高级搜索

基于卷积神经网络的白蚀缺陷超声探测

,  ,  ,  ,  , 

downloadPDF

上一篇

下一篇

朱琦, 许多, 张元军, 李玉娟, 王文, 张海燕. 基于卷积神经网络的白蚀缺陷超声探测[J]. 物理学报, 2022, 71(24): 244301-1. doi: 10.7498/aps.71.20221504
引用本文: 朱琦, 许多, 张元军, 李玉娟, 王文, 张海燕. 基于卷积神经网络的白蚀缺陷超声探测[J]. 物理学报, 2022, 71(24): 244301-1. doi: 10.7498/aps.71.20221504
shu
Qi Zhu, Duo Xu, Yuan-Jun Zhang, Yu-Juan Li, Wen Wang, Hai-Yan Zhang. Ultrasonic detection of white etching defect based on convolution neural network[J]. Acta Physica Sinica, 2022, 71(24): 244301-1. doi: 10.7498/aps.71.20221504
Citation: Qi Zhu, Duo Xu, Yuan-Jun Zhang, Yu-Juan Li, Wen Wang, Hai-Yan Zhang. Ultrasonic detection of white etching defect based on convolution neural network[J]. Acta Physica Sinica, 2022, 71(24): 244301-1. doi: 10.7498/aps.71.20221504
shu

基于卷积神经网络的白蚀缺陷超声探测

  • 1.

    上海大学机电工程与自动化学院, 上海　200444

  • 2.

    上海大学通信与信息工程学院, 上海　200444

    • 通讯作者: E-mail: Q_ZHU@shu.edu.cn;  E-mail: hyzh@shu.edu.cn

  • 中图分类号: 43.20.+g, 43.20.Fn, 81.70.Cv, 87.85.dq

Ultrasonic detection of white etching defect based on convolution neural network

  • 1.

    School of Mechatronic and Automation Engineering, Shanghai University, Shanghai 200444, China

  • 2.

    School of Communication & Information Engineer, Shanghai University, Shanghai 200444, China

    • Corresponding authors: E-mail: Q_ZHU@shu.edu.cn;  E-mail: hyzh@shu.edu.cn

  • MSC: 43.20.+g, 43.20.Fn, 81.70.Cv, 87.85.dq

  • 摘要: 不同于经典滚动接触疲劳形成的缺陷, 亚表面白蚀缺陷会引起轴承零件的早期失效, 严重缩短零件的寿命. 它位于金属亚表面且尺寸微小, 难以使用常规手段实现检测. 白蚀缺陷成因尚不明确, 不同演化阶段的缺陷样品制备耗时费力. 本文建立了白蚀缺陷演化模型, 基于k空间伪谱法开展了水浸超声检测过程数值实验. 对于含裂纹的白蚀缺陷演化后期, 可以忽略内部晶粒结构建立均匀层状模型, 使用经典声压反射系数幅度谱获取裂纹深度, 误差为1.5%. 对于不含裂纹的其他白蚀缺陷状态, 则存在内部声阻抗差异较小, 频谱特征不再明显等问题. 基于维诺图(Voronoi)建立轴承晶粒模型, 利用晶粒对超声的背散射效应来放大微观结构信号. 高频情况下, 基于深度卷积神经网络的训练准确率达92%, 验证准确率为97%. 即使在较低检测频率下, 背散射信号较弱, 仍能获得81%的准确率. 为白蚀缺陷的早期检测提供了有效方案.
    Abstract: Unlike classical defects formed by rolling contact fatigue, white etching defect (WED) including white etching area and white etching crack will cause surface to spall in the early stage and the service life to shorten seriously. Located in the subsurface of bearings, the tiny size WED is difficult to detect by conventional ultrasonic methods. The root cause of WED generation remains unclear. It is time consuming and expensive to prepare samples during the evolution of such defects. For characterizing the WED at early stage, five evolving states concerning the existing microscopic information are established in this paper. The immersion ultrasonic inspection process is simulated based on k-space pseudo spectrum method.For the later evolutionary stage with crack, the bearing can be simplified into a homogeneous three-layer model by ignoring the internal grain structure. The crack depth is obtained by using the ultrasonic reflection coefficient amplitude spectrum (URCAS), with an error of 1.5%. For other states without crack, the spectrum characteristic is no longer evident with slight acoustic impedance difference between layers. The polycrystalline structure on a microscale is thus realized based on Voronoi diagram, from which the grain induced backscattering can be used to amplify the microstructure variations at different stages. The backscattering signal is influenced by the grain size and detection frequency from the simulation. Since a direct comparison of backscattering information among evolutionary stages is difficult, the five different evolutionary stages of WED are recognized with the help of deep learning. The received waveform is transformed into a time-frequency map by short-time Fourier transform. Based on RESNET network structure, the results show that the train accuracy and validation accuracy reach 92% and 97% respectively. This study provides a sound way to characterize WED, which is conducive to early failure prediction and residual life evaluation.
  • 加载中

  • 图 1  (a)多层结构的轴承截面; (b)三层介质简化模型

    Figure 1.  (a) Multilayer cross-section of bearing; (b) simplified three-layer model.

    下载: 全尺寸图片 幻灯片

    图 2  残差网络

    Figure 2.  Residual network.

    下载: 全尺寸图片 幻灯片

    图 3  (a)白蚀缺陷显微成像; (b)层状介质的超声仿真模型; (c)包含晶粒特征的超声仿真模型

    Figure 3.  (a) Microscopic imaging of white etching defect; (b) ultrasonic simulation model of layered medium; (c) ultrasonic simulation model including grains.

    下载: 全尺寸图片 幻灯片

    图 4  白蚀缺陷演化过程的5种不同状态

    Figure 4.  Five different states of white etching defect during evolution.

    下载: 全尺寸图片 幻灯片

    图 5  裂纹对声压反射系数幅度谱的影响

    Figure 5.  Effect of crack on ultrasonic reflection coefficient amplitude spectrum.

    下载: 全尺寸图片 幻灯片

    图 6  不同声阻抗比下的(a)声压反射系数幅度谱和(b)厚度计算误差

    Figure 6.  (a) URCAS and (b) thickness calculation errors under different acoustic impedance ratios.

    下载: 全尺寸图片 幻灯片

    图 7  不同时刻下二维水浸超声检测在多晶模型的传播过程(f = 100 MHz)

    Figure 7.  Two-dimensional simulation of ultrasonic immersion testing of polycrystalline model (f = 100 MHz).

    下载: 全尺寸图片 幻灯片

    图 8  不同频率下的背散射信号　(a)时域; (b)频域

    Figure 8.  Backscattering signals under different frequencies: (a) Time domain; (b) frequency domain.

    下载: 全尺寸图片 幻灯片

    图 9  (a)典型超声波形图 (f = 100 MHz); (b) STFT转换的时频图

    Figure 9.  (a) Typical ultrasonic waveform (f = 100 MHz); (b) time-frequency diagram of STFT conversion.

    下载: 全尺寸图片 幻灯片

    图 10  卷积神经网络结构图

    Figure 10.  Convolutional neural network structure.

    下载: 全尺寸图片 幻灯片

    图 11  100 MHz仿真模型的训练结果

    Figure 11.  Training results of 100 MHz simulation model.

    下载: 全尺寸图片 幻灯片

    表 1  模型使用的声学参数及晶粒尺寸

    Table 1.  Acoustic characteristics and crystalline grain size of different materials.

    声速 V/(m·s–1)密度 ρ/(kg·m–3)声阻抗 Z (MRayl)晶粒尺寸
    空气3401.29$ 4.39\times {10}^{-4} $—
    水150010001.5—
    白蚀组织4350[28]7850[9]34.155—300 nm[3]
    轴承钢5620784044.06正常15—25 μm,
    细化后2—10 μm
    不同晶粒取向的轴承钢5510—60907410—819040.82—49.87—
    下载: 导出CSV

    表 2  不同频率超声换能器的卷积神经网络计算结果

    Table 2.  Convolution neural network calculation results of different frequency ultrasonic transducer.

    检测
    频率/MHz    		回合训练集
    准确率/%    		验证集
    准确率/%    		损失检测
    频率/MHz    		回合训练集
    准确率/%    		验证集
    准确率/%    		损失
    100135.2458.702.0550
    		134.2156.482.20
    1083.1991.280.461081.6888.700.48
    2088.2095.660.312086.4093.770.33
    3092.4297.310.213090.0195.160.22
    25
    		132.1450.022.3215
    		126.8045.962.35
    1074.6587.950.631070.5283.660.68
    2081.4390.710.432079.9288.500.45
    3085.9993.400.223081.0391.020.22
    下载: 导出CSV
  • [1] Manieri F, Stadler K, Morales-Espejel G E, Kadiric A 2019 Int. J. Fatigue 120 107 doi: 10.1016/j.ijfatigue.2018.10.023
    [2] Linzmayer M, Sous C, Gutiérrez Guzmán F, Jacobs G 2021 Wear 480–481 203925 doi: 10.1016/j.wear.2021.203925
    [3] Leung J F W, Bedekar V, Voothaluru R, Neu R W 2019 Metall. Mater. Trans. A 50 4949 doi: 10.1007/s11661-019-05419-2
    [4] Curd M E, Burnett T L, Fellowes J, Donoghue J, Yan P, Withers P J 2019 Acta Mater. 174 300 doi: 10.1016/j.actamat.2019.05.052
    [5] Evans M H, Walker J C, Ma C, Wang L, Wood R J K 2013 Mater. Sci. Eng. A 570 127 doi: 10.1016/j.msea.2013.02.004
    [6] Lai J, Stadler K 2016 Wear 364–365 244 doi: 10.1016/j.wear.2016.08.001
    [7] López-Uruñuela F J, Fernández-Díaz B, Pagano F, López-Ortega A, Pinedo B, Bayón R, Aguirrebeitia J 2021 Int. J. Fatigue 145 106091 doi: 10.1016/j.ijfatigue.2020.106091
    [8] Hu P, Turner J A, Tarawneh C, Wilson B, Fuller A J 2015 Proceeding of the Joint Rail Conference, San Jose, March 23–26, 2015 p5785
    [9] Sreeraj K, Maheshwari H K, Rajagopal P, Ramkumar P 2021 Tribol. Int. 162 107134 doi: 10.1016/j.triboint.2021.107134
    [10] Ma Z, Zhang W, Gao J, Lin L, Krishnaswamy S 2016 43rd Annual Review of Progress in Quantitative Nondestructive Evaluation, Atlanta, July 17–22, 2016 p1016
    [11] Ma Z, Zhao Y, Luo Z, Lin L 2014 Ultrasonics 54 1005 doi: 10.1016/j.ultras.2013.11.012
    [12] Ma Z, Qi T, Lin L, Lei M 2022 Ultrasonics 119 106626 doi: 10.1016/j.ultras.2021.106626
    [13] 李珊, 李雄兵, 宋永锋, 陈超 2018 物理学报 67 107 doi: 10.7498/aps.67.20181751 Li S, Li X B, Song Y F, Chen C 2018 Acta Phys. Sin. 67 107 doi: 10.7498/aps.67.20181751
    [14] Chen Y, Luo Z, Zhou Q, Zou L, Lin L 2015 Ultrasonics 59 31 doi: 10.1016/j.ultras.2015.01.009
    [15] Norouzian M, Islam S, Turner J A 2020 Ultrasonics 102 106032 doi: 10.1016/j.ultras.2019.106032
    [16] 张永志, 辛全忠, 王永亮, 孔祥明, 刘昉, 杨再胜 2021 材料导报 35 24152 doi: 10.11896/cldb.20070022 Zhang Y Z, Xin Q Z, Wang Y L, Kong X M, Liu F, Yang Z S 2021 Mater. Rep. 35 24152 doi: 10.11896/cldb.20070022
    [17] Liu H, Zhang Y 2019 Smart Mater. Struct. 29 015032 doi: 10.1088/1361-665X/ab58d6
    [18] Pyle R J, Bevan R L T, Hughes R R, Rachev R K, Ali A A S, Wilcox P D 2021 IEEE Trans. Ultrason. Ferroelectr. Freq. Control 68 1854 doi: 10.1109/TUFFC.2020.3045847
    [19] Cai Y, Song Y, Ni P, Liu X, Li X 2021 Ultrasonics 117 106552 doi: 10.1016/j.ultras.2021.106552
    [20] Zhao Y, Lin L, Li X M, Lei M K 2010 NDT & E Int. 43 579 doi: 10.1016/j.ndteint.2010.06.001
    [21] He K, Zhang X, Ren S, Sun J 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, June 27–30, 2016 p770
    [22] 郑战光, 汪兆亮, 冯强, 袁帅, 王佳祥 2016 广西大学学报(自然科学版) 41 460 doi: 10.13624/j.cnki.issn.1001-7445.2016.0460 Zhen Z G, Wang Z L, Feng Q, Yuan S, Wang J X 2016 J. Guangxi Uni. ( Nat Sci Ed) 41 460 doi: 10.13624/j.cnki.issn.1001-7445.2016.0460
    [23] Weinzapfel N, Sadeghi F 2013 Tribol. Int. 59 210 doi: 10.1016/j.triboint.2012.03.006
    [24] Bai X, Tie B, Schmitt J H, Aubry D 2018 Ultrasonics 87 182 doi: 10.1016/j.ultras.2018.02.008
    [25] Yin A, Wang X, Glorieux C, Yang Q, Dong F, He F, Wang Y, Sermeus J, Van der Donck T, Shu X 2017 Ultrasonics 78 30 doi: 10.1016/j.ultras.2017.02.016
    [26] Dryburgh P, Smith R J, Marrow P, Lainé S J, Sharples S D, Clark M, Li W 2020 Ultrasonics 108 106171 doi: 10.1016/j.ultras.2020.106171
    [27] Smith R L 1982 Ultrasonics 20 211 doi: 10.1016/0041-624X(82)90021-X
    [28] 魏勤, 卫婷, 董师润, 张海林 2012 江苏科技大学学报(自然科学版) 26 27 doi: 10.3969/j.issn.1673-4807.2012.01.006 Wei Q, Wei T, Dong S R, Zhang H L 2012 J. Jiangsu Univ. Sci. Technol. (Nat. Sci. Ed) 26 27 doi: 10.3969/j.issn.1673-4807.2012.01.006
    [29] Martin E, Jaros J, Treeby B E 2020 IEEE Trans. Ultrason. Ferroelectr. Freq. Control 67 81 doi: 10.1109/TUFFC.2019.2941795
    [30] Gottlieb D, Tadmor E 1991 Math. Comput. 56 565 doi: 10.1090/S0025-5718-1991-1066833-9
    [31] Tillett J C, Daoud M I, Lacefield J C, Waag R C 2009 J. Acous. Soc. Am. 126 1231 doi: 10.1121/1.3158857
    [32] Loos J, Blass T, Franke J, Kruhoeffer W, Bergmann I 2016 J. Mech. Eng. Autom. 6 85 doi: 10.17265/2159-5275/2016.02.004
    [33] 章桢彦, Toni B, 唐瑜, 韦剑飞 2020 中国冶金 30 2 doi: 10.13228/j.boyuan.issn1006-9356.20200317 Zhang Z Y, Toni B, Tang Y, Wei J F 2020 China Metallurgy 30 2 doi: 10.13228/j.boyuan.issn1006-9356.20200317
    [34] 宋永锋, 李雄兵, 吴海平, 司家勇, 韩晓芹 2016 金属学报 52 378 doi: 10.11900/0412.1961.2015.00367 Song Y F, Li X B, Wu H P, Si J Y, Han X Q 2016 Acta Metall. Sin. 52 378 doi: 10.11900/0412.1961.2015.00367
    [35] Bai X T 2021 M. S. Thesis (Xi’an: Xi’an University of Technology) (in Chinese) [白旭天 2021 硕士学位论文 (西安: 西安理工大学)]
    [36] Behnke M, Guo S, Guo W G 2021 Proc. Manuf. 53 656 doi: 10.1016/j.promfg.2021.06.065
    [37] Ha C, Tran V D, Ngo Van L, Than K 2019 Int. J. Approx. Reason. 112 85 doi: 10.1016/j.ijar.2019.05.010
    [38] Mutasa S, Sun S, Ha R 2020 Clin. Imaging 65 96 doi: 10.1016/j.clinimag.2020.04.025
    [39] Song G, Qin D, Lyu Y, Hong G, Xu Y, Wu B, He C 2017 Int. J. Acoust. Vib. 22 511 doi: 10.20855/ijav.2017.22.4498
  • 加载中
图( 11) 表( 2)
计量
  • 文章访问数:  158
  • HTML全文浏览数:  158
  • PDF下载数:  0
  • 施引文献:  0
出版历程
  • 收稿日期:  2022-07-25
  • 刊出日期:  2022-12-24

基于卷积神经网络的白蚀缺陷超声探测

    通讯作者: E-mail: Q_ZHU@shu.edu.cn; 
    通讯作者: E-mail: hyzh@shu.edu.cn
  • 1. 上海大学机电工程与自动化学院, 上海　200444
  • 2. 上海大学通信与信息工程学院, 上海　200444
  • 收稿日期:  2022-07-25

摘要: 不同于经典滚动接触疲劳形成的缺陷, 亚表面白蚀缺陷会引起轴承零件的早期失效, 严重缩短零件的寿命. 它位于金属亚表面且尺寸微小, 难以使用常规手段实现检测. 白蚀缺陷成因尚不明确, 不同演化阶段的缺陷样品制备耗时费力. 本文建立了白蚀缺陷演化模型, 基于k空间伪谱法开展了水浸超声检测过程数值实验. 对于含裂纹的白蚀缺陷演化后期, 可以忽略内部晶粒结构建立均匀层状模型, 使用经典声压反射系数幅度谱获取裂纹深度, 误差为1.5%. 对于不含裂纹的其他白蚀缺陷状态, 则存在内部声阻抗差异较小, 频谱特征不再明显等问题. 基于维诺图(Voronoi)建立轴承晶粒模型, 利用晶粒对超声的背散射效应来放大微观结构信号. 高频情况下, 基于深度卷积神经网络的训练准确率达92%, 验证准确率为97%. 即使在较低检测频率下, 背散射信号较弱, 仍能获得81%的准确率. 为白蚀缺陷的早期检测提供了有效方案.

English Abstract

    全文HTML

    1.   引　言

    • 白蚀缺陷[1]是一种轴承亚表面组织变化, 主要以白蚀区(white etching area)或白蚀裂纹(white etching crack)形式存在于距离表面100—300 μm的区域[2]. 该区域的晶粒组织比周围基体组织尺寸小1/80—1/1200[3]、硬度(HRC)高10%—60%[4], 通过硝酸酒精溶液腐蚀并使用光学显微镜观察呈现亮白色, 主要成分为铁素体和非晶相组织. 白蚀缺陷的形成机理尚不明确[5-7], 主要由氢聚、温度、摩擦等多种因素混合产生. 因白蚀缺陷与正常组织存在较大的硬度差, 反复滚动摩擦过程会加速周围正常组织的转变和裂纹延伸, 使得机械设备在其额定使用寿命的早期就发生失效.

      常规的金相检测和扫描电子显微镜、透射电子显微镜主要研究白蚀缺陷的微观组织分布和特性, 但这些方法具有破坏性且制样复杂, 而无损检测手段更便于现场评价. 在众多手段中, 超声检测过程简便、灵敏度高, Hu等[8]使用高频换能器对轴承进行C型扫描, 能识别出轴承内圈亚表面存在的疲劳裂纹和夹杂物. Sreeraj等[9]利用模拟数据中瑞利波与白蚀缺陷的相互作用, 分析波形变化的规律, 与实验超声数据相结合, 基于声波在滚子表面的不同传播路径及飞行时间, 求得实际缺陷的位置和深度. 现今的超声检测方法主要针对白蚀缺陷发展的中后期, 此阶段往往已出现裂纹, 易于检测识别. 若能实现白蚀缺陷的早期诊断, 不仅能够减少经济损失, 也有助于进一步研究其形成机理.

      如果把轴承视作多层介质, 可通过声压反射系数幅度谱(URCAS)利用回波信号的幅度谱提取出与被检测材料相关的超声特征参量, 实现材料特性的表征[10]. Ma等[11]从理论上分析了热障涂层氧化物与相邻介质之间的声阻抗匹配关系, 实现了涂层氧化物这一中间层厚度的无损表征. 之后他们为了确定非均匀多层结构的几何参数和声学参数[12], 在理论URCAS的基础上, 提出了一种结合最小二乘和互相关算法的目标函数, 可同时识别多层涂层特别是中间层材料的厚度、声速、密度、衰减系数变化规律. 在上述多层介质的检测中, 首层介质的厚度均小于300 μm, 说明URCAS是实现亚表面区域的无损检测有效方法. 然而, 当亚表面区域与周边基体的阻抗差减小, 所得信号的信噪比逐步下降. 另一方面, 当亚表面层厚变小, 需要不断提高检测频率, 这导致出现信号散射等干扰. 上述问题都使得类似方法不再适用. 在高频超声检测时, 轴承晶粒引起的背散射信号[13]或“结构噪声”包含大量的微观组织信息, 是一种加强不同组织之间声学特性差异的有效手段. 晶粒的尺寸、取向强烈影响超声波的传播, Chen等[14]通过考虑晶粒影响模拟了超声波在厚壁离心铸造不锈钢中的传播, 所得结果能够再现结构噪声、信号失真等现象, 与实验高度吻合. Norouzian等[15]研究了6种具有相同平均晶粒尺寸但不同尺寸分布下的超声波衰减与散射变化情况, 表明晶粒分布特征对频率依赖性的衰减有重要作用. 由于背散射信息是从统计角度对介质进行表征, 不易直接对白蚀缺陷等亚表面状态进行定量分析.

      近年来, 卷积神经网络作为深度学习的经典算法已被广泛运用于图像识别、缺陷分类、医学超声等领域[16]. Liu和Zhang[17]采用模拟的兰姆波检测数据基于VGG-16网络建立了迁移学习模型, 并使用实验数据成功检测了金属铝板的表面切口. Pyle等[18]基于有限元方法生成的散射矩阵和射线模型模拟创建了全矩阵捕获下的管道裂纹缺陷信号, 同时结合少量实验数据训练了深度学习神经网络, 可有效分辨裂纹的大小、种类和位置. Cai等[19]利用卷积神经网络识别亚波长缺陷散射和晶粒结构散射引起的变化, 能避免噪声干扰, 实现亚波长精度的超声C扫描成像. 相比于传统的基于物理模型的分类检测方法, 卷积神经网络在特征提取、分类、运算速度方面有着很大的优势, 受噪声、激励等其他因素的影响较小, 能够实现常规手段难以实现的检测能力. 本文首先建立了包含白蚀缺陷的多晶计算模型, 然后开展超声-晶粒相互作用计算, 分析相应的背散射信号, 比较其与经典方法的差异, 最后训练卷积神经网络获取分类结果, 探讨该方法对于白蚀缺陷演化过程的检测效果.

    2.   原　理

      2.1.   声压反射系数幅度谱

    • 当平面声波从一种介质垂直入射到另一种介质时, 由于两者的声阻抗不同, 声波会发生多次反射和透射. 对轴承截面多层介质而言, 由于亚表面白蚀缺陷厚度小, 存在回波混叠. 包含白蚀裂纹的典型截面结构如图1(a)所示, 图1(b)中${{P}}_{{m}}$, ${{T}}_{{m}}$(m = 1, 2, 3, ···)分别是入射波在界面之间多次发生反射的回波和穿透界面的透射波.

      因为轴承钢基体与白蚀区的声阻抗相近, 所以可将二者视为同一种介质[11], 此处简称为“中间层”. 由于裂纹的存在, 大部分能量在该层被反射, 可进一步将复杂的多层结构轴承截面简化成三层介质模型(图1(b)). 其声压反射系数可由(1)—(3)式表示[20]:

      其中$ Z $为介质的声阻抗($ i, j\in \left\{\rm{1, 2}, 3\right\}, i\ne j $), $ K $为两介质的声阻抗比例, $ {R}_{ij} $是介质$ i $和$ j $界面的声压反射系数, $ {c}_{2} $为中间层的波速, $ \alpha $是中间层的衰减系数, $ d $是中间层的厚度. 对三层介质中的$ R\left(f\right) $取模, 得到实数域的声压反射系数幅度谱:

      当${{\sin}}^{2}\left( {2{{\text{π}} }{f}{d}}/{{{c}}_{2}}\right)=1$时, $\left|{R}\left({f}\right)\right|$取极小值, 此时对应的频率可以满足:

      其中$ {f}_{n} $和$ n $分别是谐振频率与谐振频率阶数, $ {f}_{n} $在声压反射系数幅度谱中呈现极大值或极小值. 通过提取谱线上极值之差来计算谐振频率, 通过介质之间的阻抗差异确定谐振频率阶数. 简化后模型的中间层厚度可利用(5)式求出.

      • 2.2.   卷积神经网络

    • 对于图1(a)所示的未简化模型而言, 由于层数多、层间距小, 声波会发生反复的反射、透射, 最终造成信号混叠. 特别当无裂纹存在时, 难以直接提取信息进行分析. 而卷积神经网络作为深度学习的一种模型, 可对微小的信号差异做出分类, 通常由卷积层、激活函数、池化层、全连接层、分类函数组成. 将预处理的图像作为输入层的输入, 经过卷积层提取特征, 池化层进行特征选择和信息过滤, 全连接层用来组合被筛选后的高级特征, 最后实现图像分类和识别. 一般来说, 提高模型准确率的方法包括减小卷积核尺寸、减少步进大小和提升网络的深度. 在卷积核尺寸与步进大小无法调整的前提下, 网络深度的提高意味着能够提取和整合更多的特征, 有助于训练精度的提升.

      但随着深度进一步的增大, 普通网络模型的训练精度反而会低于浅层网络模型, 甚至最终结果不收敛. 造成这类现象的原因是: 1)特征进一步的增多, 梯度呈指数级增长, 会发生梯度爆炸或消失的现象; 2)深度意味着卷积层数量增多, 每次卷积运算的误差叠加致使结果不收敛, 这也称为网络的退化. ResNet网络模型[21]能够提高卷积层的层数, 同时避免上述问题.

      ResNet网络模型是一种深层卷积神经网络模型, 可以达100层以上, 能够保证训练结果的收敛, 提升训练精度. ResNet网络引入深度残差网络结构, 该结构如图2所示. 作为一种旁路连接的结构, 使得反向传播能够一次性跨越多层网络进行传播, 而不会在逐层运算中出现梯度爆炸或消失的现象, 进一步优化了网络的性能. 残差结构的输入输出公式为

      式中, ${x}$, ${y}$表示该结构的输入和输出; ${F}\left({x}\right)$是输入x的残差映射.

      BN (batch normalization)表示批量标准化, 其作用是将保证训练集的特征图像满足一定的分布规律, 使得非线性变换的输入落入到对输入比较敏感的区域, 进而对特征进行标准化处理. 在梯度较大的前提下, 避免深度学习网络发生性能退化, 保证结果的收敛. 批量标准化的过程为

      式中, ${{x}}_{{i}}$和${{y}}_{{i}}$分别为批量归一化的输入与输出, 用${y}={B}{{N}}_{{\gamma }, {\beta }}\left({x}\right)$表示; ${{\mu }}_{{R}}$和${\sigma }_{{R}}^{2}$表示第R次训练的方差与标准差; ${\gamma }$和${\beta }$是残差结构的标准化参数; ${\varepsilon}$是为了保持数值稳定而添加到方差计算中的常数.

    3.   计算模型建立

    • 基于维诺图(Voronoi)在Matlab中建立轴承晶粒模型[22], 该方法已被成功应用于滚动接触疲劳过程中轴承亚表面缺陷的发展过程[23]以及超声波散射的分析[24]. 晶粒的尺寸和取向之间的差异共同决定了超声波的背散射程度. 由于实际的晶粒弹性参数矩阵不易获取, 将晶粒间不同取向引起的差异简化为声阻抗差异. 根据Yin等[25]和Dryburgh等[26]对金属晶粒的声速研究表明, 不同取向的晶粒所带来的声速误差不超过10%. 模型中的所有声学参数如表1所列, 在本次建模过程中, 设定轴承钢基体的平均晶粒尺寸$ {\bar{d}}_{\rm{基}\rm{体}} $ = 20 μm, 而白蚀缺陷周围的细化晶粒平均尺寸$ {\bar{d}}_{\rm{细}\rm{化}} $ = 6 μm[3]. 根据经典散射理论, 当晶粒尺寸小于波长时($ \bar{d} < \lambda /10 $)处于瑞利散射区间[27], 由晶粒带来的波散射十分微弱[14]. 因此当检测频率f < 100 MHz时, 可以忽略具有纳米尺度晶粒的白蚀区影响. 虽然继续提高频率(f > 100 MHz)能够获取更多亚表层信息, 但是穿透性能随之减小.

      参考实验室已有的白蚀裂纹显微成像结果(图3(a)), 选取尺寸为1000 μm×500 μm区域, 基于k空间伪谱法[29]开展波传导分析, 分别建立均质层状模型(图3(b))和晶粒特征模型(图3(c)), 设置激励线源位于水层中, 周边为完美匹配层(PML)来消除边界处的反射, 提高计算效率. 为了保证数值计算稳定性并满足奈奎斯特采样定理[30], 已知网格尺寸$ \Delta x=0.5 $ μm及最大声速$ {c}_{\rm{m}\rm{a}\rm{x}}=6090\;\rm{m}/\rm{s} $, 根据CFL (Courant-Friedrichs-Lewy)判据[31]:

      在计算中设置$\Delta t=0.018\;\rm{n}\rm{s}$, 所对应的$ \rm{C}\rm{F}\rm{L}=0.22 $, 满足(8)式的要求.

      在此基础上, 假定各层声学性能在白蚀缺陷演化过程中保持一致, 进一步建立包括“无白蚀缺陷-白蚀区出现-白蚀区扩大-白蚀裂纹出现-白蚀裂纹扩展”[32,33]等5种演化状态模型(图4, 对应图3(c)中虚线框), 用于后续卷积神经网络分类识别.

    4.   结　果

      4.1.   层状均匀介质模型

    • 对图3(b)层状介质模型求声压反射系数幅度谱, 所得的结果如图5所示. 由于裂纹与基体的声阻抗差异较大, 谱线的极小值(红圈)间隔均匀, 可直接从谱线中提取谐振频率差求出裂纹深度为162.5 μm. 实际模型的设定是160 μm, 误差为1.5%. 说明该方法能较好检测处于演化后期(图4(d)和图4(e))存在亚表面裂纹的轴承样品.

      当无裂纹存在时(图4(a)—(c)), 因为白蚀缺陷与轴承钢基体的声阻抗差异较小, 该方法不再适用. 图6(a)是调整图1(b)三层介质模型中层2, 3之间的声阻抗比所得到的幅频谱, 结果表明当声阻抗比K接近于1, 极值位置难以确定, 基于(5)式所计算的厚度误差快速增大(图6(b)).

      • 4.2.   多晶计算模型

      4.2.1.   时域分析

    • 对比不同频率下(25, 50, 100 MHz)的超声背散射信号, 其典型的波传播过程快照如图7所示. 由图8(a)可见, 随着检测频率的提高, 背散射信号逐渐增强. 根据频域信息(图8(b)), 25 MHz和50 MHz的频域信号峰值分别为27.5 MHz和58 MHz, 与超声换能器给定的频率范围接近, 符合超声检测规律. 但100 MHz的频域信号中, 两个波峰分别为72 MHz和130 MHz, 峰值位置出现了明显波动. 这是因为不同的微观结构只对某些频段表现出高敏感性[34], 说明此时的晶粒结构对100 MHz的超声信号产生了较大的影响, 该频段包含着大量的频域信息. 三者的时域、频域信号差异是由晶粒尺寸与超声波长共同决定的.

      • 4.2.2.   卷积神经网络的结构与数据集

    • 为实现白蚀缺陷的早期筛查, 以ResNet网络为基础调整参数, 构建本次卷积神经网络的结构. 将一维超声信号通过短时傅里叶变换(STFT)[17,35]转化为二维时频图. 使用宽度(window size)为120, 重叠数(number of overlapped samples)为115的汉宁窗, 对图9(a)虚线框内的背散射信号进行STFT转换, 转换结果如图9(b). 以转换后所得的时频图作为卷积神经网络的输入数据集. 为保证足够多的数据量, 对超声信号添加25—40 dB之间的白噪声扩充数据集, 每种状态转换出500张时频图, 共2500张. 为防止过拟合现象的产生[36-38], 将其中的70%作为训练集, 30%作为验证集, 并设置dropout参数为0.5.

      为保证识别的精度, 该网络设置为50层. 经过多轮卷积运算后提取特征信息, 接着对特征信息使用批量标准化(BN)使其满足均值为零、方差为1的特定规律. 在重复上述卷积的过程中, 为防止因层数过高而产生梯度消失的现象, 引入残差结构运算, 在增加层数的同时不产生额外的参数. 每次残差运算之后都通过Relu函数来激活, 使其具有解决非线性问题的能力. 最后将得到的特征量作为全连接层的输入, 通过softmax函数转化为对应的概率分布, 计算误差、记录权重并完成一回合的训练过程. 整体流程如图10所示.

      • 4.2.3.   训练结果与分析

    • 当检测频率为100 MHz时, 其训练集准确率达到92%, 验证集准确率达到97%, 效果良好, 损失均下降到0.2左右(图11). 该网络模型能够满足区分白蚀缺陷不同状态的要求, 解决了单一时、频域特征成像的局限性, 提高了检测精度.

      类似地, 在50, 25, 15 MHz下重复上述步骤进行训练, 所有结果如表2列出. 高频检测下产生了较强的背散射信号, 时频图中具有丰富的白蚀缺陷信息, 预测准确率较高. 而随着频率的降低, 波长远大于晶粒尺寸(20 μm), 导致超声散射不显著, 训练的准确率下降. 尽管如此, 表2中相对低频的15 MHz超声换能器的训练准确率依旧超过了81%, 说明该方法也适用于低频及白噪声干扰情况.

    5.   总　结

    • 针对白蚀缺陷尺寸小、与基体声阻抗差异小等特点, 本文提出一种结合背散射信息与卷积神经网络的理论检测方法, 可以有效应用于白蚀缺陷的无裂纹早期演化阶段预测. 主要得出以下结论:

      1)经典URCAS可准确表征演化后期的白蚀缺陷裂纹深度, 但尚不适用于演化早期状态表征;

      2)高频检测下的超声-晶粒相互作用产生背散射信号, 这些信号包含了更多的晶粒特征, 能更好区分白蚀缺陷的早期各演化阶段;

      3)卷积神经网络对全演化阶段的白蚀缺陷有较高的识别度, 即使在背散射较弱的情况下也有较高的正确率, 可辅助用于轴承剩余寿命预测.

      另外, 由于不同演化状态的白蚀缺陷轴承制样和金相观测耗时费力, 模拟实验能有效避免以上限制, 并为实测数据提供理论依据. 将基于模拟数据训练的神经网络模型用于实验样品的预测, 能大大降低成本并提高模型的泛化能力. 后续为了能较好匹配实测波形与模拟计算波形, 需进一步考虑表面粗糙度对声波反射与传递带来的影响[10], 使模拟实验更接近真实状态; 另外, 也可在计算过程中设置聚焦换能器[39], 提高细节检测的效果.

    参考文献 (39)

目录

/

返回文章
返回