脉冲涡流无损检测。一之题问心核的化（PEC）因非接触、无需耦合剂、适用于金属多层结构等特性，成为航空航天、电力设备等领域的重要检测技术。多层结构中，不同层位（如表面、界面、深层）、不同类型（如裂纹、腐蚀、脱粘）的缺陷会导致涡流响应差异，如何精准分类这些缺陷，是PEC技术实用化的核心问题之一。
多层结构缺陷的征特应响与型类类型与响应特征
多层金属结构（如航空铝板叠层、电力变压器铁芯）的缺陷类型主要分为四类：表面裂纹（第一层金属的浅表损伤）、层间脱粘（相邻两层间的粘结失效）、深层腐蚀（内部层的材料损耗）、贯穿通孔（穿透所有层的孔洞）。不同缺陷的位置与形态，会导致脉冲涡流的传播路径和衰减规律出现显著差异。
表面裂纹。%02的特点是破坏金属表面的涡流路径，使涡流在缺陷处发生反射与散射，对应的时域信号表现为峰值电压降低、上升沿斜率减小——这是因为裂纹阻挡了表面涡流的快速形成。例如，0.5mm深的表面裂纹，其峰值电压比无缺陷区域低约30%，上升时间延长20%。
层间脱。域区粘粘则是相邻层间的接触不良，导致涡流无法沿层间垂直传播，只能向横向扩散。这种情况下，时域信号的衰减速率减慢，频域中的低频分量（如100Hz~500Hz）幅值显著增强——低频涡流的渗透深度更深，能捕捉到界面处的脱粘区域。
深层腐蚀通常发生在第二层及以下金属层，由于腐蚀导致材料厚度减薄，涡流可以渗透到更深的位置。此时时域信号的衰减时间常数增大（即信号从峰值下降到1/e所需的时间延长），例如，2mm深的腐蚀缺陷，其衰减时间常数比表面裂纹大40%以上。
贯穿通孔会完全切断涡流的传播路径，使时域信号出现“突变”特征：信号在脉冲激励后迅速下降至较低水平，且无明显的衰减过程——这是因为通孔让涡流无法形成闭合回路，电压信号直接跌至背景噪声水平。
基于时域特征的缺陷分类方法
时域特征是从脉冲涡流的电压-时间曲线中直接提取的量化参数，核心思路是利用不同缺陷对涡流形成与衰减过程的影响，区分缺陷类型。常用的时域特征包括峰值电压（Vp）、上升时间（Tr，信号从10%峰值上升到90%峰值的时间）、衰减时间常数（τ，通过指数拟合得到的信号衰减速率）、积分面积（S，信号在0~t0时间内的面积）。
峰值电压（Vp）是最直观的时域特征：表面缺陷的Vp通常比深层缺陷低20%~50%，因为涡流在金属表面的衰减速率更快，缺陷越浅，涡流被阻挡的程度越明显。例如，铝制叠层结构中，0.3mm深的表面裂纹Vp约为0.8V，而2mm深的深层腐蚀Vp可达1.2V。
上升时间（Tr）主要反映涡流的形成速度：层间脱粘的Tr比表面裂纹长30%~60%，因为脱粘区域的涡流需要从表面扩散到界面，增加了涡流的形成时间。例如，某铝叠层的表面裂纹Tr为1.2ms，而层间脱粘的Tr为1.9ms——这种差异可作为区分两者的关键特征。
衰减时间常数（τ）与涡流的渗透深度直接相关：深层腐蚀的τ比表面缺陷大50%以上，因为腐蚀导致内部层的材料变薄，涡流能到达更深的位置，衰减速度减慢。例如，1mm深的腐蚀缺陷τ约为8ms，而0.5mm深的表面裂纹τ仅为5ms。
基于时域特征的分类方法，通常将多个特征组合成特征向量（如[Vp, Tr, τ]），再利用传统模式识别算法（如欧氏距离、马氏距离、K近邻）进行分类。例如，有研究用Vp和τ组成特征向量，区分表面裂纹与深层腐蚀，分类准确率可达85%；若加入Tr，准确率可提升至90%。
基于频域特征的缺陷分类方法
脉冲涡流的时域信号可通过傅里叶变换（FFT）转换为频域幅值谱与相位谱，频域特征能更清晰地反映缺陷的深度信息——低频分量对应深层缺陷（涡流渗透深），高频分量对应表面缺陷（涡流集中在表面）。
幅值谱是频域分析的核心特征：表面裂纹的高频幅值（如1kHz以上）比深层缺陷高，因为表面涡流的高频响应更敏感；层间脱粘的低频幅值（如100Hz以下）比表面裂纹高20%~40%，因为脱粘导致涡流横向扩散，低频成分增多。例如，某钢质叠层的表面裂纹在1kHz处的幅值为0.6V，而层间脱粘在同一频率处的幅值仅为0.4V，但在100Hz处，脱粘的幅值（0.8V）远高于裂纹（0.5V）。
相位谱也是重要的分类依据：表面缺陷的相位变化比深层缺陷大，因为表面涡流的相位响应更易受缺陷影响。例如，表面裂纹在1kHz处的相位差（与无缺陷区域相比）为-15°，而深层腐蚀的相位差仅为-5°——这种相位差异可用于区分浅表层与深层缺陷。
基于频域特征的分类方法，常提取“特征频率点的幅值比”或“相位差”作为分类依据。例如，计算低频（f1=100Hz）与高频（f2=1kHz）的幅值比（A1/A2），表面裂纹的A1/A2约为0.8，层间脱粘的A1/A2约为1.5，通过设定阈值（如1.0）可快速区分两者；再如，利用500Hz处的相位差，区分深层腐蚀与贯穿通孔，准确率可达88%。
基于时频域联合特征的分类方法
时域特征仅能反映信号的时间演化，频域特征仅能反映信号的频率分布，而时频域联合分析（如小波变换、希尔伯特-黄变换）可同时捕捉信号的时间-频率能量分布，更全面地刻画缺陷的复杂响应。
小波变换（WT）是最常用的时频分析工具，通过选择合适的小波基（如db4、sym8），将时域信号分解为不同尺度的子信号，每个子信号对应特定的频率范围。例如，表面裂纹的能量主要集中在高频（1kHz~5kHz）且时间较短（0~2ms）的区域，呈现“窄带高频”特征；深层腐蚀的能量集中在低频（100Hz~500Hz）且时间较长（2~10ms）的区域，呈现“宽带低频”特征；层间脱粘的能量则分布在中低频（500Hz~1kHz）且时间范围较广（1~8ms），呈现“中带中时”特征。
希尔伯特-黄变换（HHT）通过经验模态分解（EMD）将信号分解为多个固有模态函数（IMF），再对每个IMF进行希尔伯特变换，得到时频谱。与小波变换相比，HHT更适合非线性、非平稳的脉冲涡流信号——例如，贯穿通孔的信号是非平稳的（突变特征），HHT能准确捕捉到突变时刻的频率变化：通孔缺陷的时频谱在突变点（约1.5ms）会出现高频分量的突然增强，而其他缺陷无此特征。
基于时频域联合特征的分类方法，通常提取各尺度子信号的能量占比、时频谱的重心频率、带宽等特征。例如，用小波包分解提取4个尺度的能量占比（分别对应100Hz~500Hz、500Hz~1kHz、1kHz~2kHz、2kHz~4kHz），组成特征向量，区分表面裂纹、层间脱粘、深层腐蚀、贯穿通孔四种缺陷，准确率可达90%以上——比单独使用时域或频域特征高5%~10%。
基于机器学习的智能分类方法
随着缺陷类型的增多与特征维度的提高，传统模式识别方法的准确率逐渐下降，机器学习算法因能自动学习特征与缺陷的映射关系，成为当前分类方法的研究热点。
支持向量机（SVM）是早期应用较广的算法，通过核函数（如径向基函数RBF）将低维特征映射到高维空间，解决非线性分类问题。例如，用小波变换提取的4个时频特征训练SVM，区分表面裂纹、层间脱粘、深层腐蚀三种缺陷，准确率可达92%；若加入温度补偿特征（如温度-电导率拟合值），准确率可提升至95%。
随机森林（RF）是一种集成学习算法，通过构建多棵决策树并投票，降低过拟合风险。对于高维特征（如20个时频域特征），随机森林能自动筛选重要特征（如小波能量占比、频域幅值比），提高分类效率。例如，某研究用20个特征训练随机森林，区分五种缺陷（增加了“层间夹杂”），准确率达93%，且训练时间比SVM短30%。
卷积神经网络（CNN）是近年来的主流算法，无需手动提取特征，直接输入原始时域信号或时频谱，通过卷积层自动学习缺陷的特征模式。例如，用一维CNN处理原始时域信号（长度为1024点），区分四种缺陷，准确率可达95%；用二维CNN处理小波时频谱（尺寸为64×64），准确率进一步提升至97%——这是因为CNN能捕捉到信号中的细微特征（如波形的微小突变、时频谱的局部能量峰），而手动特征难以覆盖这些信息。
需要注意的是，机器学习算法的性能高度依赖训练数据的质量：数据量不足会导致过拟合，数据分布不均（如表面缺陷样本多、深层缺陷样本少）会导致分类偏向多数类。因此，常用数据增强方法（如加高斯噪声、信号缩放、时间平移）扩充数据集，例如，将原始样本量从100个增加到500个，CNN的准确率可从90%提升至95%。
缺陷层位定位与分类的融合策略
多层结构的缺陷分类，不仅要区分缺陷类型，还要确定缺陷所在的层位（如第一层、第二层）——层位信息能进一步约束分类结果，提高准确性。
层位定位的核心方法是利用涡流的渗透深度公式：δ=√(2ρ/(ωμ))，其中ρ为材料电阻率，ω为角频率，μ为磁导率。通过改变激励脉冲的频率（如低频率f1=100Hz对应深层，高频率f2=10kHz对应表面），可得到不同层位的缺陷响应。例如，用f1=100Hz激励时，深层缺陷（第二层）的响应强，表面缺陷（第一层）的响应弱；用f2=10kHz激励时，表面缺陷的响应强，深层缺陷的响应弱。
融合策略通常分为两步：第一步，用多频率激励定位缺陷层位——例如，比较f1和f2的峰值电压比，若Vp(f1)/Vp(f2)>1，则缺陷在深层（第二层及以下）；若比值<1，则缺陷在表面（第一层）。第二步，根据层位信息选择对应的分类特征——例如，表面缺陷用高频时域特征（如上升时间、高频幅值），深层缺陷用低频时频特征（如小波低频能量、衰减时间常数）。
例如，某航空叠层结构的缺陷检测中，先通过多频率激励定位缺陷在第二层，再用小波低频能量（100Hz~500Hz）和衰减时间常数组成特征向量，用SVM分类，区分第二层的腐蚀与脱粘，准确率达94%——比不定位直接分类（准确率87%）提高了7%。
影响分类准确性的关键因素
即使采用先进的分类方法，一些外部因素仍会导致分类误差，需针对性优化。
激励参数：脉冲宽度与电压幅值会影响涡流的渗透深度与强度。例如，宽脉冲（如10μs）的低频成分多，适合深层缺陷，但表面缺陷的响应会减弱，导致分类准确率下降；高电压幅值会增强信号强度，但也会增加噪声，需平衡脉冲宽度与电压（如5μs脉冲、5V电压，兼顾表面与深层缺陷）。
传感器参数：线圈直径与匝数决定了检测范围与分辨率。大线圈（直径20mm）的检测范围大，但分辨率低，难以区分小尺寸缺陷（如0.5mm裂纹）；小线圈（直径5mm）的分辨率高，但检测深度浅，深层缺陷的响应弱。通常选择“中等尺寸线圈”（直径10mm~15mm），兼顾范围与分辨率。
材料特性：电导率与磁导率的变化会影响涡流响应。例如，铝的电导率（3.5×107S/m）比钢（5×106S/m）高，涡流衰减更快，深层缺陷的响应更弱，分类难度大——需针对不同材料调整特征提取方法（如铝用高频特征，钢用低频特征）。
环境干扰：温度与振动是主要干扰源。温度升高会降低材料电导率，增加涡流渗透深度，导致特征漂移（如峰值电压升高、衰减时间常数增大）；振动会使传感器与被测件的距离变化，导致信号波动。解决方法包括：加入温度补偿模型（如电导率-温度拟合公式）、采用带弹簧的传感器固定装置（减少振动影响）。