以钢为主的铁磁性材料被广泛应用于机电建筑、矿山石化、市政水电、交通航空和农牧等等各行各业,已成为世界上使用最多的材料。随着工业技术向高精尖方向发展,精密与重载机械设备越来越多,然而大多设备都处于高速、高温、高压等恶劣的工作环境中,长时间运行,必然会出现各种损伤,进而导致设备故障,甚至发生灾难性后果。因此,如何可靠及早地评估在役设备的早期损伤,采取针对性措施,防止重大设备安全事故的发生,是机械测试技术领域亟待解决的关键性问题。无损检测技术是保证机械设备安全运行的重要手段。目前被广泛采纳使用的有:涡流无损检测、漏磁无损检测、磁粉无损检测、超声波无损检测等无损检测方法手段,各有各的技术特点与应用的范围。磁性无损检测技术对于铁磁性材料的检测可谓有先天性的优势,应用范围越来越广泛。漏磁无损检测是指利用外加磁场激励对被测试件局部实现磁化时,如果被测试件表面存在裂纹,此时该区域的磁场导通量明显减小,造成有来自该区域的漏磁场泄露出来,泄露出来的漏磁信号可以由传感器检测到通过表面磁场变化情况收集被测试件的缺陷状态。与其他常用的无损检测技术相比较,由于漏磁无损检测技术具有检测效率高、检测范围广、易于操作等十分突出的优点,经常用于高速动载、不可拆卸等处于特殊环境中设备的无损检测,同时能够实现对被测试件微小表面缺陷裂纹的无损检测定量化。本论文是基于漏磁检测的机械零部件裂纹定量化检测研究,采用漏磁无损检测技术方法对机械零部件试件进行无损检测,不仅能检测出被测试件表面裂纹缺陷所处位置,而且还可以实现对被测试件裂纹缺陷尺寸参数大小进行精确地定量化分析,实现裂纹缺陷大小的精确预估和判断。本文主要的研究内容如下:首先,阐述探讨了漏磁检测技术的基础理论,采用磁偶极子法对矩形裂纹缺陷与漏磁磁场信号强度的关系进行了分析。针对机械零部件表面裂纹缺陷检测,研究并开发出了一种多模块组成的电磁式漏磁无损检测系统,设计了磁无损检测系统中核心部件磁阻式漏传感器的系列电路图并且完成了系列电路的实物制作,最终研制了一套以多模块组合的三维传感器为核心的机械零部件裂纹缺陷定量化检测的漏磁无损检测系统。提出了一种基于B P神经网络的缺陷识别系统,采用遗传算法优化的BP神经网络建模方法,BP神经网络的训练样本是采用磁阻式传感器检测采集到的被测铁磁性金属件各个缺陷位置的实验结果,对该BP神经网络裂纹缺陷定量化识别系统进行神经网络的深度学习训练,从而得到缺陷裂纹参数到实验样本信号的映射,建立了微裂纹宽度与深度的预测模型.采用该BP神经网络裂纹缺陷预测模型预测的指定缺陷的尺寸参数与实际该处的缺陷尺寸相比较,发现预测值在误差范围内,故采用BP神经网络建立的微裂纹宽度与深度的预测模型,测量预测裂纹缺陷大小是可行的。