基于多電磁無損檢測的管線鋼硬度檢測模型

杜裕平

(1.南京鋼鐵股份有限公司, 南京 210035； 2.南京航空航天大學 自動化學院, 南京 200240)

硬斑是鋼板上的一種缺陷，指鋼板表面局部區域的硬度異常高于其他正常部位的硬度，這些區域可能是成分異常區、外來雜質或者過冷區等。這些硬斑區域附近存在很大的硬度差，材料在塑性變形或者服役過程中，可能產生應力集中，導致表面產生裂紋，嚴重影響管道的服役安全。

基于鐵磁性材料微觀結構的微磁無損檢測技術，可以直接提取反映材料微觀結構的電磁信號，同時材料微觀結構決定材料的宏觀硬度[1]。國內外學者在多電磁檢測技術方面進行了研究，中國礦業大學范孟豹科研團隊融合渦流、巴克豪森(MBN)兩種檢測技術，采用BP(Back Propagation)神經網絡模型，實現了軸承套的表面硬度檢測[2]。北京工業大學何存富科研團隊融合切向磁場諧波分析和巴克豪森檢測技術，采用多元回歸模型，完成了對12CrMoV鋼板表面硬度的預測[3]。德國弗朗霍夫研究所研發的3MA綜合無損檢測技術，集成了巴克豪森、增量磁導率、多頻渦流、切線磁場諧波分析等多項微磁無損檢測技術，采用多元回歸模型，對鐵磁性材料的硬度、強度等進行檢測[4]。

筆者基于3MA設備提取了41個特征值，分析了特征參數與管線鋼表面硬度的關系，并構建了逐步回歸和BP神經網絡模型，以對管線鋼的表面硬度進行檢測。

1 試驗方法

1.1 試驗設備

采用德國3MA設備(見圖1)獲取電磁特征參數，其探頭結構如圖2所示(圖2中，1為保護殼，2為探頭電子元件，3為磁軛，4為軛線圈，5為探頭電纜，6為彈簧加載傳感器元件，7為磁場傳感器，8為電感式傳感器，9為檢測試樣)。

圖1 3MA設備外觀

圖2 3MA設備探頭結構示意

巴克豪森信號由位于試樣表面上的磁感應傳感器接收，并使用帶通濾波器或低通與高通濾波器的組合對檢測到的信號進行濾波并放大。此后，還需要對信號進行整流，包括放大和信號平滑等過程。與MBN信號類似，增量磁導率(MIP)檢測技術也提取類似特征。

切向磁場諧波分析技術是在電壓驅動磁化的情況下，將頻率為fM的正弦激勵電壓施加到電磁鐵的磁軛線圈上，根據電磁鐵的總電感和材料的磁滯回線形狀，探頭磁軛線圈中將產生與時間相關的非正弦電流。除了基頻fM之外，磁化電流將會出現高次諧波。

3MA設備應用4種不同的渦流頻率去激勵檢測線圈，對檢測信號解調處理后，得到每個頻率的實部和虛部，以及阻抗的幅度和相位，這樣可以使得目標值與干擾因素分離，有利于提高檢測精度。

3MA設備采用多元回歸方法得到電磁特征與目標的數據模型，但這種算法依賴特征參數與目標的相關性，具有一定的限制性。當參數與目標的相關性較低時，所得結果誤差較大。

1.2 試樣制備及硬度檢測

制備的試樣尺寸為750 mm×300 mm×30 mm(長×寬×高)，結構及測點如圖3所示。

圖3 試樣結構及測點示意

首先在鋼板正面取5個點，探頭磁場方向與軋制方向垂直，每個點的采集時間為30 s，提離距離為2 mm。采用里氏硬度計對鋼板的表面硬度進行檢測，結果如表1所示。

表1 部分試樣表面硬度檢測結果 HV

1.3 檢測模型及評估函數

逐步回歸算法是將所有解釋變量逐一引入，通過F檢驗和t檢驗后確認顯著變量，并將不顯著變量刪除，循環往復得到最優回歸方程，用于擬合。3MA檢測系統采用的算法是逐步回歸算法，但在實際應用中，為了保證實時傳輸和計算，系統只選取10個最優特征值進行回歸建模，使得其余31個相關參數被遺棄，導致回歸模型跨度大，擬合精度低。

文中采用的逐步回歸算法模型并不依賴于3MA檢測系統，而是編寫的算法。該算法模型將41個參數包括在內，建立了回歸方程，進一步提升了擬合的精度。逐步回歸算法流程如圖4所示。

圖4 逐步回歸算法流程圖

人工神經網絡(ANN)是模擬生物大腦神經系統建立的一種數學模型，具有很強的信息處理和自學習能力，能有效識別復雜系統輸入向量和輸出向量之間的非線性映射關系，特別適用于解決輸出受較多輸入因素影響，且影響關系不明確的建模問題。根據不同的學習特性和功能，ANN可分為BP神經網絡、徑向基神經網絡、線性神經網絡、自組織神經網絡等，其中BP神經網絡是目前應用最廣泛的一種ANN模型。

網絡結構由輸入層、隱含層、輸出層3部分構成，其中輸入層和輸出層各只有1個，而隱含層可以有多個，各層都由若干神經元組成。層內神經元節點之間互不相連，而層間神經元節點采用全連接的方式，即輸入層的任意一個神經元節點都與隱含層的所有節點連接，隱含層的任意一個神經元節點都與輸出層的所有節點連接。BP學習算法流程如圖5所示。

圖5 BP學習算法流程圖

為了對兩種模型預測精度進行進一步分析，可以使用兩種模型對同一批管線鋼進行強度和硬度預測，根據預測結果來對比兩種模型的性能。筆者所用結果的評價指標以置信區間為主。

模型檢測誤差，即預測結果有一個合適的置信區間，才能保證預測有意義。文中的置信區間有兩個，一個是相對誤差絕對值不大于10%，另一個是相對誤差絕對值不大于5%，置信區間Q10，Q5的計算公式為

(1)

(2)

式中：N為樣本的總數；N5為絕對值誤差在5%以內的測試樣本個數；N10為絕對值誤差在10%以內的測試樣本個數。

絕對誤差為

(3)

式中:yi為力學性能參數;yci為力學性能參數檢測結果。

2 試驗結果及分析

2.1 微磁特征信號與表面硬度的關系

3種特征的矯頑力與鋼板硬度的關系如圖6～8所示。由圖6～8可知，1#，2#鋼板的硬度分布存在差異，即便是同類管線鋼，不同批次間的硬度也存在差異。同時隨著鋼板硬度的增加，3種特征的矯頑力呈現增大趨勢，表明3種微磁檢測技術所提取的特征值可在一定程度上反映管線鋼的硬度。

圖6 矯頑力與鋼板硬度的關系(巴克豪森特征)

圖7 矯頑力與鋼板硬度的關系(切向磁場特征)

圖8 矯頑力與鋼板硬度的關系(增量磁導率特征)

2.2 表面硬度檢測結果

對L450M鋼進行硬度檢測和計算，結果如表2所示。

表2 L450M鋼硬度檢測和計算結果 HV

L450M鋼BP神經網絡模型和逐步回歸模型檢測結果如圖9，10所示。對L450M鋼進行BP神經網絡及逐步回歸兩種算法的檢測結果為：在5%和10%的誤差范圍內，置信度都為100%。

圖9 L450M鋼BP神經網絡模型檢測結果

圖10 L450M鋼逐步回歸模型檢測結果

對L485鋼進行硬度檢測和計算，如果如表3所示。

表3 L485鋼硬度檢測和計算結果 HL

L485鋼BP神經網絡模型和逐步回歸模型檢測結果如圖11，12所示。對L485鋼進行逐步回歸算法檢測結果為，在5%和10%的誤差范圍內，置信度都為100%；BP神經網絡算法檢測結果為，在5%的誤差范圍內，置信度為92.24%;在10%的誤差范圍內，置信度為100%。

圖11 L485鋼BP神經網絡模型檢測結果

圖12 L485鋼逐步回歸模型檢測結果

3 結論

(1) 隨著鋼板硬度的增加，3種特征值呈現增大趨勢，表明3種微磁檢測技術提取的特征值可在一定程度上反映管線鋼的表面硬度。

(2) 無論是BP神經網絡模型還是逐步回歸模型，在10%的誤差范圍內，置信度為100%。表明兩種檢測模型均可實現對管線鋼表面硬度的檢測。