CN113204868B - 一种基于pod定量分析的缺陷检测参数优化方法及优化系统 - Google Patents

一种基于pod定量分析的缺陷检测参数优化方法及优化系统 Download PDF

Info

Publication number
CN113204868B
CN113204868B CN202110446234.9A CN202110446234A CN113204868B CN 113204868 B CN113204868 B CN 113204868B CN 202110446234 A CN202110446234 A CN 202110446234A CN 113204868 B CN113204868 B CN 113204868B
Authority
CN
China
Prior art keywords
defect
detection
parameters
pod
workpiece
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
CN202110446234.9A
Other languages
English (en)
Other versions
CN113204868A (zh
Inventor
李亮亮
石国德
单清群
孙福庆
林正帅
刘彬
张京梅
鲍宏
刘贤军
宋少龙
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.)
CRRC Qingdao Sifang Co Ltd
Original Assignee
CRRC Qingdao Sifang Co Ltd
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 CRRC Qingdao Sifang Co Ltd filed Critical CRRC Qingdao Sifang Co Ltd
Priority to CN202110446234.9A priority Critical patent/CN113204868B/zh
Publication of CN113204868A publication Critical patent/CN113204868A/zh
Application granted granted Critical
Publication of CN113204868B publication Critical patent/CN113204868B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01BMEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/02Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01BMEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/18Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring depth
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Abstract

本发明公开了一种基于POD定量分析的缺陷检测参数优化方法及优化系统,包括以下步骤:S1,制备试样工件,在试样工件上制作m个缺陷;S2,设置检测参数对所述试样工件进行n次缺陷检测,每一个缺陷获得n个信号响应数据;S3,对预实验得到的信号响应数据进行建模,获得POD曲线,并对POD曲线设置置信度阈值;S4,采用与步骤S2中相同的检测参数对所述待测工件进行检测,获得缺陷参数;S5,判断步骤S4中获得的缺陷参数是否落入步骤S3中的所述置信度阈值范围内,若是,所述检测参数对所述待测工件进行检测获得的所述缺陷参数为合格参数,若否,执行步骤S6;S6,调节检测参数后重复步骤S2‑S5,直至步骤S4中获得的缺陷参数落入步骤S3中的所述置信度阈值范围内。

Description

一种基于POD定量分析的缺陷检测参数优化方法及优化系统
技术领域
本发明属于无损检测技术领域,具体地说,涉及一种基于POD定量分析的缺陷检测参数优化方法及优化系统。
背景技术
在实际的无损检测过程中,设置不同的检测参数会影响缺陷的检测效果,各种各样的因素都会影响到缺陷的检出率,比如:设备的检测参数、操作人员的熟练程度、被检测对象的材质、缺陷的大小和形状等等,即使是在所有检测参数的设置都相同的情况下,让同一个操作者对同一缺陷进行多次检测,也可能得出不一样的检测结果,参数的可靠性无法得到有效的保证。
目前,利用POD分析软件得到信号响应数据的线性模型,根据线性回归模型的方差分析检测信号响应数据偏离线性回归模型的程度,评价在无损检测过程中,所用检测参数对缺陷检出质量的可靠性和置信度。
因此,如何实时快捷地得到具有较高置信度的检测参数是目前亟需解决的技术问题。
有鉴于此特提出本发明。
发明内容
本发明要解决的技术问题在于克服现有技术的不足,提供一种基于POD定量分析的缺陷检测参数优化方法,通过将缺陷检测与参数优化在同一系统下实时进行,同时实现材料内部缺陷检测与检测参数的置信度优化,从而实时快捷地得到具有较高置信度的检测参数。
本发明还提供一种用于实施上述基于POD定量分析的缺陷检测参数优化方法的优化系统。
为解决上述技术问题,本发明采用技术方案的基本构思是:
一种基于POD定量分析的缺陷检测参数优化方法,包括以下步骤:
S1,制备试样工件,所述试样工件的主成分的比例与待测工件的主成分的比例之间的差值在设定范围内,在所述试样工件上制作m个缺陷,所述m个缺陷具有同一类别的缺陷参数;
S2,预实验,设置检测参数对所述试样工件进行n次缺陷检测,每一个缺陷获得n个信号响应数据;
S3,建立POD模型,对预实验得到的信号响应数据进行建模,获得POD曲线,并对所述POD曲线设置置信度阈值;
S4,检测待测工件,采用与步骤S2中相同的检测参数对所述待测工件进行检测,获得缺陷参数;
S5,POD定量分析,判断步骤S4中获得的缺陷参数是否落入步骤S3中的所述置信度阈值范围内,若是,步骤S4中采用所述第一组检测参数对所述待测工件进行检测获得的所述缺陷参数为合格参数,若否,执行步骤S6;
S6,优化检测参数,调节检测参数后重复步骤S2-S5,直至步骤S4中获得的缺陷参数落入步骤S3中的所述置信度阈值范围内。
进一步的,所述缺陷参数的类别为如下中的任意一种:
缺陷在待测工件中的深度、缺陷的长度、缺陷的宽度。
进一步的,步骤S3中,对所述POD曲线设置置信度阈值包括;
根据设定的缺陷检出率设置置信度阈值。
进一步的,步骤S2对所述试样工件进行缺陷检测和步骤S4中对所述待测工件进行缺陷检测均采用超声波检测。
进一步的,所述检测参数至少包括波形纵波、频率和阵元数。
一种基于POD定量分析的缺陷检测参数优化系统,用于实施如上所述的优化方法。
进一步的,包括
缺陷探伤仪,用于对所述试样工件和所述待测工件的缺陷进行检测;
检测参数调节模块,与所述缺陷探伤仪连接,用于调节所述缺陷探伤仪在进行缺陷检测时所采用的检测参数;
POD曲线数据库,用于存储POD曲线,所述POD曲线表征在特定检测参数下的置信度阈值;
POD分析模块,与所述缺陷探伤仪和所述POD曲线数据库连接,用于获取所述缺陷探伤仪检测到的缺陷参数,并根据所述缺陷参数和所述置信度阈值确定是否对所述缺陷探伤仪在检测待测工件的缺陷时所采用的检测参数进行优化。
进一步的,所述缺陷探伤仪为如下中的任意一种:
超声相控阵探伤仪、磁粉探伤仪、涡流探伤仪、射线探伤仪和荧光探伤仪。
进一步的,还包括工控机,
所述检测参数调节模块、所述POD曲线数据库、和所述POD分析模块均设置在所述工控机内,所述工控机与所述缺陷探伤仪连接。
进一步的,还包括缺陷显示仪,
所述缺陷显示仪与所述工控机连接,显示所述缺陷探伤仪检测到的缺陷。
采用上述技术方案后,本发明与现有技术相比具有以下有益效果。
本发明将参数优化与缺陷检测在同一系统下同步完成,能在检测材料内部缺陷的同时,对检测的信号响应数据进行POD的定量分析和比较,有效地实时评价出检测参数对缺陷检出质量的可靠性,确定是否需要对超声检测参数进行优化,有效地保证了缺陷检测参数的可信度,提高检测参数对缺陷检出质量的可靠性。
下面结合附图对本发明的具体实施方式作进一步详细的描述。
附图说明
附图作为本发明的一部分,用来提供对本发明的进一步的理解,本发明的示意性实施例及其说明用于解释本发明,但不构成对本发明的不当限定。显然,下面描述中的附图仅仅是一些实施例,对于本领域普通技术人员来说,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附图。在附图中:
图1是本发明缺陷检测参数优化方法的流程示意图;
图2是本发明一组检测参数下缺陷深度与响应幅值的线性拟合关系示意图;
图3是根据图2建立的POD模型示意图;
图4是本发明另一组检测参数下缺陷深度与响应幅值的线性拟合关系示意图;
图5是根据图4建立的POD模型示意图;
图6是本发明再一组检测参数下缺陷深度与响应幅值的线性拟合关系示意图;
图7是根据图6建立的POD模型示意图;
图8本发明缺陷检测参数优化系统检测试样工件的示意图;
图9本发明缺陷检测参数优化系统检测待测工件的示意图。
图中:10、工控机;11、POD分析模块;12、POD曲线数据库;13、检测参数调节模块;20、缺陷探伤仪;30、缺陷显示仪;40、试验缺陷;50、试样工件;60、待测工件;70、工作台;80、真实缺陷。
需要说明的是,这些附图和文字描述并不旨在以任何方式限制本发明的构思范围,而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对实施例中的技术方案进行清楚、完整地描述,以下实施例用于说明本发明,但不用来限制本发明的范围。
在本发明的描述中,需要说明的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
如图1至图9所示,本发明提供一种基于POD定量分析的缺陷检测参数优化方法及优化系统。
其中,如图1所示,优化方法包括以下步骤:
S1,制备试样工件50,所述试样工件50的主成分的比例与待测工件60的主成分的比例之间的差值在设定范围内,在所述试样工件50上制作m个试验缺陷40,所述m个试验缺陷40具有同一类别的缺陷参数。
详细的,制备的试样工件50应与待测工件60的材质相近或者相同,同时在试样工件50上人工制作若干试验缺陷40,使试样工件50能够模拟待测工件60,这样利用试样工件50的试验数据建立的POD模型更加真实可靠。缺陷参数可以是缺陷的深度、缺陷的长度、缺陷的宽度等缺陷尺寸。一般地,m≥4。
S2,预实验,设置检测参数对所述试样工件50进行n次缺陷检测,每一个试验缺陷40获得n个信号响应数据。
详细的,在对试样工件50进行第一次测试时设置的检测参数为在实际生产工艺过程中得到的一组优化参数,在此基础上进一步对检测参数进行优化,可得到置信度更高的检测参数,实现了对检测参数的置信度优化。
进一步的,在建立POD模式时,数据越多,建立的模型越准确,因此,在对试样工件50进行缺陷检测时,应尽可能地获得较多的试验数据。但是,想要获得体量较大的试验数据,必然要求试验的次数的增加,这无疑降低了生产效率。因此,本发明基于试验缺陷40的数量限定对试样工件50进行检测的次数,使试验数据的体量不会因太少而不能建立POD模型,也不会因试验次数太多导致生成效率的降低。其中,n=8~12。
S3,建立POD模型,对预实验得到的信号响应数据进行建模,获得POD曲线,并对所述POD曲线设置置信度阈值。
详细的,在步骤S2中对试验工件进行n次缺陷检测,使每一个试验缺陷40获得了n个信号响应数据。然后对预实验得到的信号响应数据进行分析、线性拟合并绘制POD曲线,将POD曲线保存在数据库中,同时设定置信度阈值,用于判断用后续步骤中的检测参数检测的缺陷是否可信。
S4,检测待测工件60,采用与步骤S2中相同的检测参数对所述待测工件60的真实缺陷80进行检测,获得缺陷参数。
详细的,通过对试样工件50进行缺陷检测并建立POD模型后即可对待测工件60的真实缺陷80进行检测。另外,步骤S4与步骤S2在同一系统中完成。
具体的,采用与步骤S2中的相同的检测参数对待测工件60进行缺陷检测,获得待测工件60的缺陷参数,例如,缺陷的深度、缺陷的长度或宽度等。
进一步的,还可将检测到的缺陷通过缺陷显示仪30显示出来,便于观察。
S5,POD定量分析,判断步骤S4中获得的缺陷参数是否落入步骤S3中的所述置信度阈值范围内,若是,步骤S4中采用所述第一组检测参数对所述待测工件60进行检测获得的所述缺陷参数为合格参数,若否,执行步骤S6。
详细的,将步骤S4中获得的待测工件60的缺陷参数与步骤S3中设置的置信度阈值进行比较,判断步骤S4中获得的待测工件60的缺陷参数是否落入步骤S3中设置的置信度阈值的范围内。若是,表示采用步骤S2中的检测参数对待测工件60进行缺陷检测所获得的缺陷参数的可信度较高,即检测结果为合格,完成检测工作。若否,表示采用步骤S2中的检测参数对待测工件60进行缺陷检测所获得的缺陷参数的可信度不高,即采用这时的检测参数进行缺陷检测获得的缺陷参数并不能表示真实的缺陷,需要对检测参数进行优化,使其满足置信度阈值的要求。
S6,优化检测参数,调节检测参数后重复步骤S2-S5,直至步骤S4中获得的缺陷参数落入步骤S3中的所述置信度阈值范围内。
详细的,如前所述,在步骤S2中,第一次对试样工件50进行缺陷检测时采用的检测参数为在实际生产工艺过程中得到的一组优化参数,但是当使用这一组检测参数进行缺陷检测时如果其不能满足置信度阈值的要求,说明这一组检测参数并不是最优化的检测参数,还需对其进行进一步的优化。此时,可在这一组检测参数的基础上进行参数调节,例如,仅调节其中一个参数,且参数调节的幅度不宜过大。
对检测参数进行调节后,重复步骤S2至步骤S5,直至缺陷检测获得的缺陷参数落在设定的置信度阈值的范围之内,即完成检测参数的可靠性优化,完成检测。
上述方案中,将参数优化与缺陷检测在同一系统下同步完成,能在检测材料内部缺陷的同时,对检测的信号响应数据进行POD的定量分析和比较,有效地实时评价出检测参数对缺陷检出质量的可靠性,确定是否需要对超声检测参数进行优化,有效地保证了缺陷检测参数的可信度,提高检测参数对缺陷检出质量的可靠性。
在本发明的一些实施例中,采用上述基于POD定量分析的缺陷检测参数优化系统对待测工件60进行检测。待测工件60为不锈钢材料,缺陷参数为缺陷的深度,检测方法超声波检测。
步骤S1中,制备的预实验试样工件50中的试验缺陷40为五个,缺陷深度分别为10mm、15mm、20mm、25mm、30mm,缺陷直径为2mm。
步骤S2中,预实验第一次采用的检测参数为在超声检测的工艺优化中得到了一组优化参数:波形纵波、频率为4MHz、阵元数8,在预实验中对每个缺陷进行9次超声检测得到9个信号响应数据。
步骤S3中,对预实验得到的信号响应数据进行分析、线性拟合和建模,预实验中探头的信号响应幅值如下表1所示。基于对试样工件50的预实验,得到其信号响应数据的线性模型如图2所示,绘制检出率与缺陷检测深度的相关曲线,即POD曲线,如图3所示。假设设定95%为缺陷检出率,从图3中可以看出该缺陷检出率对应的置信度阈值为缺陷深度21.47mm,换言之,在对真实的待测工件60进行缺陷深度的检测时,检测结果中的缺陷深度需低于阈值21.47mm才能认为这一组检测参数(波形纵波、频率为4MHz、阵元数8)用于检测待测工件60的缺陷是可信的、合格的。
表1:
Figure BDA0003037014750000091
步骤S4中,采用预实验时所采用的检测参数检测待测工件60,其检测出在待测工件60深度25mm处测出有真实缺陷80。
步骤S5,通过POD定量分析可知,缺陷检测获得的缺陷深度数据(25mm)不落在设定的置信度阈值21.47mm范围之内,而该检测参数下对于25mm深的缺陷检出率只有93.68%,未达到设定的缺陷检出率,需要对检测参数进行调整。
换言之,虽然这时采样步骤S2中的检测参数对待测工件60进行缺陷检测时检测出来在25mm处的位置有缺陷,但是这一结果的可信度不高,具有偶然性。
步骤S6,调整检测参数为:波形纵波、频率为3MHz、阵元数8,重复步骤S2时,预实验中探头的信号响应幅值如表2所示。重复步骤S3时,基于对试样工件50的预实验,得到其信号响应数据的线性模型与POD曲线如图4和图5所示,从图5中可以看出,其95%检出率能检测到的缺陷深度为24.86mm,即置信度阈值为24.86,实际检测结果需低于阈值24.86。重复步骤S4时,采用波形纵波、频率为3MHz、阵元数8的检测参数对待测工件60进行缺陷检测,如果检测结果为在待测工件60深度25mm处测出有真实缺陷80。重复步骤S5时,通过POD定量分析可知,这一结构还未达到设定的置信度阈值范围,该检测参数下对于25mm深的缺陷检出率为94.68%,仍然需要对检测参数进行继续调整后再次重复步骤S2至步骤S5。
表2:
Figure BDA0003037014750000101
调整检测参数为:波形纵波、频率为3MHz、阵元数16,重复步骤S2时,预实验中探头的信号响应幅值如表3所示。重复步骤S3时,基于采用再次调整后的检测参数对试样工件50的预实验,得到其信号响应数据的线性模型与POD曲线如图6和图7所示,其95%的缺陷检出率能检测到的缺陷深度为25.13mm,因此,将其置信度阈值设定为25.13,实际检测结果需低于阈值25.13。重复步骤S4时,采用再次调整后的检测参数(波形纵波、频率为3MHz、阵元数16)对待测工件60进行检测,如果检测结果为在工件深度25mm处测出有真实缺陷80。重复步骤S5时,该检测参数下对于25mm深的缺陷检出率为95.33%,表示检测所用的超声检测参数合格,完成检测。换言之,采用再次调整后的检测参数对待测工件60检测检测获得的检测结果的可信度较高,可忽略偶然性。
表3:
Figure BDA0003037014750000111
至此,获得了对待测工件60进行缺陷检测的最优化的检测参数:波形纵波、频率为3MHz、阵元数16。
在本发明另外一些实施例中,基于POD定量分析的缺陷检测参数优化系统包括缺陷探伤仪20、检测参数调节模块13、POD曲线数据库12和POD分析模块11。
其中,所述缺陷探伤仪20用于对所述试样工件50的试验缺陷40和所述待测工件60的真实缺陷80进行检测,应用于步骤S2和步骤S4中。
所述检测参数调节模块13与所述缺陷探伤仪20连接,用于调节所述缺陷探伤仪20在进行缺陷检测时所采用的检测参数,应用于步骤S2中。
所述POD曲线数据库12用于存储POD曲线,所述POD曲线表征在特定检测参数下的置信度阈值,应用于步骤S3中。
所述POD分析模块11与所述缺陷探伤仪20和所述POD曲线数据库12连接,用于获取所述缺陷探伤仪20检测到的缺陷参数,并根据所述缺陷参数和所述置信度阈值确定是否对所述缺陷探伤仪20在检测待测工件60的缺陷时所采用的检测参数进行优化,应用于步骤S5中。
具体的,采用上述优化系统实施本发明的优化方法如下:
S1,制备试样工件50,所述试样工件50的主成分的比例与待测工件60的主成分的比例之间的差值在设定范围内,在所述试样工件50上制作m个缺陷,所述m个缺陷具有同一类别的缺陷参数。
S2,预实验,通过检测参数调节模块13设置检测参数后,利用缺陷探伤仪20对所述试样工件50进行n次缺陷检测,每一个缺陷获得n个信号响应数据,如图8所示。
S3,建立POD模型,在POD分析模式中对预实验得到的信号响应数据进行分析、线性拟合以及建模,获得POD曲线,并对所述POD曲线设置置信度阈值。同时,将POD曲线储存入POD曲线数据库12。
S4,检测待测工件60,采用与步骤S2中相同的检测参数利用缺陷探伤仪20对所述待测工件60进行检测,获得缺陷参数,如图9所示。
S5,POD定量分析,POD分析模块11获取步骤S4中的缺陷参数,并判断该缺陷参数是否落入POD曲线数据库12中的POD曲线对应的置信度阈值范围内,若是,步骤S4中采用所述第一组检测参数对所述待测工件60进行检测获得的所述缺陷参数为合格参数,若否,执行步骤S6。
S6,优化检测参数,通过检测参数调节模块13调节检测参数后重复步骤S2-S5,直至步骤S4中获得的缺陷参数落入步骤S3中的所述置信度阈值范围内。
进一步的方案中,所述缺陷探伤仪20为如下中的任意一种:超声相控阵探伤仪、磁粉探伤仪、涡流探伤仪、射线探伤仪和荧光探伤仪,用于检测待测工件60中缺陷的深度、长度以及宽度等尺寸。
在本发明的一些实施例中,优化系统还包括工控机10,所述检测参数调节模块13、所述POD曲线数据库12、和所述POD分析模块11均设置在所述工控机10内,所述工控机10与所述缺陷探伤仪20连接。
上述方案中,将所述检测参数调节模块13、所述POD曲线数据库12、和所述POD分析模块11集成在工控机10内,使本发明的优化系统结构紧凑,方便实施。
在本发明的一些实施例中,优化系统还包括缺陷显示仪30,所述缺陷显示仪30与所述工控机10连接,显示所述缺陷探伤仪20检测到的缺陷。
详细的,在步骤S2和步骤S4中,在对试样工件50以及待测工件60的缺陷检测时还可通过缺陷显示仪30将缺陷显示给操作人员,使操作人员直观地观察到缺陷的特点。
需要注意的是,如图8和图9所示,优化系统中的工控机10、缺陷探伤仪20以及待测工件60或者试样工件50还有缺陷显示仪30均设置在同一工作台70的台面上,方便操作。
以上所述仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专利的技术人员在不脱离本发明技术方案范围内,当可利用上述提示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明方案的范围内。

Claims (8)

1.一种基于POD定量分析的缺陷检测参数优化方法,其特征在于:包括以下步骤:
S1,制备试样工件,所述试样工件的主成分的比例与待测工件的主成分的比例之间的差值在设定范围内,在所述试样工件上制作m个缺陷,所述m个缺陷具有同一类别的缺陷参数;
S2,预实验,设置检测参数对所述试样工件进行n次缺陷检测,每一个缺陷获得n个信号响应数据;
S3,建立POD模型,对预实验得到的信号响应数据进行建模,获得POD曲线;设定缺陷检出率,并根据设定的缺陷检出率对所述POD曲线设置置信度阈值;
S4,检测待测工件,采用与步骤S2中相同的检测参数对所述待测工件进行检测,获得缺陷参数;
S5,POD定量分析,判断步骤S4中获得的缺陷参数是否落入步骤S3中的所述置信度阈值范围内,若是,采用步骤S4中的检测参数对所述待测工件进行检测获得的所述缺陷参数为合格参数,若否,执行步骤S6;
S6,优化检测参数,调节检测参数后重复步骤S2-S5,直至步骤S4中获得的缺陷参数落入步骤S3中的所述置信度阈值范围内:
在原有检测参数的基础上进行小幅度的参数调节,利用调节后的检测参数进行预实验、建立POD模型,得到新的POD曲线,根据设定的缺陷检出率对新的POD曲线设置置信度阈值;直至利用调节后的检测参数对待测工件进行检测时,步骤S4中获得的缺陷参数落入步骤S3中的所述置信度阈值范围内,此时的检测参数为对待测工件进行缺陷检测的最优化的检测参数。
2.根据权利要求1所述的一种基于POD定量分析的缺陷检测参数优化方法,其特征在于:
所述缺陷参数的类别为如下中的任意一种:
缺陷在待测工件中的深度、缺陷的长度、缺陷的宽度。
3.根据权利要求1或2所述的一种基于POD定量分析的缺陷检测参数优化方法,其特征在于:
步骤S2对所述试样工件进行缺陷检测和步骤S4中对所述待测工件进行缺陷检测均采用超声波检测。
4.根据权利要求3所述的一种基于POD定量分析的缺陷检测参数优化方法,其特征在于:
所述检测参数至少包括波形纵波、频率和阵元数。
5.一种用于实现上述权利要求1至4任一所述基于POD定量分析的缺陷检测参数优化方法的基于POD定量分析的缺陷检测参数优化系统,其特征在于:包括
缺陷探伤仪,用于对所述试样工件和所述待测工件的缺陷进行检测;
检测参数调节模块,与所述缺陷探伤仪连接,用于调节所述缺陷探伤仪在进行缺陷检测时所采用的检测参数;
POD曲线数据库,用于存储POD曲线,所述POD曲线表征在特定检测参数下的置信度阈值;
POD分析模块,与所述缺陷探伤仪和所述POD曲线数据库连接,用于获取所述缺陷探伤仪检测到的缺陷参数,并根据所述缺陷参数和所述置信度阈值确定是否对所述缺陷探伤仪在检测待测工件的缺陷时所采用的检测参数进行优化。
6.根据权利要求5所述的一种基于POD定量分析的缺陷检测参数优化系统,其特征在于:
所述缺陷探伤仪为如下中的任意一种:
超声相控阵探伤仪、磁粉探伤仪、涡流探伤仪、射线探伤仪和荧光探伤仪。
7.根据权利要求5所述的一种基于POD定量分析的缺陷检测参数优化系统,其特征在于:还包括工控机,
所述检测参数调节模块、所述POD曲线数据库、和所述POD分析模块均设置在所述工控机内,所述工控机与所述缺陷探伤仪连接。
8.根据权利要求7所述的一种基于POD定量分析的缺陷检测参数优化系统,其特征在于:还包括缺陷显示仪,
所述缺陷显示仪与所述工控机连接,显示所述缺陷探伤仪检测到的缺陷。
CN202110446234.9A 2021-04-25 2021-04-25 一种基于pod定量分析的缺陷检测参数优化方法及优化系统 Active CN113204868B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110446234.9A CN113204868B (zh) 2021-04-25 2021-04-25 一种基于pod定量分析的缺陷检测参数优化方法及优化系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110446234.9A CN113204868B (zh) 2021-04-25 2021-04-25 一种基于pod定量分析的缺陷检测参数优化方法及优化系统

Publications (2)

Publication Number Publication Date
CN113204868A CN113204868A (zh) 2021-08-03
CN113204868B true CN113204868B (zh) 2023-02-28

Family

ID=77028411

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110446234.9A Active CN113204868B (zh) 2021-04-25 2021-04-25 一种基于pod定量分析的缺陷检测参数优化方法及优化系统

Country Status (1)

Country Link
CN (1) CN113204868B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984951A (zh) * 2014-04-25 2014-08-13 西南科技大学 一种磁粉检测缺陷自动识别方法及系统
CN106157265A (zh) * 2016-07-05 2016-11-23 臧戈平 基于高保真藏图网屏的数字挂网方法及系统
CN106645435A (zh) * 2016-12-09 2017-05-10 北京工业大学 金属构件中夹杂缺陷检测方法
CN109145510A (zh) * 2018-09-28 2019-01-04 北京航空航天大学 一种钛合金缺陷数据修正方法
CN109187240A (zh) * 2018-08-27 2019-01-11 中车青岛四方机车车辆股份有限公司 一种轨道车辆结构件的检修周期制定方法及装置
CN110544243A (zh) * 2019-08-28 2019-12-06 中国兵器科学研究院宁波分院 一种ct图像小缺陷自动检出、定量及可靠性评价方法
CN110910353A (zh) * 2019-11-06 2020-03-24 成都数之联科技有限公司 一种工业假不良检测方法及系统
CN111161243A (zh) * 2019-12-30 2020-05-15 华南理工大学 基于样本增强的工业产品表面缺陷检测方法
CN111814867A (zh) * 2020-07-03 2020-10-23 浙江大华技术股份有限公司 缺陷检测模型的训练方法、缺陷检测方法及相关装置
CN111833324A (zh) * 2020-07-09 2020-10-27 中国计量大学 基于深度学习的光纤插芯缺陷检测方法
CN112508090A (zh) * 2020-12-04 2021-03-16 重庆大学 一种外包装缺陷检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111044613B (zh) * 2019-12-26 2023-09-22 武汉工程大学 一种基于非线性Lamb波的金属板微缺陷检测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984951A (zh) * 2014-04-25 2014-08-13 西南科技大学 一种磁粉检测缺陷自动识别方法及系统
CN106157265A (zh) * 2016-07-05 2016-11-23 臧戈平 基于高保真藏图网屏的数字挂网方法及系统
CN106645435A (zh) * 2016-12-09 2017-05-10 北京工业大学 金属构件中夹杂缺陷检测方法
CN109187240A (zh) * 2018-08-27 2019-01-11 中车青岛四方机车车辆股份有限公司 一种轨道车辆结构件的检修周期制定方法及装置
CN109145510A (zh) * 2018-09-28 2019-01-04 北京航空航天大学 一种钛合金缺陷数据修正方法
CN110544243A (zh) * 2019-08-28 2019-12-06 中国兵器科学研究院宁波分院 一种ct图像小缺陷自动检出、定量及可靠性评价方法
CN110910353A (zh) * 2019-11-06 2020-03-24 成都数之联科技有限公司 一种工业假不良检测方法及系统
CN111161243A (zh) * 2019-12-30 2020-05-15 华南理工大学 基于样本增强的工业产品表面缺陷检测方法
CN111814867A (zh) * 2020-07-03 2020-10-23 浙江大华技术股份有限公司 缺陷检测模型的训练方法、缺陷检测方法及相关装置
CN111833324A (zh) * 2020-07-09 2020-10-27 中国计量大学 基于深度学习的光纤插芯缺陷检测方法
CN112508090A (zh) * 2020-12-04 2021-03-16 重庆大学 一种外包装缺陷检测方法

Also Published As

Publication number Publication date
CN113204868A (zh) 2021-08-03

Similar Documents

Publication Publication Date Title
AU2017245369B2 (en) Wrinkle characterization and performance prediction for composite structures
US11022584B2 (en) Method and apparatus for scanning a test object and correcting for gain
CN104931585B (zh) 复合材料脱粘缺陷超声波c扫描检测面积评定方法
CN107478722A (zh) 一种新型共振声学无损检测装置
CN105675727B (zh) 一种超声聚焦探头散焦区内缺陷的灵敏度补偿方法
US8630447B2 (en) Analyzer of ultrasonic flaw detection image
CN106124624A (zh) 一种薄板点焊质量自动检测装置及方法
JPS6291856A (ja) 欠陥分類方法
CN112362743A (zh) 核电站一回路不锈钢boss焊缝相控阵超声检测装置及方法
CN105319248A (zh) 一种检测金属表面缺陷的电化学无损检测装置及方法
CN114486889A (zh) 一种复材壁板微小阵列孔通孔率检测系统及方法
CN113204868B (zh) 一种基于pod定量分析的缺陷检测参数优化方法及优化系统
CN111579647B (zh) 基于层次分析法的混凝土构件腐蚀程度检测方法及系统
KR101465073B1 (ko) 초음파 검사 평가 방법 및 시스템
Cherry et al. Eddy current analysis of cracks grown from surface defects and non-metallic particles
KR20090082617A (ko) 와전류탐상 데이터 분석방법
CN115930851A (zh) 一种t型电子束焊缝熔宽的检测方法及装置
CN111208201B (zh) 无机非金属板破坏强度无损检测方法、装置及存储介质
Hopkins et al. Localization and characterization of fatigue cracks around fastener holes using spherically focused ultrasonic probes
CN113219060A (zh) 一种计数型超声探伤测量系统分析方法
CA2850839C (en) Method and apparatus for scanning a test object
CN113552218B (zh) 基于阵列超声信号幅值和相位特征加权的缺陷定性检测方法
KR102434224B1 (ko) 타원형 알고리즘이 포함된 자기공명탐상방법에 의한 검사 장치 및 방법
Chen et al. Research on ultrasonic TOFD scanning image weld defect detection method based on PyTorch
CN107290378A (zh) 基于x荧光快速判断物料掺假的方法及其系统

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