本文摘要：摘要 鑄造產業(yè)一直是人類現代生產生活中重要的、不可替代的產業(yè), 鑄件產品既是工業(yè)制造產品, 也是大型機械的組成部分. 隨著經濟水平和工業(yè)自動化程度的不斷提升, 人們對于鑄件的需求量呈指數爆炸式增長, 鑄件價值輻射到各行各業(yè). 與此同時, 鑄件在鑄造、服役過程中經常
摘要 鑄造產業(yè)一直是人類現代生產生活中重要的、不可替代的產業(yè), 鑄件產品既是工業(yè)制造產品, 也是大型機械的組成部分. 隨著經濟水平和工業(yè)自動化程度的不斷提升, 人們對于鑄件的需求量呈指數爆炸式增長, 鑄件價值輻射到各行各業(yè). 與此同時, 鑄件在鑄造、服役過程中經常會出現各種缺陷, 而傳統(tǒng)低效的人工檢測方法難以保障工業(yè)界對中高端鑄件的性能需求. 因此亟需對鑄件檢測技術進行革新. 本文首先對鑄件鑄造過程以及服役過程中各類缺陷的形成機理進行分析. 然后闡述了基于聲學、光學、電磁學等主流檢測技術及其常規(guī)信號處理方法、磁粉檢測技術與滲透檢測技術等其他檢測技術,并對近年來新興的基于神經網絡的信號處理方法進行了說明. 在此基礎上, 分析了近年來鑄件缺陷無損檢測技術以及基于神經網絡的信號處理方法的研究現狀. 最后, 對鑄件缺陷無損檢測技術及應用的發(fā)展趨勢進行了展望.
關鍵詞鑄造缺陷, 無損檢測, X射線探測, 神經網絡
鑄造作為現代裝備制造工業(yè)的基礎共性技術之一, 鑄造產品被廣泛運用在航空航天、工業(yè)船舶、機械電子和交通運輸等國民經濟各部門.常規(guī)的鑄造過程是將固態(tài)金屬溶化為液態(tài)后,注入到特定形狀的鑄型進行填充, 待其凝固成形.鑄造技術有著六千多年的悠久歷史. 直至今天, 伴隨著現代工藝的發(fā)展以及國際市場的龐大需求, 各行各業(yè)亟需高端鑄件作為工作基礎建設.我國是精密鑄造制造大國, 無論是鑄件的年產量, 還是從業(yè)人員、企業(yè)數量已經位居世界首位, 且精密鑄造零件占全球精密鑄造通用零部件50%以上.
鑄造工藝論文： 冶金鑄造起重機設計與發(fā)展趨勢
在全球鑄造行業(yè)市場份額占比逐步擴大的同時, 鑄件質量問題成為了阻礙我國鑄造行業(yè)發(fā)展的首要問題.工業(yè)上對缺陷進行分類分級判定大多是通過對比被測工件與標準缺陷圖樣展示的缺陷類型是否相同, 從而判定工件各方面能否達到合格指標. 我國的GB/T 11346[1]、TB/T 3012[2]與美國材料實驗協(xié)會(American society for testing and materials,ASTM)系列標準[3, 4]是現有的主要實施標準. 由圖譜與相關技術要求得以通曉: 缺陷成因對缺陷周遭的晶體結構與形貌起主導性作用. 根據缺陷形態(tài)、大小與形成原因的不同, Fiorese等[5]將鑄件表面及內部缺陷分為五種類別:
收縮類缺陷, 氣孔類缺陷,夾雜類缺陷, 不良相和熱收縮類缺陷. 中小型鑄件對于孔洞直徑、深度以及孔隙率有更嚴的標準, 因此需要對微小孔洞缺陷進行更深入的研究. 萬謙等[6]通過觀察孔洞三維形貌與其特征參數, 對氣孔、氣縮孔、收縮孔這三類孔洞的體積和圓整度進行分析對比, 發(fā)現三者在各方面差異顯著.鑄件表面及內部各類缺陷[7]與復雜多變的鑄造工藝過程以及工件服役過程中的外作用力息息相關. 不論是從技術管理角度還是從成本控制角度來說, 分析缺陷與形成機理的因果關系的判斷都顯得十分重要.
判斷出真實關系后, 便可制定解決對策,調整鑄件圖與鑄造裝備設計. 砂型鑄造是現代鑄造業(yè)使用最廣泛的鑄造工藝, 是凝固成型技術中最基本的方法. Jatimurti等[8]研究了在砂型鑄造下, 脫砂時間和冷卻速率對鑄鋁6061合金組織和孔隙率的影響, 并且發(fā)現冷卻速率與孔隙率呈線性關系.而隨著科技日新月異的進步, 許多優(yōu)質的先進技術引入鑄造工藝技術, 并不斷優(yōu)化和發(fā)展, 衍生出了種類繁多、特點各異的特種鑄造手段. 因此, 針對生產工藝的特殊性, Chelladurai[9]、Malhotra[10]與Zhao等[11]分別研究了砂型鑄件、壓鑄件及連鑄坯中缺陷與多種工藝參數的關系.
Cao等[12]通過真空輔助高壓壓鑄工藝在不同的絕對壓力下生產AlSi9Cu3合金鑄件, 研究了型腔中絕對壓力對壓鑄件的孔隙率, 組織和力學性能的影響, 表明高真空度有助于減少孔隙率. Jia等[13]研究分析了不同垂直離心鑄造條件下形成的鈦鋁合金鑄造缺陷, 表明離心力對小孔, 微裂紋和夾雜物等缺陷的數量均具有顯著影響.
針對鑄造過程中普遍的幾何屬性, Bijagare等[14]將直澆道與冒口設計在多個位置, 對金屬液流動和金屬凝固進行有限元模擬的分析, 證明了冒口是影響收縮類缺陷產生的重要因素. 此外,鑄件也會因長時間的服役與各種應力在內外形成不可逆的裂紋缺陷. 為此, Wang[15]研究了單調和循環(huán)拉伸載荷下孔隙對裂紋萌生的影響. 通過X射線計算機層析成像(Computerized tomography, CT)三維表征材料的微觀結構, 驗證了孔洞類缺陷在單調拉伸和循環(huán)加載條件下出現循環(huán)開合的趨勢, 從而引發(fā)裂紋. Rotella等[16]將不同的ASTM指標與疲勞極限相關聯(lián), 量化了縮孔對鑄造鋁合金疲勞極限的影響. 結果表明, 較小的表面缺陷也會導致致命的大裂紋.總結了各種類型缺陷影響因素特征,并附上缺陷示意圖.致命性缺陷往往會直接導致整個鑄件報廢[17].
氣孔類缺陷會引起其周圍應力集中, 降低鑄件的抗沖擊性和抗疲勞性. 氣孔還會降低鑄件的氣密性,致使某些要求處于強力、高速、高溫等環(huán)境的鑄件報廢. 大多數缺陷容易降低鑄件本體的密封性、金屬連續(xù)性, 甚至會在使用期間造成斷裂, 引發(fā)難以估量的災難. 對于鑄件的生產績效來說, 主要根據其質量、交貨期和成本來對經濟效益綜合衡量. 為了節(jié)約材料, 提高經濟效益, 保障行業(yè)平穩(wěn)發(fā)展, 就更需要對鑄件質量做全面核查. 鑄件缺陷檢驗是保障鑄件正常運轉的重要手段. 現如今, 傳統(tǒng)的鑄件缺陷檢測方式是采用人工巡視檢查的方法.
但人工巡檢方式時效長, 風險高, 劃分標準難于統(tǒng)一. 為了實時在線地獲得鑄件生產質量及疲勞程度信息, 各種鑄件無損檢測方法應運而生.本文在鑄件缺陷檢測的背景下, 首先對缺陷成因及危害進行分析, 然后對近年來基于光、聲、電磁學的無損檢測技術以及基于神經網絡的鑄件缺陷檢測方法的研究及應用進行綜述, 最后對工業(yè)鑄件缺陷檢測技術應用及發(fā)展趨勢進行展望.
1 鑄件缺陷無損檢測技術
工業(yè)生產注重生產的效率和產品最終使用性能, 故大部分鑄件缺陷的檢測對檢測系統(tǒng)的實時性和精度都有要求. 但對于鑄件而言, 其多樣的加工工藝、靈活的加工手法所選原材料的差異使最終成型的產品具有復雜的物理特性和廣泛的用途. 針對不同種類鑄件制定了不同的生產標準, 工業(yè)領域中的鑄件現行標準多達143篇, 其中關于質量檢測的國家標準有8篇.
此外, 盡管不同工業(yè)領域生產的鑄件在物理特性上存在差異, 但其缺陷種類有一定的重合, 如劃痕、裂紋等. 同種類型的缺陷往往也有通用的檢測技術, 如超聲檢測技術、機器視覺檢測技術等, 而與之信號分析算法也是一致的. 通用檢測技術適用性廣, 但對于鑄件缺陷而言, 其缺陷的成因與其鑄造工藝的關聯(lián)性極大, 往往缺陷類內差異大, 使用通用缺陷可能得不到滿足精度要求的結果, 因此, 在原本通用檢測技術上, 發(fā)展出了一些專門針對某類鑄件檢測技術, 例如, 檢測中小型鑄件的X射線二維成像檢測技術; 專門檢測管狀鑄件的遠場渦流檢測技術; 檢測厚度大鑄件的超聲波檢測技術等等.主流的無損檢測技術主要用于工程未知工藝缺陷的檢驗, 是在不損傷被測鑄件的前提下, 利用光、聲、電磁等物理場作用在鑄件上產生的物理現象來探測表面及內部缺陷的技術. 主流無損檢測技術以硬件為核心, 硬件的質量會直接影響后續(xù)檢測效果.
1.1 基于光學的無損檢測技術1.1.1 X射線二維成像技術
工業(yè)射線探測常使用X射線機或加速器作為射線源, 從鑄件的一個側面進行照射并穿過鑄件,照射部位的密度越大, 射線強度越低. 若內部有缺陷, X射線穿過有缺陷路徑的密度變小, 其強度相對變高. 由此, 能夠將被測鑄件的內部質量信息通過熒光屏、膠片或數字影像接收器等接收裝置, 從而顯示出鑄件內部質量情況. 射線檢測技術對氣孔類、夾渣類等體積型缺陷最為敏感. 同時X射線二維成像檢測技術具有以下特點:
1)被測結果以圖像形式展示, 直觀且便于存儲;2)適用于不同材質、復雜異形的鑄件; 對具有一定空間分布的體積型缺陷可以高效表征;3)探測速度慢, 成本高. 射線探測儀器的工作電壓高達數萬伏, 且射線對人體有輻射作用, 檢測人員進行探傷作業(yè)時易危及到生命安全, 因此該技術對環(huán)境要求極為苛刻;4)二維X射線只能提供單一方向的鑄件陰影圖, 而沒有任何深度分辨率信息, 無法準確確定所檢測到的潛在缺陷的位置和形狀. X射線二維成像技術對射線能量選擇及鑄件透照布置有著極高標準[19].
探測系統(tǒng)硬件的優(yōu)劣會直接影響檢測人員對缺陷類別級別的判斷. Hussein等[20]發(fā)現了能夠產生超相對論電子束的激光尾場加速器(Laser-wakefeld accelerators, LWFA),其透射圖像可以清晰展示鋁硅工件的內部結構細節(jié). 在連續(xù)制造工藝下, 由于重力及凝固收縮等現象, 連鑄坯表面極易形成大范圍的偏析缺陷, 這將會嚴重影響鑄件性能, Lu等[21]使用基于同步加速器的放射成像技術對鑄造過程中的鑄件表面進行高效成像, 實時監(jiān)測預警, 從而調整冷卻系統(tǒng)速率以避免偏析缺陷的形成. Wang[22]設計了一種基于電荷耦合器件(Charge coupled device, CCD)的數字射線探測系統(tǒng). 該系統(tǒng)能接收能量范圍更廣的X射線, 得到更高的成像質量.
大多數鑄造車間已經摒棄了人工檢測方法, 而是采取與圖像處理算法對X射線二維圖像進行處理分析, 圖像處理算法是一種應用價值很高的檢測方法, 其在解決人力資源成本的同時保障計算精度.如今對鑄件射線圖像處理的研究主要可分為新算法的引入與原有算法的改進. Li等[23]提出了一種基于X射線的鑄件內部缺陷檢查系統(tǒng). 將二階導數和形態(tài)運算、逐行自適應閾值處理和二維小波變換方法進行對比. 由于小波技術可以選擇小波基數和多級分辨率, 高效準確地檢測裂紋、孔隙和異物等三種典型缺陷, 證實了二維小波變換是檢測鑄件內部缺陷的實用方法.
Jin[24]提出了一種基于Relief算法和Adaboost支持向量機的內部裂紋檢測方法,擁有比現有常用分類器更高精度及泛化能力. 針對遮擋現象, Zhao等[25]提出一種基于稀疏表示的鑄造缺陷檢測和分類系統(tǒng), 實現了一種基于灰度排列對(Gray arranging pairs, GAP)的分割方法. 對結構復雜、水垢遮擋、噪聲強度大的鑄件射線圖像, 能有效識別裂紋類、氣孔類、縮孔類等多種普遍的鑄造缺陷類型. 基于GAP的分割方法.
圖像低對比度問題一直是經典檢測算法中的難點. 為使機器獲得清晰輪廓的圖像, 克服因輪廓變化導致的難于分割前景與背景的問題, 文獻[26]將單閾值處理大津閾值分割法、自適應閾值和中值濾波等傳統(tǒng)分割方法進行比較. 其中, 空間平滑算法對鑄件的四種常見缺陷準確率達到了100 %. 隨著圖像處理技術的廣泛應用, 人們開始考慮不同算法之間的短板及聯(lián)系. Mery等[27]將Gabor、方向梯度直方圖(Histogram of oriented gradient, HOG)特征、局部二值模式(Local binary patterns, LBP)等三種特征工程方法與八種機器學習模型兩兩結合, 比較與評估了包括深度學習、稀疏表示、局部描述符等24種計算機視覺技術. 結果表明LBP結合梯度提升分類器方法可以獲得最佳性能, 準確率達89 %. 說明圖像處理算法具有很大的潛力.
1.1.2 X射線三維成像技術X射線三維層析成像與計算機技術聯(lián)系十分緊密, 它是一種依據射線數據重塑鑄件斷層物理特征分布圖的檢測技術. 該技術可以直觀地表征鑄件內槽腔等被遮擋部分的三維形貌, 且能將鑄件尺寸測量和缺陷質量控制等兩個任務在單個檢查過程中同時實現, 提高了復雜鑄件的檢測效率[28].
1.1.3 機器視覺檢測技術視覺是人類感知外界信息的重要手段, 通過人眼能夠捕捉目標的大小、顏色、紋理等信息. 機器視覺就是用相機等機器設備代替人眼對信息進行觀察與判斷. 如今的機器視覺檢測系統(tǒng)設計和質量管理機制已經在中國得到了廣泛應用并不斷革新和深化. 機器視覺檢測系統(tǒng)主要包括光源、圖像獲取單元、圖像處理單元和執(zhí)行機構組成.
1.1.4 高光譜檢測技術
高光譜成像是一個復雜, 多學科高度融合的領域. 該技術可以在連續(xù)光譜帶中采集空間圖像. 所以高光譜圖像除了有x, y方向的空間維度信息以外, 每個像素都包含完整的光譜信息, 可反映鑄件內部的物理屬性與結構成分的差異[48]. 高光譜成像技術是一項新興的, 非侵入性光學技術.鑄造行業(yè)需要實時監(jiān)控鑄件表面及內部質量變化. 檢測人員僅能夠捕捉肉眼可觀測的缺陷, 而高光譜成像能夠得到這些缺陷更詳盡的信息, 并跟蹤鑄件內發(fā)生的任何變化. Mehrubeoglu等[49]首次有針對性地分析高光譜成像在鑄件檢測領域的應用,采用高光譜成像儀顯示出潛在缺陷處突變?yōu)榈蛷姸鹊墓庾V輪廓, 映射并量化了鋁鑄件表面裂紋缺陷區(qū)域. 缺陷在連續(xù)波段光譜下的數據繪制出一條與光照強度相關的對應特定曲線.
1.2 基于聲學的無損檢測技術
1.2.1 常規(guī)超聲檢測技術
超聲波是指頻率高于20 kHz的彈性波. 超聲檢測技術是指利用超聲波對鑄件內部宏觀缺陷進行檢查的一種主流無損探傷方法. 其采用常規(guī)探頭對準鑄件待測位置的表面發(fā)射超聲波, 利用超聲波在遇到兩側聲阻抗有差異的界面時產生反射波的特性, 進而分析不同反射信號傳遞到探頭的聲波信號及時間差, 即可獲得鑄件內部缺陷信息.
2 基于神經網絡的探測信號處理方法
在鑄件缺陷無損檢測過程中, 探測階段所采集到的缺陷信號載體的物理特性不同, 往往需要根據其特性有針對性地進行信號分析方法研究. 同時,信號存在各種噪聲干擾, 增加了缺陷特征提取難度,因此各類噪聲信號處理方法也需要提出與改良. 而不同信號分析方法和信號處理方法的疊加, 使得每種缺陷檢測方法的工作量增大, 使用范圍變窄. 近年來, 國內外學者對基于神經網絡的信號處理方法展開研究, 利用神經網絡可以通過逐級迭代獲取輸入和輸出內在聯(lián)系的特點, 將神經網絡結構運用于各種探測信號分析. 同時, 神經網絡的魯棒特性, 使得其對含噪聲的信號仍具有高檢測效率. 此外, 基于樣本學習的方法可以完美融入大數據分析策略,通過對鑄件缺陷數據庫的學習來保障自身的高效性能.
3 展望
隨著鑄造技術的不斷發(fā)展, 目前的鑄件檢測系統(tǒng)僅依靠軟硬件技術的升級優(yōu)化, 已無法滿足鑄件缺陷檢測技術的現實需求[132]. 針對鑄件全尺寸、高精度、高時效等檢測要求, 高端鑄件缺陷檢測技術必須考慮以下幾點問題。
1)對于鑄件缺陷檢測過程而言, 探測技術本身存在的缺點不可避免, 且單一的聲或光信息難以對復雜鑄件作全方面檢測. 融合多種探測方法對鑄件進行全方位探測技術開始出現. 但僅僅通過串聯(lián)多種探測技術來組合成一條自動檢測線, 是無法滿足工業(yè)中對于檢測速度的要求[133]. 如何利用多模態(tài)技術將多維信息融合實現對鑄件缺陷特征進行高效且全面地檢出將是未來檢測技術發(fā)展研究的方向之一.
2)目前, 機器人技術與鑄造行業(yè)質量監(jiān)測的聯(lián)系越發(fā)緊密, 機器視覺系統(tǒng)與機器人技術融合技術嶄露頭角: 結合機器人系統(tǒng)的機器視覺檢測技術實現了鑄件多角度信息獲取, 消除了空間對檢測效果的限制. 而其他檢測手段也正面臨著過分依賴人的參與、輔助時間長、檢測效率低等問題, 亟需加速踐行新一代信息技術與質檢技術的深度融合, 在時間與空間上提高檢測設備靈活性. 如何將各種檢測手段與機器人技術有效結合, 促進傳統(tǒng)鑄件檢測技術的智能化升級, 是未來研究方向之一.
3)在鑄造行業(yè)實際場景中, “大數據”往往是偽命題, “小樣本”卻更為常見. 經過多年的學術研究,國內外研究員從數據擴充、模型優(yōu)化和遷移學習三個方面改進了神經網絡對數據采集量的需求[134]. 但多數研究僅考慮到檢測的精度, 并未過多考慮檢測實時性, 這在工業(yè)領域是無法接受的. 此外, 多數針對小樣本的檢測模型是在自然圖像數據集或公共數據集上進行預訓練再針對下游任務進行微調的, 工業(yè)場景實際應用少. 針對小樣本檢測網絡的實時性和更有針對性的模型預訓練方法展開研究, 可以將自然領域或醫(yī)學領域小樣本檢測模型遷移至工業(yè)領域, 具有廣大的發(fā)展前景.
4)鑄件缺陷檢測任務通常僅包含檢測與分類,這無法包羅我們所需要的全部質檢信息. 對于單個鑄件, 一一進行缺陷檢測、尺寸測量、表面粗糙度測定等程序耗時耗力. 特別是針對圖像檢測任務, 我們需要同時實現鑄件尺寸測量、缺陷分類、表面粗糙度評定等多個任務. 在深度學習領域, 多任務學習可以學到多個任務的共享表示, 這個共享表示具有較強的抽象能力, 能夠適應多個不同但相關的特征. 由于使用共享表示, 多個任務同時進行預測時,同樣能減少了樣本來源的數量以及整體模型參數的規(guī)模, 使得具有更小容量的模型就可以獲得同水平或更好的泛化能力, 預測更加高效. 由此可見, “多任務”與鑄件質量檢測結合是一個值得深入探討的問題.
4 總結
鑄件的生產加工工序繁多、條件復雜, 加工工藝本身的不足和操作失誤都有可能使鑄件在加工完成時就存在缺陷, 而在服役過程中, 受力不均或使用不當也會產生缺陷, 這些缺陷會影響鑄件的整體性能, 需要進行監(jiān)測與排除. 隨著工業(yè)生產規(guī)模的不斷擴大, 純人工檢測方法的檢測效率不足以滿足生產效率要求, 需要自動化的鑄件缺陷檢測方法來提高檢測效率.本文針對鑄件生產以及服役過程中的產生的孔洞類缺陷、裂紋、偏析和夾雜等缺陷的成因進行分析.
闡述了基于聲學、光學、電磁學等主流檢測技術及其常規(guī)信號處理方法、磁粉檢測技術與滲透檢測技術等其他檢測技術, 并對近年來新興的基于神經網絡的信號處理方法進行了說明. 對基于神經網絡的信號處理方法對比分析發(fā)現, 鑄件無損檢測方法已經趨于完整. 而深度學習網絡, 作為新興圖像檢測方法的核心, 能夠發(fā)掘出圖像包含的深層信息,這些深層信息能夠對鑄件缺陷分類提供指導. 并且,神經網絡具有強魯棒性, 輕量化神經網絡的應用又進一步提高了檢測效率. 因此, 將具有強魯棒性、性能優(yōu)越的神經網絡運用在鑄件缺陷檢測與分類上是未來主要的研究方向.
References
1 中華人民共和國國家市場監(jiān)督管理總局. 鋁合金鑄件射線照相檢測缺陷分級: GB/T 11346-2018, 2018.
2 中華人民共和國鐵道部. 鐵道貨車鑄鋼搖枕、側架: TB/T 3012-2016, 2016.3 ASTM International. Standard reference radiographs for heavywalled(41/2 to 12-in. [114 to 305-mm]) steel castings: ASTME280, 2010.
作者：張輝1 張鄒銓2 陳煜嶸1 吳天月2 鐘杭1 王耀南1
轉載請注明來自發(fā)表學術論文網：http:///jzlw/28943.html
