CN104515786A - 金属铸件疲劳过程内部缺陷演化的检测方法与分析方法 - Google Patents
金属铸件疲劳过程内部缺陷演化的检测方法与分析方法 Download PDFInfo
- Publication number
- CN104515786A CN104515786A CN201510009344.3A CN201510009344A CN104515786A CN 104515786 A CN104515786 A CN 104515786A CN 201510009344 A CN201510009344 A CN 201510009344A CN 104515786 A CN104515786 A CN 104515786A
- Authority
- CN
- China
- Prior art keywords
- fatigue
- defect
- sample
- inherent vice
- metal casting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Abstract
一种基于三维工业CT技术的金属铸件疲劳过程内部缺陷演化的检测方法与分析方法,同时属于工业CT无损检测领域和材料智能表征领域。该方法包括检测方法和智能分析方法,检测方法包括对原始金属试样进行工业CT扫描、扫描后进行疲劳加载试验、设计夹具加载疲劳试验后金属试样、对疲劳后金属试样进行工业CT扫描,智能分析方法包括内部缺陷的分类方法、疲劳前后缺陷对应识别、疲劳演化分析方法。该方法将三维工业CT技术与传统疲劳试验相结合,并对检测结果辅以智能分析方法,分析不同缺陷在疲劳过程中的演化特点,为金属铸件的成分设计、组织性能分析提供支持,具有广泛应用价值。
Description
技术领域
本发明涉及工业CT技术无损检测领域与材料智能表征领域的一种基于三维工业CT技术的金属铸件疲劳过程内部缺陷演化过程的检测方法与分析方法。
背景技术
高速铁路在我国发展迅速,在轻量化设计方面应用了许多轻质金属材料,如高强铝合金,高铁齿轮箱箱体即是由高强铝合金铸造而成。高铁齿轮箱箱体服役条件恶劣,服役时间长,因此对铸件性能与质量要求严格。由于影响金属加工质量的因素复杂,难以综合控制,加工内部缺陷难以避免,但其中有些缺陷可能在服役过程中不断演化最终导致构件失效。检测和识别这类容易演化导致构件失效的关键内部缺陷,进行组织性能分析,改进材料设计,对保障构件的服役安全具有重要意义。
对于失效形式主要由疲劳产生的金属铸件,传统分析方法是对经过疲劳试验机进行加速寿命试验后已经断裂的截面进行分析。这种方法是破坏性试验,不能对早期微观缺陷的演化,裂纹的萌生进行直观的分析。金属内部缺陷相当于晶粒级,与微结构强烈相互作用,超声、红外等无损检测手段并不适用,而工业CT则能够满足本项研究的需求,测量精度达到6μm。同时,由于一些内部缺陷,如气孔和渣孔的二维截面图像有可能一致,因此本方法选用三维工业CT获取金属试样内部缺陷的三维形貌,并进行内部缺陷分类、对应与演化分析。
发明内容
为了克服以上问题本方法采用的主要试验与检测设备有MTS-810试验机、GE v|tome|x m三维工业CT、疲劳加载夹具、计算机设备和其他辅助设备。在有效采集疲劳前后金属试验三维工业CT图像的基础上,利用人工智能方法对图像数据进行智能分析,包括内部缺陷的分类方法、疲劳前后缺陷对应识别、疲劳演化分析。得到金属铸件各种内部缺陷在疲劳过程中的演化规律,为金属铸件的组织性能分析提供基础,通过质量提高改进金属铸件成分设计。
本发明的技术方案是:一种金属铸件疲劳过程内部缺陷演化的检测方法与分析方法,其特征在于,所述检测方法和分析方法包括两大部分:金属铸件疲劳过程内部缺陷演化的检测方法与金属铸件疲劳过程内部缺陷演化的分析方法;
金属铸件疲劳过程内部缺陷演化的检测方法包括以下步骤:
步骤1、利用三维工业CT检测设备对原始金属试样进行工业CT扫描;
步骤2、扫描后,利用试验机对原始金属试样进行疲劳加载试验;
步骤3、将加载疲劳试验后的金属试样固定在疲劳加载夹具作为夹具金属试样;
步骤4、将步骤3所述的带夹具金属试样进行工业CT扫描;
金属铸件疲劳过程内部缺陷演化的分析方法包括以下步骤:
步骤5、根据步骤1与4得到的CT扫描图利用终端设备对内部缺陷进行分类;
步骤6、根据步骤5的分类结果对金属试样疲劳前后缺陷进行对应识别;
步骤7、根据步骤6中得到的对应识别结果,对疲劳演化进行分析。
进一步地,其特征在于,步骤5对内部缺陷进行的终端设备采用的是多分类方法,所述多分类方法是Adaboost_BTSVM多分类算法:
设置初始权重,从m个训练样本中随机选取100个样本训练第一个分类器SVM1,用SVM1对m个样本进行分类,根据分类的准确性E1更新每个样本的权重w1…wm,以及计算SVM1的权重W1;
W1将决定最终投票时,SVM1在最终分类器H中的比重,根据更新后每个样本的权重,重新从m个样本中选取权重最大的100个样本,训练分类器SVM2,根据分类的准确性E2更新每个样本的权重w1…wm,以及计算SVM2的权重W2,如此循环往复,最终得到n个弱分类器,以及n分弱分类器的权重W1…Wn,从而得到最终分类器H。
进一步地,其特征在于,对内部缺陷进行分类采用的Adaboost_BTSVM多分类算法所选取的分类特征值为:
缺陷的半径、表面积、紧密度、球度、尺寸、PX、PY、PZ、体素、平均灰度值、灰度偏差,尺寸用X、Y、Z表示,体素、平均灰度值、灰度偏差为归一化量纲。
进一步地,其特征在于,上述步骤3所述的设备疲劳加载夹具,设计疲劳加载夹具的材料密度小于金属试样,且强度大于金属试样。
5、根据权利要求1所述的金属铸件疲劳过程内部缺陷演化的检测方法与分析方法,其特征在于,上述步骤1、4所述的设备三维工业CT采用300kv/500W微米焦点射线管。
进一步地,其特征在于,在步骤1与步骤4中CT扫描设备对金属是试样进行扫描时,金属试样旋转360°,每旋转一个单位角度采集一张二维图像,样品每次旋转的单位角度小于1°。
进一步地,其特征在于,步骤6中作为金属试样疲劳前后缺陷定位采用的数据特征为:
三维工业CT图像数据中的中心X/Y/Z、位置X/位置Y/位置Z、尺寸X/尺寸Y/尺寸Z、轴向投影PX/PY/PZ。
本发明利用三维工业CT技术对金属铸件疲劳前后进行CT扫描,CT扫描可以排除重叠干扰,提高分辨率,同时对内部缺陷进行不同颜色标注,便于对金属铸件疲劳前后的内部缺陷进行分类。本发明涉及的缺陷分类方法采用的是Adaboost_BTSVM多分类算法。由于对于本发明涉及的缺陷数据中,夹杂类缺陷较多,气孔、缩孔类缺陷次之,裂纹类缺陷较少,裂纹缺陷较少,夹杂类缺陷差别区分度大、裂纹类缺陷次之,且各类缺陷数据严重不平衡,根据以上种种问题的考虑采用了上述所述的多分类方法,该分类方法相比其他方法对缺陷分类更加精确,提高分类器精度,便于金属铸件疲劳过程内部缺陷演化的分析。
附图说明
图1基于三维工业CT技术的金属铸件疲劳过程内部缺陷演化过程的检测方法与智能分析方法的结构示意图;
图2原始金属试样工业CT检测示意图;
图3原始试样高频疲劳加载试验示意图;
图4夹具加载疲劳试验后的试样示意图;
图5疲劳加载后带有夹具试样的工业CT扫描示意图;
图6金属铸件内部缺陷示意图;
图7金属铸件内部缺陷多分类器设计示意图;
图8Adaboost_BTSVM分类算法示意图;
图9试件尺寸(mm)示意图;
图10疲劳前后缺陷对应识别流程示意图;
图11金属铸件内部缺陷演化分析的基本流程示意图;
图中:1-射线源;2-金属试样;3-探测器;4-支架;5-疲劳试验机;6-螺母;7-夹具材料;8-带夹具金属材料。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。本发明涉及一种基于三维工业CT技术的金属铸件疲劳过程内部缺陷演化的检测方法与分析方法,同时属于工业CT无损检测领域和材料智能表征领域。
如图1所示,为本发明涉及基于三维工业CT技术的金属铸件疲劳过程内部缺陷演化的检测方法与分析方法的流程示意图。该方法包括检测方法和分析方法,其中分析方法是采用智能分析方法,检测方法包括对原始金属试样进行工业CT扫描、扫描后进行疲劳加载试验、设计夹具加载疲劳试验后金属试样、对疲劳后金属试样进行工业CT扫描,根据对金属试样疲劳加载试验前后进行的工业CT扫描,得到的金属材料疲劳过程前后三维工业CT图像,通过智能分析方法得到金属材料各种内部缺陷在疲劳过程中演化规律,该智能分析方法包括内部缺陷的分类方法、疲劳前后缺陷对应识别、疲劳演化分析方法。其中内部缺陷分类方法,是本发明中智能分析方法的主要部分,也是后面进行疲劳前后缺陷对应识别、疲劳缺陷演化分析方法的基础。
本发明涉及的一种基于三维工业CT技术的金属铸件疲劳过程内部缺陷演化的检测方法与智能分析方法,它采用的实验与检测设备有MTS-810试验机、GE v|tome|x m三维工业CT、疲劳加载夹具、计算机设备。
根据上述所述,本发明涉及的金属铸件疲劳过程内部缺陷演化的检测方法与分析方法,对金属铸件疲劳过程的内部缺陷演化的检测与分析包括以下步骤:
第一步,进行检测与分析的金属铸件原始试样加工。
第二步,对原始金属试样进行三维工业CT扫描。
所用设备是GE v|tome|x m CT,全能型微焦点X射线工业CT检测系统,300kv/500W微米焦点射线管适用于3D测量以及3D检测分析等应用场合。
试验时将金属试样2放置于射线管1及探测器3之间,样品旋转360°,每旋转一个角度采集一张二维图像,样品旋转的角度小于1°,采集到的二维图像经过CT数据重建之后得到试样的三维体数据。通过CT扫描可以得到铸件内部的夹杂、气孔和缩孔类等缺陷的三维数据。
第三步,对原始金属试样2进行疲劳加载试验。
出厂的合格金属材料是不存在裂纹缺陷的,要得到裂纹缺陷的试验数据就要对试样进行疲劳加载,直到出现裂纹为止,进行人为制造裂纹缺陷。疲劳加载试验所用设备是MTS-810试验机5,根据金属材料的屈服强度确定疲劳加载载荷,设置单次疲劳加载的停止条件,观察是否出现裂纹,若无肉眼可见的裂纹,再次加载,如此反复,直到试样出现肉眼可见裂纹时停止试验。
第四步,设计夹具加载疲劳试验后金属试样。
疲劳裂纹较小,为了避免裂纹闭合设计了试样夹持工具,用钳子夹紧两端螺母6可达到拉伸试样的目的。在高频疲劳加载试验中,相当于对试样两端加载拉力,该夹具在试样进行CT扫描时也可以持续提供大致相同的拉力。此外,为了保证对试样的正常扫描,夹具材料7需要根据试样材料确定,夹具材料的密度要小于试样材料密度,强度大于试样。
第五步,对疲劳后金属试样进行工业CT扫描。
所用设备是GE v|tome|x m CT,全能型微焦点X射线工业CT检测系统,300kv/500W微米焦点射线管适用于3D测量以及3D检测分析等应用场合。
试验时将经过疲劳试验的带夹具金属试样8放置于射线管1及探测器3之间,样品旋转360°,每旋转一个角度采集一张二维图像,样品旋转的角度小于1°,采集到的二维图像经过CT数据重建之后得到试样的三维体数据。通过CT扫描得到夹杂类、气孔类、缩孔类和裂纹类缺陷的三维数据。
第六步,通过上述第二步与第五步得到的金属试样CT扫描三维图,对金属构件内部缺陷在疲劳过程中的演化规律进行智能分析。
上述所述对金属材料各种内部缺陷在疲劳过程中演化规律进行智能分析,采用的是智能分析方法,该方法包括内部缺陷的分类方法、疲劳前后缺陷自动对应识别、缺陷演化分析方法。上述所述的内部缺陷的分类方法用于金属构件内部缺陷分类,疲劳前后缺陷自动对应识别方法用于金属铸件疲劳前后缺陷对应识别,缺陷演化分析方法用于金属铸件疲劳演化分析。
上述铸件缺陷是铸件表面和内部产生的各种缺陷的总称,但是铸件的表面缺陷很容易被检测出来,例如残缺类缺陷,浇不到、未浇满、炮火、型漏以及铸件形状及重量差错类缺陷(铸件的形状、尺寸、重量与铸件图样或技术条件的规定不符)。
铸件的内部缺陷往往不容易被检测出来,但是一旦漏检造成的后果很严重,在铸件出厂检测时,铸件内部的缺陷占据更重要的地位。根据国家分类标准中对不同种类铸造缺陷的定义,铸造内部缺陷可划分为四类(如图6所示),气孔类缺陷,收缩类缺陷,夹杂类缺陷和裂纹缺陷。
表1 金属材料内部缺陷特征列表
三维工业CT图像可以将内部缺陷由体积的大小用不同的颜色来进行标示,对于由于成分设计引起的夹杂类缺陷,采用阈值分割的方法进行缺陷提取,通过灰度值,可以将夹杂类缺陷从背景材料中区分出来;裂纹类缺陷的三视图中可以发现试样内部条状缺陷即为裂纹缺陷,裂纹类缺陷也具有明显的特征。在区分缩孔类缺陷和气孔的时候,可以借助缺陷的断层截面图和3D图进行区分。根据气孔与缩孔的定义,气孔为圆形孔洞且内壁光滑,而缩孔形状不规则且孔壁表面粗糙。因此,利用工业CT三维数据进行缺陷类别的识别需要考虑缺陷灰度、缺陷内壁光滑程度、缺陷的基本形状(如球状、条状等)、缺陷几何大小等等。四类铸造缺陷的三维数据类别较多,最终选取缺陷的半径、表面积、紧密度、球度、尺寸(X、Y、Z)、PX、PY、PZ、体素(归一化)、平均灰度值(归一化)、灰度偏差(归一化)作为分类的特征值,具体考虑如下:
(1)半径、表面积、体素:从整体上描述缺陷的大小;
(2)紧密度:缺陷表面及其体积之间的比值。对于体积差不多的气孔类缺陷和收缩类缺陷,由于气孔类缺陷内壁光滑,收缩类缺陷内壁凹凸不平,紧密度差距很大
(3)球度:与缺陷体积相同的球体表面与缺陷表面之间的比率。对于裂纹类缺陷、气孔类缺陷以及收缩类缺陷的区分很明显;
(4)尺寸(X、Y、Z)、PX、PY、PZ:封闭缺陷的边界框的尺寸和缺陷投影形状。对于气孔类缺陷、收缩类缺陷和裂纹类缺陷的区别非常有效;
(5)平均灰度值、灰度偏差:缺陷内的平均灰度值和灰度值偏差。用于区分夹杂类缺陷,并对所有缺陷的灰度平均值和灰度偏差进行归一化后作为分类特征值。
金属铸件,内部缺陷较多,虽然依据缺陷的几何特征可以对缺陷类型进行人工标记,但对于大量缺陷的分类识别迫切需要自动识别方法。
机器学习的方法对缺陷进行分类将使得评判结果客观化、规范化、科学化。支持向量机(SVM)是一种机器学习算法,通过构造不同的超平面,引入非负松弛变量集合,在错误最小的情况下尽量将样本准确分离。SVM本质是二分类器,通过对K个类别设定I个分类器实现多分类功能,二叉树方法可以与SVM结合,实现多分类算法。本研究中,由于缺陷数据中,夹杂类缺陷较多,气孔、缩孔类缺陷次之,裂纹缺陷较少,夹杂类缺陷差别区分度大、裂纹类缺陷次之,且各类缺陷数据严重不平衡,考虑选用SVM进行作为二叉树多分类器的基础分类器,即BTSVM分类器。
依据各类铸件内部缺陷的不同特点,对缺陷进行分类,分类器设计主要考虑:
(1)夹杂类缺陷,空隙的灰度值低于周围材料的灰度值,而夹杂的灰度值高于周围材料的灰度值,在检测的过程中就能够将夹杂类缺陷与其他缺陷区分开,由此设计第一层分类器用以区分夹杂类缺陷;
(2)裂纹类缺陷,呈现条状或者片状(平面),与气孔收缩类缺陷有明显不同;
(3)考虑裂纹缺陷在产品出厂检测时的重要性,在进行多分类时,第二层分类把裂纹看作一类,气孔和缩孔看作一类,设计第二层分类器。在第二层分类时就将裂纹缺陷区分出来,可以有效避免裂纹缺陷遭受二次分类错误。如果将裂纹缺陷放在第二层分类器区分,第一层区分时会对一部分裂纹缺陷进行错误区分,第二层区分时又会对裂纹缺陷进行一次错误区分,裂纹的准确率就会降低。
(4)第三层分类器,将气孔类缺陷和收缩类缺陷分开。
对于合格的初始金属构件,不应存在裂纹缺陷,只有在服役后的金属构件中才可能存在裂纹缺陷,因此裂纹缺陷的数量较少,参与机器学习的样本也就较少。同时考虑裂纹缺陷是金属内部的关键缺陷,因此需要提高裂纹缺陷的识别率。引入Boosting算法,改进二叉树分类算法,提高分类器精度。主要是通过对样本集的操作,获得样本子集,然后用弱分类算法在样本子集上训练生成一系列的基分类器,整合为一个强分类器,提高分类器精度。
总的训练样本集为D,有n个样本,每个样本都有自己的权值,权值经过初试化为1/n,在选取每个分类器的样本时,都是由权值从大到小选择。
Ck为多个弱分类器,每次由当前权值分布选取不同的样本放到Ck中进行训练。每次分类器都有训练误差,由训练误差来更新当前所有训练样本的权值。
将易分错的样本权值增加,分对的样本的权值减小。在下次选择训练样本的时候着重选择权值较大的样本(按权值大小将对样本进行排队,权值大的排在前面,由前往后选取样本放到Ck中进行训练),以达到对容易分错的样本进行多次训练的目的,从而提高分类准确度。
本方法中,选择SVM作为二叉树节点位置的分类器,组成二叉树SVM多分类器。在每个节点处,用Adaboost改进SVM算法,即SVM为Adaboost的弱分类器。这就是Adaboost_BTSVM多分类算法。
上述所述Adaboost_BTSVM多分类算法对金属铸件内部缺陷分类的具体方法如下所述。
首先设置初始权重,从个训练样本中随机选取100个样本训练第一个分类器SVM1,用SVM1对m个样本进行分类,根据分类的准确性(E1)更新每个样本的权重(w1…wm),以及计算SVM1的权重W1。
W1将决定最终投票时,SVM1在最终分类器H中的比重。根据更新后每个样本的权重,重新从m个样本中选取权重最大的100个样本,训练分类器SVM2,根据分类的准确性(E2)更新每个样本的权重(w1…wm),以及计算SVM2的权重W2,如此循环往复,最终得到n个弱分类器,以及n分弱分类器的权重(W1,W2…Wn),从而得到最终分类器H。
疲劳前后缺陷对应识别。在进行铸件内部缺陷分类识别后,为了发现铸件内部缺陷演化,需要对铸件疲劳前后的三维工业CT图像进行比对,找到同一缺陷在疲劳前后的对应关系。对原始铸件和经过疲劳试验机加载后铸件的三维工业CT图像进行缺陷分类,得到疲劳前后的铸件缺陷数据;将能够表征铸件位置或定位的三维工业CT图像数据作为特征量,确定铸件缺陷在疲劳前后工业CT图像中的对应关系。
选择三维工业CT图像数据中的中心X/Y/Z、位置X/位置Y/位置Z、尺寸X/尺寸Y/尺寸Z、轴向投影PX/PY/PZ作为疲劳前后缺陷定位的数据特征。
中心X/Y/Z[mm]:缺陷外接球体的球心位置。如果将缺陷看成一个点,这个参数就是描述这个点的位置,用来做缺陷定位的。
位置X/位置Y/位置Z:缺陷最暗体素的位置。描述在X、Y、Z三个方向缺陷最暗体素的位置。缺陷一般是向外扩展的,对于同一缺陷最暗体素位置基本不变。
尺寸X/尺寸Y/尺寸Z:封闭缺陷的边界框的尺寸。将缺陷投影到X、Y、Z三个平面,得到缺陷边框,边框的尺寸SX、SY、SZ即为尺寸X/尺寸Y/尺寸Z。
PX/PY/PZ:沿当前选定坐标系的每个轴投影的缺陷形状的表面区域。将缺陷投影到X、Y、Z三个平面,得到缺陷投影,三个方向投影的面积就是PX/PY/PZ,与尺寸X/尺寸Y/尺寸Z特征值相同,这个特征对于区分气孔类缺陷和裂纹类缺陷非常有效,因此将PX/PY/PY作为分类特征值。
确定疲劳缺陷前后对应的流程如下所述,首先获得金属铸件疲劳前后的内部缺陷的特征数据;以疲劳后的缺陷数据为标准,通过缺陷的位置数据中心X/Y/Z和位置X/位置Y/位置Z,来确定疲劳前的缺陷数据,有三种情况,第一种情况是直接找到一个疲劳前的对应缺陷数据,第二种情况是找不到疲劳前的对应缺陷数据,第三种情况是找到两个或多个疲劳前的对应缺陷数据,这种情况说明两个缺陷演化成了一个更大的缺陷;对上述找到的疲劳前后对应的缺陷数据的尺寸数据进行比对,得出缺陷数据的尺寸变化关系,以及缺陷数据间的对应关系。
疲劳前后铸件内部缺陷数据间的对应关系,疲劳后缺陷与疲劳前缺陷的对应关系包括尺寸变化关系和数量对应关系,数量对应关系有一对一,一对多和一对零三种情况。
缺陷疲劳演化分析方法。本方法是在上述金属铸件内部缺陷分类和疲劳前后缺陷对应识别的基础上进一步开展缺陷在疲劳加载条件下的演化分析。金属铸件内部缺陷在疲劳条件下的演化包括缺陷数据量的变化、缺陷尺寸的变化、和缺陷类别的变化。
金属铸件内部缺陷疲劳演化分析的基本流程如图11所示。通过缺陷分类方法对疲劳前后金属铸件工业CT图像的缺陷数据进行分类,得到缺陷类别;通过疲劳前后缺陷数据的对应方法得到疲劳前后缺陷数据的尺寸变化和数据对应关系;进而开展对金属铸件内部缺陷在疲劳过程的演化分析,分析结果包括某一类别缺陷容易演化成另一类别缺陷,某一类别缺陷最容易扩展,某一类别缺陷的间隙很小而容易将多个缺陷扩展为一个更大的缺陷,等等。从铸件的基本知识可知,对于铸造缺陷中裂纹缺陷是不能允许存在的缺陷,因此在进行演化分析时对这类缺陷以及容易演化成裂纹缺陷的其他缺陷将作为分析重点。
上述所述为整个发明涉及一种金属铸件疲劳过程内部缺陷演化的检测方法与智能分析方法整个步骤,首先利用三维工业CT技术对金属铸件疲劳前后进行CT扫描,通过CT扫描可以得到铸件内部的夹杂、气孔与缩孔类等缺陷的三维数据,三维工业CT图像可以将内部缺陷有体积大小用不同的颜色进行标注,CT扫描可以排除重叠干扰,提高分辨率,同时对内部缺陷进行不同颜色标注,便于对金属铸件疲劳前后的内部缺陷进行分类。虽说不同的缺陷类型有明确的几何区别特征,可以通过人工标记对内部缺陷进行分类,但是金属铸件,内部缺陷较多,大量缺陷的分类是被需要自动识别方法,通过机器学习的方法对缺陷进行分类将使得评判结果客观化、规范化、科学化,本发明涉及的缺陷分类方法采用的是Adaboost_BTSVM多分类算法。由于对于本发明涉及的缺陷数据中,夹杂类缺陷较多,气孔、缩孔类缺陷次之,裂纹类缺陷较少,裂纹缺陷较少,夹杂类缺陷差别区分度大、裂纹类缺陷次之,且各类缺陷数据严重不平衡,根据以上种种问题的考虑采用了上述所述的多分类方法,该分类方法相比其他方法对缺陷分类更加精确,提高分类器精度,便于金属铸件疲劳过程内部缺陷演化的分析。
具体实施例
为了使本发明的方法能够被更好的理解,以下将列举实例进行详细说明。
以铸造铝合金材料为例,进行试样加工,并对疲劳前后的金属试样进行三维工业CT扫描,对三维工业CT图像进行智能分析,得到金属试样的内部缺陷在疲劳过程中的演化情况。
第一步,金属试样设计。
对高铁齿轮箱体材料取样,加工成实心圆柱作为金属试样2,金属试样2中间部分较细,这样在后续的疲劳试验过程中,裂纹更容易在金属试样2中部产生,利于对裂纹位置进行预测。金属试样2尺寸如图9所示,试验前,对金属试样中间部分进行抛光处理,除去机械加工痕迹对试验的影响,以免裂纹从车削痕迹处萌生生长。
第二步,对原始金属试样进行三维工业CT扫描。
采用检测仪器为GE v|tome|x m CT,全能型微焦点X射线工业CT检测系统,300kv/500W微米焦点射线管适用于3D测量以及3D检测分析等应用场合。
试验时将金属试样2放置于射线管1及探测器3之间,样品旋转360°,每旋转一个角度采集一张二维图像,样品旋转的角度小于1°,采集到的二维图像经过CT数据重建之后得到试样的三维体数据。在实际检测中,对于不同的样品,分辨率会受限于试样大小,最终我们检测的试样最小分辨率为5um。
试验中,首先对原始齿轮箱箱体材料试样进行工业CT扫描,根据试样大小,扫描时间不等,大约在1h左右。
第三步,对原始金属试样进行疲劳加载试验。
合格的金属材料是不存在裂纹缺陷的,要得到裂纹缺陷的试验数据就要对试样进行疲劳加载,直到出现裂纹为止,进行人为制造裂纹缺陷。
本实例中金属材料的屈服强度为235Mpa,由此确定疲劳加载载荷为150Mpa。选取高频疲劳试验机对试样进行高频疲劳加载试验,设置试验机频率下降1Hz自动停止,观察是否出现裂纹,如此反复,直到试样出现肉眼可见裂纹时停止试验。
第四步,设计夹具加载疲劳试验后金属试样。
由于要对比试件在疲劳前后内部缺陷的变化,而疲劳裂纹较小,为了在CT扫描时提取到清晰的裂纹特征,设计了试样加持工具,用钳子拧紧夹具两端螺母6可达到拉伸试样的目的。试样中间最细部分的直径约为5mm,在高频加载时,相当于对两端加载1.5kN的拉力。设计的试验装置应该在进行CT扫描时,也能持续提供大约1.5kN的拉力,但是不能破坏试样完整性,而且要保持在扫描的同时,装置不能妨碍试样的扫描,即装置材料密度应该小于试样,强度大于试样。根据以上原因选择强化玻璃作为夹具材料7,装置两端由螺母6提供持续拉力,如图4所示。
通过预紧力可以计算得到螺纹的拧紧力矩,拧紧力矩:
T=(0.15~0.25)Fpd (1)
其中d为螺纹大径(mm),Fp为预紧力(N)。计算得到拧紧力矩为5172Nm。通过扭力扳手确保试样两端螺母的的拧紧力矩,从而控制预紧力。
第五步,对疲劳后金属试样进行工业CT扫描。
采用检测仪器为GE v|tome|x m CT,全能型微焦点X射线工业CT检测系统,300kv/500W微米焦点射线管适用于3D测量以及3D检测分析等应用场合。
试验时将经过疲劳试验的带夹具金属试样8放置于射线管1及探测器3之间,样品旋转360°,每旋转一个角度采集一张二维图像,样品旋转的角度小于1°,采集到的二维图像经过CT数据重建之后得到试样的三维体数据。在实际检测中,对于不同的样品,分辨率会受限于试样大小,最终我们检测的试样最小分辨率为5um。根据试样大小,扫描时间不等,大约在1h左右。
第六步,金属构件内部缺陷分类。首先采用阈值分割方法,将夹杂类缺陷进行分类,之后采用上述Adaboost_BTSVM多分类算法,以选取全体缺陷数据的60%作为训练样本为例,其余40%作为测试样本,即66个气孔数据、102个缩孔数据和25个裂纹数据做训练,44个气孔数据、68个缩孔数据和15个裂纹数据做测试。需要说明的是,由于夹杂类缺陷可以通过灰度进行检测,而与其他缺陷区分,不需要用到支持向量机即可进行多分类器第一层的分类,因此,本节研究主要针对第二层、第三层进行分类。
设置初始权重,从193个训练样本中随机选取100个样本训练第一个分类器SVM1,用SVM1对193个样本进行分类,根据分类的准确性(E1)更新每个样本的权重(w1…w193),以及计算SVM1的权重W1。
W1将决定最终投票时,SVM1在最终分类器H中的比重。根据更新后每个样本的权重,重新从193个样本中选取权重最大的100个样本,训练分类器SVM2,根据分类的准确性(E2)更新每个样本的权重(w1…w193),以及计算SVM2的权重W2,如此循环往复,最终得到n个弱分类器,以及n分弱分类器的权重(W1,W2…Wn),从而得到最终分类器H。
得到结果夹杂类分类准确率为100%,裂纹类缺陷准确率为100%,气孔类缺陷准确率为80%,收缩类缺陷准确率为85.29%。对于重点关注的裂纹类缺陷识别准确,气孔和收缩类类缺陷准确率稍低,主要是由于二者之间有误判,这是由于二者形貌接近与样本量不足的原因,但对于气孔类和收缩类80%以上的识别准确率可以满足识别要求。
第七步,疲劳前后缺陷对应识别。
首先获得金属铸件疲劳前后内部缺陷的特征数据,以疲劳后的缺陷数据为标准,通过缺陷的位置数据中心X/Y/Z和位置X/位置Y/位置Z,确定疲劳前的缺陷数据。按照上述疲劳前后缺陷对应识别方法(如图11所示),对试样疲劳前后三维工业CT图像数据进行分析,发现夹杂类、气孔类缺陷位置能准确对应,且尺寸变化不大;收缩类缺陷通过位置与尺寸数据能够明确对应,但缺陷尺寸变大;在缺陷对应中,发现疲劳后产生裂纹类缺陷,经位置与尺寸对应方法判断发现,裂纹类缺陷的尺寸包含了疲劳前的1个收缩类缺陷的尺寸,并有所扩大。
第八步,疲劳演化分析。
对实例中采用的金属铸件试样在疲劳加载条件下的缺陷演化情况进行分析,发现此种高强铝合金铸件的内部缺陷包含夹杂类、气孔类、收缩类和裂纹类四类缺陷。其中,夹杂类缺陷在本试验的疲劳条件下基本不发生演化;气孔类缺陷在本试验的疲劳条件下尺寸有变化,但不明显;收缩类缺陷在本试验的疲劳条件下尺寸变化较大,且有收缩类缺陷发展为裂纹类缺陷;裂纹类缺陷为不能容忍缺陷,一旦发现,铸件将停止服役。
因此,对于实例中的金属铸件,在初始服役条件下,要特别注意铸件内部收缩类缺陷的存在,因为收缩类缺陷极易在疲劳载荷下演化成裂纹缺陷;对于疲劳后的金属铸件中,要注意裂纹类缺陷的分类识别,以及收缩类缺陷的分类识别和尺寸变化。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,通过检测方法与分析方法对金属铸件疲劳过程内部缺陷的演化过程所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种金属铸件疲劳过程内部缺陷演化的检测方法与分析方法,其特征在于,所述检测方法和分析方法包括两大部分:金属铸件疲劳过程内部缺陷演化的检测方法与金属铸件疲劳过程内部缺陷演化的分析方法;
金属铸件疲劳过程内部缺陷演化的检测方法包括以下步骤:
步骤1、利用三维工业CT检测设备对原始金属试样进行工业CT扫描;
步骤2、扫描后,利用试验机对原始金属试样进行疲劳加载试验;
步骤3、将加载疲劳试验后的金属试样固定在疲劳加载夹具作为夹具金属试样;
步骤4、将步骤3所述的带夹具金属试样进行工业CT扫描;
金属铸件疲劳过程内部缺陷演化的分析方法包括以下步骤:
步骤5、根据步骤1与4得到的CT扫描图利用终端设备对内部缺陷进行分类;
步骤6、根据步骤5的分类结果对金属试样疲劳前后缺陷进行对应识别;
步骤7、根据步骤6中得到的对应识别结果,对疲劳演化进行分析。
2.根据权利要求1所述的金属铸件疲劳过程内部缺陷演化的检测方法与分析方法,其特征在于,步骤5对内部缺陷进行的终端设备采用的是多分类方法,所述多分类方法是Adaboost_BTSVM多分类算法:
设置初始权重,从m个训练样本中随机选取100个样本训练第一个分类器SVM1,用SVM1对m个样本进行分类,根据分类的准确性E1更新每个样本的权重w1…wm,以及计算SVM1的权重W1;
W1将决定最终投票时,SVM1在最终分类器H中的比重,根据更新后每个样本的权重,重新从m个样本中选取权重最大的100个样本,训练分类器SVM2,根据分类的准确性E2更新每个样本的权重w1…wm,以及计算SVM2的权重W2,如此循环往复,最终得到n个弱分类器,以及n分弱分类器的权重W1…Wn,从而得到最终分类器H。
3.根据权利要求1或2所述的金属铸件疲劳过程内部缺陷演化的检测方法与分析方法,其特征在于,对内部缺陷进行分类采用的Adaboost_BTSVM多分类算法所选取的分类特征值为:
缺陷的半径、表面积、紧密度、球度、尺寸、PX、PY、PZ、体素、平均灰度值、灰度偏差,尺寸用X、Y、Z表示,体素、平均灰度值、灰度偏差为归一化量纲。
4.根据权利要求1所述的金属铸件疲劳过程内部缺陷演化的检测方法与分析方法,其特征在于,上述步骤3所述的设备疲劳加载夹具,设计疲劳加载夹具的材料密度小于金属试样,且强度大于金属试样。
5.根据权利要求1所述的金属铸件疲劳过程内部缺陷演化的检测方法与分析方法,其特征在于,上述步骤1、4所述的设备三维工业CT采用300kv/500W微米焦点射线管。
6. 根据权利要求1所述的金属铸件疲劳过程内部缺陷演化的检测方法与分析方法,其特征在于,在步骤1与步骤4中CT扫描设备对金属是试样进行扫描时,金属试样旋转360°,每旋转一个单位角度采集一张二维图像,样品每次旋转的单位角度小于1°。
7.根据权利要求1所述金属铸件疲劳过程内部缺陷演化的检测方法与分析方法,其特征在于,步骤6中作为金属试样疲劳前后缺陷定位采用的数据特征为:
三维工业CT图像数据中的中心 X/Y/Z、位置X/位置Y/位置Z、尺寸X/尺寸Y/尺寸Z、轴向投影PX/PY/PZ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510009344.3A CN104515786B (zh) | 2015-01-08 | 2015-01-08 | 金属铸件疲劳过程内部缺陷演化的检测与分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510009344.3A CN104515786B (zh) | 2015-01-08 | 2015-01-08 | 金属铸件疲劳过程内部缺陷演化的检测与分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104515786A true CN104515786A (zh) | 2015-04-15 |
CN104515786B CN104515786B (zh) | 2018-05-11 |
Family
ID=52791407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510009344.3A Expired - Fee Related CN104515786B (zh) | 2015-01-08 | 2015-01-08 | 金属铸件疲劳过程内部缺陷演化的检测与分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104515786B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105081517A (zh) * | 2015-07-31 | 2015-11-25 | 共享铸钢有限公司 | 一种大型铸钢件材质疏松类缺陷的挖除方法 |
CN106770394A (zh) * | 2017-02-16 | 2017-05-31 | 温州大学 | 金属焊缝内部缺陷的三维形貌及应力特征的无损检测方法 |
CN106908458A (zh) * | 2017-02-14 | 2017-06-30 | 山东银光钰源轻金属精密成型有限公司 | 一种镁合金压铸件全自动质量检测方法 |
CN106952250A (zh) * | 2017-02-28 | 2017-07-14 | 北京科技大学 | 一种基于Faster R‑CNN网络的金属板带表面缺陷检测方法及装置 |
CN108020474A (zh) * | 2018-01-08 | 2018-05-11 | 苏州中汽检测技术服务有限公司 | 一种用于疲劳测试样品的质量检测系统 |
CN109142358A (zh) * | 2018-08-22 | 2019-01-04 | 王天骄 | 基于神经网络的金属材料力学性能测试方法 |
CN109580656A (zh) * | 2018-12-24 | 2019-04-05 | 广东华中科技大学工业技术研究院 | 基于动态权重组合分类器的手机导光板缺陷检测方法及系统 |
CN109900501A (zh) * | 2019-01-31 | 2019-06-18 | 石家庄铁道大学 | 高速动车组整车人工智能无损检测方法 |
CN110376226A (zh) * | 2019-07-03 | 2019-10-25 | 浙江大学 | 一种涡轮发动机转子裂纹扩展特征确定方法 |
CN110431395A (zh) * | 2017-03-13 | 2019-11-08 | 通用电气公司 | 疲劳裂纹增长预测 |
CN110763758A (zh) * | 2019-09-12 | 2020-02-07 | 中国航发北京航空材料研究院 | 一种基于无损检测的缺陷与疲劳性能关系的确定方法 |
CN111610205A (zh) * | 2020-06-12 | 2020-09-01 | 上海鸢安智能科技有限公司 | 一种金属零部件x光图像缺陷检测装置 |
CN113408947A (zh) * | 2021-07-15 | 2021-09-17 | 隆升量化(武汉)大数据科技有限公司 | 一种智能制造工业生产数据采集分析方法、设备及计算机存储介质 |
CN114295729A (zh) * | 2021-12-28 | 2022-04-08 | 北京钢研高纳科技股份有限公司 | 一种粉末高温合金盘件的缺陷解剖方法 |
CN114993832A (zh) * | 2022-08-03 | 2022-09-02 | 苏州翔楼新材料股份有限公司 | 一种基于表观显微形貌的金属材料寿命的预测方法及系统 |
CN115930833A (zh) * | 2023-03-13 | 2023-04-07 | 山东微晶自动化有限公司 | 一种大型腔体类铸造件的质量检测及矫形方法 |
CN117664730A (zh) * | 2023-12-12 | 2024-03-08 | 青岛中科鲁控燃机控制系统工程有限公司 | 一种基于分散控制系统的测试装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1548948A (zh) * | 2003-05-16 | 2004-11-24 | 中国科学院金属研究所 | 一种三维断层扫描材料试验机 |
JP2013088310A (ja) * | 2011-10-19 | 2013-05-13 | Nsk Ltd | アルミダイカスト部品の欠陥検出方法 |
CN103900834A (zh) * | 2012-12-25 | 2014-07-02 | 南车青岛四方机车车辆股份有限公司 | 轨道车辆车体结构大部件疲劳试验方法及装置 |
-
2015
- 2015-01-08 CN CN201510009344.3A patent/CN104515786B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1548948A (zh) * | 2003-05-16 | 2004-11-24 | 中国科学院金属研究所 | 一种三维断层扫描材料试验机 |
JP2013088310A (ja) * | 2011-10-19 | 2013-05-13 | Nsk Ltd | アルミダイカスト部品の欠陥検出方法 |
CN103900834A (zh) * | 2012-12-25 | 2014-07-02 | 南车青岛四方机车车辆股份有限公司 | 轨道车辆车体结构大部件疲劳试验方法及装置 |
Non-Patent Citations (4)
Title |
---|
LI Y, HARA S, SHIMURA K.: "A machine learning approach for locating boundaries of liver tumors in ct images", 《ICPR 2006.18TH INTERNATIONAL CONFERENCE ON. IEEE》 * |
OCHS R A, ET AL: "Automated classification of lung bronchovascular anatomy in CT using AdaBoost", 《MEDICAL IMAGE ANALYSIS》 * |
万谦: "铝合金压金属铸件微观孔洞的三维特征及其对疲劳性能的影响", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
陶新民 等: "《不均衡数据SVM分类算法及其应用》", 31 October 2011 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105081517A (zh) * | 2015-07-31 | 2015-11-25 | 共享铸钢有限公司 | 一种大型铸钢件材质疏松类缺陷的挖除方法 |
CN106908458A (zh) * | 2017-02-14 | 2017-06-30 | 山东银光钰源轻金属精密成型有限公司 | 一种镁合金压铸件全自动质量检测方法 |
CN106770394A (zh) * | 2017-02-16 | 2017-05-31 | 温州大学 | 金属焊缝内部缺陷的三维形貌及应力特征的无损检测方法 |
CN106952250A (zh) * | 2017-02-28 | 2017-07-14 | 北京科技大学 | 一种基于Faster R‑CNN网络的金属板带表面缺陷检测方法及装置 |
CN110431395A (zh) * | 2017-03-13 | 2019-11-08 | 通用电气公司 | 疲劳裂纹增长预测 |
CN108020474A (zh) * | 2018-01-08 | 2018-05-11 | 苏州中汽检测技术服务有限公司 | 一种用于疲劳测试样品的质量检测系统 |
CN108020474B (zh) * | 2018-01-08 | 2024-01-26 | 苏州中汽检测技术服务有限公司 | 一种用于疲劳测试样品的质量检测系统 |
CN109142358A (zh) * | 2018-08-22 | 2019-01-04 | 王天骄 | 基于神经网络的金属材料力学性能测试方法 |
CN109580656B (zh) * | 2018-12-24 | 2021-01-15 | 广东华中科技大学工业技术研究院 | 基于动态权重组合分类器的手机导光板缺陷检测方法及系统 |
CN109580656A (zh) * | 2018-12-24 | 2019-04-05 | 广东华中科技大学工业技术研究院 | 基于动态权重组合分类器的手机导光板缺陷检测方法及系统 |
CN109900501A (zh) * | 2019-01-31 | 2019-06-18 | 石家庄铁道大学 | 高速动车组整车人工智能无损检测方法 |
CN110376226A (zh) * | 2019-07-03 | 2019-10-25 | 浙江大学 | 一种涡轮发动机转子裂纹扩展特征确定方法 |
CN110763758A (zh) * | 2019-09-12 | 2020-02-07 | 中国航发北京航空材料研究院 | 一种基于无损检测的缺陷与疲劳性能关系的确定方法 |
CN111610205A (zh) * | 2020-06-12 | 2020-09-01 | 上海鸢安智能科技有限公司 | 一种金属零部件x光图像缺陷检测装置 |
CN113408947A (zh) * | 2021-07-15 | 2021-09-17 | 隆升量化(武汉)大数据科技有限公司 | 一种智能制造工业生产数据采集分析方法、设备及计算机存储介质 |
CN114295729A (zh) * | 2021-12-28 | 2022-04-08 | 北京钢研高纳科技股份有限公司 | 一种粉末高温合金盘件的缺陷解剖方法 |
CN114993832A (zh) * | 2022-08-03 | 2022-09-02 | 苏州翔楼新材料股份有限公司 | 一种基于表观显微形貌的金属材料寿命的预测方法及系统 |
CN115930833A (zh) * | 2023-03-13 | 2023-04-07 | 山东微晶自动化有限公司 | 一种大型腔体类铸造件的质量检测及矫形方法 |
CN117664730A (zh) * | 2023-12-12 | 2024-03-08 | 青岛中科鲁控燃机控制系统工程有限公司 | 一种基于分散控制系统的测试装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104515786B (zh) | 2018-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104515786A (zh) | 金属铸件疲劳过程内部缺陷演化的检测方法与分析方法 | |
US10964013B2 (en) | System, method for training and applying defect classifiers in wafers having deeply stacked layers | |
CN108765412B (zh) | 一种带钢表面缺陷分类方法 | |
CN110018524B (zh) | 一种基于视觉-属性的x射线安检违禁品识别方法 | |
CN103528617B (zh) | 一种座舱仪表自动识别和检测方法及装置 | |
CN109115812A (zh) | 一种焊缝底片缺陷识别方法及系统 | |
TW201407154A (zh) | 自動及手動缺陷分類之整合 | |
TW201346593A (zh) | 自動缺陷分類的分類器準備與維持 | |
CN116678826A (zh) | 一种基于快速立体重建的外观缺陷检测系统及方法 | |
Guerra et al. | Standard quantification and measurement of damages through features characterization of surface imperfections on 3D models: an application on Architectural Heritages | |
CN106442122A (zh) | 基于图像分割和辨识的钢材料落锤撕裂试验断口韧性断面百分比检测方法 | |
CN110059292B (zh) | 一种空间目标姿态识别方法 | |
Muresan et al. | Automatic vision inspection solution for the manufacturing process of automotive components through plastic injection molding | |
CN103258218B (zh) | 蒙版检测框架生成方法、装置、缺陷检测方法及装置 | |
CN111145168A (zh) | 碳纤维复合材料缺陷的检测方法及系统、存储介质 | |
CN110705856A (zh) | 基于层次分析法的核电设备锻件材料制造质量评估方法 | |
CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 | |
Yang et al. | Weld Defect Cascaded Detection Model Based on Bidirectional Multi-scale Feature Fusion and Shape Pre-classification | |
Xu et al. | Bearing Defect Detection with Unsupervised Neural Networks | |
KR101782366B1 (ko) | 스케일 보정을 통한 표본 정규화가 수행되는 학습기반의 비전검사 방법 | |
Sutcliffe et al. | Automatic defect recognition of single-v welds using full matrix capture data, computer vision and multi-layer perceptron artificial neural networks | |
CN112633286B (zh) | 一种基于危险品相似率和识别概率的智能安检系统 | |
CN114757916A (zh) | 基于特征提取和bp网络的工业ct图像缺陷分类方法 | |
CN112767365A (zh) | 一种探伤方法 | |
Evstafev et al. | Surface Defect Detection and Recognition Based on CNN |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180511 |
|
CF01 | Termination of patent right due to non-payment of annual fee |