Быстрый поиск

Курсовая работа: Исследование магнитного поля рассеяния при вихретоковом контроле

Рисунок 8. Искомая модель в среде COMSOL Multiphysics

3.5 Определение электромагнитных свойств материалов

Необходимо задать электромагнитные свойства материалов и некоторые константы, которые приведены в табл.1

Относительная магнитная проницаемость, (μr)

Электрическая проводимость,

(σ, МСм/м)

Плотность тока,

(J, А/мм2)

Объект контроля

Первичные катушки

Токи в первичных катушках должны быть сонаправлены.

Так как моделирование будет происходить для разных частот 25кГц, 100кГц, 200кГц и 400кГц, это тоже необходимо учесть при задании параметров.

3.6 Граничные условия

Для левой границы модели, с координатой r = 0 (рис. 8), определяем специальный вид граничных условий – аксиальная симметрия, что означает, что вся модель будет сконфигурирована путем вращения той части рисунка, которая лежит правее r = 0, вокруг оси z.

Магнитный потенциал на других внешних границах рисунка определяется равным нулю. Все остальные граничные условия – continuity.

3.7 Построение сетки. Получение результатов моделирования

Так как изначальное автоматическое разбиение модели нас не устраивает, мы вручную улучшаем качество разбиения интересующих нас областей, наиболее влияющих на точность решения задачи. Таким образом, получаем следующую картину.

Рисунок 9. Разбиение модели

Результатом расчета задачи является картина распределения r-той составляющей плотности магнитного потока (рис.10 и рис.11). Полученное распределение плотности магнитного потока говорит о правильности построения модели и задания всех граничных условий и свойств материалов.

Рисунок 10. Распределение плотности магнитного потока (без дефекта) на частоте 100кГц

Рисунок 11. Распределение эквипотенциальных поверхностей (без дефекта) на частоте 100кГц

4. Обработка данных

4.1 Расчетная часть

В ходе решения задачи была получена база сигналов для различных видов дефектов. Однако чтобы получить конечные результаты необходимо произвести некоторые вычисления.

Полученные результаты в среде COMSOL Multiphysics, представляющие собой массивы значений магнитной индукции, необходимо пересчитать в значения ЭДС, соответствующие сигналу с вторичной катушки.

Для начала определим магнитный поток по соответствующей формуле:

где - площадь принимающего датчика

- значение магнитной индукции, полученные из COMSOL Multiphysics

Далее находим значение ЭДС:

где - частота, на которой производились измерения

В результате получили комплексные значение ЭДС при различных параметрах: частоте, форме дефекта, глубине дефекта. Всего 400сигналов. Для расчета модели была написана программа в среде MatLab, которая работала совместно с COMSOL Multiphysics, что позволило упростить и ускорить время расчета. Текст программы приведен в приложении 1.

4.2 Результаты расчета модели

Вид годографа для прямоугольной формы дефекта, частота 25кГц, 100кГц, 200кГц, 400кГц, глубины дефектов (0.4, 0.6, 0.8, 1.0, 1.2 мм), раскрытие дефекта постоянно(0.1мм)

Рисунок 12. Годографы для дефекта прямоугольной формы с различной глубиной

Вывод: при изменении частоты меняется угол наклона годографа, а при изменении глубины дефекта меняется амплитуда

Вид годографа для прямоугольной формы дефекта, частота 25кГц, 100кГц, 200кГц, 400кГц, раскрытие дефектов (0.1, 0.3, 0.5, 0.7, 0.9 мм), глубина дефекта постоянно(0.4мм)

Рисунок 13. Годографы для дефекта прямоугольной формы с различным раскрытием

Вывод: при изменении частоты меняется угол наклона годографа, а при изменении раскрытия дефекта меняется амплитуда

Зависимость амплитуды сигнала (при различных глубинах дефекта, но при постоянном раскрытии) от местоположения дефекта.

Прямоугольная форма дефекта, частота 25кГц

Рисунок 14. Сигналы для дефекта прямоугольной формы с различной глубиной

Вывод: с увеличением глубины дефекта, амплитуда сигнала увеличивается.

Зависимость амплитуды сигнала (при различном раскрытии дефекта, но при постоянной глубине) от местоположения дефекта.

Прямоугольная форма дефекта, частота 25кГц

Рисунок 15. Сигналы для дефекта прямоугольной формы с различным раскрытием

Вывод: с увеличением раскрытия дефекта, амплитуда сигнала увеличивается

4.3 Расчет информативных признаков

Для дальнейшей работы с сигналами определим по ним следующие признаки:

· F1 – максимальная резистивная составляющая;

· F2 –фаза максимальной резистивной составляющей;

· F3 – максимальная реактивная составляющая;

· F4 - фаза максимальной реактивной составляющей;

· F5 – максимальное значение ЭДС;

· F6 – фаза, соответствующая максимальному значению ЭДС;

· F7 – начальная фаза;

· F8 – конечная фаза;

· F9 – поворот фазы относительно точки с максимальной ЭДС;

· F10 – длина до точки с максимальной реактивной составляющей/ длина от точки с максимальной реактивной составляющей;

· F11 – полный размах/величина ЭДС в точке с максимальной реактивной составляющей.

На рис. 16 приведено расположение данных признаков. [5]

Рисунок 16. Схема признаков

Для расчета информативных признаков в среде MatLab была написана программа, автоматически считающая признаки для всех переменных параметров дефектов. Текст программы приведен в приложение 2.

Получили базу данных, состоящую из признаков, которые в дальнейшем будут использованы для корреляционного анализа, необходимых для решения обратной задачи.

5. Решение обратной задачи НК

5.1 Корреляционный анализ информативных признаков

Корреляционный анализ произведен в среде Statistica.

Statistica - это современный пакет статистического анализа, в котором реализованы все новейшие компьютерные и математические методы анализа данных. Программа предназначена для всех отраслей промышленности (бизнес, наука, обучение). В ней реализовано все возможные функции для статистической обработки данных, плюс к этому возможность построения графиков, базы данных и т.д. В программу встроен STATISTICA Visual Basic, что добавляет еще около 10000 новых функций. Синтаксис этого Basic'а полностью совместим с Microsoft Visual Basic. STATISTICA - это система статистического анализа данных, включающая широкий набор аналитических процедур и методов: - более 100 различных типов графиков, - описательные и внутригрупповые статистики, - быстрые основные статистики и блоковые статистики, - множественная регрессия, - непараметрические статистики, - разведочный анализ данных, корреляции, - общая модель дисперсионного и ковариационного анализа, - интерактивный вероятностный калькулятор, - T-критерии (и другие критерии групповых различий), - таблицы частот, сопряженности, флагов и заголовков, - анализ многомерных откликов, - подгонка распределений и многое другое.

В табл. 2 приведены результаты корреляций, интересующих нас параметров с искомыми признаками

frequency 25
	F1	F2	F3	F4	F5	F6	F7	F8	F9	F10	F11
width	0,49	-0,26	0,65	-0,23	0,63	-0,22	0,03	0,01	-0,04	0,81	0,63
depth	0,58	-0,69	0,54	-0,85	0,54	-0,84	-0,42	0,33	0,57	0,34	0,55
frequency 100
	F1	F2	F3	F4	F5	F6	F7	F8	F9	F10	F11
width	0,72	-0,20	0,46	-0,25	0,59	-0,14	0,05	0,07	0,05	0,70	0,59
depth	0,49	-0,89	0,59	-0,83	0,54	-0,90	-0,35	0,46	-0,56	0,50	0,56
frequency 200
	F1	F2	F3	F4	F5	F6	F7	F8	F9	F10	F11
width	0,57	-0,13	0,47	-0,10	0,54	-0,13	0,04	0,08	-0,06	0,63	0,54
depth	0,57	-0,92	0,43	-0,76	0,54	-0,93	-0,33	0,48	-0,70	0,55	0,56
frequency 400
	F1	F2	F3	F4	F5	F6	F7	F8	F9	F10	F11
width	0,38	-0,07	0,51	-0,08	0,44	-0,07	0,03	0,08	-0,09	0,51	0,44
depth	0,54	-0,92	0,48	-0,90	0,53	-0,94	-0,33	0,47	0,57	0,55	0,56

Из табл. 2 определяем наиболее коррелирующие признаки, на основе которых будет обучаться интеллектуальная нейронная сеть.

Классификация раскрытий дефектов будет производиться по признакам F1, F5, F10 и F11. Классификация глубин – F2, F4, F6 и F9.

5.2 Построение искусственных нейронных сетей

Нейронные сети привлекательны с интуитивной точки зрения, ибо они основаны на примитивной биологической модели нервных систем. В будущем развитие таких нейро-биологических моделей может привести к созданию действительно мыслящих компьютеров. Основными преимуществами использования нейронных сетей являются богатые возможности и простота в использовании.

Нейронные сети - исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. В частности, нейронные сети нелинейны по своей природе. На протяжении многих лет линейное моделирование было основным методом моделирования в большинстве областей, поскольку для него хорошо разработаны процедуры оптимизации. В задачах, где линейная аппроксимация неудовлетворительна (а таких достаточно много), линейные модели работают плохо. Кроме того, нейронные сети справляются с "проклятием размерности", которое не позволяет моделировать линейные зависимости в случае большого числа переменных. В этом заключаются богатые возможности нейронных сетей.

Страницы: 1, 2, 3