[发明专利]基于表面波和神经网络的轧辊损伤分类识别方法及装置

说明书

本发明提供一种基于表面波和神经网络的轧辊损伤分类识别方法及装置，通过超声测量系统对样本轧辊表面的不同类型、不同程度的缺陷或损伤进行声学测量，并将分析得到的测量信号特征、对应的缺陷或损伤类型及程度作为训练样本，构建训练数据库，进而利用训练数据库中的数据对BP神经网络进行训练，得到能够对轧辊表面的缺陷和损伤进行智能识别的轧辊表面损伤分类识别模型。由于采用超声表面波对表面缺陷损伤进行检测，不破坏被测轧辊，因此本发明的方法是一种无损的检测方法；由于训练数据中涵盖了多种不同类型、不同程度的缺陷或损伤的数据，因此训练得到的模型能够很好地识别出被测轧辊表面的多种缺陷和损伤，并给出相应的程度信息。

技术领域

本发明属于超声无损检测技术领域，具体涉及一种基于表面波和神经网络的轧辊损伤分类识别方法及装置。

背景技术

冶金行业中的轧辊常用于轧制钢板，它们长期在载荷作用下工作，表面易出现裂纹、压痕、粘钢，同时亚表面的不可见损伤或缺陷也可能发展成开口裂纹。轧辊表面的缺陷或损伤将成批次地影响轧制钢板的表面质量，造成严重的经济损失。因此在生产及使用过程中对轧辊进行有效的无损检测，及时发现其内部和表面存在的缺陷或损伤，并进行增材修复、打磨或更换，是提高产品质量必不可少的技术手段。

轧辊缺陷或损伤的无损检测方法包括直接观测法、视觉识别法、渗透检测、磁粉检测、涡流检测和超声检测等。直接观测是对轧辊缺陷或损伤进行检测的常见方法，该方法主要根据工程师们的经验判断轧辊表面缺陷或损伤的程度及类型。但是年轻工程师缺乏经验、人为误判或错判等原因都可能得出错误的检测结果，上述原因均不利于轧辊表面缺陷或损伤的分类识别，另外该方法也无法检出缺陷或损伤的深度。基于视觉识别的无损检测方法主要用摄像机代替人眼，使用机器节省人力，对轧辊表面的缺陷或损伤进行拍摄识别。但是该技术中摄像机的视角较小，受到轧辊曲面的限制，无法对整个轧辊表面进行精确辨识。渗透检测主要利用毛细管现象和渗透液的浸润作用，同时适用于金属或非金属材料，具有操作简单、易于辨识的优点。由于渗透剂很难进入尺寸相对较小的缺陷或损伤,因此渗透检测对此类损伤不敏感。磁粉检测主要利用缺陷或损伤处的磁力线弯曲，形成漏磁场以吸附磁性颗粒，在不连续介质处产生比缺陷或损伤尺寸更大的磁痕。但是该方法只能检测铁磁材料表面或亚表面的缺陷或损伤，对结构内部的缺陷或损伤不敏感。涡流检测主要利用电磁感应形成的涡流，考虑缺陷或损伤对涡流的影响，获得缺陷或损伤的程度和位置。但该方法只能用于导电材料，受趋肤效应的影响，仅对表面及亚表面缺陷或损伤敏感。与上述方法相比，超声检测适用于金属材料和非金属材料中，不受介质导电性的影响。其中超声表面波的能量主要集中在被测物体的表面，对尺寸与波长近似的表面和亚表面缺陷或损伤比较敏感。

现有的超声检测手段常用于判断轧辊表面是否存在损伤或缺陷，却无法准确识别出损伤的类型。针对不同类型的损伤，修复工艺(如堆焊、感应加热淬火、热喷涂技术和激光表面改性等)也存在较大差异。因此为提高轧辊的检修效率，需要一种能够准确识别出轧辊表面缺陷或损伤类型及程度的新方法。

发明内容

本发明是为解决上述问题而进行的，目的在于提供一种能够无损、自动、高准确率地识别轧辊表面或亚表面的多种缺陷或损伤的识别方法及相应的装置，本发明采用了如下技术方案：

本发明提供了一种基于表面波和神经网络的轧辊损伤分类识别方法，其特征在于，包括以下步骤：

步骤S1，利用超声测量系统，生成超声表面波，对样本轧辊表面的缺陷或损伤进行声学测量，得到测量信号；

步骤S2，针对不同类型及程度的缺陷或损伤，分析对应测量信号的特征；

步骤S3，将所述测量信号的特征、对应的所述缺陷或损伤的类型及程度组成训练样本，并存储至训练数据库；

步骤S4，建立BP神经网络模型，并利用所述训练数据库对所述BP神经网络模型进行训练，得到训练好的所述BP神经网络模型作为轧辊表面损伤分类识别模型；