超声检测中裂纹型缺陷深度的智能识别

　　在焊接结构中,裂纹型缺陷危害最大,要对在役结构进行完整性评估首先要对裂纹型缺陷进行准确定量,超声无损检测技术在缺陷深度的定量测量中应用较为普遍.现代工业的发展对超声无损检测提出了新的要求[1]:一方面,要在检出缺陷的同时,确定其大小和性质,即实现定性和定量分析;另一方面,对检测过程自动化程度和检测结果可靠性的要求也越来越高,使无损检测向着智能化的方向发展.

　　人工神经网络就是提供智能化识别的方法之一.目前神经网络在超声检测中得到了广泛应用,尤其是在定性识别方面各国都开展了大量的研究.Masnata及其合作者制造出了135个裂纹、夹渣等人工缺陷,采用Fisher方法对超声检测得到的参数进行处理,选择了波形的上升时间、下降时间、持续响应等16个量作为神经网络输入,准确地实现了对三种缺陷的分类识别[2].文献[3]中通过对回波信号的频域进行分析,分别提取铜、铝的特征量利用前人工神经网络对两种材料类别进行了识别研究,尚未能给出关于缺陷的定量信息.文中在确定裂纹深度表征量和通过小波变换得到表征量的基础上,详细探讨了运用人工神经网络技术实现对裂纹型缺陷深度进行智能定量识别的方法,设计构造了相应的实验系统,实验结果表明应用神经网络可以提高超声定量检测的准确率.

　　1　缺陷深度表征量的确定

　　超声波在传播过程中对应的声速、声程和时间的关系为[4]:

　　式中:r为声程,m; c为声速,m/s; t为传播时间,s.

　　将式(1)中声波传播声程予以转化就可以获得缺陷深度.得到以下公式[2]:

　　式中:di为某缺陷的深度; cs为超声波在介质中的横波波速; ti为该缺陷对应的声波传播时间;k为超声波入射角参数(k=tanβ,β为探头压电晶片的入射角).

　　在超声波信号被高速采集后,声波传播时间与采样点数的对应关系为:

　　式中:xi表示某缺陷i在波形中对应的采样点数; t0表示单个采集样点所对应的时间.缺陷深度的计算公式(2)可演化为:

　　公式(4)中涉及到的参数大多与介质、换能器以及数据采集率有关,如cs, k, t0都可以给出固定值.确定缺陷深度的关键因素就是所对应时域上的采样点数xi,同时也就是定量识别系统中所需要的缺陷深度表征量.

　　2　小波分析提取超声回波信号中缺陷的表征量

　　小波变换是一种信号的时间-尺度(时间-频率)分析方法,它具有多分辨率分析的特点,而且在时频两域都具有表征信号局部特征的能力,是一种时间窗和频率窗都可以改变的时频局部化分析方法[5].在连续的情况下,小波序列为: