管线钢钢板硬度分布检测装置及方法 专利技术说明

测量装置的制造及其应用技术1.本发明涉及无损检测技术领域，具体是一种管线钢钢板硬度分布检测装置及方法。背景技术：2.管线钢在生产过程中会产生硬斑伤损，伤损区域往往存在很大的硬度差。在管线钢卷曲成钢管和管道服役过程中，硬斑伤损区域会由于应力集中，导致伤损区域出现裂纹，这不仅会造成企业的经济损失，还严重影响服役管道的安全性。传统硬度检测的方法还停留在有损检测上，即对被测样件采取破环性实验来获取当前样件的硬度值。在实际生产过程中，这种方法并不可行，发现硬斑伤损需要对整张钢板的每一个区域都要检测，不能出现漏检的情况，因此有损检测的方法无法满足对硬斑伤损的检测。而基于多频涡流和巴克豪森噪声的管线钢硬度分布检测系统，可实现对管线钢硬度整板监控，对硬斑伤损能够有效发现。技术实现要素：3.本发明为了解决现有技术的问题，提供了一种管线钢钢板硬度分布检测装置及方法，能够实现管线钢钢板硬度的无损表征。4.本发明提供了一种管线钢钢板硬度分布检测装置，包括钢板硬度检测仪和传感器模块，钢板硬度检测仪相连与传感器模块各通道相连，采集检测数据和编码器数据；5.所述传感器模块由激励线圈、u型铁氧体、检测线圈、涡流激励线圈和装有编码器的导轮组成；6.传感器模块分为两个区域，分别是涡流检测区域和巴克豪森噪声检测区域，巴克豪森噪声检测区域由多组检测传感器组成，每组传感器由一个u型铁氧体、一个激励线圈和三个呈“品”字型排布的检测线圈组成，多组传感器分成两排，也呈“品”字型排布；涡流检测区域由多组线圈组成，每组线圈有若干不同激励频率的线圈，前后排布。7.所述巴克豪森噪声检测区域由6组检测传感器组成，每组传感器由一个u型铁氧体、一个激励线圈和三个呈“品”字型排布的检测线圈组成，6组传感器分成两排，也呈“品”字型排布。8.所述的涡流检测区域由18组线圈组成，每组线圈有4个不同激励频率的线圈，前后排布。9.所述的钢板硬度检测仪和传感器模块安装在车身主体上；所述车身主体上海安装有传感器控制机构、电脑、电源和传感器控制机构，其中，控制传感器模块的升降，为稳定传感器探头和钢板的距离，采用增加陶瓷片贴合钢板的方式，行进过程中编码器为检测系统提供距离信息。10.本发明还提供了一种管线钢钢板硬度分布检测方法，包括以下步骤：11.步骤1：对待测管线钢钢板画线，绘制小车运行的轨迹；12.步骤2：将小车推行至管线钢钢板上轨迹起始位置，将传感器控制机构打开，使传感器模块紧贴钢板表面，打开仪器电源，打开电脑软件，点击开始检测，推行小车沿轨迹向前行进。13.步骤3：检测开始后，传感器模块中激流线圈始终通入300hz电流，涡流激励线圈中的高频电流包含多个单频成分10～100khz，检测线圈分别测量巴克豪森噪声信号和多频涡流相应，安装有编码器的导轮在行进的过程中每隔20mm向钢板硬度检测仪器发送一次信号，钢板硬度检测仪器读取检测线圈的信号；14.步骤4：检测线圈输出的信号传输至钢板硬度检测仪，钢板硬度检测仪将数据传输给电脑进行分析处理，提取巴克豪森噪声信号和多频涡流特征，并输入至预先建立的预测硬度的神经网络模型中，给出管线钢检测的硬度分布；15.预先建立的预测硬度的神经网络模型包括以下步骤：16.步骤1：选取bp神经网络为冷轧薄带钢的人工神经元网络算法模型；17.步骤2：对bp多层前馈神经网络的参数进行选取。18.上述bp神经网络数学模型包括输入层、隐含层和输出层；其中，输入层总共为14 个参数；隐含层神经元为8-12格，输出层为1个参数；输入层与隐含层之间的激活函数采用relu函数，隐含层和输出层的传递函数采用purelin函数。bp神经网络数学模型训练的参数包括激活函数、学习算法、迭代次数、学习率、训练目标误差、初始权值和阈值。19.本发明有益效果在于：能够实现管线钢钢板硬度的无损表征,可实现对管线钢硬度整板监控，对硬斑伤损能够有效发现。附图说明20.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。21.图1：小推车式管线钢钢板硬度分布无损检测系统；22.图2：传感器模块结构简图；23.图3：巴克豪森噪声检测原理示意图；24.图4：bp神经网络拓扑结构；25.图5：bp多层前馈神经网络算法流程图。具体实施方式26.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。27.图1示出了小推车式的管线钢钢板硬度分布无损检测系统，该系统由电脑1、车身主体2、传感器控制机构3、钢板硬度检测仪4、电源5和传感器模块6构成。特别的，如图2示传感器模块由三个部分构成，巴克豪森噪声检测部分、多频涡流检测部分和安装了编码器的导轮部分。图3示出了巴克豪森噪声技术检测原理。28.在测量管线钢硬度分布时，首先对待测管线钢钢板画线，绘制小车运行的轨迹。将小车推行至管线钢钢板上轨迹起始位置，将传感器控制机构打开，使传感器模块紧贴钢板表面，打开仪器电源，打开电脑软件，点击开始检测，推行小车沿轨迹向前行进。检测开始后，传感器模块中激流线圈始终通入300hz电流，涡流激励线圈中的高频电流包含多个单频成分10～100khz，检测线圈分别测量巴克豪森噪声信号和多频涡流相应，安装有编码器的导轮在行进的过程中每隔20mm向钢板硬度检测仪器发送一次信号，钢板硬度检测仪器读取检测线圈的信号；检测线圈输出的信号传输至钢板硬度检测仪，钢板硬度检测仪将数据传输给电脑进行分析处理，提取巴克豪森噪声信号和多频涡流特征，并输入至预先建立的预测硬度的神经网络模型中，给出管线钢检测的硬度分布。29.建立预测硬度的神经网络模型具体包括以下步骤：选取bp神经网络为冷轧薄带钢的人工神经元网络算法模型；对bp多层前馈神经网络的参数进行选取。图4示出了bp 神经网络拓扑结构；30.bp(back propagation)神经网络算法是一种按误差逆传播算法进行学习与训练的多层前馈型网络，最早由rumelhart和mccelland等科学家于1986年提出，其网络拓扑结构如图3所示，网络结构由输入层、隐含层、输出层三部分构成，其中输入层和输出层各只有一个，而隐含层可以有多个，各层都由若干神经元组成。层内神经元节点之间互不相连，而层间神经元节点采用全连接的方式，即输入层的任意一个神经元节点都与隐含层的所有节点有连接，隐含层的任意一个神经元节点都与输出层的所有节点有连接。31.完整的bp神经网络模型的设计需要考虑的因素包括网络结构的设计、相关参数的选取设置等。32.(1)网络结构的设计：输入层和输出层固定只有一个，且输入层、输出层神经元节点数是根据需要求解的实际问题和数据表示方式决定的，所以网络结构设计的关键在于隐含层结构的设计，包括层数和节点数的选取。对于隐含层个数的设计，通常先考虑设置一个隐含层，当一个隐含层不能满足相关性能要求时才考虑增加隐含层个数。实验研究表明，采用两个隐含层时，如果第一个隐含层神经元节点数多于第二个隐含层节点数，则bp网络性能会得到一定改善。但是，对于有些实际问题，采用双隐含层所需要的神经元节点数可能少于单隐含层节点数。隐含层个数越多，bp网络训练学习的时间也越长，局部最小误差也会增加，即网络陷入局部最优解的概率会增大，所以只有当增加隐含层节点数不能明显改善网络性能时，才考虑增加隐含层个数。33.关于隐含层神经元节点数的确定，目前尚缺乏成熟的理论指导依据，一般根据经验设置。可参考如下几个经验估算公式：[0034][0035]m＝log2 n[0036][0037]其中m表示隐含层神经元节点数，n表示输入层节点数，l表示输出层节点数，a 取[1,10]之间的常数。[0038]隐含层神经元节点数的选取是网络设计成功与否的关键，如果隐含层节点数过少，则网络从训练样本中获取的学习能力就差，学习到的规律不足以体现整个样本集的规律，对测试样本的预判误差就会增大；但若设置过多则又会造成训练时间大大延长，而且网络可能还会学习记录样本中非规律性的内容(如噪声)，出现“过拟合”问题，降低网络的泛化能力。[0039](2)参数的选取：bp神经网络参数包括传递函数、学习算法、迭代次数、学习率、训练目标误差、初始权值和阈值。[0040]其中，传递函数是根据网络要求和输入输出间的关系设置的，常用的传递函数为s (sigmoid)型函数，函数表达式为。s型函数具有非线性和处处可导的特性，且对信号有一个较好的增益控制：在值较小时，有一个较大的增益；在值较大时，有一个较小的增益，可以从一定程度上防止网络进入饱和状态，所以该函数得到了广泛的应用。此外，比较常见的传递函数还有对数s型传递函数(logsid)、双曲正切s型传递函数(tangsig)，以及线性传递函数等，本发明选取最为常用的relu函数。[0041]在本发明的实施例中，步骤s11中的bp多层前馈神经网络分三层结构，包括输入层、隐含层和输出层；其中，输入层总共为14个参数；其中电磁参数41项，探头和带钢下表面的间距各1项，带钢厚度1项。隐含层为8-12层，具体在模型训练时根据数据试验优选，输出层为1个参数；即烘烤硬化值，输入层与隐含层之间的传递函数采用 relu函数，隐含层和输出层的传递函数采用purelin函数。[0042]在一个具体的实施例中，检测系统综合应用了巴克豪森噪声和多频涡流四种电磁检测方法，上述两个电磁检测的结果曲线，通过定义转化为若干量化参数来表征，具体如下表1、表2所示。[0043]表1巴克豪森噪声检测响应参数(共7项，emi，i＝1,...,6)[0044][0045]表2多频涡流电磁检测响应参数(共8项，emi，i＝7,...,14)[0046][0047][0048]综上，集成的检测系统中最多输出14个电磁参数。塑性应变比的在线预测是基于人工神经网络(ann)中的bp神经网络来实现的。[0049]将上述输入参数输入人工神经元网络算法模型，计算得到管线钢钢板的硬度分布。[0050]在一个具体的实施例中，以一个隐含层的bp神经网络为例介绍bp算法的基本原理。如图3所示，为输入矢量，表示输入层第个神经元的输入量，为隐含层神经元节点的输出，为输出层节点的输出，、、分别表示输入层、隐含层、输出层的神经元节点数，表示输入层第个神经元节点到隐含层第个节点的权值，表示隐含层第个节点到输出层第个节点的权值。则：[0051]隐含层各神经元节点的输出为[0052][0053]输出层各神经元节点的输出为[0054][0055]其中，、分别表示隐含层节点、输出层节点的阈值；、分别表示隐含层、输出层的传递函数。[0056]假设输出层节点的期望输出结果为，则总的误差[0057][0058]误差反向传播的目的是通过调整权值使总误差不断减小，因此权值应沿着误差的负梯度方向进行调整，即权值的变化量应满足下式：[0059][0060][0061]上述两式中，η为常数，称为学习率，通常取0《η《1。[0062]结合式以上各式，可得隐含层、输出层权值调整公式分别为：[0063][0064][0065]同理可得，隐含层、输出层阈值调整公式分别为：[0066][0067][0068]根据权值和阈值调整公式计算出新的权值和阈值后，进入新一轮的正向传播过程。[0069]上述推导过程是针对单个训练样本，基于单隐含层的bp神经网络进行的，其基本思想对于多隐含层的bp神经网络同样适用，在计算权值和阈值的调整量时，由输出层经中间各隐含层向第一个隐含层逐层向前递推。多个训练样本的误差计算方式为各单样本误差的累积和。[0070]图5示出了本发明bp多层前馈神经网络算法流程图；[0071]对冷轧薄带钢的人工神经元网络算法模型进行模型训练；[0072]包括以下具体步骤：[0073]以生产线过去一段时间生产的塑性应变比为训练样本，给出输入向量和输出向量；[0074]初始化权值和阈值，计算隐含层和输出层各节点输出；[0075]求出期望输出和实际输出的误差e，判断误差e是否达到技术要求；[0076]误差e达到技术要求结束计算，误差e达不到技术要求，计算隐含层和输出层的各单元误差，计算误差梯度，更新权值和阈值。[0077]其中，人工神经元网络算法模型进行模型训练的执行过程包括信号的正向传播和误差的反向传播；对于每一个训练样本，信号的正向传播时，输入向量从输入层逐层传向输出层；误差的反向传播时，误差由隐含层反向逐层传至输入层；两个执行过程循环往复，直到满足设定的终止条件。[0078]本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，以上所述仅是本发明的优选实施方式，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，对于本技术领域的普通技术人员来说，可轻易想到的变化或替换，在不脱离本发明原理的前提下，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!