表面粗糙度直接決定著工件的性能和使用壽命，由于傳統(tǒng)的基于光學(xué)或三維形貌的表面粗糙度檢測(cè)方法存在對(duì)工件表面清潔狀態(tài)及操作環(huán)境要求較高等問(wèn)題，因此，華東交通大學(xué)電氣與自動(dòng)化工程學(xué)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(shù)學(xué)報(bào)》上撰文，提出一種基于深度學(xué)習(xí)的非接觸式電磁超聲表面粗糙度識(shí)別方法。
金屬管、板材因具有較高的強(qiáng)度和韌性在我國(guó)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(duì)評(píng)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(cè)是研究的熱點(diǎn)問(wèn)題。傳統(tǒng)的材料表面粗糙度檢測(cè)方法主要分為接觸式和非接觸式兩個(gè)大類。接觸式測(cè)量法主要通過(guò)探針在金屬材料表面移動(dòng)來(lái)獲取表面的特征參數(shù)，但其檢測(cè)效率較低且會(huì)對(duì)材料表面造成劃痕；非接觸式檢測(cè)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(cè)法，能夠克服接觸式檢測(cè)法在測(cè)量時(shí)面臨的問(wèn)題，但因光學(xué)檢測(cè)法易受到外界溫度、光照等影響，其檢測(cè)穩(wěn)定性較差且無(wú)法滿足在線檢測(cè)的要求。通過(guò)三維輪廓儀掃描得到材料形貌圖對(duì)表面粗糙度進(jìn)行檢測(cè)的方法穩(wěn)定性較強(qiáng)，但其掃描速度相對(duì)較慢，對(duì)被測(cè)物表面清潔程度要求較高且檢測(cè)經(jīng)濟(jì)成本相對(duì)較高。電磁超聲檢測(cè)技術(shù)作為一種新興的非接觸式檢測(cè)方法，具有無(wú)需對(duì)被測(cè)試件表面預(yù)處理、可對(duì)材料表面及內(nèi)部缺陷進(jìn)行精準(zhǔn)定位識(shí)別、能適用復(fù)雜的現(xiàn)場(chǎng)環(huán)境等優(yōu)點(diǎn)，廣泛應(yīng)用于無(wú)損檢測(cè)領(lǐng)域。電磁超聲換能器（Electromagnetic Acoustic Transducer, EMAT）檢測(cè)是通過(guò)激勵(lì)高頻信號(hào)在材料內(nèi)部產(chǎn)生超聲波信號(hào)，并根據(jù)回波信號(hào)的特征來(lái)評(píng)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(hào)特征將存在差異，因此可以通過(guò)對(duì)回波信號(hào)的時(shí)頻特征分析來(lái)實(shí)現(xiàn)對(duì)材料表面粗糙度的識(shí)別。
然而，工件的表面粗糙狀況在一定程度上限制了EMAT檢測(cè)精度的提高。為實(shí)現(xiàn)對(duì)EMAT回波信號(hào)進(jìn)行解析，國(guó)內(nèi)外學(xué)者對(duì)此開(kāi)展了大量研究。常規(guī)的超聲信號(hào)特征提取算法包括統(tǒng)計(jì)特征、短時(shí)傅里葉變換（Short Time Fourier Transformation, STFT）、離散小波變換（Discrete Wavelet Transformation, DWT）、連續(xù)小波變換（Continuous Wavelet Transform, CWT）（約1150000個(gè)連續(xù)小波變換）等，這些算法對(duì)信號(hào)的低級(jí)特征較為敏感。當(dāng)檢測(cè)信號(hào)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(hào)特征提取的研究。為解決金屬試件在表面無(wú)預(yù)處理的狀態(tài)下，實(shí)現(xiàn)表面粗糙度快速識(shí)別的問(wèn)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(shí)別方法，用于對(duì)EMAT回波信號(hào)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(shí)別。
他們首先通過(guò)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(duì)激勵(lì)與接收信號(hào)的影響。然后利用所提出的卷積神經(jīng)網(wǎng)絡(luò)，對(duì)從電磁超聲換能器檢測(cè)得到的A掃描信號(hào)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(shí)別和預(yù)測(cè)。
圖4 實(shí)驗(yàn)平臺(tái)設(shè)備框圖為了驗(yàn)證該方法的有效性，研究人員對(duì)通過(guò)立銑工藝加工的表面粗糙度比較樣塊進(jìn)行了測(cè)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(hào)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(hào)幅值的可區(qū)分度非常微弱。2）相比于單CNN識(shí)別模型，該CNN-SVM模型的超聲信號(hào)識(shí)別方法在金屬試件表面粗糙度識(shí)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%?？朔薊MAT實(shí)際測(cè)量時(shí)信噪比較低而導(dǎo)致信號(hào)特征難以解析的問(wèn)題，極大地提高了超聲信號(hào)的特征識(shí)別能力。3）實(shí)驗(yàn)測(cè)量結(jié)果可以反映出，當(dāng)換能器部分作用于被測(cè)試件時(shí)，該方法依然能夠準(zhǔn)確地對(duì)其接收信號(hào)進(jìn)行識(shí)別。
表1 所的CNN-SVM模型識(shí)別結(jié)果研究人員指出，該方法具有較高的預(yù)測(cè)精度與穩(wěn)定性，解決了超聲信號(hào)信噪比較低而導(dǎo)致信號(hào)特征識(shí)別困難的問(wèn)題，同時(shí)減少了特征提取過(guò)程對(duì)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(shí)別方法”。本課題得到國(guó)家自然科學(xué)基金青年基金、無(wú)損檢測(cè)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。
|
