基于超声波探伤的H13模具钢心部缺陷检测方法

   H13模具钢以其优异的热稳定性、耐磨性和高韧性，在热作模具领域得到了广泛应用。然而，在模具钢的铸造和加工过程中，钢心部缺陷的产生成为制约模具钢性能和使用寿命的关键因素。钢心部缺陷不仅影响材料的力学性能，还可能在模具使用过程中引发断裂、失效等严重后果。因此，对H13模具钢心部缺陷的有效检测，成为确保模具质量和安全性的重要环节。      传统的模具钢缺陷检测方法，虽然在一定程度上能够识别出表面和近表面的缺陷，但对于隐藏在材料内部的心部缺陷，其检测效果往往不尽如人意。近年来，超声波探伤技术以其非破坏性、高灵敏度和穿透力强的特点，在金属材料的内部缺陷检测中展现出独特的优势。在超声波探伤技术的发展过程中，针对H13模具钢等特定材料的检测方法和算法不断优化。通过对超声波信号的精确分析和处理，研究人员能够准确识别出材料内部的微小缺陷，并对其进行定位和定量评估。此外，随着计算机技术和人工智能的快速发展，超声波探伤数据的自动化处理和智能识别也成为可能，大大提高了检测效率和准确性。     通过对超声波探伤技术的深入分析和创新应用，提出了一套针对H13模具钢心部缺陷的检测方案。该方案结合先进的超声波信号处理技术和智能识别算法，旨在实现对H13 模具钢心部缺陷的快速、准确检测。1基于超声波探伤的H13模具钢心部缺陷检测方法1.1 H13 模具钢心部超声波能量特征获取     为对H13 模具的钢心部缺陷进行检测，采用超声波探头对模具进行探伤检测，从而获取超声波能量特征。为保证足够的穿透力以及分辨率，选择声波频率在3.5 Hz以上的探头作为主要探测设备。为了确保探头与工件表面紧密接触，避免空气间隙，以减小超声波的反射和散射。因此，选择在待检测区域表面涂抹专用耦合剂，以此增强探头与工件之间的声耦合效果。     超声波在传播过程中，可能会受到来自材料内部或外部的各种噪声的干扰，这些噪声会叠加在超声波信号上，降低信号的信噪比，使得缺陷信号难以被准确识别。使用经验模态分解软阈值方法对H13模具的钢心缺陷部分进行超声波去噪处理。然后利用核主成分分析方法提取H13 模具钢心部缺陷超声波能量特征并据此提取出H13模具钢心部超声波能量特征。1.2 超声波时域特征信息解析    针对上述提取得到的H13模具钢心部超声波能量特征，结合时间窗函数，对时域特征信息进行提取。时间窗函数可以在信号处理中平滑信号，减小频谱泄漏，从而提高信号分析的准确性，算式为：   其中，Ta代表时间窗函数的提取幅度，t0 代表时间窗中心，ωt 代表时间窗宽度，t1代表时间窗的位移向量。基于上述时间窗函数构建出的超声波信号时域特征信息解析式为：    其中，ε代表时间窗函数的偏移量，x*代表与回波信息共轭的信息信号，Z（t，ε）代表回波信息数据的瞬时关联函数，ω代表信号频率。    在上述时域特征信息解析过程中，会存在部分的干扰向量，这部分的干扰成分主要是由信号噪声以及信号畸变引起的。当信号在传输过程中受到畸变或者受到来自不同信号源的干扰时，会出现信号叠加的情况，产生分布干扰项。因此，为了对干扰项进行剔除，在式（2）中引入了瞬时关联函数，用于抑制信号叠加的干扰程度。回波信息数据的瞬时关联函数为：    其中，Za(t，ε)和Zs(t，ε)分别代表超声波信号中回波信息的自相关向量以及共轭相关向量，采用(3)式可以从提取的时域特征信息中删除过多的分布干扰项，从而保证提取结果的准确性。1.3 H13模具钢心部缺陷检测    针对上述提取出的时域特征信息，结合支持向量机，将缺陷检测问题转化为分类面的求解问题，实现缺陷的分类检测。由此，将超声波时域特征信息作为支持向量机的输入数据x（t），由此构建出的H13模具钢心部超声波特征信息的样本集合为（vj，uj），vj和uj 分别代表时域特征信息的分类属性以及标记信息。采用支持向量机对钢心部缺陷进行检测的原理在于通过将输入样本集合投影到高维特征空间，并设定缺陷检测的超平面，从而得到分类检测结果。从而构建用于缺陷检测的分类超平面，算法为：    其中，m为时域特征信息的样本数量，cj 为拉格朗日乘子，k（v，vj）为支持向量机的核函数，a为惩罚补偿因子，w 为权重偏置补偿项。    该超平面能够不同类别之间的边界，同时最小化同一类别内部的差异。通过构建初始可行域，将超平面所训练的目标设置为分类误差，缺陷检测模型为：    其中，oj 为缺陷的分类检测结果，δMES 为支持向量机的训练误差，μj 为松弛变量，o'j为超声探伤技术实际提取到的模具内部状态信息。    通过上述步骤即可完成对于H13模具钢心部缺陷的分类检测。通过结合支持向量机，构建出分类超平面，将平面训练目标设置为分类误差，从而构建出缺陷检测模型。将本节内容与上述提到的回波信息获取以及时域特征信息解析等相关内容进行结合，至此，基于超声波探伤的H13模具钢心部缺陷检测方法设计完成。2试验论证     为了证明提出检测方法在实际缺陷检测方面优于常规的H13 模具钢心部缺陷检测方法，在理论部分的设计完成后，构建实验环节，并对检测效果进行检验。2.1 实验说明    为验证提出的方法在实际缺陷检测方面的优异性，选取了两组常规的H13模具钢心部缺陷检测方法作为对比对象，分别为基于机器视觉的H13模具钢心部缺陷检测方法，以及基于感知编码器的H13模具钢心部缺陷检测方法。通过构建实验平台，采用三种检测方法对同一个H13模具进行缺陷检测，对比不同方法的实际检测效果。2.2 实验对象     为了获取H13 模具钢心部缺陷样本数据集，针对不同规格的模具进行了扫描，从而采集到了不同缺陷的回波型号，并针对采集到的信号数据进行预处理，保证原始数据集的质量以及可靠性。因此根据实验需要，对信号进行适当的放大和增益调整。这有助于提高信号的幅度，使得微弱的缺陷信号能够被更好地检测到。将提取的特征进行格式化处理，使其适应后续的机器学习算法和模型。     所构建出的缺陷样本数据集包括多个样本，每个样本包含多个特征。特征的选取基于超声波信号的特性和缺陷的类型，例如幅值、频率、相位、到达时间等。     每个样本还包含一个标签，用于标志该样本是否含有缺陷以及缺陷的类型。数据集采用结构化的形式存储，便于后续的数据处理和分析。每个样本表示为一个向量，其中包含多个特征值和标签。标签采用分类或标签化的方式进行标注，以区分不同类型的缺陷。    在上述样本缺陷数据中，为准确对比出不同方法的实际检测效果，本次实验提前针对缺陷的位置进行了模拟，由此得到了不同缺陷的定位结果。该定位信息会作为检测标准，用于对比不同方法的检测准确性，部分缺陷模拟定位信息见表1。     通过采用3 种方法对实验数据集进行模拟检测，待检测完成后，记录下不同方法的缺陷分类检测结果，并与实际模拟出的定位信息进行比对，从而实现方法检测性能的有效对比。2.3 缺陷诊断，精度对比结果    实验以不同检测方法下缺陷检测结果的查全率作为对比指标，用于衡量不同方法的实际检测精度，实验后可知，常规检测法A 的最高查全率为0.47%；常规检测法B 为0.63%；采用的检测法最高查全率为0.73%。由此可见，在针对相同实验数据集进行模拟检测时，不同方法的检测精度也有所不同。两种常规的检测方法所对应的查全率明显较低，最高查全率仅为0.65%，而基于超声波探伤的H13模具钢心部缺陷检测方法具备更高的检测精度，检测查全率最高值为0.73%，由此可以证明本方法的检测效果更为理想。3结论     一种新的基于超声波探伤的H13模具钢心部缺陷检测方法在检测H13 模具钢心部缺陷方面有一定的效果。然而，在实际应用中，该方法仍存在一些不足之处，需要进一步改进。在今后的研究工作中，还需针对超声波信号的降噪处理进行更为深入的研究。