趙 凌, 黃平捷, 劉寶玲,2, 趙樹浩, 侯迪波, 張光新

(1.浙江大學 控制科學與工程學院,浙江 杭州 310027； 2.南昌工程學院 機械與電氣工程系,江西 南昌 330000)

?

多層導電結(jié)構(gòu)內(nèi)部狀態(tài)脈沖渦流檢測分析方法

趙 凌1, 黃平捷1, 劉寶玲1,2, 趙樹浩1, 侯迪波1, 張光新1

(1.浙江大學 控制科學與工程學院,浙江 杭州 310027； 2.南昌工程學院 機械與電氣工程系,江西 南昌 330000)

針對脈沖渦流多層導電結(jié)構(gòu)內(nèi)部狀態(tài)檢測問題及檢測中提離抖動的干擾,采用Fisher線性判別分析(FLDA)進行脈沖渦流檢測信號特征提取,抑制提離抖動的影響；應(yīng)用支持向量機(SVM)進行多層導電結(jié)構(gòu)內(nèi)部狀態(tài)的檢測與分類；以雙金屬片溫控器內(nèi)部狀態(tài)檢測為實例進行實驗驗證.理論和實驗分析表明,在多層導電結(jié)構(gòu)內(nèi)部狀態(tài)檢測時,FLDA可以通過選取最佳的投影方向,最大程度地分離有用特征信息和干擾信息,相較于基于峰值、峰值時間的時域特征法,能夠有效地減小提離抖動的干擾,提高內(nèi)部狀態(tài)的檢測準確度；在減小訓練集樣本的情況下,FLDA檢測方法具有較高的檢測準確率.

脈沖渦流；多層結(jié)構(gòu)；提離；Fisher線性判別分析(FLDA)；支持向量機(SVM)

脈沖渦流檢測(pulsed eddy current testing, PECT)技術(shù)研究與應(yīng)用,近年來在無損檢測領(lǐng)域受到了廣泛重視[1-2].相對于采用單一諧波信號激勵的常規(guī)渦流檢測技術(shù),脈沖渦流采用具有一定占空比的方波作為激勵信號,在同等條件下具有更寬的頻譜范圍和更深的檢測深度,可望獲得豐富的反映被測結(jié)構(gòu)件傷損情況的信息[3].基于脈沖渦流的多層導電結(jié)構(gòu)內(nèi)部狀態(tài)檢測過程可以大致分為特征提取和傷損識別2個階段[4-5].在檢測中常受到探頭提離抖動和各類環(huán)境噪聲的干擾[6-7],脈沖渦流檢測信號往往會受到較大的擾動,進而影響檢測結(jié)果.

針對脈沖渦流多層導電結(jié)構(gòu)內(nèi)部狀態(tài)檢測和分類問題,目前常用的方法是通過特征提取得到能夠表征脈沖渦流檢測信號的特征值,再將特征值輸入給分類算法(如支持向量機)構(gòu)建分類檢測模型.有效的特征提取方法是實現(xiàn)多層導電結(jié)構(gòu)內(nèi)部狀態(tài)檢測和分類的關(guān)鍵.常用的特征提取方法有時域特征分析法、主成分分析法等.時域特征分析法[8]以信號峰值、峰值時間為特征量,優(yōu)點是簡單直接,不足是當特征量變化較小時難以辨別.此外易受探頭提離抖動和環(huán)境噪聲等干擾.基于主成分分析和支持向量機的識別方法[9-10]能夠建立缺陷自動分類的模型,然而在特征提取階段,主成分分析提取的最大貢獻率特征量不一定反映缺陷信息,需要采用一定的統(tǒng)計研究才能得到最佳投影向量.

Fisher線性判別分析(FLDA)方法是一種有監(jiān)督的數(shù)據(jù)降維方法,在分類問題的特征提取中已展現(xiàn)了良好的抗干擾能力,在人臉識別等領(lǐng)域已有成功應(yīng)用的報道[11].本文將FLDA方法引入到脈沖渦流無損檢測過程中.由于FLDA在投影方向選擇上依據(jù)了類別信息的先驗知識,能夠提取出關(guān)于試件結(jié)構(gòu)待測參數(shù)的信息,弱化提離抖動和環(huán)境噪聲導致的干擾信息,提升檢測方法的檢出能力.

本文應(yīng)用FLDA進行特征提取和提離抑制,結(jié)合支持向量機構(gòu)建分類模型,并與時域特征分析法比較,探討一種適用于多層導電結(jié)構(gòu)內(nèi)部狀態(tài)檢測的技術(shù)方案[12].以雙金屬片溫控器內(nèi)部狀態(tài)檢測為應(yīng)用案例開展研究和實驗驗證.

1 多層導電結(jié)構(gòu)檢測原理和方法

1.1 脈沖渦流檢測原理

脈沖渦流檢測的激勵信號為具有一定周期、幅值和占空比的電壓方波信號,在空間能夠感生出一個快速衰減的脈沖磁場,變化的磁場在試件中感應(yīng)出渦流.假如被測試件結(jié)構(gòu)、材質(zhì)等特性發(fā)生變化,感應(yīng)渦流會發(fā)生變化.渦流的反作用磁場和原脈沖磁場疊加的總磁場隨之變化.在檢測線圈感應(yīng)電壓信號中,包含了試件結(jié)構(gòu)(材質(zhì)、電導率、厚度、缺陷參數(shù)等)的相關(guān)重要信息[13].

如圖1所示為典型脈沖渦流響應(yīng)信號曲線.圖中,t為時間,U為檢測電壓.根據(jù)脈沖渦流信號的典型特征量——峰值、峰值時間、過零時間等參數(shù)判斷試件結(jié)構(gòu)的相關(guān)信息.對于非鐵磁性材質(zhì)試件,上述3個特征量均比較顯著；對于鐵磁性材質(zhì)試件,一般主要分析電壓峰值和峰值時間2個特征量.根據(jù)脈沖渦流檢測原理[13]可知,在其他影響因素不變的情況下,電壓峰值與缺陷的體積密切相關(guān)；峰值時間與缺陷所處的位置和尺寸有關(guān)；過零時間包含了缺陷深度的信息[14].

提離是表征探頭和試件之間距離的物理量,如圖2(a)所示.當提離不變而試件結(jié)構(gòu)變化時,如從單層變?yōu)槎鄬?脈沖渦流響應(yīng)信號隨之變化.典型單層和多層導電結(jié)構(gòu)試件(見圖2)零提離下脈沖渦流檢測信號如圖3所示.由圖3可知,當層數(shù)增加時,響應(yīng)信號峰值和峰值時間變大,說明這些特征量包含了試件結(jié)構(gòu)相關(guān)的信息.

圖1 典型脈沖渦流響應(yīng)信號Fig.1 Typical pulsed eddy current response signal

圖2 多層導電結(jié)構(gòu)試件Fig.2 Multi-layer conductive structure

圖3 多層導電結(jié)構(gòu)層數(shù)變化對響應(yīng)信號的影響Fig.3 Effect of changes in layer to response signal

對于同一試件,當提離變化時,脈沖渦流響應(yīng)信號隨之變化,因此響應(yīng)信號包含了提離干擾信息.典型多層導電在幾組不同提離L下的響應(yīng)信號如圖4所示.由圖4可知,提離抖動可以影響檢測信號,改變峰值或峰值時間,會對試件結(jié)構(gòu)信息的識別造成干擾.適當?shù)奶犭x抑制預處理是脈沖渦流檢測與分析的必要步驟[15-16].

圖4 提離變化對響應(yīng)信號的影響Fig.4 Effect of lift-off to response signal

1.2 基于FLDA的特征提取與提離抑制

脈沖渦流響應(yīng)信號呈瞬態(tài)變化,提離抖動的干擾往往會改變響應(yīng)曲線的波形.在進行多層導電結(jié)構(gòu)內(nèi)部狀態(tài)檢測時,須將待測的試件結(jié)構(gòu)信息和提離干擾信息進行分離.若直接采用脈沖渦流響應(yīng)曲線的峰值或峰值時間作為特征信息,則可能會無法抑制提離的影響,難以較好地檢測試件結(jié)構(gòu)參數(shù).引入對干擾具有較好抑制作用的特征提取方法,研究FLDA方法.FLDA的基本工作原理如下.

將l組脈沖渦流瞬態(tài)響應(yīng)數(shù)據(jù),標記為矩陣χ=[x1,x2,…,xi,…,xl],其中xi為一個列向量,且xi∈Rn,i=1,…,l；n為脈沖渦流響應(yīng)信號的維度,即采樣點數(shù).矩陣χ包含c類樣本,表示由不同類試件得到的脈沖渦流信號,第j類試件包含的樣本數(shù)量為mj,則m1+m2+…+mj+…+mc=l.

類j的樣本均值uj和總體樣本的樣本均值u為

(1)

(2)

類間散度矩陣Sb和類內(nèi)散度矩陣Sw定義為

(3)

(4)

Fisher線性判別分析的主要思想,是使得類間距最大化,類內(nèi)距最小化,由此引入Fisher鑒別準則[17]：

(5)

式(5)中：ω為投影矩陣.根據(jù)式(5)可知,J(ω)能夠表征有用信號和干擾信號的分離程度.J(ω)越大,分離程度越大.使J(ω)最大化的投影方向,稱為最佳投影矩陣為ωop.通過數(shù)學推導可知,ωop為(Sw)-1Sb的特征向量組成的矩陣.提取的脈沖渦流響應(yīng)數(shù)據(jù)的特征量矩陣Y∈Rd×l為

(6)

在脈沖渦流多層導電結(jié)構(gòu)內(nèi)部狀態(tài)檢測中,通過訓練樣本數(shù)據(jù)得到最佳的投影方向ωop；認為測試樣本數(shù)據(jù)只要直接投影到該方向,即可將信號進行最佳分離,減小提離的影響,得到特征提取的d個特征量,為后續(xù)的內(nèi)部狀態(tài)識別做好準備.

1.3 基于SVM的內(nèi)部狀態(tài)檢測

通過使參數(shù)J(ω)最大化,找到ωop,實現(xiàn)有用特征信號和干擾信號最大程度分離,完成特征提取和提離抑制的工作.得到的特征量將用于檢測模型的構(gòu)建.支持向量機常被用在分類、回歸和其他學習任務(wù)中,在多層結(jié)構(gòu)缺陷識別中已被證明有較好的缺陷參數(shù)識別的效果[9-10].本文采用SVM來構(gòu)建檢測模型,實現(xiàn)多層導電結(jié)構(gòu)的內(nèi)部狀態(tài)檢測.

圖5 總體技術(shù)路線流程圖Fig.5 Technology roadmap diagram

如圖5所示為內(nèi)部狀態(tài)檢測總體技術(shù)路線圖.首先,脈沖渦流響應(yīng)信號被分為訓練樣本和測試樣本；訓練樣本作為FLDA的輸入,能夠獲取到最佳映射矩陣ω和測試樣本特征量；由最佳映射方向可以得到測試樣本特征量；將脈沖渦流檢測信號訓練集特征量及分類標簽,輸入給SVM可以獲得基于脈沖渦流的多層導電結(jié)構(gòu)內(nèi)部狀態(tài)檢測模型.將測試集數(shù)據(jù)的特征量作為檢測模型的輸入,獲得測試集分類結(jié)果,與實際進行比較,開展檢測模型效果的檢驗.

2 實驗與結(jié)果分析

2.1 檢測裝置和試件

針對提出的基于脈沖渦流的多層導電結(jié)構(gòu)內(nèi)部狀態(tài)檢測方法,開展實驗驗證.脈沖渦流實驗系統(tǒng)如圖6所示.信號發(fā)生器產(chǎn)生脈沖信號,通過放大模塊,驅(qū)動參比探頭和檢測探頭.檢測信號處理模塊將參比探頭和檢測探頭的信號進行差減、放大及A/D轉(zhuǎn)換,通過NI數(shù)據(jù)采集卡傳遞給計算機.脈沖信號激勵頻率為100 Hz,峰峰值為5 V,占空比為50 %,采樣頻率為500 kHz.

采用的封裝溫控器試件(7)是高度約為1.5 cm、直徑約為1.2 cm的小零件.內(nèi)部的雙金屬片是厚度為0.1 mm、直徑約為6 mm的圓片,上、下表面材質(zhì)分別為高錳合金和殷鋼,外部用塑料托盤和鋁制外殼殼體封裝.在研究該試件的檢測分類問題時,對試件進行簡化,將鋁制外殼及內(nèi)部雙金屬片組成的整體作為研究的典型的多層導電結(jié)構(gòu)對象.

封裝完成的溫控器成品試件,合格產(chǎn)品內(nèi)有一片正放的雙金屬片(見圖8(a)),不合格產(chǎn)品殼體內(nèi)部的雙金屬片的分布狀態(tài)常見的有以下3種：無雙金屬片、雙金屬片反放、兩片雙金屬片疊放(見圖8(b)～(d)).以兩片雙金屬片疊放的溫控器為例,兩片雙金屬片、外殼和雙金屬片之間的空氣層、鋁制外殼組成了典型的多層導電結(jié)構(gòu).在封裝完成后,溫控器質(zhì)檢人員無法用肉眼區(qū)分這4種內(nèi)部狀態(tài)不同的溫控器,需要采用無損檢測的方法進行檢測和分類.采用該試件為檢測對象,研究基于脈沖渦流的多層導電結(jié)構(gòu)內(nèi)部狀態(tài)檢測方法.

圖7 溫控器試件實物圖Fig.7 Picture of bimetallic temperature controller structure

圖8 封裝完成后的4種溫控器試件結(jié)構(gòu)簡化圖Fig.8 Simplified diagram of four Bimetallic temperature controller structure

2.2 檢測實驗和分析

2.2.1 脈沖渦流響應(yīng)與提離波動的影響 在上文的實驗裝置條件下,對4種溫控器試件在0～1.4 mm提離(以0.1 mm為步長)下,開展基于脈沖渦流的多層導電結(jié)構(gòu)內(nèi)部狀態(tài)檢測實驗,得到脈沖渦流原始檢測信號.在實際檢測時,探頭提離抖動多數(shù)情況下較小,因此就0∶0.1∶1.4 mm提離范圍開展實驗設(shè)計.

圖9 提離抖動對檢測信號的影響Fig.9 Effect of lift-off to response signal

如圖9(a)～(c)分別為溫控器試件的4種不同狀態(tài),在小提離(0.2 mm為代表)、中提離(取0.7 mm為代表)、較大提離(取1.2 mm為代表)下,對應(yīng)的脈沖渦流電壓響應(yīng)曲線.由響應(yīng)曲線及局部放大圖可知,小提離下4種試件可以通過峰值、峰值時間時域特征量較明顯地進行區(qū)分；當提離漸大至中提離,響應(yīng)信號發(fā)生了較明顯的變化,時域信號特征量峰值、峰值時間之間的差異變??；當提離再變大至大提離時,時域信號進一步變化,4種試件幾乎無法直接根據(jù)時域特征量進行區(qū)分.

如圖9(d)所示為一片正放雙金屬片溫控器在1.4 mm提離下的響應(yīng)信號,和一片反放雙金屬片溫控器在零提離下的響應(yīng)信號.通過響應(yīng)信號的峰值、峰值時間的時域特征量,無法對這兩種試件進行區(qū)分.由此可見,提離的波動對于脈沖渦流檢測信號有較大的影響.當存在提離抖動時,通過時域特征量實現(xiàn)4類溫控器試件識別,變得不可靠.對原始檢測信號進行提離抑制和適當?shù)奶卣魈崛τ谔岣邫z測準確率很有必要.

2.2.2 特征提取及結(jié)果分析 對實驗獲取的原始檢測信號,采用FLDA特征提取法,與基于信號峰值、峰值時間的時域特征提取方法進行比較.溫控器中雙金屬片為零片、一片正放、一片反放、兩片疊放,分別標記為1類～4類.

圖10 時域特征提取效果圖Fig.10 Result of time domain feature extraction

圖10展示了時域特征法特征提取結(jié)果.圖中，Up、tp分別為電壓峰值、峰值時間.由圖10可知,同一類試件在提離變化時,峰值時間和峰值兩個特征值發(fā)生較明顯的變化,同時呈現(xiàn)一定的規(guī)律性變化；不同類試件在時域特征空間的下方區(qū)域有較多的重合,在其他區(qū)域?qū)崿F(xiàn)了一定的分離.由此可見,時域特征的特征提取方法由于受到提離等干擾的影響,無法在特征空間中將原始信號按類別實現(xiàn)較好的分離.

圖11展示了FLDA特征提取結(jié)果.圖中,C1、C2分別為特征提取得到的特征量1和特征量2(根據(jù)1.2節(jié)FLDA原理可知,進行特征提取運算時,取最佳投影方向的維數(shù)d=2,得到2個特征量).相比于時域特征法,采用FLDA方法很好地實現(xiàn)了4類試件在特征空間中的分離,類間距較大,而類內(nèi)距較小.這說明FLDA提取出的2個特征量較好地表征了關(guān)于試件結(jié)構(gòu)的信息,弱化了提離干擾信息,實現(xiàn)了有用特征信息和干擾信息的分離.這為多層導電結(jié)構(gòu)內(nèi)部狀態(tài)檢測,作好了準備.

圖11 FLDA特征提取效果圖Fig.11 Result of FLDA feature extraction

2.2.3 內(nèi)部狀態(tài)檢測結(jié)果 將得到的訓練集特征量(時域特征量和FLDA提取得到的特征量)及對應(yīng)的類別標簽,輸入給SVM可以構(gòu)建出檢測模型,用測試集數(shù)據(jù)進行模型效果分析.檢測模型的效果主要通過檢測準確率這一參數(shù)來說明.通過上述實驗裝置得到的實驗數(shù)據(jù)共339組,其中測試集為201組,訓練集為138組.試件的4種不同狀態(tài)(零片、一片正放、一片反放、兩片)在隨機的提離大小下,測試集和訓練集的數(shù)量如表1所示.其中一片正放的數(shù)量多于其他情況的數(shù)量,和實際檢測中合格試件較多的情況相符.

以全部的138組訓練集數(shù)據(jù)作為訓練集,使用時域特征法和FLDA法分別處理,測試集的檢測準確率分別為85.56%、99.50%.在該實驗條件下,采用FLDA的檢測方法的檢測準確率優(yōu)于采用時域特征法的檢測方法.結(jié)合特征提取效果的結(jié)果圖可得,特征提取的效果對檢測準確率的影響很大.FLDA特征提取方法以不同類樣本分離程度最大化為目標,得到最佳投影方向,能夠有效地實現(xiàn)有用信息和干擾信息的分離,在特征空間上實現(xiàn)不同類別樣本的最佳分離,因而最后的檢測準確率是最高的.FLDA對于有著提離抖動和環(huán)境干擾的情況,基于脈沖渦流的多層導電結(jié)構(gòu)內(nèi)部狀態(tài)檢測分類問題有著較好的特征提取效果.

表1 訓練集和測試集數(shù)據(jù)

為了進一步驗證基于FLDA的脈沖渦流多層導電結(jié)構(gòu)檢測方法的有效性,減小訓練集的樣本數(shù),隨機從138組訓練集數(shù)據(jù)中,選取72組(1～4類試件樣本數(shù)依次為14、32、14、12組)、32組(1～4類試件樣本數(shù)依次為5、15、7、5組)數(shù)據(jù)作為訓練集.在各個數(shù)量不同的訓練集下,2種特征提取方法的檢測準確率P如表2所示.表中，N為訓練集組數(shù).

表2 2種特征提取方法的檢測準確度

Tab.2 Classification accuracy of two feature methods %

由表2可知,當訓練集樣本減小時,針對本文所研究的問題——存在提離抖動的多層導電結(jié)構(gòu)內(nèi)部狀態(tài)檢測問題,基于時域特征的檢測方法的檢測準確率會較明顯地減小,而基于FLDA的檢測方法的檢測準確率保持在較高水平.這為脈沖渦流的實際檢測提供了可能.

本文的研究方法已投入實際檢測過程,在溫控器內(nèi)部的不同狀態(tài)判別方面,FLDA特征提取方法和SVM分類方法展現(xiàn)了較好的穩(wěn)健性.

3 結(jié) 論

(1) 在脈沖渦流檢測中,探頭提離抖動和環(huán)境噪聲等干擾會影響脈沖渦流檢測結(jié)果.理論和實驗結(jié)果表明,相對于時域特征提取方法,FLDA特征提取方法在投影方向的選擇上,能夠?qū)崿F(xiàn)有用特征信號和干擾信號最大程度的分離,具有較好的提離抑制和特征提取效果,有助于提高最終的檢測準確率.

(2)在訓練樣本減小的情況下,基于FLDA的檢測方法的檢測準確率保持較高水平；在進行適當?shù)奶卣魈崛『?采用SVM方法構(gòu)建內(nèi)部狀態(tài)檢測模型,可以較準確地實現(xiàn)多層導電結(jié)構(gòu)內(nèi)部狀態(tài)的檢測和分類.

多層導電結(jié)構(gòu)內(nèi)部狀態(tài)檢測和分類的關(guān)鍵一環(huán)是特征提取工作,將在后續(xù)工作中進一步研究其他特征提取方法,并進行對比分析.

[1] SOPHIAN A, TIAN Gui-yun, TAYLOR D, et al. A feature extraction technique based on principal component analysis for pulsed Eddy current NDT [J]. NDT and E International, 2003, 36(1): 37-41.

[2] YIN Wu-liang, PEYTON A J. Thickness measurement of non-magnetic plates using multi-frequency eddy current sensors [J]. Ndt and E International, 2007, 40(1): 43-48.

[3] 黃琳.基于脈沖渦流信號頻譜分析的缺陷表征方法[D].廈門: 廈門大學, 2012. HUANG Lin. Defect characterization method based on pulse eddy current signal spectrum analysis [D]. Xiamen: Xiamen University, 2012.

[4] LANG Z Q, AGURTO A, TIAN Gui-yun, et al. A system identification based approach for pulsed eddy current non-destructive evaluation [J]. Measurement Science and Technology, 2007, 18(7): 2083.

[5] ZHOU De-qiang, TIAN Gui-yun, ZHANG Bin-qiang, et al. Optimal features combination for pulsed eddy current NDT [J]. Nondestructive Testing and Evaluation, 2010, 25(2): 133-143.

[6] HE Yun-ze, PAN Meng-chun, LUO Fei-lu, et al.Reduction of lift-off effects in pulsed eddy current for defect classification [J]. IEEE Transactions on Magnetics, 2011, 47(12): 4753-4760.

[7] LI Jian, WU Xin-jun, ZHANG Qing, et al. Measurement of lift-off using the relative variation of magnetic flux in pulsed eddy current testing. [J]. NDT and EInternational, 2015, 75: 57-64.

[8] 王春艷,陳鐵群,張欣宇.脈沖渦流檢測技術(shù)的研究進展[J].無損探傷,2005, 29(4): 1-4. WANG Chun-yan, CHEN Tie-qun, ZHANG Xin-yu. Research progress of pulsed eddy current testing technology [J]. Nondestructive Testing, 2005, 29(4): 1-4.

[9] HE Yun-ze, PAN Meng-chun, CHEN Di-xiang, et al. PEC defect automated classification in aircraft multi-ply structures with interlayer gaps and lift-offs [J]. NDT and E International, 2013, 53(1):39-46.

[10] HE Yun-ze, PAN Meng-chun, LUO Fei-lu, et al. Support vector machine and optimized feature extraction in integrated eddy current instrument [J]. Measurement, 2013, 46(1): 764-774.

[11] CHEN Song-can, LIU Jun, ZHOU Zhi-hua. Making FLDA applicable to face recognition with one sample per person [J]. Pattern Recognition, 2004, 37(7): 1553-1555.

[12] HOSSEINI S, LAKIS A A. Application of time-frequency analysis for automatic hidden corrosion detection in a multilayer aluminum structure using pulsed eddy current [J]. NDT and E International, 2012,47(2): 70-79.

[13] 賴圣.飛機多層金屬結(jié)構(gòu)脈沖渦流檢測技術(shù)研究[D].南昌： 南昌航空大學, 2012. LAI Sheng. Research on pulsed eddy current testing of aircraft multilayer metal structure [D]. Nanchang: Nanchang Hangkong University, 2012.

[14] 徐平,羅飛路,張玉華,等.基于脈沖渦流檢測技術(shù)的缺陷定量檢測研究[J].工業(yè)計量,2006, 16(2): 6-10. XU Ping, LUO Fei-lu, ZHANG Yu-hua, et al. Quantitative detection of defects based on pulsed eddy current testing technology [J]. Industrial Measurement, 2006, 16 (2): 6-10.

[15] YU Ya-ting, YAN Yue, WANG Fei, et al. Anapproach to reduce lift-off noise in pulsed eddy current nondestructive technology [J]. NDT and E International, 2014, 63(4):1-6.

[16] QIU Xuan-bin, ZHANG Peng, WEI Ji-lin, et al.Defect classification by pulsed eddy current technique in con-casting slabs based on spectrum analysis and wavelet decomposition [J]. Sensors and Actuators A Physical, 2013, 203(12): 272-281.

[17] MARDERO S, SCHMOOK B, CHRISTMAN Z, et al. Face recognition using adaptive margin Fisher’s criterion and linear discriminant analysis [J]. International Arab Journal of Information Technology, 2014, 11(2): 149-158.

Pulsed eddy current detection and analysis method for internal state of multi-layer conductive structure

ZHAO Ling1, HUANG Ping-jie1, LIU Bao-ling1,2, ZHAO Shu-hao1,HOU Di-bo1, ZHANG Guang-xin1

(1.CollegeofControlScienceandEngineering,ZhejiangUniversity,Hangzhou310027,China;2.DepartmentofMechanicalandElectricalEngineering,NanchangInstituteofTechnology,Nanchang330000,China)

Fisher linear discrimination analysis (FLDA) was used to extract signal features and restrain lift-off fluctuation in order to solve the problem of pulsed eddy current detection for internal state of multi-layer conductive structure and the interference of probe lift-off. Then the support vector machine (SVM) method was investigated for multi-layer structure internal states automated classification. Detection for internal state of bimetallic temperature controller structure was taken as an example to validate the method by experiment. The theoretical and experimental results show that the proposed method FLDA can realize the maximum separation of the useful information and disturbance information by choosing the best projection direction. FLDA helps to restrain lift-off effect and obtain higher recognition accuracy compared with time domain feature extract method based on peak value and peak time. In the case of smaller sample size, the proposed method has a high detection rate.

pulsed eddy current; multi-layer structure; lift-off fluctuation; Fisher linear discriminant analysis (FLDA); support vector machine (SVM)

2015-12-13. 浙江大學學報(工學版)網(wǎng)址： www.journals.zju.edu.cn/eng

國家自然科學基金資助項目(50505045, 61174005)；浙江省教育廳資助項目(Y201432539).

趙凌(1990—)，女，碩士生，從事渦流無損檢測的研究.ORCID: 0000-0002-3219-7739. E-mail：zhaoling_zju@zju.edu.cn 通信聯(lián)系人：黃平捷，男，副教授.ORCID: 0000-0002-5487-6097. E-mail：huangpingjie@zju.edu.cn

10.3785/j.issn.1008-973X.2016.04.002

U 28

A

1008-973X(2016)04-0603-06