties //

Russ. J. Nondestr. Test. 2006. V. 42. P. 272―277.

9. Altpeter Iris, Becker Raine, Dobmann Gerd, RolfKern, Theiner Werner, Yashan Andreij. Robust

solutions of inverse problems in electromagnetic non-destructive evaluation // Inverse Prob. 2002. V.18.

No. 6. P. 1907―21.

10. Dobmann G., Altpeter I., Wolter B. et al. Industrial applications of 3MA-micromagnetic multiparameter

microstructure and stress analysis // Electromagnetic Nondestructive Evaluation (XI). 2008. V. 31. P. 18―25.

11. Dobmann G., Kern R., Altpeter I. et al. Quantitative Hardening-Depth-Measurements Up to 4 mm by

Means of Micro-Magnetic Microstructure Multiparameter Analysis (3MA) // NDT & E International. 1991.

V. 24. No. 1. P. 44.

12. Stupakov A., Perevertov O., Zablotskii V. A system for controllable magnetic measurements ofhysteresis

and Barkhausen noise // IEEE Transactions on Instrumentation and Measurement. 2016. V. 65. No. 5.

P. 1087―1097.

13. Xiucheng L., Wanli S., Cunfu H. et al. Simultaneous quantitative prediction of tensile stress, surface

hardness and case depth in medium carbon steel rods based on multifunctional magnetic testing techniques //

Measurement. 2018. V. 128. P. 455―463.

14. He C., Huang Y., Liu X. et al. Feature extraction and selection for defect classification of pulsed eddy

current NDT al. Evaluation of mechanical properties in medium carbon steel with a point mode electromagnetic

sensor // Sensors & Actuators A Physical. 2018. V. 269. P. 126―136.

15. Gui Y.T., He Y., Adewale I. et al. Research on spectral response of pulsed eddy current and NDE

applications // Sensors & Actuators A Physical. 2013. V. 189. No. 2. P. 313―320.

16. Cheng W. Pulsed Eddy Current Testing of Carbon Steel Pipes’ Wall-thinning Through Insulation and

Cladding // Journal of Nondestructive Evaluation. 2012. V. 31. No. 3. P. 215―224.

17. Angani C. S., Park D. G., Kim C. G. et al. The Pulsed Eddy Current Differential Probe to Detect a

Thickness Variation in an Insulated Stainless Steel // Journal of Nondestructive Evaluation. 2010. V. 29.

No. 4. P. 248―252.

18. Huang C., Wu X., Xu Z. et al. Ferromagnetic material pulsed eddy current testing signal modeling by

equivalent multiple-coil-coupling approach // NDT&E International. 2011. V. 44. No. 2. P. 163―168.

19. Alamin M., Tian G Y., Andrews A. et al. Principal component analysis of pulsed eddy current response

from corrosion in mild steel // IEEE Sensors Journal. 2012. V. 12. No. 8. P. 2548―2553.

20. Dobmann G., Altpeter I., Wolter B. et al. Industrial applications of 3MA-micromagnetic multiparameter

microstructure and stress analysis // Electromagnetic Nondestructive Evaluation (XI). 2008. V. 31. P. 18―25.

21. Stott C. A., Underhill P R., Babbar V. K. et al. Pulsed Eddy Current Detection of Cracks in Multilayer

Aluminum Lap Joints // IEEE Sensors Journal. 2015. V. 15. No. 2. P. 956―962.

22. He Y., Tian G., Zhang H. et al. Steel Corrosion Characterization Using Pulsed Eddy Current Systems

// IEEE Sensors Journal. 2012. V. 12. No. 6. P. 2113―2120.

23. Chen T., Tian G Y., Sophian A. et al. Feature extraction and selection for defect classification of pulsed

eddy current NDT // NDT&E International. 2008. V. 41. No. 6. P. 467―476.

24. Li HF., Li GY., Zhou M. An adaptive BP-network approach to short term load forecasting // IEEE.

DRPT. 2004. P. 505―8.

25. Zhang J., Lu SL., He W.X., Wang Y.S. Diagnosis of rolling bearing vibration of BP neural network

method // Light Ind Mach. 2007. V. 25. P. 90―2.

Дефектоскопия

№ 2

2021