一种热障涂层中缺陷定量检测方法及系统

技术领域

本发明涉及目标检测技术领域，特别是涉及一种热障涂层中缺陷定量检测方法及系统。

背景技术

涡轮叶片是燃气涡轮发动机中承温和承载最为苛刻的核心部件，也是制约发动机发展的关键短板。国际公认设置热障涂层是大幅提高发动机服役温度最切实可行的办法。但热障涂层服役环境恶劣，且其为多层结构，从而让其在服役过程中极其容易产生裂纹和脱粘等缺陷，这一系列的缺陷如若继续扩展下去，则会促使热障涂层剥落从而失效。如果在燃气涡轮发动机在运行的过程中发生脱落，严重威胁到人民的生命财产安全。所以为了保证燃气涡轮发动机的正常运行以及人民的生命财产安全，对热障涂层却缺陷的定量表征具有关键的意义。

材料的表征方法可以大致分为两类，有损检测和无损检测，但是有损检测在对材料进行表征时会对材料产生不可逆转的损害，导致材料无法二次利用。在无损检测中，红外无损检测有着检测快速，观测面积大，结果直观，定量缺陷信息，无接触等优点，被广泛的应用到材料的表征当中。

缺陷几何信息的定量表征是以导热反问题为基础的，红外无损检测是已知试样的温度矩阵，进而求解试样的几何特征。根据三维导热微分方程，假定材料各向同性以及对流换热，三维导热微分方程可以近似成一维导热微分方程，可以得到缺陷深度与最大温差，最佳检测时间存在非线性关系。目前此过程通过了对此近似求解，得到的结果没有说服力。

发明内容

本发明的目的是提供一种热障涂层中缺陷定量检测方法及系统，提高了检测的准确性。

为实现上述目的，本发明提供了如下方案：

一种热障涂层中缺陷定量检测方法，包括：

获取待检测热障涂层的红外热序列图；所述待检测热障涂层包括缺陷区域和非缺陷区域；

根据所述红外热序列图确定最大温差和最佳检测时间；所述最大温差为所述缺陷区域的最高温度和所述非缺陷区域的最低温度之差，所述最佳检测时间为所述最高温度和所述最低温度对应的热激励时间中的较早的时间；

将所述最大温差和所述最佳检测时间输入缺陷定量检测模型，获得所述待检测热障涂层的缺陷区域直径和缺陷区域深度；所述缺陷定量检测模型是对BP神经网络进行粒子群算法优化和数据集训练后确定的；

所述缺陷定量检测模型的确定具体包括：

采用粒子群算法优化BP神经网络的权重和偏置，获得优化后的BP神经网络；

采用数据集对优化后的BP神经网络进行训练，将训练好的优化后的BP神经网络作为所述缺陷定量检测模型；所述数据集中样本数据包括最大温差、最佳检测时间以及缺陷区域直径和缺陷区域深度。

可选地，所述粒子群算法的速度更新公式表示为：

v

所述粒子群算法的位置更新公式表示为：

x

其中，v

可选地，所述采用粒子群算法优化BP神经网络的权重和偏置过程中，所述惯性因子的更新公式表示为：

w＝w

其中，w

可选地，惯性权重的取值范围为0.5-0.8。

可选地，所述根据所述红外热序列图确定最大温差和最佳检测时间，具体包括：

将所述红外热序列图转换为m*n*t的三维矩阵，m*n为红外热图的分辨率，t表示热激励时间；所述红外热序列图包括按照热激励时间顺序排列的红外热图；

将所述三维矩阵转化为时间温度曲线图；

提取所述时间温度曲线图中缺陷区域的最高温度和非缺陷区域的最低温度。

可选地，所述获取待检测热障涂层的红外热序列图，具体包括：

采用红外热成像仪获取待检测热障涂层的红外热序列图。

可选地，所述BP神经网络包括依次连接的输入层、隐藏层和输出层；

其中，所述输入层的节点数m、所述隐藏层的节点数n以及所述输出层的节点数a满足公式

本发明公开了一种热障涂层中缺陷定量检测系统，包括：

红外热序列图获取模块，用于获取待检测热障涂层的红外热序列图；所述待检测热障涂层包括缺陷区域和非缺陷区域；

最大温差和最佳检测时间确定模块，用于根据所述红外热序列图确定最大温差和最佳检测时间；所述最大温差为所述缺陷区域的最高温度和所述非缺陷区域的最低温度之差，所述最佳检测时间为所述最高温度和所述最低温度对应的热激励时间中的较早的时间；

缺陷区域直径和深度确定模块，用于将所述最大温差和所述最佳检测时间输入缺陷定量检测模型，获得所述待检测热障涂层的缺陷区域直径和缺陷区域深度；所述缺陷定量检测模型是对BP神经网络进行粒子群算法优化和数据集训练后确定的；

所述缺陷定量检测模型的确定具体包括：

采用粒子群算法优化BP神经网络的权重和偏置，获得优化后的BP神经网络；

采用数据集对优化后的BP神经网络进行训练，将训练好的优化后的BP神经网络作为所述缺陷定量检测模型；所述数据集中样本数据包括最大温差、最佳检测时间以及缺陷区域直径和缺陷区域深度。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明采用粒子群算法优化BP神经网络的权重和偏置，并采用数据集对优化后的BP神经网络进行训练，得到训练好的缺陷定量检测模型，用缺陷定量检测模型来定量预测热障涂层缺陷区域的直径和深度，通过粒子群算法避免BP神经网络陷入局部最小值，提高了缺陷定量检测模型的预测精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种热障涂层中缺陷定量检测方法流程示意图；

图2为本发明缺陷定量检测模型确定流程示意图；

图3为本发明红外无损装置检测示意图；

图4为本发明一种热障涂层中缺陷定量检测系统结构示意图。

具体实施方式

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他实施例，都属于本发明保护的范围。

本发明的目的是提供一种热障涂层中缺陷定量检测方法及系统，提高了检测的准确性。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1

如图1所示，本发明一种热障涂层中缺陷定量检测方法，包括以下步骤：

步骤101：获取待检测热障涂层的红外热序列图；所述待检测热障涂层包括缺陷区域和非缺陷区域。

所述获取待检测热障涂层的红外热序列图，具体包括：

采用红外热成像仪获取待检测热障涂层的红外热序列图。

步骤102：根据所述红外热序列图确定最大温差和最佳检测时间；所述最大温差为所述缺陷区域的最高温度和所述非缺陷区域的最低温度之差，所述最佳检测时间为所述最高温度和所述最低温度对应的热激励时间中的较早的时间。

其中，步骤102具体包括：

将所述红外热序列图转换为m*n*t的三维矩阵，m*n为红外热图的分辨率，t表示热激励时间；所述红外热序列图包括按照热激励时间顺序排列的红外热图。

将所述三维矩阵转化为时间温度曲线图。

提取所述时间温度曲线图中缺陷区域的最高温度和非缺陷区域的最低温度。

将所述缺陷区域的最高温度和所述非缺陷区域的最低温度之差作为所述最大温差。

将所述最高温度和所述最低温度对应的热激励时间中的较早的时间作为所述最佳检测时间。

步骤103：将所述最大温差和所述最佳检测时间输入缺陷定量检测模型，获得所述待检测热障涂层的缺陷区域直径和缺陷区域深度；所述缺陷定量检测模型是对BP神经网络进行粒子群算法优化和数据集训练后确定的。

如图2所示，所述缺陷定量检测模型的确定具体包括：

采用粒子群算法优化BP神经网络的权重和偏置，获得优化后的BP神经网络。

采集多个样本热障涂层的红外热序列图，各样本热障涂层均包括缺陷区域和非缺陷区域。

将各样本热障涂层的红外热序列图对应的最大温差和最佳检测时间，以及对应缺陷区域的直径和深度构建数据集。

采用数据集，以最大温差和最佳检测时间为输入，缺陷区域的直径和深度为输出，对优化后的BP神经网络进行训练，将训练好的优化后的BP神经网络作为所述缺陷定量检测模型；所述数据集中样本数据包括最大温差、最佳检测时间以及缺陷区域直径和缺陷区域深度。

采用粒子群算法优化BP神经网络的权重和偏置，获得优化后的BP神经网络，具体包括：

Step1：初始化粒子群算法中粒子数量、约束范围、迭代次数、种群大小、惯性因子w、个体学习因子c

种群大小在50至100。种群数量越大，收敛效果越佳，但是过大会影响算法速度，惯性因子w通常取0.5～0.8，w越大表示粒子自身的速度越大，粒子以较大的步长进行全局搜索，w越小表示粒子自身的速度越小，粒子以较小的步长进行全局的搜索，前期需要较大的w来跳出局部最优解，便于全局搜索，后期需要较小的w经行算法的收敛，所以w需要是一个随着迭代次数变化而逐渐变小的一个数值，个体学习因子c

Step2：在每一次迭代过程中，计算每一个粒子的适应度函数值F，如果当前适应度函数值优于历史最优值p

Step3：如果当前适应度函数值优于全局历史最优值g

Step4：按照速度更新公式更新粒子的速度以及根据位置更新公式更新粒子所在位置。

Step5：判断算法是否达到最大的迭代次数：如果满足则输出BP神经网络的权值以及偏置，如果不满足，则回到步骤Step2。

将粒子群算法优化算法的最优解作为BP神经网络的权值(初始权值)和偏置(初始偏置)。

所述粒子群算法的速度更新公式表示为：

v

所述粒子群算法的位置更新公式表示为：

x

其中，v

所述采用粒子群算法优化BP神经网络的权重和偏置过程中，所述惯性因子的更新公式表示为：

w＝w

其中，w

惯性权重的取值范围为0.5-0.8。

所述BP神经网络包括依次连接的输入层、隐藏层和输出层。输入层的节点数m取决于样本的特征数，输出层的节点数a取决于要预测热障涂层几何特征的数量，隐藏层的节点数n采用经验公式。

所述输入层的节点数m、所述隐藏层的节点数n以及所述输出层的节点数a满足公式

BP神经网络激活函数使用sigmoid函数。BP神经网络的训练误差为BP神经网络实际输出值与期望输出值的均方误差。

sigmoid函数表示为

x表示sigmoid函数的输入值。

训练误差表示为：

其中，MSE表示均方误差，n表示样本数量，x

使用粒子群优化BP神经网络的权重以及偏置之后，通过BP神经网络正向传播，当实际输出值与期望不匹配时，将进入BP神经网络的反向传播，通过链式求导法则来更新每一个神经元里面的权重以及偏置，当BP神经网络达到最大训练次数或者误差值达到预先设置的精度，神经元中的权重以及偏置更新完毕，算法结束，获得缺陷定量检测模型。

BP神经网络具有非常强大的非线性的拟合能力，但是其容易陷入局部最小值，本发明通过粒子群(PSO)算法优化BP神经网路使得其拥有更高的精度，跳出局部最小值。

在缺陷定量识别的原理中将三维导热微分方程近似一维导热微分方程过程中以及在求解过程中多次近似，得到的近似解并不准确，然而BP神经网络有非常强大学习能力以及非线性拟合功能和柔性的网络结构，能够最大程度的逼近真实值，将BP神经网络应用于热障涂层缺陷的定量检测，只需要构建试样最大温差以及最佳检测时间的数据集，将其输入到神经网络的输入层，就可以得到热障涂层缺陷的定量检测模型。

本发明将粒子群(PSO)优化算法与BP神经网络相结合，利用粒子群算法的输出值来优化BP神经网络的初始权重以及偏置参数，建立了定量检测热障涂层缺陷的神经网络模型，动态的权重因子w可以时的PSO算法既不使得粒子陷入局部最值，也不使得粒子过早收敛，在局部产生振荡现象，也有效解决了神经网络收敛速度慢，精度较低以及陷入局部最优值的问题，提高了收敛精度，进而实现的热障涂层缺陷的定量检测。

实施例2

图3为采用本发明一种热障涂层中缺陷定量检测方法的红外无损装置，如图3所示，红外无损装置包括第一卤素灯1、第二卤素灯2、红外热像仪3、计算机和电源控制器，电源控制器控制第一卤素灯、第二卤素灯和计算机的电源；第一卤素灯和第二卤素灯照射待检测热障涂层4，为待检测热障涂层提供热激励；红外热像仪3采集待检测热障涂层的红外热序列图。计算机与红外热像仪连接，计算机实现如实施例1所述的一种热障涂层中缺陷定量检测方法。

实施例3

本发明一种热障涂层中缺陷定量检测方法具体包括以下步骤。

步骤(1)：样品制作，在4块300mm*300mm*10mm高温镍基合金上分别制作6个盲孔缺陷，采用APS方法将成分为NiCrAlY的粘结层沉积到高温镍基合金表面上，沉积厚度约为70μm。接下来再次采用APS方法在粘结层表面制备厚度为200μm的YSZ陶瓷层(Y

表1缺陷信息

步骤(2)：采用两个功率为2000W的卤素灯作为激励光源，提供热激励，且角度为45°，实验采用反射式，红外热成像仪和激励光源位于同侧，激励时间为0.05秒，采样时间为5秒，采样频率为30Hz红外热成像仪的参数为表2所示：

表2红外热成像仪参数信息

步骤(3)：通过计算机软件FLIR Tools+控制红外热像仪对待检试样表面温度序列进行采集，提取出红外热图上缺陷区与非缺陷区的最大温差以及最大温差所对应的最佳检测时间，将其作为输入值输入到PSO-BP神经网络中。

步骤(4)初始化PSO的参数，种群大小＝100，粒子数量＝100，迭代次数＝8000，约束方位＝[-10,10]，惯性因子w

步骤(5)在每一次迭代过程中，计算每一个粒子的适应度函数值F，如果当前适应度函数值优于历史最优值p

步骤(6)如果当前适应度函数值优于全局历史最优值g

步骤(7)按照公式更新粒子的速度以及位置。

步骤(8)判断算法是否达到最大的迭代次数以及预先设置好的精度。如果满足其一则输出BP神经网络的权值以及偏置，如果都不满足，则回到步骤(3)。

步骤(9)将优化后的BP神经网络进行训练，以最大温差以及最佳检测时间为输入，最后经过30次循环算法输出热障涂层缺陷的平均直径以及深度作为输出。得到缺陷定量检测模型。

采用缺陷定量检测模型对待检测热障涂层进行缺陷定量检测。

实施例4

图4为本发明一种热障涂层中缺陷定量检测系统结构示意图，如图4所示，一种热障涂层中缺陷定量检测系统，包括：

红外热序列图获取模块201，用于获取待检测热障涂层的红外热序列图；所述待检测热障涂层包括缺陷区域和非缺陷区域。

最大温差和最佳检测时间确定模块202，用于根据所述红外热序列图确定最大温差和最佳检测时间；所述最大温差为所述缺陷区域的最高温度和所述非缺陷区域的最低温度之差，所述最佳检测时间为所述最高温度和所述最低温度对应的热激励时间中的较早的时间。

缺陷区域直径和深度确定模块203，用于将所述最大温差和所述最佳检测时间输入缺陷定量检测模型，获得所述待检测热障涂层的缺陷区域直径和缺陷区域深度；所述缺陷定量检测模型是对BP神经网络进行粒子群算法优化和数据集训练后确定的。

所述缺陷定量检测模型的确定具体包括：

采用粒子群算法优化BP神经网络的权重和偏置，获得优化后的BP神经网络。

采用数据集对优化后的BP神经网络进行训练，将训练好的优化后的BP神经网络作为所述缺陷定量检测模型；所述数据集中样本数据包括最大温差、最佳检测时间以及缺陷区域直径和缺陷区域深度。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。