一種多傳感器云融合技術(shù)的亞表面缺陷深度檢測(cè)算法

對(duì)于大組件的導(dǎo)電件的異表面缺陷（如折疊和鉆孔部分的疲勞裂紋和耐腐蝕性）的定量化損害，一直是航空航天、鐵路、加工和制造等重要領(lǐng)域需要調(diào)查和解決的問(wèn)題。近年來(lái),隨著航空航天、交通、核電等重要行業(yè)的迅速發(fā)展,亞表面缺陷檢測(cè)已然成為行業(yè)亟需解決的重要問(wèn)題。無(wú)損檢測(cè)作為一種安全性高、完整性強(qiáng)的技術(shù),也成為國(guó)內(nèi)外專(zhuān)業(yè)學(xué)者研究的熱點(diǎn)領(lǐng)域由于單一傳感器檢測(cè)具有各自的特點(diǎn)和有限的適用范圍,無(wú)法全面地檢測(cè)各類(lèi)亞表面缺陷。因此,多傳感器復(fù)合無(wú)損檢測(cè)技術(shù)應(yīng)運(yùn)而生?；诙鄠鞲衅鲝?fù)合無(wú)損檢測(cè)的技術(shù)主要涉及信號(hào)處理分析、數(shù)值建模、數(shù)據(jù)融合以及反演分析等學(xué)科領(lǐng)域,屬于新型檢測(cè)技術(shù)的研究范疇針對(duì)亞表面缺陷深度的檢測(cè),不同傳感器產(chǎn)生的各種特征信息難以直接應(yīng)用的難題,本文提出了一種基于多傳感器云融合技術(shù)的亞表面缺陷深度檢測(cè)算法。多傳感器融合技術(shù)起源于20世紀(jì)70年代,被廣泛地應(yīng)用于各種智能平臺(tái)以及許多民事領(lǐng)域。多傳感器信息融合實(shí)際上是對(duì)人腦綜合處理復(fù)雜問(wèn)題的一種功能模擬。與單一傳感器檢測(cè)相比,運(yùn)用多傳感器信息融合技術(shù)在解決探測(cè)、跟蹤和目標(biāo)識(shí)別等問(wèn)題方面,能夠增強(qiáng)系統(tǒng)生存能力,提高整個(gè)系統(tǒng)的可靠性和健壯性。作為多傳感器融合的研究熱點(diǎn)之一,國(guó)內(nèi)外專(zhuān)家已經(jīng)進(jìn)行了大量的研究,提出了許多信息融合技術(shù)但是,傳統(tǒng)數(shù)據(jù)融合方法無(wú)法處理大量實(shí)驗(yàn)數(shù)據(jù)產(chǎn)生的模糊隸屬度函數(shù),且為了提高傳統(tǒng)數(shù)據(jù)融合方法的計(jì)算精度,本文提出了一種多傳感器云融合技術(shù)的亞表面缺陷深度檢測(cè)算法,克服單一傳感器檢測(cè)的局限性。對(duì)于渦流檢測(cè)與超聲檢測(cè)兩類(lèi)傳感器提取的特征信息,引用云滴數(shù)學(xué)模型獲取各種傳感器測(cè)量下各類(lèi)缺陷的隸屬度分布,并在此基礎(chǔ)上提出了一種D-S+PCR信息融合算法對(duì)不同傳感器獲取的信息進(jìn)行融合,以實(shí)現(xiàn)檢測(cè)亞表面缺陷深度的目的。1回波時(shí)間與定量論域通過(guò)文獻(xiàn)分析首先,本文簡(jiǎn)要地介紹云滴數(shù)學(xué)模型的一些基本概念。一維正態(tài)云滴模型可以用期望E,熵En,超熵He3個(gè)數(shù)字特征來(lái)反映。設(shè)U是一個(gè)用精確數(shù)值表示的一維定量論域,T是論域U上的定性概念,x是定義于U上的隨機(jī)變量X的一次實(shí)現(xiàn)。若x滿足:x~N(E以矩形缺陷為例,本文采用多頻電渦流檢測(cè)試驗(yàn)系統(tǒng)測(cè)量缺陷的幅度信息,超聲波檢測(cè)系統(tǒng)測(cè)量缺陷的回波時(shí)間信息。為獲得不同亞表面缺陷深度的期望、熵、超熵,對(duì)已知深度為1mm~4.5mm的亞表面缺陷每隔0.5mm各采樣100組數(shù)據(jù),獲得幅度數(shù)據(jù)為W=(w將幅度數(shù)據(jù)W與回波時(shí)間數(shù)據(jù)C代入式(2),可以得到深度為1mm~4.5mm、間隔0.5mm的8類(lèi)亞表面缺陷的幅度期望E式中:En2d-s+pcr多值映射獲得未知深度的待檢驗(yàn)亞表面缺陷樣本t的各類(lèi)隸屬度后,需將渦流傳感器與超聲傳感器的數(shù)據(jù)進(jìn)行融合。20世紀(jì)60年代美國(guó)哈佛大學(xué)數(shù)學(xué)家Dempster在利用上、下限概率解決多值映射問(wèn)題時(shí),提出了著名的D-S證據(jù)理論以及對(duì)應(yīng)的數(shù)據(jù)融合方法定義M引入PCR理論由于云滴模型得到待測(cè)樣本屬于各類(lèi)缺陷深度的隸屬度μ通過(guò)式(6)可以計(jì)算得到待檢測(cè)樣本t屬于第i類(lèi)深度的概率n由于待檢驗(yàn)樣本的缺陷深度未知,且并不一定嚴(yán)格屬于上述的八類(lèi)缺陷深度。因此,獲得待檢測(cè)樣本t屬于第i類(lèi)缺陷深度的概率n式中:a、b、c表示待擬合的參量。3實(shí)驗(yàn)系統(tǒng)及檢測(cè)參數(shù)本文設(shè)計(jì)實(shí)驗(yàn)對(duì)比經(jīng)典Bayes變換的D-S融合檢測(cè)算法、單傳感器檢測(cè)算法與多傳感器云融合技術(shù)的檢測(cè)算法,分別檢測(cè)不同深度的亞表面缺陷來(lái)驗(yàn)證本文算法的有效性。本文設(shè)計(jì)的渦流檢測(cè)系統(tǒng)與超聲檢測(cè)系統(tǒng)如圖2所示。渦流檢測(cè)設(shè)備由探頭、激勵(lì)信號(hào)產(chǎn)生電路、檢測(cè)信號(hào)調(diào)理電路、數(shù)據(jù)采集卡、計(jì)算機(jī)以及兩軸運(yùn)動(dòng)平臺(tái)組成。其中探頭分為檢測(cè)探頭和參考探頭,探頭同時(shí)包含了激勵(lì)線圈和檢測(cè)線圈,檢測(cè)探頭置于試件之上,參考探頭一般置于參考試件上或簡(jiǎn)單懸空,本設(shè)計(jì)中將參考探頭懸空,檢測(cè)探頭信號(hào)和參考探頭信號(hào)進(jìn)行差分得到有用信號(hào);激勵(lì)信號(hào)產(chǎn)生電路用來(lái)產(chǎn)生不同頻率的電渦流激勵(lì)信號(hào);檢測(cè)信號(hào)調(diào)理電路用于對(duì)探頭的輸出信號(hào)進(jìn)行硬件處理,通常包括濾波、放大和檢波等電路環(huán)節(jié);信號(hào)調(diào)理單元的輸出信號(hào)由NI的數(shù)據(jù)采集卡進(jìn)行A/D轉(zhuǎn)換并采集到計(jì)算機(jī)中,用Labview軟件在計(jì)算機(jī)中編寫(xiě)相應(yīng)上位機(jī)程序,對(duì)采集信號(hào)進(jìn)一步進(jìn)行軟件濾波,去噪等信號(hào)預(yù)處理,通過(guò)上位機(jī)可以控制激勵(lì)信號(hào)產(chǎn)生電路產(chǎn)生不同頻率的電渦流激勵(lì)信號(hào)和運(yùn)動(dòng)平臺(tái)根據(jù)需求拖動(dòng)試件;運(yùn)動(dòng)平臺(tái)采用固高公司的兩軸伺服機(jī)構(gòu)。實(shí)驗(yàn)時(shí)試件在運(yùn)動(dòng)平臺(tái)的拖動(dòng)下移動(dòng),檢測(cè)探頭掛在被測(cè)試件上方,試件拖動(dòng)的速度為0.02m/s,由于運(yùn)動(dòng)平臺(tái)的抖動(dòng)性,使得探頭的提離在0.1mm~0.5mm之間隨機(jī)變化,渦流信號(hào)的激勵(lì)頻率采用250Hz,每種試件在不同提離的條件下各掃描100次。本文設(shè)計(jì)導(dǎo)電結(jié)構(gòu)體背面缺陷的檢測(cè)實(shí)驗(yàn),被測(cè)缺陷深度存在較小的區(qū)別,旨在通過(guò)實(shí)驗(yàn)檢測(cè)和數(shù)據(jù)分析,對(duì)缺陷深度做出定量化估計(jì)。實(shí)驗(yàn)采用超聲檢測(cè)設(shè)備是上材電磁的UTA-3062E型雙通道超聲檢測(cè)儀,主要由超聲檢測(cè)探頭、內(nèi)置的數(shù)據(jù)采集卡以及工控機(jī)組成。實(shí)驗(yàn)采用食用油作為耦合劑,使超聲波探頭和被測(cè)試件緊密黏合,將超聲波探頭移動(dòng)至試件背面有缺陷的位置處(提前標(biāo)出),觀察在上位機(jī)上顯示的超聲波波形,待波形穩(wěn)定后,存儲(chǔ)超對(duì)應(yīng)的波形數(shù)據(jù),如此反復(fù)測(cè)試。為此,對(duì)已知深度為1mm~4.5mm的亞表面缺陷每隔0.5mm分別采用渦流傳感器與超聲傳感器各采樣100組數(shù)據(jù),估算云滴模型的期望、熵、超熵,如表1和表2所示。通過(guò)參數(shù)繪制了4.5mm、4mm以及3.5mm三類(lèi)深度缺陷的渦流傳感器隸屬度函數(shù)曲線與超聲傳感器隸屬度函數(shù)曲線,如圖4和圖5所示。從圖4和圖5中可以看出:每類(lèi)缺陷深度隸屬度曲線都呈現(xiàn)清晰的高斯分布特性;且不同的缺陷深度隸屬度函數(shù)有重疊區(qū)域,說(shuō)明采用單一的測(cè)量方法易出現(xiàn)誤判現(xiàn)象。通過(guò)表1和表2獲得的數(shù)字特征建立的云滴數(shù)學(xué)模型,對(duì)未知深度的20個(gè)缺陷樣本進(jìn)行檢測(cè),計(jì)算缺陷深度估計(jì)值與真實(shí)值的誤差。運(yùn)用式(4)~式(7),計(jì)算出此20個(gè)樣本的缺陷深度估計(jì)值。對(duì)比經(jīng)典Bayes變換的D-S融合檢測(cè)算法與多傳感器云融合技術(shù)的檢測(cè)算法,20個(gè)未知深度的缺陷樣本檢測(cè)誤差如圖6所示。對(duì)比多傳感器云融合技術(shù)的檢測(cè)算法與超聲檢測(cè)、渦流檢測(cè)等單一傳感器檢測(cè)算法,20個(gè)未知深度的缺陷樣本檢測(cè)誤差如圖7所示。實(shí)驗(yàn)結(jié)果顯示:對(duì)比傳統(tǒng)Bayes變換下的D-S證據(jù)融合檢測(cè)技術(shù)與單傳感器檢測(cè)技術(shù),本文提出多傳感云融合技術(shù)的檢測(cè)算法具有較高的識(shí)別準(zhǔn)確率。4亞表面缺陷深度的檢測(cè)與估算為檢測(cè)亞表面缺陷的深度,本文提出了一種多傳感器云融合技術(shù)的檢測(cè)算法。通過(guò)超聲傳感器與渦流傳感器兩種方法檢測(cè)亞