针对三层导电结构缺陷的检测方法

技术领域：

本发明涉及一种缺陷无损检测技术，具体涉及针对三层导电结构缺陷的检测方法。

背景技术：

多层导电结构被广泛的使用在飞机、核电站、铁轨等制造中，是重要的工业制造材料。在长期使用过程中，多层导电结构可能会受到疲劳荷载、撞击和挤压等一些外力因素，导致其铆钉连接处出现裂纹缺陷，从而可能会影响多层导电结构使用的安全性，造成经济的损失，甚至对生命造成威胁。因此需要评估多层导电结构的使用安全性，即需要检测出裂纹的位置和定量分析裂纹，估计裂纹的尺寸，从而进行针对性的维护。目前，常用的多层导电结构电涡流无损检测技术包括脉冲涡流、常规电涡流、远场涡流等检测技术。相较于常规电涡流、远场涡流等其他电涡流检测技术，脉冲涡流检测技术在频域具有更丰富的信息，并且能够有效降低趋肤效应和提离效应的影响。因此选择脉冲涡流检测技术对多层导电结构进行检测，获得和分析可以穿透多层导电结构的脉冲涡流信号，从而估计出缺陷位置和尺寸。

目前，国内外有部分学者侧重于研究基于脉冲涡流的多层导电结构缺陷检测方法，从而估计出缺陷位置：如Hosseini S等人采用Rihaczek分布分析信号的频域特征，并结合时域特征，采用主成分分析提取特征确定多层导电结构中缺陷的分布；Chen X等人采用主成分分析法对特征进行删选，再采用Fisher线性判别法区分第三层表面和亚表面的缺陷；He Yunze等人采用主成分分析法对特征进行删选，再采用支持向量机区分第一层和第二层的表面和次表面缺陷。但是这部分学者只针对单层、某一层或两层导电结构的表面或亚表面的缺陷位置进行研究，较少研究三层导电结构各层存在缺陷的情况。

另一部分学者通过电涡流检测，估计多层导电结构中某一层的缺陷尺寸，如Abidin I Z利用不同的脉冲宽度的激励信号检测多层导电结构，并提取相应脉冲涡流检测信号的频率分量作为特征，说明该特征能够在一定程度上体现缺陷尺寸的变化情况。虽然该文献提取的特征能够反应出尺寸信息，但是没有具体对缺陷尺寸做出定量分析；张思全通过有限元方法对多层导电结构隐藏的腐蚀缺陷进行定量分析；Stott C A采用主成分分析和聚类算法对多层导电结构的第二层缺陷进行定量分析。但是上述学者只对某一层存在的缺陷尺寸进行定量分析。

此外上述这些学者都没有综合考虑缺陷位置与尺寸的问题，因此另一小部分学者同时综合研究缺陷位置与尺寸估计问题，如Huang P采用基于信息散度指数的投影追踪，提取信号特征用于对缺陷进行定位与定量。但是该文献采用信息散度指数的投影追踪对特征进行降维时，容易受到冗余、无效特征的影响，导致根据降维得到的新特征对缺陷进行定位与定量分析的效果较差。此外部分学者提出的主成分分析法是一种无监督的特征提取方法，没有很好的利用特征的先验知识进行识别。

总之，目前学者较少涉及三层导电结构下的缺陷位置和尺寸分析、只对某一层存在的缺陷尺寸进行定量分析，存在降维算法效果较差等缺点，有鉴于此，本案由此而生。

发明内容：

本发明提出一种针对三层导电结构缺陷的检测方法，通过提取47维特征参数，并采用基于AIC和Fisher的特征降维方法，寻找最优的特征降维维度，最后利用支持向量机(SVM)构造分类器，采用粒子群算法对分类器模型参数进行寻优，从而提高缺陷位置和尺寸的识别精度，降低模型训练时间。

为了实现上述发明目的，本发明所采用的技术方案为：

针对三层导电结构缺陷的检测方法，包括如下步骤：

步骤1：制作三层导电结构的无缺陷试件及若干有缺陷试件，每个有缺陷试件中的缺陷仅设置在其中一层，采用脉冲涡流检测设备对制作的试件进行检测，获得脉冲涡流检测信号数据，并作为训练样本，构建缺陷位置识别训练集和缺陷尺寸识别训练集；

步骤2：参数初始化设置：初始化独立参数系数λ以及初始化当前所处模式，设置降维维度阈值K

步骤3：根据当前所处模式读取对应模式下的数据，并将脉冲涡流信号转化为时域信号，提取时域特征参数；将时域信号进行傅里叶变换，提取频域特征参数；分解时域信号并进行希尔伯特变换，提取瞬时频域特征参数；合并所提取的脉冲涡流信号的时域、频域和瞬时频域特征参数来构造特征集Λ；

步骤4：判断当前所处模式：如果当前模式为“缺陷位置训练模式”或“缺陷尺寸训练模式”，则继续执行步骤5以及后续步骤；如果当前模式为“检测模式”，则直接跳到步骤8；

步骤5：利用Fisher方法将特征集Λ降到K维，计算和记录K维维度对应的AIC值；

步骤6：判断K是否大于阈值K

步骤7：对分类器进行训练，采用粒子群方法对惩罚因子和高斯函数核参数进行寻优，完成训练，并保存训练好的分类器；

判断当前模式：如果当前模式为“缺陷位置训练模式”，则将当前模式修改为“缺陷尺寸训练模式”，令FLQ＝1，K＝1，然后跳到步骤3；如果当前模式为“缺陷尺寸训练模式”且FLQ<4，则令FLQ＝FLQ+1，K＝1，跳到步骤3；如果当前模式为“缺陷尺寸训练模式”且FLQ＝4，则将当前模式修改为“检测模式”，令投影矩阵

步骤8：对特征集Λ进行投影，读取投影后的特征集Λ”，调用缺陷位置识别分类器识别缺陷位置并输出，若识别结果为无缺陷，则跳到步骤3；若识别结果为有缺陷，则对特征集Λ重新进行投影，并调用缺陷尺寸识别分类器识别缺陷尺寸，输出缺陷尺寸后重新执行步骤3。

进一步，所述步骤1中的试件共19个，1个无缺陷试件和18个有缺陷试件，缺陷尺寸设置如下6种：2mm、3mm、4mm、5mm、6mm、7mm，将6种缺陷尺寸的缺陷分别设置在第一层导电结构中，形成6个第一层有缺陷的试件；将6种缺陷尺寸的缺陷分别设置在第二层导电结构中，形成6个第二层有缺陷的试件；将6种缺陷尺寸的缺陷分别设置在第三层导电结构中，形成6个第三层有缺陷的试件。

进一步，所述获得脉冲涡流检测信号数据中，每一种有缺陷试件的200组脉冲涡流检测信号数据和无缺陷350组脉冲涡流检测信号数据，且每组具有2000个采样数据；选取350组且每组2000个的无缺陷信号数据、每一层随机选取2mm、3mm、4mm、5mm、6mm和7mm各50组且每组2000个的有缺陷试件信号数据作为缺陷位置识别的训练集；三层中每一层的2mm、3mm、4mm、5mm、6mm和7mm缺陷尺寸各选择200×2000个信号数据，则每一层获得6×200组且每组2000个的信号数据作为缺陷尺寸识别的训练集。

进一步，所述步骤3中当前所处模式为“缺陷位置训练模式”，则读取缺陷位置识别的训练集；若当前所处模式为“缺陷尺寸训练模式”，且当FLQ＝1时，读取第一层缺陷尺寸识别的训练集；当FLQ＝2时，读取第二层缺陷尺寸识别的训练集；当FLQ＝3时，读取第三层缺陷尺寸识别的训练集；若当前所处模式为“检测模式”，则读取直接检测的三层导电结构的脉冲涡流信号数据。

进一步，所述步骤3中提取的时域特征参数分别为脉冲涡流信号的峰值、过零点时间和峰值时间；提取的频域特征参数为脉冲涡流信号的基频分量以及二次至十二次谐波分量；利用经验模态分解算法分解脉冲涡流信号的时域信号，得到四个本征模态函数，对四个本征模态函数进行希尔伯特变换，提取的时频域特征参数包括脉冲涡流信号的四个本征模态函数的均值、瞬时相位方差、瞬时频率方差、瞬时幅度方差、以及边际谱的带宽、方差、面积、最大值。

进一步，所述傅里叶变换按照公式(1)进行：

其中，F(w

希尔伯特变换按照公式(2)进行：

其中，c

通过公式(3)计算四个本征模态函数的瞬时幅度，通过公式(4)计算四个本征模态函数的瞬时相位，通过公式(5)计算四个本征模态函数的瞬时频率，通过公式(6)计算四个本征模态函数的边际谱：

w

其中，a

进一步，所述步骤5中的降维方法如下：

通过公式(7)计算特征样本类内散度矩阵S

其中，C表示缺陷类别数量，x

通过Fisher的降维准则J(W

其中，W

AIC值计算方法如下：

通过公式(10)计算每个K维样本的类内偏差：

其中，D

其中，Γ表示极大似然估计函数，n表示样本总数量，u

考虑特征维度会影响SVM算法时间复杂度，因此将特征降维维度K作为AIC需要考虑的独立参数量，根据公式(11)得到的极大似然估计函数构造公式(12)，计算K维维度对应的AIC值：

其中，λ表示独立参数系数。

进一步，所述步骤6中分类器根据公式(13)中的模型构造，具体如下：

其中，Q(α)表示分类模型,α

进一步，如果当前模式为“缺陷位置训练模式”时，构造缺陷位置识别分类器，利用模型(13)构造4个分类模型，即SVM-0L，SVM-1L，SVM-2L，SVM-3L，其中，SVM-0L将训练特征集Λ'中无缺陷的特征作为正样本集，其他特征作为负样本集；SVM-1L将训练特征集Λ'中第一层的特征作为正样本集，其他特征作为负样本集；SVM-2L将训练特征集Λ'中第二层的特征作为正样本集，其他特征作为负样本集；SVM-3L将训练特征集Λ'中第三层的特征作为正样本集，其他特征作为负样本集，保存

如果当前模式为“缺陷尺寸训练模式”，且当FLQ＝1时，保存

进一步，所述步骤8中对特征集Λ的投影根据公式(14)进行：

Λ”＝W'

当缺陷位置识别分类器识别结果为第一层缺陷时，则读取参数

本发明的有益效果主要表现在：本发明提出利用傅里叶变换和希尔伯特变换分析脉冲涡流检测信号频域和瞬时频域并提取特征，并且提取信号时域中峰值、过零点时间等特征，能较好并全面得到三层导电结构的缺陷信息。提出基于AIC和Fisher的特征降维方法，减少特征冗余，能够使降维后的特征更好的表征缺陷类型，提高分类器的识别精度和效率，最后利用SVM构造分类器，采用粒子群算法对分类器模型参数进行寻优，能够提高训练速度和精度。最终本发明可提高缺陷位置和尺寸识别的查准率和查全率，降低缺陷尺寸识别的误差。

以下通过附图和具体实施方式对本发明做进一步阐述。

附图说明：

图1为本发明缺陷检测方法的流程图。

具体实施方式：

本实施例公开一种针对三层导电结构缺陷的检测方法，如图1所示，该方法的实现过程说明如下：

步骤1：制作试件，收集试件的脉冲涡流检测信号数据作为训练样本。

其中，本实施例中制作的试件为19个，其中一个试件为无缺陷试件(即三层导电结构都不存在缺陷)。剩余18个试件均为有缺陷试件，本次缺陷尺寸设置如下：2mm、3mm、4mm、5mm、6mm、7mm。上述给出的6种缺陷尺寸分别设置在6个有缺陷试件的第一层中，且确保这6个试件其他层无缺陷，形成缺陷位于第一层的6种缺陷尺寸的试件；按照上述方式，将6种缺陷尺寸再分别设置在另外6个有缺陷试件的第二层中，且确保其他层无缺陷，此时形成位于第二层的6个缺陷尺寸的试件；将6种缺陷尺寸再分别设置在剩余6个有缺陷试件的第三层中，且确保其他层无缺陷，此时形成位于第三层的6个缺陷尺寸的试件。如此就形成了一个无缺陷试件，6个缺陷位于第一层的6种缺陷尺寸试件，6个缺陷位于第二层的6种缺陷尺寸试件，6个缺陷位于第三层的6种缺陷尺寸试件，共计19个试件。

采用脉冲涡流检测设备对上述19个试件进行检测，获得每一种有缺陷试件的200组脉冲涡流检测信号数据和无缺陷350组脉冲涡流检测信号数据，且每组具有2000个采样数据。选取350组且每组2000个的无缺陷信号数据、每一层随机选取2mm、3mm、4mm、5mm、6mm和7mm各50组且每组2000个的有缺陷试件信号数据作为缺陷位置识别的训练集。三层中每一层的2mm、3mm、4mm、5mm、6mm和7mm缺陷尺寸各选择200×2000个信号数据，则每一层获得6×200组且每组2000个的信号数据作为缺陷尺寸识别的训练集。

步骤2：参数初始化设置：初始化独立参数系数λ以及初始化当前所处模式，设置降维维度阈值K

步骤3：判断当前模式：模式类型分为“缺陷位置训练模式”、“缺陷尺寸训练模式”、“检测模式”；若当前模式为“缺陷位置训练模式”，则读取缺陷位置识别的训练集，然后执行步骤4；若当前模式为“缺陷尺寸训练模式”，且当FLQ＝1时，读取第一层缺陷尺寸识别的训练集；当FLQ＝2时，读取第二层缺陷尺寸识别的训练集；当FLQ＝3时，读取第三层缺陷尺寸识别的训练集，然后执行步骤4；若当前模式为“检测模式”，则读取直接检测的三层导电结构的脉冲涡流信号数据，然后执行步骤4。

步骤4：将每一组的脉冲涡流信号转化为时域信号，并提取时域特征参数。

在详细介绍本步骤4内容前，先明确几个概念：“峰值”是指脉冲涡流信号的上升沿和下降沿同时检测到瞬态响应信号的最大电压幅值；“过零点时间”是指从脉冲涡流信号的上升沿或下降沿开始到瞬态响应信号电压幅值降为零的时间间隔；“峰值时间”是指从脉冲涡流信号的上升沿或下降沿开始到电压峰值的时间间隔。将每一组的脉冲涡流信号转化为时域信号，令脉冲涡流信号的幅值函数为f(t)，其中，t表示时间，则峰值为max(f(t))，令到达峰值的时间点为t

步骤5：对步骤4中的时域信号进行傅里叶变换，并提取频域特征参数。

其中，对每一组脉冲涡流信号的时域信号进行如公式(1)所示的傅里叶变换。

其中，F(w

步骤6：分解时域信号，并进行希尔伯特变换。

利用经验模态分解算法分解每一组脉冲涡流信号的时域信号，得到四个本征模态函数。通过公式(2)对四个本征模态函数进行希尔伯特变换。

其中，c

步骤7：提取瞬时频域特征参数，构造特征集Λ。

通过公式(3)计算四个本征模态函数的瞬时幅度，通过公式(4)计算四个本征模态函数的瞬时相位，通过公式(5)计算四个本征模态函数的瞬时频率，通过公式(6)计算四个本征模态函数的边际谱。

w

其中，a

判断当前模式：如果当前模式为“缺陷位置训练模式”或“缺陷尺寸训练模式”，则继续执行步骤8以及后续步骤；如果当前模式为“检测模式”，则直接跳到步骤14。

步骤8：利用Fisher方法将特征集Λ降到K维，具体降维方法如下：

8.1)通过公式(7)计算特征样本类内散度矩阵S

其中，C表示缺陷类别数量，x

8.2)通过Fisher的降维准则J(W

其中，W

步骤9：计算和记录K维维度对应的AIC值，具体计算方法如下：

9.1)通过公式(10)计算每个K维样本的类内偏差。

其中，D

其中，Γ表示极大似然估计函数，n表示样本总数量，u

9.2)考虑特征维度会影响SVM算法时间复杂度，因此将特征降维维度K作为AIC需要考虑的独立参数量，根据公式(11)得到的极大似然估计函数构造公式(12)，计算K维维度对应的AIC值：

其中，λ表示独立参数系数。

步骤10：判断K是否大于阈值K

步骤11：判断当前模式，构造对应模式下的分类器。

如果当前模式为“缺陷位置训练模式”时，利用模型(13)构造4个分类模型，即SVM-0L，SVM-1L，SVM-2L，SVM-3L作为缺陷位置识别分类器。其中，SVM-0L将训练特征集Λ'中无缺陷的特征作为正样本集，其他特征作为负样本集；SVM-1L将训练特征集Λ'中第一层的特征作为正样本集，其他特征作为负样本集；SVM-2L将训练特征集Λ'中第二层的特征作为正样本集，其他特征作为负样本集；SVM-3L将训练特征集Λ'中第三层的特征作为正样本集，其他特征作为负样本集，保存

如果当前模式为“缺陷尺寸训练模式”，且当FLQ＝1时，保存

如果当前模式为“缺陷尺寸训练模式”，且当FLQ＝2时，保存

如果当前模式为“缺陷尺寸训练模式”，且当FLQ＝3时，保存

其中，Q(α)表示分类模型,α

步骤12：利用特征集Λ'对分类器进行训练，同时采用粒子群方法对惩罚因子和高斯函数核等参数进行寻优，完成训练，并保存该分类器。

步骤13：判断当前模式：如果当前模式为“缺陷位置训练模式”，则将当前模式修改为“缺陷尺寸训练模式”，令FLQ＝1，K＝1，然后跳到步骤3；如果当前模式为“缺陷尺寸训练模式”且FLQ<4，则令FLQ＝FLQ+1，K＝1，跳到步骤3；如果当前模式为“缺陷尺寸训练模式”且FLQ＝4，则将当前模式修改为“检测模式”，令

步骤14：利用投影矩阵W'

Λ”＝W'

步骤15：根据特征集Λ”，调用缺陷位置识别分类器来识别缺陷位置：如果识别结果为无缺陷，则输出结果“当前无缺陷”，并跳到步骤3；如果识别结果为第一层缺陷，则读取参数

步骤16：根据公式(14)对特征集Λ重新进行投影，重新获得特征集Λ”，并根据缺陷位置识别结果，调用相应的缺陷尺寸分类器进行缺陷尺寸识别(如果缺陷位置识别结果为第一层缺陷，则调用第一层缺陷尺寸识别分类器；如果缺陷位置识别结果为第二层缺陷，则调用第二层缺陷尺寸识别分类器；如果缺陷位置识别结果为第三层缺陷，则调用第三层缺陷尺寸识别分类器)，然后输出直接检测的三层导电结构的缺陷位置和尺寸后，跳转至步骤3。

以上实施例仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围中。