《缺陷检测和无损检测焊缝中奥氏体不锈钢304的使用 神经 (1).doc》由会员分享，可在线阅读，更多相关《缺陷检测和无损检测焊缝中奥氏体不锈钢304的使用 神经 (1).doc（13页珍藏版）》请在三一文库上搜索。
1、 奥氏体不锈钢304的焊缝区域神经网络超声波缺 陷检测和无损检测 近年来，非破坏性的评价重要性已迅速增加，由于大型结构的坍塌和安全事故的多发，在许多工程超声波法它经常被用来作为主要的非破坏性检验无损检测 （NDT ）的技术，在体积测试器的使用中侧重用于评估材料的完整性中有显著作用。本文建议对神经网络的奥氏体不锈钢304检测焊缝区的缺陷在使用超声波，采用此方法检测缺陷和评估它们的基础。在检测的缺陷时，我们扫描并画出一个标准的灵敏度距离，并初步的在超声波探头上显示扫描灵敏度幅值仪器和定量物料之间的相关性的标准曲线，这是用来绘制一个定量评价距离振幅曲线。 基于关于超声评价缺陷和学习的神经网络系统的系
2、统一共有93.3%的缺陷类型区别在于组织神经网络测试后，因此，在这项工作中提出超声波非破坏性奥氏体不锈钢304的超声波神经网络对缺陷检测和的焊接区的评价（ UNDE ）。 关键词：神经网络，超声波，超声波无损检测，横波，纵波，热影响区，人工缺陷，参考块，光束距离，折射角.一，引言 有一种变量在焊接过程时表面上的焊缝区由于众多的内部缺陷 ，咬边和裂缝都受到相当大的集中应力，从而常常导致产量减少。因此，在结构的完整性方面的重要性和稳定性两方面检测在所述焊接各种缺陷区和定量评估都具有十分重要意义。 超声评价方法它被广泛用于检测在许多工业领域的焊接区的内部缺陷，起着至关要的作用角色。容量测试方法（AS
3、ME， 1995）作用在PSL/ ISL进行期间的化学，热学和原子发电厂等。 在焊接区的超声无损评估（ UNDE ）在检查的重要工程意义和延伸新建管的寿命时间线保证了稳定性，目前的经营不锈钢及管线原子能发电站等。研究这包括：射线检测方法（ Thomas等，1992） ，渗透检测方法（ ASME ， 1995） ，磁粉探伤法（ ASME ， 1995）及超声波探伤方法（ Yi等，1996） 。 在这些方法中，实时射线检测方法在结果处理和原子损坏渗透测试和磁粉探伤方法有许多的问题，如缺陷的局限性检测到的表面和次表面。然而超声波探伤法（ Yi等，1995，1997 ，1997），具有检测位置的优点和
4、缺陷，即使通过采用神经网络图案已被证实在模式识别领域具有优越性。 研究这已由Schmerr（1995）和Lee（ 1995）等。Schmerr（1995）提出了分类焊接缺陷使用超声波的模式识别方法和概率神经网络。一种超声波法具有较高的特性和实用性，并在热评估人工缺陷影响用反向传播的神经网络区域和学习算法分类。 以往的研究实验大多是零碎和上沉积金属和热奥氏体不锈钢304的影响区 ，焊接区。有几个研究的检测以及在焊接区的缺陷分类 基于定量缺陷评价标准，实用性强。 奥氏体不锈钢的焊接区是一个粗晶柱状结构。当超声波波通过的材料，由于散射性高，许多虚假回波衰减传播信号和噪声比例低。 此外，该柱状结构体是
5、相当有异性横波充当向导波导致的问题，如虚假回波。因此，它是已知的施加剪力波。 角度：这种方法，这是一种碳钢在铁素体中超声波探伤来采用现有的方法，仅启用的德ECTS检测，在基体金属之间和L的边界附近 ，他是金属（Kishiue.1985）以及检测的金属缺陷及其量，评价几乎是不可能的。 这项研究提出了缺陷分类和超声波无损评估 人工缺陷的方法（横孔，垂直 在奥氏体焊缝区的孔和缺口）不锈钢板304通过了解在CRT上的超声波缺陷信号的特性构建神经回路和网络体系，其表现为经过验证的缺陷分类，从所获取的缺陷信号。2。神经网络理论 2.1架构神经网络的学习算法 生物神经细胞在人脑和它们的结缔组织关系神经网络简
6、化了，然后在数学模型下他们实现一种智能形式并相同与人脑系统。 这是包括多层神经网络 一个输入层，一个隐藏层和一个输出层 作用于模式分类。 中间层和输出层有处理单位和连接强度。 RHE通过处理一个输出，处理单位内各节点在公式所示（1）通过增加偏置值给每个输入值来乘以强度。其中在（1- -1）层是该节点m号。 其中是因子S形曲线形状来确定的，它的功能是活化形式。除了在输入层，总输入中的每个节点是乘以强度值中的所有节点的输出值 前面的层，也就是说，在第j个总输入值在第k层节点 如式子（2）所示。 其中m是该节点号存在在（k-1）层，它是第i个节点之间的连接强度第j个节点在（K-1）层中的第k层，在（
7、k-1）层内地j层是输出节点。 在式子（3）中，从输出节点的输出和计算系数是偏置值。计算的隐层节点输出如等式（3）。重复该过程来纠正输入和输出之间的连接强度并尽可能降低误差E，其平均节点是的推定误差的平方公术语根据的每一个输入模式值作出给定的输出节点。在一般情况下，输出值是从目标值，所以平均系统不同误差可以计算如下。（4）其中m是由数据模式的分配数输入最小化方程的数值，Y是目标值OT是输出值。对连接强度Z是可能用最速下降法和反向传播算法来计算。在方程（5）和（6），一个新的强度形成简单地执行对最速下降 电流强度和范围由调整数率r/。如果G是大的，就证明采用的是快速方法。但是，E能发散的情况下违
8、反了n复杂的功能，从而采用的是（7）所示的公式校正学习公式与动量项。 其中a为动量率。在前一阶段估计它的速率用W，为了防止该数据的当前相位强度w的第（n+1）阶段，并从不同的显着地从它在斜相位值。2.2 多层神经的表征网络 多层神经网络的刻画 ，在很大程度上，分类如下。（一） 离散有限的输入/输出关系 有限的数字和模拟网络的随机连续映射可以构造。（二） 未输入的数据可以被内插值替换，相应的网络和输出可以被获取。（三） 结束后，可通过对给定的另一个处理单元输入数据进行迅速的计算。 在上述类别，来进行第三个特征神经网络，其最强的优势是最有效地评估一个目标，其要求高速加工，且具有精度。 3。超声波的
9、原理 声波传播属于固体传播，有纵波，其粒子的振动是在相同的方向上的波和剪切波，其粒子移动垂直于波。在材料中荡漾开去，声速由材料的类型和特性来决定。 该Cz，纵向声速波和Cs，横波的声速，示于方程（8）和（9），E是杨氏模量，K是体积模量，G为模量，p是密度，u是泊松比。 超声波缺陷检测的目的是利用超声波检查光束角或探头的折射角，通过在恒定的材料中传播具获得速度和反射回音缺陷得到焊缝区缺陷。 关于基于0.5跳跃的直接方法光束距离的限制，可以根据下面的公式原则制订，三角函数和原理示于图2. 凡是扫描面中的跳跃点在光束中心轴从背面反射的到达角扫描。梁移动的距离（W）是从离超声波束1跳跃光束的距离，
10、探头入射点到w跳过点跳跃距离是0.5个跳跃距离点。在方程（13）时，缺陷深度检测由表明COS0 D=2T-W上的时间思考方法，通过假定测得的距离是该板的两倍厚。4。实验 4.1实验条件 本研究使用的主要工具是一个泛美超声波仪，横波斜探头纵波 斜探头一个正常的探头和机械油，在实验中，我们试图通过仪器之间的相关性垂直和斜探头的折射角，试验片的次数，厚度和其属性。在超声波的CRT上理解回声特性 ，对于这些，我们建立了一个参考块 在图中所示。 3和4。图3示出的基准方框用于调节入射点和时间轴，并且图图4示出的参考块测量折射角和校准超声波仪器。 不锈钢304焊接区采用超声波探伤，为此选择试件具有相同属性
11、和待测试厚度为材料并用相同的焊接条件处理这三种类型使用人工是必要的。 如水平井，垂直孔和缺陷切口是在热影响区进行处理，并该试验片在图5和6所示的熔敷金属 。4.2设定距离振幅曲线 为使用超声波材料，设置定量缺陷检测的标准是必需的，DAC 作为标准而被应用。由此，电平DAC设置是为影响缺陷的检测能力，并且映射出在超声仪器的CRT因素与显示的回波动态模式。 为此，它被接了一份有关的阴极射线管从水平孔回声反射RDRB脉冲回波法的超声仪器。 考虑的要点和绘制它的方法如下 选择要测试的材料频率和折射角探针在考虑的条件。 测量的实际折射角度和探头的入射点 每个RDRB的水平孔上的测量最大回波位置5。实验和
12、仿真结果焊接5.1超声波特性区 奥氏体不锈钢的焊接区有一个柱状粗纹理结构。当超声波通过接区，由超声波高的散射传播衰减，噪比低，因为各项柱状结构是相当的具有异性，并有假回波出现。所有这些从铁素体碳钢的特点存在 明显的差异。对于定量缺陷检测，超声仪器和探头精确的校准是必不可少的。为满足此，超声波仪器使用ITRB和RDRB探头进行了校准，并试图确定 在水平孔缺陷检测概率焊缝区的中部如图6使用横波角法。结果示 图。 7。最左边信号与更多的回波，高度的被回波和三实线表示DAC超过100的发送，具有6分贝间隔。在制订DAC，标准灵敏度设置在50.7分贝，并且初步扫描灵敏度设置在68.7分贝，18分贝比更高
13、 标准灵敏度。该缺陷的回声位置在准确区域显示为55 在所沉积的金属在CRT显示殉梁的距离，从探头的缺陷和表面距离深度。但真实地测量光束的距离和深度从CRT上的指示值可看出为38.82毫米和14.54毫米，分别为不同的值。考虑到身边有无缺陷水平孔通过缺陷回波显示，它是当超声波传播通过柱状结构的沉积的金属假定的，他们作为导波和被引导对缺陷和后回撞击表面的虚假回波。当检测到熔敷金属中的缺陷，重要的是它了解超声中的波变化 采用纵波斜探头直接法波相呼应，这是在那些从不同的横波角法。图。 8示出的针对所述侧孔和垂直孔超声波的回波行为。注意的是这是在CRT上的超声波回波针对所述侧孔和垂直INOLE是非常类似
14、的测量距离，而标准灵敏度（40.4分贝），初步扫描灵敏度（ 58。 4分贝），时间轴（100毫米）和DAC从在的情况下，分配的显着不同的横波角法。回声行为取决于大小不同的和缺陷的类型和行进光束 距离，这影响的测试性缺陷最大幅度。如图10和I1表现出的现象。特别是，该反射的回波从1跳过垂直孔的表面附近 梁距离显示为显着小。图11表示的表面切口的结果大约是1跳过梁的距离。该波束距离是类似的图。 10，但回波高度高于2倍为24，这是为了表明，即使超声波波传播的距离相同，由于很强区别于反射的形式和尺寸的缺陷型的相关性。5.2焊接配置的神经网络系统缺陷的分类本研究采用多层神经网络使用反向传播学习算法，在
15、最近的非线性分析证明其有效性。整个系统的配置由如图12所示的两个阶段，其中主要 科目解释大多确定在第1阶段。在第1阶段中处理的内容是1在奥氏体不锈钢304关注的缺陷 焊接区，并接受回波动态模式超声波的每个信息在0.5至1.0的测量点的距离跳越。2 选择和提取最佳特征所获取的信息。3 视功能的确定，过程中预先通过的数据基于最大实际值正常化; 4 确定与输入层主体与隐层和输出层。5 系统完成的每一个的权重系数的值层是通过学习过程来确定的。在第2阶段，通过利用已建立升级的系统1 从超声波束的距离和位置中确定缺陷具有不同的信息 2 关于所确定的特征，考虑到学习过程中采用的标准过程预处理的对归一化的最大
16、实际价值的数据.3） 通过测试一个有学问的处理单元除和乘法4） 最后进行超声波无损评估和预测其缺陷，在通过基础成功的计算图案上的错误率和识别率。 上述方法可以快速使用计算机或专用的神经计算机进行并行计算。 关于这个问题的分析由于该系统的尺寸有所不同，推荐当一个简单的 分析工作做，由一台小型电脑小尺寸计算，实现实时过程的结果。5.3在神经网络缺陷分类评价 神经网络是一个系统，从没有学问的数位学习样本数据和猜想输出信息数据。在这项研究中，缺陷分类系统超声波信号是作为构建数据。 应用神经网络是在每个表中所示的结构和输入条件1和2。神经网络系统和图的条件学习率和动量为了项基于执行时间的收敛通过无数次反
17、复模拟确定并且进行最佳的解决方案。 如图13示出溶液收敛的过程。执行程序中它在开始时是朝着0.27 增加的。 通过逐渐收敛的点后，显示了一个短暂的错误，增加12,000重复数点，大约稳定在27,000点，最后收敛接近目标值。认识到缺陷类型的方法是让一个目标值上使用的二进制代码得到每个缺陷的 2模式，所施加的神经网络的结构和输入条件示于表1 和2。 层类型的神经网络的大小是通过直接向操作量相关的分析 所构造的系统的功能得到的。最后它被设置为接近99，考虑到组合输入层之间的总数目该隐含层和输出层。这个花147秒在系统的优化上。 神经网络学习使用反向传播的学习样本算法具有以下为：梁距离从探头到缺陷，
18、横波和纵波的频率特性斜探头，测量折射角关系和缺陷类型取决于回声高度。 学习数据进行了由总设置误差值0.0001与30模式作为样本，并与30,000数字和结果竟然有大约99的准确度，使目标的值几乎是相同的，除了在I槽口（98）的图案。根据所输入的缺陷识别的结果 图案示于表3。 此外，测试一种新的实验条件（后焊接缺陷具有不同的位置和距离）与学会单元处理，评价上该值的基础低于90的目标价值的错误处理标准。表4是在一个侧孔和第二个数据，一个检测结果为被处理为错误90的成功率的表示为满分为0.41，垂直孔在表5中只有结果在底线上的数据是0.89，表明一个90的成功率的情况下的侧孔。在此种侧孔的情况下，该图案判断是一个错误是0.58，它表明，只有40的结果认可。这被认为是一个极端情况，超出了学习神经网络内插和外插表示的特征考虑范围。 在上凹口的测试结果如所示表6中，所有10个被记录的数据目标分别接近为0.99成功率值，从而认为是100。 它能够被证实，作为总的成功率高达93.3即使30个数据共出现2个，该神经网络本研究构建对有用奥氏体不锈钢304焊接区缺陷分类进行判断是错误的。