一种面向耐火材料缺陷的非线性超声检测方法及装置

本发明涉及无损检测，具体公开了一种面向耐火材料缺陷的非线性超声检测方法及装置。

背景技术：

1、耐火材料凭借其高强度、耐高温以及体积稳定等特性，已经成为了现代冶金工业不可或缺的重要支撑。但是，由于耐火材料所固有的多孔、多相的结构特点，使耐火材料在严苛的环境中工作时，会导致其内部孔隙、孔洞和裂缝等缺陷的产生，这些缺陷会显著的地影响到耐火材料的热稳定性、抗渣性和耐磨性等关键性能指标。同时，不均匀分布的缺陷也会进一步的使疲劳裂纹扩展。因此，开发可靠高效的无损检测方法来评估耐火材料内部结构缺陷具有重要的意义。

2、目前，相比于磁粉、x射线、涡流等无损检测方法而言，超声检测凭借其高分辨率、操作便捷、成本低廉以及环境友好等优势,已经在工业生产以及军工领域等取得了广泛的应用，但是现有的超声检测存在灵敏度低和准确性差的问题。

技术实现思路

1、本发明所要解决的技术问题是现有超声检测的灵敏度低和准确性差。

2、本发明解决上述技术问题的技术方案如下：

3、一种面向耐火材料缺陷的非线性超声检测方法，包括：

4、通过非线性超声仪，获取非线性的缺陷信号；

5、基于缺陷信号，通过多尺度加权排列熵算法进行特征提取，得到缺陷特征向量；

6、构建极限学习机分类模型；通过章鱼优化算法对极限学习机分类模型的输入层权值矩阵与隐含层偏置进行全局寻优搜索，得到训练好的ooa-elm识别模型；

7、根据缺陷特征向量，通过训练好的ooa-elm识别模型，获得耐火材料损伤程度与缺陷类别。

8、进一步，基于缺陷信号，通过多尺度加权排列熵算法进行特征提取，得到缺陷特征向量，包括：

9、对缺陷信号进行粗粒化处理，得到多尺度下的粗粒化序列；

10、基于粗粒化序列以及预设的嵌入维度和时延，为粗粒化序列中每个子序列分配权重，获得每个子序列的权重值；

11、基于每个子序列的权重值和获取的排列模式，得到每个模式的概率加权值；

12、根据每个排列模式的概率加权值，获得加权排列熵值；

13、将所有尺度下的加权排列熵值进行组合，获得缺陷特征向量。

14、进一步，粗粒化序列的计算公式为：

15、，

16、，

17、，

18、其中，为粗粒化序列，为缺陷信号，n为缺陷信号的长度，s为尺度因子，为正整数。

19、进一步，加权排列熵值的计算公式为：

20、，

21、其中，为加权排列熵值，为第i种排列模式的概率加权值。

22、进一步，通过章鱼优化算法对极限学习机分类模型的输入层权值矩阵与隐含层偏置进行全局寻优搜索，包括：

23、随机生成初始种群，将初始种群划分为捕食者和侦察兵，捕食者包括头部和八个触手；

24、根据迭代次数进行时变参数更新，得到状态转换变量；

25、当状态转换变量的绝对值小于预设的抓取范围参数时，捕食者抓取猎物，更新捕食者触手位置；

26、当状态转换变量的绝对值大于或等于预设的抓取范围参数时，捕食者搜寻猎物，更新捕食者触手位置；

27、根据从捕食者中选定的引导位置，更新侦察兵位置；

28、当第z个侦察兵的适应度优于对应的引导位置时，将第z个侦察兵转换为新捕食者的头部，并根据新捕食者的头部生成新捕食者的新触手。

29、进一步，初始种群划分需满足:

30、，

31、其中，为初始种群的个体数量，为捕食者数量，为侦察兵数量。

32、进一步，根据迭代次数进行时变参数更新，得到状态转换变量，包括：

33、根据迭代次数，计算视野范围变量；基于视野范围变量，计算状态转换变量；

34、视野范围变量的计算公式为：

35、，

36、其中，为视野范围变量，为视野范围常数，t为迭代次数，为预设的最大迭代次数；

37、状态转换变量的计算公式为：

38、，

39、其中，为状态转换变量，rand为[0,1]之间的随机数。

40、进一步，非线性超声仪包括：

41、两个高频超声探头、双工器、两组信号处理组件、示波器、两个发射端和接收端；

42、一个发射端依次与一组信号处理组件、双工器和一个高频超声探头连接，另一个发射端依次与另一组信号处理组件和另一个高频超声探头连接，接收端分别与双工器和示波器连接；

43、两个发射端分别发射不同频率的超声激励信号。

44、进一步，信号处理组件包括：

45、依次连接的阻抗匹配、衰减器和低通滤波器，阻抗匹配与发射端连接。

46、本发明还涉及一种面向耐火材料缺陷的非线性超声检测装置，用于上述的一种面向耐火材料缺陷的非线性超声检测方法，包括：

47、信号采集模块，用于通过非线性超声仪采集非线性的缺陷信号；

48、缺陷特征向量生成模块，用于基于缺陷信号，通过多尺度加权排列熵算法进行特征提取，得到缺陷特征向量；

49、ooa-elm识别模型构建模块，用于构建极限学习机分类模型；通过章鱼优化算法对极限学习机分类模型的输入层权值矩阵与隐含层偏置进行全局寻优搜索，得到训练好的ooa-elm识别模型；

50、缺陷判定模块，用于根据缺陷特征向量，通过训练好的ooa-elm识别模型，获得耐火材料损伤程度与缺陷类别。

51、本发明的有益效果是：

52、本发明通过发射非线性超声仪发射两个不同频率的超声激励信号到耐火材料内部，使两信号在耐火材料的缺陷处共振产生非线性信号，从而得到缺陷信号；使用多尺度加权排列熵算法对缺陷信号进行特征提取，从而找到不同尺度下的加权排列熵值，然后将所有尺度下的加权排列熵值进行组合，得到缺陷特征向量；构建极限学习机分类模型，通过章鱼优化算法对极限学习机分类模型的输入层权值矩阵与隐含层偏置进行全局寻优搜索，得到训练好的ooa-elm识别模型；将待识别耐火材料的缺陷特征向量输入到ooa-elm识别模型中获得耐火材料损伤程度与缺陷类别；从而实现对耐火材料损伤程度与缺陷类别的自动识别与判定，能够精准的检测到耐火材料的早期未闭合裂纹和孔洞缺陷，进一步提高了耐火材料早期微缺陷检测的准确度和灵敏度，提高了相关工作人员的维护效率和维护成本。

1.一种面向耐火材料缺陷的非线性超声检测方法，其特征在于，包括：

2.根据权利要求1所述的一种面向耐火材料缺陷的非线性超声检测方法，其特征在于，所述基于缺陷信号，通过多尺度加权排列熵算法进行特征提取，得到缺陷特征向量，包括：

3.根据权利要求2所述的一种面向耐火材料缺陷的非线性超声检测方法，其特征在于，粗粒化序列的计算公式为：

4.根据权利要求2所述的一种面向耐火材料缺陷的非线性超声检测方法，其特征在于，加权排列熵值的计算公式为：

5.根据权利要求1所述的一种面向耐火材料缺陷的非线性超声检测方法，其特征在于，所述通过章鱼优化算法对极限学习机分类模型的输入层权值矩阵与隐含层偏置进行全局寻优搜索，包括：

6.根据权利要求5所述的一种面向耐火材料缺陷的非线性超声检测方法，其特征在于，初始种群划分需满足:

7.根据权利要求5所述的一种面向耐火材料缺陷的非线性超声检测方法，其特征在于，所述根据迭代次数进行时变参数更新，得到状态转换变量，包括：

8.根据权利要求1所述的一种面向耐火材料缺陷的非线性超声检测方法，其特征在于，所述非线性超声仪包括：

9.根据权利要求8所述的一种面向耐火材料缺陷的非线性超声检测方法，其特征在于，所述信号处理组件包括：

10.一种面向耐火材料缺陷的非线性超声检测装置，其特征在于，用于权利要求1-9中任一项所述的一种面向耐火材料缺陷的非线性超声检测方法，包括：