Page 32 - 2024中国无损检测年度报告

magnetic incremental permeability sensor[J]. 针对 15CrMo 低合金钢球化的定量评估，本
Sensors and Actuators A: Physical, 2024, 研究采用超声检测对不同球化试样进行扫查，提
368: 115082. 取超声背散射信号作为深度学习模型的输入，利

2.14 基于激光逐点激励的多频瞬时波数成像方法 用不同深度学习模型对一维背散射信号进行特征
提取。通过对 MLP、LSTM、ResNet 和 CNN-
基于激光的多频特性，提出一种基于激光超
LSTM 四种深度学习模型比较，利用分类和回归
声导波波数信息的多频融合损伤成像方法。试验
评价指标对模型进行评价。结果表明，所提出的
中采用 Nd:YAG 脉冲激光在检测区域内逐点激励
CNN-LSTM 深度学习模型对球化的分类和力学
宽带超声导波。压电陶瓷传感器在固定位置接收
性能的预测具有较好的优势。图 24 为不同深度
脉冲激光逐点激励产生的超声导波，即可获取检
学习模型分类比较。
测区域内的超声波场。利用三维傅里叶变换提取
不同频率下的波场信息，频域波数滤波方法提取
损伤信息，通过希尔伯特变换、相位解包裹方法
获取所提取的不同频率 Lamb 波波场的空间相位
分布，进而计算波数值。为验证所提方法的有效性，
以矩形凹槽缺陷，与变厚度且具有复杂轮廓的平
底缺陷模拟腐蚀缺陷，对具有该类缺陷的铝板进
行量化检测。检测结果表明，所提方法对腐蚀缺
陷的成像具有更高的分辨力和更高的量化检测精
度。图 23 为铝板中含有复杂轮廓的平底缺陷模
拟腐蚀缺陷的厚度检测结果， 其中，图 23(a) 为
多频局部波数成像方法厚度估计结果 , (b) 为多频
瞬时成像方法厚度估计结果。

图 24 不同深度学习模型分类比较
发表论文：Li Jinlong, Liu Zenghua,
Zheng Yang, et al. Quantitative evaluation of
spheroidisation in 15CrMo steel based on
deep learning[J]. Nondestructive Testing and
Evaluation, 2024. doi. org/10.1080/10589759
.2024.2367755.
图 23 铝板中含有复杂轮廓的平底缺陷模拟腐蚀缺陷的
厚度检测结果 2.16 加筋板兰姆波传播特性的分析与试验
发表论文：Liu Xiaoyu, Liu Zenghua, 超声兰姆波技术在整体金属壁板的结构健康
Zhu Yanping, et al. Multi-frequency 监测中具有极其重要的意义。然而，由于加强筋
instantaneous wavenumber damage imaging 导致的兰姆波传播特性复杂，其应用受到了限制。
method based on ultrasonic guided waves 本研究对大型壁板常见加强筋截面类型（I 型和 Γ
induced by laser point-by-point excitation[J]. 型）中兰姆波的传播特性进行了研究。试验和模
Nondestructive Testing and Evaluation. 拟结果表明，加强筋结构可被视为一种梳状滤波
2024. Doi:10.1080/10589759.2024.2409392. 器。滤波器的特性主要受加强筋高度方向尺寸的

2.15 基于深度学习的 15CrMo 钢球化定量评估 影响，且分析了兰姆波梳状滤波特性随加强筋几
何形状的变化。此外，通过试验测量验证了加强
15CrMo 钢具有良好的力学性能而被广泛应
筋对透射波的梳状滤波效应的形成机制。本研究
用于高温承压部件，而长期服役于高温环境下，
为加筋板结构检测时兰姆波的合理频率选择提供
易导致材料内部微观组织结构的变化和材料力学
了依据。图 25 为 I 型、Γ 型加筋板几何参数对透
性能的劣化。
射系数的影响。

24