JPH03191859A - Crack detecting apparatus - Google Patents
Crack detecting apparatusInfo
- Publication number
- JPH03191859A JPH03191859A JP1331968A JP33196889A JPH03191859A JP H03191859 A JPH03191859 A JP H03191859A JP 1331968 A JP1331968 A JP 1331968A JP 33196889 A JP33196889 A JP 33196889A JP H03191859 A JPH03191859 A JP H03191859A
- Authority
- JP
- Japan
- Prior art keywords
- periodicity
- waveform data
- value
- determination
- crack
- 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 claims description 34
- 238000005311 autocorrelation function Methods 0.000 abstract description 18
- 238000005070 sampling Methods 0.000 abstract description 8
- 238000003754 machining Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 34
- 238000000034 method Methods 0.000 description 20
- 238000012545 processing Methods 0.000 description 15
- 230000001934 delay Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 230000006698 induction Effects 0.000 description 10
- 238000007689 inspection Methods 0.000 description 7
- 230000002950 deficient Effects 0.000 description 6
- 238000001816 cooling Methods 0.000 description 5
- 238000005314 correlation function Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 239000002826 coolant Substances 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000010791 quenching Methods 0.000 description 2
- 230000000171 quenching effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000219112 Cucumis Species 0.000 description 1
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- FJJCIZWZNKZHII-UHFFFAOYSA-N [4,6-bis(cyanoamino)-1,3,5-triazin-2-yl]cyanamide Chemical compound N#CNC1=NC(NC#N)=NC(NC#N)=N1 FJJCIZWZNKZHII-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000006249 magnetic particle Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
Description
【発明の詳細な説明】
[産業上の利用分野]
本発明は、ワークの加工中に発生するクラックをリアル
タイムで監視することが可能なりラック検出装置に関す
る。DETAILED DESCRIPTION OF THE INVENTION [Field of Industrial Application] The present invention relates to a rack detection device that is capable of monitoring cracks occurring during processing of a workpiece in real time.
[従来の技術]
鉄鋼部材の高周波焼入時に生ずる焼割れを発見するため
に、磁気探傷法が用いられているが、この磁気探傷法は
、ワークの加工後に、そのワークに対する磁化処理、蛍
光磁粉液への浸漬処理、および蛍光発光部分の目視観察
による判定を行わなくてはならず、検査の自動化が困難
である。従って、自動的かつリアルタイムに不良品判定
を行うことが要求される自動ラインに、焼入工程を組み
込むこと1表磁気探傷法を採用する限り不可能であった
。[Prior Art] Magnetic flaw detection is used to detect quenching cracks that occur during induction hardening of steel members. Judgment must be made by immersion in a liquid and visual observation of the fluorescent part, making it difficult to automate the inspection. Therefore, it has been impossible to incorporate the hardening process into an automatic line that requires automatic and real-time determination of defective products as long as the magnetic flaw detection method is employed.
この高周波焼入の検査自動化を可能とする技術として、
アコースティックエミッション(以下[AEJ と略す
。)を利用した装置が提案されている(特開昭60−1
35861号公報)。この装置はクラックの発生時に生
ずるAE波を、フィルタ処理及び閾値判定にて捉え、そ
の発生個数および振幅平均値を演算して、クラックの状
態判定を自動化しようとするものである。As a technology that enables inspection automation of this induction hardening,
A device using acoustic emission (hereinafter referred to as AEJ) has been proposed (Japanese Patent Laid-Open No. 60-1
35861). This device attempts to automate the determination of the state of cracks by capturing the AE waves generated when cracks occur through filter processing and threshold value determination, and calculating the number of AE waves generated and the average amplitude value.
[発明が解決しようとする課題]
しかし、一般的に、高ノイズ領域にてはAE波が特に高
くない限り、フィルタ処理及び閾値判定にて、クラック
発生に起因するAE波のみを識別して捉えることは困難
である。例えば、高周波焼入時に冷却剤が用いられるが
、この冷却剤が加熱されたワークの表面で蒸発する際に
、いわゆる冷却ノイズを発生する。特に冷却初期では、
加熱時と同等な高ノイズを発生している。この様な時期
にクラックが生じると、AE波はそのノイズ中に埋もれ
てしまい、フィルタ処理や閾値判定では検出することが
できない。[Problem to be solved by the invention] However, in general, unless the AE waves are particularly high in a high noise area, only the AE waves caused by crack generation are identified and captured by filter processing and threshold determination. That is difficult. For example, a coolant is used during induction hardening, but when this coolant evaporates on the surface of a heated workpiece, so-called cooling noise is generated. Especially in the initial stage of cooling,
It generates high noise similar to that during heating. If a crack occurs at such a time, the AE wave will be buried in the noise and cannot be detected by filter processing or threshold determination.
従って、AE波が検出されなかったワークについて、や
はり磁粉探傷等によるクラックの検査が必要となり、検
査の自動化はいまだ不十分なものであった。Therefore, for workpieces in which no AE waves were detected, crack inspection by magnetic particle testing or the like is still required, and automation of the inspection is still insufficient.
本発明は、高ノイズの存在下にもクラックに起因するA
E波を識別して検出し、加工時のワークのクラック発生
状態を判断できる検出装置の実現を目的とするものであ
る。The present invention can reduce A caused by cracks even in the presence of high noise.
The purpose of this invention is to realize a detection device that can identify and detect E waves and determine the state of crack occurrence in a workpiece during processing.
[課題を解決するための手段]
即ち、本発明の要旨とするところは、第1図の基本的構
成図に例示するごとく、
検査対象物M]より放出される音波を検出するアコース
ティックエミッション検出手段M2と、上記アコーステ
ィックエミッション検出手段M2で検出される波形デー
タを所定期間に区切ってその期間毎に周期性を検出する
周期性検出手段M3と、
上記周期性検出手段M3にて検出された周期性に基づい
て上記検査対象物M1のクラック発生状態を判定するク
ラック発生判定手段M4と、を備えることを特徴とする
クラック検出装置にある。[Means for Solving the Problems] That is, the gist of the present invention is, as illustrated in the basic configuration diagram of FIG. M2, a periodicity detection means M3 that divides the waveform data detected by the acoustic emission detection means M2 into predetermined periods and detects periodicity for each period; and periodicity detected by the periodicity detection means M3. A crack detection apparatus is characterized in that it includes a crack occurrence determination means M4 that determines the crack occurrence state of the inspection object M1 based on the above.
[作用] クラック発生時のAE波は、高い周期性を示している。[Effect] The AE wave at the time of crack generation shows high periodicity.
従ってこの周期性の高さに基づき、次のようにしてクラ
ックの発生状態を判定する。Therefore, based on the height of this periodicity, the state of crack occurrence is determined as follows.
即ち、まずアコースティックエミッション検出手段M2
が、検査対象物M]より放出される音波を検出する。That is, first, the acoustic emission detection means M2
detects the sound waves emitted from the test object M].
次に周期性検出手段M3が、この波形データの周期性を
判定するために、波形データを所定期間に区切り、その
所定期間毎の波形データの周期性を検出する。即ち、波
形データを所定期間に区切って周期性を検討すると、波
形データ全体で検討するよりも、AE波のレベルの高い
期間ではノイズ中でのAE波の成分割合を大きくして検
討できることになる。この所定期間は測定対象・測定条
件等により適宜設定される。また、周期性の高さは、例
えば相関演算により得ることができる。Next, in order to determine the periodicity of this waveform data, the periodicity detection means M3 divides the waveform data into predetermined periods and detects the periodicity of the waveform data for each predetermined period. In other words, if you divide the waveform data into predetermined periods and examine periodicity, you can increase the proportion of the AE wave component in the noise during periods when the AE wave level is high, rather than examining the entire waveform data. . This predetermined period is appropriately set depending on the measurement object, measurement conditions, etc. Moreover, the height of periodicity can be obtained, for example, by correlation calculation.
このようにして得られた周期性の高さに基づき、クラッ
ク発生判定手段M4が検査対象物M1のクラック発生状
態を判定する。例えば、時系列的に所定時間毎の周期性
をチエツクし、ある程度以上の周期性を有する期間の存
在が判明すれfi クラックが発生したものと判定す
る。Based on the height of the periodicity thus obtained, the crack occurrence determining means M4 determines the crack occurrence state of the inspection object M1. For example, the periodicity is checked at every predetermined time in a time series, and if it is found that there is a period with periodicity above a certain level, it is determined that a fi crack has occurred.
[実施例]
次に本発明の詳細な説明する。本発明はこれらに限られ
るものではなく、その要旨を逸脱しない範囲の種々の態
様のものが含まれる。[Example] Next, the present invention will be explained in detail. The present invention is not limited to these, but includes various embodiments without departing from the gist thereof.
第2図(よ第1実施例として、高周波焼入装置1に用い
られるクラック検出装置のブロック図を示す。FIG. 2 shows a block diagram of a crack detection device used in the induction hardening device 1 as a first embodiment.
高周波焼入装置]自体は、−船釣に用いられている装置
である。この高周波焼入装置1は、焼入部材3をチャッ
ク5,7等で支持して、焼入コイル9で高周波焼入をす
るよう構成されている。上部チャック7内には、AEセ
ンサ]1が埋設されており、焼入時に焼入部材3から上
部チャック7に伝達される超音波を検出している。The induction hardening device itself is a device used for boat fishing. This induction hardening apparatus 1 is configured to support a hardening member 3 with chucks 5, 7, etc., and perform induction hardening with a hardening coil 9. An AE sensor 1 is embedded in the upper chuck 7 and detects ultrasonic waves transmitted from the hardened member 3 to the upper chuck 7 during hardening.
クラック検出装置は、AE検出部]3、周期性検出部1
5、およびクラック発生判定部17から構成されている
。The crack detection device includes an AE detection section] 3, a periodicity detection section 1
5, and a crack occurrence determination section 17.
AE検出部13は、AEセンサ]]、プリアンプ]9、
メインアンプ21、フィルタ23、サンプルホールド回
路25、A/D変換器27、設定部29、メモリ3]、
ゲート回路33、およびスタート信号発生器35から構
成されている。The AE detection unit 13 includes an AE sensor]], a preamplifier]9,
main amplifier 21, filter 23, sample hold circuit 25, A/D converter 27, setting section 29, memory 3],
It consists of a gate circuit 33 and a start signal generator 35.
AEセンサ11の出力はプリアンプ19およびメインア
ンプ21にて増幅され、フィルタ23により低レベルの
ノイズ成分が除かれる。このときサンプルホールド回路
25へ入力される波形を絶対価で表すと、第3図(イ)
のごとくとなる。The output of the AE sensor 11 is amplified by a preamplifier 19 and a main amplifier 21, and a filter 23 removes low-level noise components. If the waveform input to the sample hold circuit 25 at this time is expressed in absolute value, it is shown in Figure 3 (A).
It becomes as follows.
次にサンプルホールド回路25にて、予め設定部29で
設定されたサンプリング周期で、AE波のサンプリング
がなされる。このサンプリング周期は、フィルタ23を
通過してくる信号波形を十分に表現できるように適宜設
定されている。Next, the sample and hold circuit 25 samples the AE wave at a sampling period set in advance by the setting section 29. This sampling period is appropriately set so that the signal waveform passing through the filter 23 can be sufficiently expressed.
サンプルホールド回路25にてホールドされたアナログ
出力は、A/D変換器27にてデジタル値に変換される
。次いでこのデジタル値がメモリ31に格納され2離散
化波形データとして蓄積される。ゲート回路33はこの
離散化波形データをメモリ3]へ格納する期間を制御し
ている。その期間制御は、高周波焼入装置]の制御部(
図示せず)に設けられているスタート信号発生器35の
出力信号をトリガ信号として、ゲートを開閉することに
よりなされる。例えば、第3図(ロ)に示すごとく、高
周波加熱が終了した直後にスタート信号発生器35が所
定時間t]の間、ハイレベル信号を出力するように設定
しておけば、第3図(イ)に示す冷却過程での超音波の
離散化波形データがメモリ3]に格納されることになる
。The analog output held by the sample hold circuit 25 is converted into a digital value by the A/D converter 27. This digital value is then stored in the memory 31 and accumulated as 2-discretized waveform data. The gate circuit 33 controls the period during which this discretized waveform data is stored in the memory 3]. The period control is performed by the control section of the induction hardening equipment (
This is done by opening and closing the gates using the output signal of a start signal generator 35 provided in a device (not shown) as a trigger signal. For example, if the start signal generator 35 is set to output a high-level signal for a predetermined period of time t immediately after high-frequency heating ends, as shown in FIG. The discretized waveform data of the ultrasonic wave during the cooling process shown in b) will be stored in the memory 3].
次に周期性検出部]5が、メモリ3]に時系列的に格納
された離散化波形データから、時系列順に所定のサンプ
リング数を読み込む。そして、そのサンプリング数毎に
内部の遅延回路と積和回路とにより積和演算を実施す
る。この積和演算は遅延数を1つずつ増加して所定の遅
延数まで繰り返し行われる。このようにして自己相関演
算処理がなされる。Next, the periodicity detection unit]5 reads a predetermined number of samples in chronological order from the discretized waveform data stored chronologically in the memory 3]. Then, for each sampling number, a product-sum operation is performed using an internal delay circuit and a product-sum circuit. This product-sum operation is repeated by increasing the number of delays by one until a predetermined number of delays is reached. Autocorrelation calculation processing is performed in this manner.
自己相関演算を数式で表すと次式(1)、 (2)の
ごとくとなり、kを変更して演算することにより、最終
的に自己相関関数値R(k)の配列が求められる。The autocorrelation calculation can be expressed numerically as shown in the following equations (1) and (2), and by changing k and performing the calculation, the array of autocorrelation function values R(k) can finally be obtained.
・・・(1)
R(k) =R(k) /R(0)・・・(2)ここで
、x Oは離散化波形データを表し、R(0)(よ式(
1)で遅延数に=oのときのR(k)の値を表す。また
式(2)により、R(k)は1以下の数値配列となる。...(1) R(k) = R(k) /R(0)...(2) Here, x O represents the discretized waveform data, and R(0) (Yo formula (
1) represents the value of R(k) when the number of delays = o. Further, according to equation (2), R(k) becomes a numerical array of 1 or less.
第4図(A)、 (B)にサンプリング位置の異なるサ
ンプリング数Nの離散化波形データを示す。FIGS. 4(A) and 4(B) show discretized waveform data with a sampling number N at different sampling positions.
これらは第3図(イ)の内の一区間に該当する。These correspond to one section in Figure 3 (a).
またその自己相関演算結果をそれぞれ第5図(A)(B
)に示す。The autocorrelation calculation results are shown in Figures 5 (A) and (B), respectively.
).
ここで、第4図(A)のデータは、遅延数kが増加して
も、その自己相関関数値R(k)は第5図(A)に示す
ごとく 「0」になかなか収束しないことが判る。一方
、第4図(B)のデータは、遅延数kが増加すると、第
5図(B)に示すごとく急速に収束することが判る。自
己相関演算にて急速に収束しないデータ、即ち自己相関
性が高いデータは周期性が高いことが知られている。従
って、第4図(A)の方が第4図(B)の方に比べて周
期性が高いことが判る。Here, in the data in Figure 4 (A), even if the number of delays k increases, the autocorrelation function value R(k) does not easily converge to "0" as shown in Figure 5 (A). I understand. On the other hand, it can be seen that the data in FIG. 4(B) rapidly converges as the number of delays k increases, as shown in FIG. 5(B). It is known that data that does not rapidly converge in autocorrelation calculations, that is, data that has high autocorrelation, has high periodicity. Therefore, it can be seen that the periodicity in FIG. 4(A) is higher than that in FIG. 4(B).
この自己相関関数値R(k)の配列(友順次、周期性検
出部15からクラック発生判定部17に出力されること
により、自己相関性が高いか否か、即ち周期性が高いか
否かが判定される。By outputting this array of autocorrelation function values R(k) from the periodicity detection unit 15 to the crack occurrence determination unit 17 in order, it is determined whether the autocorrelation is high or not, that is, whether the periodicity is high or not. is determined.
クラック発生判定部17は、判定部37、区間設定部3
9、および基準設定部4]を備えている。The crack occurrence determination unit 17 includes a determination unit 37 and a section setting unit 3.
9, and a reference setting section 4].
判定部37は、周期性検出部]5から入力された自己相
関関数値R(k)の配列の内、所定解析区間に存在する
自己相関関数値R(k)を、基準設定部4]にて設定さ
れた基準値と比較することにより、周期性が高いか否か
を判定する。この基準値は、クラックに起因する周期性
の高いAE波と周期性の低いノイズとの区別をつけるた
めに適宜設定されている値である。所定解析区間は区間
設定部39に予め設定されており、遅延数にの範囲を示
す。The determination unit 37 sends autocorrelation function values R(k) existing in a predetermined analysis interval from the array of autocorrelation function values R(k) input from the periodicity detection unit 5 to the reference setting unit 4. It is determined whether the periodicity is high by comparing it with a reference value set by . This reference value is a value that is appropriately set in order to distinguish between highly periodic AE waves caused by cracks and low periodic noise. The predetermined analysis interval is set in advance in the interval setting section 39, and indicates the range of the number of delays.
このクラック発生判定部]7の処理は、周期性検出部]
5からの自己相関関数値R(k)の配列データが入力さ
れるたびに実施される。This process of crack occurrence determination section]7 is carried out by the periodicity detection section]
This is performed every time the array data of autocorrelation function values R(k) from 5 is input.
第5図(A)と第5図(B)とを比較すると、明らかに
遅延数kが大きくなると、自己相関関数値R(k)に差
が出て来る。従って、例えば所定遅延数に1以上の遅延
数範囲での自己相関関数値R(k)の大きさを、適切な
基準値により区別すれ(L クラックに起因するAE波
か否かを区別することが可能となる。Comparing FIG. 5(A) and FIG. 5(B), it is clear that as the number of delays k increases, a difference appears in the autocorrelation function value R(k). Therefore, for example, the magnitude of the autocorrelation function value R(k) in a delay number range of 1 or more for a predetermined number of delays is distinguished by an appropriate reference value (L). becomes possible.
こうして判定された結果が順次外部に出力される。例え
ば、自動ラインの制御装着に出力されたり、CRT等の
表示装置に表示される。The results determined in this way are sequentially output to the outside. For example, it may be output to automatic line control equipment or displayed on a display device such as a CRT.
自動ラインの制御装置側では、この出力により、焼入部
材3にクラックが生じているか否かを、焼入の冷却過程
で判定することが出来る。従って、1つでも周期性が基
準値よりも高いものがあれば、焼入部材3にクラックが
生じたことが判明するので、焼入処理後、直ちに不良品
をラインから排除することができる。On the control device side of the automatic line, based on this output, it is possible to determine whether or not cracks have occurred in the quenched member 3 during the cooling process of quenching. Therefore, if even one periodicity is higher than the reference value, it is known that a crack has occurred in the hardened member 3, so that defective products can be immediately removed from the line after the hardening process.
このように、人手を介入させる必要がなく、リアルタイ
ムでのクラック検査が可能となるので、ラインの自動化
率の向上に貢献できる。In this way, real-time crack inspection is possible without the need for human intervention, which can contribute to improving the automation rate of the line.
上記実施例では、周期性検出部]5は1つであったが、
2つ以上設けてメモリ3]内の離散化波形データを分担
して処理し、クラック発生判定部17に交互にデータを
出力するようにしてもよい。In the above embodiment, there is one periodicity detection unit]5, but
Two or more units may be provided to process the discretized waveform data in the memory 3 and alternately output the data to the crack occurrence determination unit 17.
このようにすると離散化波形データに対する複数回の自
己相関演算処理が迅速にできる。このため、より一層リ
アルタイム効果を向上させることが出来る。In this way, multiple autocorrelation calculation processes can be quickly performed on the discretized waveform data. Therefore, the real-time effect can be further improved.
次に、コンピュータにて構成したクラック検出装置の第
2実施例について説明する。第2実施例は、第1実施例
とは部分的に異なるのみである。Next, a second embodiment of a crack detection device configured using a computer will be described. The second embodiment differs only partially from the first embodiment.
その異なる構成を第6図のブロック図に示す。The different configurations are shown in the block diagram of FIG.
ここで、フィルタ23からの信号はA/Dボード51に
入力している。このA/Dボード5]は、第1実施例の
サンプルホールド回路25、A/D変換器27、および
設定部29に該当する。周期性検出部15は、このA/
Dボード5]のバッファから直接データを読みだして、
自己相関演算を実施している。この演算結果がコンピュ
ータ53に読み込まね、クラック発生有無の判定処理が
行われる。コンピュータ53の読込のタイミングはI1
0ボード55を介して入力されるスタート信号発生器3
5からのスタート・終了信号に基づいて行われる。ここ
では、冷却過程の離散化波形データを読み込むようにス
タート・終了信号のタイミングが設定されている。また
図示しないキーボードから、同様に区間設定信号が入力
さね 判定演算における範囲を指定する。自己相関演算
の結果およびその判定結果は直接CRT57に出力され
ると共に、自動ラインの制御装置側にも良否判定信号と
して出力される。Here, the signal from the filter 23 is input to the A/D board 51. This A/D board 5] corresponds to the sample hold circuit 25, A/D converter 27, and setting section 29 of the first embodiment. The periodicity detection unit 15 detects this A/
Read the data directly from the buffer of D board 5],
Autocorrelation calculation is performed. This calculation result is read into the computer 53, and a process for determining whether or not a crack has occurred is performed. The reading timing of the computer 53 is I1.
Start signal generator 3 input via 0 board 55
This is done based on the start and end signals from 5. Here, the timing of the start and end signals is set to read the discretized waveform data of the cooling process. Similarly, a section setting signal is input from a keyboard (not shown) to designate the range in the gap determination calculation. The result of the autocorrelation calculation and its judgment result are output directly to the CRT 57 and also to the control device of the automatic line as a pass/fail judgment signal.
尚、マイクロコンピュータ53はCPU、ROM、RA
M等から構成されるが、そのハード的構成は一般的によ
く知られているところであるので、詳細な説明は省略す
る。In addition, the microcomputer 53 includes a CPU, ROM, and RA.
The hardware configuration is generally well known, so a detailed explanation will be omitted.
その制御処理を、第7図のフローチャートに示す。まず
、区間設定信号を入力し、後述の判定演算(ステップ1
60)の計算範囲(k s、 k e)を設定する(
ステップ1]0)。次にスタート信号がスタート信号発
生器35から出力されるのを待つ(ステップ120)。The control process is shown in the flowchart of FIG. First, input the section setting signal, and perform the judgment calculation (step 1), which will be described later.
60) Set the calculation range (k s, k e) of (
Step 1]0). Next, it waits for a start signal to be output from the start signal generator 35 (step 120).
スタート信号が入力されれば、周期性検出部15に対し
、自己相関演算開始指令を出力する(ステップ130)
。このことにより周期性検出部]5は所定タイミングで
A/Dボード51にA/D変換をさせつつ、そのバッフ
ァから離散化波形データを所定数読み込み、自己相関演
算を行う。When the start signal is input, an autocorrelation calculation start command is output to the periodicity detection unit 15 (step 130).
. As a result, the periodicity detection section 5 reads a predetermined number of discretized waveform data from the buffer and performs an autocorrelation calculation while causing the A/D board 51 to perform A/D conversion at a predetermined timing.
コンピュータ53側は、この自己相関演算が終了するの
を待ち(ステップ140)、終了した場合、その演算結
果を周期性検出部15から読み込む(ステップ150)
。次にその演算結果の判定演算を行なう(ステップ]6
0)。The computer 53 side waits for this autocorrelation calculation to be completed (step 140), and when it is completed, reads the calculation result from the periodicity detection unit 15 (step 150).
. Next, perform a judgment calculation on the calculation result (step) 6
0).
この判定演算の詳細を第8図に示す。まず、遅延kにス
テップ110で読み込んだ下限値ksを設定し、更に変
数nをクリアする(ステップ160−1)。Details of this determination calculation are shown in FIG. First, the lower limit value ks read in step 110 is set to delay k, and variable n is further cleared (step 160-1).
次に自己相関演算にて求められている自己相関関数値R
(k)の配列を順に検討して行く。その配列の一例を第
9図に示す。即ち、まず、R(k)の絶対値が0. 1
以上か否かを判定する(ステップ160−2)。最初は
緑=kSであるので、R(kS)の絶対値が0. 1以
上か否かが判定される。Next, the autocorrelation function value R obtained by autocorrelation calculation
We will consider the array (k) one by one. An example of the arrangement is shown in FIG. That is, first, the absolute value of R(k) is 0. 1
It is determined whether or not this is the case (step 160-2). At first, green = kS, so the absolute value of R(kS) is 0. It is determined whether the number is 1 or more.
肯定判定されれば変数nがインクリメントされ(ステッ
プ160−3)、kが上限値ke以上になったか否かが
判定される(ステップ160−4)。ステップ160−
2で否定判定された場合には、変数nのインクリメント
は行わずに、ステップ160−4の処理に移る。ステッ
プ160−4にて否定判定されれば、遅延数kがインク
リメントされて(ステップ160−5)、再度ステップ
160−2の処理から開始される。If the determination is affirmative, the variable n is incremented (step 160-3), and it is determined whether k has exceeded the upper limit value ke (step 160-4). Step 160-
If the determination in step 2 is negative, the process moves to step 160-4 without incrementing the variable n. If a negative determination is made in step 160-4, the delay number k is incremented (step 160-5), and the process starts again from step 160-2.
このステップ160−2〜ステップ160−5の処理に
て、ks〜keまででR(k)の配列の内で、絶対値が
0. 1以上のものの数がカウントされる。In the processing of steps 160-2 to 160-5, the absolute value of the array R(k) from ks to ke is 0. The number of items greater than or equal to 1 is counted.
そしてステップ160−4で肯定判定されると、変数n
が基準値nc以上か否かが判定される(ステップ160
−6)。尚、このステップ160−6の処理は、第7図
のクラック有か否かの判定(ステップ170)と同一で
ある。Then, if an affirmative determination is made in step 160-4, the variable n
It is determined whether or not is greater than or equal to the reference value nc (step 160
-6). Note that the process in step 160-6 is the same as the determination of whether or not there is a crack (step 170) in FIG.
第7図に戻り、ステップ170で肯定判定されれた場合
、nがnc以上であることから、第9図のごとく、十分
に自己相関性が高いことを意味する。自己相関性が高い
とは周期性が高いことを意味している。従って、このと
きに検出された超音波はクラックに伴い発生したAE波
であることが判る。このため、不良品判定出力がなされ
る(ステップ190)。この不良品判定出力をライン側
の制御装置が受けると、不良品としてその焼入部材3を
ラインから外す。Returning to FIG. 7, if an affirmative determination is made in step 170, since n is greater than or equal to nc, it means that the autocorrelation is sufficiently high as shown in FIG. High autocorrelation means high periodicity. Therefore, it can be seen that the ultrasonic waves detected at this time are AE waves generated due to cracks. Therefore, a defective product determination is output (step 190). When the control device on the line side receives this defective product determination output, the hardened member 3 is removed from the line as a defective product.
ステップ170にて否定判定されると、クラックに起因
するAE波ではないことを意味することから、再度ステ
ップ130に戻り、次の配列を自己相関演算して送るよ
うに、周期性検出部15に指令を出力する。こうして同
様な処理が繰り返される。この繰り返し処理にて一度で
もステップ170にて肯定判定されると、焼入部材3は
クラックを生じたことになるので、ラインから外すこと
になる。If a negative determination is made in step 170, it means that the AE wave is not caused by a crack, so the process returns to step 130 and the periodicity detection unit 15 is instructed to calculate the autocorrelation of the next array and send it. Output the command. In this way, similar processing is repeated. If an affirmative determination is made in step 170 even once in this repeated process, it means that the hardened member 3 has cracked and is removed from the line.
こうしてスタート信号発生器35から終了信号が入力す
るまで一度もステップ170にて肯定判定されなけれ(
瓜 良品判定出力がなされる(ステップ200)。この
良品判定出力をライン側の制御装置が受けて、焼入済み
の部材を次の工程に移し、新たな部材を高周波焼入装置
1にセットする。In this way, until the end signal is input from the start signal generator 35, an affirmative determination in step 170 must not be made once (
A melon determination output is made (step 200). The control device on the line side receives this non-defective determination output, moves the hardened member to the next process, and sets a new member in the induction hardening apparatus 1.
本実施例では、第1実施例が回路にて実行していた処理
の一部をプログラムで実行している。従って、プログラ
ムの変更により任意の処理内容に変更させることが出来
る。例えば、上記自己相関性の判断(ステップ160−
2〜160−6)の代わりに、第9図に「*」印で示す
自己相関関数値R(k)の極大値・極小値を検出し、そ
の絶対値の平均値が所定値より大きい場合に周期性が高
いと判定することもできる。また、遅延数ks−keま
での自己相関関数値R(k)の絶対値の総和値を演算し
、その総和値が所定値より大きい場合に周期性が高いと
判定することもできる。In this embodiment, part of the processing that was executed by the circuit in the first embodiment is executed by a program. Therefore, it is possible to change the processing content to any desired value by changing the program. For example, the above autocorrelation determination (step 160-
2 to 160-6), the local maximum value and local minimum value of the autocorrelation function value R(k) shown in Fig. 9 with the mark "*" are detected, and if the average value of the absolute values is larger than the predetermined value. It can also be determined that the periodicity is high. It is also possible to calculate the sum of the absolute values of the autocorrelation function values R(k) up to the number of delays ks-ke, and determine that the periodicity is high if the sum is larger than a predetermined value.
このため、コンピュータ53側で、自己相関関数値R(
k)のデータ状況に応じて、いずれの周期性の判定演算
処理を使用するかを選択するようにプログラムを構成す
れli より適切な判定を得ることが出来る。Therefore, on the computer 53 side, the autocorrelation function value R(
By configuring the program to select which periodicity determination calculation process to use according to the data situation in k), a more appropriate determination can be obtained.
また本実施例では、周期性検出部15は1つであったが
、処理の迅速化のために第6図に点線で示すごとく2つ
以上の周期性検出部15を設け、コンピュータ53側で
切り替えて自己相関演算を実行させてもよい。Further, in this embodiment, there is one periodicity detecting section 15, but in order to speed up the processing, two or more periodicity detecting sections 15 are provided as shown by dotted lines in FIG. The autocorrelation calculation may be executed by switching.
次に第3実施例として、自己相関演算もコンピュータ側
で行う場合のブロック図を第10図に示す。第2実施例
と異なるところは周期性検出部15が存在せず、コンピ
ュータ300側でソフト的に実施されている点である。Next, as a third embodiment, a block diagram in which the autocorrelation calculation is also performed on the computer side is shown in FIG. The difference from the second embodiment is that the periodicity detection section 15 is not present and is implemented as software on the computer 300 side.
処理的には第7図に示すステップ130〜ステツプ15
0の処理の代わりに、第11図に示す処理がなされる点
である。In terms of processing, steps 130 to 15 shown in FIG.
The point is that the process shown in FIG. 11 is performed instead of the process of 0.
まず、所定数Nの離散化波形データがA/Dボード51
から読み込まれる(ステップ310)。First, a predetermined number N of discretized waveform data is transferred to the A/D board 51.
(step 310).
次に次式(3)にて自己相関関数値R(0)が算出され
る(ステップ320)。Next, an autocorrelation function value R(0) is calculated using the following equation (3) (step 320).
・・・(3) これは前記式(1)で遅延数に=oの場合に該当する。...(3) This applies when the number of delays is =o in the above equation (1).
次に遅延数k l= k sを設定する(ステップ33
0)。次にk = k sから、前記式(1)により自
己相関関数値R(k)の値を演算する(ステップ340
)。次に前記式(2)により1以下に換算された自己相
関関数値R(k)が求められる(ステップ350)。次
にkが上限値ke以上になったか否かが判定される(ス
テップ360)。ここで否定判定されれば、kがインク
リメントされ(ステップ370)、再度ステップ340
〜ステツプ360の処理が繰り返される。ステップ36
0二で肯定判定されれば、次の判定演算ステップ160
に移り以後は第2実施例と同様に処理される。Next, the number of delays k l = k s is set (step 33
0). Next, from k = k s, the value of the autocorrelation function value R(k) is calculated using the above equation (1) (step 340
). Next, an autocorrelation function value R(k) converted to 1 or less is determined using the above equation (2) (step 350). Next, it is determined whether k has exceeded the upper limit value ke (step 360). If a negative determination is made here, k is incremented (step 370), and again at step 340.
- The processing of steps 360 is repeated. Step 36
If an affirmative determination is made in 02, the next determination calculation step 160
After that, processing is performed in the same manner as in the second embodiment.
本実施例は、第2実施例の効果に加えて、自己相関関数
値R(k)の計算をプログラム的(こ所望の遅延数に範
囲に限定することができ、無用な自己相関関数値R(k
)まで計算をしなくても済む。In addition to the effects of the second embodiment, the present embodiment can calculate the autocorrelation function value R(k) programmatically (this allows the range to be limited to a desired number of delays, thereby eliminating unnecessary autocorrelation function values R(k)). (k
) there is no need to calculate.
上記各実施例では、相関演算として自己相関演算を用い
たが、相関演算のもう一つの種類である相互相関演算も
用いることが出来る。この相互相関演算を用いる場合は
予め基準となる離散化波形データを準備しておき、AE
センサ]1から検出された離散化波形データとともに、
次式(4)、(5)に表される演算を実行して相互相関
関数値Rc (k)を得ればよい。そしてこの相互相関
関数値Rc (k)の配列に対して各実施例に示した判
定処理を実施して周期性の状態を判断すればよい。In each of the above embodiments, an autocorrelation calculation is used as the correlation calculation, but a cross-correlation calculation, which is another type of correlation calculation, can also be used. When using this cross-correlation calculation, prepare discretized waveform data as a reference in advance, and
With the discretized waveform data detected from [sensor] 1,
The cross-correlation function value Rc (k) may be obtained by executing the calculations shown in the following equations (4) and (5). Then, the periodicity state may be determined by performing the determination processing shown in each embodiment on this array of cross-correlation function values Rc (k).
・・・(4)
Rc (k)=R(k)/R(0)−(5)ここでxh
<AEセンサ11から検出された離散化波形データ、y
が基準となる離散化波形データを表す。...(4) Rc (k)=R(k)/R(0)-(5) where xh
<Discretized waveform data detected from the AE sensor 11, y
represents the reference discretized waveform data.
[発明の効果]
本発明は、AE波の所定期間毎にその周期性がチエツク
さね、その周期性からクラックが生じたか否かを検出し
ている。ノイズとクラック発生に伴って生じるAE波と
は、その周期性において大きく異なる。このため、高ノ
イズ存在下であっても、周期性のチエツクによりクラッ
ク発生状態が容易に判定できる。[Effects of the Invention] According to the present invention, the periodicity of the AE wave is checked every predetermined period, and it is detected from the periodicity whether or not a crack has occurred. Noise and AE waves generated due to crack generation are significantly different in their periodicity. Therefore, even in the presence of high noise, the state of crack occurrence can be easily determined by checking the periodicity.
第1図は本発明の基本的構成例示図、第2図は第1実施
例のシステムブロック構成図、第3図はAEセンサの出
力波形とスタート・終了信号との説明図、第4図(A)
はクラックに伴い発生したAE波の離散化波形図、第4
図(B)はノイズの離散化波形図、第5図(A)はクラ
ックに伴い発生したAE波を自己相関演算して得た相関
関数値R(k)の配列グラフ、第5図(B)はノイズを
自己相関演算して得た相関関数値R(k)の配列グラフ
、第6図は第2実施例の要部ブロック図、第7図は第2
実施例のクラック発生判定処理のフローチャート第8図
はその内の判定演算の詳細を示すフローチャート第9図
は相関関数値R(k)の配列から周期性を判断する際の
処理説明図、第10図は第3実施例の要部ブロック図、
第11図はその自己相関演算のフローチャートである。
1・・・高周波焼入装置
11・・・AEセンサ 13・・・AE検出部1
5・・・周期性検出部 17・・・クラック発生判定部
37・・・判定部 41・・・基準設定部53.
300・・・コンピュータFig. 1 is a diagram illustrating the basic configuration of the present invention, Fig. 2 is a system block diagram of the first embodiment, Fig. 3 is an explanatory diagram of the output waveform of the AE sensor and start/end signals, and Fig. 4 ( A)
is the discretized waveform diagram of the AE wave generated due to the crack, the fourth
Figure (B) is a discretized waveform diagram of noise, Figure 5 (A) is an array graph of correlation function values R(k) obtained by autocorrelation calculation of AE waves generated due to cracks, Figure 5 (B ) is an array graph of correlation function values R(k) obtained by calculating the autocorrelation of noise, FIG. 6 is a block diagram of the main part of the second embodiment, and FIG. 7 is a graph of the second embodiment.
FIG. 8 is a flowchart showing the details of the determination calculation in the embodiment; FIG. 9 is an explanatory diagram of the process for determining periodicity from the array of correlation function values R(k); and FIG. The figure is a block diagram of the main parts of the third embodiment,
FIG. 11 is a flowchart of the autocorrelation calculation. 1... Induction hardening device 11... AE sensor 13... AE detection section 1
5... Periodicity detection section 17... Crack occurrence determination section 37... Judgment section 41... Standard setting section 53.
300...computer
Claims (1)
ックエミッション検出手段と、 上記アコースティックエミッション検出手段で検出され
る波形データを所定期間に区切ってその期間毎に周期性
を検出する周期性検出手段と、上記周期性検出手段にて
検出された周期性に基づいて上記検査対象物のクラック
発生状態を判定するクラック発生判定手段と、 を備えることを特徴とするクラック検出装置。[Claims] Acoustic emission detection means for detecting sound waves emitted from an object to be inspected; and a period for dividing waveform data detected by the acoustic emission detection means into predetermined periods and detecting periodicity for each period. A crack detection device comprising: a periodicity detection means; and a crack occurrence determination means for determining a crack occurrence state of the object to be inspected based on the periodicity detected by the periodicity detection means.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP1331968A JPH03191859A (en) | 1989-12-20 | 1989-12-20 | Crack detecting apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP1331968A JPH03191859A (en) | 1989-12-20 | 1989-12-20 | Crack detecting apparatus |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH03191859A true JPH03191859A (en) | 1991-08-21 |
Family
ID=18249663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP1331968A Pending JPH03191859A (en) | 1989-12-20 | 1989-12-20 | Crack detecting apparatus |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH03191859A (en) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8316712B2 (en) | 2010-11-19 | 2012-11-27 | Margan Physical Diagnostics Ltd. | Quantitative acoustic emission non-destructive inspection for revealing, typifying and assessing fracture hazards |
JP2014142273A (en) * | 2013-01-24 | 2014-08-07 | Ihi Inspection & Instrumentation Co Ltd | Strength inspection method and data output device for strength evaluation |
JP2016048267A (en) * | 2010-03-03 | 2016-04-07 | 旭化成エンジニアリング株式会社 | Diagnosing method and diagnosing apparatus for slide bearing |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5187091A (en) * | 1975-01-29 | 1976-07-30 | Hitachi Ltd | |
JPS6474445A (en) * | 1987-09-17 | 1989-03-20 | Toyota Motor Corp | Ae crack detecting device |
-
1989
- 1989-12-20 JP JP1331968A patent/JPH03191859A/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5187091A (en) * | 1975-01-29 | 1976-07-30 | Hitachi Ltd | |
JPS6474445A (en) * | 1987-09-17 | 1989-03-20 | Toyota Motor Corp | Ae crack detecting device |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016048267A (en) * | 2010-03-03 | 2016-04-07 | 旭化成エンジニアリング株式会社 | Diagnosing method and diagnosing apparatus for slide bearing |
JP5968217B2 (en) * | 2010-03-03 | 2016-08-10 | 旭化成エンジニアリング株式会社 | Diagnostic method and apparatus for plain bearing |
US9588015B2 (en) | 2010-03-03 | 2017-03-07 | Asahi Kasei Engineering Corporation | Diagnostic method and diagnostic device for a slide bearing |
US8316712B2 (en) | 2010-11-19 | 2012-11-27 | Margan Physical Diagnostics Ltd. | Quantitative acoustic emission non-destructive inspection for revealing, typifying and assessing fracture hazards |
JP2014142273A (en) * | 2013-01-24 | 2014-08-07 | Ihi Inspection & Instrumentation Co Ltd | Strength inspection method and data output device for strength evaluation |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Karimian et al. | A new method for detecting fatigue crack initiation in aluminum alloy using acoustic emission waveform information entropy | |
EP0770854A1 (en) | Method, apparatus and system for determining specimen | |
CA2616900C (en) | Method for error-free checking of tubes for surface faults | |
JPH01142485A (en) | Method and apparatus for detecting presence of insect and/or larva thereof | |
WO2014163022A1 (en) | Ultrasonic flaw-detection method and ultrasonic flaw-detection device | |
JP2007129718A (en) | Digital log amplifier for ultrasonic testing | |
WO2002008746A2 (en) | Apparatus and method for analysis of guided ultrasonic waves | |
JP3966500B2 (en) | Defect inspection system due to abnormal noise | |
Ren et al. | Shaking noise elimination for detecting local flaw in steel wire ropes based on magnetic flux leakage detection | |
CN108151870B (en) | Construction quality problem detection method based on frequency response function | |
JPH03191859A (en) | Crack detecting apparatus | |
RU2528586C2 (en) | Acoustic emission control over rail weld quality and device to this end | |
JP5904154B2 (en) | Ultrasonic flaw detection method and ultrasonic flaw detection apparatus | |
Neal et al. | The measurement and analysis of acoustic noise as a random variable | |
JP3861849B2 (en) | Abnormal sound inspection method | |
JPH09250971A (en) | Method and device for inspecting abnormality | |
JPH04320958A (en) | Method for inspecting product acoustically | |
JP2006058314A (en) | Method and apparatus for testing abnormalities | |
JPS6110768A (en) | Method of suppressing dummy display in automatic type ultrasonic test | |
RU2102740C1 (en) | Method of complex quality inspection of welds | |
JPH07120440A (en) | Crack detection device | |
EP0399386A2 (en) | Adaptive analysis apparatus | |
JP7261093B2 (en) | Damage evaluation equipment for metal welds | |
JPH03120458A (en) | Method and device for detecting defect | |
JPH085614A (en) | Crack inspection apparatus |