基于多电磁特征选择的铁磁材料硬度估算方法

《Journal of Magnetism and Magnetic Materials》:A hardness estimation method for ferromagnetic materials based on multi-electromagnetic feature selection

【字体: 大 中 小 】 时间:2026年06月14日 来源:Journal of Magnetism and Magnetic Materials 3

编辑推荐:

  Kaiyu Li|Xiaopeng Liu|Haoyang Li|Shiying Fan|Ping Wang|Yinliang Jia南京航空航天大学自动化工程学院,中国南京211106摘要为实现铁磁材料的无损硬度检测,本研究开发了一种双模态检测系统,能够同步激发并采集磁增量磁导

  
Kaiyu Li|Xiaopeng Liu|Haoyang Li|Shiying Fan|Ping Wang|Yinliang Jia
南京航空航天大学自动化工程学院,中国南京211106

摘要

为实现铁磁材料的无损硬度检测,本研究开发了一种双模态检测系统,能够同步激发并采集磁增量磁导率(MIP)和磁巴尔豪森噪声(MBN)信号,进而提取出包含时域、频域以及蝴蝶图几何特征在内的38维多域特征集。为解决小样本条件下高维特征存在的冗余性和噪声问题,本文提出了一种动态融合自适应递归特征消除(DFARFE)算法,该算法整合了多准则加权评估框架、基于Bootstrap重采样的动态权重分配方法以及留一法交叉验证。通过该方法得到的特征子集与硬度具有高度相关性,且抗干扰能力优异。实验结果表明,基于该特征子集构建的多参数回归模型在测试集上的平均相对误差仅为0.78%。与传统方法相比,所提方法筛选出的特征子集具有更强的抗干扰能力和泛化能力,从而显著提升了铁磁材料硬度评估的准确性与稳健性。

引言

铁磁材料的硬度是其机械性能的重要参数,直接影响工程部件的使用寿命与运行可靠性。然而,传统的压痕式硬度检测方法存在明显局限性:该检测过程具有破坏性,必然会损坏被检测工件;同时繁琐的流程和较低的效率使得这类方法难以满足在线或使用中的检测需求[1]。由于磁无损检测具有无损性、高灵敏度以及能够反映材料微观结构变化的特点,因此成为评估铁磁材料硬度的一种极具前景的方法[2]、[3]。
磁增量磁导率(MIP)反映了在静态偏置场基础上叠加弱交变磁场时,铁磁材料内部畴结构的可逆响应,其数值直接反映了畴壁运动过程中所遇到的阻力[4]。而磁巴尔豪森噪声(MBN)则反映了畴结构的不可逆演化过程,其产生机制源于畴壁克服局部钉扎点时的突变现象,其幅值与材料中畴壁的钉扎程度密切相关[5]。铁磁材料的宏观硬度与其微观畴结构之间存在内在关联。随着硬度的变化,材料的微观结构特征也会出现显著差异,如畴尺寸分布、晶粒取向、晶界形态以及位错密度等[6]、[7]、[8]。与此同时,作为对微观结构变化敏感的磁参数,MIP和MBN都与铁磁材料的表面硬度具有很强的相关性[9]、[10]。
Matsumoto等人[11]利用增量磁导率方法对球墨铸铁中的白口铁微观结构进行了定量评估,系统研究了基体微观结构对磁性能的影响;通过多参数分析,他们成功重构出了各相的面积分数,并基于增量磁导率的特征参数实现了铸铁硬度的无损预测。Li等人[12]则将高分辨率增量磁导率技术与微米级磁隙传感器相结合,实现了对激光硬化件表面硬度、残余应力以及硬化层深度的同时无损表征;由此建立的多元线性回归模型的拟合优度高达0.955,证明了该方法在亚毫米尺度上进行多参数评估的有效性。Lberni等人[13]利用低频增量磁导率重构了深渗碳钢零件的硬度分布曲线;通过将实验测量数据与数值模拟结果相结合,他们建立了标准化的参考图谱,用于盲测样本的后续分析,预测结果与实测硬度曲线之间的相对欧几里得距离小于6%,且在不同的渗碳强度下仍能保持较高的准确性。Roskosz等人[14]对经过应变硬化的S235和DC01钢以及经过热化学处理的AMS 6414钢同时进行了巴尔豪森噪声与硬度的测量;以MBN事件计数作为关键特征参数,他们构建了一个将其与材料硬度联系起来的定量关联模型,该模型具有很高的决定系数,显示出良好的预测能力。Hang等人[15]则利用MBN和切向磁场(TMF)信号对GCr15轴承钢的硬度进行了定量预测;通过分析MBN和TMF的时频特性,他们自动识别并过滤掉了受干扰的样本,同时建立了多元线性回归模型和多层感知器硬度预测模型,充分证明了所提方法在无损硬度评估方面的有效性。Cilliková等人[16]利用磁巴尔豪森噪声监测了涂层沉积过程中硬化后的100Cr轴承钢的热损伤情况;他们对比了涂层沉积前后基体的硬度与从原始MBN信号中提取的特征参数,研究结果表明MBN包络线的峰值能够以高灵敏度和高线性度反映材料硬度的变化。
鉴于现有的基于MIP或MBN的无损硬度检测方法大多依赖单模态信号,这类信号无法全面反映材料硬度的变化,且特征的可解释性较差;同时,在面对小样本、高维度的实验数据时,传统的特征选择方法容易受到冗余信息与噪声干扰的影响,从而导致特征重要性的评估结果不稳定——为解决这些问题,本研究提出了一种动态融合自适应递归特征消除(DFARFE)算法,用于识别最优的特征子集。该算法旨在在高维特征空间中进行有效筛选,去除冗余信息与噪声干扰,从而提升特征重要性评估的稳定性和泛化能力。

章节节选

MIP的基本原理

MIP源于材料内部畴结构对外部激励场的可逆动态响应,对晶粒尺寸、位错密度、残余应力以及相变等微观结构变化具有极高的敏感性[17]、[18]。在磁化过程中,当同时施加低频偏置磁场和高频、小幅值的增量磁场时,材料会经历局部的微小变化

电磁信号特征集的构建

共选择了6块符合中国国家标准(GB/T 230.3–2022)的洛氏硬度测试块,其硬度值分别为22.0 HRC、24.8 HRC、27.1 HRC、29.8 HRC、33.9 HRC和38.6 HRC,如图4所示。基于上述检测电路,使用采集系统在每块测试块的不同位置进行了100次测量。从每次测量中都提取出了38维特征集,其中包括18个MIP特征和20个MBN特征

基于DFARFE的特征选择

在基于MIP和MBN的硬度检测中,可以提取出多达38维的多域特征。然而,这些特征中有许多对硬度不敏感、存在冗余或相互干扰,这很容易降低模型性能并增加计算负担。因此,有必要采用一种高效、稳健且具有物理意义的可解释性强的特征选择方法,筛选出对硬度预测贡献最大的核心特征子集。
传统

特征排序结果

基于DFARFE算法,通过对MIP和MBN的38维特征进行多轮评估与筛选,最终根据特征的综合性能对其进行了排序,得到了最优的特征子集。排名前10的特征如表2所示。
由于样本量有限,为避免模型过拟合,后续建模时选择的特征数量不超过总样本量的一半。具体而言,排名靠前的3个

结论

本研究提出了一种集成MIP和MBN的多维度电磁表征方法,并对其在铁磁材料硬度无损检测中的应用进行了验证。主要结论如下:
首先构建了一种双模态检测系统,可实现MIP和MBN信号的同步激发与采集,同时从时域、频域以及蝴蝶图几何形态等多个维度提取特征。
为解决冗余问题

CRediT作者贡献说明

Kaiyu Li:论文撰写——初稿撰写、可视化处理、项目管理、方法设计、正式分析、概念构思。Xiaopeng Liu:论文撰写——审阅与编辑、结果验证、软件应用、方法设计、实验研究、正式分析、数据整理、概念构思。Haoyang Li:可视化处理、资源协调、实验研究、数据整理。Shiying Fan:论文撰写——审阅与编辑、结果验证、正式分析。Ping Wang:项目监督、项目管理、资金获取、概念构思。

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。

致谢

本研究得到了国家自然科学基金(项目编号U2568232)以及南京航空航天大学科学研究基地创新基金(项目编号NJ2025010)的资助。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号