1、目录2一、AUT技术简介二、AUT三维成像三、计算机辅助评判及智能识别技术 四、技术展望一、AUT技术简介近年来，为满足能源发展的需要，我国陆地油气管道向高钢级、高压力、大口径方 向发展，全自动超声波检测(AUT)被广泛应用于长输管道全自动焊的环焊缝检测领域。3一、AUT技术简介相控阵电子偏转聚焦特性相控阵电子偏转聚焦特性：4一、AUT技术简介分区扫查技术分区扫查技术：5一、AUT技术简介AUT检测主要针对焊缝坡口未熔合缺陷，利用分区扫查法对焊缝的不同分区设置 不同的延时聚焦方案，同时辅以体积通道和TOFD通道，实现整个焊缝的全覆，对任 意分区的检测灵敏度均达到标准要求。AUT检测不仅能够测量
2、缺陷的长度，还能测量 缺陷的高度，能及时根据检测结果指导自动焊的施工，调整焊接参数，避免相同位置 连续出现相同的缺陷。根部声束钝边声束6一、AUT技术简介7一、AUT技术简介特点：特点：1AUT对全自动焊未熔合缺陷具有很高的检测能力，能够及时的根据检测结 果反馈指导自动焊施工；2设置得当的AUT可对管道环焊缝进行最敏感和最完整的检测；3在长输管道环焊缝的超声检测技术中，AUT是重复性最好、争议最少的检 测技术。8一、AUT技术简介9一、AUT技术简介AUT和PAUT聚焦对比10开展三维成像和计算机辅助评判的技术背景：开展三维成像和计算机辅助评判的技术背景：一、AUT技术简介11一、AUT技术简
3、介12由于目前AUT的扫查结果以带状图、体积通道、TOFD形式显示，检测人员通过评 判扫查图来判断焊缝的质量，人工判读的方式费时费力，过分依赖检测人员的经验，有必要开展AUT计算机三维成像及辅助评判技术研究。国外AUT三维成像及辅助评判技术发展较快，用直观的三维图像显示出缺陷在环焊 缝的位置，借助声场仿真和专家数据库，由计算机进行工艺方案设计和评判，目前国 外该技术开始进入实用阶段。AUT智能识别技术，国内外尚处于研发和摸索阶段，开展了一些相关的研究工作，距离工程应用还有较大的差距。一、AUT技术简介13一、AUT技术简介技术需求：技术需求：1把工艺设置和检测结果尽量用直观的图像方式显示出来三
4、维成像；2把典型缺陷的长度、高度、位置等信息用计算机统计显示计算机辅助评判；3在典型缺陷特征提取基础上，通过经验积累和深度学习，逐步实现对疑难缺陷 的计算机评判智能判读。14二、AUT三维成像15二、AUT三维成像|sin(sin(eX)2X)N2ej N 1 X2jn O|N 1n 0Bejn 2 d sin|F()|BBsin )sind(sin sin )sinN d(sin 1、相控阵声场仿真计算、相控阵声场仿真计算16二、AUT三维成像2、三维重建架构、三维重建架构三维成像最关键的部分是三维重建，就是由一维波形数据合成二维图像，继而通过 二维切片数据导出三维几何结构的处理过程。目前较
5、为常用的三维可视化重构方法有两种：一种是通过计算机图形化处理中间网 格体的表面绘制技术；再者是直接由离散的三维数据场产生人们感官视觉下二维图像，称为体绘制技术。对于超声检测结果重现来说，更适合于体绘制方法。17二、AUT三维成像3、三维重建过程、三维重建过程18以A扫波型为基础进行焊缝的三维成像，A扫图像横坐标为时间轴，纵坐标为反射波 的幅值。1建立三维坐标系：在AUT检测原理基础上，以扫查器行走方向为X轴，横跨焊 缝方向为Y轴，壁厚垂直方向为Z轴建立三维坐标系。并从数据域和配置域两个层面进 行三维建模；2配置域建模：通过扫查焊缝配置数据（坡口参数信息等）进行焊缝三维建模，并进行体绘制成像；二
6、、AUT三维成像19（3）数据域建模，分通道进行建模：普通通道，进行时间门和波幅门参数配置，然 后进行数据提取量量化按扫查方向记录数据库。TOFD通道，进行参数配置，然后进 行数据提取量化按扫化按扫查方向记录数据库。体积通道，进行参数配置，然后进行 数据提取查方向记录数据库；二、AUT三维成像204消除干扰噪声：各通道数据进行自噪声过滤，以消除噪声干扰，分别对椒盐噪 声、异常噪声和形态学不联通域噪声进行过滤；5消除异常噪声：与扫查焊缝模型数据融合，进行关联噪声过滤。重点过滤与扫 查焊缝模型差异大的异常噪声；6三维模型映射：各通道数据与扫查焊缝模型一起，在建立的三维坐标系下进行 三维模型映射；7
7、三维图像成像：在OpenInvertor架构下，将三维模型映射数据进行邻域的体单 元绘制，体素的配色表达缺陷程度，进而进行体素拼接和体素的平滑处理，与扫查焊 缝模型合成，形成三维体绘制图。二、AUT三维成像21二、AUT三维成像长方体工件圆柱体工件4、具体工作、具体工作工件建模：模拟两种典型工件：长方体和圆柱体。22二、AUT三维成像对V型、X型、CRC型及I型四种坡口形式进行模拟，下图是在一个长方体工 件上模拟几种坡口。模拟坡口类型23二、AUT三维成像在一个40020020 的碳钢工件上模拟一个V型焊缝，左侧部分为参数设置区，右侧为模拟仿真区。V型焊缝模拟仿真界面图24二、AUT三维成像换
8、能器设置面板楔块参数设置声场计算设置好焊缝后，工作人员需要从“探头”的功能标签栏选择需要的探头，并设置 探头的参数，设置界面如下:25二、AUT三维成像探头及楔块模拟仿真声束线仿真26二、AUT三维成像轴向声场计算图横向声场计算图27三维成像图二、AUT三维成像281、计算机辅助评判、计算机辅助评判 缺陷闸门位置分析；缺陷闸门位置分析；缺陷长度计算；缺陷长度计算；缺陷高度计算；缺陷高度计算；缺陷深度计算。缺陷深度计算。三、计算机辅助评判及智能识别技术29缺陷长度计算缺陷长度计算目前AUT分析软件能够自动计算超过一定阈值的红色色块长度，但没有结合闸门位 置进行分析，计算机辅助计算缺陷长度需根据闸
9、门位置进行计算。三、计算机辅助评判及智能识别技术30缺陷高度计算缺陷高度计算根据波型显示及闸门位置进行缺陷高度测量，跨区缺陷需考虑分区高度及校准 图中相邻分区覆盖大小，自动进行缺陷高度计算。三、计算机辅助评判及智能识别技术31缺陷深度计算缺陷深度计算根据波型显示及闸门位置确定为缺陷需进行缺陷深度测量，根据带状图显示 通道及分区高度自动计算缺陷深度。三、计算机辅助评判及智能识别技术32；2、智能识别技术、智能识别技术缺陷特征提取：缺陷特征提取：缺陷位置分析；缺陷位置分析；双门限图、双门限图、TOFD、体积通道的融合分、体积通道的融合分析析 信号分析。信号分析。三、计算机辅助评判及智能识别技术33
10、AUT检测智能识别以AUT检测A扫描数据为基础，双门带状图的每一个通道代表了 环焊缝不同分区的A扫描数据，A扫的波幅及闸门位置包含了焊缝缺陷的坡口位置、深 度等信息，这些缺陷信息经提取特征后可用于智能识别。AUT检测A扫图像三、计算机辅助评判及智能识别技术343、AUT检测缺陷智能识别流程检测缺陷智能识别流程A扫数据进行数据预处理过程，进行 缺陷特征识别（包括A扫波幅信息、闸门 信息等）、学习机分类学习，最终实现缺 陷的智能识别，具体流程如图所示。三、计算机辅助评判及智能识别技术354、特征提取、特征提取A扫描数据经归一化处理后，对其进行小波包分解，然后提取子带能量值作为缺 陷特征，其中包括所
11、在通道、波幅值及闸门位置等信息。将得到的缺陷特征分为训练样本集和测试样本集，其中训练样本集的作用是训练 分类器，测试样本集的作用是测试分类器的网络训练效果，缺陷特征提取流程图如下所示：缺陷特征提取流程三、计算机辅助评判及智能识别技术36 小波包分解离散小波变换有两种类型，可分为小波分解和小波包分解，本文涉及到的是小波包 分解。它可同时对A扫波形信号的低频和高频部分进行分解，并能够根据被分解信号 的特征，自适应地选择相应频带，使之与信号频谱相匹配。小波包将A扫波形中的缺陷信息分解到子频带中，增强了对缺陷信息的分析能力。定义小波包函数_(j,k)m（t）为：其中m=0,1,2，为振荡参数，j Z
12、和 k Z 分别是尺度参数和平移参数三、计算机辅助评判及智能识别技术37小波包分解与重构算法如式三、计算机辅助评判及智能识别技术38在实际应用小波变换时，连续小波要经历离散化的处理，离散过程是对小波的平移 参数和尺度参数进行离散处理。离散小波变换可以被抽象为由低通滤波器和高通滤波 器构成的树，信号每通过一次滤波器，就被视为完成一次小波分解。小波包分解图三、计算机辅助评判及智能识别技术39 小波包能量谱使用小波包对A扫信号进行分解后，会得到不同频段的分解系数，以各频段能量 来构造特征向量，提取出来的能量值包含丰富的缺陷信息。设di（k）是电压信号V经小波包分解后的第i层第j个节点的分解系数，各个
13、频带对j应的能量为Eij,则：其中j=0，1，2i-1；N表示信号的长度，全部Eij构成小波包能量谱。三、计算机辅助评判及智能识别技术40目前收集了未熔合、未焊透和裂纹三种缺陷类型的数据进行智能识别，每种缺陷类 型包含50组对应的样本，用1、2、3表示极限学习机的目标值，如表所示。三、计算机辅助评判及智能识别技术41使用Db3小波基对A扫描波形进行三层小波包分解，得出8个子频段，使用小波包能 量谱公式提取各个频段的能量谱，构成三类缺陷特征向量（未熔合、未焊透和裂纹），如图所示。部分缺陷特征向量1234567812343210缺 陷 类 别部 分 缺 陷 特 征子 频 带能量值三、计算机辅助评判
14、及智能识别技术425、极限学习机、极限学习机使用极限学习机作为分类器，极限学习机是一种前馈网络，它是单隐层的网络结构，如图所示。极限学习机只需一步即可求出训练网络的输出权值，学习速度快，可降低网络训练 的消耗。三、计算机辅助评判及智能识别技术43W i i1,i 2,in 设训练样本集为Xi=xi1,xi2,xin，目标样本集为Ti=ti1,ti2,tin，单隐层神经网络具 有L个隐层节点，其表达式为：其中，g(x)为极限学习机的激活函数，它能够设成正弦函数sin、径向基函数和sigmoid函数等。-输入权重，-极限学习机输出权重-隐层的偏置-输入的数据-极限学习机的输出三、计算机辅助评判及智
15、能识别技术44在进行分类器的网络训练时，首先把得到的缺陷特征分为训练样本集和测试样本 集：训练样本集的作用是训练分类器；测试样本集的作用是测试分类器的网络训练效果。三、计算机辅助评判及智能识别技术45将50组缺陷特征分成30组的训练样本和20组的测试样本。将训练样本输入极限 学习机对其进行网络的训练，然后用测试样本对训练好的极限学习机的缺陷识别能力 进行检验，得到的结果如下01 02 04 05 06 0132.82.62.42.221.81.61.41.23 0测 试 集 样 本 编 号测试集样本类别测 试 集 预 测 结 果 对 比 (E L M)(正 确 率 A c c u r a c
16、y =7 3.3 3 3 3%)真 实 值E L M 预 测 值三、计算机辅助评判及智能识别技术466、AUT典型缺陷数据库典型缺陷数据库填充区体积通道气孔根部体积中显示根部未熔合三、计算机辅助评判及智能识别技术47三、计算机辅助评判及智能识别技术轨道装偏钝边区缺陷48填充区缺陷裂纹缺陷三、计算机辅助评判及智能识别技术49层间未熔表面未熔三、计算机辅助评判及智能识别技术50四、技术展望1、根据AUT检测带状图通道、体积通道以及TOFD通道的采集数据，能够实现AUT检测数据的三维显示和计算机辅助评判；2、根据AUT检测原始数据可以开展缺陷的智能识别，在一定程度上指导检测人 员的数据评判，提高了检测结果评判的效率和准确性。但缺陷识别技术刚刚起步，需在大量样本基础上，逐步提高缺陷识别准确率；3、一些对AUT轨道安装要求不严、不依赖坡口熔合线聚焦、基于全矩阵捕捉的AUT三维成像技术正在研发过程中，会成为AUT技术新的发展方向。51四、技术展望52四、技术展望53四、技术展望54
