基于超声相控阵的异种钢焊接缺陷检测研究

摘要

异种钢焊接技术在核安全端、压力容器等领域具有广泛应用，其焊缝质量对整个结构的安全具有重要的影响，焊缝中存在的缺陷对其质量影响极大。因此，对异种钢焊缝中存在的缺陷进行检测具有重要意义。 常规超声由于其波束不能偏转聚焦，对于几何形状复杂的零件及各向异性较大的焊缝很难进行检测，超声相控阵作为一种新型的无损检测方法，弥补了常规超声检测的局限性，与常规超声相比具有较大的优势。基于此，本文以超声相控阵技术为手段，通过焊接异种钢试板并对其预制气孔、夹杂、裂纹三种不同的人工缺陷，从实验及理论方面研究了缺陷的超声反射回波信号，对不同类型的缺陷超声A扫信号进行了数据处理分析。研究结果表明： 利用超声相控检测技术，根据检测结果发现这三种缺陷的扇扫描图像有一定的区分，在同一增益条件下，颜色较深的波幅较高，更容易被检。在检测夹杂缺陷时，超声A扫波幅较高，气孔及裂纹波幅较低。为进一步分析缺陷反射回波带有相关的缺陷信息，将缺陷超声A扫信号进行FFT（快速傅里叶变换）变换，根据结果得到，缺陷信号均分布在低频段，且不同缺陷的频谱分布有一定的差别。因此，对缺陷信号进行小波包变换，根据小波包变换处理结果，得出dB8小波基可以较好的提取各个缺陷的频带能量比例，为缺陷识别及分类提供了一定的基础。 为进一步研究，将小波包分解频带能量比例进行了模糊聚类分析(FCM)，研究结果表明，这三种缺陷具有一定的聚类趋势。为达到对缺陷进行识别分类，采用BP神经网络，神经元类型为8-10-3，学习率为0.01，训练误差为0.001，网络训练采用了80组数据，测试集有40组，最终BP神经网络识别分类的准确率为92.5%。后期采用了IBM SPSS MODELER数据挖掘方法，对小波包提取的能量比例作为模型的输入，根据小样本数据的分类结果发现决策树C5.0对缺陷超声A扫信号可达到98%，可用于超声相控阵检测结果的准确分类。 综上，超声相控阵检测技术可以对异种钢焊接缺陷可以进行准确检测，利用dB8小波及数据挖掘技术可以对缺陷进行准确的特征提取及识别分类。

目录

声明

第一章绪论

1.1 研究背景

1.2超声相控阵检测技术的发展

1.2.1超声相控阵检测技术在国外的发展

1.2.2超声相控阵检测技术在国内的发展

1.3超声相控阵成像原理及分类

1.4异种钢在焊接过程中存在的问题

1.5异种钢焊缝检测存在的问题

1.6本课题的研究目的及其意义

1.6.1研究目的

1.6.2本课题的研究意义

1.7本课题研究内容

第2章超声相控阵检测原理

2.1超声场声压分布

2.1.1环形阵列探头的辐射声场

2.2 超声相控阵探头工作原理

2.3超声相控阵显示模式

2.4超声相控阵系统检测原理

2.4.1超声相控阵声束的偏转

2.4.2超声相控阵聚焦

2.5 超声相控阵信号的发射与接收

2.6超声相控阵伪缺陷的判断

2.7本章小结

第3章异种钢焊缝缺陷的检测

3.1实验目的

3.2实验材料及实验设备

3.2.1实验材料

3.2.2 实验设备

3.3实验方案

3.4 设备参数设置

3.4.1 超声相控阵参数设置

3.4.2 X射线检测参数设置

3.5超声相控阵设备校准

3.6 焊接缺陷的预制

3.7异种钢焊缝熔合区成分及硬度测量

3.8 焊接试板检测结果分析

3.8.1超声相控阵检测结果

3.8.2射线检测结果

3.9 本章小结

第四章焊缝缺陷特征提取

4.1传统信号处理方法(FFT变换)

4.2小波变换及小波包变换

4.2.1 小波变换

4.2.2 小波包变换

4.2.3 构造特征向量

4.3样本数据的选择

4.4 FFT变换及小波包变换结果

4.4.1 FFT变换结果分析

4.4.2小波包变换结果分析

4.5本章小结

第五章模式识别及分类

5.1 缺陷信号的分类

5.1.1模糊聚类分析法

5.1.2 BP 神经网络

5.2 FCM模糊聚类及BP神经网络分类结果

5.2.1 FCM模糊聚类结果分析

5.2.2 BP神经网络识别分类结果

5.3IBM SPSS MODELER软件介绍

5.4基本理论

5.4.1 logistic回归

5.4.2 贝叶斯算法

5.4.3 决策树算法

5.5 结果分析

5.5.1 Logistic结果分析

5.5.2贝叶斯网络分析

5.5.3决策树结果分析

5.6 本章小结

结论

参考文献

致谢

附录A 攻读学位期间所发表的学术论文