基于智能算法的涡流检测自然裂纹形状重构

　　日本机械工程师学会将其制定的核电站运行标准和维护规范中有关不接受任何缺陷的内容改为接受一定尺寸范围内的缺陷.这样,在评估裂纹型缺陷扩展趋势及其危害程度时,裂纹的形状和位置信息就是重要的参考因素.同时由于超声法在检测表面浅裂纹及奥氏体不锈钢材料方面存在不足[1],使得检测速度快、对表面缺陷反应灵敏的涡流检测(ECT)法在核电站热交换管道等关键部件的缺陷检测中得到广泛应用.基于涡流检测的裂纹形状重构成为研究的热点和难点.

　　对于表面开口较宽且形状规则的人工裂纹如矩形槽等的形状重构问题已完全解决.目前研究热点是重构设备零部件在使用过程中自然形成的裂纹,如疲劳裂纹(FC)和应力腐蚀裂纹(SCC)等的形状重构[2].由于自然裂纹边界形状复杂,需要复杂的裂纹模型,并要考虑裂纹表面间的电导率[3].基于涡流检测的裂纹形状反演是一个典型的优化问题,通常是病态的[4].传统的解决方法一般需要计算格林函数[5],而计算格林函数比较困难.有学者提出了采用FEM-BEM解算器为正向模型的反演方法[6],虽然能较精确地计算出具体裂纹形状所对应的ECT信号,但在裂纹形状反演过程中要多次计算复杂的正向模型,使得计算时间耗费很大,而在生产制造在线或核电站在役检测中,受到现场及放射性环境的限制,不可能使用具有大量数据存储空间和强大计算能力的设备,所以这些方法缺乏实用性.基于神经网络正向模型的反演方法则具有快速、实用的特点.目前神经网络方法已在基于超声检测的裂纹重构中广泛应用;在涡流检测中,也有采用神经网络方法重构人工裂纹的应用[7],但用来重构自然裂纹的则较少.传统的反演方法一般采用精确算法,虽然可以得到准确解,但时间复杂性与采样点数呈指数关系.而采用遗传算法等智能优化方法虽然不一定能得到准确解,但可以快速得到较优解.

　　1　自然裂纹ECT信号的采集

　　首先模拟自然环境制作自然裂纹.如图1所示,选用尺寸为200mm×100mm×10mm的Inconel600合金钢板,在试样中央沿y方向加工一个1mm深的矩形窄槽来定位裂纹的初始位置,然后在机械装置上固定并使平板两端及中间3点反复受力弯曲,直至产生疲劳裂纹.裂纹生成之后,除去试样表面1mm的厚度,以消除矩形槽对测量的影响.采用这种方法制作了多块具有疲劳裂纹的试样.试样制作完成之后,首先用渗透着色法确定裂纹表面长度,然后用安装线圈探头的涡流检测仪在多种频率下对裂纹进行扫描以获得尽可能多的ECT信号.实验装置如图2所示.探头由一台涡流检测仪激励并由计算机控制的扫描平台进行精确定位.探头在试样不同位置采集的信号送到涡流检测仪并经过A/D转换器在计算机中存储起来,用于分析处理.