磁记忆检测技术之铁磁性金属材料早诊断
传统的无损检测技术，如超声、射线、涡流检测法，只能针对已发展成形的宏观缺陷或绝大多数较为显著的微观缺陷进行检测，如裂纹、折叠、夹杂物等。检测设备不仅操作程序复杂，而且对于在役金属设备的早期损伤，特别是尚未发成形的、隐性的、不连续的变化则无能为力,无法避免管道由于意外疲劳损伤发展而引发的恶性事故,即无法对潜在的危险做出预警。为此，后勤工程学院的刘书俊等研究人员基于磁记忆检测技术，根据神经网络理论，建立了BP神经网络模型,对管道缺陷进行了检测识别。金属油气管道发生损坏的主要原因之一就是各种微观或宏观机械应力集中导致疲劳失效。其基本原理是：处于磁场（如地磁场）环境下工作的铁磁性构件受载荷的作用，内部会发生磁致伸缩性质的磁畴组织定向和不可逆的重新取向，并在应力与变形集中区产生最大的漏磁场HP的变化，即应力集中区域的磁场切向分量HP(x)具有最大值，而法向分量HP(y)改变符号且具有零值点。这种磁状态的不可逆变化在工作载荷消除后依然保留，通过漏磁场法向分量HP(y)的测定，计算出梯度值K＝dHP(y)/dx，即可推断出构件应力集中区域。
神经网络是通过模拟人脑神经元网络的结构和特征来实现各种复杂的信息处理功能的系统。其中，BP神经网络是目前应用最为广泛的多层感知器网络。BP神经网络是一种对非线性可微分函数进行权值训练的多层网络，属于多层状型的人工神经网络，由若干层神经元组成，各层的神经元发挥着不同的作用。三层的BP神经网络结构如下图所示，网络由输入层、中间层(隐层)、输出层组成。
BP神经网络的输入节点为管道的磁记忆检测信号特征向量，考虑到计算机计算量等因素，选取磁记忆检测信号的峰Ｇ峰值Hpp0、谷Ｇ谷值Hvv、法向梯度Ky、切向梯度Kx、磁记忆检测信号波宽W10组成的一组向量作为BP神经网络的输入节点。由于上述特征量具有不同的单位和量级，所以在输入神经网络之前应该首先进行归一化处理。
试验一共选取无缺陷、应力集中状态以及裂纹状态样本各200组，总计600组样本。001表示样本为无缺陷状态；010表示样本为应力集中状态；100表示样本为裂纹状态。将480组信号作为训练样本，其中无缺陷、应力集中、裂纹样本各160组，剩余120组作为测试样本。将训练样本分别输入无缺陷神经网络、应力集中神经网络、裂纹神经网络这3个BP神经网络，分别对隐层节点数为3~20 时的网络性能进行比较，得到3个神经网络在不同隐层节点数时的平均训练误差，当隐层节点数分别为4，5，4时,神经网络误差均最小，且能同时满足识别精度和训练时间的要求。
无缺陷网络经过3002次循环达到训练目标，误差为0.0431122；应力集中网络经过3934次循环达到训练目标，误差为0.1109314；裂纹网络经过4103次循环达到训练目标,误差为0.0490437。
除100号、115号、127号样本识别错误外，其余样本均分类正确，测试样本识别正确率为97.5%。分析其中归类错误的原因，100号、115号、127号样本尺寸分别为4mm×0.1mm×0.2mm、3mm×0.1mm×0.3mm、2mm×0.1mm×0.2mm，是非常细微的裂纹，介于应力集中与裂纹之间，其特征值与应力集中的特征值非常相似，因此误将其归类为应力集中。
来源：文章来源于网络，版权归原作者所有，如有侵权请联系我们及时处理
谢谢分享，学习了
页:
[1]