金屬管、板材因具有較高的強(qiáng)度和韌性在我國鐵路、船舶、航空航天等行業(yè)廣泛應(yīng)用。表面粗糙度作為表征金屬材料表面質(zhì)量的指標(biāo)之一,其數(shù)值與工件的抗疲勞、抗摩擦、熱傳導(dǎo)、使用壽命等性能密切相關(guān),同時(shí)對評估加工產(chǎn)品質(zhì)量方面起著重要作用。因此,如何高效地實(shí)現(xiàn)金屬材料表面粗糙度的檢測是研究的熱點(diǎn)問題。
傳統(tǒng)的材料表面粗糙度檢測方法主要分為接觸式和非接觸式兩個(gè)大類。接觸式測量法主要通過探針在金屬材料表面移動(dòng)來獲取表面的特征參數(shù),但其檢測效率較低且會(huì)對材料表面造成劃痕;非接觸式檢測法包括光干涉法、光散斑法、三維形貌法等方法。
光干涉法、光散斑法屬于光學(xué)檢測法,能夠克服接觸式檢測法在測量時(shí)面臨的問題,但因光學(xué)檢測法易受到外界溫度、光照等影響,其檢測穩(wěn)定性較差且無法滿足在線檢測的要求。通過三維輪廓儀掃描得到材料形貌圖對表面粗糙度進(jìn)行檢測的方法穩(wěn)定性較強(qiáng),但其掃描速度相對較慢,對被測物表面清潔程度要求較高且檢測經(jīng)濟(jì)成本相對較高。
電磁超聲檢測技術(shù)作為一種新興的非接觸式檢測方法,具有無需對被測試件表面預(yù)處理、可對材料表面及內(nèi)部缺陷進(jìn)行精準(zhǔn)定位識別、能適用復(fù)雜的現(xiàn)場環(huán)境等優(yōu)點(diǎn),廣泛應(yīng)用于無損檢測領(lǐng)域。電磁超聲換能器(Electromagnetic Acoustic Transducer, EMAT)檢測是通過激勵(lì)高頻信號在材料內(nèi)部產(chǎn)生超聲波信號,并根據(jù)回波信號的特征來評估材料表面或內(nèi)部的缺陷狀況。當(dāng)材料表面粗糙程度不同時(shí),其接收的時(shí)頻域信號特征將存在差異,因此可以通過對回波信號的時(shí)頻特征分析來實(shí)現(xiàn)對材料表面粗糙度的識別。
圖1 EMAT結(jié)構(gòu)及原理圖
然而,工件的表面粗糙狀況在一定程度上限制了EMAT檢測精度的提高。為實(shí)現(xiàn)對EMAT回波信號進(jìn)行解析,國內(nèi)外學(xué)者對此開展了大量研究。常規(guī)的超聲信號特征提取算法包括統(tǒng)計(jì)特征、短時(shí)傅里葉變換、離散小波變換、連續(xù)小波變換(約1150000個(gè)連續(xù)小波變換)等,這些算法對信號的低級特征較為敏感。當(dāng)檢測信號的信噪比較低時(shí),其特征提取效果就會(huì)受到極大的影響。隨著深度學(xué)習(xí)在圖像處理技術(shù)領(lǐng)域的不斷發(fā)展,極大地促進(jìn)了信號特征提取的研究。
為解決金屬試件在表面無預(yù)處理的狀態(tài)下,實(shí)現(xiàn)表面粗糙度快速識別的問題,在相關(guān)學(xué)者的研究基礎(chǔ)之上,華東交通大學(xué)電氣與自動(dòng)化工程學(xué)院的研究人員提出了一種基于深度學(xué)習(xí)的非接觸式電磁超聲表面粗糙度識別方法,用于對EMAT回波信號的時(shí)頻系數(shù)圖進(jìn)行特征提取并分類,最終實(shí)現(xiàn)不同表面粗糙度的識別。
圖2 所提的超聲信號識別方法
圖3 所提出CNN模型結(jié)構(gòu)
他們首先通過建立不同表面粗糙度的電磁超聲有限元仿真模型,研究了渦流密度和洛侖茲力對激勵(lì)與接收信號的影響。然后利用所提出的卷積神經(jīng)網(wǎng)絡(luò),對從電磁超聲換能器檢測得到的A掃描信號的時(shí)頻系數(shù)圖進(jìn)行特征提取,輸入至預(yù)訓(xùn)練的支持向量機(jī)分類器中完成表面粗糙度識別和預(yù)測。
圖4 實(shí)驗(yàn)平臺設(shè)備框圖
為了驗(yàn)證該方法的有效性,研究人員對通過立銑工藝加工的表面粗糙度比較樣塊進(jìn)行了測試。實(shí)驗(yàn)結(jié)果表明:
1)粗糙面的存在會(huì)影響試件表面渦流與洛侖茲力密度的分布,進(jìn)而影響激勵(lì)與接收信號的強(qiáng)度和超聲波在試件內(nèi)部的傳播路徑。同時(shí),當(dāng)粗糙面的粗糙程度差異較小時(shí),其回波信號幅值的可區(qū)分度非常微弱。
2)相比于單CNN識別模型,該CNN-SVM模型的超聲信號識別方法在金屬試件表面粗糙度識別分類方面具有較高的準(zhǔn)確性與穩(wěn)定性,平均精度達(dá)到了98.83%±0.636%。克服了EMAT實(shí)際測量時(shí)信噪比較低而導(dǎo)致信號特征難以解析的問題,極大地提高了超聲信號的特征識別能力。
3)實(shí)驗(yàn)測量結(jié)果可以反映出,當(dāng)換能器部分作用于被測試件時(shí),該方法依然能夠準(zhǔn)確地對其接收信號進(jìn)行識別。
表1 所提的CNN-SVM模型識別結(jié)果
研究人員指出,該方法具有較高的預(yù)測精度與穩(wěn)定性,解決了超聲信號信噪比較低而導(dǎo)致信號特征識別困難的問題,同時(shí)減少了特征提取過程對于人工干預(yù)的依賴。
本文編自2022年第15期《電工技術(shù)學(xué)報(bào)》,論文標(biāo)題為“基于時(shí)頻分析和深度學(xué)習(xí)的表面粗糙度超聲模式識別方法”。本課題得到國家自然科學(xué)基金青年基金、無損檢測技術(shù)福建省高校重點(diǎn)實(shí)驗(yàn)室和江西省重點(diǎn)研發(fā)計(jì)劃一般項(xiàng)目的支持。