航天工业的迅猛发展也伴随着不可忽视的空难事故,往往细微差错便会导致机毁人亡,所以裂纹缺陷检测也成为了飞行器维护保养的重点。近年来兴起的脉冲涡流无损检测相比普通涡流检测有着突出优势:一次测量能获得更多不同频率的信息,可用于裂纹深度的定量检测。目前基于脉冲涡流检测裂纹的研究主要是对时域和频率提取出特征,再反演得出裂纹深度,这种特征提取容易受到噪声和干扰的影响,使裂纹深度的测量精度大打折扣。为了降低这种人为特征提取的不准确性,本文采用基于神经网络的机器学习方法来对裂纹深度进行定量测量。主要研究内容如下:1、对脉冲涡流检测技术理论基础的研究。从麦克斯韦方程组出发,阐述了脉冲涡流无损检测的原理,即涡流效应和趋肤效应两种物理现象。通过分析脉冲涡流激励信号和响应信号之间的关系,为脉冲涡流检测系统的设计提供了理论依据。2、脉冲涡流传感器设计与裂纹深度检测方法研究。首先以钛合金材料的航空发动机的涡轮盘为检测目标,对脉冲涡流传感器进行设计,突出小型化、高灵敏、柔性的特点,其次根据被检测对象的材料特性,对脉冲激励信号的幅度、占空比和重复频率等参数进行优化设计。为了避免人工提取检测信号特征可能引入的误差,提出采用一维卷积神经网络自动选择特征,实现金属裂纹深度的定量检测。3、裂纹深度脉冲涡流检测的仿真研究。首先采用有限元仿真软件建立了传感器模型,得出了不同裂纹深度和提离状况下的检测信号,再对仿真结果进行分析,将缺陷类型进行分类,选择其中的规则缺陷进行深入研究,建立了基于一维卷积神经网络的裂纹深度检测模型,根据采集到的检测信号即可反演出对应的裂纹深度。4、裂纹深度脉冲涡流检测的实验研究。首先搭建了脉冲涡流检测的实验系统,其中包括信号发生单元、信号检测单元、信号采集单元和信号处理单元等。然后对检测信号采用奇异分解法进行降噪,再将降噪后的数据导入一维卷积神经网络模型,对神经网络的检测模型进行训练和优化。得到参数后用训练好的检测模型对标准试件中不同尺寸的裂纹进行深度检测,并将检测结果与裂纹的真实深度进行对比分析,验证了基于脉冲涡流和卷积神经网络的裂纹深度检测方法的有效性。