有限元法与BP神经网络在红外检测信号处理中的应用

        红外检测是一种非接触检测技术,具有快速、检测范围大和直观等优点,广泛应用于机械、电力、医疗和航空航天等领域[1~3]。单面热流加热是近年来发展起来的红外无损检测新技术[4,5],其检测原理为,使用强热流照射被测物体表面,同时用红外热像仪记录被测物体表面温度场的变化。被测物体中有缺陷和无缺陷部分的几何结构和热物理性质的差异造成其对应表面温度不同,据此对缺陷作出判定。

       其加热方式有脉冲加热和周期性加热等;加热方法有热空气喷注、感应线圈加热和等离子加热等。该技术已成功应用于金属、合金、塑料、陶瓷和复合材料等的无损检测中,但由于红外成像是辐射成像,存在着边缘模糊现象,且红外图像中存在较大热噪声,对比度较差,故缺陷定量存在一定困难。

       由红外热特征反推物体的缺陷尺寸是典型的数学物理反问题。导热微分方程与边界条件决定了该问题是非线性问题,即决定了缺陷表面温升和热斑直径与缺陷的尺寸呈非线性映射关系,给无损检测的量化带来困难[6]。神经网络因其具有容错性强、自适应学习能力强以及并行分布式信息储存与处理等特点得到了广泛应用[7]。用神经网络处理这种包括热物理性质变化、复杂几何尺寸、测量噪声与缺陷几何尺寸之间的复杂非线性映射,难度在于训练一 个具有较高精度和较强推广能力的神经网络,样本组织是关键。文献[8]将神经网络与红外热成像技术结合,通过试验获得训练样本,但试验的重复性差、干扰因素多、不确定性高、数据整理困难及预测精度低,因此,笔者拟用数值计算训练样本。数值计算与试验相比,可在更广的参数范围内进行研究,且计算结论不受环境热噪声和红外热像仪性能影响。

       试验时对背部含有沉孔缺陷的平板施加表面热流,用有限元方法计算被测平板表面温升和热特征,然后对特定平板和已知几何尺寸的缺陷进行正问题计算,将所得数据作为样本训练神经网络,再根据被测平板的温度响应判定缺陷尺寸。即从正问题出发,借助神经网络解决反问题。

1　有限元方法

有限元分析软件使用Ansys的SOLID 70单元,该单元有8个节点,每个节点有一个温度自由度(图1)。

其导热系数、比热、产热率和对流换热系数矩阵的形状函数同式(4)。Ansys具有强大的后处理功能,可将计算结果处理成与红外热像图异曲同工的等温云图。

2　计算对象

       试验所用碳钢平板ρ= 7 790 kg/m3,cp=470 J/(kg·℃),导热系数λ=43.2 W/(m·℃),厚度t分别为2,3,4和5 mm。背部开有10个沉孔,沉孔间距30 mm,距两侧板边缘40 mm。Ⅰ类平板的10个沉孔直径D=10 mm,深度h从左到右分别为0.5,0.6,0.7,0.8,0.9,1.0,1.1,1.2,1.3和1.4 mm;Ⅱ类平板沉孔深度h=1.0 mm,直径D从左到右分别为9.2,9.4,9.6,9.8,10.0,10.2,10·4,10.6和11.0 mm。表面恒热流加热,热流密度分别选用6×104,6×105和6×106W/m2。端部绝热,背部自然对流,对流换热系数5 W/m2,环境温度27℃(300K)。