人工智能在壓力容器無損檢測中的應(yīng)用

中圖分類號：TP391 文獻(xiàn)標(biāo)志碼：A 文章編號：2095-2945（2025）24-0193-04

Abstract：WiththecontiuousdevelopmentoftechnologyartificialintellgenceAl）hasbeenwidelyappliedinvariosfelds， includingnon-destructivetesting（NDofpressurevesels.Pressurevesselsarecommonindustrialequipmentextensivelyusedin thechemical，oil，andnaturalgasindustries.Thesafetyofpressureveselsisdirectlyrelatedtoproductionsafetyand environmentalprotection，makingnondestructivetestingparticularlyimportantduringmanufacturingandoperation.TraditionalD methodsoftenrelyonhumanexperience，whichcanleadtolowdetectioneficiencyandinsufcientaccuracy.Inrecentyears， therapidadvancementofAItechnologyhasbroughtnewoportunitiesandchallengestothenondestructivetestingofpresure vessels.ThispaperwillexplorethecurrntapplicationstatusandfuturedevelopmenttrendsofAIinNDTforpresurevessels， analyzing its importance in enhancing the safety performance of pressure vessels.

Keywords：pressurevesel;non-destructivetesting （NDT）;artificialintelligence;radiographictesting;ultrasonicesting

廣義的壓力容器是指在壓力作用下盛裝流體介質(zhì)的密閉容器I。壓力容器大多是在高溫高壓的情況下運行的，容器內(nèi)部的介質(zhì)大多為有毒、易燃、易爆的危險化學(xué)品。如果壓力容器中的原材料、零部件及焊接接頭在制造或者使用當(dāng)中出現(xiàn)缺陷而沒有及時發(fā)現(xiàn)，就很可能出現(xiàn)無法想象的災(zāi)難性后果，而利用無損檢測的技術(shù)，能夠準(zhǔn)確地對部件中的缺陷進行識別評估，有針對性地對缺陷進行處理，從而保障壓力容器能夠穩(wěn)定安全的運行。

1.1 目視檢測

1傳統(tǒng)的無損檢測方法簡介

目視檢測是有人類以來就有的最為古老的方法，自視檢測是指用人的眼睛或借助某種自視輔助器材對被檢工件狀況進行觀察、分析和評價的一種無損檢測方法。目視檢測通常分為直接目視檢測、間接目視檢測和透光目視檢測。主要用于觀察材料、零件、部件、設(shè)備和焊接接頭等的表面狀態(tài)，配合面的對準(zhǔn)、變形或泄露跡象等。

無損檢測是在不損傷被檢物的完整結(jié)構(gòu)和使用性能的情況下，利用電磁波、聲、光、熱、電和磁等與物質(zhì)的相互作用，探測被檢物內(nèi)部或表面的宏觀缺陷，并對類型、形狀、尺寸、取向和位置做出判斷的工藝方法。目前，我國的壓力容器無損檢測體系已經(jīng)較為完善，技術(shù)方法多樣。常見的壓力容器無損檢測方法有自視檢測、磁粉檢測、滲透檢測、射線檢測和超聲波檢測等。

1.2 磁粉檢測

磁粉檢測是利用金屬夾雜物的導(dǎo)磁率不同的原理來檢驗缺陷的。當(dāng)磁粉灑在被磁化工件的表面上時，局部磁場的磁極就會吸引磁粉，于是磁粉積在缺陷處，使缺陷的形狀和大小清楚地顯示出來，磁粉探傷用以檢查鐵磁性材料或制件的表層（表面及近表面）缺陷，如氣孔、裂縫、折疊及夾雜等。

1.3 滲透檢測

滲透檢測的原理是根據(jù)某些液體染料（紅色染料）具有良好的浸潤滲透性能，滲入零件表面缺陷（裂紋、氣孔等）深處，并能從缺陷溢向被擦干的零件表面的特性。當(dāng)擦除紅色涂料，及時在零件表面涂上一層薄的白色涂料時，白色涂料就能將殘留在零件表面缺陷之中的紅色涂料吸出來，根據(jù)所顯出來的紅跡來觀察出缺陷及大小。

1.4 射線檢測

射線探傷是利用射線穿透金屬并被吸收的性能，對鋼板或焊接接頭內(nèi)部的缺陷進行無損檢驗。當(dāng)射線穿過金屬時，被金屬吸收，而使射線強度發(fā)生一定的衰減，衰減的程度依金屬的吸收能力及穿過金屬的厚度而定。當(dāng)被檢驗的金屬制件或焊接接頭內(nèi)部有缺陷（如氣刷、裂縫、夾雜等）時，因為缺陷內(nèi)的空氣或非金屬夾雜物吸收射線的能力遠(yuǎn)遠(yuǎn)小于金屬的吸收能力，所以射線通過有缺陷部分時的強度衰減較通過無缺陷部分的強度衰減程度小。因此根據(jù)射線穿過有缺陷部分和無缺陷部分強度衰減程度的不同，反映在指示器（照相底片或熒光屏）上的影像也不相同，以顯示金屬內(nèi)部存在的缺陷。

1.5 超聲檢測

超聲檢測是利用超聲波（振動頻率高于 20000Hz 的聲波）能透金屬材料的深處，并由一截面進入另一截面，在界面邊緣發(fā)生反射的特點來檢驗材料或工件內(nèi)部缺陷的一種方法。當(dāng)超聲波束自零件底面時就分別發(fā)生反射波束，在熒光屏上形成脈沖波形。根據(jù)這些脈沖波來判斷缺陷的位置和大小。

2 無損檢測方法的局限性

目前上述無損檢測方法在實際實施時，對于被檢工件的觀察、被檢工件所呈現(xiàn)檢測特征的分析及對被檢工件的質(zhì)量評價都十分依賴檢驗人員的從業(yè)經(jīng)驗和技能。尤其對于航空航天核工業(yè)等領(lǐng)域的關(guān)鍵壓力容器，檢驗人員往往需要擁有豐富的技術(shù)經(jīng)驗技能，并需經(jīng)過反復(fù)查看驗證比對，才可以對一些缺陷做出正確的判斷與評價，稍有不慎就可能會導(dǎo)致誤判或漏檢，從而導(dǎo)致嚴(yán)重的后果。

例如射線檢測時，先對底片進行編碼區(qū)分，進行透照布置，射線透過工件使膠片感光，經(jīng)過暗室處理，底片進行黑度檢測，借助觀片燈查看底片判斷工件是否存在缺陷及缺陷的類型、大小和位置等，進而對被檢工件進行質(zhì)量評價。在質(zhì)量評價時，對于底片上的一些特殊影像表現(xiàn)特征，不同無損檢測人員的評價結(jié)果也大相徑庭。對于這種情況往往需要調(diào)整射線照射角度或位置，對該處進行重新射線檢測。

經(jīng)過多年的發(fā)展，雖然全球各國的壓力容器無損檢測方法及體系已經(jīng)較為完善，但傳統(tǒng)的無損檢測方法還存在諸多局限性和不足。例如磁粉檢測、滲透檢測、超聲檢測的檢測過程無法記錄，不可追溯；射線檢測存在射線檢測底片難于長時間保存、對操作人員依賴性強；射線檢測底片檢測信息處理智能化水平不夠等不足，且檢測結(jié)果不直觀，非專業(yè)人員，難以對檢測結(jié)果進行評價，評價結(jié)果準(zhǔn)確性存疑且不唯一，檢測過程效率低且成本高等問題。

3人工智能無損檢測的技術(shù)路徑

近年來，人工智能技術(shù)的廣泛應(yīng)用正在逐步滲透到各個行業(yè)，包括醫(yī)療、金融、制造和交通等領(lǐng)域。這些技術(shù)不僅提高了工作效率，還為決策提供了更為精準(zhǔn)的數(shù)據(jù)支持，改變了傳統(tǒng)行業(yè)的運作方式。在無損檢測領(lǐng)域，人工智能的應(yīng)用更是為提高檢測效率與準(zhǔn)確性提供了新的途徑。

實施人工智能無損檢測主要分五大步，分別為明確檢測目標(biāo)、無損檢測的實施、數(shù)據(jù)收集、數(shù)據(jù)預(yù)處理、模型選擇與訓(xùn)練和檢測結(jié)果評估。 ① 明確檢測目標(biāo)主要包括明確被檢測工件的具體部位，無損檢測的方法的選擇，無損檢測的行業(yè)標(biāo)準(zhǔn)及具體合格指標(biāo)。② 無損檢測的實施指的是通過人工或無損檢測機器操，作對被檢測工件實施無損檢測，如對工件進行射線檢測、滲透檢測、超聲檢測等。 ③ 數(shù)據(jù)收集主要是通過專用的儀器對無損檢測的實施過程進行數(shù)據(jù)記錄采集，如對射線檢測的影像照片、超聲檢測的反射聲波等進行數(shù)字化的處理，并對采集到的數(shù)據(jù)進行標(biāo)記，保證采集到的數(shù)據(jù)與被檢測工件的具體位置能夠一一對應(yīng)，確保數(shù)據(jù)的準(zhǔn)確性、完整性與唯一性。 ④ 數(shù)據(jù)預(yù)處理主要為對采集到的數(shù)據(jù)進行必要的刪減放大優(yōu)化等操作，保證數(shù)據(jù)的干凈與高效，便于后期模型對特征數(shù)據(jù)的識別與提取。 ⑤ 模型選擇與訓(xùn)練，模型在機器學(xué)習(xí)中就像是一種“規(guī)則”，用來根據(jù)輸入數(shù)據(jù)做出判斷或預(yù)測。簡單來說，模型選擇與訓(xùn)練是一個循序漸進的過程，首先選擇合適的模型，然后使用大量數(shù)據(jù)讓模型學(xué)習(xí)，調(diào)整其參數(shù)以便在實際應(yīng)用中準(zhǔn)確完成任務(wù)。這個過程像是從選擇一本適合的教科書（模型）開始，通過反復(fù)練習(xí)來提高考試成績（預(yù)測判斷準(zhǔn)確性），最終期望能夠在真實世界中表現(xiàn)出色。一般來說，圖像數(shù)據(jù)通常使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）來處理，文本數(shù)據(jù)可能使用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）來處理。 ⑥ 檢測結(jié)果評估主要指的是人工智能無損檢測系統(tǒng)依據(jù)檢測的行業(yè)標(biāo)準(zhǔn)及具體合格指標(biāo)對模型判斷或讀取的檢測結(jié)果進行評估，從而判斷無損檢測結(jié)果是否滿足行業(yè)標(biāo)準(zhǔn)及具體合格指標(biāo)的要求。

實現(xiàn)壓力容器的人工智能無損檢測是一個復(fù)雜而精細(xì)的過程，需要跨學(xué)科的知識和技術(shù)，涵蓋數(shù)據(jù)采集、處理、模型開發(fā)、應(yīng)用部署及持續(xù)改進等多個環(huán)節(jié)。每一個步驟的細(xì)致規(guī)劃與實施，對于最終的檢測效果和提升自動化水平至關(guān)重要。壓力容器無損檢測中的人工智能的關(guān)鍵技術(shù)主要集中于以下3個領(lǐng)域。

機器學(xué)習(xí)（MLMachinelearning）。機器學(xué)習(xí)是研究怎樣使用計算機模擬或?qū)崿F(xiàn)人類學(xué)習(xí)活動的科學(xué)，是使計算機具有智能的根本途徑3。實際上，它是賦予計算機智能的根本途徑。通過機器學(xué)習(xí)技術(shù)，計算機能夠通過學(xué)習(xí)已有缺陷數(shù)據(jù)的特征，分析并提取出這些特征信息，從而實現(xiàn)對新缺陷的自動識別與分類。此外，機器學(xué)習(xí)還能夠根據(jù)相關(guān)標(biāo)準(zhǔn)自動評估被檢測工件的質(zhì)量。例如，在無損檢測過程中，機器學(xué)習(xí)模型會經(jīng)過大量歷史數(shù)據(jù)的訓(xùn)練，學(xué)習(xí)識別各種潛在缺陷的模式。當(dāng)新的檢測數(shù)據(jù)出現(xiàn)時，系統(tǒng)可以立即應(yīng)用所學(xué)知識，快速判斷工件是否存在缺陷，并按照預(yù)設(shè)的標(biāo)準(zhǔn)對其進行質(zhì)量評分。這種自動化的檢測過程大大提高了檢測的效率，減少了人為因素的影響。

深度學(xué)習(xí)（DLDeeplearning）。深度學(xué)習(xí)，尤其是卷積神經(jīng)網(wǎng)絡(luò)（CNN），在圖像處理和特征提取方面表現(xiàn)出色。這些模型能夠分析超聲圖像、X射線圖像等多種類型的檢測數(shù)據(jù)。在無損檢測的實際應(yīng)用中，深度學(xué)習(xí)模型能夠自動從輸入的圖像中學(xué)習(xí)和識別關(guān)鍵特征，準(zhǔn)確捕捉到材料缺陷的細(xì)微變化。例如，使用深度學(xué)習(xí)技術(shù)可以大幅提升對焊接接頭、微裂紋等缺陷的識別能力，這在傳統(tǒng)檢測方法中往往難以實現(xiàn)。通過這種方式，深度學(xué)習(xí)不僅提高了檢測的精準(zhǔn)度，還加快了整個檢測過程，使得檢測結(jié)果更加可靠。

計算機視覺（CVComputerVision）。計算機視覺是指計算機“看\"并“理解\"的技術(shù)，旨在使機器能夠解析和分析攝取到的圖像或視頻內(nèi)容。在壓力容器無損檢測中，計算機視覺可以用于識別被檢測工件的外觀特征，捕捉焊縫、裂紋等關(guān)鍵細(xì)節(jié)。通過計算機視覺技術(shù)，計算機不僅能夠識別圖像中的對象，還能判斷缺陷對象的狀態(tài)、定位缺陷，并對其進行分類。這意味著，計算機通過攝像頭或傳感器獲取的圖像，能夠?qū)崿F(xiàn)實時監(jiān)測，實時分析，及時發(fā)現(xiàn)設(shè)備的異常情況，并通過歷史數(shù)據(jù)的分析及時對潛在的問題做出判斷，預(yù)測潛在的故障，從而幫助企業(yè)制定更為科學(xué)的維護計劃，降低停機時間。

實施人工智能無損檢測具體步驟如下：

1）專用機器人或機械手對被檢測工件進行預(yù)處理，如對工件檢測的表面進行判斷，對工件檢測部位位置進行調(diào)整；

2）對被檢測工件進行檢測布置，如布置底片成像板，放置射線機等；

3）對被檢測工件進行檢測，如對檢測工件進行射線照射等；

4）對工件表現(xiàn)出的檢測特征進行數(shù)據(jù)采集，如把射線衰減信息轉(zhuǎn)變?yōu)閿?shù)字圖像；

5）對原始數(shù)據(jù)進行分類，提取關(guān)鍵特征，例如通過圖像處理技術(shù)提取邊緣、紋理等特征，或通過信號處理提取波形特征；

6）自動對檢測結(jié)果進行評價；

7）自動生成檢測報告；

8）自動對檢測不合格區(qū)域進行標(biāo)記

4人工智能無損檢測的實施案例

目前國內(nèi)，尚沒有全鏈條全過程的人工智能無損檢測的大規(guī)模商業(yè)應(yīng)用的案例，但在特定的局部的無損檢測操作，人工智能逐漸被應(yīng)用起來。例如，利用深度學(xué)習(xí)算法，人工智能可以自動分析超聲波圖像、X射線圖像等檢測結(jié)果，快速識別出潛在的缺陷，如裂紋、腐蝕等。這不僅減少了人工檢查的時間和成本，還提高了檢測的精度。

案例1：在對焊接接頭影像進行評定時，噪聲是影響圖像質(zhì)量的主要因素之一，因此，去噪對于提高檢測靈敏度具有重要作用。利射線底片圖像常常受噪聲和偽影的影響，這會降低圖像質(zhì)量，影響檢測結(jié)果。圖像降噪與增強的目標(biāo)是去除不必要的噪聲，突出感興趣的特征，以便更準(zhǔn)確地識別缺陷。降噪技術(shù)主要使用深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)，可以通過訓(xùn)練學(xué)習(xí)到如何去除圖像噪聲。或利用自編碼器通過重構(gòu)輸入圖像來實現(xiàn)降噪。通過訓(xùn)練網(wǎng)絡(luò)，使其學(xué)習(xí)到原始圖像的潛在表征，從而去除噪聲。也可以通過非局部均值（NLM）來平滑噪聲。圖像增強技術(shù)主要通過直方圖均衡化、圖像超分辨率、圖像融合的方法對射線底片進行增強。通過人工智能算法進行降噪處理后，圖像清晰程度得到明顯改善。

案例2：利用人工智能對射線底片進行自動評片。基于深度學(xué)習(xí)的自動評片系統(tǒng)利用卷積神經(jīng)網(wǎng)絡(luò)對焊接接頭的數(shù)字化底片圖像進行全面分析。卷積神經(jīng)網(wǎng)絡(luò)是一種強大的圖像分析工具，能夠提取圖像中的重要特征。在此過程中，系統(tǒng)會通過修改卷積核的大小、調(diào)整卷積層的層數(shù)、選擇不同的池化方法、激活函數(shù)和損失函數(shù)來對模型進行優(yōu)化。這一系列優(yōu)化措施旨在提升網(wǎng)絡(luò)的性能，使其能夠在處理復(fù)雜的圖像數(shù)據(jù)時，準(zhǔn)確識別和分類各種缺陷。具體來說，系統(tǒng)將焊接接頭的底片圖像進行預(yù)處理，以消除噪聲和提高圖像質(zhì)量。這一階段至關(guān)重要，因為高質(zhì)量的輸入圖像能夠顯著提高后續(xù)分析的準(zhǔn)確性。然后，系統(tǒng)自動提取工件的檢測特征值，這一過程依賴于深度學(xué)習(xí)模型對圖像特征的高效識別。通過對焊接接頭的檢測特征進行分析，模型不僅能夠進行定性分析，還能夠進行定量計算，精確評估缺陷的大小、形狀和位置等屬性。這種智能識別和評定的能力，顯著提高了檢測的效率，并減少了人工評判所帶來的誤差和主觀性。

此外，系統(tǒng)還能夠在完成評片后，自動生成詳盡的檢測報告。這些報告不僅包含檢測結(jié)果的摘要，還提供了缺陷的詳細(xì)信息、評定依據(jù)以及后續(xù)的建議。這種自動化檢測報告生成過程不僅提升了工作效率，還為后續(xù)的質(zhì)量管理和決策提供了重要支持。

5人工智能無損檢測的優(yōu)勢

在現(xiàn)代工業(yè)無損檢測領(lǐng)域，單一檢測方法往往難以全面滿足產(chǎn)品復(fù)雜使用環(huán)境所需要的質(zhì)量要求，因此，聯(lián)合多種檢測技術(shù)成為了一種趨勢。通過將超聲波檢測（UT）X射線檢測（RT）磁粉檢測（MT）和渦流檢測（ET）等多種方法結(jié)合，能夠充分發(fā)揮各自的優(yōu)勢，提高缺陷檢測的全面性和準(zhǔn)確性。人工智能通過深度學(xué)習(xí)算法，可快速分析并識別來自不同檢測技術(shù)的大量數(shù)據(jù)，極大提升了數(shù)據(jù)處理和分析的效率，提高聯(lián)合檢測的效率。

相對于傳統(tǒng)的無損檢測方法，人工智能技術(shù)能夠處理更大量的數(shù)據(jù)，并通過自動學(xué)習(xí)和模式識別，提高檢測的精度和效率，減少漏檢和誤檢的可能性。傳統(tǒng)的無損檢測通常需要由經(jīng)驗豐富的專業(yè)技術(shù)人員進行判斷和評估，而人工智能技術(shù)能夠通過訓(xùn)練模型獲取更多的背景知識和經(jīng)驗，減少人為誤判的風(fēng)險。人工智能技術(shù)可以將無損檢測過程中所獲得的大量數(shù)據(jù)進行實時分析和處理，提供準(zhǔn)確的診斷結(jié)果和報告，這使得無損檢測工作變得更加準(zhǔn)確、可靠。人工智能解決了傳統(tǒng)無損檢測可視化程度低、檢測記錄不可追溯、檢測資料儲存成本高等問題，并且可以幫助企業(yè)建立起完善的數(shù)據(jù)管理系統(tǒng)，推動無損檢測智能化管理和決策，實現(xiàn)工廠數(shù)字化檢測，

6 結(jié)束語

盡管前景廣闊，但人工智能在壓力容器無損檢測中仍面臨數(shù)據(jù)稀缺、模型訓(xùn)練復(fù)雜性和前期投入成本高等挑戰(zhàn)，配套的無損檢測設(shè)備少（如專用的射線機器人等）。未來的發(fā)展將需要在這些領(lǐng)域進行深人研究和探索。開發(fā)和部署一個成套的無損檢測系統(tǒng)需要跨學(xué)科的團隊合作，包括數(shù)據(jù)科學(xué)家、工程師和領(lǐng)域?qū)＜业墓餐Γ恳徊蕉夹枰?xì)調(diào)試和優(yōu)化，以確保系統(tǒng)在實際運行中的穩(wěn)定性和準(zhǔn)確性，才能最終實現(xiàn)工業(yè)智能化升級及中國制造高質(zhì)量發(fā)展。

參考文獻(xiàn)：

[1]李世玉.壓力容器設(shè)計工程師培訓(xùn)教程[M].北京：新華出版社，2019.

[2]韓德成，仲崇成，宋拯宇，等.焊縫射線檢測智能化評定系統(tǒng)研制[J].宇航材料工藝，2017，6（2）：86-90.

[3]趙天偉，林莉，張東輝，等.機器學(xué)習(xí)在無損檢測中的應(yīng)用案例淺析[J].無損探傷，2020，44（3）：1-4.