【机情无限 精彩毕设】机械2026届毕业设计（论文）中期检查优秀案例分享第三十五期——基于深度学习的铁磁构件巴克豪森噪声检测技术研究

学生姓名：熊嘉炜

班       级：测控2022-02班

指导教师：刘佳

毕设题目：基于深度学习的铁磁构件巴克豪森噪声检测技术研究

一、概况

1.选题意义

铁磁构件作为重大工程装备与基础设施体系中的关键组成部分，广泛应用于铁路交通、桥梁工程等重要领域，尤其是在高频运行、高应力循环和重载服役条件下，早期微小缺陷具有较强的隐蔽性和扩展性，若不能被及时发现和有效识别，极有可能演变为严重损伤。因此，开展铁磁构件的缺陷检测与状态评估研究具有重要的理论意义和工程价值。

通过实现对构件缺陷的早期识别、精准定位和定量表征，不仅能够为设备的安全服役与健康管理提供科学依据，而且对于提升工程结构本质安全水平、推动装备智能运维与实现预防性维修具有十分重要的现实意义。

2.任务分解

本课题以铁磁构件缺陷的高精度识别与三维形貌重建为目标，基于巴克豪森噪声检测技术获取钢轨表面及近表层的磁响应信息，结合深度学习目标检测网络和物理信息神经网络，构建“巴克豪森噪声检测—缺陷定位识别—物理约束三维重建”的一体化技术体系，实现铁磁构件缺陷从存在性判别到空间形貌定量表征的智能化评估。

图1-1 总任务分解图

二、已完成工作

1.实验平台搭建任务

设计并搭建钢轨巴克豪森噪声检测实验系统，包括信号发生器、功率放大器、滤波器、运算放大器、信号采集模块及数据存储模块。

图2-1 巴克豪森噪声信号采集装置

2.实验平台搭建任务

完成了所采集好的巴克豪森噪声信号数据的整理与预处理工作，包括原始信号的滤波去噪、归一化、二维矩阵映射及热力图构建，得到了存储了巴克豪森噪声信号对应的矩阵数据（mat格式），并将各矩阵绘制出对应的热力图，使数据内容得以 “可视”；ind1w1~ind2w2为亚表面缺陷，ind1w1为缺陷深度1mm，宽度1mm，其余三种同理；surface1对应表面缺陷，深度1mm，宽度1mm；surface2也对应表面缺陷，深度2mm，宽度1mm。

图2-2 巴克豪森原始信号

3.缺陷分类识别

为了实现缺陷的智能识别和分类，以先前所绘制出的热力图建立了一个包含各种缺陷的数据集，所检测的铁磁构件的缺陷类型共两类，分别是位于铁磁构件表面与亚表面的长方体缺陷；共六种，表面两种，亚表面四种，深度和宽度相异；并采用多种分类方法进行对比观察各方法分类的准确性；

图2-9 缺陷分类网络结构

4. 配对图像建立

缺陷的三维轮廓对结构的安全性评价非常重要，但由于求解物理方程存在非唯一解，使得从缺陷磁信号到缺陷三维轮廓的反问题求解极为困难。根据所采集巴克豪森信号的构件的真实缺陷情况对应搭建出六种类别缺陷的三维模型，选择上下表面各作一标签，做好归一化，得到配对好的二通道数据用于后续pix2pix生成相应的缺陷；

图2-10 双通道数据构建

5.缺陷内容重建：

查阅了对抗网络的相关资料，现已决定采用pix2pix-GAN对抗学习的方式完成缺陷图片的生成，由所生成的缺陷图片重构出缺陷的真实情况，目前尚未添加物理信息神经网络约束图片的生成

图2-11 基于pix2pix-GAN网络的三维缺陷重建

三、下一步工作计划

下一阶段将围绕数据优化、模型改进和论文撰写三个方面继续推进，具体安排如下：

1、进一步优化巴克豪森噪声样本构建方式，对已有矩阵数据生成流程进行调整，降低样本之间的重复度和冗余度，提高数据的代表性与区分性，为后续模型训练提供更加合理的数据基础。

2、继续完善缺陷理论标签与几何表达方式，使标签构建与缺陷真实物理定义保持一致，进一步提高二维缺陷图与三维缺陷形貌之间的对应关系。

3、进一步引入物理约束思想，完善物理信息神经网络建模方法，将缺陷几何先验、深度约束及区域约束等逐步融入训练过程，以增强模型重构结果的物理一致性和可解释性。

4、在完成模型优化和实验分析的基础上，逐步开展毕业论文正文撰写工作，重点完成研究方法、实验结果、分析讨论及总结展望等部分内容，按计划推进论文定稿。

问题一：你所用作缺陷分类的热力图是如何得到的？你的采集系统是怎么样的？

回答：整个采集系统由激励和采集两部分组成，激励部分主要由信号发生器、功率放大器、激励线圈和磁轭组成，经过功率放大器放大的激励信号，通过激励线圈后会产生交变磁场，试件内部的磁畴和磁畴壁会随交变磁场的变化而变化，磁畴和磁畴壁的位移就会产生巴克豪森噪声信号，经采集装置传至pc机得到长巴克豪森信号，获取信号周期变化的包络峰值、均方根作为巴克豪森信号的特征值，在进行信号划分后，对于15*20的采样点生成各缺陷对应的特征值矩阵，以此绘制出相应的热力图。

问题二：你的三维重建是怎么实现的，讲一讲你实现三维重建的这个网络。

回答：缺陷的三维轮廓对结构的安全性评价非常重要，但由于求解物理方程存在非唯一解，使得从缺陷磁信号到缺陷三维轮廓的反问题求解极为困难。

生成式对抗网络在求解成对图像的映射问题上表现出了优异的性能；以缺陷上下表面各绘制一标签，之后根据所采集巴克豪森信号的构件的真实缺陷情况对应搭建出六种类别缺陷的三维模型，也对应其上下标签，将这两数据进行配对，得到配对好的二通道数据用于pix2pix-GAN网络生成相应的缺陷；

在本阶段的研究工作中，先是噪声信号的采集，处理后的特征值提取，缺陷类别划分再到pix2pix-GAN缺陷生成以及后续还待跟进的添加物理信息约束，一步步的学习让我从不懂网络与深度学习的小白成为能够明晰网络结构，自行修改训练代码，变得越发有经验。

并且在中期老师的提问下，让我能够更好地去把握整个项目的细节，也正如老师所言，中期答辩并不是要将我们问倒，更是一次让我们进行查漏补缺的机会。

在后续的毕设跟进过程中，我会带着老师提出的各项建议，以及我据此对项目所产生的新的理解更进一步，添加好我最后所缺少的对模型的物理信息约束，为我的整个项目画上圆满的句号。