[发明专利]金属铸件疲劳过程内部缺陷演化的检测与分析方法

摘要

一种基于三维工业CT技术的金属铸件疲劳过程内部缺陷演化的检测方法与分析方法，同时属于工业CT无损检测领域和材料智能表征领域。该方法包括检测方法和智能分析方法，检测方法包括对原始金属试样进行工业CT扫描、扫描后进行疲劳加载试验、设计夹具加载疲劳试验后金属试样、对疲劳后金属试样进行工业CT扫描，智能分析方法包括内部缺陷的分类方法、疲劳前后缺陷对应识别、疲劳演化分析方法。该方法将三维工业CT技术与传统疲劳试验相结合，并对检测结果辅以智能分析方法，分析不同缺陷在疲劳过程中的演化特点，为金属铸件的成分设计、组织性能分析提供支持，具有广泛应用价值。

主权项

1.一种金属铸件疲劳过程内部缺陷演化的检测与分析方法，其特征在于，所述检测与分析方法包括两大部分：金属铸件疲劳过程内部缺陷演化的检测方法与金属铸件疲劳过程内部缺陷演化的分析方法；金属铸件疲劳过程内部缺陷演化的检测方法包括以下步骤：步骤1、利用三维工业CT检测设备对原始金属试样进行工业CT扫描；步骤2、扫描后，利用试验机对原始金属试样进行疲劳加载试验；步骤3、将加载疲劳试验后的金属试样固定在疲劳加载夹具作为夹具金属试样；步骤4、将步骤3所述的带夹具金属试样进行工业CT扫描；金属铸件疲劳过程内部缺陷演化的分析方法包括以下步骤：步骤5、根据步骤1与4得到的CT扫描图利用终端设备对内部缺陷进行分类；步骤6、根据步骤5的分类结果对金属试样疲劳前后缺陷进行对应识别；步骤7、根据步骤6中得到的对应识别结果，对疲劳演化进行分析；步骤5对内部缺陷进行的终端设备采用的是多分类方法，所述多分类方法是Adaboost_BTSVM多分类算法，所述Adaboost_BTSVM多分类算法通过选择SVM作为二叉树节点位置的分类器，组成二叉树SVM多分类器，在每个节点处，用Adaboost改进SVM算法，使得SVM为Adaboost的弱分类器：设置初始权重，从m个训练样本中随机选取100个样本训练第一个分类器SVM1，用SVM1对m个样本进行分类，根据分类的准确性E1更新每个样本的权重w1…wm，以及计算SVM1的权重W1；W1将决定最终投票时，SVM1在最终分类器H中的比重，根据更新后每个样本的权重，重新从m个样本中选取权重最大的100个样本，训练分类器SVM2，根据分类的准确性E2更新每个样本的权重w1…wm，以及计算SVM2的权重W2，如此循环往复，最终得到n个弱分类器，以及n分弱分类器的权重W1…Wn，从而得到最终分类器H。