国内或国外 期刊或论文

您当前的位置: 发表学术论文网建筑论文》 工业铸件缺陷无损检测技术的应用进展与展望> 正文

工业铸件缺陷无损检测技术的应用进展与展望

所属分类:建筑论文 阅读次 时间:2021-12-02 11:04

本文摘要:摘要 铸造产业一直是人类现代生产生活中重要的、不可替代的产业, 铸件产品既是工业制造产品, 也是大型机械的组成部分. 随着经济水平和工业自动化程度的不断提升, 人们对于铸件的需求量呈指数爆炸式增长, 铸件价值辐射到各行各业. 与此同时, 铸件在铸造、服役过程中经常

  摘要 铸造产业一直是人类现代生产生活中重要的、不可替代的产业, 铸件产品既是工业制造产品, 也是大型机械的组成部分. 随着经济水平和工业自动化程度的不断提升, 人们对于铸件的需求量呈指数爆炸式增长, 铸件价值辐射到各行各业. 与此同时, 铸件在铸造、服役过程中经常会出现各种缺陷, 而传统低效的人工检测方法难以保障工业界对中高端铸件的性能需求. 因此亟需对铸件检测技术进行革新. 本文首先对铸件铸造过程以及服役过程中各类缺陷的形成机理进行分析. 然后阐述了基于声学、光学、电磁学等主流检测技术及其常规信号处理方法、磁粉检测技术与渗透检测技术等其他检测技术,并对近年来新兴的基于神经网络的信号处理方法进行了说明. 在此基础上, 分析了近年来铸件缺陷无损检测技术以及基于神经网络的信号处理方法的研究现状. 最后, 对铸件缺陷无损检测技术及应用的发展趋势进行了展望.

  关键词铸造缺陷, 无损检测, X射线探测, 神经网络

工业铸造论文

  铸造作为现代装备制造工业的基础共性技术之一, 铸造产品被广泛运用在航空航天、工业船舶、机械电子和交通运输等国民经济各部门.常规的铸造过程是将固态金属溶化为液态后,注入到特定形状的铸型进行填充, 待其凝固成形.铸造技术有着六千多年的悠久历史. 直至今天, 伴随着现代工艺的发展以及国际市场的庞大需求, 各行各业亟需高端铸件作为工作基础建设.我国是精密铸造制造大国, 无论是铸件的年产量, 还是从业人员、企业数量已经位居世界首位, 且精密铸造零件占全球精密铸造通用零部件50%以上.

  铸造工艺论文: 冶金铸造起重机设计与发展趋势

  在全球铸造行业市场份额占比逐步扩大的同时, 铸件质量问题成为了阻碍我国铸造行业发展的首要问题.工业上对缺陷进行分类分级判定大多是通过对比被测工件与标准缺陷图样展示的缺陷类型是否相同, 从而判定工件各方面能否达到合格指标. 我国的GB/T 11346[1]、TB/T 3012[2]与美国材料实验协会(American society for testing and materials,ASTM)系列标准[3, 4]是现有的主要实施标准. 由图谱与相关技术要求得以通晓: 缺陷成因对缺陷周遭的晶体结构与形貌起主导性作用. 根据缺陷形态、大小与形成原因的不同, Fiorese等[5]将铸件表面及内部缺陷分为五种类别:

  收缩类缺陷, 气孔类缺陷,夹杂类缺陷, 不良相和热收缩类缺陷. 中小型铸件对于孔洞直径、深度以及孔隙率有更严的标准, 因此需要对微小孔洞缺陷进行更深入的研究. 万谦等[6]通过观察孔洞三维形貌与其特征参数, 对气孔、气缩孔、收缩孔这三类孔洞的体积和圆整度进行分析对比, 发现三者在各方面差异显著.铸件表面及内部各类缺陷[7]与复杂多变的铸造工艺过程以及工件服役过程中的外作用力息息相关. 不论是从技术管理角度还是从成本控制角度来说, 分析缺陷与形成机理的因果关系的判断都显得十分重要.

  判断出真实关系后, 便可制定解决对策,调整铸件图与铸造装备设计. 砂型铸造是现代铸造业使用最广泛的铸造工艺, 是凝固成型技术中最基本的方法. Jatimurti等[8]研究了在砂型铸造下, 脱砂时间和冷却速率对铸铝6061合金组织和孔隙率的影响, 并且发现冷却速率与孔隙率呈线性关系.而随着科技日新月异的进步, 许多优质的先进技术引入铸造工艺技术, 并不断优化和发展, 衍生出了种类繁多、特点各异的特种铸造手段. 因此, 针对生产工艺的特殊性, Chelladurai[9]、Malhotra[10]与Zhao等[11]分别研究了砂型铸件、压铸件及连铸坯中缺陷与多种工艺参数的关系.

  Cao等[12]通过真空辅助高压压铸工艺在不同的绝对压力下生产AlSi9Cu3合金铸件, 研究了型腔中绝对压力对压铸件的孔隙率, 组织和力学性能的影响, 表明高真空度有助于减少孔隙率. Jia等[13]研究分析了不同垂直离心铸造条件下形成的钛铝合金铸造缺陷, 表明离心力对小孔, 微裂纹和夹杂物等缺陷的数量均具有显著影响.

  针对铸造过程中普遍的几何属性, Bijagare等[14]将直浇道与冒口设计在多个位置, 对金属液流动和金属凝固进行有限元模拟的分析, 证明了冒口是影响收缩类缺陷产生的重要因素. 此外,铸件也会因长时间的服役与各种应力在内外形成不可逆的裂纹缺陷. 为此, Wang[15]研究了单调和循环拉伸载荷下孔隙对裂纹萌生的影响. 通过X射线计算机层析成像(Computerized tomography, CT)三维表征材料的微观结构, 验证了孔洞类缺陷在单调拉伸和循环加载条件下出现循环开合的趋势, 从而引发裂纹. Rotella等[16]将不同的ASTM指标与疲劳极限相关联, 量化了缩孔对铸造铝合金疲劳极限的影响. 结果表明, 较小的表面缺陷也会导致致命的大裂纹.总结了各种类型缺陷影响因素特征,并附上缺陷示意图.致命性缺陷往往会直接导致整个铸件报废[17].

  气孔类缺陷会引起其周围应力集中, 降低铸件的抗冲击性和抗疲劳性. 气孔还会降低铸件的气密性,致使某些要求处于强力、高速、高温等环境的铸件报废. 大多数缺陷容易降低铸件本体的密封性、金属连续性, 甚至会在使用期间造成断裂, 引发难以估量的灾难. 对于铸件的生产绩效来说, 主要根据其质量、交货期和成本来对经济效益综合衡量. 为了节约材料, 提高经济效益, 保障行业平稳发展, 就更需要对铸件质量做全面核查. 铸件缺陷检验是保障铸件正常运转的重要手段. 现如今, 传统的铸件缺陷检测方式是采用人工巡视检查的方法.

  但人工巡检方式时效长, 风险高, 划分标准难于统一. 为了实时在线地获得铸件生产质量及疲劳程度信息, 各种铸件无损检测方法应运而生.本文在铸件缺陷检测的背景下, 首先对缺陷成因及危害进行分析, 然后对近年来基于光、声、电磁学的无损检测技术以及基于神经网络的铸件缺陷检测方法的研究及应用进行综述, 最后对工业铸件缺陷检测技术应用及发展趋势进行展望.

  1 铸件缺陷无损检测技术

  工业生产注重生产的效率和产品最终使用性能, 故大部分铸件缺陷的检测对检测系统的实时性和精度都有要求. 但对于铸件而言, 其多样的加工工艺、灵活的加工手法所选原材料的差异使最终成型的产品具有复杂的物理特性和广泛的用途. 针对不同种类铸件制定了不同的生产标准, 工业领域中的铸件现行标准多达143篇, 其中关于质量检测的国家标准有8篇.

  此外, 尽管不同工业领域生产的铸件在物理特性上存在差异, 但其缺陷种类有一定的重合, 如划痕、裂纹等. 同种类型的缺陷往往也有通用的检测技术, 如超声检测技术、机器视觉检测技术等, 而与之信号分析算法也是一致的. 通用检测技术适用性广, 但对于铸件缺陷而言, 其缺陷的成因与其铸造工艺的关联性极大, 往往缺陷类内差异大, 使用通用缺陷可能得不到满足精度要求的结果, 因此, 在原本通用检测技术上, 发展出了一些专门针对某类铸件检测技术, 例如, 检测中小型铸件的X射线二维成像检测技术; 专门检测管状铸件的远场涡流检测技术; 检测厚度大铸件的超声波检测技术等等.主流的无损检测技术主要用于工程未知工艺缺陷的检验, 是在不损伤被测铸件的前提下, 利用光、声、电磁等物理场作用在铸件上产生的物理现象来探测表面及内部缺陷的技术. 主流无损检测技术以硬件为核心, 硬件的质量会直接影响后续检测效果.

  1.1 基于光学的无损检测技术1.1.1 X射线二维成像技术

  工业射线探测常使用X射线机或加速器作为射线源, 从铸件的一个侧面进行照射并穿过铸件,照射部位的密度越大, 射线强度越低. 若内部有缺陷, X射线穿过有缺陷路径的密度变小, 其强度相对变高. 由此, 能够将被测铸件的内部质量信息通过荧光屏、胶片或数字影像接收器等接收装置, 从而显示出铸件内部质量情况. 射线检测技术对气孔类、夹渣类等体积型缺陷最为敏感. 同时X射线二维成像检测技术具有以下特点:

  1)被测结果以图像形式展示, 直观且便于存储;2)适用于不同材质、复杂异形的铸件; 对具有一定空间分布的体积型缺陷可以高效表征;3)探测速度慢, 成本高. 射线探测仪器的工作电压高达数万伏, 且射线对人体有辐射作用, 检测人员进行探伤作业时易危及到生命安全, 因此该技术对环境要求极为苛刻;4)二维X射线只能提供单一方向的铸件阴影图, 而没有任何深度分辨率信息, 无法准确确定所检测到的潜在缺陷的位置和形状. X射线二维成像技术对射线能量选择及铸件透照布置有着极高标准[19].

  探测系统硬件的优劣会直接影响检测人员对缺陷类别级别的判断. Hussein等[20]发现了能够产生超相对论电子束的激光尾场加速器(Laser-wakefeld accelerators, LWFA),其透射图像可以清晰展示铝硅工件的内部结构细节. 在连续制造工艺下, 由于重力及凝固收缩等现象, 连铸坯表面极易形成大范围的偏析缺陷, 这将会严重影响铸件性能, Lu等[21]使用基于同步加速器的放射成像技术对铸造过程中的铸件表面进行高效成像, 实时监测预警, 从而调整冷却系统速率以避免偏析缺陷的形成. Wang[22]设计了一种基于电荷耦合器件(Charge coupled device, CCD)的数字射线探测系统. 该系统能接收能量范围更广的X射线, 得到更高的成像质量.

  大多数铸造车间已经摒弃了人工检测方法, 而是采取与图像处理算法对X射线二维图像进行处理分析, 图像处理算法是一种应用价值很高的检测方法, 其在解决人力资源成本的同时保障计算精度.如今对铸件射线图像处理的研究主要可分为新算法的引入与原有算法的改进. Li等[23]提出了一种基于X射线的铸件内部缺陷检查系统. 将二阶导数和形态运算、逐行自适应阈值处理和二维小波变换方法进行对比. 由于小波技术可以选择小波基数和多级分辨率, 高效准确地检测裂纹、孔隙和异物等三种典型缺陷, 证实了二维小波变换是检测铸件内部缺陷的实用方法.

  Jin[24]提出了一种基于Relief算法和Adaboost支持向量机的内部裂纹检测方法,拥有比现有常用分类器更高精度及泛化能力. 针对遮挡现象, Zhao等[25]提出一种基于稀疏表示的铸造缺陷检测和分类系统, 实现了一种基于灰度排列对(Gray arranging pairs, GAP)的分割方法. 对结构复杂、水垢遮挡、噪声强度大的铸件射线图像, 能有效识别裂纹类、气孔类、缩孔类等多种普遍的铸造缺陷类型. 基于GAP的分割方法.

  图像低对比度问题一直是经典检测算法中的难点. 为使机器获得清晰轮廓的图像, 克服因轮廓变化导致的难于分割前景与背景的问题, 文献[26]将单阈值处理大津阈值分割法、自适应阈值和中值滤波等传统分割方法进行比较. 其中, 空间平滑算法对铸件的四种常见缺陷准确率达到了100 %. 随着图像处理技术的广泛应用, 人们开始考虑不同算法之间的短板及联系. Mery等[27]将Gabor、方向梯度直方图(Histogram of oriented gradient, HOG)特征、局部二值模式(Local binary patterns, LBP)等三种特征工程方法与八种机器学习模型两两结合, 比较与评估了包括深度学习、稀疏表示、局部描述符等24种计算机视觉技术. 结果表明LBP结合梯度提升分类器方法可以获得最佳性能, 准确率达89 %. 说明图像处理算法具有很大的潜力.

  1.1.2 X射线三维成像技术X射线三维层析成像与计算机技术联系十分紧密, 它是一种依据射线数据重塑铸件断层物理特征分布图的检测技术. 该技术可以直观地表征铸件内槽腔等被遮挡部分的三维形貌, 且能将铸件尺寸测量和缺陷质量控制等两个任务在单个检查过程中同时实现, 提高了复杂铸件的检测效率[28].

  1.1.3 机器视觉检测技术视觉是人类感知外界信息的重要手段, 通过人眼能够捕捉目标的大小、颜色、纹理等信息. 机器视觉就是用相机等机器设备代替人眼对信息进行观察与判断. 如今的机器视觉检测系统设计和质量管理机制已经在中国得到了广泛应用并不断革新和深化. 机器视觉检测系统主要包括光源、图像获取单元、图像处理单元和执行机构组成.

  1.1.4 高光谱检测技术

  高光谱成像是一个复杂, 多学科高度融合的领域. 该技术可以在连续光谱带中采集空间图像. 所以高光谱图像除了有x, y方向的空间维度信息以外, 每个像素都包含完整的光谱信息, 可反映铸件内部的物理属性与结构成分的差异[48]. 高光谱成像技术是一项新兴的, 非侵入性光学技术.铸造行业需要实时监控铸件表面及内部质量变化. 检测人员仅能够捕捉肉眼可观测的缺陷, 而高光谱成像能够得到这些缺陷更详尽的信息, 并跟踪铸件内发生的任何变化. Mehrubeoglu等[49]首次有针对性地分析高光谱成像在铸件检测领域的应用,采用高光谱成像仪显示出潜在缺陷处突变为低强度的光谱轮廓, 映射并量化了铝铸件表面裂纹缺陷区域. 缺陷在连续波段光谱下的数据绘制出一条与光照强度相关的对应特定曲线.

  1.2 基于声学的无损检测技术

  1.2.1 常规超声检测技术

  超声波是指频率高于20 kHz的弹性波. 超声检测技术是指利用超声波对铸件内部宏观缺陷进行检查的一种主流无损探伤方法. 其采用常规探头对准铸件待测位置的表面发射超声波, 利用超声波在遇到两侧声阻抗有差异的界面时产生反射波的特性, 进而分析不同反射信号传递到探头的声波信号及时间差, 即可获得铸件内部缺陷信息.

  2 基于神经网络的探测信号处理方法

  在铸件缺陷无损检测过程中, 探测阶段所采集到的缺陷信号载体的物理特性不同, 往往需要根据其特性有针对性地进行信号分析方法研究. 同时,信号存在各种噪声干扰, 增加了缺陷特征提取难度,因此各类噪声信号处理方法也需要提出与改良. 而不同信号分析方法和信号处理方法的叠加, 使得每种缺陷检测方法的工作量增大, 使用范围变窄. 近年来, 国内外学者对基于神经网络的信号处理方法展开研究, 利用神经网络可以通过逐级迭代获取输入和输出内在联系的特点, 将神经网络结构运用于各种探测信号分析. 同时, 神经网络的鲁棒特性, 使得其对含噪声的信号仍具有高检测效率. 此外, 基于样本学习的方法可以完美融入大数据分析策略,通过对铸件缺陷数据库的学习来保障自身的高效性能.

  3 展望

  随着铸造技术的不断发展, 目前的铸件检测系统仅依靠软硬件技术的升级优化, 已无法满足铸件缺陷检测技术的现实需求[132]. 针对铸件全尺寸、高精度、高时效等检测要求, 高端铸件缺陷检测技术必须考虑以下几点问题。

  1)对于铸件缺陷检测过程而言, 探测技术本身存在的缺点不可避免, 且单一的声或光信息难以对复杂铸件作全方面检测. 融合多种探测方法对铸件进行全方位探测技术开始出现. 但仅仅通过串联多种探测技术来组合成一条自动检测线, 是无法满足工业中对于检测速度的要求[133]. 如何利用多模态技术将多维信息融合实现对铸件缺陷特征进行高效且全面地检出将是未来检测技术发展研究的方向之一.

  2)目前, 机器人技术与铸造行业质量监测的联系越发紧密, 机器视觉系统与机器人技术融合技术崭露头角: 结合机器人系统的机器视觉检测技术实现了铸件多角度信息获取, 消除了空间对检测效果的限制. 而其他检测手段也正面临着过分依赖人的参与、辅助时间长、检测效率低等问题, 亟需加速践行新一代信息技术与质检技术的深度融合, 在时间与空间上提高检测设备灵活性. 如何将各种检测手段与机器人技术有效结合, 促进传统铸件检测技术的智能化升级, 是未来研究方向之一.

  3)在铸造行业实际场景中, “大数据”往往是伪命题, “小样本”却更为常见. 经过多年的学术研究,国内外研究员从数据扩充、模型优化和迁移学习三个方面改进了神经网络对数据采集量的需求[134]. 但多数研究仅考虑到检测的精度, 并未过多考虑检测实时性, 这在工业领域是无法接受的. 此外, 多数针对小样本的检测模型是在自然图像数据集或公共数据集上进行预训练再针对下游任务进行微调的, 工业场景实际应用少. 针对小样本检测网络的实时性和更有针对性的模型预训练方法展开研究, 可以将自然领域或医学领域小样本检测模型迁移至工业领域, 具有广大的发展前景.

  4)铸件缺陷检测任务通常仅包含检测与分类,这无法包罗我们所需要的全部质检信息. 对于单个铸件, 一一进行缺陷检测、尺寸测量、表面粗糙度测定等程序耗时耗力. 特别是针对图像检测任务, 我们需要同时实现铸件尺寸测量、缺陷分类、表面粗糙度评定等多个任务. 在深度学习领域, 多任务学习可以学到多个任务的共享表示, 这个共享表示具有较强的抽象能力, 能够适应多个不同但相关的特征. 由于使用共享表示, 多个任务同时进行预测时,同样能减少了样本来源的数量以及整体模型参数的规模, 使得具有更小容量的模型就可以获得同水平或更好的泛化能力, 预测更加高效. 由此可见, “多任务”与铸件质量检测结合是一个值得深入探讨的问题.

  4 总结

  铸件的生产加工工序繁多、条件复杂, 加工工艺本身的不足和操作失误都有可能使铸件在加工完成时就存在缺陷, 而在服役过程中, 受力不均或使用不当也会产生缺陷, 这些缺陷会影响铸件的整体性能, 需要进行监测与排除. 随着工业生产规模的不断扩大, 纯人工检测方法的检测效率不足以满足生产效率要求, 需要自动化的铸件缺陷检测方法来提高检测效率.本文针对铸件生产以及服役过程中的产生的孔洞类缺陷、裂纹、偏析和夹杂等缺陷的成因进行分析.

  阐述了基于声学、光学、电磁学等主流检测技术及其常规信号处理方法、磁粉检测技术与渗透检测技术等其他检测技术, 并对近年来新兴的基于神经网络的信号处理方法进行了说明. 对基于神经网络的信号处理方法对比分析发现, 铸件无损检测方法已经趋于完整. 而深度学习网络, 作为新兴图像检测方法的核心, 能够发掘出图像包含的深层信息,这些深层信息能够对铸件缺陷分类提供指导. 并且,神经网络具有强鲁棒性, 轻量化神经网络的应用又进一步提高了检测效率. 因此, 将具有强鲁棒性、性能优越的神经网络运用在铸件缺陷检测与分类上是未来主要的研究方向.

  References

  1 中华人民共和国国家市场监督管理总局. 铝合金铸件射线照相检测缺陷分级: GB/T 11346-2018, 2018.

  2 中华人民共和国铁道部. 铁道货车铸钢摇枕、侧架: TB/T 3012-2016, 2016.3 ASTM International. Standard reference radiographs for heavywalled(41/2 to 12-in. [114 to 305-mm]) steel castings: ASTME280, 2010.

  作者:张辉1 张邹铨2 陈煜嵘1 吴天月2 钟杭1 王耀南1

转载请注明来自发表学术论文网:http://www.fbxslw.com/jzlw/28943.html