基于卷积神经网络的白蚀缺陷超声探测

不同于经典滚动接触疲劳形成的缺陷,亚表面白蚀缺陷会引起轴承零件的早期失效,严重缩短零件的寿命.它位于金属亚表面且尺寸微小,难以使用常规手段实现检测.白蚀缺陷成因尚不明确,不同演化阶段的缺陷样品制备耗时费力.本文建立了白蚀缺陷演化模型,基于k空间伪谱法开展了水浸超声检测过程数值实验.对于含裂纹的白蚀缺陷演化后期,可以忽略内部晶粒结构建立均匀层状模型,使用经典声压反射系数幅度谱获取裂纹深度,误差为1.5％.对于不含裂纹的其他白蚀缺陷状态,则存在内部声阻抗差异较小,频谱特征不再明显等问题.基于维诺图(Voronoi)建立轴承晶粒模型,利用晶粒对超声的背散射效应来放大微观结构信号.高频情况下,基于深度卷积神经网络的训练准确率达92％,验证准确率为97％.即使在较低检测频率下,背散射信号较弱,仍能获得81％的准确率.为白蚀缺陷的早期检测提供了有效方案.