分享：基于多电磁无损检测的管线钢硬度检测模型

杜裕平1,冯 雪1,盛宏威2,王 平2

(1.南京钢铁股份有限公司,南京 210035;2.南京航空航天大学 自动化学院,南京 200240) 

摘 要:针对材料在塑性变形或者服役过程中,可能产生应力集中的问题,基于3MA 综合无损 检测技术所提取特征参数与管线钢表面硬度的关系,构建逐步回归模型和 BP神经网络模型,实现 对管线钢表面硬度的检测。结果表明:电磁特征信号与表面硬度存在相关性;无论是逐步回归模型 还是 BP神经网络模型,在10%的误差范围内,置信度可达100%。

关键词:硬度;多电磁无损检测;BP神经网络模型;逐步回归模型 中图分类号:TB31;TG115.5 文献标志码:A 文章编号:1001-4012(2022)12-0027-04

硬斑是钢板上的一种缺陷,指钢板表面局部区 域的硬度异常高于其他正常部位的硬度,这些区域 可能是成分异常区、外来杂质或者过冷区等。这些 硬斑区域附近存在很大的硬度差,材料在塑性变形 或者服役过程中,可能产生应力集中,导致表面产生 裂纹,严重影响管道的服役安全。 基于铁磁性材料微观结构的微磁无损检测技 术,可以直接提取反映材料微观结构的电磁信号,同 时材料微观结构决定材料的宏观硬度[1]。国内外学 者在多电磁检测技术方面进行了研究,中国矿业大 学范孟豹科研团队融合涡流、巴克豪森(MBN)两种 检测技术,采用 BP(BackPropagation)神经网络模 型,实现了轴承套的表面硬度检测[2]。北京工业大 学何存富科研团队融合切向磁场谐波分析和巴克豪 森 检 测 技 术,采 用 多 元 回 归 模 型,完 成 了 对 12CrMoV 钢板表面硬度的预测[3]。德国弗朗霍夫 研究所研发的3MA 综合无损检测技术,集成了巴 克豪森、增量磁导率、多频涡流、切线磁场谐波分析 等多项微磁无损检测技术,采用多元回归模型,对铁 磁性材料的硬度、强度等进行检测[4]。 笔者基于3MA 设备提取了41个特征值,分析 了特征参数与管线钢表面硬度的关系,并构建了逐 步回归和 BP神经网络模型,以对管线钢的表面硬 度进行检测。 

1 试验方法

1.1 试验设备 

采用德国3MA 设备(见图1)获取电磁特征参 数,其探头结构如图2所示(图2中,1为保护壳,2 为探头电子元件,3为磁轭,4为轭线圈,5为探头电 缆,6为弹簧加载传感器元件,7为磁场传感器,8为 电感式传感器,9为检测试样)。 巴克豪森信号由位于试样表面上的磁感应传感 器接收,并使用带通滤波器或低通与高通滤波器的 组合对检测到的信号进行滤波并放大。此后,还需 要对信号进行整流,包括放大和信号平滑等过程。 与 MBN 信号类似,增量磁导率(MIP)检测技术也 提取类似特征。 切向磁场谐波分析技术是在电压驱动磁化的情 况下,将频率为fM 的正弦激励电压施加到电磁铁 的磁轭线圈上,根据电磁铁的总电感和材料的磁滞 回线形状,探头磁轭线圈中将产生与时间相关的非 正弦电流。除了基频fM 之外,磁化电流将会出现 高次谐波。 3MA 设备应用4种不同的涡流频率去激励检 测线圈,对检测信号解调处理后,得到每个频率的实 部和虚部,以及阻抗的幅度和相位,这样可以使得目 标值与干扰因素分离,有利于提高检测精度。 3MA 设备采用多元回归方法得到电磁特征与 目标的数据模型,但这种算法依赖特征参数与目标 的相关性,具有一定的限制性。当参数与目标的相关性较低时,所得结果误差较大。 

1.2 试样制备及硬度检测

制 备 的 试 样 尺 寸 为 750 mm ×300 mm × 30mm(长×宽×高),结构及测点如图3所示。首先在钢板正面取5个点,探头磁场方向与轧 制方向垂直,每个点的采集时间为30s,提离距离为 2mm。采用里氏硬度计对钢板的表面硬度进行检 测,结果如表1所示。 表1 部分试

1.3 检测模型及评估函数 

逐步回归算法是将所有解释变量逐一引入,通 过 F检验和t检验后确认显著变量,并将不显著变 量删除,循 环 往 复 得 到 最 优 回 归 方 程,用 于 拟 合。 3MA 检测系统采用的算法是逐步回归算法,但在实 际应用中,为了保证实时传输和计算,系统只选取 10个最优特征值进行回归建模,使得其余31个相 关参数被遗弃,导致回归模型跨度大,拟合精度低。 文中 采 用 的 逐 步 回 归 算 法 模 型 并 不 依 赖 于 3MA 检测系统,而是编写的算法。该算法模型将 41个参数包括在内,建立了回归方程,进一步提升 了拟合的精度。逐步回归算法流程如图4所示。 人工神经网络(ANN)是模拟生物大脑神经系 统建立的一种数学模型,具有很强的信息处理和自 学习能力,能有效识别复杂系统输入向量和输出向 量之间的非线性映射关系,特别适用于解决输出受 较多输入因素影响,且影响关系不明确的建模问题。 根据不同的学习特性和功能,ANN 可分为 BP神经 网络、径向基神经网络、线性神经网络、自组织神经 网络等,其中 BP 神经网络是目前应用最广泛的一 种 ANN 模型。 网络结构由输入层、隐含层、输出层 3 部分构 成,其中输入层和输出层各只有1个,而隐含层可以 有多个,各层都由若干神经元组成。层内神经元节 点之间互不相连,而层间神经元节点采用全连接的 方式,即输入层的任意一个神经元节点都与隐含层 的所有节点连接,隐含层的任意一个神经元节点都 与输出层的所有节点连接。BP学习算法流程如图 5所示。

为了对两种模型预测精度进行进一步分析,可 以使用两种模型对同一批管线钢进行强度和硬度预 测,根据预测结果来对比两种模型的性能。笔者所 用结果的评价指标以置信区间为主。 模型检测误差,即预测结果有一个合适的置信 区间,才能保证预测有意义。文中的置信区间有两 个,一个是相对误差绝对值不大于10%,另一个是 相对误差绝对值不大于5%,置信区间Q10,Q5 的计 算公式为 Q10 = N10 N ×100% (1) Q5 = N5 N ×100% (2) 式中:N 为样本的总数;N5 为绝对值误差在5%以 内的测试样本个数;N 的测试样本个数。 10 为绝对值误差在10%以内 绝对误差为 EI = yi-yci yi (3) 式中:yi 为力学性能参数;yci 为力学性能参数检测 结果。 

2 试验结果及分析

2.1 微磁特征信号与表面硬度的关系

3种特征的矫顽力与钢板硬度的关系如图6~8 所示。由图6~8可知,1 # ,2 # 钢板的硬度分布存在 差异,即便是同类管线钢,不同批次间的硬度也存在 差 异。同时随着钢板硬度的增加,3种特征的矫顽力呈现增大趋势,表明3种微磁检测技术所提取的 特征值可在一定程度上反映管线钢的硬度。

2.2 表面硬度检测结果 对 L450M 钢进行硬度检测和计算,结果如表2 所示。 表L450M 钢BP神经网络模型和逐步回归模型检 测结果如图9,10所示。对 L450M 钢进行 BP神经 网 络 及 逐 步 回 归 两 种 算 法 的 检 测 结 果 为 :在5%和10%的误差范围内,置信度都为100%。 对 L485 钢进行硬度检测和计算,如果如表 3 所示。 L485钢 BP 神经网络模型和逐步回归模型检 测结果如图11,12所示。对 L485钢进行逐步回归 算法检测结果为,在5%和10%的误差范围内,置信 度都为100%;BP神经网络算法检测结果为,在5% 的误差范围内,置信度为92.24%;在10%的误差范 围内,置信度为100%。

3 结论

(1)随着钢板硬度的增加,3种特征值呈现增 大趋势,表明3种微磁检测技术提取的特征值可在 一定程度上反映管线钢的表面硬度。 (2)无论是 BP神经网络模型还是逐步回归模 型,在10%的误差范围内,置信度为100%。表明两 种检测模型均可实现对管线钢表面硬度的检测。

来源：材料与测试网