[发明专利]一种基于超声相控阵和支持向量机的焊缝缺陷检测识别方法

说明书

技术领域

本发明涉及一种焊缝缺陷识别方法，属于焊接缺陷识别技术领域。

背景技术

随着我国航空、航天、能源和船舶等重工业的发展，许多领域涉及厚板材料、大型结构的焊接问题。对于大型结构及厚板材料的焊接而言，焊接变形和缺陷控制及高效快速制造是关键技术。解决该类问题，需要采用能量密度高、加热速度快、焊接热影响区小、焊接变形小、参数稳定再现性好及易于控制的真空电子束焊接技术。

电子束焊接过程中由于表面处理和焊接工艺等问题，焊缝中常常会出现气孔、裂纹和未焊透等缺陷，对接头的力学性能有着很大的影响，尤其是接头的冲击韧性和抗疲劳性能明显下降。因此，在不破坏焊接结构的条件下，采用无损检测手段，掌握缺陷的类型、大小和位置，对保证焊接结构的性能和使用寿命具有十分重要的意义。

焊缝的无损检测最常用的是超声波斜角探伤法，采用斜探头使波束倾斜入射到试样检测面，探头在试样的表面沿试样宽度方向移动，当试样中存在缺陷，声波会被反射回来。要保证斜角探伤法的检测灵敏度，应使声束尽可能垂直于主要缺陷，因此对试样的宽度有一定的要求。当试样的宽度有限时，斜角探伤法的应用将受到限制。

超声相控阵法的特点在于通过调整换能器每个阵元发射/接收的时间延迟，产生具有不同相位的超声子波束，子波束在空间叠加干涉，达到波束聚焦和偏转的效果。将波束偏转与波束聚焦结合起来，可以实现超声波束在一个扇形区域内的扫描。采用超声相控阵扇形扫描检测方法，可以解决宽度有限厚板焊缝的检测。

焊接缺陷识别是无损评价中的重要环节，主要依靠有经验的专业检测人员通过目测观察判定缺陷，工作效率较低，并且缺陷的识别结果受检测人员主观因素的影响，误判率较高，结果的可靠性无法得到充分保证。为了提高工作效率和缺陷判断的准确率，研究焊缝缺陷的智能识别十分必要。现有技术中没有给出焊缝超声相控阵检测方法缺陷智能识别的技术方案。

焊缝缺陷的分类识别属于小样本和非线性识别问题，本发明将支持向量机技术应用到焊缝缺陷的分类识别研究中。支持向量机是建立在统计学习理论基础上的一种新的机器学习方法，它是针对两类识别问题提出的，采用结构风险最小化原则代替经验风险最小化原则，较好地解决了小样本情况下的学习问题；由于采用了核函数，把非线性问题转化为线性问题来解决，保证了收敛速度，而且不存在局部极小值问题。

发明内容

本发明为了解决厚板电子束焊缝缺陷无损检测与识别问题，进而提供一种基于超声相控阵和支持向量机的焊缝缺陷检测识别方法。

本发明为解决上述技术问题采取的技术方案是：

一种基于超声相控阵和支持向量机的焊缝缺陷检测识别方法，所述方法的具体实现过程为：

步骤A、基于支持向量机的缺陷分类模型训练过程，包括：样本的选择、焊缝缺陷超声相控阵扇形扫描图像特征提取、焊缝缺陷分类模型结构构造、核函数的选取、基于支持向量机子模型的参数优化、基于支持向量机子模型的学习与测试；

步骤B、焊缝缺陷识别过程：

步骤B1、采用主成分析方法提取焊缝超声相控阵扇形扫描图像的前几个成分作为缺陷识别的特征值；

步骤B2、对特征值进行归一化处理；

步骤B3、将特征值输入分类子模型I进行识别；

步骤B4、判断输出是否为“+1”，如果是则判断为气孔缺陷，否则执行步骤B5；

步骤B5、再将特征值输入分类子模型II进行识别；

步骤B6、判断输出是否为“+1”，如果是则判断为裂纹缺陷，否则执行步骤B7；

步骤B7、再将特征值输入分类子模型III进行识别；

步骤B8、判断输出是否为“+1”，如果是则判断为未熔合缺陷，否则执行步骤B9；

步骤B9、判断输出是否为“-1”，如果是则判断为未焊透缺陷，否则执行步骤B10；

步骤B10、判断焊缝无缺陷。

上述方案中，基于支持向量机的分类模型训练的具体过程为：

步骤A1、样本的选择：

采用超声相控阵成像检测系统对焊缝缺陷进行扇形扫描检测获得缺陷图像，在典型的气孔、裂纹、未熔合和未焊透缺陷的超声相控阵扇形扫描图像中随机选取样本，每种缺陷选取的样本数相同；

步骤A2、焊缝缺陷超声相控阵扇形扫描图像特征提取：

对焊缝缺陷扇形扫描图像做主成分分析，提取前几个主成分，建立缺陷特征表达函数，作为基于支持向量机缺陷识别的特征值；前几个主成分的累计贡献率需要达85％以上；

步骤A3、焊缝缺陷分类模型结构构造过程为：