博文
工业铸件缺陷无损检测技术的应用进展与展望
|
引用本文
张辉, 张邹铨, 陈煜嵘, 吴天月, 钟杭, 王耀南. 工业铸件缺陷无损检测技术的应用进展与展望. 自动化学报, 2022, 48(4): 1−22 doi: 10.16383/j.aas.c210161 Zhang Hui, Zhang Zou-Quan, Chen Yu-Rong, Wu Tian-Yue, Zhong Hang, Wang Yao-Nan. Application advance and prospect of nondestructive testing technology for industrial casting defects. Acta Automatica Sinica, 2022, 48(4): 1−22 doi: 10.16383/j.aas.c210161 http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c210161?viewType=HTML 文章简介 关键词 铸造缺陷, 无损检测, X射线探测, 神经网络 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. 引 言 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. 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、TB/T 3012与美国材料实验协会(American society for testing and materials, ASTM)系列标准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、Malhotra与Zhao等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. 表1总结了各种类型缺陷影响因素特征, 并附上缺陷示意图. 表 1 铸件缺陷类型以及各伤损示意图 致命性缺陷往往会直接导致整个铸件报废. 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. 图 7 机器视觉系统示意图 图 8 图像识别缺陷的类别、位置和区域 图 10 高端铸件缺陷检测技术展望概述 作者简介 张 辉 湖南大学机器人学院教授. 分别于2004年、2007年和2012年获得湖南大学学士、硕士和博士学位. 主要研究方向为工业机器视觉和数字图像处理. 本文通讯作者. E-mail: zhanghuihby@126.com 张邹铨 长沙理工大学电气与信息工程学院硕士研究生. 主要研究方向为深度学习和视觉检测. E-mail: zouquan_zhang@163.com 陈煜嵘 湖南大学电气与信息工程学院博士研究生. 于2020年获得美国匹兹堡大学硕士学位. 主要研究方向为图像处理, 机器学习和领域自适应. E-mail: chenyurong1998@outlook.com 吴天月 长沙理工大学电气与信息工程学院硕士研究生. 主要研究方向为深度学习和视觉检测. E-mail: yue_wuwuwu@163.com 钟 杭 湖南大学博士后. 分别于2013年、2016年和2020年获得湖南大学学士、硕士和博士学位. 主要研究方向为机器人控制, 视觉伺服和路径规划. E-mail: zhonghang@hnu.edu.cn 王耀南 中国工程院院士, 湖南大学机器人学院教授. 1995年获得湖南大学博士学位. 主要研究方向为机器人学, 智能控制和图像处理. E-mail: yaonan@hnu.edu.cn 相关文章 [1] 李靖, 李俊民, 陈为胜. 随机非线性严格反馈系统的自适应神经网络输出反馈镇定. 自动化学报, 2010, 36(3): 450-453. doi: 10.3724/SP.J.1004.2010.00450 http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2010.00450?viewType=HTML [2] 陈杰, 李志平, 张国柱. 变结构神经网络自适应鲁棒控制. 自动化学报, 2010, 36(1): 174-178. doi: 10.3724/SP.J.1004.2010.00174 http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2010.00174?viewType=HTML [3] 石宇静, 柴天佑. 基于神经网络与多模型的非线性自适应广义预测控制. 自动化学报, 2007, 33(5): 540-545. doi: 10.1360/aas-007-0540 http://www.aas.net.cn/cn/article/doi/10.1360/aas-007-0540?viewType=HTML [4] 彭济根, 倪元华, 乔红. 柔性关节机操手的神经网络控制. 自动化学报, 2007, 33(2): 175-180. doi: 10.1360/aas-007-0175 http://www.aas.net.cn/cn/article/doi/10.1360/aas-007-0175?viewType=HTML [5] 孟志青, 胡奇英, 杨晓琪. 基于精确罚函数的一类广义非线性神经网络模型. 自动化学报, 2003, 29(5): 755-760. http://www.aas.net.cn/cn/article/id/13884?viewType=HTML [6] 邢进生, 万百五, 冯祖仁. 神经网络输出两阶段优化及其应用. 自动化学报, 2002, 28(5): 845-847. http://www.aas.net.cn/cn/article/id/15650?viewType=HTML [7] 周志华, 尹旭日, 陈兆乾, 陈世福. 神经网络在电力变压器运行状态检测中的应用. 自动化学报, 2002, 28(2): 301-305. http://www.aas.net.cn/cn/article/id/15520?viewType=HTML [8] 佟绍成, 李庆国, 柴天佑. 基于神经网络的一类非线性系统自适应输出跟踪. 自动化学报, 2000, 26(3): 296-302. http://www.aas.net.cn/cn/article/id/14737?viewType=HTML [9] 杨尔辅, 徐用懋. 一种小波-神经网络多变量混合过程模型及其应用. 自动化学报, 2000, 26(增刊B): 153-157. http://www.aas.net.cn/cn/article/id/16118?viewType=HTML [10] 李文彪, 宁静, 潘士先. 一种神经网络体视协同算法. 自动化学报, 1998, 24(3): 323-330. http://www.aas.net.cn/cn/article/id/16862?viewType=HTML [11] 刘慧, 许晓鸣, 张钟俊. 小脑模型神经网络改进算法的研究. 自动化学报, 1997, 23(4): 482-488. http://www.aas.net.cn/cn/article/id/17015?viewType=HTML [12] 胡泽新. 基于神经网络的滤波器. 自动化学报, 1996, 22(2): 168-174. http://www.aas.net.cn/cn/article/id/17203?viewType=HTML [13] 尹捷, 王煦法. 基于模糊联想神经网络分类器的JPEG彩色图象压缩编码. 自动化学报, 1995, 21(2): 249-253. http://www.aas.net.cn/cn/article/id/13983?viewType=HTML [14] 邓志东, 孙增圻, 张再兴. 一种模糊CMAC神经网络. 自动化学报, 1995, 21(3): 288-294. http://www.aas.net.cn/cn/article/id/13973?viewType=HTML [15] 张承福, 赵刚. 联想记忆神经网络的训练. 自动化学报, 1995, 21(6): 641-648. http://www.aas.net.cn/cn/article/id/17205?viewType=HTML [16] 张承福, 赵刚. 联想记忆神经网络的若干问题. 自动化学报, 1994, 20(5): 513-521. http://www.aas.net.cn/cn/article/id/14064?viewType=HTML [17] 钱大群, 孙振飞. 神经网络的知识获取与行为解释. 自动化学报, 1994, 20(3): 348-351. http://www.aas.net.cn/cn/article/id/14101?viewType=HTML [18] 倪先锋, 陈宗基, 周绥平. 基于神经网络的非线性学习控制研究. 自动化学报, 1993, 19(3): 307-315. http://www.aas.net.cn/cn/article/id/14238?viewType=HTML [19] 西广成. 神经网络系统学习过程初探. 自动化学报, 1991, 17(3): 311-316. http://www.aas.net.cn/cn/article/id/14589?viewType=HTML [20] 应行仁, 曾南. 采用BP神经网络记忆模糊规则的控制. 自动化学报, 1991, 17(1): 63-67. http://www.aas.net.cn/cn/article/id/14629?viewType=HTML 
https://blog.sciencenet.cn/blog-3291369-1331822.html
上一篇：基于多层BP神经网络的无参考视频质量客观评价
下一篇：基于移动机器人的拣货系统研究进展
