摘要：为了分析漏磁检测中不同缺陷深度及测试件厚度对缺陷漏磁信号的影响,基于漏磁检测技术基本原理,借助COMSOL有限元仿真分析软件,采用横向励磁方法对圆柱缺陷的漏磁场分布特征进行三维有限元模型建立,对缺陷漏磁场在不同影响因素条件下进行了仿真研究。结果表明,得到的漏磁场磁力线与理论分析结果一致;测试件厚度及缺陷深度均对不同缺陷半径有不同的检测性能,根据所提的评价方法来区分检测性能的优劣,最终得出对于不同测试板厚度的恒深度(8 mm)缺陷及测试板厚度的40%缺陷深度,均适用于12~32 mm测试件厚度的磁化器结构参数。研究结果对励磁结构的优化设计具有一定的参考价值。

摘要：无刷直流电机具有效率高、能量密度高、噪音低等优点进而被广泛应用于汽车、工业自动化、航空航天等领域。高阻接触(high resistance connection,HRC)故障是电机的典型故障之一,该故障严重时会导致急剧温升乃至火灾,因而无刷直流电机的HRC故障研究具有重要的意义。通常采用电流电压信号分析的方法诊断HRC故障,但现有的方法仍存在局限与不足。针对此问题,设计了一种新的结合阵列漏磁信号分析和机器学习的方法实现无刷直流电机HRC故障的定位和定量分析。首先通过安装在电机外壳的霍尔传感器阵列采集多通道漏磁信号,利用神经网络分析漏磁信号的时域特征实现电机HRC故障检测和定位。在确定故障相之后,利用另一个神经网络模型分析漏磁信号频域特征实现HRC故障的定量分析。实验结果表明,提出的方法检测和定位故障的精度为98.75%,故障定量分析的平均均方根误差为0.018Ω。该方法具有非侵入式测量、易于实现、效率高等优点,对提升无刷直流电机HRC故障检测精度和效率具有促进作用。

摘要：为了实现对油气管道应力的实时监测,提出了一种基于电磁技术的管道应力检测方法。在磁机械效应的J-A模型基础上,对铁磁性材料力磁耦合关系进行数学建模,推导出应力与材料磁导率的函数关系;设计管道应力检测系统,并给出了管道表面漏磁信号与材料磁导率、激励电压和线圈匝数之间的数学关系;搭建管道打压实验平台,对管壁切向应力信号与管壁表面切向磁场分别进行测量。结果表明,当沿着管道切向方向励磁时,随着管道内压增加,管壁切向应力与管壁表面切向磁场变化趋势一致,且二者之间成较好的线性正相关关系,有利于长输油气管道应力检测技术的进一步发展。

摘要：在油气管道检测中,缺陷的定量分析一直是个难题.通过试验研制了管道漏磁腐蚀检测器,在钢管(273mm,壁厚为14.3mm)上设计了系列缺陷,并采集了缺陷漏磁的相关信号.研究了管道缺陷漏磁信号的分布规律和缺陷的几何尺寸大小之间的关系,结果表明,缺陷漏磁场检测信号的两波谷间距、检测到信号的传感器数和信号峰谷值分别是缺陷长度、宽度和深度量化分析的重要特征量,并由此得出缺陷长、宽、高的计算方法.通过该方法对缺陷的漏磁信号进行量化分析,表明缺陷长度、宽度和深度的平均绝对误差分别为2.4mm、8.3mm和0.8mm.

摘要：基于漏磁原理的管道内检测信号和管壁缺陷之间存在强非线性关系,导致缺陷(特别是小缺陷)识别和分析困难。针对内检测器漏磁信号中的缺陷识别问题,设计一种新的缺陷识别方法,可以在漏磁内检测数据中精确识别缺陷。该方法包括3个部分:针对普通基值校准算法在多通道数据对齐中精度低的问题,提出一种基值二次校准算法,为后续数据分析提供精确数据源;区别于常规方法中用到的峰谷值等显性特征,提出6种更能反映缺陷信号的本质特征,并设计了相应的特征提取方法,为缺陷识别提供精确的分类依据;设计了基于随机森林的缺陷识别算法,可以在漏磁内检测数据中精确识别各种缺陷。最后,对所提出的方法进行了性能对比分析和试验验证。结果表明:所设计的缺陷识别方法准确率为99.59%,其中对小缺陷的识别灵敏度为98.66%,证明所提出的缺陷识别方法可有效地完成目标缺陷的识别。

摘要：为了实现储油罐底部缺陷部分的漏磁检测,达到预防和解决储罐安全问题的目的,本文基于漏磁检测基础原理进行漏磁检测研究,对漏磁检测技术中正反演问题进行分析,确定储油罐底腐蚀缺陷检测流程,对缺陷进行仿真研究,设计储油罐底部缺陷漏磁检测装置,构建二维模型与匹配传感器,完成漏磁检测装置设计。建立模型并通过软件进行有限元计算,研究不同缺陷条件下对漏磁信号曲线的影响,探究漏磁信号曲线与不同缺陷条件间的联系,以达到磁化装置的优化设计。

摘要：长输管道腐蚀缺陷通常分布在管道内外两侧,使得缺陷识别难度增大,识别误差增加,为此提出基于漏磁检测的长输管道腐蚀缺陷识别方法。对于长输管道外壁的腐蚀缺陷,利用包含横、纵两个方向的探头传感器对漏磁信号进行检测,实现对外壁腐蚀缺陷的识别。对于位于管道内壁的腐蚀缺陷,构建了在管道内部进行动态磁感应数据采集装置,实现对内壁腐蚀缺陷的识别。测试结果表明,设计方法对腐蚀缺陷的最大识别误差不超过0.03 mm,识别精度较高。

摘要：传统漏磁信号缺陷量化缺少其他分量信息,人工特征的提取方式造成信息量有限。为此,提出一种基于深度学习的漏磁检测缺陷量化识别方法,并建立了漏磁检测缺陷识别模型,该模型包含深度卷积神经网络模块和回归模块。深度卷积神经网络模块利用卷积神经网络的多输入多输出互相关操作,完成漏磁缺陷信号3个分量(轴向、周向、径向)的数据融合,利用预训练的网络,迁移已有知识,实现缺陷信号的特征自动提取;回归模块中设计缺陷、长度和宽度联合损失函数,利用回归方式实现缺陷尺度的量化。采用有限元仿真和牵拉试验相结合的方式,建立漏磁信号缺陷量化数据集并划分为训练集和测试集,训练集用于模型训练,测试集进行方法验证。研究结果表明:90%置信度下,长度和宽度量化结果全部落在±10 mm的误差带上,深度量化结果全部落在±10%t (t为壁厚)的误差带上,满足工程检测要求,可有效完成管道漏磁缺陷识别。研究结果可为油气输送管道漏磁检测新技术的研究提供一定的参考。

摘要：随着高速铁路的快速发展,钢轨裂纹的有效检测对于铁路安全运行具有重要的意义。针对基于漏磁信号的钢轨裂纹识别问题,采用多传感器特征决策融合技术,在对漏磁信号进行了时域和频域的多特征提取与融合的基础上,同时对多传感器信号进行决策融合,设计了一种基于支持向量机(SVM)的多传感器信息融合分类器。利用人工裂纹的实测漏磁信号进行实验,相比于提取单一特征和利用单一传感器信号进行识别,提出的方法取得了更好裂纹识别效果,平均识别率达到98%。