CN114755302A - 一种基于超声相控阵的裂纹表征方法及装置 - Google Patents
一种基于超声相控阵的裂纹表征方法及装置 Download PDFInfo
- Publication number
- CN114755302A CN114755302A CN202210445410.1A CN202210445410A CN114755302A CN 114755302 A CN114755302 A CN 114755302A CN 202210445410 A CN202210445410 A CN 202210445410A CN 114755302 A CN114755302 A CN 114755302A
- Authority
- CN
- China
- Prior art keywords
- crack
- parameters
- sample
- ssim
- prediction model
- 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
- 238000012512 characterization method Methods 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 103
- 238000000034 method Methods 0.000 claims abstract description 44
- 239000000523 sample Substances 0.000 claims description 108
- 238000012549 training Methods 0.000 claims description 72
- 238000012795 verification Methods 0.000 claims description 46
- 238000005259 measurement Methods 0.000 claims description 35
- 238000009826 distribution Methods 0.000 claims description 34
- 238000012360 testing method Methods 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000005457 optimization Methods 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 23
- 239000000463 material Substances 0.000 claims description 23
- 238000010276 construction Methods 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 8
- 238000002790 cross-validation Methods 0.000 claims description 7
- 238000010200 validation analysis Methods 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 claims description 5
- 230000001276 controlling effect Effects 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000009659 non-destructive testing Methods 0.000 abstract description 7
- 230000007547 defect Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 229910052751 metal Inorganic materials 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 229910052782 aluminium Inorganic materials 0.000 description 3
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 239000004411 aluminium Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000006249 magnetic particle Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000009763 wire-cut EDM Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/041—Analysing solids on the surface of the material, e.g. using Lamb, Rayleigh or shear waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4472—Mathematical theories or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
- G01N2291/0234—Metals, e.g. steel
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/028—Material parameters
- G01N2291/0289—Internal structure, e.g. defects, grain size, texture
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Signal Processing (AREA)
- Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Acoustics & Sound (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明提供了一种基于超声相控阵的裂纹表征方法及装置，属于无损检测领域，方法为：将待检测裂纹结合标定样本，采集全矩阵数据并提取裂纹的散射矩阵进行幅值校准；将校准后的散射矩阵输入至初始裂纹参数回归预测模型中，获取裂纹的方位角；其中，裂纹参数包括裂纹的方位角和尺寸；基于方位角判断裂纹参数是否处于待优化区域，若处于待优化区域，则在最终裂纹参数回归预测模型中选择所处待优化区域对应的最优SSIM距离参数，输出裂纹的尺寸，否则直接输出裂纹的尺寸。本发明能够准确表征尺寸小于2λ的裂纹。
Description
技术领域
本发明属于无损检测领域，更具体地，涉及一种基于超声相控阵的裂纹表征方法及装置。
背景技术
在金属零部件使用过程中，其结构可能会受到一些极端情况的影响，如疲劳载荷、大范围的温度和湿度波动，以及化学和环境的攻击。这些影响会导致缺陷的发生，比如裂纹。如若不及时处理维护，裂纹在应力作用下将不断生长扩展，最终导致结构退化和失效。检测和量化金属结构中的裂纹类缺陷可以预测结构的剩余寿命，及时进行维护以提升剩余寿命或者安排退役以防事故发生。
金属结构中的裂纹分为表面裂纹、深埋裂纹和贯穿裂纹，其中，表面裂纹与贯穿裂纹可通过较为常规的方式进行检测，如磁粉检测和涡流检测。但是对于深埋裂纹，需借助更为先进的手段进行检测与表征。超声相控阵是近年来发展起来的一门新的工业无损检测技术，通过对各阵元的有序激励可得到灵活的偏转及聚焦声束，联合线性扫查、扇形扫查和动态聚焦等独特的工作方式，结合软件可对金属结构内部进行实时高分辨成像，广泛应用于深埋裂纹的监测。
目前，基于超声相控阵成像的无损监测方法能有效表征尺寸在两个波长以上的深埋型裂纹，多数情况下能满足检测需求。但当结构内裂纹尺寸小于两个波长时，基于超声相控阵成像方法便不能准确表征裂纹的参数。因此，本领域亟需发展对小尺寸裂纹缺陷进行准确表征的方法，提高小尺寸裂纹缺陷的检出率与表征精度。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种基于超声相控阵的裂纹表征方法及装置，旨在解决目前基于超声相控阵成像的无损监测方法无法准确表征裂纹尺寸小于两个波长的深埋型裂纹的问题。
为实现上述目的，一方面，本发明提供了一种基于超声相控阵的裂纹表征方法，包括以下步骤：
将待检测裂纹的散射矩阵输入至初始裂纹参数回归预测模型中，获取裂纹的方位角；
基于方位角判断裂纹参数是否处于待优化区域，若处于待优化区域，则将待检测裂纹的散射矩阵输入至最终裂纹参数回归预测模型，输出裂纹的尺寸，否则直接输出裂纹的尺寸；
其中，最终裂纹参数回归预测模型的确定方法，包括以下步骤：
根据被测材料的声学性能参数与超声相控阵测量配置参数，采用有限元仿真方法模拟不同参数裂纹的散射矩阵，构建以裂纹样本的散射矩阵为特征向量，以裂纹样本的参数为标签值的散射矩阵数据库；
以散射矩阵数据库为训练集，构建以SSIM(Structural Similarity)距离为散射矩阵度量的初始裂纹参数回归预测模型；其中，SSIM距离的调控亮度、对比度和结构的参数均为1；
对训练集进行留一法交叉验证，利用裂纹参数回归预测模型预测所有裂纹样本作为验证集时的标签值后，计算裂纹样本标签值的预测误差，构建预测误差分布图；
基于预测误差分布图，以方位角为横坐标，以尺寸为纵坐标，构建裂纹参数空间，并以裂纹样本尺寸参数的均方根误差程度为依据，将裂纹参数空间进行区域划分；
采用网格搜索法对待优化区域进行度量优化，获取不同区域对应不同SSIM距离参数的裂纹参数回归预测模型，确定最终的裂纹参数回归预测模型。
进一步优选地，被测材料的声学性能参数包括被测材料的密度、声速、杨氏模量和泊松比；超声相控阵测量配置参数包括：相控阵探头大小、阵元数目、中心频率和阵元间距。
进一步优选地，初始裂纹参数回归预测模型的构建方法，包括以下步骤：
选择训练集之外的一个裂纹样本(例如实验数据)作为测试样本；
采用SSIM距离计算测试样本的散射矩阵与训练集中所有裂纹样本特征向量之间的距离；
根据测试样本与训练集中所有裂纹样本特征向量之间的距离，采用高斯核函数计算训练集裂纹样本标签值的加权系数；
根据训练集裂纹样本标签值的加权系数与训练集裂纹样本标签值，计算测试样本的标签值。
进一步优选地，构建预测误差分布图的方法具体为：
将训练集中每一个裂纹样本轮流作为验证集；
采用初始裂纹参数回归预测模型，对验证集中裂纹样本标签值进行预测；
以验证集中裂纹样本标签值的预测值与实际值的差值作为验证集的预测误差，计算训练集所有裂纹样本作为验证集时的预测误差；
基于训练集中所有裂纹样本作为验证集时的预测误差，采用均方根误差RMSE，计算方位角和尺寸的均方根误差；
以方位角为横坐标，以尺寸的均方根误差为纵坐标，获取预测误差分布图。
进一步优选地，待优化区域进行度量优化的方法，包括以下步骤：
将区域内所有裂纹样本作为验证集时初始裂纹参数回归预测模型的均方根误差作为优化目标；
确定SSIM距离的调控亮度、对比度和结构参数的搜索范围与搜索步长；
计算搜索空间中所有SSIM距离的调控亮度、对比度和结构参数组合的均方根误差，当均方根误差取最小值时，对应SSIM距离的调控亮度、对比度和结构参数组合为区域内的最优SSIM距离。
另一方面，本发明提供了一种基于超声相控阵的裂纹表征装置，包括：
超声相控阵，用于将待检测裂纹结合标定样本，采集全矩阵数据并输出裂纹的散射矩阵；
幅值校准系统，用于通过对比待检测裂纹对应的散射矩阵与标定样本对应的散射矩阵，对待检测裂纹对应的散射矩阵幅值进行校准；
裂纹参数预测系统，其内部设置有裂纹参数回归预测模型，用于将将校准后的散射矩阵输入至初始裂纹参数回归预测模型中，获取裂纹的方位角，且在裂纹参数未处于待优化区域时，输出裂纹的尺寸；并用于在裂纹参数处于待优化区域时，在在最终裂纹参数回归预测模型中选择所处待优化区域对应的最优SSIM距离参数，输出裂纹的尺寸；其中，裂纹参数包括裂纹的方位角和尺寸；裂纹参数回归预测模型包括初始裂纹参数回归预测模型和最终裂纹参数回归预测模型；
判断系统，用于基于方位角判断裂纹参数是否处于待优化区域；
预测模型构建系统，包括：
散射矩阵数据库建立模块，用于根据被测材料的声学性能参数与超声相控阵测量配置参数，采用有限元仿真方法模拟不同参数裂纹的散射矩阵，构建以裂纹样本的散射矩阵为特征向量，以裂纹样本的参数为标签值的散射矩阵数据库；
初始裂纹参数回归预测模型的构建模块，用于以散射矩阵数据库为训练集，构建以SSIM距离为散射矩阵度量的初始裂纹参数回归预测模型；其中，所述SSIM距离参数包括调控亮度、对比度和结构的参数；初始裂纹参数回归预测模型的SSIM距离参数均设置为1；
预测误差分布图构建模块，用于根据对训练集进行留一法交叉验证，利用裂纹参数回归预测模型预测所有裂纹样本作为验证集时的标签值后，计算裂纹样本标签值的预测误差，构建预测误差分布图；
参数空间区域划分模块，用于基于预测误差分布图，以方位角为横坐标，以尺寸为纵坐标，构建裂纹参数空间，并以裂纹样本尺寸的均方根误差程度为依据，将裂纹参数空间进行区域划分；
裂纹参数回归预测模型的优化模块，用于采用网格搜索法对待优化区域进行度量优化，获取不同区域对应不同SSIM距离参数的最终裂纹参数回归预测模型。
进一步优选地，被测材料的声学性能参数包括被测材料的密度、声速、杨氏模量和泊松比；所述超声相控阵测量配置参数包括：相控阵探头大小、阵元数目、中心频率和阵元间距。
进一步优选地，初始裂纹参数回归预测模型的构建模块包括SSIM距离计算单元、加权系数计算单元和标签值计算单元；
SSIM距离计算单元用于采用SSIM距离计算测试样本的散射矩阵与训练集中所有裂纹样本特征向量之间的距离；
加权系数计算单元用于根据测试样本与训练集中所有裂纹样本特征向量之间的距离，采用高斯核函数计算训练集裂纹样本标签值的加权系数；
标签值计算单元用于基于训练集裂纹样本标签值的加权系数与训练集裂纹样本标签值，计算测试样本的标签值；
其中，测试样本为训练集之外的一个裂纹样本。
进一步优选地，预测误差分布图构建模块包括：
筛选单元，用于将训练集中每一个裂纹样本轮流作为验证集；
预测误差计算单元，用于以验证集中裂纹样本标签值的预测值与实际值的差值作为验证集的预测误差，计算训练集所有裂纹样本作为验证集时的预测误差；基于训练集中所有裂纹样本依次作为验证集时的预测误差，计算方位角和尺寸的均方根误差；
分布图构建单元，用于以方位角为横坐标，以尺寸的均方根误差为纵坐标，获取预测误差分布图。
其中，采用初始裂纹参数回归预测模型，对验证集中裂纹样本标签值进行预测。
进一步优选地，待优化区域进行度量优化的方法，包括以下步骤：
将区域内所有裂纹样本依次作为验证集时初始裂纹参数回归预测模型的均方根误差作为优化目标；
确定SSIM距离的调控亮度、对比度和结构参数的搜索范围与搜索步长；
计算搜索空间中所有SSIM距离的调控亮度、对比度和结构参数组合的均方根误差，当均方根误差取最小值时，对应SSIM距离的调控亮度、对比度和结构参数组合为区域内的最优SSIM距离。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
本发明采用超声相控阵及相关软件，从全矩阵数据中提取裂纹缺陷的散射矩阵作为特征向量，相比其他超声无损检测方式，能获得更多与裂纹参数相关的有用信息；本发明在构建最终裂纹回归预测模型时，以裂纹样本的散射矩阵为特征向量，以裂纹样本的参数为标签值构建散射矩阵数据库，训练初始裂纹参数回归预测模型，能够准确表征尺寸在0.4λ(λ为超声波在被测材料中的波长)以上的裂纹，优于其他超声无损检测技术。
本发明在构建了初始裂纹参数回归预测模型的基础上，本发明采用训练集留一法交叉验证误差方法，构建预测误差分布图，然后根据预测分布图，对裂纹的参数空间进行区域划分，使用SSIM距离作为散射矩阵度量，并对参数空间上不同区域进行局部度量优化，提高模型对大方位角裂纹的表征精度。
附图说明
图1是本发明实施例提供的基于超声散射矩阵的裂纹缺陷表征方法流程图；
图2是本发明实施例提供的超声相控阵测量原理图；
图3(a)是本发明实施例提供的裂纹(1,0)对应散射矩阵二维图；
图3(b)是本发明实施例提供的裂纹(1,30)对应散射矩阵二维图；
图3(c)是本发明实施例提供的裂纹(1,60)对应散射矩阵二维图；
图3(d)是本发明实施例提供的裂纹(0.5,30)对应散射矩阵二维图；
图3(e)是本发明实施例提供的裂纹(1,30)对应散射矩阵二维图；
图3(f)是本发明实施例提供的裂纹(1.5,30)对应散射矩阵二维图；
图4(a)是本发明实施例提供的训练集所有裂纹样本作为验证集时裂纹尺寸的预测误差分布图；
图4(b)是本发明实施例提供的训练集所有裂纹样本作为验证集时裂纹方位角的预测误差分布图；
图5是本发明实施例提供的模型尺寸预测误差在方位角范围上的分布图；
图6是本发明实施例提供的优化区域划分图；
图7是本发明实施例提供的实验样品设计图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明提供了一种基于超声相控阵的裂纹表征方法，整体技术方案为：
根据被测样品的声学性能参数与超声相控阵测量配置模拟不同参数裂纹的理论散射矩阵并组成散射矩阵数据库；
将散射矩阵数据库作为训练集，采用SSIM距离作为散射矩阵度量，构建裂纹参数核回归预测模型；
根据训练集留一法交叉验证误差，对参数空间上不同区域进行独立的SSIM距离参数优化；
以裂纹尺寸与方位角为裂纹基本参数，设计不同参数组合的裂纹并加工实际样品；
提取测试样品中裂纹的散射矩阵，输入到优化后的裂纹参数预测模型中进行裂纹的参数表征。
实施例1
如图1所示，本实施例提供了一种基于超声相控阵的裂纹表征方法，包括以下步骤：
步骤一：实验测量被测材料的声学性能参数，包括被测材料的密度、声速、杨氏模量和泊松比；确定超声相控阵测量配置参数，配置参数包括：相控阵探头大小、阵元数目、中心频率和阵元间距；
本实施例中所选材料为铝，其密度为2.7*103kg/m3，声速为6300m/s，杨氏模量为6.9*1010Pa，泊松比为0.334；所使用的超声相控阵阵元数量为64，阵元宽度为0.35mm，阵元长度为15mm，阵元间距为0.5mm，探头中心频率为2.5MHz；图2为超声相控阵测量原理图；
步骤二：根据被测材料的声学性能参数与超声相控阵测量配置参数，采用有限元仿真方法模拟不同参数裂纹的理论散射矩阵；散射矩阵用于描述超声波在目标缺陷处的散射特性，包含裂纹在声场中的散射信息；
模拟的裂纹尺寸范围为0.1λ至2λ(间隔0.1λ)，方位角范围为-85°至90°(间隔5°)，图3(a)～(c)分别为(1,0)、(1,30)与(1,60)裂纹的理论散射矩阵，图3(d)～(f)的裂纹参数分别为(0.5,30)、(1,30)与(1.5,30)裂纹的理论散射矩阵，其中，括号中第一个数字为裂纹尺寸，单位为mm，第二个数字为裂纹相对于相控阵检测平面的方位角；模拟得到的裂纹散射矩阵Si与裂纹的参数pi组合形成裂纹样本Xi＝(Si，pi)，模拟得到的裂纹样本共计720个，组成散射矩阵数据库，存入crack_db.mat文件中；
步骤三：利用散射矩阵数据库构建裂纹参数回归预测模型，将散射矩阵数据库作为模型的训练集，其中，裂纹样本的散射矩阵作为特征向量，裂纹样本的参数作为标签值；对于训练集以外的测试裂纹样本X0，已知其特征向量S0，则得到其标签值的过程如下：
(3.1)采用SSIM距离计算S0与训练集中所有样本特征向量之间的距离，其中，SSIM距离由结构相似性指数修改而来，是一种有效的距离度量，用于计算散射矩阵之间的距离，含有三个可调参数；SSIM距离的计算公式为：
其中，α，β,γ为SSIM距离调控亮度、对比度与结构三个系统重要性的参数，标准状态下α＝β＝γ＝1；l(S0，Si)为亮度对比函数；c(S0，Si)为对比度对比函数；s(S0，Si)为结构对比函数，其计算公式如下：
其中，
代表S0的均值；
代表S0的标准差；
代表S0与Si之间的协方差；C1、C2和C3为常数，是为了避免计算过程中分母为零而引入的，通常取C1＝(K1L)2、C2＝(K2L)2、C3＝C2/2、K1＝0.01、K2＝0.03，L为散射矩阵幅值的动态范围；
代表Si的均值；
代表Si的标准差；
(3.2)根据测试裂纹样本特征向量S0与训练集中所有裂纹样本特征向量之间的距离，采用高斯核函数计算训练集样本标签值的加权系数，加权系数计算公式如下：
其中，ωi表示计算测试裂纹样本X0标签值时训练集裂纹样本Xi的标签值所占权重；σ为高斯核函数的可调参数；σ越大则高斯分布越平滑，即特征向量之间的距离对加权系数的影响越小；本实施例中，取σ值为0.2，可计算得到X0的标签值如下：
其中，p0为测试裂纹样本X0标签值；pi为训练集裂纹样本Xi的标签值；N为训练集裂纹样本的个数，本实施例中N＝720；
步骤四：将训练集中每一个裂纹样本Xi轮流作为验证集，其余样本作为训练集，对验证集裂纹样本标签值进行预测并计算预测误差；验证集裂纹样本标签值计算公式为：
其中，
为裂纹样本Xi作为验证集时，裂纹参数回归预测模型预测得到的标签值；Xj＝(Sj，pj)为除Xj以外的其他裂纹样本，则Xi作为验证集时的预测误差为
计算训练集所有裂纹样本作为验证集时的预测误差，结果如图4(a)～(b)所示，图4(a)为裂纹尺寸的预测误差，图4(b)为方位角的预测误差，图4(a)和图4(b)均方根误差RMSE的计算公式如下：
其中，pi,1代表标签值的实际第一个参数裂纹尺寸，pi,2代表标签值的实际第二个参数裂纹的方位角；尺寸预测误差在角度范围上的分布图如图5所示；
步骤五：根据步骤四得到的裂纹参数回归预测模型验证集预测误差分布图，对裂纹的参数空间进行区域划分；本实施例中，由于模型的方位角参数预测误差较小，因此，根据方位角对参数空间进行划分的依据为：尺寸参数的均方根误差RMSE1小于0.1，RMSE1大于0.1而小于0.2，RMSE1大于0.2；其中，RMSE1小于0.1的区域无需进行度量优化；划分结果如图6所示，图中A0区域模型验证集预测误差小，无需进行度量优化；A1、A2、A3与A4区域的模型验证集预测误差较大，需进行度量优化，称这四个区域为待优化区域；
步骤六：采用网格搜索法对步骤五划分的待优化区域进行度量优化，度量优化的实施过程为：
(6.1)将区域内所有裂纹样本作为验证集时模型的均方根误差作为优化目标，以A1区域为例，其优化目标的计算公式为：
其中，N1为待优化区域内裂纹样本的个数；L1为SSIM距离参数的优化目标；
(6.2)确定SSIM距离三个参数的搜索范围与搜索步长；在本实施例中，将α、β、γ三个参数的搜索范围设置在[0,2]，搜索步长为0.1；
(6.3)计算搜索空间中所有参数组合的均方根误差，当均方根误差取最小值时，对应参数组合为该区域内的最优SSIM距离；
步骤七：设计加工不同参数的裂纹与标定圆孔，采集全矩阵数据并提取裂纹的散射矩阵，进行幅值校准；其中，全矩阵数据为：在数据采集过程中，相控阵的每个模块(以下简称为阵元)均作为发射单元与接收单元使用，得到的数据包含全部阵元组合的时域采样信号。
本实施例中，选用铝6061制作实验样品，并采用电火花线切割加工裂纹与标定圆孔，实验样品的设计图纸如图7所示，三个标定圆孔的直径分别为1mm、3mm与5mm，8个裂纹的参数分别为(1,0)、(1,15)、(1,30)、(1,45)、(2.5,30)、(2.5,4.5)、(1.5,30)和(1.5,60)，括号中第一个数字为裂纹的尺寸，单位为mm；第二个数字为裂纹的方位角，单位为度；
本实施例中，采用64阵元线性排列的超声相控阵探头，阵元间距为0.3mm，频率为2.5MHz，阵元长度为5mm；选用Explorer开放式超声相控阵平台，其可并行控制与探头阵元数目对应的64个独立的发射-接收通道；采用矩阵脉冲依次激励每个阵元，每次发射中所有阵元均用作接收单元，由此获取每个发射-接收阵元组的时域信号的全矩阵数据，采用以上设备与方法采集被测材料全矩阵数据，并从全矩阵数据中提取裂纹的散射矩阵；
本实施例中，幅值校准的过程如下：实验提取裂纹散射矩阵Sc与标定圆孔的散射矩阵Sh，模拟标定圆孔的理论散射矩阵Sp，计算系数矩阵C：
对裂纹散射矩阵进行幅值校准：
Sc′＝C×Sc
其中，系数矩阵C与实验提取裂纹散射矩阵Sc进行的是点乘运算，Sc′为进行幅值校准后的裂纹散射矩阵；
步骤八：将步骤七中经过幅值校准的裂纹散射矩阵作为特征向量输入到裂纹参数回归预测模型进行表征。
在本实施例中，首先将裂纹散射矩阵Sc′输入到未经优化的裂纹参数回归预测模型中进行初步表征，初步表征结果如下：
其中，
代表未经优化时模型的表征函数，此时α0＝β0＝γ0＝1；根据初步表征结果的方位角，判断裂纹在参数空间上所处的区域，如处于不需要优化的区域，则输出初步表征结果为裂纹的表征参数，如处于需要优化的区域，则将Sc′输入到优化后的模型中进行表征，表征结果如下：
其中，
代表裂纹落于的区域内最优模型；α1，β1和γ1为区域内最优的SSIM距离参数组合，由步骤六得到。
本实施例中，八个裂纹缺陷的表征结果如下：
根据步骤一中材料的声速与超声相控阵探头中心频率可知，铝6061材料中超声波的波长λ为2.52mm；结合上表可知，本发明能对尺寸在0.4λ左右的亚波长裂纹进行准确表征，且对方位角为45°与60°的倾斜裂纹的表征误差也在0.1λ以内。
实施例2
本发明提供了一种基于超声相控阵的裂纹表征装置，包括：
超声相控阵，用于将待检测裂纹结合标定样本，采集全矩阵数据并输出裂纹的散射矩阵；
幅值校准系统，用于通过对比待检测裂纹对应的散射矩阵与标定样本对应的散射矩阵，对待检测裂纹对应的散射矩阵幅值进行校准；
裂纹参数预测系统，其内部设置有裂纹参数回归预测模型，用于将将校准后的散射矩阵输入至初始裂纹参数回归预测模型中，获取裂纹的方位角，且在裂纹参数未处于待优化区域时，输出裂纹的尺寸；并用于在裂纹参数处于待优化区域时，在在最终裂纹参数回归预测模型中选择所处待优化区域对应的最优SSIM距离参数，输出裂纹的尺寸；其中，裂纹参数包括裂纹的方位角和尺寸；裂纹参数回归预测模型包括初始裂纹参数回归预测模型和最终裂纹参数回归预测模型；
判断系统，用于基于方位角判断裂纹参数是否处于待优化区域；
预测模型构建系统，包括：
散射矩阵数据库建立模块，用于根据被测材料的声学性能参数与超声相控阵测量配置参数，采用有限元仿真方法模拟不同参数裂纹的散射矩阵，构建以裂纹样本的散射矩阵为特征向量，以裂纹样本的参数为标签值的散射矩阵数据库；
初始裂纹参数回归预测模型的构建模块，用于以散射矩阵数据库为训练集，构建以SSIM距离为散射矩阵度量的初始裂纹参数回归预测模型；其中，所述SSIM距离参数包括调控亮度、对比度和结构的参数；初始裂纹参数回归预测模型的SSIM距离参数均设置为1；
预测误差分布图构建模块，用于对训练集进行留一法交叉验证，利用裂纹参数回归预测模型预测所有裂纹样本轮流作为验证集时的标签值，计算裂纹样本标签值的预测误差，构建预测误差分布图；参数空间区域划分模块，用于基于预测误差分布图，以方位角为横坐标，尺寸为纵坐标，构建裂纹参数空间，并以裂纹样本尺寸的均方根误差程度为依据，将裂纹的参数空间进行区域划分；
裂纹参数回归预测模型的优化模块，用于采用网格搜索法对待优化区域进行度量优化，获取不同区域对应不同SSIM距离参数的最终裂纹参数回归预测模型。
进一步优选地，被测材料的声学性能参数包括被测材料的密度、声速、杨氏模量和泊松比；所述超声相控阵测量配置参数包括：相控阵探头大小、阵元数目、中心频率和阵元间距。
进一步优选地，初始裂纹参数回归预测模型的构建模块包括SSIM距离计算单元、加权系数计算单元和标签值计算单元；
SSIM距离计算单元用于采用SSIM距离计算测试样本的散射矩阵与训练集中剩余所有裂纹样本特征向量(即为散射矩阵)之间的距离；
加权系数计算单元用于根据测试样本与训练集中所有裂纹样本特征向量之间的距离，采用高斯核函数计算训练集剩余裂纹样本标签值的加权系数；
标签值计算单元用于基于训练集剩余裂纹样本标签值的加权系数与训练集剩余裂纹样本标签值，计算测试样本的标签值；
其中，测试样本为训练集之外的一个裂纹样本。
进一步优选地，预测误差分布图构建模块包括：
筛选单元，用于将训练集中每一个裂纹样本轮流作为验证集；
预测误差计算单元，用于以验证集中裂纹样本标签值的预测值与实际值的差值作为验证集的预测误差，计算训练集所有裂纹样本作为验证集时的预测误差；基于训练集中所有裂纹样本依次作为验证集时的预测误差，计算方位角和尺寸的均方根误差；
分布图构建单元，用于以方位角为横坐标，以尺寸的均方根误差为纵坐标，获取预测误差分布图。
其中，采用初始裂纹参数回归预测模型，对验证集中裂纹样本标签值进行预测。
进一步优选地，待优化区域进行度量优化的方法，包括以下步骤：
将区域内所有裂纹样本依次作为验证集时初始裂纹参数回归预测模型的均方根误差作为优化目标；
确定SSIM距离的调控亮度、对比度和结构参数的搜索范围与搜索步长；
计算搜索空间中所有SSIM距离的调控亮度、对比度和结构参数组合的均方根误差，当均方根误差取最小值时，对应SSIM距离的调控亮度、对比度和结构参数组合为区域内的最优SSIM距离。
本发明采用超声相控阵及相关软件，从全矩阵数据中提取裂纹缺陷的散射矩阵作为特征向量，相比其他超声无损检测方式，能获得更多与裂纹参数相关的有用信息；本发明在构建最终裂纹回归预测模型时，以裂纹样本的散射矩阵为特征向量，以裂纹样本的参数为标签值构建散射矩阵数据库，训练初始裂纹参数回归预测模型，能够准确表征尺寸在0.4λ以上的裂纹，优于其他超声无损检测技术。
本发明在构建了初始裂纹参数回归预测模型的基础上，本发明通过对训练集进行留一法交叉验证的方法，构建预测误差分布图，然后根据预测分布图，对裂纹的参数空间进行区域划分，使用SSIM距离作为散射矩阵度量，并对参数空间上不同区域进行局部度量优化，提高模型对大方位角裂纹的表征精度。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于超声相控阵的裂纹表征方法，其特征在于，包括以下步骤：
将待检测裂纹结合标定样本，采集全矩阵数据并提取裂纹的散射矩阵进行幅值校准；
将校准后的散射矩阵输入至初始裂纹参数回归预测模型中，获取裂纹的方位角；其中，裂纹参数包括裂纹的方位角和尺寸；
基于方位角判断裂纹参数是否处于待优化区域，若处于待优化区域，则在最终裂纹参数回归预测模型中选择所处待优化区域对应的最优SSIM距离参数，输出裂纹的尺寸，否则直接输出裂纹的尺寸；
其中，最终裂纹参数回归预测模型的确定方法，包括以下步骤：
根据被测材料的声学性能参数与超声相控阵测量配置参数，采用有限元仿真方法模拟不同参数裂纹的散射矩阵，构建以裂纹样本的散射矩阵为特征向量，以裂纹样本的参数为标签值的散射矩阵数据库；
以散射矩阵数据库为训练集，构建以SSIM距离为散射矩阵度量的初始裂纹参数回归预测模型；其中，所述SSIM距离参数包括调控亮度、对比度和结构的参数；初始裂纹参数回归预测模型的SSIM距离参数均设置为1；
对训练集进行留一法交叉验证，利用裂纹参数回归预测模型预测所有裂纹样本轮流作为验证集时的标签值，计算裂纹样本标签值的预测误差，构建预测误差分布图；
基于预测误差分布图，以方位角为横坐标，尺寸为纵坐标，构建裂纹参数空间，并以裂纹样本尺寸的均方根误差程度为依据，将裂纹参数空间进行区域划分；
采用网格搜索法对待优化区域进行度量优化，获取不同区域对应不同SSIM距离参数的最终裂纹参数回归预测模型。
2.根据权利要求1所述的裂纹表征方法，其特征在于，其特征在于，被测材料的声学性能参数包括被测材料的密度、声速、杨氏模量和泊松比；所述超声相控阵测量配置参数包括：相控阵探头大小、阵元数目、中心频率和阵元间距。
3.根据权利要求1或2所述的裂纹表征方法，其特征在于，所述初始裂纹参数回归预测模型的构建方法，包括以下步骤：
选择训练集之外的一个裂纹样本作为测试样本；
采用SSIM距离计算测试样本的散射矩阵与训练集中所有裂纹样本特征向量之间的距离；
根据测试样本与训练集中所有裂纹样本特征向量之间的距离，采用高斯核函数计算训练集裂纹样本标签值的加权系数；
基于训练集裂纹样本标签值的加权系数与训练集裂纹样本标签值，计算测试样本的标签值。
4.根据权利要求3所述的裂纹表征方法，其特征在于，预测误差分布图的构建方法，包括以下步骤：
将训练集中每一个裂纹样本轮流作为验证集，；
采用所述初始裂纹参数回归预测模型，对验证集裂纹样本标签值进行预测；
以验证集中裂纹样本标签值的预测值与实际值的差值作为验证集的预测误差，计算训练集所有裂纹样本轮流作为验证集时的预测误差；
基于训练集中所有裂纹样本轮流作为验证集时的预测误差，计算方位角和尺寸的均方根误差；
以方位角为横坐标，以尺寸的均方根误差为纵坐标，获取预测误差分布图。
5.根据权利要求4所述的裂纹表征方法，其特征在于，待优化区域进行度量优化的方法，包括以下步骤：
将区域内所有裂纹样本依次作为验证集时初始裂纹参数回归预测模型的均方根误差作为优化目标；
确定SSIM距离的调控亮度、对比度和结构参数的搜索范围与搜索步长；
计算搜索空间中所有SSIM距离的调控亮度、对比度和结构参数组合的均方根误差，当均方根误差取最小值时，对应SSIM距离的调控亮度、对比度和结构参数组合为区域内的最优SSIM距离。
6.一种基于超声相控阵的裂纹表征装置，其特征在于，包括：
超声相控阵成像系统，用于将待检测裂纹结合标定样本，采集全矩阵数据并输出裂纹的散射矩阵；
幅值校准系统，用于通过对比待检测裂纹对应的散射矩阵与标定样本对应的散射矩阵，对待检测裂纹对应的散射矩阵幅值进行校准；
裂纹参数预测系统，其内部设置有裂纹参数回归预测模型，用于将将校准后的散射矩阵输入至初始裂纹参数回归预测模型中，获取裂纹的方位角，且在裂纹参数未处于待优化区域时，输出裂纹的尺寸；并用于在裂纹参数处于待优化区域时，在在最终裂纹参数回归预测模型中选择所处待优化区域对应的最优SSIM距离参数，输出裂纹的尺寸；其中，裂纹参数包括裂纹的方位角和尺寸；裂纹参数回归预测模型包括初始裂纹参数回归预测模型和最终裂纹参数回归预测模型；
判断系统，用于基于方位角判断裂纹参数是否处于待优化区域；
预测模型构建系统，包括：
散射矩阵数据库建立模块，用于根据被测材料的声学性能参数与超声相控阵测量配置参数，采用有限元仿真方法模拟不同参数裂纹的散射矩阵，构建以裂纹样本的散射矩阵为特征向量，以裂纹样本的参数为标签值的散射矩阵数据库；
初始裂纹参数回归预测模型的构建模块，用于以散射矩阵数据库为训练集，构建以SSIM距离为散射矩阵度量的初始裂纹参数回归预测模型；其中，所述SSIM距离参数包括调控亮度、对比度和结构的参数；初始裂纹参数回归预测模型的SSIM距离参数均设置为1；
预测误差分布图构建模块，用于对训练集进行留一法交叉验证，利用裂纹参数回归预测模型预测所有裂纹样本轮流作为验证集时的标签值，计算裂纹样本标签值的预测误差，构建预测误差分布图；参数空间区域划分模块，用于基于预测误差分布图，以方位角为横坐标，尺寸为纵坐标，构建裂纹参数空间，并以裂纹样本尺寸的均方根误差程度为依据，将裂纹参数空间进行区域划分；
裂纹参数回归预测模型的优化模块，用于采用网格搜索法对待优化区域进行度量优化，获取不同区域对应不同SSIM距离参数的最终裂纹参数回归预测模型。
7.根据权利要求6所述的裂纹表征装置，其特征在于，被测材料的声学性能参数包括被测材料的密度、声速、杨氏模量和泊松比；所述超声相控阵测量配置参数包括：相控阵探头大小、阵元数目、中心频率和阵元间距。
8.根据权利要求6或7所述的裂纹表征装置，其特征在于，所述初始裂纹参数回归预测模型的构建模块包括SSIM距离计算单元、加权系数计算单元和标签值计算单元；
所述SSIM距离计算单元用于采用SSIM距离计算测试样本的散射矩阵与训练集中剩余所有裂纹样本特征向量之间的距离；
所述加权系数计算单元用于根据测试样本与训练集中所有裂纹样本特征向量之间的距离，采用高斯核函数计算训练集裂纹样本标签值的加权系数；
所述标签值计算单元用于基于训练集裂纹样本标签值的加权系数与训练集裂纹样本标签值，计算测试样本的标签值；
其中，测试样本为训练集之外的一个裂纹样本。
9.根据权利要求8所述的裂纹表征装置，其特征在于，预测误差分布图构建模块包括：
筛选单元，用于将训练集中每一个裂纹样本轮流作为验证集；
预测误差计算单元，用于以验证集中裂纹样本标签值的预测值与实际值的差值作为验证集的预测误差，计算训练集所有裂纹样本作为验证集时的预测误差；基于训练集中所有裂纹样本依次作为验证集时的预测误差，计算方位角和尺寸的均方根误差；
分布图构建单元，用于以方位角为横坐标，以尺寸的均方根误差为纵坐标，获取预测误差分布图。
其中，采用初始裂纹参数回归预测模型，对验证集中裂纹样本标签值进行预测。
10.根据权利要求9所述的裂纹表征装置，其特征在于，待优化区域进行度量优化的方法，包括以下步骤：
将区域内所有裂纹样本依次作为验证集时初始裂纹参数回归预测模型的均方根误差作为优化目标；
确定SSIM距离的调控亮度、对比度和结构参数的搜索范围与搜索步长；
计算搜索空间中所有SSIM距离的调控亮度、对比度和结构参数组合的均方根误差，当均方根误差取最小值时，对应SSIM距离的调控亮度、对比度和结构参数组合为区域内的最优SSIM距离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210445410.1A CN114755302B (zh) | 2022-04-26 | 2022-04-26 | 一种基于超声相控阵的裂纹表征方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210445410.1A CN114755302B (zh) | 2022-04-26 | 2022-04-26 | 一种基于超声相控阵的裂纹表征方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114755302A true CN114755302A (zh) | 2022-07-15 |
| CN114755302B CN114755302B (zh) | 2024-08-30 |
Family
ID=82332938
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210445410.1A Active CN114755302B (zh) | 2022-04-26 | 2022-04-26 | 一种基于超声相控阵的裂纹表征方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114755302B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117589889A (zh) * | 2024-01-19 | 2024-02-23 | 江苏省特种设备安全监督检验研究院 | 一种基于有限元模型的超声相控阵微裂纹检测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104280455A (zh) * | 2014-09-29 | 2015-01-14 | 北京工业大学 | 一种用于裂纹方向识别的超声散射系数优化计算方法 |
| CN106841390A (zh) * | 2017-03-14 | 2017-06-13 | 浙江大学 | 一种基于支持向量机的环焊缝超声相控阵自动聚焦方法 |
| KR102296871B1 (ko) * | 2020-06-09 | 2021-08-31 | 서울대학교산학협력단 | 하이브리드 피로 균열 성장 예측 방법 |
-
2022
- 2022-04-26 CN CN202210445410.1A patent/CN114755302B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104280455A (zh) * | 2014-09-29 | 2015-01-14 | 北京工业大学 | 一种用于裂纹方向识别的超声散射系数优化计算方法 |
| CN106841390A (zh) * | 2017-03-14 | 2017-06-13 | 浙江大学 | 一种基于支持向量机的环焊缝超声相控阵自动聚焦方法 |
| KR102296871B1 (ko) * | 2020-06-09 | 2021-08-31 | 서울대학교산학협력단 | 하이브리드 피로 균열 성장 예측 방법 |
Non-Patent Citations (1)
| Title |
|---|
| 周进节;郑阳;张宗健;谭继东;: "基于部分散射系数矩阵的缺陷识别方法研究", 声学技术, no. 04, 15 August 2017 (2017-08-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117589889A (zh) * | 2024-01-19 | 2024-02-23 | 江苏省特种设备安全监督检验研究院 | 一种基于有限元模型的超声相控阵微裂纹检测方法及系统 |
| CN117589889B (zh) * | 2024-01-19 | 2024-04-02 | 江苏省特种设备安全监督检验研究院 | 一种基于有限元模型的超声相控阵微裂纹检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114755302B (zh) | 2024-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7552027B2 (en) | Method and system for quantifying damage in a structure | |
| CN114359193B (zh) | 一种基于超声相控阵成像的缺陷分类方法及系统 | |
| CN111598170B (zh) | 考虑模型选择不确定性的裂纹检出概率评估方法 | |
| CN114692302B (zh) | 基于高斯混合模型的疲劳裂纹检测方法及系统 | |
| CN111678992A (zh) | 一种用于识别混凝土结构损伤类型的无损检测方法 | |
| CN114755302B (zh) | 一种基于超声相控阵的裂纹表征方法及装置 | |
| AU2020271967B2 (en) | Method for determining the geometry of a defect on the basis of non-destructive measurement methods using direct inversion | |
| CN117705953B (zh) | 一种基于声发射和层析成像技术的损伤检测方法及系统 | |
| CN115616674A (zh) | 探地雷达训练数据集模拟扩增与道路无损检测方法及系统 | |
| CN110362902B (zh) | 一种基于区间逐维分析的单源动载荷识别方法 | |
| CN110988872A (zh) | 无人机载穿墙雷达探测墙体健康状态的快速识别方法 | |
| CN110568083A (zh) | 一种针对钢材腐蚀疲劳损伤在线监测的声发射检测方法 | |
| CN112711873B (zh) | 基于兰姆波和神经网络进行损伤定位的方法及系统、介质 | |
| CN111624251B (zh) | 一种应用于大型板壳结构的智能兰姆波缺陷定位方法 | |
| CN112818762A (zh) | 一种大尺寸复合材料及其夹层结构快速无损检测方法 | |
| CN117665098A (zh) | 一种基于相控阵超声技术的装配式混凝土结构检测方法 | |
| CN115587291B (zh) | 一种基于裂纹超声散射矩阵的去噪表征方法及系统 | |
| CN113361209B (zh) | 一种高温合金表面缺陷磁异常定量分析方法 | |
| CN111308421A (zh) | 一种浅海中目标自由场声辐射获取方法 | |
| Олійник et al. | Automated system for identification of data distribution laws by analysis of histogram proximity with sample reduction | |
| CN118294079B (zh) | 一种回转窑内部气密性监测方法及装置 | |
| CN116305665B (zh) | 一种工件横截面残余应力分布的分析方法及相关装置 | |
| Acciani et al. | Ultrasonic wave feature extraction for neural network classification in not accessible pipes | |
| CN114200007B (zh) | 一种装配式空心板梁桥深铰缝缺陷检测方法及设备 | |
| Dib et al. | On the usage of ultrasound computational models for decision making under ambiguity |
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 |