铁磁性薄层金属因其防腐、耐磨等优点被应用到很多领域。厚度是表征质量的指标之一,而薄层金属的厚度一般在几微米到几百微米,在众多无损检测方法中,脉冲涡流技术具有非接触、不需耦合剂、检测效率高等优点,特别适用于薄层金属厚度检测。常规脉冲涡流因为提离影响容易产生误差。为抑制提离影响,本文研究了基于脉冲涡流的提离交叉点（LOI）的厚度检测方法,通过解析模型建立、方法性能对比、关键因素的影响分析,对比确定了最优的厚度测量方法,并基于Elman神经网络优化了脉冲激励上升沿时间。具体的研究内容如下:1.建立了脉冲涡流检测信号理论模型。根据脉冲涡流检测原理,研究了探头放置于试件上方时线圈阻抗的变化,推导了导电结构谐波涡流的解析解和检测线圈感应电压的解析表达式,结合傅里叶分解和叠加原理,建立了金属材料厚度脉冲涡流检测解析模型。并用COMSOL软件建立了有限元模型验证解析模型。最后,搭建脉冲涡流检测系统平台,制备实验试件。2.研究了铁磁性材料厚度脉冲涡流检测方法。研究常规测厚方法和基于提离交叉点测厚方法的测量范围、线性度和灵敏度,并用实验验证仿真的正确性。仿真与实验结果表明,常规测厚方法的测量范围最大,时域提离交叉点的测厚方法线性度和灵敏度更高。分析了关键因素对铁磁性材料测厚方法的影响规律。研究了激励频率、脉冲激励上升沿时间、材料相对磁导率和电导率变化对提离交叉点的影响,对不同测厚方法性能进行对比分析。仿真和实验结果表明,激励频率对提离交叉点无影响,调节脉冲激励上升沿时间可以改善厚度测量方法的线性度。3.提出了基于Elman神经网络的脉冲激励上升沿时间优化方法。根据关键因素中脉冲激励上升沿时间对测厚方法的影响分析结果,为不同特征参数的材料选取合适的脉冲激励的上升沿时间。基于Elman神经网络建立了脉冲激励上升沿时间预测模型,选取测试样本验证预测模型的正确性。结果表明,该网络能够准确预测脉冲激励上升沿时间,为优化脉冲激励参数提供技术支撑。本文通过铁磁性材料厚度脉冲涡流检测方法的研究,对比不同测厚方法和影响因素分析,为提高铁磁性材料厚度检测性能提供了一定的理论基础。该论文有图78幅,表8个,参考文献84篇。