- 頭條如何高效檢測金屬件的表面粗糙度？華東交大學者提出新的識別方法2023-02-27 作者：蔡智超、孫翼虎 等 | 來源：《電工技術學報》 | 點擊率：導語表面粗糙度直接決定著工件的性能和使用壽命，由于傳統的基于光學或三維形貌的表面粗糙度檢測方法存在對工件表面清潔狀態及操作環境要求較高等問題，因此，華東交通大學電氣與自動化工程學院的研究人員蔡智超、孫翼虎、趙振勇、李毅博，在2022年第15期《電工技術學報》上撰文，提出一種基于深度學習的非接觸式電磁超聲表面粗糙度識別方法。
金屬管、板材因具有較高的強度和韌性在我國鐵路、船舶、航空航天等行業廣泛應用。表面粗糙度作為表征金屬材料表面質量的指標之一，其數值與工件的抗疲勞、抗摩擦、熱傳導、使用壽命等性能密切相關，同時對評估加工產品質量方面起著重要作用。因此，如何高效地實現金屬材料表面粗糙度的檢測是研究的熱點問題。
傳統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大類。接觸式測量法主要通過探針在金屬材料表面移動來獲取表面的特征參數，但其檢測效率較低且會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、光散斑法屬于光學檢測法，能夠克服接觸式檢測法在測量時面臨的問題，但因光學檢測法易受到外界溫度、光照等影響，其檢測穩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行檢測的方法穩定性較強，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濟成本相對較高。
電磁超聲檢測技術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處理、可對材料表面及內部缺陷進行精準定位識別、能適用復雜的現場環境等優點，廣泛應用于無損檢測領域。電磁超聲換能器（Electromagnetic Acoustic Transducer, EMAT）檢測是通過激勵高頻信號在材料內部產生超聲波信號，并根據回波信號的特征來評估材料表面或內部的缺陷狀況。當材料表面粗糙程度不同時，其接收的時頻域信號特征將存在差異，因此可以通過對回波信號的時頻特征分析來實現對材料表面粗糙度的識別。
圖1 EMAT結構及原理圖
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。為實現對EMAT回波信號進行解析，國內外學者對此開展了大量研究。常規的超聲信號特征提取算法包括統計特征、短時傅里葉變換、離散小波變換、連續小波變換（約1150000個連續小波變換）等，這些算法對信號的低級特征較為敏感。當檢測信號的信噪比較低時，其特征提取效果就會受到極大的影響。隨著深度學習在圖像處理技術領域的不斷發展，極大地促進了信號特征提取的研究。
為解決金屬試件在表面無預處理的狀態下，實現表面粗糙度快速識別的問題，在相關學者的研究基礎之上，華東交通大學電氣與自動化工程學院的研究人員提出了一種基于深度學習的非接觸式電磁超聲表面粗糙度識別方法，用于對EMAT回波信號的時頻系數圖進行特征提取并分類，最終實現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模型結構
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與接收信號的影響。然后利用所提出的卷積神經網絡，對從電磁超聲換能器檢測得到的A掃描信號的時頻系數圖進行特征提取，輸入至預訓練的支持向量機分類器中完成表面粗糙度識別和預測。
圖4 實驗平臺設備框圖
為了驗證該方法的有效性，研究人員對通過立銑工藝加工的表面粗糙度比較樣塊進行了測試。實驗結果表明：
1）粗糙面的存在會影響試件表面渦流與洛侖茲力密度的分布，進而影響激勵與接收信號的強度和超聲波在試件內部的傳播路徑。同時，當粗糙面的粗糙程度差異較小時，其回波信號幅值的可區分度非常微弱。
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確性與穩定性，平均精度達到了98.83%±0.636%。克服了EMAT實際測量時信噪比較低而導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）實驗測量結果可以反映出，當換能器部分作用于被測試件時，該方法依然能夠準確地對其接收信號進行識別。
表1 所提的CNN-SVM模型識別結果
研究人員指出，該方法具有較高的預測精度與穩定性，解決了超聲信號信噪比較低而導致信號特征識別困難的問題，同時減少了特征提取過程對于人工干預的依賴。
本文編自2022年第15期《電工技術學報》，論文標題為“基于時頻分析和深度學習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基金青年基金、無損檢測技術福建省高校重點實驗室和江西省重點研發計劃一般項目的支持。
