CN112284595B - 金属构件的应力测量方法、装置、设备及存储介质 - Google Patents

金属构件的应力测量方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112284595B
CN112284595B CN202011171348.9A CN202011171348A CN112284595B CN 112284595 B CN112284595 B CN 112284595B CN 202011171348 A CN202011171348 A CN 202011171348A CN 112284595 B CN112284595 B CN 112284595B
Authority
CN
China
Prior art keywords
metal component
stress
heating
infrared thermal
thermal image
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.)
Active
Application number
CN202011171348.9A
Other languages
English (en)
Other versions
CN112284595A (zh
Inventor
邓露
香超
王维
左辉
张安
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University
Original Assignee
Hunan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University filed Critical Hunan University
Priority to CN202011171348.9A priority Critical patent/CN112284595B/zh
Publication of CN112284595A publication Critical patent/CN112284595A/zh
Application granted granted Critical
Publication of CN112284595B publication Critical patent/CN112284595B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
    • G01L5/0047—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes measuring forces due to residual stresses
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N25/00—Investigating or analyzing materials by the use of thermal means
    • G01N25/72—Investigating presence of flaws
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Artificial Intelligence (AREA)
  • Analytical Chemistry (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Immunology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本发明公开了一种金属构件的应力测量方法，包括对待测金属构件加热并采集待测金属构件的红外热图像以及红外热图像对应的加热时长；根据预先确定的深度神经网络模型、红外热图像以及加热时长确定待测金属构件当前承受应力大小；深度神经网络模型为金属构件在特定加热时长对应的红外热图像随承受应力大小变化关系的模型。本申请中依据待测金属构件在承受应力时，局部电导率会发生改变，进而温度也是各不相同的这一依据，将深度学习与红外热成像进行结合，能够提高金属构件应力检测的精度与效率，节省时间与成本，有利于金属工件工作状态进行有效评估。本申请还提供了一种金属构件的应力测量装置、设备以及计算机可读存储介质，具有上述有益效果。

Description

金属构件的应力测量方法、装置、设备及存储介质
技术领域
本发明涉及金属构件性能检测技术领域，特别是涉及一种金属构件的应力测量方法、装置、设备以及计算机可读存储介质。
背景技术
结构工件所承受的应力是结构工件工作状态可靠性的重要指标，若能精确测量结构的工作应力，则可以准确评估结构的受力状态。常用应力检测方法可分为两大类，即局部破损检测方法和无损检测方法，这些检测方法在很大程度上也依赖于研究人员的操作及经验，无法对现有结构工件的应力状态进行有效的评估。
发明内容
本发明的目的是提供一种金属构件的应力测量方法、装置、设备以及计算机可读存储介质，能够有效评估金属构件所承受的应力大小。
为解决上述技术问题，本发明提供一种金属构件的应力测量方法，包括：
对待测金属构件加热并采集所述待测金属构件的红外热图像以及所述红外热图像对应的加热时长；
根据预先确定的深度神经网络模型、所述红外热图像以及所述加热时长确定所述待测金属构件当前承受应力大小；其中，所述深度神经网络模型为金属构件在特定加热时长对应的红外热图像随承受应力大小变化关系的模型。
在本申请的一种可选地实施例中，预先确定深度神经网络模型的过程包括：
对标准金属构件施加应力并对所述标准金属构件加热，采集所述标准金属构件在不同加热时间点的红外热图像样本、加热时长样本以及应力值样本；
将对所述标准金属构件施加的应力增大预设应力增量值，并重复执行对标准金属构件施加应力并对所述标准金属构件加热，采集所述标准金属构件在不同加热时间点对应的红外热图像样本以及对应的加热时长样本的步骤，直到对所述标准金属构件施加的应力达到屈服应力；
创建深度神经网络模型，以所述红外热图像样本为输入，所述加热时长样本和所述应力值样本为标签，进行神经网络训练，获得所述深度神经网络模型。
在本申请的一种可选地实施例中，所述标准金属构件包括不同疲劳损伤程度的金属构件。
在本申请的一种可选地实施例中，对所述待测金属构件加热，包括：
对所述待测金属构件进行脉冲涡流加热；
相应地，对所述标准金属构件加热，包括：
对所述标准金属构件进行脉冲涡流加热。
在本申请的一种可选地实施例中，根据预先确定的深度神经网络模型、所述红外热图像以及所述加热时长确定所述待测金属构件当前承受应力大小，包括：
根据所述深度神经网络模型和所述红外热图像，确定所述待测金属构件的预测应力值和对应的预测加热时长；
判断所述预测加热时长和所述加热时长之间的时间差值是否在预设差值范围内，若是，所述预测应力值为所述待测金属构件当前承受应力的大小。
在本申请的一种可选地实施例中，在对待测金属构件加热并采集所述待测金属构件的红外热图像以及所述红外热图像对应的加热时长之后，还包括：
对所述红外热图像进行剪裁，去除所述红外热图像中不包含待测金属构件区域的部分，再执行根据预先确定的深度神经网络模型、所述红外热图像以及所述加热时长确定所述待测金属构件当前承受应力大小的步骤。
本申请还提供一种金属构件的应力测量装置，包括：
采集模块，用于对待测金属构件加热并采集所述待测金属构件的红外热图像以及所述红外热图像对应的加热时长；
运算模块，用于根据预先确定的深度神经网络模型、所述红外热图像以及所述加热时长确定所述待测金属构件当前承受应力大小；其中，所述深度神经网络模型为金属构件在特定加热时长对应的红外热图像随承受应力大小变化关系的模型。
在本申请的一种可选地实施例中，还包括模型训练模块，所述模型训练模块包括：
样本采集单元，用于对标准金属构件施加应力并对所述标准金属构件加热，采集所述标准金属构件在不同加热时间点的红外热图像样本、加热时长样本以及应力值样本；将对所述标准金属构件施加的应力增大预设应力增量值，并重复执行对标准金属构件施加应力并对所述标准金属构件加热，采集所述标准金属构件在不同加热时间点对应的红外热图像样本以及对应的加热时长样本的步骤，直到对所述标准金属构件施加的应力达到屈服应力；
模型创建单元，用于创建深度神经网络模型，以所述红外热图像样本为输入，所述加热时长样本和所述应力值样本为标签，进行神经网络训练，获得所述深度神经网络模型。
本申请还提供一种金属构件的应力测量设备，包括：
用于对所述待测金属构件加热的加热设备；
用于采集所述待测金属构件的红外热图像的红外热像仪；
用于根据所述红外热图像，执行实现如上任一项所述的金属构件的应力测量方法的步骤的处理器。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序被处理器执行时实现如上所述金属构件的应力测量方法的步骤。
本发明所提供的一种金属构件的应力测量方法，包括对待测金属构件加热并采集待测金属构件的红外热图像以及红外热图像对应的加热时长；根据预先确定的深度神经网络模型、红外热图像以及加热时长确定待测金属构件当前承受应力大小；其中，深度神经网络模型为金属构件在特定加热时长对应的红外热图像随承受应力大小变化关系的模型。
本申请利用在待测金属构件在承受应力时，其电导率会相应的发生改变，进而导致其电阻发生变化，那么此时对金属构件进行加热，其金属构件内部粒子之间热传导的能力相应的也会产生变化，由此在加热相同的时长，对于承受不同应力的金属构件，其温度也是各不相同的。由此，本申请中即可以此作为判断金属构件承受应力大小的依据，采集金属构件在加热条件下的红外热图像，利用神经网络训练获得的深度神经网络模型对红外热图像进行深度学习，确定出待测金属构件所承受的应力大小，最终简单有效的获得待测金属构件的应力值，有利于金属工件工作状态进行有效评估。
本申请还提供了一种金属构件的应力测量装置、设备以及计算机可读存储介质，具有上述有益效果。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的测金属构件所承受应力的方法的流程示意图；
图2为本申请实施例提供的创建深度神经网络模型的流程示意图；
图3为本发明实施例提供的金属构件的应力测量装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，图1为本申请实施例提供的测金属构件所承受应力的方法的流程示意图，该方法可以包括：
S11：对待测金属构件加热并采集待测金属构件的红外热图像以及红外热图像对应的加热时长。
需要说明的是，为了更好的对待测金属构件的加热过程进行控制，可以采用涡流脉冲加热的方式，使得待测金属构件发生电磁感应生热。在实际加热过程中应当采用恒定加热功率。对于加热功率的大小，可以根据实际情况设定，对此本申请中不做详细说明。
S12：根据预先确定的深度神经网络模型、红外热图像以及加热时长确定待测金属构件当前承受应力大小。
其中，深度神经网络模型为金属构件在特定加热时长对应的红外热图像随承受应力大小变化关系的模型。
在基于红外热图像、加热时长以及深度神经网络模型确定应力值之前，还可以先对红外热图像进行剪裁预处理，去除红外热图像中非待测金属构件区域的部分，减少红外热图像中无关因素的干扰，保证基于该红外热图像确定应力大小的准确性。
金属材料会因所受应力而产生机械变形(拉伸或压缩)，应力应变的产生会影响金属材料的一些物理特性。金属材料电阻值的大小将发生变化。钢材在受到应力(应变)作用时，其电阻变化值为：
Figure BDA0002747401970000051
式中，ΔR、R0表示电阻变化量和初始电阻值，Δρ、ρ0分别表示压阻效应引起的电导率改变量与初始电导率，Δl、Δw、Δh则分别是金属构件长宽高的改变量，l0、w0、h0为金属构件原始长宽高。考虑到钢结构为非半导体材料，其压阻效应一般较小，可忽略不计。应变ε＝Δl/l0，引入泊松比v，可得电阻变化计算式为：
Figure BDA0002747401970000061
当对金属材料进行加热时，基于热-力耦合原理可知，ΔIi＝k·ΔTi，其中，ΔIi为金属材料第i个位置点的所承受的应力变化幅值，ΔTi为第i个位置点在应力幅值变化ΔIi时受热温度变化量。由此可见对于金属材料而言，其承受不同的应力大小时，其受热温度变化也会不同。
需要说明的是，金属材料在受应力作用时，仅仅只是局部密度大小发生微小变化，对于金属材料整体而言，其宏观上的密度并不发生变化。而对金属材料加热可以将局部微观密度变化放大，并通过红外热图像显示出来。
进一步地，铁磁性材料在受到应力(应变)的作用下，材料的磁性会随之变化。钢材在受到应力(应变)作用时，其磁导率变化主要为逆磁致伸缩效应。根据能量最小原理可得，铁磁性材料的逆磁性伸缩本质是因为当受到外加荷载以后，铁磁性材料产生较大的应变能，为了将应变能进行抵消，铁磁性材料的磁能将发生变化，使得整个铁磁性材料的能量最终达到最小化。因此在铁磁性材料受应力情况下，根据磁特性的改变可以得出结构受力状态的相关信息。另外，铁磁性材料会因所受应力而产生机械变形(拉伸或压缩)，其电导率的大小也将随之发生变化。
对于钢材等铁磁性材料类，根据上述原理，应力主要影响材料的磁导率、电导率等特性，同时磁导率、电导率的变化会直接影响材料的涡流热效应，当对待测金属构件进行脉冲涡流加热时，会产生涡流热效应，因此应力也会间接的影响到涡流加热的最终效果，由此可见，采用脉冲涡流加热，可以更明显的显示出待测金属构件温度受应力变化的影响。
根据法拉第电磁感应原理，将块状铁磁性材料导体置于交变循环磁场(通交流电线圈产生)，导体会切割该磁场的交变磁感线，交变磁场感应则会形成感应涡流，涡流即电流，将待测金属构件视为电阻，电流流过时会生成电阻热。
当对待测金属构件采用脉冲涡流加热时，脉冲式涡流感应产生的激励加热信号是脉冲型信号，依据傅里叶定律，将信号展开成奇次谐波进行叠加的效果，所形成的涡流场可以看成谐场，其涡流场方程如下所示：
Figure BDA0002747401970000071
以上方程式中，ρ为电导率，μ为磁导率，J为外部电流密度，ε为介质常数。因此根据方程式可知，当电导率、磁导率发生改变，其涡流感应热也将随之发生改变。
涡流感应产生的焦耳热可以当作热源对材料进行加热，其发热功率Q计算式为：
Figure BDA0002747401970000072
由此可见，对于承受不同应力大小的待测金属构件，其电导率不同，在加热相同时长条件下，温度大小也是不同的。
需要说明的是，尽管本申请中可以直接采用对红外热图像进行人为的图像分析的方式确定待测金属构件所承受应力的大小。但是基于红外热图像的图像识别确定出的红外热图像的图像特征和待测金属构件所承受应力之间的联系，往往不具有普适性。也即是说，待测金属的长宽高任意尺寸以及材料任意一因素发生变化，图像特征和承受应力之间的对应关系都会发生变化。并且红外热图像的识别分析还容易受环境因素干扰产生噪声，最终导致分析确定的金属构件承受应力精度较低。
本申请中采用神经网络训练获得的深度神经网络模型，确定红外热图像和待测金属构件所承受的应力之间的对应关系，因为神经网络能够对红外热图像进行更深层次的学习，最终确定出的红外热图像和待测金属构件之间的对应关系的深度神经网络模型不受待测金属构件的尺寸、材料的限制，对于大多数金属具有普适性，能够广泛的应用于各种不同金属构件所承受的应力大小，进而准确确定金属构件的工作性能。
基于上述实施例，在本申请的一种可选地实施例中，如图2所示，图2为本申请实施例提供的创建深度神经网络模型的流程示意图，预先创建深度神经网络模型的过程可以包括：
S21：对标准金属构件施加应力并对标准金属构件加热。
为了尽可能的使得创建获得的深度神经网络模型具有普适性，应当尽可能的选择不同尺寸、不同材料、不同强度等级的标准金属构件作为采集样本的构件。
S22：采集标准金属构件在不同加热时间点的红外热图像样本、加热时长样本以及应力值样本。
因为涡流激励设备对标准金属构件进行加热会有一定的延迟，且延迟时长无法确定，如果红外热像仪与脉冲涡流激励设备同时开启，将很难保证开始拍摄和开始加热的同步性。因此实际操作过程中，标准金属构件加载应力完毕后，首先启动红外热像仪的拍摄功能，再启动脉冲涡流激励设备，最终拍摄效果为是在启动拍摄功能后，标准金属构件才正式加热。
S23：判断当前对标准金属构件施加的应力是否达到屈服应力，若否，则进入S24，若是，则进入S26。
S24：将标准金属构件冷却至室温。
S25：将对标准金属构件施加的应力增大预设应力增量值，进入S21。
可以通过控制试验机拉力来定量的改变标准金属构件拉伸方向的应力，采集红外热像图样本时所采用的不同应力等级的应力间隔可以是10MPa；红外热像仪采集频率可以设置为50Hz，即可以每0.02s采集一张红外热图像样本，采集相同应力时的红外热图像的总时长可以设定为2s。
可选地，进一步地考虑到对于标准金属构件而言，因为需要对其多次施加不同的应力值，而在对标准金属构件施加的应力会对标准金属构件产生累计疲劳损伤。
一般而言，累计疲劳损伤也会对标准金属构件加热温度产生一定的影响，只是相对于应力大小而言，这一影响较为微小。但为了避免疲劳损伤对采集的红外热图像样本产生影响，进而影响基于该红外热图像样本进行神经网络训练确定的深度神经网络模型的准确性，在选取标准金属构件时，可以选取不同疲劳损伤程度的多个标准金属构件，从而获得更具代表性的红外热图像样本，提高深度神经网络模型的准确性。
其次，在完成一组应力值对应的红外热图像样本的采集后，需要增大标准金属构件所承受的应力，进行下一组红外热图像样本的采集之前，应当先将标准金属构件冷却至室温，避免上一组红外热图像样本采集时，对标准金属构件加热影响下一组红外热图像样本的采集。
S26：创建深度神经网络模型，以红外热图像样本为输入，加热时长样本和应力值样本为标签，进行神经网络训练，获得深度神经网络模型。
尽管本实施例中仅仅是对金属构件的红外热图像和所承受的应力值之间对应关系的深度神经网络模型进行训练，但考虑到，不同的加热时长显然也会影响金属构件的温度高低，进而对红外热图像产生影响。因此，在进行红外热图像进行神经网络训练时，同时采用加热时长和应力值两个标签进行神经网络训练，有利于提高神经网络训练的准确性。
在红外热像仪采集到标准金属构件表面红外热图像样本后，做为图像处理的原始数据；可以对原始红外热图像样本中的标准金属构件区域进行裁剪预处理，得到只含有标准金属构件区域的红外热图像样本，进而排除红外热图像样本中不包含金属构件的区域产生干扰。
选取经过预处理后的红外热图像样本以及对应加热时长样本和应力值样本组成的样本数据中的10％的样本作为测试集，剩余样本数据中80％样本作为训练集、20％样本作为验证集。测试集不需要进行数据增强，剩余数据在进行数据增强时，主要方式有翻转，旋转，裁剪，变形，缩放等各类几何操作。数据增强后的样本数据作为深度学习数据集用于神经网络的训练验证。
在构建神经网络训练时，可以采用多种不同的神经网络训练。例如，构建的多输出深度神经网络模型采用的是DenseNet169网络结构，主要由DenseBlock和Transition组成，前面所有层与后面层的密集连接，即每个层都接受前面所有层作为额外的输入，可通过特征在channel上的连接实现特征重用(feature reuse)，这些特点使得DenseNet在参数和计算成本均较少的情况下实现更优的性能，降低了梯度消失的可能性。对于一个L层的网络，DenseNet共包含了L(L+1)/2个连接，这是一种密集连接，可以直接连接来自不同层的特征图，实现特征重用，提升了计算效率。
CNN网络降低特征图的大小一般会经过Pooling层或者步长大于1的Conv层，但DenseNet的密集连接方式则需要每层的特征图大小均一样，因此采用了DenseBlock+Transition的结构。DenseBlock结构是含有多层的组合模块，DenseBlock中的非线性组合函数采用的是BN+ReLU+3×3Conv的结构，在模块内每层的特征图均一样，层间为密集连接方式；在卷积后均会输出k个特征图，说明需要采用k个卷积核，称为growth rate，常见的使用较小的k就可以获得较优的性能。为了加快后面层极大的输入量的计算速率，可以采用bottleneck层减少工作量，在原来的结构上添加1×1Conv层，目的是减少输入的特征图数量，既能降维减少计算量，又能融合各个通道的特征，最终即BN+ReLU+1×1Conv+BN+ReLU+3×3Conv，称之为DenseNet-B结构。Transition结构则是将两个相邻的DenseBlock进行连接，包括一个1×1Conv层和2×2的AvgPooling层，其中利用Pooling层将特征图变小，可以起到压缩模型的作用。
DenseNet169中包含了4个DenseBlock模块，每个Dense Block都包含了很多个子结构，以Dense Block(3)为例，含有32个1×1和3×3的卷积层，因此在第32子结构中其输入会囊括前面31层所有输出结果，每层输出的growth rate为32，不做其他操作情况下，第32层的3×3卷积层的输入为上一DenseBlock输出+31×32，约为1000。如果加上1×1的卷积层，该层的channel是growth rate×4，即为128，再输入到3×3卷积层中。这就极大的减少了工作量，降低了计算成本，即bottleneck的作用。DenseNet169中包含了3个transitionlayer，置于Dense Block中间，这主要是由于Dense Block模块输出channel个数较多，需要用1×1的卷积层降维。还以Dense Block(3)为例，第32层的3×3卷积层输出只有32个特征图，但会像前面层有通道间的紧密连接操作，将第32层的输入和输出做连接，所以最终每个Dense Block模块的输出会含有1000多channel。transition layer中参数reduction(范围是0到1)，其表示将输出缩减为原来的多少倍，默认值0.5，这样输入到下个Dense Block的channel数量将减为原来的一半。
深度神经网络模型输入为红外热图像样本，标签有两个，一是红外热图像样本对应拍摄的加热时长样本，二是加载的应力值样本。两个标签对应的任务均为回归任务，采用的损伤函数均为MSELoss，最终损失计算公式为losstotal＝loss1×w1+loss2×w2，其中loss1表示加热时长回归任务计算的损失，w1表示加热时长回归任务损失所占权重，loss2表示应力值回归任务计算的损失，w2表示应力值回归任务损失所占权重。根据深度神经网络模型的优化调整过程，确定两个回归损失函数在训练中所占的权重。
在模型训练过程中，方法采用反向传播算法，深度神经网络模型输出的两个结果与真实标签值通过MSELoss损失函数计算误差，最后依据权重求得总误差，根据误差更新深度神经网络模型参数。深度神经网络模型评估标准为平均绝对误差(MAE)，其中利用数据验证集来评估深度神经网络模型训练中的MAE。
优化算法选择Adam或者SGD+Momentum。其他深度神经网络模型超参数的选取，如学习率、Batchsize等，可以通过贝叶斯优化方法进行选取。贝叶斯优化算法可以充分考虑之前迭代的知识，综合多个参数进行优化，而网格搜索或者随机搜索则是将每个超参数分开单独考虑。最终训练优化完成后，利用测试集评估模型的预测性能，得出性能最优的深度神经网络模型。
如前所述，对于深度神经网络模型其进行神经网络训练时，是以加热时长和应力值作为双标签进行神经网络的训练，最终获得的深度神经网络模型是表征在特定加热时长下，红外热图像和应力值之间的对应关系。因此，在根据深度神经网络模型确定应力值时，输入红外热图像后，应当可以同时后的一个对应的加热时长和应力值，为此，在本申请的另一可选地实施例中，根据预先确定的深度神经网络模型、红外热图像以及加热时长确定待测金属构件当前承受应力大小的过程，可以包括：
根据深度神经网络模型和红外热图像，确定待测金属构件的预测应力值和对应的预测加热时长；
判断预测加热时长和加热时长之间的时间差值是否在预设差值范围内，若是，预测应力值为待测金属构件当前承受应力的大小。
通过对比实际加热时长和预测加热时长，判断确定出的应力值大小是否准确，进一步保证测得待测金属构件所承受应力的准确性，进而能够更准确的确定待测金属构件的工作性能。
下面对本发明实施例提供的金属构件的应力测量装置进行介绍，下文描述的金属构件的应力测量装置与上文描述的金属构件的应力测量方法可相互对应参照。
图3为本发明实施例提供的金属构件的应力测量装置的结构框图，参照图3的金属构件的应力测量装置可以包括：
采集模块100，用于对待测金属构件加热并采集所述待测金属构件的红外热图像以及所述红外热图像对应的加热时长；
运算模块200，用于根据预先确定的深度神经网络模型、所述红外热图像以及所述加热时长确定所述待测金属构件当前承受应力大小；其中，所述深度神经网络模型为金属构件在特定加热时长对应的红外热图像随承受应力大小变化关系的模型。
在本申请的一种可选地实施例中，还包括模型训练模块，所述模型训练模块包括：
样本采集单元，用于对标准金属构件施加应力并对所述标准金属构件加热，采集所述标准金属构件在不同加热时间点的红外热图像样本、加热时长样本以及应力值样本；将对所述标准金属构件施加的应力增大预设应力增量值，并重复执行对标准金属构件施加应力并对所述标准金属构件加热，采集所述标准金属构件在不同加热时间点对应的红外热图像样本以及对应的加热时长样本的步骤，直到对所述标准金属构件施加的应力达到屈服应力；
模型创建单元，用于创建深度神经网络模型，以所述红外热图像样本为输入，所述加热时长样本和所述应力值样本为标签，进行神经网络训练，获得所述深度神经网络模型。
在本申请的一种可选地实施例中，所述标准金属构件包括不同疲劳损伤程度的金属构件。
在本申请的一种可选地实施例中，采集模块100，用于对所述待测金属构件进行脉冲涡流加热；
样本采集单元，用于对所述标准金属构件进行脉冲涡流加热。
在本申请的一种可选地实施例中，运算模块200，用于根据所述深度神经网络模型和所述红外热图像，确定所述待测金属构件的预测应力值和对应的预测加热时长；判断所述预测加热时长和所述加热时长之间的时间差值是否在预设差值范围内，若是，所述预测应力值为所述待测金属构件当前承受应力的大小。
在本申请的一种可选地实施例中，还包括剪裁模块，用于对所述红外热图像进行剪裁，去除所述红外热图像中不包含待测金属构件区域的部分，再执行根据预先确定的深度神经网络模型、所述红外热图像以及所述加热时长确定所述待测金属构件当前承受应力大小的步骤。
本实施例的金属构件的应力测量装置用于实现前述的金属构件的应力测量方法，因此金属构件的应力测量装置中的具体实施方式可见前文中的金属构件的应力测量方法的实施例部分，在此不再赘述。
本申请还提供了一种金属构件的应力测量设备，其特征在于，包括：
用于对所述待测金属构件加热的加热设备；
用于采集所述待测金属构件的红外热图像的红外热像仪；
用于根据所述红外热图像，执行实现如上任一项所述的金属构件的应力测量方法的步骤的处理器。
本实施例中的加热设备可以采用脉冲涡流加热设备，红外热像仪可以固定在机器人上，或者通过其他方式固定在贴近待测金属构件表面的位置。处理器可以是指内置于服务器等计算机设备的内部CPU。
对实际的待测金属构件所承受的应压力检测时，可以采集将携带有红外热像仪的机器人依附于靠近待测金属构件的表面，开始加热过程中利用红外热像仪采集红外热图像；采集过程中记录每张采集红外热图像对应的拍摄时间，即加热时间点，基于该加热时间点即可确定加热时长；然后建立红外热图像采集装置与计算机的联系，将采集到的红外热图像及加热时间数据实时传输到计算机。在计算机中处理器将采集的红外热图像输入上述深度神经网络模型中，即可得到应力值。处理过程简单易执行，对各种不同构造、材料的金属构件具有普适性。
本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序被处理器执行时实现如上任一项所述金属构件的应力测量方法的步骤。
该计算机可读存储介质包括随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外，本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

Claims (7)

1.一种金属构件的应力测量方法，其特征在于，包括：
对待测金属构件加热并采集所述待测金属构件的红外热图像以及所述红外热图像对应的加热时长；
根据深度神经网络模型和所述红外热图像，确定所述待测金属构件的预测应力值和对应的预测加热时长；判断所述预测加热时长和所述加热时长之间的时间差值是否在预设差值范围内，若是，所述预测应力值为所述待测金属构件当前承受应力的大小；其中，所述深度神经网络模型为金属构件在特定加热时长对应的红外热图像随承受应力大小变化关系的模型；
预先确定所述深度神经网络模型的过程包括：
对标准金属构件施加应力并对所述标准金属构件加热，采集所述标准金属构件在不同加热时间点的红外热图像样本、加热时长样本以及应力值样本；
将对所述标准金属构件施加的应力增大预设应力增量值，并重复执行对标准金属构件施加应力并对所述标准金属构件加热，采集所述标准金属构件在不同加热时间点对应的红外热图像样本以及对应的加热时长样本的步骤，直到对所述标准金属构件施加的应力达到屈服应力；
创建深度神经网络模型，以所述红外热图像样本为输入，所述加热时长样本和所述应力值样本为标签，进行神经网络训练，获得所述深度神经网络模型。
2.如权利要求1所述的金属构件的应力测量方法，其特征在于，所述标准金属构件包括不同疲劳损伤程度的金属构件。
3.如权利要求1所述的金属构件的应力测量方法，其特征在于，对所述待测金属构件加热，包括：
对所述待测金属构件进行脉冲涡流加热；
相应地，对所述标准金属构件加热，包括：
对所述标准金属构件进行脉冲涡流加热。
4.如权利要求1所述的金属构件的应力测量方法，其特征在于，在对待测金属构件加热并采集所述待测金属构件的红外热图像以及所述红外热图像对应的加热时长之后，还包括：
对所述红外热图像进行剪裁，去除所述红外热图像中不包含待测金属构件区域的部分，再执行根据预先确定的深度神经网络模型、所述红外热图像以及所述加热时长确定所述待测金属构件当前承受应力大小的步骤。
5.一种金属构件的应力测量装置，其特征在于，包括：
采集模块，用于对待测金属构件加热并采集所述待测金属构件的红外热图像以及所述红外热图像对应的加热时长；
运算模块，用于根据深度神经网络模型和所述红外热图像，确定所述待测金属构件的预测应力值和对应的预测加热时长；判断所述预测加热时长和所述加热时长之间的时间差值是否在预设差值范围内，若是，所述预测应力值为所述待测金属构件当前承受应力的大小；其中，所述深度神经网络模型为金属构件在特定加热时长对应的红外热图像随承受应力大小变化关系的模型；
还包括模型训练模块，所述模型训练模块包括：
样本采集单元，用于对标准金属构件施加应力并对所述标准金属构件加热，采集所述标准金属构件在不同加热时间点的红外热图像样本、加热时长样本以及应力值样本；将对所述标准金属构件施加的应力增大预设应力增量值，并重复执行对标准金属构件施加应力并对所述标准金属构件加热，采集所述标准金属构件在不同加热时间点对应的红外热图像样本以及对应的加热时长样本的步骤，直到对所述标准金属构件施加的应力达到屈服应力；
模型创建单元，用于创建深度神经网络模型，以所述红外热图像样本为输入，所述加热时长样本和所述应力值样本为标签，进行神经网络训练，获得所述深度神经网络模型。
6.一种金属构件的应力测量设备，其特征在于，包括：
用于对待测金属构件加热的加热设备；
用于采集所述待测金属构件的红外热图像的红外热像仪；
用于根据所述红外热图像，执行实现如权利要求1至4任一项所述的金属构件的应力测量方法的步骤的处理器。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述金属构件的应力测量方法的步骤。
CN202011171348.9A 2020-10-28 2020-10-28 金属构件的应力测量方法、装置、设备及存储介质 Active CN112284595B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011171348.9A CN112284595B (zh) 2020-10-28 2020-10-28 金属构件的应力测量方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011171348.9A CN112284595B (zh) 2020-10-28 2020-10-28 金属构件的应力测量方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112284595A CN112284595A (zh) 2021-01-29
CN112284595B true CN112284595B (zh) 2022-03-15

Family

ID=74372601

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011171348.9A Active CN112284595B (zh) 2020-10-28 2020-10-28 金属构件的应力测量方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112284595B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949000B (zh) * 2021-02-26 2022-08-02 北京理工大学 基于卷积神经网络模型的构件残余应力反演方法
CN113465658B (zh) * 2021-05-24 2023-03-31 湖南大学 基于磁导率的非接触式测温及物料成分检测装置与方法
CN113740352B (zh) * 2021-09-08 2022-11-22 四川大学 一种航空发动机叶片裂纹与残余应力集成检测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1869639A (zh) * 2006-05-17 2006-11-29 中国科学院力学研究所 用红外热像进行疲劳分析与检测的方法
CN103076243A (zh) * 2012-12-07 2013-05-01 太原理工大学 一种基于红外热成像预测镁合金构件疲劳极限的系统和方法
CN106355210A (zh) * 2016-09-14 2017-01-25 华北电力大学（保定） 基于深度神经元响应模式的绝缘子红外图像特征表达方法
CN107870084A (zh) * 2017-09-18 2018-04-03 中车工业研究院有限公司 列车转向架的非接触式监测方法及系统
CN108665442A (zh) * 2018-04-03 2018-10-16 中国空气动力研究与发展中心超高速空气动力研究所 红外无损检测的热图像缺陷特征增强处理方法
CN108891443A (zh) * 2018-08-01 2018-11-27 中国铁道科学研究院集团有限公司 无缝钢轨温度应力的监测系统及监测方法
CN109858551A (zh) * 2019-01-31 2019-06-07 湖南大学 基于图像识别检测结构应力的方法、装置、设备及介质
CN109919171A (zh) * 2018-12-21 2019-06-21 广东电网有限责任公司 一种基于小波神经网络的红外图像识别方法
CN110763728A (zh) * 2019-11-06 2020-02-07 安徽建筑大学 一种基于金属表面红外偏振热像特征的疲劳损伤评估方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1869639A (zh) * 2006-05-17 2006-11-29 中国科学院力学研究所 用红外热像进行疲劳分析与检测的方法
CN103076243A (zh) * 2012-12-07 2013-05-01 太原理工大学 一种基于红外热成像预测镁合金构件疲劳极限的系统和方法
CN106355210A (zh) * 2016-09-14 2017-01-25 华北电力大学（保定） 基于深度神经元响应模式的绝缘子红外图像特征表达方法
CN107870084A (zh) * 2017-09-18 2018-04-03 中车工业研究院有限公司 列车转向架的非接触式监测方法及系统
CN108665442A (zh) * 2018-04-03 2018-10-16 中国空气动力研究与发展中心超高速空气动力研究所 红外无损检测的热图像缺陷特征增强处理方法
CN108891443A (zh) * 2018-08-01 2018-11-27 中国铁道科学研究院集团有限公司 无缝钢轨温度应力的监测系统及监测方法
CN109919171A (zh) * 2018-12-21 2019-06-21 广东电网有限责任公司 一种基于小波神经网络的红外图像识别方法
CN109858551A (zh) * 2019-01-31 2019-06-07 湖南大学 基于图像识别检测结构应力的方法、装置、设备及介质
CN110763728A (zh) * 2019-11-06 2020-02-07 安徽建筑大学 一种基于金属表面红外偏振热像特征的疲劳损伤评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
钢结构应力的脉冲涡流热成像检测方法;雷庆 等;《机械设计与研究》;20170831;第33卷(第4期);正文第3-4节 *
锁相红外热成像技术测量结构的应力分布;李旭东 等;《工程力学》;20111130;第28卷(第11期);第218-224页 *

Also Published As

Publication number Publication date
CN112284595A (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
CN112284595B (zh) 金属构件的应力测量方法、装置、设备及存储介质
Barrett et al. Deep drawing simulations using the finite element method embedding a multi-level crystal plasticity constitutive law: experimental verification and sensitivity analysis
Eghtesad et al. High-performance full-field crystal plasticity with dislocation-based hardening and slip system back-stress laws: Application to modeling deformation of dual-phase steels
CN110303380A (zh) 一种数控机床刀具剩余寿命预测方法
He et al. A quantitative estimation technique for welding quality using local mean decomposition and support vector machine
CN106990018A (zh) 一种预应力混凝土梁灌浆密实度智能识别方法
Gao et al. Thermography spatial-transient-stage mathematical tensor construction and material property variation track
KR20210110661A (ko) 해석 시스템 및 해석 방법
Awadallah et al. Effect and detection of cracks on small wind turbine blade vibration using special Kriging analysis of spectral shifts
Li et al. Method for detecting damage in carbon-fibre reinforced plastic-steel structures based on eddy current pulsed thermography
CN110763728A (zh) 一种基于金属表面红外偏振热像特征的疲劳损伤评估方法
Saeed et al. Sensitivity and robustness of neural networks for defect-depth estimation in CFRP composites
CN112629786A (zh) 一种工作模态参数识别方法及设备故障诊断方法
Gross et al. On the extraction of elastic–plastic constitutive properties from three-dimensional deformation measurements
Sharma et al. Multi-strain path deformation behavior of AA6016-T4: Experiments and crystal plasticity modeling
Guan et al. Probabilistic fatigue life prediction using ultrasonic inspection data considering equivalent initial flaw size uncertainty
Huang et al. Comparison between four flow stress models characterizing the constitutive behavior of hot deformation of 40Mn steel
Asgharzadeh et al. Cellular automata modeling of the kinetics of static recrystallization during the post-hydroforming annealing of steel tube
Ferreira et al. A contribution to the identification of the critical plane using the maximum variance method
Bai et al. Moran’s index-based tensor decomposition for eddy current pulsed thermography sequence processing
Al-Qubaa et al. Feature extraction using normalized cross-correlation for pulsed eddy current thermographic images
Li et al. Identification of material parameters from punch stretch test
Azami et al. Response-based multiple structural damage localization through multi-channel empirical mode decomposition
CN114139772B (zh) 一种基于优化广义回归神经网络预测工件表面质量的方法
Liu et al. A Gaussian process based prognostics framework for composite structures

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant