電磁無損檢測技術在鋼鐵件質量檢測中的應用

邢曉亮 渤海造船廠集團有限公司

電磁無損檢測技術在鋼鐵件質量檢測中的應用

邢曉亮 渤海造船廠集團有限公司

無損檢測技術分為射線檢測、超聲檢測、電磁檢測等等。近些年，隨著電子技術的不斷發展，電磁檢測的應用越來越廣泛。本文將以電磁無損檢測技術為切入點，對RBF 神經網絡原理及其在鋼鐵件質量檢測中的應用進行闡述分析。

電磁無損檢測 鋼鐵件缺陷 神經網絡 技術原理

一、概述

電磁無損檢測是無損檢測的一種，也被稱作磁感應法。隨著電子信息技術的不斷發展，電磁無損檢測的應用越來越廣泛，比如說軍工產業、機械制造等工業領域。電磁無損檢測是根據電磁感應原理為理論依據，通過分析定磁場內鐵磁材質的感應電壓以及感應電流的振幅與相位特點，檢驗材料性能缺陷。

通常情況下，頻率超過1500Hz的采用渦流檢測法，被檢測材料多為非鐵磁性物質，例如銅、合金等材料；而頻率在1500Hz以下，則大多數采用電磁檢測方法。

電磁無損檢測在鋼鐵件質量中的應用是近期才興起的，短短二十幾年的時間，該項技術不論是理論還是實踐都已趨于成熟，因其檢測速度快、可靠性高等特點，在全球范圍內獲得普遍認可。

二、電磁無損檢測技術原理

1939年，電磁無損檢測首次被西德傅斯特博士等人應用于無損檢測領域。之后，隨著信息電子技術的不斷發展，電磁無損檢測技術日益成熟，逐步被航空航天、石油冶金等行業廣泛采用。

電磁無損檢測的技術采用的是電磁感應的原理，經由分析感應電流以及感應電壓的振幅、相位等，得出鋼鐵材質的質量性能、硬度、覆蓋層情況等。經研究發現，材質為鋼鐵的零件，其成分以及組織結構直接決定了材料的磁性能。如圖1所示，組織結構不同，鋼鐵件的物理、機械性能也會不同，也就是說鋼鐵零件的成分組成對其物理以及機械性能具有直接影響，而鋼鐵件的物理性能與機械性能之間又存在著間接影響的關系。

圖1 成分結構對鋼鐵材料物理性能與機械性能的影響

由此可見，電磁無損檢測是否可以應用于鋼鐵件質量的檢測，主要視熱處理之后鋼鐵件的裂紋缺陷與磁性特征是不是具有相關聯系而定。如若，可以確認其磁性指標與機械指標在某種程度上存在單值相關的聯系，則電磁無損檢測法適用；若不存在單值相關關系，則需采用其他檢測方法。所以，明確了鋼鐵件的組成成分、機械性能與磁性性能的關系，就可以通過測量其磁性指標，推算出鋼鐵件的機械性能參數。

按照檢測參數的不同，可以分為初始幅值磁導率法、剩磁法和矯頑力法三類。本文采用的是初始幅值磁導率法檢測鋼鐵件的性能特征。通過專業設備去除無效信息，并經由神經網絡模型對得到的數據指標進行分析，從而獲得最終結果。

三、RBF神經網絡原理

RBF（徑向基函數）的概念于1985年首次被Powell提出。緊接著在80年代后期，Broomhead和Lowe將RBF理念與神經網絡有機結合在一起，形成了RBF神經網絡體系。RBF神經網絡的結構不復雜，通過線性方法來實現非線性學習方法，具有訓練簡便，學習效果快速、精度較高等特點，普遍應用于模式識別、圖像處理等相關領域。RBF主要具有以下顯著特點：其一，RBF神經網絡具有單隱層特點；其二，RBF網絡在函數逼近中應用時，隱性節點是非線性函數，而輸出節點則為現行函數，在明確隱性節點之后，可以利用線性方程式推算輸出權重。簡單來說，就是可以通過轉換低維輸入數據的方式將線性不可分等狀況在高維空間內進行可分操作。第三，RBF具有局部反應的特點。第四，當網絡隱節點達到一定數量之后，任一連續函數的精度可以無限制逼近。

RBF神經網絡包括輸入、輸出層以及中間隱層，如圖2所示。因為各個節點之間不存在耦合關系，故而，前一神經元對后一神經元輸出的影響是按照特定的權重執行的。

四、應用實例分析

選取生產生已明確裂紋情況的工件作為實驗對象。工件的直徑（D）為2cm，長（L）為15cm，試件總數量為總40，裂紋件數占總數的50%。選取裂紋件與非裂紋件各10根作為樣本，在不同頻率分別獲得參量1和參量2，將網絡誤差定為0.01，用Matlab7方法予以仿真處理。通過網絡訓練最終確定12項隱節點。訓練完成之后，將余下的20根工件進行網絡測試，其錯誤率為0，部分結果見表1。由此得出，RBF神經網絡在鋼鐵件質量檢測上的應用結果十分理想。

工件號 工件狀態 參量2 參量1 實驗結果1 裂紋件 0.2493 -0.2814 裂紋件2 合格件 0.2114 0.0073 合格件3 裂紋件 -0.0153 0.1841 裂紋件4 裂紋件 0.2096 0.1743 裂紋件5 合格件 0.2114 0.0073 合格件6 裂紋件 -0.2557 -0.2006 裂紋件

五、結語

隨著產業經濟的不斷發展，工業技術要求越來越高，對工件質量的管理也越來越嚴格。無損檢測因無破壞性損傷的特點被廣泛應用于工業產品檢測中。特別是BF神經網絡可以有效分析鋼鐵的裂紋情況，同時具有高效、快速、可靠性高的特點，從而為后續工作創造便利。

[1]郝曉紅，洪國銘.基于BP神經網絡的鋼鐵分選儀裂紋檢測[J].齊齊哈爾大學學報(自然科學版).2009(03).

[2]何欣.反向傳播算法在鋼鐵分選儀中的應用[D].哈爾濱理工大學碩士論文，2009.

[3]高雋.人工神經網絡原理及仿真實例[M].北京:機械工業出版社，2003.