CN115266932A - 一种变速箱齿轮轴探伤检测方法 - Google Patents
一种变速箱齿轮轴探伤检测方法 Download PDFInfo
- Publication number
- CN115266932A CN115266932A CN202211179858.XA CN202211179858A CN115266932A CN 115266932 A CN115266932 A CN 115266932A CN 202211179858 A CN202211179858 A CN 202211179858A CN 115266932 A CN115266932 A CN 115266932A
- Authority
- CN
- China
- Prior art keywords
- flaw detection
- gear shaft
- target
- damaged
- nondestructive
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 369
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims description 33
- 230000002093 peripheral effect Effects 0.000 claims description 20
- 230000005540 biological transmission Effects 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 6
- 230000001066 destructive effect Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241000519995 Stachys sylvatica Species 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000523 sample Substances 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
-
- 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
-
- 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
- G01N29/4481—Neural networks
Landscapes
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种变速箱齿轮轴探伤检测方法，包括以下步骤：步骤S1、获取无损伤变速箱齿轮轴，并将无损伤变速箱齿轮轴安装至变速箱中进行工况运行，获得无损超声波探伤数据；步骤S2、得到无损齿轮轴检测曲线以及得到齿轮轴无损曲线区间；步骤S3、比对目标齿轮轴检测曲线和齿轮轴无损曲线区间得到目标变速箱齿轮轴的受损位置区间；步骤S4、将受损图片进行图像识别得到目标变速箱齿轮轴的受损类别和受损程度。本发明实现受损类别和受损程度的在线确定，在线受损监测可实时获取齿轮轴在运行过程中的损伤情况，无需停工检测避免生产量的降低，而且实时掌握损伤情况能够进行提前预警，降低运行危险性。
Description
技术领域
本发明涉及齿轮轴探伤技术领域，具体涉及一种变速箱齿轮轴探伤检测方法。
背景技术
随着社会科技和生产力的发展，人们对材料的质量要求越来越高，其中传动零件和关键零部件的质量检测尤为重要。锥齿轮毛坯件经锻造后，零件内部易出现裂纹、折叠、白点、缩孔、夹杂等缺陷，采用传统的检测方法需破坏工件，并且检测难度大。目前的无损检测技术一般为超声波检测，采用超声波探头对零件进行损伤检测，但在损伤检测过程中只能实现静态检测，无法实现在线监测，导致无法在运行过程中检测处零件的损伤，因而也就无法进行提前预警，造成运行危险性的增加。
发明内容
本发明的目的在于提供一种变速箱齿轮轴探伤检测方法，以解决现有技术中在损伤检测过程中只能实现静态检测，无法实现在线监测，导致无法在运行过程中检测处零件的损伤，因而也就无法进行提前预警，造成运行危险性的增加的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种变速箱齿轮轴探伤检测方法，包括以下步骤：
步骤S1、获取无损伤变速箱齿轮轴，并将无损伤变速箱齿轮轴安装至变速箱中进行工况运行，对工况运行的无损伤变速箱齿轮轴外周部进行超声波探伤获得无损超声波探伤数据；
步骤S2、建立变速箱齿轮轴外周部的探伤数据坐标系，将无损超声波探伤数据拟合至探伤数据坐标系中得到无损齿轮轴检测曲线，设定无损阈值区间，基于无损阈值区间将无损齿轮轴检测曲线进行修正得到齿轮轴无损曲线区间；
步骤S3、对工况运行的目标变速箱齿轮轴外周部进行超声波探伤获得目标超声波探伤数据，将目标超声波探伤数据拟合至探伤数据坐标系中得到目标齿轮轴检测曲线，比对目标齿轮轴检测曲线和齿轮轴无损曲线区间得到目标变速箱齿轮轴的受损位置区间，以实现受损位置的在线定位；
步骤S4、对运行的目标变速箱齿轮轴的受损位置区间进行图片拍摄得到目标变速箱齿轮轴的受损图片，并将受损图片进行图像识别得到目标变速箱齿轮轴的受损类别和受损程度，以实现受损类别和受损程度的在线确定。
作为本发明的一种优选方案，所述对工况运行的无损伤变速箱齿轮轴外周部进行超声波探伤获得无损超声波探伤数据，包括：
在无损伤变速箱齿轮轴外周部随机选取一周向位置作为探伤起点，并由探伤起点开始沿工况运行的周向旋转方向对所述外周部进行持续性超声波探伤获得一组无损超声探伤持续数据，并在每经过一次探伤起点进行一次段点标记，在段点标记数量达到预设值时停止超声波探伤；
将一组所述无损超声探伤持续数据沿段点进行分割得到多组表征所述外周部每个周向位置处受损特征的无损超声探伤数据，并将多组无损超声探伤数据进行数据优化为一组无损超声探伤数据；
其中，以探伤起点为坐标原点，并将无损超声探伤数据的周向位置与探伤起点的周向距离作为无损超声损伤数据的位置坐标。
作为本发明的一种优选方案，所述建立变速箱齿轮轴外周部的探伤数据坐标系，将无损超声波探伤数据拟合至探伤数据坐标系中得到无损齿轮轴检测曲线，包括：
以位置坐标作为探伤数据坐标系的横坐标，将超声波探伤数据作为探伤，数据坐标系的纵坐标，以构建出所述探伤数据坐标系；
将一组无损超声波探伤数据依据无损超声损伤数据和无损超声损伤数据的位置坐标在所述探伤数据坐标系中进行二维描点得到一组无损齿轮轴检测数据点，并在探伤数据坐标轴中对一组无损齿轮轴检测数据点进行曲线拟合得到所述无损齿轮轴检测曲线。
作为本发明的一种优选方案，所述设定无损阈值区间，基于无损阈值区间将无损齿轮轴检测曲线进行修正得到齿轮轴无损曲线区间，包括：
设定表征无损伤变速箱齿轮轴的检测误差上限和检测误差下限，并将检测误差上限和检测误差下限分别作为区间上限和区间下限组成所述无损阈值区间；
将无损齿轮轴检测曲线基于无损阈值区间在探伤数据坐标系上进行纵向修正得到所述齿轮轴无损曲线区间，所述纵向修正的修正公式为：
式中，F表征为齿轮轴无损曲线区间的函数表达式，f表征为无损齿轮轴检测曲线的函数表达式，[-A,+B]表征为无损阈值区间，-A表征为检测误差下限，+B表征为检测误差上限。
作为本发明的一种优选方案，所述对工况运行的目标变速箱齿轮轴外周部进行超声波探伤获得目标超声波探伤数据，包括：
在目标变速箱齿轮轴外周部标记出所述探伤起点，并由探伤起点开始沿工况运行的周向旋转方向对所述外周部进行持续性超声波探伤获得一组目标超声探伤持续数据，并在每经过一次探伤起点进行一次段点标记，在段点标记数量达到预设值时停止超声波探伤；
将一组所述目标超声探伤持续数据沿段点进行分割得到多组表征所述外周部每个周向位置处受损特征的目标超声探伤数据，并将多组目标超声探伤数据进行数据优化为一组目标超声探伤数据；
其中，以探伤起点为坐标原点，并将目标超声探伤数据的周向位置与探伤起点的周向距离作为目标超声损伤数据的位置坐标。
作为本发明的一种优选方案，所述将目标超声波探伤数据拟合至探伤数据坐标系中得到目标齿轮轴检测曲线，包括：
将一组目标超声波探伤数据依据目标超声损伤数据和目标超声损伤数据的位置坐标在所述探伤数据坐标系中进行二维描点得到一组目标齿轮轴检测数据点，并在探伤数据坐标轴中对一组目标齿轮轴检测数据点进行曲线拟合得到所述目标齿轮轴检测曲线。
作为本发明的一种优选方案，所述比对目标齿轮轴检测曲线和齿轮轴无损曲线区间得到目标变速箱齿轮轴的受损位置区间，包括：
将目标齿轮轴检测曲线和齿轮轴无损曲线区间进行边界交点求解，并沿求得的多个边界交点将目标齿轮轴检测曲线切割个多组局部曲线；
依次判定每组局部曲线与所述齿轮轴无损曲线区间的位置关系，其中，
若局部曲线不位于所述齿轮轴无损曲线区间内部，则局部曲线的位置坐标区间标记为受损位置区间；
若局部曲线位于所述齿轮轴无损曲线区间内部，则局部曲线的位置坐标区间标记为非受损位置区间。
作为本发明的一种优选方案，所述对运行的目标变速箱齿轮轴的受损位置区间进行图片拍摄得到目标变速箱齿轮轴的受损图片，包括：
在目标变速箱齿轮轴外周部标记出所述受损位置区间的两端点分别作为拍摄起点和拍摄终点，并沿工况运行的周向旋转方向在拍摄起点和拍摄终点间进行图片持续性拍摄获得多组表征受损位置区间的图像特征的目标受损图片，其中，在拍摄起点处启动拍摄，在拍摄终点处停止拍摄，以保证目标受损图片中仅包含受损位置区间的图像特征降低冗余像素干扰；
将多组目标受损图片进行图像优化为一组目标变速箱齿轮轴的受损图片。
作为本发明的一种优选方案，所述将受损图片进行图像识别得到目标变速箱齿轮轴的受损类别和受损程度，包括：
将所述受损图像进行灰度化处理得到受损灰度图像，并将受损灰度图像输入至受损类别识别模型，输出目标变速箱齿轮轴的受损类别；
将受损灰度图像输入至受损类别下的受损程度识别模型，输出目标变速箱齿轮轴的受损程度，其中，利用所有受损类别混合的大量受损图片通过神经网络模型训练获得受损类别识别模型，利用每个受损类别下的多个受损图片通过神经网络模型训练获得每个受损类别下的受损程度识别模型。
作为本发明的一种优选方案，所述数据优化包括：
设定无损超声探伤数据/目标超声探伤数据中每个位置坐标处的期望值，并基于期望值构建表征多组无损超声探伤数据/多组目标超声探伤数据波动程度的方差公式作为无损超声探伤数据/目标超声探伤数据的数据优化公式，所述数据优化公式为：
式中，Z表征为无损超声探伤数据/目标超声探伤数据的波动程度，X j,pi 表征为第j组中位置坐标pi的无损超声探伤数据/目标超声探伤数据的实际值，Y pi 表征为位置坐标pi的无损超声探伤数据/目标超声探伤数据的期望值，min为最小化运算符，n为无损超声探伤数据/目标超声探伤数据的数据组数，m为每组无损超声探伤数据/每组目标超声探伤数据的坐标总数量，i,j为计量常数；
对数据优化公式进行求解得到位置坐标pi的无损超声探伤数据/目标超声探伤数据的期望值，并沿位置坐标进行顺序链接得到一组无损超声探伤数据/一组目标超声探伤数据，以降低无损超声探伤数据/目标超声探伤数据的检测偶然性来提高受损特征的表征性；
所述图像优化包括：
设定目标受损图片中每个像素点的像素期望值，并基于像素期望值构建表征多组目标受损图片波动程度的方差公式作为目标受损图片的图像优化公式，所述图像优化公式为：
式中，L表征为目标受损图片的波动程度，X r,pk 表征为第r组中像素点pk的像素实际值，Y pk 表征为像素点pk的像素期望值，min为最小化运算符，N为目标受损图片的组数，M为每组目标受损图片的像素点总数量，k,r为计量常数；
对图像优化公式进行求解得到像素点pk的像素期望值，并沿像素点进行顺序链接得到一组受损图片，以降低目标受损图片的拍摄偶然性来提高图像特征的表征性。
本发明与现有技术相比较具有如下有益效果：
本发明获取无损超声波探伤数据和目标超声波探伤数据，将目标超声波探伤数据拟合至探伤数据坐标系中得到目标齿轮轴检测曲线，比对目标齿轮轴检测曲线和齿轮轴无损曲线区间得到目标变速箱齿轮轴的受损位置区间，以实现受损位置的在线定位，对运行的目标变速箱齿轮轴的受损位置区间进行图片拍摄得到目标变速箱齿轮轴的受损图片，并将受损图片进行图像识别得到目标变速箱齿轮轴的受损类别和受损程度，以实现受损类别和受损程度的在线确定，在线受损监测可实时获取齿轮轴在运行过程中的损伤情况，无需停工检测避免生产量的降低，而且实时掌握损伤情况能够进行提前预警，降低运行危险性。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的变速箱齿轮轴探伤检测方法流程图；
图2为本发明实施例提供的变速箱齿轮轴探伤设备结构示意图；
图3为本发明实施例提供的受损位置区间示意图。
图中的标号分别表示如下：
1-探伤起点；2-超声波探伤设备；3-图像拍摄设备；4-受损位置区间；5-目标齿轮轴检测曲线；6-齿轮轴无损曲线区间。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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和图2所示，本发明提供了一种变速箱齿轮轴探伤检测方法，包括以下步骤：
步骤S1、获取无损伤变速箱齿轮轴，并将无损伤变速箱齿轮轴安装至变速箱中进行工况运行，对工况运行的无损伤变速箱齿轮轴外周部进行超声波探伤获得无损超声波探伤数据；
对工况运行的无损伤变速箱齿轮轴外周部进行超声波探伤获得无损超声波探伤数据，包括：
在无损伤变速箱齿轮轴外周部随机选取一周向位置作为探伤起点，并由探伤起点开始沿工况运行的周向旋转方向对外周部进行持续性超声波探伤获得一组无损超声探伤持续数据，并在每经过一次探伤起点进行一次段点标记，在段点标记数量达到预设值时停止超声波探伤；
将一组无损超声探伤持续数据沿段点进行分割得到多组表征外周部每个周向位置处受损特征的无损超声探伤数据，并将多组无损超声探伤数据进行数据优化为一组无损超声探伤数据，数据优化可以实现降低无损超声探伤数据的检测偶然性来提高受损特征的表征性，即无损超声波探伤数据与变速箱齿轮轴的无损伤状态的映射关联度增强；
其中，以探伤起点为坐标原点，并将无损超声探伤数据的周向位置与探伤起点的周向距离作为无损超声损伤数据的位置坐标。
对运行中的无损伤变速箱齿轮轴外周部进行超声波探伤从而获得表征运行中变速箱齿轮轴在无损伤状态下的超声波发射和接收数据值作为无损超声波探伤数据，即该无损超声波探伤数据与变速箱齿轮轴的无损伤状态相互映射，符合某一变速箱齿轮轴呈现为无损超声波探伤数据，则表明该变速箱齿轮轴为无损伤状态。
步骤S2、建立变速箱齿轮轴外周部的探伤数据坐标系，将无损超声波探伤数据拟合至探伤数据坐标系中得到无损齿轮轴检测曲线，设定无损阈值区间，基于无损阈值区间将无损齿轮轴检测曲线进行修正得到齿轮轴无损曲线区间；
建立变速箱齿轮轴外周部的探伤数据坐标系，将无损超声波探伤数据拟合至探伤数据坐标系中得到无损齿轮轴检测曲线，包括：
以位置坐标作为探伤数据坐标系的横坐标，将超声波探伤数据作为探伤，数据坐标系的纵坐标，以构建出探伤数据坐标系；
将一组无损超声波探伤数据依据无损超声损伤数据和无损超声损伤数据的位置坐标在探伤数据坐标系中进行二维描点得到一组无损齿轮轴检测数据点，并在探伤数据坐标轴中对一组无损齿轮轴检测数据点进行曲线拟合得到无损齿轮轴检测曲线。
设定无损阈值区间，基于无损阈值区间将无损齿轮轴检测曲线进行修正得到齿轮轴无损曲线区间，包括：
设定表征无损伤变速箱齿轮轴的检测误差上限和检测误差下限，并将检测误差上限和检测误差下限分别作为区间上限和区间下限组成无损阈值区间；
将无损齿轮轴检测曲线基于无损阈值区间在探伤数据坐标系上进行纵向修正得到齿轮轴无损曲线区间，纵向修正的修正公式为：
式中，F表征为齿轮轴无损曲线区间的函数表达式，f表征为无损齿轮轴检测曲线的函数表达式，[-A,+B]表征为无损阈值区间，-A表征为检测误差下限，+B表征为检测误差上限。
上述步骤得到齿轮轴无损曲线区间，则更全面的表示了运行中无损状态下变速箱齿轮轴的超声波探伤数据范围，即某一齿轮轴检测曲线存在落在齿轮轴无损曲线区间内的局部曲线，则表明该齿轮轴局部曲线对应的齿轮轴部位为无损状态，某一齿轮轴检测曲线存在落在齿轮轴无损曲线区间外的局部曲线，则表明该齿轮轴局部曲线对应的齿轮轴部位为受损状态，用于后续定位出目标变速箱齿轮轴的受损部位。
如图3所示，步骤S3、对工况运行的目标变速箱齿轮轴外周部进行超声波探伤获得目标超声波探伤数据，将目标超声波探伤数据拟合至探伤数据坐标系中得到目标齿轮轴检测曲线，比对目标齿轮轴检测曲线和齿轮轴无损曲线区间得到目标变速箱齿轮轴的受损位置区间，以实现受损位置的在线定位；
对工况运行的目标变速箱齿轮轴外周部进行超声波探伤获得目标超声波探伤数据，包括：
在目标变速箱齿轮轴外周部标记出探伤起点，并由探伤起点开始沿工况运行的周向旋转方向对外周部进行持续性超声波探伤获得一组目标超声探伤持续数据，并在每经过一次探伤起点进行一次段点标记，在段点标记数量达到预设值时停止超声波探伤；
将一组目标超声探伤持续数据沿段点进行分割得到多组表征外周部每个周向位置处受损特征的目标超声探伤数据，并将多组目标超声探伤数据进行数据优化为一组目标超声探伤数据；
其中，以探伤起点为坐标原点，并将目标超声探伤数据的周向位置与探伤起点的周向距离作为目标超声损伤数据的位置坐标。
将目标超声波探伤数据拟合至探伤数据坐标系中得到目标齿轮轴检测曲线，包括：
将一组目标超声波探伤数据依据目标超声损伤数据和目标超声损伤数据的位置坐标在探伤数据坐标系中进行二维描点得到一组目标齿轮轴检测数据点，并在探伤数据坐标轴中对一组目标齿轮轴检测数据点进行曲线拟合得到目标齿轮轴检测曲线。
比对目标齿轮轴检测曲线和齿轮轴无损曲线区间得到目标变速箱齿轮轴的受损位置区间，包括：
将目标齿轮轴检测曲线和齿轮轴无损曲线区间进行边界交点求解，并沿求得的多个边界交点将目标齿轮轴检测曲线切割个多组局部曲线；
依次判定每组局部曲线与齿轮轴无损曲线区间的位置关系，其中，
若局部曲线不位于齿轮轴无损曲线区间内部，则局部曲线的位置坐标区间标记为受损位置区间，即受损部位在受损位置区间内；
若局部曲线位于齿轮轴无损曲线区间内部，则局部曲线的位置坐标区间标记为非受损位置区间。
步骤S4、对运行的目标变速箱齿轮轴的受损位置区间进行图片拍摄得到目标变速箱齿轮轴的受损图片，并将受损图片进行图像识别得到目标变速箱齿轮轴的受损类别和受损程度，以实现受损类别和受损程度的在线确定。
对运行的目标变速箱齿轮轴的受损位置区间进行图片拍摄得到目标变速箱齿轮轴的受损图片，包括：
在目标变速箱齿轮轴外周部标记出受损位置区间的两端点分别作为拍摄起点和拍摄终点，并沿工况运行的周向旋转方向在拍摄起点和拍摄终点间进行图片持续性拍摄获得多组表征受损位置区间的图像特征的目标受损图片，其中，在拍摄起点处启动拍摄，在拍摄终点处停止拍摄，以保证目标受损图片中仅包含受损位置区间的图像特征降低冗余像素干扰；
将多组目标受损图片进行图像优化为一组目标变速箱齿轮轴的受损图片。
将受损图片进行图像识别得到目标变速箱齿轮轴的受损类别和受损程度，包括：
将受损图像进行灰度化处理得到受损灰度图像，并将受损灰度图像输入至受损类别识别模型，输出目标变速箱齿轮轴的受损类别；
将受损灰度图像输入至受损类别下的受损程度识别模型，输出目标变速箱齿轮轴的受损程度，其中，利用所有受损类别混合的大量受损图片通过神经网络模型训练获得受损类别识别模型，利用每个受损类别下的多个受损图片通过神经网络模型训练获得每个受损类别下的受损程度识别模型。
在完成受损部位的定位后，即得到受损位置区间后，在到达受损位置达到图像拍摄设备处时，图像拍摄设备立刻启动对受损位置区间的受损部位进行图像拍摄，得到表征受损部位的图像特征的受损图片，从而通过图像特征识别出受损类别（磨损、裂缝等）和受损程度高低，而且仅对受损位置区间进行图像拍摄，获得的受损图片中仅包含受损部位的图像特征，极大的降低了无效像素，并且无需对目标变速箱齿轮轴的每个部位进行实时拍摄，降低了无效图像的拍摄，因而降低了数据冗余程度，提高识别效率。
数据优化包括：
设定无损超声探伤数据/目标超声探伤数据中每个位置坐标处的期望值，并基于期望值构建表征多组无损超声探伤数据/多组目标超声探伤数据波动程度的方差公式作为无损超声探伤数据/目标超声探伤数据的数据优化公式，数据优化公式为：
式中，Z表征为无损超声探伤数据/目标超声探伤数据的波动程度，X j,pi 表征为第j组中位置坐标pi的无损超声探伤数据/目标超声探伤数据的实际值，Y pi 表征为位置坐标pi的无损超声探伤数据/目标超声探伤数据的期望值，min为最小化运算符，n为无损超声探伤数据/目标超声探伤数据的数据组数，m为每组无损超声探伤数据/每组目标超声探伤数据的坐标总数量，i,j为计量常数；
对数据优化公式进行求解得到位置坐标pi的无损超声探伤数据/目标超声探伤数据的期望值，并沿位置坐标进行顺序链接得到一组无损超声探伤数据/一组目标超声探伤数据，以降低无损超声探伤数据/目标超声探伤数据的检测偶然性来提高受损特征的表征性；
优化得到无损超声探伤数据/目标超声探伤数据中每个位置坐标处的期望值，达到在多组无损超声探伤数据/目标超声探伤数据中的波动程度最小，即得到的期望值能够最大程度的表征出齿轮轴无损或受损的实际状态，因而使得受损定位的定位精度得以提升。
图像优化包括：
设定目标受损图片中每个像素点的像素期望值，并基于像素期望值构建表征多组目标受损图片波动程度的方差公式作为目标受损图片的图像优化公式，图像优化公式为：
式中，L表征为目标受损图片的波动程度，X r,pk 表征为第r组中像素点pk的像素实际值，Y pk 表征为像素点pk的像素期望值，min为最小化运算符，N为目标受损图片的组数，M为每组目标受损图片的像素点总数量，k,r为计量常数；
对图像优化公式进行求解得到像素点pk的像素期望值，并沿像素点进行顺序链接得到一组受损图片，以降低目标受损图片的拍摄偶然性来提高图像特征的表征性，优化得到目标受损图片中每个像素点的像素期望值，达到在多组目标受损图片的波动程度最小，即得到的期望值能够最大程度的表征出齿轮轴受损部位的实际受损状态，因而使得受损类别和受损程度的识别精度得以提升。
本发明获取无损超声波探伤数据和目标超声波探伤数据，将目标超声波探伤数据拟合至探伤数据坐标系中得到目标齿轮轴检测曲线，比对目标齿轮轴检测曲线和齿轮轴无损曲线区间得到目标变速箱齿轮轴的受损位置区间，以实现受损位置的在线定位，对运行的目标变速箱齿轮轴的受损位置区间进行图片拍摄得到目标变速箱齿轮轴的受损图片，并将受损图片进行图像识别得到目标变速箱齿轮轴的受损类别和受损程度，以实现受损类别和受损程度的在线确定，在线受损监测可实时获取齿轮轴在运行过程中的损伤情况，无需停工检测避免生产量的降低，而且实时掌握损伤情况能够进行提前预警，降低运行危险性。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (10)
1.一种变速箱齿轮轴探伤检测方法，其特征在于，包括以下步骤：
步骤S1、获取无损伤变速箱齿轮轴，并将无损伤变速箱齿轮轴安装至变速箱中进行工况运行，对工况运行的无损伤变速箱齿轮轴外周部进行超声波探伤获得无损超声波探伤数据；
步骤S2、建立变速箱齿轮轴外周部的探伤数据坐标系，将无损超声波探伤数据拟合至探伤数据坐标系中得到无损齿轮轴检测曲线，设定无损阈值区间，基于无损阈值区间将无损齿轮轴检测曲线进行修正得到齿轮轴无损曲线区间；
步骤S3、对工况运行的目标变速箱齿轮轴外周部进行超声波探伤获得目标超声波探伤数据，将目标超声波探伤数据拟合至探伤数据坐标系中得到目标齿轮轴检测曲线，比对目标齿轮轴检测曲线和齿轮轴无损曲线区间得到目标变速箱齿轮轴的受损位置区间，以实现受损位置的在线定位；
步骤S4、对运行的目标变速箱齿轮轴的受损位置区间进行图片拍摄得到目标变速箱齿轮轴的受损图片，并将受损图片进行图像识别得到目标变速箱齿轮轴的受损类别和受损程度，以实现受损类别和受损程度的在线确定。
2.根据权利要求1所述的一种变速箱齿轮轴探伤检测方法，其特征在于：所述对工况运行的无损伤变速箱齿轮轴外周部进行超声波探伤获得无损超声波探伤数据，包括：
在无损伤变速箱齿轮轴外周部随机选取一周向位置作为探伤起点，并由探伤起点开始沿工况运行的周向旋转方向对所述外周部进行持续性超声波探伤获得一组无损超声探伤持续数据，并在每经过一次探伤起点进行一次段点标记，在段点标记数量达到预设值时停止超声波探伤；
将一组所述无损超声探伤持续数据沿段点进行分割得到多组表征所述外周部每个周向位置处受损特征的无损超声探伤数据，并将多组无损超声探伤数据进行数据优化为一组无损超声探伤数据；
其中，以探伤起点为坐标原点，并将无损超声探伤数据的周向位置与探伤起点的周向距离作为无损超声损伤数据的位置坐标。
3.根据权利要求2所述的一种变速箱齿轮轴探伤检测方法，其特征在于：所述建立变速箱齿轮轴外周部的探伤数据坐标系，将无损超声波探伤数据拟合至探伤数据坐标系中得到无损齿轮轴检测曲线，包括：
以位置坐标作为探伤数据坐标系的横坐标，将超声波探伤数据作为探伤，数据坐标系的纵坐标，以构建出所述探伤数据坐标系；
将一组无损超声波探伤数据依据无损超声损伤数据和无损超声损伤数据的位置坐标在所述探伤数据坐标系中进行二维描点得到一组无损齿轮轴检测数据点，并在探伤数据坐标轴中对一组无损齿轮轴检测数据点进行曲线拟合得到所述无损齿轮轴检测曲线。
4.根据权利要求3所述的一种变速箱齿轮轴探伤检测方法，其特征在于：所述设定无损阈值区间，基于无损阈值区间将无损齿轮轴检测曲线进行修正得到齿轮轴无损曲线区间，包括：
设定表征无损伤变速箱齿轮轴的检测误差上限和检测误差下限，并将检测误差上限和检测误差下限分别作为区间上限和区间下限组成所述无损阈值区间；
将无损齿轮轴检测曲线基于无损阈值区间在探伤数据坐标系上进行纵向修正得到所述齿轮轴无损曲线区间，所述纵向修正的修正公式为：
式中，F表征为齿轮轴无损曲线区间的函数表达式，f表征为无损齿轮轴检测曲线的函数表达式，[-A,+B]表征为无损阈值区间，-A表征为检测误差下限，+B表征为检测误差上限。
5.根据权利要求4所述的一种变速箱齿轮轴探伤检测方法，其特征在于：所述对工况运行的目标变速箱齿轮轴外周部进行超声波探伤获得目标超声波探伤数据，包括：
在目标变速箱齿轮轴外周部标记出所述探伤起点，并由探伤起点开始沿工况运行的周向旋转方向对所述外周部进行持续性超声波探伤获得一组目标超声探伤持续数据，并在每经过一次探伤起点进行一次段点标记，在段点标记数量达到预设值时停止超声波探伤；
将一组所述目标超声探伤持续数据沿段点进行分割得到多组表征所述外周部每个周向位置处受损特征的目标超声探伤数据，并将多组目标超声探伤数据进行数据优化为一组目标超声探伤数据；
其中，以探伤起点为坐标原点，并将目标超声探伤数据的周向位置与探伤起点的周向距离作为目标超声损伤数据的位置坐标。
6.根据权利要求5所述的一种变速箱齿轮轴探伤检测方法，其特征在于：所述将目标超声波探伤数据拟合至探伤数据坐标系中得到目标齿轮轴检测曲线，包括：
将一组目标超声波探伤数据依据目标超声损伤数据和目标超声损伤数据的位置坐标在所述探伤数据坐标系中进行二维描点得到一组目标齿轮轴检测数据点，并在探伤数据坐标轴中对一组目标齿轮轴检测数据点进行曲线拟合得到所述目标齿轮轴检测曲线。
7.根据权利要求6所述的一种变速箱齿轮轴探伤检测方法，其特征在于，所述比对目标齿轮轴检测曲线和齿轮轴无损曲线区间得到目标变速箱齿轮轴的受损位置区间，包括：
将目标齿轮轴检测曲线和齿轮轴无损曲线区间进行边界交点求解，并沿求得的多个边界交点将目标齿轮轴检测曲线切割个多组局部曲线；
依次判定每组局部曲线与所述齿轮轴无损曲线区间的位置关系，其中，
若局部曲线不位于所述齿轮轴无损曲线区间内部，则局部曲线的位置坐标区间标记为受损位置区间；
若局部曲线位于所述齿轮轴无损曲线区间内部，则局部曲线的位置坐标区间标记为非受损位置区间。
8.根据权利要求7所述的一种变速箱齿轮轴探伤检测方法，其特征在于，所述对运行的目标变速箱齿轮轴的受损位置区间进行图片拍摄得到目标变速箱齿轮轴的受损图片，包括：
在目标变速箱齿轮轴外周部标记出所述受损位置区间的两端点分别作为拍摄起点和拍摄终点，并沿工况运行的周向旋转方向在拍摄起点和拍摄终点间进行图片持续性拍摄获得多组表征受损位置区间的图像特征的目标受损图片，其中，在拍摄起点处启动拍摄，在拍摄终点处停止拍摄，以保证目标受损图片中仅包含受损位置区间的图像特征降低冗余像素干扰；
将多组目标受损图片进行图像优化为一组目标变速箱齿轮轴的受损图片。
9.根据权利要求8所述的一种变速箱齿轮轴探伤检测方法，其特征在于，所述将受损图片进行图像识别得到目标变速箱齿轮轴的受损类别和受损程度，包括：
将所述受损图像进行灰度化处理得到受损灰度图像，并将受损灰度图像输入至受损类别识别模型，输出目标变速箱齿轮轴的受损类别；
将受损灰度图像输入至受损类别下的受损程度识别模型，输出目标变速箱齿轮轴的受损程度，其中，利用所有受损类别混合的大量受损图片通过神经网络模型训练获得受损类别识别模型，利用每个受损类别下的多个受损图片通过神经网络模型训练获得每个受损类别下的受损程度识别模型。
10.根据权利要求9所述的一种变速箱齿轮轴探伤检测方法，其特征在于，所述数据优化包括：
设定无损超声探伤数据/目标超声探伤数据中每个位置坐标处的期望值，并基于期望值构建表征多组无损超声探伤数据/多组目标超声探伤数据波动程度的方差公式作为无损超声探伤数据/目标超声探伤数据的数据优化公式，所述数据优化公式为：
式中，Z表征为无损超声探伤数据/目标超声探伤数据的波动程度，X j,pi 表征为第j组中位置坐标pi的无损超声探伤数据/目标超声探伤数据的实际值，Y pi 表征为位置坐标pi的无损超声探伤数据/目标超声探伤数据的期望值，min为最小化运算符，n为无损超声探伤数据/目标超声探伤数据的数据组数，m为每组无损超声探伤数据/每组目标超声探伤数据的坐标总数量，i,j为计量常数；
对数据优化公式进行求解得到位置坐标pi的无损超声探伤数据/目标超声探伤数据的期望值，并沿位置坐标进行顺序链接得到一组无损超声探伤数据/一组目标超声探伤数据，以降低无损超声探伤数据/目标超声探伤数据的检测偶然性来提高受损特征的表征性；
所述图像优化包括：
设定目标受损图片中每个像素点的像素期望值，并基于像素期望值构建表征多组目标受损图片波动程度的方差公式作为目标受损图片的图像优化公式，所述图像优化公式为：
式中，L表征为目标受损图片的波动程度，X r,pk 表征为第r组中像素点pk的像素实际值，Y pk 表征为像素点pk的像素期望值，min为最小化运算符，N为目标受损图片的组数，M为每组目标受损图片的像素点总数量，k,r为计量常数；
对图像优化公式进行求解得到像素点pk的像素期望值，并沿像素点进行顺序链接得到一组受损图片，以降低目标受损图片的拍摄偶然性来提高图像特征的表征性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211179858.XA CN115266932A (zh) | 2022-09-27 | 2022-09-27 | 一种变速箱齿轮轴探伤检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211179858.XA CN115266932A (zh) | 2022-09-27 | 2022-09-27 | 一种变速箱齿轮轴探伤检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115266932A true CN115266932A (zh) | 2022-11-01 |
Family
ID=83756950
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211179858.XA Pending CN115266932A (zh) | 2022-09-27 | 2022-09-27 | 一种变速箱齿轮轴探伤检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115266932A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116460136A (zh) * | 2023-03-31 | 2023-07-21 | 广东汇锦科技有限公司 | 基于工业ct的漆包线的线材轧辊控制方法及系统 |
-
2022
- 2022-09-27 CN CN202211179858.XA patent/CN115266932A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116460136A (zh) * | 2023-03-31 | 2023-07-21 | 广东汇锦科技有限公司 | 基于工业ct的漆包线的线材轧辊控制方法及系统 |
| CN116460136B (zh) * | 2023-03-31 | 2023-09-19 | 广东汇锦科技有限公司 | 基于工业ct的漆包线的线材轧辊控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109840900B (zh) | 一种应用于智能制造车间的故障在线检测系统及检测方法 | |
| CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
| CN104063873B (zh) | 一种基于压缩感知的轴套类零件表面缺陷在线检测方法 | |
| JP2014006222A (ja) | コンクリート表面の変状検出方法及び装置 | |
| CN113112501B (zh) | 一种基于深度学习的车载轨道巡检装置及方法 | |
| CN113284109B (zh) | 管道缺陷识别方法、装置、终端设备及存储介质 | |
| CN109693140B (zh) | 一种智能化柔性生产线及其工作方法 | |
| CN115266932A (zh) | 一种变速箱齿轮轴探伤检测方法 | |
| CN113012098B (zh) | 一种基于bp神经网络的铁塔角钢冲孔缺陷检测方法 | |
| CN111724358A (zh) | 基于图像和卷积神经网络的混凝土质量检测方法及系统 | |
| CN113063795A (zh) | 一种高速公路隧道病害位置确定方法及系统 | |
| CN114119535A (zh) | 基于视觉检测的激光清洗效果在线监测方法 | |
| CN111539927A (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测过程及算法 | |
| CN113763363A (zh) | 一种排水管道破裂缺陷检测及等级评定方法 | |
| CN115014217A (zh) | 一种基于激光测距的管材在线检测方法 | |
| CN114926415A (zh) | 一种基于pcnn与深度学习的钢轨表面检测方法 | |
| CN116109633B (zh) | 一种轴承保持器的窗口检测方法及设备 | |
| CN116740060B (zh) | 基于点云几何特征提取的装配式预制构件尺寸检测方法 | |
| CN116739986A (zh) | Auv在输水隧洞内对典型缺陷检测的光学声学组合方法 | |
| CN113469991B (zh) | 一种锂电池极耳激光焊点视觉在线检测方法 | |
| CN115234845A (zh) | 基于投影模型的油气管道内壁缺陷图像可视化检测方法 | |
| CN113469988A (zh) | 一种缺陷识别方法 | |
| CN114383505B (zh) | 一种用于短轴类零件尺寸的自动检测装置 | |
| CN115760856B (zh) | 一种基于图像识别的零件间距测量方法、系统和存储介质 | |
| US20230316492A1 (en) | Teacher data generating method and generating device |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221101 |