CN117233347B - 一种碳钢球化等级测量方法、系统及设备 - Google Patents
一种碳钢球化等级测量方法、系统及设备 Download PDFInfo
- Publication number
- CN117233347B CN117233347B CN202311515163.9A CN202311515163A CN117233347B CN 117233347 B CN117233347 B CN 117233347B CN 202311515163 A CN202311515163 A CN 202311515163A CN 117233347 B CN117233347 B CN 117233347B
- Authority
- CN
- China
- Prior art keywords
- magnetic parameter
- spheroidization
- carbon steel
- parameter detection
- grade
- 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
Links
- 229910000975 Carbon steel Inorganic materials 0.000 title claims abstract description 86
- 239000010962 carbon steel Substances 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000001514 detection method Methods 0.000 claims abstract description 147
- 238000012216 screening Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 6
- 239000010931 gold Substances 0.000 claims description 6
- 229910052737 gold Inorganic materials 0.000 claims description 6
- 238000010587 phase diagram Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims description 2
- 238000004381 surface treatment Methods 0.000 claims description 2
- 238000007873 sieving Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 10
- 238000012360 testing method Methods 0.000 abstract description 4
- 239000007822 coupling agent Substances 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 14
- 238000004891 communication Methods 0.000 description 5
- 238000000611 regression analysis Methods 0.000 description 4
- 239000013043 chemical agent Substances 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000003973 paint Substances 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005297 material degradation process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明公开一种碳钢球化等级测量方法、系统及设备,涉及球化等级测量领域。本发明通过对多个不同球化等级的碳钢部件试样进行力学性能检测或金相检测,确定多个碳钢部件试样的球化等级;对已知球化等级的碳钢部件试样进行磁参数检测,得到切向磁场强度中的第三、五、七次谐波相位的多组磁参数检测数据;对多组磁参数检测数据进行筛选,筛选出目标磁参数数据集;利用目标磁参数数据集对预测模型进行训练,得到训练好的球化等级预测模型,来实现待测碳钢部件的球化等级预测。本发明利用磁参数来评定碳钢的球化等级,可以实现碳钢球化等级的快速、准确、无损测量,不需要耦合剂且无检测盲区,并且测量工序简单,具有广泛的应用前景。
Description
技术领域
本发明涉及球化等级测量技术领域,特别是涉及一种碳钢球化等级测量方法、系统及设备。
背景技术
球化是一种常见于电站锅炉过热器等高温设备的材料劣化损伤,球化会造成设备的力学性能降低,甚至会引发结构变形失效、爆管开裂等事故。而球化等级是评价球化损伤程度严重与否的一种重要指标,目前能够准确测量球化等级的常用手段是通过切取工件部件进行金相检测,然后对比球化等级标准图进行测量,但此种方法测量周期长、破坏性大且无法对在役的工件进行检测。目前也有利用硬度检测对工件进行数据对比从而进行球化等级测量的方法,虽能进行在役检测,但也属于创伤有损检测。无损球化等级测量方法主要利用超声检测对球化等级定级,但超声检测需要耦合剂等化学药剂进行检测,且存在检测盲区,近表面的损伤无法测定。
发明内容
针对上述背景技术中提出的问题,本发明提供一种碳钢球化等级测量方法、系统及设备,以采用简单工序实现碳钢球化等级的快速、准确、无损及无盲区测量。
为实现上述目的,本发明提供了如下方案。
一方面,本发明提供一种碳钢球化等级测量方法,包括:对多个不同球化等级的碳钢部件试样进行力学性能检测或金相检测,确定多个碳钢部件试样的球化等级;对已知球化等级的碳钢部件试样进行磁参数检测,得到多组磁参数检测数据;所述磁参数为切向磁场强度中的第三、五、七次谐波相位;对多组磁参数检测数据进行筛选,筛选出目标磁参数数据集;利用目标磁参数数据集对预测模型进行训练,得到训练好的球化等级预测模型;利用训练好的球化等级预测模型预测待测碳钢部件的球化等级。
可选地,所述对多个不同球化等级的碳钢部件试样进行力学性能检测或金相检测,确定多个碳钢部件试样的球化等级,具体包括:对每个碳钢部件试样进行表面处理露出本体组织后,进行力学性能检测或金相检测,得到力学性能数据或金相图;所述力学性能数据包括强度和硬度;将得到的力学性能数据与球化等级标准表进行对比,或将得到的金相图与球化等级标准图进行对比,确定出每个碳钢部件试样的球化等级。
可选地,所述对已知球化等级的碳钢部件试样进行磁参数检测,得到多组磁参数检测数据,具体包括:利用磁参数检测仪器对已知球化等级的每个碳钢部件试样进行多次磁参数检测,得到切向磁场强度中的第三、五、七次谐波相位的多组磁参数检测数据。
可选地,所述对多组磁参数检测数据进行筛选,筛选出目标磁参数数据集,具体包括:计算每组磁参数检测数据的平均值;根据平均值/>,采用公式/>计算每组磁参数检测数据的标准差/>;其中n为每组磁参数检测数据中包括的磁参数检测数据的数量,/>表示每组磁参数检测数据中的第i个磁参数检测数据;根据平均值/>和标准差/>,采用公式/>计算变异系数/>;筛除变异系数/>超过10%的磁参数检测数据,将筛除后剩下的磁参数检测数据构成目标磁参数数据集。
可选地,所述对多组磁参数检测数据进行筛选,筛选出目标磁参数数据集,具体包括:采用公式计算每组磁参数检测数据的皮尔逊相关系数/>;其中n为每组磁参数检测数据中包括的磁参数检测数据的数量,/>表示每组磁参数检测数据中的第i个磁参数检测数据;/>为每组磁参数检测数据的平均值;/>表示/>对应的球化等级;/>为/>的平均值;筛除皮尔逊相关系数/>低于相关性阈值的磁参数检测数据,将筛除后剩下的磁参数检测数据构成目标磁参数数据集。
可选地,所述利用目标磁参数数据集对预测模型进行训练,得到训练好的球化等级预测模型,具体包括:将磁参数检测数据作为自变量,球化等级作为因变量,采用最小二乘法对目标磁参数数据集中的多个磁参数检测数据以及对应的球化等级进行拟合,将拟合程度最高的拟合曲线作为训练好的球化等级预测模型。
可选地,所述利用目标磁参数数据集对预测模型进行训练,得到训练好的球化等级预测模型,具体包括:将目标磁参数数据集中的多个磁参数检测数据作为输入,将对应的球化等级作为输出,对机器学习模型进行训练,得到训练好的球化等级预测模型;所述机器学习模型包括随机森林回归模型、神经网络模型和支持向量机。
另一方面,本发明还提供一种碳钢球化等级测量系统,包括:球化等级检测模块,用于对多个不同球化等级的碳钢部件试样进行力学性能检测或金相检测,确定多个碳钢部件试样的球化等级;磁参数检测模块,用于对已知球化等级的碳钢部件试样进行磁参数检测,得到多组磁参数检测数据;所述磁参数为切向磁场强度中的第三、五、七次谐波相位;磁参数筛选模块,用于对多组磁参数检测数据进行筛选,筛选出目标磁参数数据集;预测模型训练模块,用于利用目标磁参数数据集对预测模型进行训练,得到训练好的球化等级预测模型;球化等级预测模块,用于利用训练好的球化等级预测模型预测待测碳钢部件的球化等级。
另一方面,本发明还提供一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的碳钢球化等级测量方法。
可选地,所述存储器为非暂态计算机可读存储介质。
根据本发明提供的具体实施例,本发明公开了以下技术效果。
本发明提供了一种碳钢球化等级测量方法、系统及设备,通过对多个不同球化等级的碳钢部件试样进行力学性能检测或金相检测,确定多个碳钢部件试样的球化等级;对已知球化等级的碳钢部件试样进行磁参数检测,得到切向磁场强度中的第三、五、七次谐波相位的多组磁参数检测数据;对多组磁参数检测数据进行筛选,筛选出目标磁参数数据集;利用目标磁参数数据集对预测模型进行训练,得到训练好的球化等级预测模型;利用训练好的球化等级预测模型预测待测碳钢部件的球化等级。本发明利用切向磁场强度中的第三、五、七次谐波相位来评定碳钢的球化等级,可以实现碳钢球化等级的快速、准确、无损测量,不需要耦合剂且无检测盲区,并且测量工序简单,具有广泛的应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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为本发明一种碳钢球化等级测量方法的流程图。
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。
本发明的目的是提供一种碳钢球化等级测量方法、系统及设备,以采用简单工序实现碳钢球化等级的快速、准确、无损及无盲区测量,可以有效地解决现有的碳钢部件球化评估方法成本高、评价周期过长、破坏性取样后的工件恢复难度较大的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明一种碳钢球化等级测量方法的流程图。参见图1,一种碳钢球化等级测量方法,包括以下步骤1至步骤5。
步骤1:对多个不同球化等级的碳钢部件试样进行力学性能检测或金相检测,确定多个碳钢部件试样的球化等级。
先获取某一牌号碳钢部件试样,将每个碳钢部件试样去除表面氧化层和油漆等组织,直到展现出金属内部的本体组织状态后,对多个球化等级程度不同的碳钢部件试样进行力学性能检测或金相检测等现有检测方法,得到对应的力学性能数据或金相图;所述力学性能数据包括强度和硬度等数据。然后将得到的力学性能数据与球化等级标准表进行对比,或将得到的金相图与球化等级标准图进行对比,确定出每个碳钢部件试样的球化等级。
步骤2:对已知球化等级的碳钢部件试样进行磁参数检测,得到多组磁参数检测数据;所述磁参数为切向磁场强度中的第三、五、七次谐波相位。
通过利用磁参数仪等便携式或非便携式磁参数检测仪器对已知球化等级的每个碳钢部件试样进行多次磁参数检测,主要检测切向磁场强度中的第三、五、七次谐波相位,从而得到多组磁参数检测数据。每组磁参数检测数据中都包括n个检测值,n为大于10的正整数。
步骤3:对多组磁参数检测数据进行筛选,筛选出目标磁参数数据集。
对于不同球化等级的碳钢部件试样,可以利用变异系数、回归分析等数据分析方法来筛选出与球化等级相关性大的目标磁参数数据集。
其中,利用变异系数对多组磁参数检测数据进行筛选的过程包括:计算每组磁参数检测数据的平均值;根据平均值/>,采用公式/>计算每组磁参数检测数据的标准差/>;其中n为每组磁参数检测数据中包括的磁参数检测数据的数量,/>表示每组磁参数检测数据中的第i个磁参数检测数据;根据平均值/>和标准差/>,采用公式计算变异系数/>;筛除变异系数/>超过10%的磁参数检测数据,将筛除后剩下的磁参数检测数据构成目标磁参数数据集。
另一方面,利用回归分析对多组磁参数检测数据进行筛选的过程包括:利用回归分析方法,首先采用公式计算每组磁参数检测数据的皮尔逊相关系数/>;其中两个变量之间的皮尔逊相关系数/>定义为两个变量之间的协方差和标准差的商;n为每组磁参数检测数据中包括的磁参数检测数据的数量,/>表示每组磁参数检测数据中的第i个磁参数检测数据;/>为每组磁参数检测数据的平均值;/>表示/>对应的球化等级;/>为/>的平均值;筛除皮尔逊相关系数/>低于相关性阈值的磁参数检测数据,将筛除后剩下的磁参数检测数据构成目标磁参数数据集。
具体数据筛选过程可通过spass、MATLAB等软件得出结果,筛出变异系数或皮尔逊相关系数较大的磁参数检测数据来构成目标磁参数数据集,以供后续预测模型训练中使用。
步骤4:利用目标磁参数数据集对预测模型进行训练,得到训练好的球化等级预测模型。
本发明利用变异系数或回归分析对多组磁参数检测数据进行筛选,筛选出相关性大的目标磁参数数据集,随后可以利用线性拟合、机器学习等多种数据预测方法或模型将这些磁参数检测数据与球化等级进行关联,找出预测结果最好的一种或几种模型,将其纳入数据库中,形成球化等级的磁参数标定库。
本发明进行预测模型训练时,所使用的预测模型包括但不限于线性拟合模型、机器学习模型等。
当采用线性拟合模型作为预测模型时,所述利用目标磁参数数据集对预测模型进行训练,得到训练好的球化等级预测模型,具体包括:将磁参数检测数据作为自变量,将对应的球化等级作为因变量,采用最小二乘法对目标磁参数数据集中的多个磁参数检测数据以及对应的球化等级进行拟合,将拟合程度最高的拟合曲线作为训练好的球化等级预测模型。最小二乘法公式如下所示:。其中,拟合曲线的斜率/>。计算出斜率/>后,根据(/>)和已经确定的斜率/>,利用待定系数法求出截距/>。进而可以将确定斜率/>和截距/>后的拟合曲线作为线性拟合模型。
当采用机器学习模型作为预测模型时,所述利用目标磁参数数据集对预测模型进行训练,得到训练好的球化等级预测模型,具体包括:将目标磁参数数据集中的多个磁参数检测数据作为输入,将对应的球化等级作为输出,对机器学习模型进行训练,得到训练好的球化等级预测模型;所述机器学习模型可以为随机森林回归模型、神经网络模型和支持向量机等模型。模型训练过程可以利用python、MATLAB等软件进行计算处理,得出训练好的球化等级预测模型。
作为一个具体实施例,可以使用Python编程语言和scikit-learn库实现利用随机森林回归模型进行球化等级预测的功能。具体来说,在python中,首先通过train_test_split函数将筛选后的目标磁参数数据集以及对应的已知球化等级数据集随机分为训练集和测试集,其中训练集用于构建预测模型,测试集用于评估预测模型的性能。接着,通过RandomForestRegressor类创建一个随机森林回归模型,并将训练集特征矩阵和目标值向量/>作为输入进行模型训练。模型训练完成后,将待预测的球化等级的碳钢部件的磁参数(即切向磁场强度中的第三、五、七次谐波相位)/>作为输入传入模型,得到对应的目标值预测结果(即球化等级)/>,最后将预测球化等级输出。
随机森林回归模型将磁参数进行随机分配拟合出最优解来对球化等级进行预测,具体过程包括:(1)每次有放回地从训练集中取出个训练样本,组成新的训练集;训练样本即为磁参数,磁参数有多个,每次都随机选取磁参数组成新的样本集;(2)利用新的训练集,训练得到/>个子模型;具体可以利用上述最小二乘法得到的拟合曲线作为子模型去预测球化等级;(3)对(2)中/>个子模型的预测结果(即球化等级预测值)进行平均计算得到最终的球化等级预测值。
随机森林以决策树(训练得到的个子模型)为基本单元,通过集成大量的决策树,就构成了随机森林。
步骤5:利用训练好的球化等级预测模型预测待测碳钢部件的球化等级。
球化等级预测模型训练完成后,将其存入球化等级的磁参数标定库中。在进行实时检测时,利用磁参数检测仪器测出需要评定球化等级的待测碳钢部件的切向磁场强度中的第三、五、七次谐波相位,然后将此磁参数输入磁参数标定库中存储的某个球化等级预测模型进行预测,即可得出该待测碳钢部件的球化等级,上述处理过程通过计算机程序完成。
可见本发明一种碳钢球化等级测量方法相较现有技术至少具有以下有益效果:1)由于磁参数检测仅需仪器利用传感器探头进行检测,对于工件表面仅需除去表面氧化层及油漆层即可,因此利用本发明方法可进行现场检测,不用对工件进行破坏;2)前期工作完成后可快速对现有服役碳钢部件进行检测;3)工序简单,目前测定球化等级需要进行金相及力学性能检测,然后借助标准对样品定级,周期长且破坏性大,也做不到实时监测,而磁参数测定仅需球化等级预测模型训练完成后即可检测;4)无需耦合剂等化学药剂,目前有利用超声对球化等级进行评级的方法,但超声需要耦合剂才能进行检测且有盲区,而磁参数检测并不需要耦合剂且无检测盲区。
基于本发明提供的方法,本发明还提供一种碳钢球化等级测量系统,包括:球化等级检测模块,用于对多个不同球化等级的碳钢部件试样进行力学性能检测或金相检测,确定多个碳钢部件试样的球化等级;磁参数检测模块,用于对已知球化等级的碳钢部件试样进行磁参数检测,得到多组磁参数检测数据;所述磁参数为切向磁场强度中的第三、五、七次谐波相位;磁参数筛选模块,用于对多组磁参数检测数据进行筛选,筛选出目标磁参数数据集;预测模型训练模块,用于利用目标磁参数数据集对预测模型进行训练,得到训练好的球化等级预测模型;球化等级预测模块,用于利用训练好的球化等级预测模型预测待测碳钢部件的球化等级。
进一步地,本发明还提供一种电子设备,该电子设备可以包括:处理器、通信接口、存储器和通信总线。其中,处理器、通信接口、存储器通过通信总线完成相互间的通信。处理器可以调用存储器中的计算机程序,以执行所述的碳钢球化等级测量方法。
此外,上述的存储器中的计算机程序通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个非暂态计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
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他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,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。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种碳钢球化等级测量方法,其特征在于,包括:
对多个不同球化等级的碳钢部件试样进行力学性能检测或金相检测,确定多个碳钢部件试样的球化等级;
对已知球化等级的碳钢部件试样进行磁参数检测,得到多组磁参数检测数据;所述磁参数为切向磁场强度中的第三、五、七次谐波相位;
对多组磁参数检测数据进行筛选,筛选出目标磁参数数据集;
利用目标磁参数数据集对预测模型进行训练,得到训练好的球化等级预测模型;
利用训练好的球化等级预测模型预测待测碳钢部件的球化等级。
2.根据权利要求1所述的碳钢球化等级测量方法,其特征在于,所述对多个不同球化等级的碳钢部件试样进行力学性能检测或金相检测,确定多个碳钢部件试样的球化等级,具体包括:
对每个碳钢部件试样进行表面处理露出本体组织后,进行力学性能检测或金相检测,得到力学性能数据或金相图;所述力学性能数据包括强度和硬度;
将得到的力学性能数据与球化等级标准表进行对比,或将得到的金相图与球化等级标准图进行对比,确定出每个碳钢部件试样的球化等级。
3.根据权利要求1所述的碳钢球化等级测量方法,其特征在于,所述对已知球化等级的碳钢部件试样进行磁参数检测,得到多组磁参数检测数据,具体包括:
利用磁参数检测仪器对已知球化等级的每个碳钢部件试样进行多次磁参数检测,得到切向磁场强度中的第三、五、七次谐波相位的多组磁参数检测数据。
4.根据权利要求1所述的碳钢球化等级测量方法,其特征在于,所述对多组磁参数检测数据进行筛选,筛选出目标磁参数数据集,具体包括:
计算每组磁参数检测数据的平均值;
根据平均值,采用公式/>计算每组磁参数检测数据的标准差/>;其中n为每组磁参数检测数据中包括的磁参数检测数据的数量,/>表示每组磁参数检测数据中的第i个磁参数检测数据;
根据平均值和标准差/>,采用公式/>计算变异系数/>;
筛除变异系数超过10%的磁参数检测数据,将筛除后剩下的磁参数检测数据构成目标磁参数数据集。
5.根据权利要求1所述的碳钢球化等级测量方法,其特征在于,所述对多组磁参数检测数据进行筛选,筛选出目标磁参数数据集,具体包括:
采用公式计算每组磁参数检测数据的皮尔逊相关系数/>;其中n为每组磁参数检测数据中包括的磁参数检测数据的数量,/>表示每组磁参数检测数据中的第i个磁参数检测数据;/>为每组磁参数检测数据的平均值;/>表示/>对应的球化等级;/>为/>的平均值;
筛除皮尔逊相关系数低于相关性阈值的磁参数检测数据,将筛除后剩下的磁参数检测数据构成目标磁参数数据集。
6.根据权利要求1所述的碳钢球化等级测量方法,其特征在于,所述利用目标磁参数数据集对预测模型进行训练,得到训练好的球化等级预测模型,具体包括:
将磁参数检测数据作为自变量,球化等级作为因变量,采用最小二乘法对目标磁参数数据集中的多个磁参数检测数据以及对应的球化等级进行拟合,将拟合程度最高的拟合曲线作为训练好的球化等级预测模型。
7.根据权利要求1所述的碳钢球化等级测量方法,其特征在于,所述利用目标磁参数数据集对预测模型进行训练,得到训练好的球化等级预测模型,具体包括:
将目标磁参数数据集中的多个磁参数检测数据作为输入,将对应的球化等级作为输出,对机器学习模型进行训练,得到训练好的球化等级预测模型;所述机器学习模型包括随机森林回归模型、神经网络模型和支持向量机。
8.一种碳钢球化等级测量系统,其特征在于,包括:
球化等级检测模块,用于对多个不同球化等级的碳钢部件试样进行力学性能检测或金相检测,确定多个碳钢部件试样的球化等级;
磁参数检测模块,用于对已知球化等级的碳钢部件试样进行磁参数检测,得到多组磁参数检测数据;所述磁参数为切向磁场强度中的第三、五、七次谐波相位;
磁参数筛选模块,用于对多组磁参数检测数据进行筛选,筛选出目标磁参数数据集;
预测模型训练模块,用于利用目标磁参数数据集对预测模型进行训练,得到训练好的球化等级预测模型;
球化等级预测模块,用于利用训练好的球化等级预测模型预测待测碳钢部件的球化等级。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的碳钢球化等级测量方法。
10.根据权利要求9所述的电子设备,其特征在于,所述存储器为非暂态计算机可读存储介质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311515163.9A CN117233347B (zh) | 2023-11-15 | 2023-11-15 | 一种碳钢球化等级测量方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311515163.9A CN117233347B (zh) | 2023-11-15 | 2023-11-15 | 一种碳钢球化等级测量方法、系统及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117233347A CN117233347A (zh) | 2023-12-15 |
CN117233347B true CN117233347B (zh) | 2024-02-06 |
Family
ID=89098833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311515163.9A Active CN117233347B (zh) | 2023-11-15 | 2023-11-15 | 一种碳钢球化等级测量方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117233347B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117933828A (zh) * | 2024-03-20 | 2024-04-26 | 上海强华实业股份有限公司 | 一种精烧工艺闭环质量反馈与过程参数自适应调节方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7357826B1 (en) * | 2003-11-25 | 2008-04-15 | Dana Automotive Systems Group, Llc. | Method and apparatus to monitor/detect nodularization in ductile iron |
CN103018248A (zh) * | 2012-12-11 | 2013-04-03 | 河北省电力建设调整试验所 | 基于轮廓跟踪对珠光体球化的分级方法 |
CN204101515U (zh) * | 2014-11-25 | 2015-01-14 | 哈尔滨理工大学 | 一种超声纵波检测球铁件球化级别的装置 |
CN116995959A (zh) * | 2023-06-29 | 2023-11-03 | 天津大学 | 永磁球形电机转子磁极位置辨识方法、设备及存储介质 |
-
2023
- 2023-11-15 CN CN202311515163.9A patent/CN117233347B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7357826B1 (en) * | 2003-11-25 | 2008-04-15 | Dana Automotive Systems Group, Llc. | Method and apparatus to monitor/detect nodularization in ductile iron |
CN103018248A (zh) * | 2012-12-11 | 2013-04-03 | 河北省电力建设调整试验所 | 基于轮廓跟踪对珠光体球化的分级方法 |
CN204101515U (zh) * | 2014-11-25 | 2015-01-14 | 哈尔滨理工大学 | 一种超声纵波检测球铁件球化级别的装置 |
CN116995959A (zh) * | 2023-06-29 | 2023-11-03 | 天津大学 | 永磁球形电机转子磁极位置辨识方法、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
SLM成型件表面球化程度表征方法及等级检测;蒋国璋 等;激光与红外;第51卷(第12期);第1576-1585页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117233347A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117233347B (zh) | 一种碳钢球化等级测量方法、系统及设备 | |
Wang et al. | Densely connected convolutional networks for vibration based structural damage identification | |
CA2777939C (en) | Method of modeling steam generator and processing steam generator tube data of nuclear power plant | |
Yanez-Borjas et al. | Statistical time features for global corrosion assessment in a truss bridge from vibration signals | |
CN110555247A (zh) | 一种基于多点传感器数据和BiLSTM的结构损伤预警方法 | |
CN111177655B (zh) | 一种数据处理方法、装置及电子设备 | |
Cadini et al. | A particle filter‐based model selection algorithm for fatigue damage identification on aeronautical structures | |
CN115982896B (zh) | 一种轴承保持架的寿命检测方法及装置 | |
CN110555235A (zh) | 基于向量自回归模型的结构局部缺陷检测方法 | |
Asjodi et al. | Spatial analysis of damage evolution in cyclic-loaded reinforced concrete shear walls | |
CN115098962A (zh) | 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法 | |
Bandara et al. | Structural health assessment of timber utility poles using stress wave propagation and artificial neural network techniques | |
Yu et al. | Automated health condition diagnosis of in situ wood utility poles using an intelligent non-destructive evaluation (NDE) framework | |
Li et al. | Magnetic barkhausen noise technique for early-stage fatigue prediction in martensitic stainless-steel samples | |
Sazonov et al. | Fuzzy logic expert system for automated damage detection from changes in strain energy mode shapes | |
Chen et al. | Localization and imaging of internal hidden defects in concrete slabs based on deep learning of vibration signals | |
Aldrin et al. | Assessing the reliability of nondestructive evaluation methods for damage characterization | |
CN117191956A (zh) | 一种基于声发射的钛合金应力腐蚀损伤分类方法及装置 | |
Dominguez et al. | A new approach of confidence in POD determination using simulation | |
Chen et al. | Acoustic emission signal-based non-destructive testing of carbon content of Pr-Nd alloys | |
Zhang et al. | An improved convolutional neural network for convenient rail damage detection | |
CN112131781A (zh) | 基于全连接神经网络与传递率函数的钢结构损伤检测方法 | |
Katam et al. | Smart Diagnosis of a Cantilever beam using SVM | |
CN116644863B (zh) | 钢结构焊缝质量预测管理方法及系统 | |
Yan et al. | Particle filtering based structural assessment with acoustic emission sensing |
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 |