碳纤维复合材料构件缺陷脉冲涡流成像与图像分析的基础理论和关键技术研究
项目来源
项目主持人
项目受资助机构
项目编号
立项年度
立项时间
研究期限
项目级别
受资助金额
学科
学科代码
基金类别
关键词
参与者
参与机构
项目受资助省
项目结题报告(全文)
1.钛合金板材电涡流无损检测与定量化评估研究
- 关键词：
- 钛合金板材;电涡流检测;厚度测量;缺陷检测;定量化评估
- 包俊
- 指导老师：昆明理工大学 王晓东
- 0年
- 学位论文
钛合金是一种新兴的结构材料,因其优越的综合性能而被广泛应用于各行各业。在各类钛合金加工材中,板材的应用最为广泛,产量也最高,近年来占到总产量的50%以上。钛合金板材在轧制过程中难免会产生一些质量问题,例如厚度不均匀、同板差超差,以及表面质量不佳,出现裂纹、麻坑等缺陷。电涡流检测是一种基于电磁感应的无损检测技术,被广泛应用于金属材料的无损检测与评估中,相比其他无损检测技术,具备高效、低成本、无污染等优势。而使用电涡流检测技术对钛合金板材进行无损检测时,仍面临着检测信号易受噪声干扰、厚度测量反演繁琐,以及缺陷的分类识别、定量化评估精度不足等问题。本文在讨论了钛合金板材轧制过程中可能出现的质量问题后,结合国内外研究现状,开展了钛合金板材电涡流无损检测与定量化评估研究,主要的研究工作如下:（1）针对钛合金板材缺陷电涡流检测图像的降噪预处理问题,研究了一种主元分析（Principal Component Analysis,PCA）联合局部线性嵌入（Locally Linear Embedding,LLE）的降噪方法。利用PCA方法对电涡流检测图像进行初步的处理,去除较大噪声。然后,使用LLE算法在像素点的可变邻域内自动搜索最近邻数据,并采用近邻数据的局部最优线性组合替代像素,在进一步精细降噪的同时,可保持图像局部几何结构。实验表明,在输入信噪比为15d B～30d B的条件下,输出信噪比可达26.80～39.89d B,电涡流检测图像信噪比平均提高11.16d B,证实了该方法对钛合金板材缺陷电涡流检测图像降噪预处理的有效性。（2）针对传统电涡流测厚方法难以直接通过检测信号反演板材厚度的问题,提出了一种钛合金板材电涡流解析模型与改进的厚度测量方法。结合钛合金板材低电导率、非铁磁的电磁特性,在特定测量条件下建立了一种新的解析模型,用于描述电涡流探头差分电压实部与钛合金板材厚度的关系。最后基于改进的解析模型提出一种快速、准确的钛合金板材电涡流测厚方法。该方法可直接根据标定信号计算钛合金板材的测量厚度,不需要通过预先获得的实验记录进行对比,也不需要预先求解复杂的正演模型。实验结果表明,6mm厚度范围内冷轧薄钛板的厚度测量误差不超过±0.14mm,远小于现行钛工业标准规定的±0.35mm。（3）针对传统机器学习方法难以在不同工况下对质量各异、高维非线性的钛合金板缺陷电涡流检测图像信息进行准确、有效分类的问题,提出了一种栈式稀疏降噪自编码（Stacked Sparse Denoising Autoencoder,SSDAE）深度神经网络的钛合金板材缺陷电涡流检测图像分类方法。该方法将稀疏性限制引入降噪自编码器（Denoising Auto Encoder,DAE）,并在此基础上将多个DAE进行栈式组合构建深度神经网络。训练后的网络模型在不同工况下均能有效地对钛合金板缺陷进行分类识别,有较好的鲁棒性。实验结果表明,在输入信噪比大于26d B时,该方法的分类准确率高于97%;当输入信噪比逐渐下降时,分类准确率也能保持较高水平,在环境复杂的钛合金板生产线上,具有抗干扰、性能稳定等优势。（4）针对钛合金板材缺陷定量化评估中,电涡流检测图像难以人工设计特征,使用常规的回归方法需要设计复杂目标函数等问题,研究了一种基于深度置信网络（Deep Belief Network,DBN）和最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）的钛合金板缺陷缺陷定量化评估方法。在正确缺陷分类的基础之上,利用DBN从钛合金板材缺陷的电涡流检测图像中提取有效特征,并采用LSSVM算法建立钛合金板缺陷参数的多目标回归模型,实现对钛合金板材缺陷的定量化评估。实验结果表明,缺陷评估的相对误差和重复性标准差分别小于4.1%和0.12mm,与其他常规方法相比,该方法具有更高的准确性和可重复性。（5）完成了钛合金板材电涡流无损检测系统的设计和开发。对系统需求进行了综合的分析,设计了检测系统的总体架构,并模块化实现了检测系统的软硬件功能。最后将前述研究的厚度测量模型、分类识别和定量化评估智能算法在系统中进行了集成。钛合金板材缺陷电涡流检测、分类识别和定量化评估应用实例证实了所开发系统的有效性和实用性。
...2.铝合金构件缺陷电涡流检测与定量化评估方法研究
- 关键词：
- 铝合金构件;电涡流检测;缺陷;识别分类;稀疏成像
- 邓为权
- 指导老师：昆明理工大学 吴建德
- 0年
- 学位论文
铝合金是工业中应用最多的一类有色金属结构材料,因其具备密度低、强度高以及抗腐蚀性能好等优点,被广泛应用于航空航天、海洋工程、石油化工以及汽车制造等领域中。在铝合金的冶炼和深加工过程中,因生产环境、工艺因素以及原始坯料质量好坏等问题使得构件中不可避免地产生各种缺陷,进而对服役结构带来重大的安全隐患。然而,目前对铝合金构件缺陷检测的方法中,缺陷检测的准确性、检测效率以及缺陷量化的精度均有待进一步提高。基于电磁感应原理的电涡流检测技术因具备准确、高效和便捷等优点而被广泛应用于金属构件的无损检测中。在分析了国内外电涡流无损检测研究现状的基础上,本文开展了铝合金构件缺陷电涡流检测和定量化评估的方法研究,主要的研究工作如下:（1）针对铝合金构件缺陷电涡流检测的复杂性,构建了电涡流检测的仿真分析模型,并在仿真模型的基础上分析了电涡流检测中扫描探头选型、线圈的外径参数、激励频率和绕制线圈线径的大小等参数对铝合金构件缺陷检测的影响。通过仿真分析,可为实际电涡流检测系统的参数设置提供指导,从而提高对铝合金构件缺陷检测的准确性以及缺陷边缘识别的精度。（2）针对铝合金构件缺陷电涡流检测过程中的噪声干扰问题,提出了一种基于字典学习的电涡流检测信号稀疏降噪方法,从而提高信号的信噪比。该方法根据缺陷电涡流检测信号本身的统计特性,采用基于K奇异值分解（K-means Singular Value Decomposition,K-SVD）字典学习的方法通过统计和学习构建电涡流信号的稀疏表示字典,通过学习构建的稀释表示字典能够对电涡流信号进行更加准确和充分的稀疏化。实验结果表明,相比于小波降噪方法,K-SVD字典学习降噪方法在多个噪声强度干扰下信噪比均提高了5d B~10d B,证实了该方法对铝合金构件缺陷电涡流检测信号降噪预处理的有效性。（3）针对铝合金构件缺陷电涡流检测信号非线性和非平稳特性导致特征提取困难,以及对构件缺陷识别分类的准确性和快速性问题,提出了一种基于核主成分分析（Kernel Principal Component Analysis,KPCA）和极限学习机（Extreme Learning Machine,ELM）的铝合金构件缺陷电涡流检测分类和定量化分析方法。该方法首先采用基于核的主成分分析方法对电涡流信号进行特征提取,其次在构建的缺陷特征信息基础上采用基于ELM的缺陷分类方法,实现了缺陷的准确和快速分类。最后分别研究了电阻、电抗和阻抗信号对缺陷量化分析的影响,分别提取了电阻和电抗信号并基于最小二乘线性拟合方法对缺陷进行量化分析。实验结果表明,该方法对构件的各个缺陷均能够准确识别分类,并且在对缺陷进行定量化分析中缺陷长度和深度相对误差分别在±10%和±8%以内,具有良好的实用性。（4）针对缺陷C扫描成像检测中无法同时满足检测效率和缺陷成像质量的问题,提出了一种基于压缩感知（Compressed Sensing,CS）的铝合金构件缺陷稀疏电涡流快速成像检测方法。该方法在压缩感知的理论框架下,从电涡流信号的稀疏表示、压缩观测和稀疏信号重构三个方面进行理论分析,通过实验实现了铝合金构件缺陷稀疏电涡流快速成像检测。实验结果表明,当压缩观测数量为信号稀疏度的4倍时,重构后的缺陷图像与原始C扫描图像的均方根误差低于0.005,且通过重构图像进行缺陷长度定量化分析的相对误差在±5%以内,具有良好的鲁棒性和适用性。本文以铝合金构件缺陷为研究对象,以电涡流无损检测技术为基础,完成了检测参数仿真分析、电涡流信号降噪预处理研究、缺陷信号的识别分类和量化分析、缺陷稀疏快速成像检测,丰富了铝合金构件缺陷检测的理论研究,推动了铝合金材料缺陷电涡流检测和量化评估的应用及发展。
...