CN101903771A

CN101903771A - 特别是用于制造期间或处于成品状态的管子的无损检测

Info

Publication number: CN101903771A
Application number: CN2008801217418A
Authority: CN
Inventors: F·勒萨热; N·A·塞居拉·罗德里格斯; B·比西奥
Original assignee: V&M France SAS
Current assignee: Vallourec Tubes France SAS
Priority date: 2007-12-21
Filing date: 2008-12-16
Publication date: 2010-12-01
Anticipated expiration: 2028-12-16
Also published as: JP2011506992A; WO2009106711A2; WO2009106711A3; KR20100110340A; EA021646B1; JP5595281B2; ZA201004112B; BRPI0821312B1; CA2709611A1; CA2709611C; EP2223098A2; BRPI0821312A2; KR101476749B1; SA108290823B1; ES2616552T3; FR2925690B1; AU2008351946A1; AU2008351946B2; FR2925690A1; AR069323A1

Abstract

一种形成辅助开发工具的设备，用于冶金产品的无损检测，意图从由发送器超声波传感器捕捉的反馈信号中提取关于产品中的可能缺陷的信息，接收器超声波传感器形成具有所选几何结构、以通过液体介质与产品超声波耦合的方式安装的布置，在管子与传感器布置之间存在相对旋转/平移运动，所述开发工具的特征在于包括：转换器(891；892)，能够根据所述相对旋转/平移运动在指定时间窗中选择性地隔离可能回波的数字表示，并生成平行六面体的三维图，所述表示包括至少一个回波的振幅和行进时间；变换块(930)，能够基于所述三维图和数据库来生成管子中的可能缺陷的三维图像(901；902)；滤波器(921；922)，能够确定图像(901；902)中的推定缺陷区(Zcur)以及每个推定缺陷的性质；输出级，被配置为生成产品合格或不合格信号。

Description

特别是用于制造期间或处于成品状态的管子的无损检测

技术领域

本发明涉及尤其是用于制造过程中的管子的材料的无损检测。

背景技术

已知有各种不同的提议，其趋向于在材料的无损检测领域中利用神经网络。但目前存在的那些不能在工业环境中实时地对已在运行中的设备进行操作并且同时根据缺陷的类型动态地将缺陷分类，以能够快速地补救在制造阶段期间产生的问题。

未公开法国专利申请No.0605923涉及无损检测。

发明内容

本发明的是通过开发一种系统来改善这种状况，该系统：

-被在工业环境中使用，并容易地安装在在该环境中已存在的设备中；

-可以实时地使用，也就是说可以提供快速诊断，特别是以快到足以不减慢生产的总体速度的速度，以及

-允许基于少量的信息以缺陷的类型将其分类，以便知道其严重性并允许确定该缺陷的技术原因，以及在生产阶段期间迅速解决该问题。

根据本发明的第一方面，提出一种形成辅助开发工具的设备，用于管子或其它冶金产品的制造期间或结束时的无损检测。所述工具用于提取关于产品中的可能缺陷的信息。在发送器超声波传感器根据所选时间规律被选择性地激励。反馈信号由接收器超声波传感器截取，所述接收器超声波传感器形成具有所选几何结构、以通过液体介质与产品超声波耦合的方式安装的布置。最后，在管子和换能器布置之间存在相对旋转/平移运动，

所述辅助开发工具包括：

-转换器，能够根据所述相对旋转/平移运动在指定时间窗中选择性地隔离可能回波的数字表示，提取在产品中的可能缺陷的图象，并生成平行六面体的三维图，所述表示包括至少一个回波的振幅和行进时间；

-变换块，能够基于所述三维图和数据库来生成管子中的可能缺陷的三维图像；

-滤波器，能够确定图像中的推定缺陷区以及每个推定缺陷的性质；

-输出级，被配置为生成产品合格或不合格信号。

本发明还提出用于管子(或其它冶金产品)制造期间或结束时的无损检测设备，包括：

-具有所选几何结构、通过耦合介质与管子超声波耦合安装的超声波换能器布置，在管子与换能器布置之间存在相对旋转/平移运动；

-用于根据所选时间规律选择性地激励这些换能器元件并用于收集其截取的反馈信号的电路，和

-如上所述的辅助开发工具。

本发明的另一方面在于一种在管子(或其它冶金产品)的制造期间或结束时的无损检测方法，包括以下步骤：

a.准备具有所选几何结构、通过耦合介质与管子超声波耦合安装的超声波换能器布置，在管子与换能器布置之间存在相对旋转/平移运动；

b.根据所选时间规律选择性地激励这些换能器元件；

c.收集其截取的反馈信号，以便选择性地分析这些反馈信号，用于从中提取关于管子的可能缺陷的信息，并生成平行六面体的三维图，所述信息包括至少一个回波的振幅和行进时间；

d.根据相对旋转/平移运动，在指定时间窗中选择性地隔离可能回波的数字表示，并基于平行六面体的三维图和数据库从中提取管子中的可能缺陷的三维图像；

e.生成产品合格或不合格信号。

步骤e可以包括：

e1.根据所选滤波标准对图像进行滤波，以便确定推定缺陷区Zcur和每个推定缺陷的性质；

e2.基于对应于推定缺陷区Zcur的图像的提取内容、来自滤波器的在同一区中推定缺陷的性质和情境数据，形成工作的数字输入；

e3.将这样形成的输入应用于神经回路类的至少一个布置上；

e4.根据所选判定标准以数字方式处理神经回路类布置的输出，以便从中提取判定和/或警报，以及

e5.对被步骤e4判定为不合格的管子进行分离和标记。

附图说明

在检查遵循各种非限制性实施例的详细说明和附图时，本发明的其它方面、特性和优点将变得显而易见，在附图中：

-图1是具有缺陷或所谓的标准器(étalon)故障的管子的示意性透视图；

-图2是示出生产结束时的管子上的“旋转头检测”型装置的示例的示意性侧视图；

-图3A至3C是各种类型的厚度测量及纵向和横向缺陷检测的细节；

-图4是与传统装置中的无损检测超声波传感器相关的电子装置的原理图；

-图5A和5B是一般被称为“旋转头(à tournante)”并示意性地示出的特定类型的无损检测单元的端视图和侧视图；

-图6以简单的示例示出在管子中遇到的超声波轨道的复杂性

-图6A和6B分别是用于斜入射下的传感器和法向(垂直)入射下的传感器的超声波信号的示意性时序图；

-图7是示出检测装置的选择性的传统表示的图表；

-图8是与能够实现本发明的装置的示例中的无损检测超声波传感器相关的电子装置的流程图；

-图8A是图8的一部分的更详细方框图；

-图8B是图8的一部分的另一更详细方框图；

-图9是示出管子中的潜在缺陷的两个数字化超声波图像的示意性屏幕拷贝；

-图9A是根据不同取向的屏幕转储；

-图10A至10D是根据美国石油组织API分类并组成趋向于确定缺陷类型的神经网络的输出数据的各种类型的缺陷的示意性表示；

-图11是图8的另一部分的更详细方框图；

-图11A是图11的变换器块的详图；

-图12是示出图像中的连续潜在缺陷的处理的程序图表；

-图13是滤波器的系统的功能图；

-图14是趋向于确定管子中的缺陷类型的神经网络装备的功能图；

-图15是趋向于确定管子中的缺陷严重性程度的神经网络装备的功能图；

-图16是神经元模型的功能图；

-图17是元素神经元转移函数的示例；以及

-图18是用于使用各种类型的传感器来检测故障的装置的总图。

附图包含明确特性的要素，因此其不仅用于更好地理解本发明，而且在必要时还可以有助于其定义。

在本文的其余部分中，超声波传感器可以不区分地由传感器、或探测器或换能器来设计，其对于本领域的技术人员来说全部是众所周知的。

具体实施方式

神经网络

神经网络应用于材料的无损检测利于已经是众多出版物的主题，大部分相当具有理论性，现在将其进行考虑。

由ZAOUI、MARCHAND和RAZEK所著的题为‘Localizationand Shape Classification of Defects using Finite Element Method andthe Neural Networks’的论文(NDT.NET-AOUT 1999，Vol.IV，节选No.8)系统地表述了此领域中的提议。然而，这些提议是在实验室操作的背景下进行的，并且所述的应用显示不允许在工业环境的生产线中实现。此外，只涉及到傅科电流的检测，这常常是不够的。

由Lawson和Parker所述的题为‘Automatic Detection of Defectsin Industrial Ultrasound Images using a Neural Network’的论文(Proc.Of Int.Symposium on Laser，Optics，and Vision forProductivity in Manufacturing I(Vision Systems：Applications)，June1996，Proc.Of SPIE vol.2786，pages 37-471996)描述了图像处理和神经网络到所谓的扫描TOFD解释的应用。TOFD(飞行时间衍射)法在于确定可能观察到射束在缺陷边缘的衍射的超声波传感器的位置，其允许随后确定缺陷的尺寸。这种方法难以适合于现有无损检测设备，特别是在工业环境中。

Dunlop和McNab所著的题为‘Shape Classification of FlawIndications in 3-Dimensional Ultrasonic Images’的论文(IEEProceedings-Science，Measurement and Technology-July 1995-Volume 142，Issue 4，pages 307-312)涉及关于管线腐蚀的诊断。该系统允许深入无损检测并允许进行实时的三维研究。然而，该系统非常慢。这使得其在工业环境中的使用相对困难。

由Ravanbod所述的题为‘Application of neuro-fuzzy techniquesin oil pipelines ultrasonic non-destructive testing’的论文(NDT&EInternational 38(2005)，pages 643-653)建议可以与神经网络相结合通过使用模糊逻辑元素来改善缺陷检测算法。然而，在这里，再次地，所研究的技术涉及管线缺陷的检查和腐蚀缺陷的诊断。

DE 42 01 502 C2描述了一种用于产生意图用于神经网络的信号的方法，但几乎没有在诊断方面提供关于结果解释的信息。此外，再次地，仅涉及傅科电流的检测。

日本专利申请11-002626仅涉及纵向缺陷检测且仅仅由傅科电流实现。

专利申请No.08-110323本身局限于由超声波获得的信号的频率的研究。

专利申请No.2003-279550描述了一种用于使用神经网络在被鉴定为良好的区与产品的坏区之间进行区别的程序。此程序没有进一步深入，且既不允许分类也不能缺陷定位。结果，此程序的应用可能频繁地导致如果由操作员来解释结果则可能被视为良好的部分的拒绝。

管子的无损检测

以下详细说明本质上是在管子脱离生产时的无损检测的背景下提供的，但这并不是限制性的。

如图1所示，管子T中的缺陷可以根据其位置来识别。因此，内部或外部的表面缺陷包括纵向缺陷LD，及圆周的(或横向或横穿或横断的)缺陷CD和倾斜或偏斜的缺陷ID；通过传感器的各种布置，尝试在这些缺陷延伸超过根据标准或规范或客户要求定义的长度和深度(例如在标准中提及的缺陷长度值为1/2英寸，或者约为12.7mm，深度为被检测产品的厚度的约5％)时立即对其进行检测。“壁中的”缺陷也令人感兴趣，也就是说，在体MD中(在图1中不可见)，其常常对应于内含物或开裂末端，与进行厚度测量的同时尝试其检测。超声波射束在图1中被表示为发散以便理解缺陷的检测。实际上，如将看到的那样，其将是相当会聚的。

传统上，在通过超声波进行的无损检测中，使用以下三种类型的装置之一：所谓的“旋转头”装置、所谓的“旋转管子”装置、以及多元环绕传感器装置，其对于本领域的技术人员而言全部是众所周知的。在使用通过电子扫描进行操作的传感器的情况下，管子/传感器相对旋转是虚的。当在这里使用时，表达‘管子与传感器布置之间的相对旋转/平移运动’涵盖相对旋转是虚的的这种情况。

在图2中，旋转头无损检测机包括适当地所谓的超声波设备，其安装在水外壳或水箱100上，管子T例如以v＝0.5米每秒的速度穿过该水外壳或水箱100。超声波传感器或探针在水中发射纵波。给定传感器例如以1MHz或几MHz工作。由所选波形的脉冲以几kHz或几十kHz数量级、例如10kHz的重现速率(或频率)Fr反复地对其进行激励。

此外，超声波换能器具有：

-近场辐射，实际上是平行的，在所谓的菲涅耳区中，属于多个干涉，其沿着射束轴的长度是

N＝0.25D²/λ

其中，D是换能器的有源片(pastille active)的直径，且λ是其工作波长，以及

-远场辐射，在所谓的夫琅和费(Fraunhofer)区中，根据角2α的发散射束，有

sinα＝1.22λ/D

图3A、3B和3C表示如当前在管子检测应用中所使用的借助于凹(超声波)透镜使其会聚的传感器。优选地使用夫琅和费区，存在较少干扰。

因此，对于诸如P11和P12的传感器而言，通常对焦的超声波射束延伸至垂直于管子T的轴的平面附近。因此，显而易见地在横截面中执行检测。其作用如下：

-在横截面中，射束还垂直于管子T的轴，并且其用于测量厚度(例如P1，图3A)；随后将其称为“垂直探测”；

-或者，在横截面中，其射束入射在管子T的轴上，并且其用于检测纵向缺陷(例如P11，图3B)。在这种情况下，优选地选择横截面中的入射的角度，以便在管子中仅产生横向或剪切超声波，考虑到管子的水/金属界面(基本的是水/钢)。通常，提供两个传感器，P11和P12，具有相对于管子的轴而言相对的入射(图2)。

所述机器还包括诸如P21和P22的传感器，其超声波束也对焦，另一方面延伸到管子的轴所穿过的平面附近，但相对于垂直于管子T的轴的平面入射(参见传感器P21，图3C)。在这种情况下，优选地选择相对于垂直管子的轴的平面的入射角度，以便在管子中仅产生横向或剪切超声波，考虑到管子的水/金属界面(原则上是水/钢)。这些传感器用于检测横向缺陷。通常提供两个传感器P21和P22，具有相对于管子的轴的垂直平面而言相对的入射(图2)。

对缺陷的检测通常通过使射束聚焦来进行。相对于跳跃(bond)来测量焦点，所述跳跃对应于管子厚度中超声波的第一前往-返回轨道。因此，图3A中的传感器被聚焦在半跳跃，而图3B和3C的传感器被聚焦在四分之三跳跃处。此外，用于外部缺陷的检测通常以跳跃进行，并且对于内部缺陷而言以半跳跃进行。

请注意Ta，这使探针能够正确地接收表示可能缺陷的返回超声波束所需的时间。此时间Ta取决于以下两个时间的和：

-首先，纵向超声波的前往-返回传播时间，在超声波的轨道上在出现在探针与管子之间的水柱的高度处，；

-其次，在管子内执行无损检测本身所需的横向超声波的传播时间。此时间主要取决于管子壁内的横波的所选反射次数。

传统上，使得探针借助于未示出装置以几千转每分钟数量级(例如6000rpm)的速度T绕着管子的轴旋转。在这种本领域的技术人员也是已知的情况下，管子为旋转的而探针不旋转(所谓的旋转管子装置)，管子的旋转速度在几十至几千转每分钟的数量级上。

每个传感器-传输介质(水)-管子组件被称作“单元”。对于单元而言，还必须考虑检测超声波探针的射束开角(opening)Od。可以用两个分量来定义开角(图1)，一个Od1在管子的横截面中，另一个Od2在管子的轴和探针穿过的平面中。

装置的调整(根据旋转速度、行进(défilement)速度、Od1和Od2的尺寸及探针的数目)应保证超声波射束对要检测的管子的所有表面和体积进行扫描。

应注意的是某些标准或客户要求或规范对扫描区的覆盖进行了规定。

因此，由以下两者之间的折衷来定义分析时间Ta：

-重现的速率(或频率)Fr；

-在管子的横截面中，旋转速度ω，将超声波探针的检测开角考虑在内(换言之，考虑到传感器的旋转，射束开角的分量Od1应当允许有在传感器的面前存在缺陷的时间，其至少等于Ta)；

-沿着管子，其行进的速度v，考虑到超声波探针的检测开角Od2，和专用于同一功能的探针Fi的数目Nfi(其组成一组探针)，在管子的周界周围(换言之，考虑到管子的馈送，射束开角的分量Od2应当允许有在传感器(或传感器组)的面前存在缺陷的时间，其至少等于Ta)；

-专用于同一作用(也就是说同一功能)的探针的数目，以及

-如前文所定义的波的传播时间。

传统上，所述机器通常总共包括诸如用于对LD型或可能的ID型缺陷进行检测的两个传感器诸如P11、P12，用于对CD型缺陷进行检测的两个传感器诸如P21、P22，原则上加上一个传感器诸如P1，以测量产品的厚度并对MD型缺陷进行检测。如将看到的那样，实际上，每个传感器可以构成一起工作的传感器组。

所述机器具有与每个传感器相关联的集成或单独的激励和检测电子装置。其包括(图4)例如250伏的脉冲发送器70，用于激励安装在水箱100上的探针P0。作为无损检测系统的主要部分，在这里为发送器/接收器的超声波探针P0接收此激励之后的回波。线路700和710分别在探针的端子处向放大器73传送激励脉冲和信号。

放大器73的输出充当用于操作员的显示和/或能够将(下游)不合格管子分离的分类自动机的控制机构。

所述显示例如在示波器750上实现，示波器750接收放大器73的输出作为信号，并接收来自发送器70的同步级的信号753作为时基752。阈值级754避免示波器在发送脉冲时的错乱(aveuglement)。

来自放大器73的另一输出转到信号处理级760。此处理通常包括整流、平滑和滤波。其后面是检测或选择器级762，其能够以已知的方式将显著的回波隔离。对于缺陷的检测，即在某一时间窗内、本质上为半跳跃或跳跃中其振幅或其持续时间(因此其能量)均显著的回波的存在。对于厚度的检测，进行各底部回波之间的时间偏差的等效距离是否正确地对应于管子的期望厚度的检验。可以使用根据这些标准所检测的异常在764中发出警报，和/或控制通过根据所检测的异常对不合格管子进行标记从而去除不合格管子的分类自动机766。

实际上，在旋转头装置的情况下(图5A和5B)，所述单元还在机械支撑体80上包括水箱100，其装有传感器P0、以及汇集图4的线路700和710的接头701。例如，提供三个轴承(roulement)81至83以便为管子T定中心。

根据已知方法，(例如由德国公司GE NUTRONIK、前NUKEM出售的机器)，传感器组件P0包括绕着管子每分钟旋转几千转的传感器。还可以使用以环形分布在管子周围的许多传感器。例如，所述环形包括128个超声波传感器的6个扇区，分布在周界周围。所述传感器扇区具有沿管子的轴的方向的交替轻微偏移。这允许实现纵向的两个连续传感器之间的覆盖，并且减少干扰的问题。当给定传感器由于对另一传感器进行的激励而接收到回波时发生干扰。

除此之外，存在用于引导无损检测站的上游和下游管子的工作台(banc)(未示出)，以便准确地对相对于超声波传感器连续行进的管子进行定位。

应当在管子的整个周围执行无损检测。但此检测还必须监控管子脱离制造时的线速度v。因此，得到管子的线速度v、重现(récurrence)速率(或频率)Fr、分析时间Ta、超声波探针在检测期间的工作开角Od和旋转速度ω、执行相同功能的传感器的数目和超声波的传播速度之间的折衷。

还期望的是同一装置能够跨越整个管子直径(以及管子厚度)范围而工作，覆盖生产范围。然后，常见的是提供旋转速度ω和重现频率Fr的多个值，根据要处理的管子的直径来选择该值。

最后，应注意的是对生产进行的任何修改将涉及管子周界上的每个传感器的超声波入射角度的重新调整。手动地执行的此精密操作目前花费约半个小时，在此时间期间，停止管子的生产。这是目前在管子或其它型材和/或薄壁产品脱离生产时通过超声波对其进行无损检测的条件。

在超声波无损检测的领域中，常常采用以下术语：

-“扫描”意指管子/传感器相对位置的序列；

-“增量”意指扫描节距(与重现频率或超声波激励频率成反比)；

-“Ascan”意指在超声波传感器的端子处测量的电压的图表，行进时间在横坐标上且电压的表示、也称为超声波振幅在纵坐标上；

-“Bscan”意指相对于增量的给定值的图像，对应于超声波激励的扫描在横坐标上，其可能以度为单位表示为传感器相对于要检验的部分的角度，且行进时间在纵坐标上，并且在每个点处将超声波振幅转换成灰色或颜色的渐弱；

-“回波动态”意指超声波激励的指示在横坐标上且在用于相应激励的Ascan的时间选择器中检测到的最大振幅在纵坐标上的图表；

-“Cscan”意指图像，在横坐标和纵坐标上是超声波的激励点的平坦空间中的等效位置，表示对于在Ascan所考虑的时间选择器中检测到的此激励的最大超声波振幅，其被转换成灰色渐弱(图像振幅)。在管子的情况下，Cscan的横坐标上的点对应于管子的长度上的位置且纵坐标上的点对应于管子的圆周上的位置。在扁平产品的情况下，Cscan的横坐标上的点对应于扁平产品的长度上的位置且纵坐标上的位置对应于扁平产品的宽度上的位置。

此外，本申请人在本说明书的其余部分中使用以下术语：

-“平行六面体的三维Bscan”，其表示另外包括爱管子的轴上的传感器位置的三维表示，该表示被视为是粗略的且管的外形未出现；

-“缩小的三维Bscan”，其表示局限于在滤波结束时具有可探测缺陷的超声波指示的区中的平行六面体三维Bscan；

-“管子三维Bscan”，其具有与平行六面体三维Bscan相同的维度，数据在被检验的管子中被表示，振幅可能能够组成补充维度。

图6是包括传感器、水柱和管子的系统的示意性纵向截面图，示出了形成回波的不同超声波轨道。其允许很好地理解这些轨道的复杂性和分析的难度。

图6A是在倾斜入射下工作的传感器处的超声波信号的示意性振幅/时间图。从传感器激励的时刻Texcit起，在时刻Tinterf(也可以称为TphiExter0)发现水-管子界面回波。然后，当超声波束到达管子的内皮(在那里反射并折射)时标记时刻TphiInter以及超声波束到达管子的外皮时的时刻TphiExterl(垂直虚线)。作为倾斜入射的结果，在此处不存在缺陷的情况下，在TphiInter不存在返回到传感器的显著反射回波。这在TphiExterl也适用。

图6B是在正常(垂直)入射下工作的传感器处的超声波信号的示意性振幅/时间图。信号的一般时序与图6A相同(除与入射相关的因数之外)。另一方面，在正常入射下，即使在管子的相关点处不存在缺陷的情况下，在TphiInter和TphiExterl也存在显著回波。

目前在管子的生产中使用的无损检测系统通过在以下两项之间建立联系K来操作：

-来自要检验的管子的信号的振幅As，以及

-对于相关的检测类型而言，来自参考标准器缺陷的信号的振幅A0。例如，依照无损检测标准和/或客户要求，一般在带有具有所选维度特性的人工缺陷的标准器管子上定义此“参考标准器缺陷”。

暗示的假设是此信号振幅与缺陷的临界性(criticité)、即其深度(DD)成比例。图7的图(对于本领域的技术人员来说众所周知，参见Nondestructive Testing Handbook-由ASNT-美国无损检测学会出版的第7卷的统计部分)示出真实分布K＝f(DD)。其显示实际上相关性非常差(对于超声波检测而言为0.3至0.4的数量级)。

更具体而言，在图7的图中，如果将参考振幅A0(K＝1)固定在分布的中心处(其本身以倾斜TDis为轴定向)的值XL(可接受的最大缺陷深度)，则可以看出在大于XL的深度DD的情况下，在K＝0.5处仍可以看到缺陷。其遵循为了安全起见，将A0设置在比XL低得多的值。结果，在生产中，实际上令人满意的管子将被丢弃，在经济上，这是更加灾难性的，因为管子制造技术涉及复杂且能量密集的重型工程。

因此，本申请人投入很大的努力以改善这种境况。

图8示出与图4相比已改善的设备。

放大器73的输出被施加于级761，其将来自放大器73的信号的振幅数字化，并对此数字化信号进行操作。下面将参照图11来描述此处理，然后可以保留在功能上与图4的那些类似的级764和766。本领域的技术人员将在示波器750上看到的传感器的原始信号称为A-Scan。根据图6所定义的图，其包括回波。

期望的是在超声波信号的帮助下执行管子缺陷的成像。现在提供如何获得图像的说明。

实际上，在大致上覆盖管子的横截面的连续角度下，通过考虑传感器Px进行的管子的多次连续探查来获得图像。这可以通过使用管子/传感器的相对旋转由单个传感器进行连续激励来实现。

举例来说，在非限制性的情况下，在这里其为所谓的旋转头型装置的情况。

在图8A中，考虑传感器Px，其可以是上述的类型P1、P11、P12、P21和P22之一。在所示的示例中，此传感器Px实际上包括n个基本传感器Px-1、...、Px-i、...、Px-n，其沿着管子的纵向通道排列，并且其同时是超声波激励的对象。在图8A中，可以将在基本传感器与输出769的三维图之间的视为转换器。

来自第一基本传感器Px-1的Ascan信号被施加于放大器73-1，后面是两个并行通道：选择器763-1A的和选择器763-1B的。每个选择器763-1A包括分别为最大振幅和行进时间的两个输出。此最大振幅输出被连接到行(ligne)数字化器765-1A。行进时间输出被连接到行数字化器765-1At。

最大振幅的行数字化器765-1Aa的输出被连接到数据缓冲存储器768-Aa，其收集来自具有从1延续到n的下标i的最大振幅的行数字化器768-iAa的数据。行进时间的行数字化器765-1At的输出被连接到数据缓冲存储器768-At，其收集具有从1延续到n的下标i的行进时间行数字化器765-iAt的数据。最大振幅的行数字化器765-1Ba的输出被连接到数据缓冲存储器768-Ba，其收集来自具有从1延续到n的下标i的最大振幅的行数字化器765-iBa的数据。行进时间的行数字化器765-1Bt的输出被连接到数据缓冲存储器768-Bt，其收集来自具有从1延续到n的下标i的行进时间的行数字化器765-iBt的数据。

基于在通过标准管子时获得的信息，操作员可以在缓冲存储器768-Aa和768-At中输入对应于位置和时间宽度的指示的信息T_1A，其根据管子的已知几何结构向他指示他将发现“内皮回波”的时刻，涉及管子的内部，例如图6的第一回波Int1。图6A更清晰地示出TphiInter周围的相应时间窗“Int”。

同样地，基于在标准管子通过时获得的信息，操作员可以在缓冲存储器768-Ba和768-Bt中输入对应于位置和时间宽度的指示的信息T_1B，其根据管子的已知几何结构向他指示他将发现涉及管子外部的“外皮回波”的时刻，例如图6的第一回波Ext1。图6A更清晰地示出TphiExter周围的相应时间窗“Ext”。

对其它传感器Px-2、...、Px-i、...、Px-n重复该方案。

因此，每个时间选择器761定义考虑了超声波传输的时刻的时间窗，和可以预期关于此选择器的回波的可预定义时间间隔。图6的图示示出如何可以定义感兴趣的时间间隔，考虑了超声波束在管子上的入射角，以及管子的直径(内部或外部)和厚度。对于管子与传感器之间的给定相对位置而言，给定的时间间隔对应于管子的给定点处的给定回波。

为了简化起见，在这里假设激励时刻与管子/传感器的相对旋转同步，以便基本传感器始终在管子的同一纵向母线上工作。其选择器的输出因此提供信号的模拟样本的间隔序列，其每个对应于在管子的壁上预期的回波的振幅。传感器Px-1(例如)的这些样本在765中被数字化。

可以通过与发送器70或其触发器、同步电路753、或其时基752(图8)的链接(未示出)来保证与发送的同步。如果需要，可以保持显示750。该系统可以在以大致恒定的速度旋转的管子上运行。在这种情况下，可以借助于例如由Hengstler公司供应的型号RS0550168的精确角编码器和例如由Polytec公司供应的型号LSV 065的激光速度计来测量管子的角速度和管子进给。管子可以不旋转，而传感器系统转动。在这种情况下，激光速度计足以用于测量管子的进给，而借助于角编码器来获得传感器的旋转速度。

对于给定激励而言，传感器组Px-1至Px-n提供对应于管子的横截面的一行图像。在图像的其它维度中，一个给定基本传感器提供对应于管子的一个母线的一行。

数字化器765-1Aa、765-2Aa、...、765-iAa、...、765-nAa和765-1At、765-2At、...、765-iAt、...、765-nAt允许填充涉及管子的内皮的“内部”图像。数字化器765-1Ba、765-2Ba、...、765-iBa、...、765-nBa和765-1Bt、765-2Bt、...、765-iBt、...、765-nBt允许填充涉及管子的外皮的“外部”图像，Tvol max是最大振幅回波的行进时间。

存储在769中的平行六面体三维图用于相关的传感器或传感器组Px。此图像的每个点对应于由于相关管子区中的可能缺陷上的超声波信号反射而引起的回波的振幅的值，其被变换成灰色调变化。此值还可以表示在测试期间在管子上捕捉到的超声波信号的最大振幅与如上所述用人工“参考标准器缺陷”获得的超声波信号的最大振幅之间的比。平行六面体三维图是在769中数字化的预备三维Bscan表示-在其充当用于生成管子三维Bscan的意义上是预备的。该三维图的形式一般不同于检验的产品的形式，特别是对于管子而言。

平行六面体三维图的数据可以包括给定数字化期间的Ascan曲线的配对组(行进时间、振幅)。

如图11所示，在769中被数字化的平行六面图三维图包括由源自于传感器组P11的数据构造的平行六面体三维图891和由分别源自于一组传感器P12和P21和P22的数据构造的平行六面体三维图892。

现在此图像对应于通过将对应于每个数字化行的管子的大致环形区联结在一起获得的管子区。实际上，如果大致上与管子的轴垂直地施加超声波束，则其为环形或螺旋区的情况。已知的是该情况根据管子/传感器的相对运动而不同。然后，所述区更多地是椭圆形的，结果，在空间中挠曲或扭曲。在本说明书中，词组“环形区”涵盖这些各种可能性。

应注意的是为了获得三维图的完整重建，需要传感器相对于管子的定位的附加信息。其可在单独的输入端740上获得。此信息来自允许测量空间位置的一组激光器或编码器。由于可以将管子比作没有任何厚度的圆柱，所以可以将位置信息减少至两个维度。

应理解的是本发明在现有超声波检测工作台上的实现意味着：

-对超声波检测原始数据的可访问性，其是例如借助于采集卡而提供的，诸如来自National Instrument公司的型号N16024、E系列或NI 6251、M系列，或者通过对包含在工作台检测装置中的数字数据的直接访问提供；

-关于(管子或传感器头的)旋转速度或管子相对于传感器的相对角位置的在线信息的可用性，以及

-关于管子进给速度或传感器被投影到轴上的相对线性位置的在线信息的可用性。

图8A的图可以应用于：

-并行地用于P11型传感器和P12型传感器，从两个不同方向观察管子的同一区。每个传感器将允许获得内部图像和外部图像。然后，可以根据称为“Int/Ext”的命令来选择图像之一；

-并行地用于P21型传感器和P22型传感器，在这里，其再次地将允许获得内部图像和外部图像。

图8A中的图还可以应用于P1型传感器，在这种情况下，在每个放大器后面(至少虚拟地)提供三个平行通道。这些通道之一在根据图6B中的“Volum”的指示而定位的重复时间窗中起作用。此通道允许检查体中的缺陷，也就是说管子的厚度中的缺陷。

另外两个通道可以分别在如图6B中的“WphiExter0”和“WphiInter1”所示地定位的重复时间窗中起作用。这两个通道允许测量管子的厚度。

3个通道之间的差别纯粹是功能上的(虚拟的)。实际上，前述另外两个通道在物理上可以是相同的，其中，存在时刻或窗口“WphiExter0”和“WphiInter1”的区别。还可以使用单个物理通道，其中，区别时刻或窗口“WphiExter0”、“Volum.”和“WphiInter1”。

更详细地描述具有P12型传感器的P11型传感器的情况是代表性的。现在描述如下。

应回想起这两组传感器P11和P12被用于管子中的纵向缺陷的检测。沿两个优选方向(顺时针方向-逆时针方向)以超声波激励(US)来执行超声波检测：

-传感器或传感器组P11提供沿工作方向(顺时针方向)的管子的超声波图像；

-第二传感器或传感器组P12提供沿另一工作方向(逆时针方向)的管子的超声波图像。

因此，有利地用2个传感器或传感器组来检测纵向缺陷，传感器的射束轴相对于垂直于管子的轴的平面对称地倾斜。倾角例如约为±17°。这提供如上所述的具有两个传感器或两组传感器的系统的应用示例。

在图8B的实施例中，可以用定义考虑的Ascan信号的n个点的起点、持续时间和数字化频率来表征从放大器781导出的每个数字化窗口782。然后，每个数字化窗口782提供用于每个超声波激励的n对成对信息(振幅、行进时间)。缓冲器/放大器788将这样收集的所有数据放入平行六面体三维图769中，这考虑了接收到信号的时刻的各传感器位置，这同时由于知晓传感器相互之间的几何构型及由于关于超声波激励740时刻的管子/传感器定位的信息。

现在对图9进行参考。对于第一检测方向(所选的“方向1”标签)，图像903和904是管子三维Bscan的横截面图(分别为横向和纵向)，具有来自传感器P11的如进一步描述的管子几何形状的3D。使用“以(mm)为单位的横向横截面”和“纵向横截面(度)”来固定这些横截面的定位。如上文所定义的，图像905(内部)和906(外部)是CScan的，图像905(或906)集中于其中被认为已检测到内(外)皮中的缺陷的Ascan的时区。重构图像905和906所需的信息来自于图11的平行六面体三维Bscan 891。

图像901是要检测的产品的一部分的管子三维Bscan的透明三维表示，如进一步描述的那样，在该位置上识别到潜在感兴趣的区域。对于第二检测方向(激活的“方向2”标签)重构相同的图像903bis、904bis、905bis、906bis和902，参见图9A。

我们将在这里重申的是以上说明涉及具有纵向取向的缺陷方向。相同的方法适用于横向缺陷的研究(用传感器组P21和P22)。

现在对图11进行参考。如图11A详细示出的，借助于变换器块930基于平行六面体3D图891和892获得图像块901和902。图11的转换器块891对应于图8A的设置，应用于传感器P11。同样地，转换器块892也对应于图8A的设置，但应用于传感器P12。转换器块891和892使用块740的管子/传感器情境数据。这些数据涉及检验中的管子和当前在使用中的传感器的特性。

变换器块930被布置在平行六面体三维图891和892的下游且可以具有图11A所示的结构。变换器块930执行在管子中波传播路径的时间计算，将超声波撞击在缺陷上时的模转换考虑在内。在撞击时，横波可以变换成纵波，反之亦然。变换器块930可以根据传输和反射系数的计算来估计声束的能量的传播。可以执行Ascan的频谱的分析。变换器块930可以包括真实或模拟测试的数据库939以允许与接收到的三维图相比较。变换器块930可以重建具有管子的几何结构的三维Bscan图像。

如图11A所示，变换器块930包括用于从三维图去除三维Bscan的无用区域的两个块931和932——块931处理来自三维图像891的数据且块932处理三维图像892，和分别在块931、932的下游的用于通过应用模拟时间窗进行滤波的两个块933、934、理论模拟块935、和提供给逆算法块936的容差计算块937，块936提供上文所定义的图像901和902。

块931和932执行的去除允许减少所处理的信息量，同时保持将以三个维度示出的潜在感兴趣的区域。所述滤波可以基于Cscan按长度来执行。所选的长度可以大于具有大于阈值的振幅的区域的长度。然后可以处理包括具有潜在缺陷的区域的平行六面体三维Bscan。

可以通过用界面和底部回波将时间窗划分界线来执行块933和934的滤波。这些滤波块还可以将潜在感兴趣的管子的角区域划分界线，并且在必要时使这些区域偏移，以便勾勒轮廓和完全重建潜在感兴趣的区域。由块933和934提供的图像是缩小的三维Bscan。

理论模拟块935可以根据缺陷的类型和位置包括例如三维Ascan或Bscan的模拟数据库。该数据库可以包括模拟结果和/或对自然和/或人工缺陷的测试的结果。逆算法块936可以比较由理论模拟块935提供的理论三维Ascan或Bscan和在检验期间获得的三维Ascan和Bscan以便确定最接近的理论三维Ascan或Bscan，并因此获得最可能的缺陷。举例来说，逆算法块936按长度和渐屈线将对应于长度位置和角位置的滤波测试Ascan与此同一位置上的理论Ascan相比较。举例来说，逆算法块936将由对应于长度位置的缩小三维Bscan得到的三维Bscan与此同一长度位置上的理论三维Bscan相比较。可以进行两次比较。然后设置回波的最佳的一组理论表示，其具有与实验数据的最小偏差。

在变换器块930之后，示出了滤波器921和922，参见图11，其特别地允许从图像和从其预备数据执行提取，作为由用于神经或专家处理970的组合器块960组合输入的数据。

在所述实施例中，滤波器921具有：

-信号输出Zcur，其指定图像中的工作区。此输出被提取功能951使用，结果，其执行从用于Zcur区的图像(Cscan)的提取，和到图像准备891的访问，以便获得存储在那里的涉及同一Zcur区的信息(所谓的Ascan)。所有这些数据都被提取功能851发送到组合器960，作为神经或专家处理970的输入；

-其作为用于神经或专家处理的输入而发送的提供通过滤波获得的信息的输出，某些至少涉及区域Zcur；

-到存储器990的附加已滤波数据的可选(虚线)输出。

这也适用于滤波器922，其具有提取功能952，用于同一Zcur当前区。

神经系统970提供判定和警报逻辑方式992，其控制分类和标记自动机994。可以提供操作员解释接口996，其可以相对于检验中的管子的部分呈现包括在存储器990中的所有或部分数据。包含在存储器990中的数据来自于滤波器921和922。

除其预测之外(指示的起点、类型和严重性)，神经系统970提供可以附加于此预测的置信度的评估。此信息可被操作员访问，该操作员还具有更多量化数据，诸如进行中的指令的历史或产品制造期间已发生的问题。然后可以使操作员或专家相应地对预测进行加权。

这里，图11处理来自于提供相同功能或意图用于同一类型的检测的至少两组传感器(2组P11和P12或2组P21和P22)的信息。可以使用相同的图来处理来自用于不同类型的检测的更多传感器组的信息。可以使同时处理的图像的数目增加相同的量。

滤波器921和922的主要功能是确定图像901和902中的缺陷区域。一般而言，安排滤波以便标明(repérer)要分析的区域并在那里将缺陷与其它指示区别开。滤波作用于两个图像的两个对应部分。两个滤波器可以协作。

通过扫描数字图像，首先定位存在潜在缺陷的图像区域。可以应用通过校准(étalonnage)确定的固定阈值。

可以使用适合于图像中当前噪声水平的阈值。该方法是基于白噪声中的信号检测理论的基础上的，可以基于两个假设：

假设H0：测量结果＝平均白噪声m_b和典型偏差std-b

假设H1：测量结果＝信号+白噪声

执行允许确定情况是否在假设H0或假设H1的范围内的统计测试。在对应于连续提取的图像的n个滑动点上实时地执行这些统计计算。可以通过学习来确定数目n。

根据这种方法(所谓的“加性高斯”)，例如，可以根据错误警报(pfa)的给定概率使用Neyman-Pearson准则来确定检测阈值。这用所附公式[21]来表示。使用通常称为Q(也称为误差函数erf)的高斯累加公式，其需要求逆以便根据所附公式[22]获得阈值。

实际上，频繁地查明背景噪声的存在，其可以具有各种起因(例如：管子内部的水的存在、电杂音、由于检测中的产品材料的结构而引起的声学现象)。

可变阈值的使用避免在应用固定阈值的情况下发生的错误警报。

在可能出现的其它错误指示之中，干扰以超声波信号中的非常短的峰值的形式发生。可以用可以称为累加计数算法或积分器的简单算法来去除此干扰(示例：“警报前n次撞击”或“双阈值”)。

本申请人还已考虑‘螺线圈’，其为传感器沿着将管子比作的圆柱形表面所遵循的轨道。可以沿着每螺线圈执行一个滤波以便进一步降低错误警报的比率。为此，使用例如Butterworth滤波器和/或离散傅立叶变换，诸如快速傅立叶变换。这种方法适用于每个数字行。

可以沿管子的纵向应用相同类型的算法。

这样，可确定潜在缺陷的位置。一旦已查明缺陷，则其位置对应于在图9(例如)的图像-具有三维图像、横向截面和轴向截面-中分析的位置。可以将径向/厚度位置指示(或更简单地说在内部、在外部或在体中的缺陷位置)表示为图像的点的属性。因此，我们有：

-表示管子的外皮中的可能缺陷的两个二维图像；

-表示管子的内皮中的可能缺陷的两个二维图像，以及

-表示管子厚度中的可能缺陷的一个二维图像。

特别地，在消除干扰和错误警报之后，现在将缺陷视为“被确认的”。

由此继续下去，本申请人已决定对固定尺寸的图像区进行工作。因此，需要调整关于刚刚已获得的缺陷存在的数据的此区域的位置。

换言之，需要确定已被识别为大于阈值的点的位置以便确定缺陷周围的整个区域。例如，如果期望确定缺陷的倾斜度，则这是必要的。

该算法历经不同步骤：

-轮廓线检测(例如，罗伯茨梯度)；

-膨胀(相近轮廓线的聚集)；

-侵蚀，然后闭合，其允许确定缺陷周围的掩蔽物；

-允许缺陷的完全定位的最终围绕步骤。

因此，对于每个缺陷而言，获得相应图像区的坐标，其对于接下来进行的神经网络分析将是有用的。

图12以流程图的形式示出图像区的此处理。

在图像起点处(801)，存在从零到p的要处理图像区，如表示已确认的缺陷。操作803假设至少存在一个第一区，其充当用于在805中处理的当前区Zcur。对于此区Zcur而言：

-操作807选择性地从对应于此区(由其在图像中的坐标定义)的图像901和902提取数据；

-操作809选择性地提取参与图像901和902的准备并对应于区Zcur的数据。下面将提供这些数据的示例；

-操作811执行神经或专家处理；

-在813中选择性地存储针对区Zcur获得的结果，对应于Zcur区指定；

-测试820寻求在图像中是否存在要处理的另一区，在这种情况下，对于如821中所指示的此另一区在805重新开始；如果没有，则终止当前图像的处理(822)。

在传感器P1的处理的情况下，仅存在一个图像，其改变输入参数的数目。除此之外，处理通常可以是相同的。

在确定每个感兴趣的区Zcur之后，滤波可以包括其它功能。对于这些其它功能，图13以示意性的方式示出滤波与图11所示的操作系列之间的相互作用。

图13类似于图11，但仅仅是用于图像901。其示出：

-块740的管子-传感器情境的元件；

-提取器951，其在图像901及其准备891中找到用于Zcur区的数据；

-内/外块7410，其指示所考虑的Zcur区中的缺陷是位于内皮还是外皮。

如虚线块的内容所示，对于每个Zcur区，更详细地定义了通过滤波添加到基数据的滤波：

-941中的倾斜角度的寻找；

-缺陷的长度指示942。

另外，特别地，可以包括以下各项：

-在945中，C-Scan中的对准指示，以及

-在946中，管子的同一横截面中的其它缺陷的存在指示。

在所述实施例中，诸如945和946的数据转到存储器990。其它数据转到神经网络或专家系统970。如现在将看到的那样，这些在这里分成两个功能。

可以用管子中的缺陷的位置、其类型或常常比作其深度的其严重性对其进行定义。在所述实施例中，借助于相同总体结构的两个神经处理来单独地确定管子缺陷的类型和深度程度，现在将使用示例对其进行描述。

根据图14来处理缺陷类型的情况，并根据图15来处理严重性的情况。

例如可以如图10A至10D所示地定义类型。这些图示出四种类型，其构成与由API提供的缺陷列表相比较的简化选择且其可以起因于管子制造过程。法语和英语的名称是本领域的技术人员用来指定缺陷类型的那些。应注意的是缺陷类型1和2是笔直的且图2和4的那些是弧形的(“弦”)。

可以如下定义实际缺陷与以上四种类型之间的对应关系：

法文名称	英文名称	配属
			Entaille	Notch	TYPE1
Tapure	Crack	TYPE1
			Paille/repliure perpendiculaire oudroite(laminage)	Seam(perpendicular)	TYPE1
Paille/repliure(laminage)	Seam(arcuate)，“overlap”	TYPE2
			Gravelure	Sliver	TYPE3
Origine billette	Rolled-in-slug	TYPE4
			Rayure	Gouge	TYPE4
Inclusion	Inclusion	TYPE4
			Manque de matière(“défourni”)	Bore-slug	TYPE4
Chevauchement/recouvrement/repliure	Lap	TYPE4

这里，图14和15都是用具有三个中间神经元(或“隐藏神经元”)的神经回路，对于图14而言称为NC121至NC123且对于图15而言称为NC141至NC143。

图14和15共同地具有一定数目的输入。为了帮助理解，使用不同类型的线示出所述输入。双线指示输入是多重的，也就是说对于Zcur区的每个点重复。

首先，在7410中，根据相关选择器763所考虑的状态，提供指示其是否是处理位于管子壁的内皮、外皮中的缺陷的情况的信息。也可以从三维Bscan获得此信息。

第二类公共输入变量包括来自于块740(图13)的情境变量：

-在7401中，WT/OD，其为壁厚度与管子直径的比；

-在7402中，Freq，其为超声波探针的工作频率；

-在7403中，ProbDiam，其为超声波探针的有用直径。

第三类公共变量对应于从滤波得到的量，可以将其视为为两个传感器921和922(或更多)所共用。例如，取来自两个传感器的结果的平均值，或者取最具代表性的结果(最大值/最小值，视具体情况而定)。这些量是9201中的变量，缺陷的倾斜度，并且在9202中为其长度。这两个变量易于在图9的两个图像中标明，其具有镜像对称性。

现在仅对图14进行参考。以下种类的变量包括用于两个传感器(或传感器组)中的每一个和用于每个Zcur区的不同测量结果的变量，其通过使用双线在图中反映出来。

对于第一传感器，我们有：

-在9511中，K1，其为在Zcur区中和图像901中遇到的超声波信号的最大振幅与前述“参考标准器缺陷”的最大振幅之间的比。实际上，在本示例中，用此比来定义图像901的每个像素中的振幅；然后，K1仅仅是在图像901的Zcur区中遇到的最大振幅；Zcur区中遇到此最大值的点标记为Pmax1。

-在9512中，QBE1，其为称为QuantBumpsEchodyn的C-Scan的变量，表示在最大振幅的点Pmax1附近的图像901的Zcur区中遇到的本地最大数目。此数目QBE1局限于在Pmax1附近任一侧遇到的本地最大值，但信号振幅不在对应于背景噪声的水平以下。QBE1通常将取值1或值2。

这两个变量经由提取器951来自于图像901，这在图中标记为951(901)。这里还有：

-在9518中，RT1，其为表示称为A-scan的原(natif)超声波信号中的回波上升时间的变量，(其为信号处于其最大值时的时刻与信号处于背景噪声的水平时的前一时刻之间的差，一般以毫秒表示)。此变量RT1先前已在相关放大器73(图8A)的输出端处测量；其已被存储在例如891中，与其涉及的管子的点相对应。这样，可以由提取器951选择性地对其进行检索。现在可以由操作员在图9的图像903上、或者也在平行六面体的三维Bscan上直接测量变量RT1。

对于第二传感器而言，我们有：

-在9521中，K2，其被与K1类似的定义，但是用于图像902而不是图像901。在本示例中，K2仅仅是在图像902的Zcur区中遇到的最大振幅；遇到此最大值的Zcur区的点标记为Pmax2；

-在9522中，与QBE1类似地定义QBE2，但其在图像902而不是图像901中，并且在Pmax2附近。再次地，QBE2通常将取值1或值2。

这两个变量经由提取器952来自于图像902。除此之外，我们还有：

-在9528中，RT2，其为表示称为A-scan的原信号中的回波上升时间的变量。如前所述，此变量RT2先前已在相关的放大器73(图8A)的输出端处测量；其已被存储在例如892中，与其涉及的管子的点相对应。这样，可以由提取器952选择性地对其进行检索。现在可以由操作员在图9的图像903A上、或者也可以在平行六面体三维Bscan上直接测量变量RT2。

神经网络的最后输入958是恒定值，称为ConstantA，其表示校准模型时所确定且得自于学习的常量。

图14的输出998是可表示缺陷的类型及其平均倾斜度(根据类型定义)的变量。

根据图15来处理缺陷的深度程度(或严重性)的情况。输入与图14相同，不同之处是：

-对于第一传感器而言，用块9513替换块9512，其处理变量EW_1，或EchodynWidth，对于此第一传感器而言，其为回波动态波形的中间高度(50％)处的宽度。此变量EW_1是从Cscan提取的；

-同样地，对于第二传感器而言，用块9523替换块9522，其处理变量EW_2，或EchodynWidth，对于此第二传感器而言，其为回波动态波形的中间高度(50％)处的宽度；

-在959中，现在称为ConstantB的常量是不同的；

-输出999是缺陷的严重性的指示，称为DD。

请注意，在两种情况下(图14和15)，给定神经回路970处理用于超声波传感器组之一的图像提取内容951，以及对应于同一区、但源自于另一组传感器的图像提取内容952。

本申请人观察到可以获得非常令人满意的结果，其经过例如神经回路的专家系统的参数的适当调整，并且可能是它们的数目，以使预测最优化。

此外，本申请人发现通过由各种神经网络收集的信息的组合，可以进一步对预测进行改进。

总体上，神经网络或专家系统的输入参数则是两个三维图像的特性(最大振幅与标准器振幅、回波宽度、表示缺陷倾斜度的回波取向等的比)和测试的特性(传感器、管子的维度等)。

输出参数是缺陷的特性(深度、倾斜度/类型)。判定和/或警报(992)可以基于阈值借助于所选判定标准自动地发生，根据需要具有一个安全余量。为了定义这些阈值，可以使用来自学习的结果。

现在对图16进行参考，对于两个传感器而言，其为图14和15的基本神经回路的模型。

此模型包括输入层或层IL，其将所有输入参数(常常称为“输入神经元”)组合在一起。为了不使图超载，仅示出三个神经元E1至E3，加常量，该常量也可以视为神经元E0。常常将此常量称为“偏置”。实际上，依照图14和15，存在更多的输入神经元，视具体情况而定。

然后，提供至少一个级或层HL(隐蔽层)，其包括K个神经元(其中，为了不使图超载，仅示出2个)。

最后是输出神经元S1，其以表示管子中的缺陷的重要性的值的形式来提供判定，所述缺陷例如为纵向缺陷。此输出对应于图14中的块998和图15中的999。

请注意，“神经元”常量E0起作用以便不仅对隐蔽层、而且对输出神经元(输出层OL)加权。

这里所使用的神经回路的一般性质由附件1的公式[11]给出，其中，w_ij是被赋予出现在神经元j的输入端处的信号Xi的权值。

在为此提供的回路中，如图17中以图表所示的，基本神经元根据公式[2]进行操作。

图16的输出S1提供对应于附件1的公式[13]的估计值。

通过学习，本申请人已调整隐蔽神经元或其权值，使得函数f是非线性、连续、可导和有界函数。目前优选的示例是反正切函数。

已知的是神经网络通过学习来确定其系数w_ij，一般称为神经键。所述学习通常应当涉及比存在要计算的权值多3至10倍之间的示例，同时正确地覆盖期望工作条件的范围。

从示例E_p(p＝1至M)开始，对于每个示例而言，确定由神经回路给定的值S_p与在实验中测量或定义的实际值R_p之间的偏差D_p。这是公式[14]所反映的内容。

由称为“成本”的全局偏差变量Cg来定义第一神经回路的工作质量。例如，可以根据公式[15]将其表示为加权二次全局偏差变量。

所述学习在诸如管子中的缺陷检测的情况下引起各种问题，如已指出的那样，特别是由于涉及到重型工程这一事实。

本申请人首先通过模拟来进行初始学习。为此，可以使用由法国的原子能量委员会开发和销售的CIVA软件。此初始学习允许标明有影响的参数并基于虚拟缺陷来构造神经网络的初始版本。使成本函数最优化。

然后，本申请人将从模拟获得的结果和人工、亦即有意地在实际管子上产生的缺陷相组合，进行第二学习。此第二学习允许构造神经网络的第二版本，也使其成本函数最优化。

然后，本申请人将用人工缺陷和用存在于实际管子上的一组缺陷获得的结果组合，以来自在生产程序期间后验地执行的测量结果的准确度知晓这些缺陷。此第三阶段允许验证神经网络的最终版本。此版本已在操作上证明其本身适合于生产监视。然而，当在新的或已修改装置中实现时，目前需要使用覆盖要处理的整个缺陷范围的十几个人工样本来对其进行“校准”。当然，然后是最优化。

结合传感器P11和P12来描述图11、12、14和15。

相同的原理适用于传感器组P1。在这种情况下，如已指出的那样，不存在图像2且构建的网络具有较少的输入参数。针对两个传感器描述的回路可以仅使用一个，但是没有用于“图像2”部分的输入参数。

还可以将相同的原理应用于两组传感器P21和P22，其负责检测横向缺陷，请记住，对于此检测而言，传感器在管子的轴所通过的平面中倾斜(例如±17°).

应理解的是在每种情况下，发生图11所定义的类型的数字处理，元件992至996是例外。依照图8，此处理被全局指定为763，在图8中，其后面是块764和766。

这样，获得如图18所示的设置，有：

-对于传感器P1的程序763-1，其后面是判定和警报级764-1；

-对于传感器P11和P12的程序763-10，其后面是判定和警报级764-10；

-对于传感器P21和P22的程序763-20，其后面是判定和警报级764-20；

-由分类和警报自动机767来一起解释三个级764-1、764-10和764-20。

未示出的图18的变体在于仅提供一个“判定和警报”级、直接利用来自三个处理763-1、763-10和763-20的输出。

被正确称呼的无损检测“动态地”进行，也就是说随着管子通过测试装置时进行。还可以在管子通过测试装置时进行从上述信息的处理得到的判定(“动态地”进行判定-警报和标记)；变体在于在已检验管子的整个长度时、甚至在稍后的时间(例如，在检测整批管子之后)进行此判定，对每个管子进行标明/标识(例如序号)。在这种情况下，需要记录(存储)所获得的信息。该记录可以是由具有在分析已由神经网络记录并处理的结果之后进行判定的权限的操作员稍后进行分析的对象。

当然，考虑到神经回路的性质，可以将至少部分的神经网络重组成具有所有期望输入的单个神经回路(包含在处理763-1、763-10和763-20中的)。

所述实施例直接利用例如专家系统的神经网络。本发明不限于此类实施例。这里，词组“神经回路类的布置”可以涵盖有或没有神经回路的其它非线性数据分析技术。

一般而言，所述转换器可以包括选择器中的最大振幅输入和相应的行进时间输入。这些输入可以提供用于判定产品是否合格的足够数据。

变换器块可以包括无用数据去除元件、标明区域的过滤元件、模拟器和解释元件。减少信息量允许有更高的处理速度。

模拟器可以包括理论模拟元件、容差计算器和逆算法。

输出级可以包括：

-组合器，被布置为基于来自滤波器的对应于推定缺陷区的图像的提取和同一区中的推定缺陷的性质，准备神经回路的数字输入；

-至少一个神经回路类的布置，接收来自组合器的输入；

-基于来自神经回路的输出进行操作的判定和警报数字级，以及

-分类和标记自动机，被布置为用于分离并标记由所述判定和警报数字级判定为不合格的产品。

已在无焊接管子的制造中的无损检测的情况下描述了这里提出的系统，本发明尤其适用于这种情况。同样技术可以特别地适用于不一定是管状的长形冶金产品。

在焊接管子或其它焊接产品(诸如薄片或板)的情况下，所述系统也已证明能够确定焊缝的极限，并且作为确定焊缝中的任何缺陷的结果，其可能需要监视。对于它们来说，可以以不同的方式考虑位于焊缝极限之外的缺陷，其可以对应于已存在于带材(或产品)中的内含物。

附件

第1部分

Y_{i} = F (\underset{j}{Σ} ω_{ij} X_{i}) - - - (11)

S_{1} = F (Σ_{i = 1}^{N} E_{i} ω_{i} + ω_{0}) - - - (12)

S = Σ_{i = 1}^{k} S_{i} ω_{i}^{'} + ω_{0}^{'} - - - (13)

D_p＝S_p-R_p (14)

Cg = \frac{Σ_{p = 1}^{p = M} D_{p}^{2}}{2 M} - - - (15)

第2部分

pfa = {&Integral;}_{seuil}^{\infty} \frac{1}{\sqrt{2 π} {std}_{b}} e^{- \frac{s - {m_{b}}^{2}}{2 {std}_{b}^{2}}} dx = Q (\frac{seuil - m_{b}}{{std}_{b}}) - - - (21)

seuil＝std_bQ^-1(pfa)+m_b (22)

Claims

1.一种形成辅助开发工具的设备，用于冶金产品的制造期间或结束时的无损检测，冶金产品诸如为管子或其它长形产品，所述工具用于在发送器超声波传感器根据所选时间规律选择性地激励(70)之后从接收器超声波传感器截取(73)的反馈信号中提取关于产品中的可能缺陷的信息，所述接收器超声波传感器形成具有所选几何结构、以通过液体介质与产品超声波耦合的方式安装的布置，在管子和换能器布置之间存在相对旋转/平移运动，

所述开发工具的特征在于包括

-转换器(891；892)，能够根据所述相对旋转/平移运动在指定时间窗中选择性地隔离可能回波的数字表示，并生成平行六面体的三维图，所述表示包括至少一个回波的振幅和行进时间；

-变换块(930)，能够基于所述三维图和数据库来生成管子中的可能缺陷的三维图像(901；902)；

-滤波器(921；922)，能够确定图像(901；902)中的推定缺陷区(Zcur)以及每个推定缺陷的性质；

-输出级，被配置为生成产品合格或不合格信号。

2.根据权利要求1所述的设备，其中，转换器(891；892)包括选择器中的最大振幅输入和相应的行进时间输入。

3.根据权利要求1或2所述的设备，其中，所述变换块包括删除无用数据的元件、标明区域的过滤元件、模拟器和解释元件。

4.根据权利要求3所述的设备，其中，所述模拟器包括理论模拟元件、容差计算器和逆算法。

5.根据上述权利要求中任一项所述的设备，其中，所述输出级包括：

-组合器(960)，被布置为基于对应于推定缺陷区(Zcur)的图像的提取内容(951；952)和来自滤波器(921；922)同一区中的推定缺陷的性质，准备工作的数字输入；

-至少一个神经回路类的布置(970)，接收来自组合器(960)的工作输入；

-基于来自神经回路类布置(970)的输出进行操作的判定和警报数字级(992)，以及

-分类和标记自动机(994)，被布置为用于分离并标记由所述判定和警报数字级(992)判定为不合格的产品。

6.根据上述权利要求中任一项所述的设备，其中，所述开发工具包括分别用于两个具有所选几何结构的超声波换能器(P11、P12；P21、P22)布置的两个转换器(891；892)，所述超声波换能器布置基本上根据其各自超声波束的方向的镜像对称性以超声波耦合的方式安装，并且所述组合器(960)被布置为对内皮回波或外皮回波或在管体中出现的回波进行选择性地操作，但是同时对与两个换能器布置中的任一个有关的数据进行操作。

7.根据上述权利要求中任一项所述的设备，其中转换器(891；892)被布置为用于在分别对应于内皮回波、外皮回波和来自管体的回波的指定时间窗中选择性地隔离可能的回波最大值的数字表示，并且组合器(960)被布置为选择性地对内皮回波或外皮回波或在管体中出现的回波进行操作。

8.根据上述权利要求中任一项所述的设备，其中组合器(960)接收与推定缺陷区中的图像的振幅极值有关的至少一个输入(9511；9521)。

9.根据上述权利要求中任一项所述的设备，其中滤波器(921；922)被布置成用于产生每个推定缺陷的倾斜度和长度作为每个推定缺陷的性质，而组合器(960)接收缺陷倾斜度(931)和缺陷长度(932)的相应输入。

10.根据上述权利要求中任一项所述的设备，其中滤波器(921；922)、组合器(960)、神经回路(970)和判定和警报数字级(992)被布置为用于对由所述滤波器(921；922)确定的一系列推定缺陷区(Zcur)进行迭代操作。

11.根据权利要求10所述的设备，其中滤波器(921；922)、组合器(960)、神经回路(970)和判定和警报数字级(992)被布置为用于对管子的内皮和外皮交替地进行操作。

12.根据上述权利要求中任一项所述的设备，其中所述神经回路类的布置包括：

-第一神经回路(NC121-NC123)，能够在多个预定义等级中评估缺陷的性质，和

-第二神经回路(NC141～NC143)，能够评估缺陷的严重性。

13.根据权利要求12所述的设备，其中所述两个神经回路具有输入，这些输入的不同之处在于：

-用于第一神经回路而言的相邻最大值数目输入(9512；9522)，和

-用于第二神经回路的回波宽度输入(9513；9523)。

14.根据权利要求12和13中任一项所述的设备，其中所述两个神经回路的输出被组合以改进预测。

15.根据上述权利要求中任一项所述的设备，其中对于传感器布置的至少一部分而言，每次由同一换能器来执行超声波信号的发送和接收。

16.一种用于管子在制造期间或结束时的无损检测设备，包括：

-用于根据所选时间规律选择性地激励(70)这些换能器元件并用于收集(73)其截取的反馈信号的电路，和

-根据上述权利要求中任一项所述的辅助开发工具。

17.一种在冶金产品的制造期间或结束时的无损检测方法，冶金产品为诸如管子或其它长形产品，包括以下步骤：

b.根据所选时间规律选择性地激励(70)这些换能器元件；

c.收集(73)其截取的反馈信号，以便选择性地分析这些反馈信号(760-766)，用于从中提取关于管子的可能缺陷的信息，并生成平行六面体的三维图，所述信息包括至少一个回波的振幅和行进时间；

d.根据相对旋转/平移运动(891；892)，在指定时间窗中选择性地隔离可能回波的数字表示，并基于所述三维图和数据库从中提取管子中的可能缺陷的三维图像(901；902)；

e.生成产品合格或不合格信号。

18.根据权利要求17所述的方法，其中步骤e包括：

e1.根据所选滤波标准对图像(901；902)进行滤波(921；922)，以便确定推定缺陷区(Zcur)和每个推定缺陷的性质；

e2.基于对应于推定缺陷区(Zcur)的图像的提取内容(951；952)、来自滤波器(921；922)在同一区中推定缺陷的性质和情境数据(740)，形成(960)工作的数字输入；

e3.将这样形成(960)的输入应用于神经回路(970)类的至少一个布置上；

e4.根据所选判定标准以数字方式处理神经回路(970)类布置的输出，以便从中提取判定和/或警报(992)，以及

e5.对被步骤e4判定为不合格的管子进行分离和标记(994)。