一种金属板裂纹无损检测系统及方法与流程

摘要: 本发明涉及无损检测,具体而言,涉及一种金属板裂纹无损检测系统及方法。背景技术:1、传统金属裂纹无损检测技术长期面临灵敏度不足与抗干扰能力弱的双重挑战。以振动模态...
一种金属板裂纹无损检测系统及方法与流程

本发明涉及无损检测,具体而言,涉及一种金属板裂纹无损检测系统及方法。

背景技术:

1、传统金属裂纹无损检测技术长期面临灵敏度不足与抗干扰能力弱的双重挑战。以振动模态分析法为例,其通过监测结构固有频率、阻尼比等参数变化判断损伤,但金属材料的刚度特性所导致的微小裂纹(如航空铝合金板中长度<1mm的裂纹)引起的频率偏移量极低(通常<0.1%),难以与噪声区分。实验表明,在板厚2mm、裂纹长度0.5mm的工况下,固有频率偏移量仅为0.07%,而环境温度波动或边界条件变化可能引入0.05%以上的误差,导致该方法在工业场景中误判率高达30%以上。

2、现有技术中金属裂纹无损检测常用方法包括超声波无损检测、涡流无损检测、视觉识别等检测方法,数据处理方法主要基于信号处理、图像分析和经验判读。信号处理主要包括时域滤波、频率滤波等方法。随着人工智能的发展,出现了机器学习模式识别,实现缺陷自动识别。

3、其中,时域信号处理技术虽能捕捉动态响应中的瞬态特征,但传统傅里叶变换受限于平稳性假设,无法解析裂纹扩展过程中的非平稳信号(如应力波反射、高频振动衰减)。小波变换通过时频局部化改进了分辨率,但其单层分解会丢失高频细节信息,例如裂纹尖端的高频应力集中信号(频段>20khz)在离散小波变换(dwt)中常被归入单一高频子带,导致能量特征模糊。某高铁轮毂钢板的对比实验显示,dwt对1mm裂纹的检测成功率仅68%,而小波包能量谱(wpes)通过全频带分解将成功率提升至92%。

4、现有机器学习方法在裂纹检测中的应用存在显著局限性。监督学习模型(如支持向量机svm、卷积神经网络cnn)依赖大量标注数据,但实际工程中,尤其多裂纹场景可获取的裂纹样本稀少,导致模型过拟合。例如,某压力容器检测项目中,cnn模型在训练集(含2000张无裂纹图像、50张单裂纹图像)上的分类准确率达99%,但在真实多裂纹测试集上的准确率骤降至47%。此外,无监督聚类方法(如k-means)对特征重叠的多裂纹敏感,实验数据显示两条间距<5mm的平行裂纹会被错误合并为单一簇,误判率超35%。

5、当前研究尚未有效融合物理机理模型与数据驱动方法。分布位错理论(ddm)虽能高精度模拟裂纹应变场分布,但其计算复杂度高,且单次求解需数十分钟,难以直接用于实时检测。同时,现有算法普遍缺乏对噪声与真实损伤的区分机制:例如电磁干扰导致的瞬时信号突变可能被误判为裂纹,而传统阈值法在10%噪声水平下误报率超过40%。

6、因此,研究如何优化系统的结构,简化方法中计算的复杂度,提高检测效率,快速区分噪声和真实损伤,增强检测系统的抗噪性,具有重要意义。

7、在专利cn121784150b中,公开了一种基于多模态数据的钢材无损检测方法及系统,包括基于钢材在受力过程中的声发射信号序列识别钢材进入塑性变形阶段的起始时刻,并确定声发射信号活跃程度上升的时间区间;在时间区间内获取金属磁记忆信号与表面应变数据;进一步地,确定钢材的磁场梯度异常位置以及应变集中区域位置;再确定多模态信号空间重合区域;对多模态信号空间重合区域内的声发射信号进行多尺度分解,基于分解信号中的突变特征确定钢材微观结构不可逆变化的累积程度,随后确定钢材的检测结果,能够实现现对钢材在受力过程中从弹性阶段向塑性变形阶段过渡的动态监测,但由于该专利侧重于对损伤演化过程的精确追踪与定位,而不能够快速智能的识别已存在的缺陷特征。

技术实现思路

1、有鉴于此,本发明旨在提出一种金属板裂纹无损检测系统及方法,以解决现有技术中存在的受限于单模态信号灵敏度低、传统信号处理对非平稳/高频信息解析不足、数据驱动模型在稀缺样本下泛化性差,以及物理模型与数据方法割裂,难以实现早期微小裂纹的精准、且实时检测的问题;以此达到优化检测系统的结构及方法,简化方法中计算的复杂度,提高检测的效率,快速区分噪声和真实损伤,增强检测系统的抗噪性,实现系统的多尺度检测,保障系统检测流程的自动化,提升系统检测结果的精准度。

2、为达到上述目的,本发明的技术方案是这样实现的:

3、本发明涉及的一种金属板裂纹无损检测系统及方法,所述一种金属板裂纹无损检测系统包括一种金属板裂纹无损检测方法,所述方法包括以下步骤:

4、步骤一、数据采集与预处理:根据待测金属板的规格,选取所需硬件进行配置,并进行信号激励;

5、步骤二、动态聚类与异常值检测:通过聚类计算模块对dbscan参数进行优化与粗定位;

6、步骤三、随机森林分类与精确定位:构建随机森林分布模型,并将聚类计算模块输出的数据进行分类整理;

7、步骤四、分布位错-随机森林回归建模:将检测到的待检测金属板的物理数据生成后,对所获得的物理数据进行预处理;并通过回归模型训练与部署,得到精准的待检测金属板的无损检测结果。

8、进一步,步骤一包括:

9、步骤s11:在待测金属板的表面均匀布置所需数量的压电传感器pzt组成压电传感器阵列,相邻两个压电传感器pzt之间的间距根据待测金属板的尺寸进行动态调整;

10、步骤s12:采用所需周期调制的所需频率的正弦脉冲作为激励信号,通过功率放大器驱动压电传感器pzt激发面板振动,响应信号由数据采集器内的采集模块以预设采样频率同步采集;

11、步骤s13:使用软件通过采用小波包变换dwpt对金属板动态响应信号进行全频带分解,选用小波基,并在预设分解层数a后,分解得到所需n个子频带,a、n均为正数;

12、步骤s14:计算各个子频带的能量,其中,wi,k为第i个子频带的小波系数,0<i≤n;

13、步骤s15:构建能量损失率elr矩阵,矩阵的维度为压电传感器pzt的数量×子频带数量m;结合第一公式,实现动态归一化处理,消除压电传感器边缘效应导致的能量偏差。

14、进一步,步骤s15中,第一公式为:,其中,为无裂纹状态下的elr均值;为无裂纹状态下的标准差。

15、进一步,步骤s15中,构建能量损失率elr矩阵包括:通过第二公式定义能量损失率elr;第二公式为:

16、;

17、其中,eintact,i表示无裂纹状态下第i个子频带的能量值;edamaged,i表示含裂纹状态下第i个子频带的能量值;n为子频带总数。

18、进一步,步骤二中,通过聚类计算模块对dbscan参数进行优化与粗定位的具体步骤包括:

19、步骤s21:将能量损失率elr矩阵与压电传感器pzt的坐标(x,y)合并为三维特征向量(elr,x,y),输入dbscan算法,通过轮廓系数最大化原则动态优化参数;

20、步骤s22:预设初始邻域半径=0.3,最小邻域点数minpts=5;其中,0.3为归一化距离;

21、步骤s23:网格搜索确定最优参数为=0.25、minpts=4,轮廓系数达0.62;

22、步骤s24:输出聚类结果标记潜在裂纹区域,同时剔除孤立噪声点。

23、进一步,步骤三包括:

24、步骤s31:空间特征的求取;

25、步骤s32:能量特征的计算;

26、步骤s33:构建随机森林分布模型;

27、步骤s34:通过模型训练得到待测金属面板上不同裂纹的精准位置。

28、进一步,步骤s31包括:分别计算每个聚类簇的质心坐标(,)、区域半径以及聚类簇内的压电传感器pzt密度。

29、进一步,步骤s32包括:提取聚类簇内能量损失率elr的均值、方差、以及相邻压电传感器pzt之间的能量损失率elr梯度()。

30、进一步,步骤s33中,构建随机森林分类模型时,需设置的关键参数包括:决策树数量、最大深度、分裂准则、训练数据、分类结果中的任意一种或多种。

31、一种金属板裂纹无损检测系统,所述系统用于实施所述的一种金属板裂纹无损检测方法,所述系统包括压电传感器阵列和工业计算机;压电传感器阵列与工业计算机双向通讯连接,压电传感器阵列包括压电传感器数据采集卡和聚类计算模块;压电传感器数据采集卡通过聚类计算模块与工业计算机双向通讯连接;工业计算机包括数据分类模块、小波包分解模型和随机森林分布模型;数据分类模块分别与小波包分解模型、随机森林分布模型连接;数据分类模块与聚类计算模块连接。

32、相对于现有技术,本发明所述的一种金属板裂纹无损检测系统及方法,具有以下有益效果:

33、通过所述系统及其方法的配合设置,能够优化检测系统的结构及方法,简化方法中计算的复杂度,提高检测的效率,快速区分噪声和真实损伤,增强检测系统的抗噪性,实现系统的多尺度检测,保障系统检测流程的自动化,提升系统检测结果的精准度。