CN101501487B

CN101501487B - 操作工具、无损测试设备和无损测试方法

Info

Publication number: CN101501487B
Application number: CN2007800303159A
Authority: CN
Inventors: B·毕西亚乌克斯; F·勒萨热; S·帕迪特; S·多伊奇
Original assignee: V&M France SAS
Current assignee: Vallourec Tubes France SAS
Priority date: 2006-06-30
Filing date: 2007-06-25
Publication date: 2013-09-11
Anticipated expiration: 2027-06-25
Also published as: EP2035822B1; FR2903187B1; JP5162583B2; UA94758C2; NO20090481L; EP2035822A1; BRPI0713049B1; EA200970075A1; MY151179A; AR061748A1; AU2007264866C1; CN101501487A; NO340510B1; ZA200810780B; PL2035822T3; CA2656120A1; SA07280355B1; EA012925B1; ATE536546T1; CA2656120C

Abstract

本发明揭示了一种对导管进行无损测试的设备。这种设备在按照所选时间规则有选择地激励超声波发送器之后从超声波接收器所捕获的信号中提取关于瑕疵的信息。这些接收器形成具有所选几何形状的结构，以超声波方式与导管耦合，可与导管相对转动/平移运动。这种设备包括：根据运动有选择地在所指定的时间窗口中析出回波的数字表示并提取瑕疵的图像(901；902)的变换器(891；892)；确定所推测的瑕疵区段(Zcur)和这些区段的性质的滤波器(921；922)；根据来自滤波器的瑕疵区段和这些瑕疵区段的性质的图像提取(951；952)以及前后关系数据(740)准备工作数字输入的组合器(960)；接收该工作输入的神经电路(970)；根据神经电路的输出进行工作的数字判决和警报级(992)；以及分离并标记由判决和警报级认为不合格的导管的分类和标记机器人(994)。

Description

操作工具、无损测试设备和无损测试方法

技术领域

本发明涉及对材料特别是在制造过程中对导管的无损测试。

背景技术

已知有各种可选方案，其中有较多的倾向于在对材料的无损测试方面使用神经网络。但是，当前现有的那些方案不能在工业环境中在已经在使用的设备上实时工作，同时对瑕疵按照它们的类型飞快进行分类以便能迅速补救在生产阶段出现的问题。

发明内容

本发明的目的是提供一种***来改善这种情况，这种***：

能用于工业环境和很方便地安装到这种环境内已经存在的设备上；

能实时使用，也就是说能提供快速诊断(快到足以不减慢整个生产的速度)；以及

允许对瑕疵按照它们的类型分类，以便认识它们的严重性和确定瑕疵的技术原因，迅速补救在生产阶段期间的问题。

按照本发明的初始方面，所提出的设备形成在生产期间和结束时对导管(或其他钢铁产品)进行无损测试的操作工具。这样的工具可以用来提取导管内的可能瑕疵的信息。按照所选择的时间规则有选择地激励一些发送超声波传感器。反馈信号由形成具有所选几何形状结构、安装成通过液体介质媒介与导管超声波耦合的一些接收超声波传感器捕获。最后，通常在导管与传感器结构之间有相对转动/平移运动。

所提出的操作工具包括：

变换器，能根据所述相对转动/平移运动有选择地在所指定的时间窗口中析出可能回波的数字表示，从中提取导管内可能瑕疵的图像；

滤波器，能在图像内确定所推测的瑕疵区段和每个所推测的瑕疵的性质；

组合器，被配置成根据与来自滤波器的所推测的瑕疵区段和在该区段内的所推测的瑕疵的性质相应的图像提取以及前后关系数据，准备神经电路的数字输入；

至少一个接收来自组合器的输入的神经电路；

数字判决和警报级，用来根据神经电路的输出进行操作；以及

分类和标记机器人，被配置成分离并标记已被数字判决和警报级认为不合格的导管。

本发明在本地同样作为一种在生产期间或结束时对导管(或其他钢铁产品)进行无损测试的设备，这种设备包括：

具有所选几何形状的超声波传感器结构，安装成通过液体介质媒介与导管超声波耦合，导管与传感器结构之间可相对转动/平移运动；

按照所选时间规则有选择地激励这些传感器元件和收集它们所捕获的反馈信号的电路；以及

如上面定义的和在下面要详细说明的操作工具。

本发明的另一个方面呈现为一种在生产期间或结束时对导管(或其他钢铁产品)进行无损测试的过程，这种过程包括下列步骤：

a.提供具有所选几何形状的超声波传感器结构，安装成通过液体介质媒介与导管超声波耦合，使得导管与传感器结构之间可相对转动/平移运动；

b.按照所选时间规则有选择地激励这些传感器元件；

c.收集这些传感器元件所捕获的反馈信号，以便有选择地分析这些反馈信号，从而提取导管内的任何瑕疵的信息。

所提出的过程还包括下列步骤：

d.根据所述相对转动/平移运动有选择地在所指定的时间窗口中析出可能回波的数字表示并从该数字表示中提取导管内可能瑕疵的图像；

e.按照所选滤波准则对图像进行滤波，以便确定其中所推测的瑕疵区段和每个所推测的瑕疵的性质；

f.根据与来自滤波器的所推测的瑕疵区段和在该区段内的所推测的瑕疵的性质相应的图像提取以及前后关系数据，形成神经电路的数字输入；

g.将这样形成的输入加到至少一个神经电路上；

h.按照所选判决准则对神经电路的输出进行数字处理，以便从中提取判决和/或警报，以及

i.分离和标记由步骤h认为不合格的导管。

从本专利申请的其余部分可以看到本发明的其他方面。

附图说明

从以下详细说明和附图中可以清楚地看到本发明的其他特征和优点，在这些附图中：

图1为具有瑕疵或缺陷或者所谓的参考瑕疵或参考缺陷的导管的示意性透视图；

图2为例示在脱离生产的导管上的“转动头测试”型设备的例子的示意性侧视图；

图3A至3C为各种类型的厚度测量和纵向和横向瑕疵测试的细节图；

图4为传统设备的无损测试中与超声波传感器关联的电子装置的示意图；

图5A和5B为示意性示出通常称为“转动头”的特定类型的无损测试单元的端视图和侧视图；

图6以一个简单的例子示出了在导管内遇到的超声波轨迹的复杂性；

图6A和6B分别为对于传感器在倾斜入射和法向(垂直)入射情况下的超声波信号的示意性定时图；

图7为示出测试设备的选择性的传统表示图；

图8为在一个能实现本发明的设备实例内无损测试中与超声波传感器关联的电子装置的示意图；

图8A为图8中一部分的详细框图；

图9为示出导管内可能瑕疵的两个数字化超声波图像的示意性屏幕截图；

图10A至10D为按照美国石油学会(API)分类的各种瑕疵的示意性表示，这些示意性表示构成神经网络的有助于确定瑕疵类型的输出数据；

图11为图8中一部分的更详细框图；

图12为例示对图像内相继的可能瑕疵进行处理的序列图；

图13为按照本发明可以使用的滤波器***的框图；

图14为有助于确定导管内瑕疵的类型的神经网络设置的框图；

图15为有助于确定导管内瑕疵的深度的神经网络设置的框图；

图16为神经元模型的框图；

图17为基本神经元传递函数的实例；以及

图18为使用本发明的用各种传感器检测缺陷的设备的总体框图。

这些附图含有一些具有明确性质的组成部分。因此，这些附图不仅可以用来更好地理解本发明，而且有助于根据需要确定本发明。

具体实施方式

在本说明的其他部分，超声波传感器可以就称为传感器或者探头，这些都是所属技术领域的专业人员众所周知的。

已知的神经网络使用

在材料的无损测试方面使用神经网络已经是许多出版物的议题，但现在所考虑的大多是相当理论性的。

ZAOUI、MARCHAND和RAZEK的论文“用有限元法和神经网络对缺陷进行定位和形状分类”(“Localization and ShapeClassification of Defects using the Finite Element Method and theNeural Networks”，NDT.NET-AUGUST1999，Vol.IV，abridgedNumber 8)给出了在这个领域内的一些提案。然而，这些提案是在实验室操作的环境内提出的，所揭示的应用在工业环境的生产线上不好实现。此外，所处理的只是通过涡流进行的检测，这往往是不够的。

Lawson和Parker的论文“用神经网络自动检测工业超声波图象内的缺陷”(“Automatic Detection of Defects in Industrial UltrasoundImages using a Neural Network”，Proc. of Int.Symposium on Lasers，Optics，and Vision for Productivity in Manufacturing I(VisionSystems：Applications)，June 1996，Proc. of SPIE vol.2786，pages37-47 1996)揭示了图像处理和神经网络在所谓的扫描TOFD解释中的应用。TOFD(Time of Flight Diffraction，飞逝衍射时间)方法包括对超声波传感器精确定位，在有可能观察光束在瑕疵边缘处的衍射的情况下，这允许随后确定瑕疵的大小。这种方法很难适合现有的无损测试设备，特别是在工业环境内。

Dunlop和McNab的论文“3维超声波图像内的缺陷指示的形状分类”(“Shape Classification of Flaw Indications in 3-DimensionalUltrasonic Images”，Proceedings-Science，Measurement andTechnology-July 1995-Volume 142，Issue 4，pages 307-312)涉及对管道腐蚀的诊断。这种***允许深入的无损测试，并且允许实时进行三维研究。然而，***非常慢。这使它在工业环境内的使用较为困难。

Ravanbod的论文“神经模糊技术在输油管道超声波无损测试中的应用”(“Application of neuro-fuzzy techniques in oil pipelinesultrasonic non-destructive testing”，NDT & E International 38(2005)，pages 643-653)建议瑕疵检测算法可以通过结合神经网络使用模糊逻辑元得到改善。然而，所研究的这些技术同样也是涉及检查管道瑕疵和诊断腐蚀瑕疵。

DE 42 01502 C2揭示了一种产生用于神经网络的信号的方法，但是，就诊断来说并没有提供多少解释结果的信息。此外，所处理的同样也就只是通过涡流进行的检测。

日本专利公开11-002626所涉及的只是检测纵向瑕疵，而且仅仅是通过涡流来检测。

专利公开No.08-110323局限于对用超声波获得的信号的频率的研究。

专利公开No.2003-279550揭示了一种用神经网络区分产品的鉴定为好的区域和坏的区域的程序。这种程序并没有多少深入，既不能对瑕疵分类也不能对瑕疵定位。因此，应用这个程序在结果由操作员解释的情况下经常可以导致剔除那些可以被定为是好的部分。

导管的无损测试技术现状

以下的详细说明基本上是按对脱离生产的导管进行无损测试的情况提供的，但这不是限制性的。

如图1所示，导管T内的瑕疵可以按照它们的位置标识。这样，表面瑕疵(内表面或外表面瑕疵)包括纵向瑕疵LD和切向(或者横向或横截)瑕疵CD和倾斜或斜向瑕疵ID；只要它们延伸到超过按照标准或规范或者用户要求所给出的长度和深度(例如，在标准中所提到的瑕疵长度为1/2英寸，或者说12.7毫米左右，而深度为受测产品的厚度的5％左右)，就可以试图用各种传感器结构来检测出这些瑕疵。此外，“壁内”瑕疵，也就是体内瑕疵MD(在图1中是看不见的)往往与杂质和开裂端相应的，也是所关心的，对这种瑕疵的检测可以与厚度测量同时进行。为了说明瑕疵检测，图1中将超声波束示为发散的。实际上，它们将是相当会聚的，如会看到的那样。

通常，在用超声波进行的无损测试中，使用所谓“头转动”设备、所谓“管转动”设备和多元环绕传感器设备这三种设备之一，所有这些设备都是所属技术领域的专业人员众所周知的。在使用通过电子扫描进行操作的传感器的情况下，导管/传感器的相对转动是虚拟的。在本说明中，所谓“导管与传感器结构之间的相对转动/平移运动”涵盖相对转动是虚拟转动的情况。

在图2中，头转动无损测试机包括所谓适当地安装在水套或水盒100上的超声波装置，导管T以例如每秒0.5米的速度穿过水盒100。超声波传感器或探头在水中发射纵向波。给定的传感器例如工作在1兆赫或几兆赫。它由波形选定的脉冲，以几千赫或几十千赫(例如10千赫)数量级的重复率(或者说重复频率)Fr重复激励。

此外，超声波传感器具有：

近场辐射，几乎平行，处在所谓的Fresnel区内，有大量干扰，近场辐射沿波束轴的长度为

N＝0.25D²/λ

其中，D为传感器工作垫的直径，而λ为它的工作波长；以及

远场辐射，处在所谓的Fraunhofer区内，远场辐射的波束发散角度为2α，有

sinα＝1.22λ/D

图3A、3B和3C示出了通过凹(超声波)透镜做成会聚的传感器，如当前在导管应用中所使用的那样。优选的是使用Fraunhofer区，因为在那里干扰较小。

这样，对于诸如P11和P12之类的传感器来说，大体处在焦点的超声波束延伸到与导管T的轴垂直的平面附近。因此检测显著地在截面内执行。它们的作用如下：

或者它们的波束在截面内也与导管T的轴垂直，用来测量厚度(例如P1，图3A)；这于是称为“直探测”；

或者它们的波束在截面内对导管T的轴具有一个入射角，用来检测纵向瑕疵(例如P11，图3B)。在这种情况下，优选的是选择截面内的入射角，以便在导管内考虑到导管的水/金属(原则上为水/钢)界面只产生横向或切向超声波。通常，配置两个传感器P11和P12，相对导管的轴来说具有相反的入射角(图2)。这种机器还包括诸如P21和P22之类的传感器，它们的超声波束也经聚焦但延伸到通过导管的轴的平面附近，而相对与导管T的轴垂直的平面有一个入射角(见传感器P21，图3C)。在这种情况下，优选的是选择相对与导管的轴垂直的平面的入射角，以便考虑到导管的水/金属(原则上为水/钢)界面在导管内只产生横向或切向超声波。这些传感器用来检测横向瑕疵。通常，配置两个传感器P21和P22，具有相对导管的轴的垂直平面相反的入射角(图2)。

检查瑕疵通常通过使波束聚焦进行。焦点相对与超声波沿导管的厚度首先外出再返回的轨迹相应的约束测量。这样，图3A中的传感器被聚焦在二分之一约束处，而图3B和3C的传感器被聚焦在四分之三约束处。此外，外部瑕疵的测试通常在约束处进行，而内部瑕疵的测试在二分之一约束处进行。

Ta标为探头能正确接收表示可能的瑕疵的返回超声波束所需的时间。这个时间Ta取决于以下两个时间之和：

第一，纵向超声波沿超声波的轨迹通过在探头与导管之间存在的水柱的高度的外出和返回的传播时间；

第二，横向超声波根据需要在导管内执行无损测试本身的传播时间。这个时间主要取决于所选择的横向波在导管壁内的反射数。

通常，用图中未示出的装置使探头围绕导管的轴以每分钟几千转的速度T(例如，6,000rpm)转动。在这种情况下，也如所属技术领域的专业人员所知，可以是使导管转动，而使探头不转动(所谓的管转动设备)，导管的转速在每分钟几十千转到几千转之间。

以下将各个传感器-传输介质(水)-导管组合称为一个单元。对于一个单元来说，还必须考虑的是检测超声波探头的波束张开Od。张开可以用两个分量给定(图1)，一个为处在导管的截面内的Od1，而另一个为处在通过导管的轴和探头的平面内的Od2。

应该将设备调整(根据转速、吞吐速度、尺寸Od1和Od2以及探头数)成保证由超声波束可以扫描到需测试的导管的所有表面和体内。

应注意的是，某些标准或客户的要求或规格指出受扫描区段的覆盖必须是什么。

分析时间Ta因此通过在下列各项之间进行折衷给出：

重复率(或频率)Fr；

导管的截面内的转速ω，需考虑超声波探头的检测张开Od1，(也就是说，由于传感器的转动，波束张开的分量Od1必须使瑕疵出现在传感器前的时间至少等于Ta)；

沿导管的导管吞吐速度v，需考虑超声波探头的检测张开Od2和围绕导管周边的起同样作用的探头Fi的个数NFi(因此这些探头构成一个探头组)(也就是说，由于导管馈送，波束张开分量Od2必须使瑕疵出现在传感器(或者传感器组)前的时间至少等于Ta)；

专用于同样作用(也就是说具有同样功能)的探头的个数；以及

如先前所定义的波的传播次数。

传统上，这种机器通常总共包括两个对LD型瑕疵和可能还有ID型瑕疵进行测试的传感器(诸如P11和P12)、两个对CD型瑕疵进行测试的传感器(诸如P21和P22)，再加上原则上是一个的测量产品厚度和对MD型瑕疵进行测试的P1型传感器。每个传感器实际上可以是一组一起工作的传感器，如下面将要看到的那样。

这种机器具有与每个传感器关联的集成在一起或单独的激励和检测电子装置。它包括(图4)脉冲发送器70，例如工作在250伏，用来激励安装在水盒100上的探头P0。作为无损测试***的一个组成部分，超声波探头P0(在这里为收发器)接收激励后的回波。线700和710分别将激励脉冲和探头端的信号发送给放大器73。

放大器73的输出用作对操作员的显示和/或控制能分离(在下游)不合格导管的分类机器人。

显示例如在示波器750上进行，示波器750接收放大器73的输出作为信号，从同步级753接收来自发送器70的信号作为时基752。门限级754避免在传输脉冲时示波器模糊。

放大器73的另一个输出送至信号处理级760。这个处理通常包括校正、平滑和滤波。它后面是检测或选择器级762，能以已知方式析出有意义的回波。对于检测瑕疵来说，这是在一定的时间窗口(基本上为二分之一约束到一个约束)内存在具有显著幅度或持续时间(因此也就是能量)的回波。对于检测厚度来说，所检验的是与在各个底回波之间的时间偏差等效的距离，这准确地与希望得到的导管的厚度相应。按照这些准则检测到的异常情况可以用来在764发布警报和/或控制分类机器人766，让它剔除不合格导管，根据检测到的异常情况标记这些不合格导管。

物理上，在头转动设备(5A和5B)的情况下，单元还包括在机械支座80上的水盒100，装有带与图4中的线700和710连接的连接器701的传感器组装件P0。为了使导管T居中，配置了例如三个滚动轴承81至83。

按照已知的方法(例如德国公司GE NUTRONIK(原先的NUKEM)所销售的机器)，传感器组合P0包括一些围绕导管每分钟转好几千转的传感器。也可以使用若干个传感器，分布在围绕导管的环内。环包括例如128个超声波传感器的6个扇形，围着外周分布。这些传感器扇形沿导管轴方向具有微小的交错偏置。这使得两个相继的传感器扇形之间能纵向覆盖，也减小了干扰的问题。在一个传感器接收回波时就会由于另一个传感器发射(超声波出射)而出现干扰。

除此之外，还有引导导管向无损测试部位的上游和下游的台(未示出)，以便精确地对连续通过超声波传感器的导管精确定位。

无损测试必须围着导管的整个外周执行。但是，这种测试监视在生产结束时导管的线速度v也是必需的。因此要在导管的线速度v、重复率(或频率)Fr、分析时间Ta、超声波探头在检测期间的张开Od和转速ω、执行同样功能的传感器的个数和超声波传播速度之间达到折衷。

还希望的是，同一个设备能对覆盖生产范围的一系列导管直径(以及导管厚度)进行操作。于是，常见的是提供一些转速ω和重复频率Fr的值，这些值根据要处理的导管的直径选择。

最后，还要注意的是，生产的任何改变将涉及重新调整导管外周上每个传感器的超声波入射角。这个精细的操作手动执行，一般需要半小时左右，在这段时间内暂停导管生产。这是用超声波对导管或其他剖面呈薄壁的产品通常在它们离开生产时进行无损测试的状况。

在超声波无损测试的领域内，往往使用以下术语：

“扫描(scan)”是指一系列导管/传感器相对位置；

“增量(increment)”是指扫描节距(与重复频率或超声波发射(出射)频率成反比)；

“A扫描(Ascan)”是指在超声波传感器的终端测量的电压的曲线，横坐标为传播时间，而纵坐标为电压，也称为超声波幅度；

“B扫描”是指相对给定的增量值的图像，横坐标为与超声波发射(出射)相应的扫描，纵坐标为传播时间，而每个点为转换成灰度的超声波幅度；

“回波动态(Echodynamic)”是指横坐标为超声波发射(出射)指示而纵坐标为在A扫描的时间选择器内检测到的对于相应发射(出射)的最大幅度的曲线(曲线图)；

“C扫描(Cscan)”是指横坐标和纵坐标为超声波发射(出射)点(扫描位置)在平面空间内的等效位置的图像，表示在考虑A扫描(图像幅度)的时间选择器内检测到的对于这个发射(出射)的变换为灰度的最大超声波幅度。在为导管的情况下，C扫描横坐标上的一个点与导管长度上的一个位置相应，而在纵坐标上的一个点与导管圆周上的一个位置相应。在扁平产品的情况下，C扫描横坐标上的一个点与扁平产品的长度上的一个位置相应，而纵坐标上的一个点与扁平产品的宽度上的一个位置相应。

图6为包括一个传感器、它的水柱和导管的***的示意性纵向剖视图，示出了各个形成回波的超声波轨迹。它有助于很好地理解这些轨迹的复杂性和分析的困难性。

图6A为工作在倾斜入射的传感器的超声波信号电平的示意性幅度/时间图。从激励传感器的时刻Texcit起，在时刻Tinterf(也可以称为TphiExter0)有水管界面回波。然后，有超声波束到达导管的内表面的时刻Tphilnter的标记(垂直虚线)，在超声波束反射和折射的情况下，还有超声波束到达导管外表面的时刻TphiExter1。由于是倾斜入射，因此在这个部位没有瑕疵的情况下，没有显著的回波在TphiInter返回到传感器。这也适用于TphiExter1。

图6B为工作在正入射的传感器的超声波信号电平的示意性幅度/时间图。信号的一般时序与图6A的相同(除了与入射关联的因素之外)。但是，在垂直入射下在TphiInter和在TphiExter1有显著的回波，甚至在所涉及的导管的这些点处没有瑕疵的情况下也是这样。

目前在导管生产中所用的非破坏测试***通过建立在以下两者之间的比率K进行工作：

来自需检查的导管的信号的幅度As；以及

来自所涉及的测试类型的标准参考缺陷的信号的幅度A0。这个“标准参考缺陷”通常根据带有所选几何特性的人工缺陷(例如，U或V形凹痕)的参考导管例如按照无损测试标准和/或客户要求来定义。

所蕴含的假设是，这个信号幅度与瑕疵的关键状态即它的深度(DD)成正比。图7的图形(为所属技术领域的专业人员所周知，见“无损测试手册卷7，统计部分”，美国无损测试学会ASNT出版)示出了实际分布K＝f(DD)的情况。它表明实际上相关性是非常差的(对于超声波测试来说在0.3至0.4左右)。

具体些说，在图7这个图中，如果参考幅度A0(K＝1)在分布的中心(分布本身以斜线TDis为中心)固定在值XL(瑕疵的最大可接受深度)，可以看到在K＝0.5处仍然可以发现深度DD大于XL的瑕疵。由此可见，为了考虑安全，必须将A0设置为一个比XL低得多的值。因此，在生产中，会将那些实际上可能是良好的导管报废。随着导管制造涉及重型机器和高能用途，这个损失就更为惨重。

本申请的申请人因此在改善这种情况方面做了许多工作。

图8示出了与图4的类似的设备，但是作了修改以便实现本发明。

放大器73的输出加到对来自放大器73的信号的幅度进行数字化和对这个经数字化的信号进行操作的级761上。这个处理将在下面参考图11予以说明。然后可以保留功能上与图4中的类似的级764和766。传感器的原始信号，在示波器750上可以看到，所属技术领域的专业人员称之为A扫描。这个原始信号包括基于图6所定义的各个回波。

所希望的是，利用超声波信号对导管瑕疵进行成像。下面将对怎样得到图像进行说明。

在实践中，通过考虑由传感器Px对导管相继进行的一系列扫描来得到图像，相继扫描的角度大致覆盖导管的截面。这可以通过单个传感器进行相继发射(出射)而使导管/传感器相对转动来实现。

举例来说(这不是限制性的)，这在这里是所谓的头转动型设备的情况。

在图8A中，所考虑的是传感器Px，它可以是属于以上所提到的类型P1、P11、P12、P21和P22中的一个类型。在所示的这个例子中，传感器Px实际上包括n个传感器元件Px-1、...、Px-i、...、Px-n，它们沿着导管的纵轴排成一行，同时是超声波发射(出射)的对象。在图8A中，可以将在传感器元件与输出图像769A和769B之间的装置考虑为变换器。

来自第一传感器元件Px-1的A扫描信号加到放大器(AMP)73-1上，它后面有两个并行通道：选择器(Sel)761-1A继之以行数字化器(1Li)765-1A的通道，以及选择器761-1B继之以行数字化器765-1B的通道。

根据在参考导管通过时得到的信息，操作员将根据已知的导管几何形状给其提供他可能发现与导管内部有关的“内表皮回波”(例如图6中的第一回波Int1)的时刻的与位置指示和时间宽度相应的信息T_1A输入选择器761-1A。图6A较为清楚地示出了围着TphiInter的相应时间窗口“Int”。

类似地，根据在参考导管通过时得到的信息，操作员将根据已知的导管几何形状给其提供他可能发现与导管外部有关的“外表皮回波”(例如图6中的第一回波Ext1)的时刻的与位置指示和时间宽度相应的信息T_1B输入选择器761-1B。图6A较为清楚地示出了围着TphiExter的相应时间窗口“Ext”。

对于其他传感器元件Px-2、...、Px-i、...、Px-n，情况相同。

这样，每个时间选择器761就按照考虑超声波的发送时刻和预先可确定的可能会有涉及本选择器的回波的时间间隔进行工作。图6所例示的示出了可以怎样考虑超声波束入射到导管上的入射角以及导管的直径(内径或外径)和厚度以给出所关心的时间间隔的情况。对于给定导管与传感器之间相对位置，给出的时间间隔与导管给定点处的给定回波相应。

为了简化起见，在这里假设发射(出射)时刻与导管/传感器的相对转动同步成使得一个传感器元件始终在导管的同一根纵向母线上进行工作。因此，它的选择器输出提供了隔开的一系列模拟信号样本，每个样本与可能会在导管的壁上产生的回波的幅度相应。传感器元件Px-1的这些样本(例如)在765内数字化。

与发送同步可以通过同步电路753或它的时基752(图8)与发送器70或它的触发器的链路(未示出)来保证。如果需要，可以保留显示器750。***可以对大致等速转动的导管起作用。在这种情况下，导管的角速度和馈送速度可以用精确的角度编码器(例如Hengstler公司提供的型号RS0550168)和激光速度计(例如Polytec公司提供的型号LSV 065)来测量。也可以是导管不转动而传感器***转动。在这种情况下，激光速度计足以测量导管的馈送速度，而传感器的转动速度可以通过角度编码器得知。

对于一次给定的发射(出射)，所有的传感器元件Px-1至Px-n提供了一个与导管的一个截面相应的图像行。在图像的另一个维度上，一个传感器元件提供与导管的一条母线相应的线。

数字化器765-1A、765-2A、...、765-iA、...、765-nA提供与导管的需填满的内表皮有关的“内”图像769A。数字转换器765-1B、765-2B、...、765-iB、...、765-nB提供与导管的需填满的外表面有关的“外”图像769B(在输出端，用了可区分的虚线，以使这图更为清晰)。

存储在769A或769B内的图像是如上面所定义的C扫描，对于所考虑的传感器或传感器组Px是有确实根据的。图像的每个点与变换成灰度的从由于超声波信号在所考虑的导管区段内一个可能瑕疵上反射而引起的回波的幅度提取的值相应。这个值(在下面标为K)可以表示在受测导管上捕获的超声波信号的最大幅度与用人造“标准参考缺陷”得到的超声波信号的最大幅度之间的关系，如上面所定义的。

这个图像现在与通过将导管的一系列分别与各个经数字化的行相应的大致环形区段连接在一起而得到的一个导管区段相应。实际上，如果所施加超声波束大致与导管的轴垂直，它就是一系列环形区段的情况。众所周知，对于某些类型的瑕疵来说，情况是不同的。这些区段于是更像是椭圆形的，因此在空间内弯曲或扭转。在本说明中，所谓“环形区段”涵盖了这些不同的可能。

应注意的是，为了得到这种完全恢复的C扫描图像，还需要导管与传感器的相对位置的附加信息。这信息可以在独立的输入端740上得到。这信息来自编码器XYZ或激光器XYZ。由于可以将导管比作没有任何厚度的圆筒，因此位置信息可以简化为二维空间的。

可以理解，本发明在现有超声波测试台上的实现涉及：

可访问超声波测试的原始数据，这数据例如可以用诸如National Instrument公司的型号NI 6024、系列E或NI 6251、系列M之类的数据采集卡提供；

可得到转速(导管或传感头的)在线信息；以及

可得到导管馈送速度的在线信息。

图8A的线路图可以：

并行地加到从两个不同的方向观察同一个区段的P11型传感器和P12型传感器上。每个传感器将允许得出内图像769A和外图像769B。于是，可以根据标为“Int/Ext”的命令选择其中一个图像；

并行地加到P21型传感器和P22型传感器上，它们中的每一个同样将允许得出内图像769A和外图像769B。

图8A的线路还可以加到P1型传感器上，在这种情况下，每个放大器后有三个并行通道(至少是虚拟的)。其中一个通道在定位成如图6B中“Volum”下所示的重复时间窗口内起作用。这个通道可以检查体内也就是说导管厚度内的瑕疵。

另两个通道可以分别在定位成如图6B中“WphiExter0”和“Wphilnter1”所示的重复时间窗口内起作用。这两个通道可以测量导管的厚度。

这三个通道之间的差别纯粹是功能上的(虚拟的)。实际上，上面所提到的另两个通道在物理上可以是同一个通道，而用时间或窗口“WphiExter0”和“WphInter1”来鉴别。也可以只用一个物理通道，而用时间或窗口“WphiExter0”、“Volum.”和“Wphilnter1”来鉴别。

有代表性的是比较详细地说明P11型传感器与P12型传感器的情况。以下就来说明这种情况。

可以回想一下，这两组传感器P11和P12是用来检测导管内的纵向瑕疵的。超声波测试用在两个优势方向(顺时针-逆时针)的超声波发射(US出射)执行：

传感器或传感器组P11提供导管在工作方向(顺时针方向)上的超声波图像；

第二传感器或传感器组P12提供同一个导管在另一个工作方向(逆时针方向)上的超声波图像。

这样，用波束轴相对与导管的轴垂直的平面对称倾斜的两个传感器或传感器组就可以有益地检测纵向瑕疵。倾角例如为±17°左右。这给出了应用有如上所述的两个传感器或传感器组的***的一个例子。

图9为C扫描型的两个图像901和902的例子，一个在另一个的上方，具有同样的时间基准。这两个图像分别从来自两组处在相反位置的传感器的信息得出，在这里，这两组传感器分别为P11和P12型(作为一个变型，这两组传感器分别为P21和P22型)，用于两种情况“内”/“外”中的一种情况。

框901和902的图像以灰度(实际上，以颜色的色调)表示信号。根据需要还显示包括以下这些辅助图像的附加指示：

921，为基于在图像901内所选垂直线911的信号幅度图；

922，为基于在图像902内所选垂直线912的信号幅度图；

910，含有两条曲线，分别表示在图像901和902内相应垂线上所遇到的最大值。

现在来看图11。图像框901和902表示为传感器组P11和P12存储的图像，例如诸如在图9中可以看到的图像。图像901用图8A中所示的方式准备。图11的变换器框891与图8A的加到传感器P11上的装置相应。类似地，变换器框892也与图8A的装置相应，但是加到传感器P12上。变换器框891和892使用框740的导管/传感器前后关系数据。这些数据涉及受检查的导管和当前在用的传感器的特征。这些数据也发送给变换器框891和892，发送给图像框901和902，以及发送给组合器框960。

框901和902之后，所示出的是滤波器921和922，具体用来从图像和从它们的准备数据中提取数据，作为由神经处理970的组合器框960组合的输入数据，如将要看到的那样。

在所说明的这个实施例中，滤波器921具有：

指定图像内的工作区段的信号输出Zcur。这个输出由提取功能951用来从图像(C扫描)中提取Zcur区段和访问图像准备891以便得到存储在那里的与同一个Zcur区段有关的信息(所谓的A扫描)。所有的这些数据由提取功能951发送给作为神经处理970的输入端的组合器960；

提供由滤波得到的信息的输出，至少有些与区段Zcur有关的信息发送给作为神经处理的输入端(组合器960)；以及

一些给存储器990的任选辅助数据输出(虚线)。

对于同一个Zcur当前区段的滤波器922和提取功能952，情况也是如此。

神经处理970提供对分类和标记机器人994进行控制的判决和警报电路992。可以提供操作员解释界面996，界面996可以给出包含在存储器990内的与导管的受检段有关的所有或部分数据。

在这里，图11处理来自至少两组提供同样功能的传感器或者用于同样类型的测试的传感器(两个组P11和P12或两个组P21和P22)的信息。同样的模式可以用来处理来自更多个用于不同类型的测试的传感器组的信息。同时处理的图像也就增加了同样的数量。

滤波器921和922的主要功能是确定C扫描图像901和902内的瑕疵区段。概括地说，滤波器用来鉴别需分析的区段，以将那里的瑕疵与其他指示区分。滤波对图9的两个图像内的两个对应部分执行。实际上，两个滤波器一起工作，如图11中连接它们的双向连线所示。

通过扫描数字图像，首先识别图像内的可能有瑕疵的区域。

为此，可以施加一个通过校准建立的固定门限。

申请人当前喜欢使用适应图像内占优势的噪声电平的门限。这种方法基于白噪声内信号检测理论，它可以根据以下两个假设：

假设H0：测量结果＝平均值为m_b和标准离差为std_b的白噪声

假设H1：测量结果＝信号+白噪声

执行的是统计试验，用来确定状况落在假设H0的区域还是假设H1的区域内。这些统计计算实时对图像的与相继发射(出射)相应的n个滑动点执行。数目n可以通过学习确定。

依据这种方法(所谓的高斯相加)，例如可以用Neyman-Pearson准则按照给定的虚警概率(pfa)来确定检测门限。这由附录的公式(21)表示。使用通常称为Q(或者也称为误差函数erf)的高斯累积函数，为了得到这个门限，必须按照附录的公式(22)对它求逆。

在实践中，经常注意到存在背景噪声，背景噪声可以具有不同的起源(例如：导管内部存在的水、电气干扰、由于受测产品的材料的结构引起的声学现象)。使用可变门限避免了施加固定门限会出现的虚警。

在可能出现的其他虚假指示之中，干扰呈现为超声波信号中的一些非常短促的尖峰。这种干扰能通过可以称为累积统计算法或也称为积分程序(例如：“n次超过门限再警报”或“双门限”)的简单算法予以剔除。

申请人也已考虑了“圈”，这是传感器沿着导管所比作的柱面随动的轨迹。可以沿着每个圈执行滤波，以便进一步减小虚警率。为此，可以使用例如Butterworth滤波器和/或诸如快速傅里叶变换之类的离散傅里叶变换。这种方法应用于每个数字行。

在导管的纵向可以应用同样类型的算法。

这样就可以确定可能的瑕疵的位置。一旦已经鉴别了一个瑕疵，它的位置就与在图9的图像内所分析的位置相应(例如)。这个2D图像与导管的比作没有厚度的圆筒的显像相应。径向位置/厚度指示(或者，再简单些说，内表、外表或体内瑕疵的位置)可以表示为图像中的点的属性。因此有：

两个表示在导管的外表皮上的可能瑕疵的2D图像；

两个表示在导管的内表皮上的可能瑕疵的2D图像；以及

一个表示在导管的厚度内的可能瑕疵的2D图像。

特别是，这些瑕疵现在可以认为是经消除了干扰和虚警后的“确认”瑕疵。

此后，申请人现在决定对固定尺寸的图像区段进行处理。因此，必需将这个区段与刚得到的瑕疵存在数据上的数据对准。

也就是说，必需对已经标为大于门限的点定位，以便确定围绕瑕疵的完整区段。这是必需的，例如，如果所希望的是确定瑕疵的倾斜度的话。

这种算法经历如下一些步骤：

等值线检测(例如，R0berts梯度)；

扩展(聚集附近等值线)；

侵蚀，再闭合，这可以确定围绕瑕疵的掩模；以及

允许瑕疵的完全定位的最终包围阶段。

因此，对于每个瑕疵，得到相应图像区段的坐标，这对将紧接着进行的神经网络分析是有用的。

图12以流程图的形式例示了这种对图像区段的处理。

在图像开始时(801)，有表示一个经确认的瑕疵的0～p个图像区段要处理。操作803假设有至少一个初始区段，用作在805处理Zcur的当前区段。对于这个区段Zcur：

操作807有选择地从图像901和902中提取与这个区段相应(由它在图像内的坐标确定)的数据；

操作809有选择地提取在准备图像901和902中起了作用的与区段Zcur相应的数据，这些数据的例子将在下面提供；

操作811执行所谓的适当神经处理，情况将在稍后说明；

操作813有选择地将为区段Zcur得到的结果存储起来，与Zcur区段标志对应；

测试820查看图像内是否有另一个区段要处理，如果有，以如在821所示的这另一个区段循环回805再启动；如果没有，就结束对当前图像的处理(822)。

在处理传感器P1的情况下，只有一个图像，这改变了输入参数的个数。除了此之外，处理可以是大体相同的。

在确定每个所关心的区段Zcur之后，滤波可以包括一些其他功能。对于这些其他功能，图13以示意方式例示了滤波与图11中所示的这一系列操作之间的交互作用。

图13与图11类似地，但是仅用于图像901。它示出了：

框740的导管-传感器前后关系元；

在图像901和它的准备891内查找Zcur区段的数据的提取器951；以及

指示在所考虑的Zcur区段内的瑕疵是处在内表皮还是外表皮上的内/外框7410。

比较详细地给出了对于每个Zcur区段(框805)滤波添加给基础数据的数据，如图中以虚线框起的内容所示：

对倾斜度的探查931；以及

瑕疵长度的指示932。

此外，特别是还可以包括：

C扫描内的对准指示935，以及

在导管的同一个截面内存在其他瑕疵的指示936。

在所说明的这个实施例中，诸如935和936之类的数据转给存储器990。其余数据转给神经网络970。这些数据在那里分开成两个功能，如下面要看到的那样。

神经电路

导管内的瑕疵可以由它的位置给出，而它的类型和严重性往往比作它的深度。在所说明的这个实施例中，导管瑕疵的类型和深度分别用两个具有相同的通用结构的神经过程确定，下面用一个例子进行详细说明。

瑕疵类型的情况按照图14处理，而严重程度的情况按照图15处理。

类型可以例如如图10A至10D所例示的那样定义。这些图例示了四个类型，表示与由AP1提供的可以因导管构成过程造成的瑕疵的清单相比更为简单的选择。法语和英语的标题是所属技术领域的专业人员用来标明瑕疵类型的。注意，瑕疵类型1和3是直的，而瑕疵类型2和4是弧形(“弦状”)的。

实际瑕疵与以上四个类型之间的对应关系可以规定如下：

这里，图14和15都使用有三个中间神经元(或“隐蔽神经元”)(图14中标为NC 121至NC 123，在图15中标为NC 141至NC 143)的神经电路。

图14和15具有若干共同的输入。为了帮助理解，这些输入用不同的线型例示。双线表示输入是多个的，也就是说对于Zcur区段的每个点重复这些输入。

首先，在7410，按照所涉及的选择器761所考虑的状态，提供表示是处理处在导管的壁的内表皮还是外表皮的瑕疵的情形的信息。

第二类共同的输入变量包括来自框740(图13)的前后关系变量：

在7401，为壁的厚度与管径之比WT/OD；

在7402，为超声波探头的工作频率Freq；以及

在7403，为超声波探头的有效直径ProbDiam。

第三类共同的变量与由于滤波产生的量相应，可以考虑为对于两个传感器921和922(或更多个传感器)是共同的。取例如从两个传感器得到的结果的平均，或者取最有代表性的结果(最大值/最小值，视情况而定)。这些量是在9201内的缺陷倾斜度的变量和在9202内的缺陷长度的变量。这两个变量在图9的两个图像内很容易精确定位，它们具有镜像对称。

下面仅参考图14。再下一类变量包括两个传感器(或者两组传感器)的和用双线所示的各个Zcur区段的不同测量结果的变量。

对于第一传感器，有：

在9511内的K1，它是在Zcur区段和在图像901内所遇到的超声波信号的最大幅度与上面所提到的“标准参考缺陷”的最大幅度之比。实际上，在这个例子中，图像901的每个像素的幅度就是由这个比给定的；于是K1只是在图像901的Zcur区段所遇到的幅度最大值，Zcur区段内幅度最大的点标为Pmax1；

在9512内的QBE1，它是C扫描的一个变量，称为QuantBumpsEchodyn，表示在最大幅度的点Pmax1的附近的图像901的Zcur区段内所遇到的局部最大值的数量。该数量QBE1受限于在Pmax1的附近(各侧)所遇到的局部最大值，但信号幅度不低于与背景噪声相应的电平。QBE1通常取值1或值2。这两个变量由提取器951从在图中标为951(901)的图像901得出。此外，还有：

在9518内的RT1，它是表示在称为A扫描的超声波信号内回波的上升时间的变量，(为信号达到最大值的时刻与信号处在背景噪声电平的前一时刻之差，通常用微秒表示)。这个变量RT1早先在所涉及的放大器73(图8A)的输出端上测得；它已存储例如在891内，与有关导管的点对应。这样，它可以由提取器951有选择地读出。

对于第二传感器，有：

在9521内的K2，它的定义与K1类似地，只是对于图像902而不是图像901。在这个例子中，K2就是在图像902的Zcur区段内所遇到的幅度最大值；Zcur区段内幅度最大的点标为Pmax2；

在9522内的QBE2，它的定义与QBE1类似地，只是在图像902而不是图像901内和在Pmax2的附近。同样，QBE2通常取值1或值2。

这两个变量由提取器952从图像902得出。此外，还有：

在9528内的RT2，它是表示在称为A扫描的本来信号内回波的上升时间。如以前一样，变量RT2早先在所涉及的放大器73(图8A)的输出端上测得，它已存储例如在892内，与有关导管的点对应。这样，它就可以由提取器952有选择地读出。

神经网络的最后一个输入958是一个恒定值，标为ConstantA，表示在模型校准时所确定的从学习得到的常数。

图14的输出998是指示瑕疵类型和瑕疵平均倾角(根据类型确定)的变量。

瑕疵的深度(或严重性)的情况按照图15处理。输入与图14的相同，只是：

对于第一传感器来说，框9512由框9513代替，框9513处理变量EW_1或EehodynWidth，它是在对于这个第一传感器的回波动态波形的中间高度(50％)处的宽度。这个变量EW_1从C扫描中提取；

类似地，对于第二传感器来说，框9522由框9523代替，框9523处理变量EW_2或EchodynWidth，它是在对于第二传感器的回波动态波形的中高度(50％)处的宽度；

在959内的常数，现在标为ConstantB，是不同的；

输出999是瑕疵的严重性的指示，标为DD。

注意，在两种情况(图14和15)下，给定的神经电路970处理其中一组超声波传感器的图像提取951和与同一个区段相应的但来自另一组传感器的图像提取952。

申请人注意到通过适当调整神经电路的参数和可能还有参数的个数可以得到令人高度满意的结果，使预测优化。

此外，申请人发现，通过组合不同神经网络所收集的信息，可以进一步改善预测。

总体来说，神经网络的输入参数于是是两个图像的特征(最大幅度与参考幅度之比、回波宽度、回波的表示瑕疵的倾斜度的取向，等)和测试的特征(传感器、导管的尺寸，等)。

输出参数是瑕疵的特征(深度、倾角/类型)。借助于所选的决策准则，根据门限可以自动进行判决和/或警报(992)，能按照需要达到一定的安全度。为了给出这些门限，可以使用通过学习得到的结果。

下面参考图16，图16示出了图14和15的用于两个传感器的基本神经电路的模型。

这个模型包括输入层或输入级IL，它将所有的输入参数(通常称为“输入神经元”)组合在一起。为了使这个图不致过于复杂，仅示出了三个神经元E1至E3，再加上也可以被认为是神经元E0的常数。这个常数在大多数情况下往往称为“偏置”。在实践中，按照图14或图15，有更多的输入神经元，视情况而定。

然后，配置了至少一个隐蔽层或隐蔽级HL，它包括k个神经元(为了不使图过分复杂，仅示出了其中的两个)。

最后的是输出神经元S1，它提供判决，呈现为一个表示导管内瑕疵例如纵向瑕疵的严重性的值。这个输出与图14中的框998和图15中的框999相应。

注意，“神经元”常数E0起着不仅对隐蔽层或层HL而且对输出神经元(输出层，OL)进行加权的作用。

如在这里所使用的神经电路的一般特性由附录1的式(11)给出，其中w_ij为分配给出现在神经元j的输入端上的信号xi的权重。

在j这里所提供的电路内，基本神经元按照式(12)进行工作，如图17所示。

图16的输出S1提供了与附录1的式(13)相应的估计值。

通过学习，申请人调整隐蔽神经元和它们的权重，使得函数f是一个非线性、连续、可导的有限函数。优选的例子通常是反正切函数。

已知神经网络通过学习确定它的通常称为神经键的系数w_ij。学习一般必须涉及在正确覆盖所希望的工作条件范围的情况下比需计算的权重多3到10倍的范例。

从范例E_p(p＝1至M)开始，对于每个范例，确定由神经电路给出的值S_p与测得的或用实验方法确定的实际值R_p之间的偏差D_p。这就是式(14)所反映的。

神经电路的操作质量由称为“代价”的全局偏差变量Cg确定。例如它可以按照式(15)表示为一个经加权的二次全局偏差变量。

学习提出了在诸如对导管内的瑕疵进行测试之类的情况下特别是由于涉及重型工程所引起的各种问题，如已经指出的那样。

申请人首先进行通过模拟的初始学习。为此，可以使用由法国***(Atomic Energy Agency)开发和销售的CIVA。这个初始学习可以影响需精确得到的参数和根据虚拟瑕疵构成神经网络的初始版本。对代价函数进行了优化。

申请人然后进行将从模拟中得到的结果和人为瑕疵(也就是说在实际导管上有意形成的瑕疵)结合在一起的二次学习。这个二次学习可以构成神经网络的第二版，对第二版的代价函数也作了优化。

然后，申请人将用人工瑕疵得到的结果与用一组在实际导管上出现的、根据在生产过程期间执行后验的测量结果准确已知的瑕疵得到的结果结合起来。这个第三阶段可以验证神经网络的最后版本的有效性。这个版本已证明它本身可用于生产监视。然而，在以新的或经修改的设施实现时，通常必需使它通过用覆盖要处理的瑕疵整个范围的10个左右的人工样本进行的“校准”。当然，随后还要予以优化。

图11、12、14和15是结合传感器P11和P12进行说明的。

同样的原则适用于传感器组P1。在这种情况下，没有图像2，而所构建的网络具有较少的输入参数，如已经指出的那样。对两个传感器所说明的电路可以用于只有一个传感器的情况，只是没有“图像2”这部分的输入参数。

同样的原则还可以应用于两个用来检测横向瑕疵的传感器组P21和P22，要记住的是，对于这种检测，传感器在通过导管的轴的平面内是倾斜的(例如，倾斜±17°)。

可以理解，在每个情况下，所执行的是图11所给出的类型、但没有元992至996的数字处理。这个程序在图8中整个标为761，它后面是框764和766。

这样就得到如图18所示的成套设备，其中：

对于传感器P1，有程序761-1，继之以判决和警报级764-1；

对于传感器P11和P12，有程序761-10，继之以判决和警报级764-10；

对于传感器P21和P22，有程序761-20，继之以判决和警报级764-20；

这三级764-1、764-10和764-20一起由分类和标记机器人766解释。

图18的一个没有示出的变型包括只提供一个直接使用三个程序761-1、761-10和761-20的输出的“判决和警报”级。

适当地说，这种无损测试可以“即时”进行，也就是说随着导管通过测试设备进行。还可以随着导管通过测试设备获得根据上面所说明的对信息的处理所得出的判决(“即时”判决-警报和标记)；一种变型在于在导管的整个长度一经检查就采取判决，或者甚至稍后(例如，测试了一整批导管后)采取判决，每个导管标以标识(例如，序号)。在这种情况下，有必要记录(存储)所得到的信息。这些记录可以是稍后由权威操作员分析的对象，以按照对业已由神经网络记录和处理的结果的分析采取判决。

当然，给定了这些神经电路的性质，就有可能至少在某种程度上将所有的神经网络(包含在程序761-1、761-10和761-20内的)组合在单个具有所有所希望的输入的神经电路内。

所说明的这个实施例直接使用神经网络。本发明并不局限于这类实施方式。在这里，所谓“神经电路型结构”可以覆盖其他用或不用神经电路的非线性统计方法。

以上就本发明特别适合的在制造无焊接导管中的无损测试的情况对所提出的***进行了说明。特别是，同样的方法可以应用于不一定是管状的细长形钢铁产品。

在焊接导管或其他焊接产品(诸如板料或板材之类)的情况下，证明这种***也能确定焊缝的界限，由于可以对焊缝内的任何瑕疵定位，因此这种***可能是进行监视所必需的。对于其部分，必须不同地考虑处在焊缝界限外的可能与基条(或产品)内已存在的杂质相应的瑕疵。

附录1

节1

Y_i＝F(Σ_jw_ijX_i) (11)

S_{i} = F (Σ_{i = 1}^{N} E_{i} w_{i} + w_{0}) - - - (12)

S = Σ_{i = 1}^{k} S_{i} w_{i}^{'} + w_{0}^{'} - - - (13)

D_p＝S_p-R_p (14)

C_{g} = \frac{Σ_{p = 1}^{p = M} D_{p}^{2}}{2 M} - - - (15)

节2

pfa = {&Integral;}_{seuil}^{\infty} = \frac{1}{\sqrt{2 π} st d_{b}} e^{- \frac{x - m_{b}^{2}}{2 st d_{b}^{2}}} dx = Q (\frac{seuil - m_{b}}{st d_{b}}) - - - (21)

seuil＝std_bQ^-1(pfa)+m_b (22)

其中，seuil表示门限。

Claims

1.一种操作工具，用于在生产期间或结束时对细长形钢铁产品进行无损测试，此工具用来在按照所选时间规则有选择地激励(70)发送超声波传感器之后，从由接收超声波传感器捕获(73)的反馈信号中提取关于细长形钢铁产品内的可能瑕疵的信息，这些接收超声波传感器形成具有所选几何形状的结构，安装成通过液体介质媒介与细长形钢铁产品超声波耦合，在所述细长形钢铁产品与超声波传感器结构之间有相对转动/平移运动，所述操作工具的特征在于，它包括：

变换器(891；892)，能根据所述相对转动/平移运动有选择地在所指定的时间窗口中析出可能回波的数字表示并从该数字表示中提取细长形钢铁产品内的可能瑕疵的图像(901；902)；

滤波器(921；922)，能在图像(901；902)内确定所推测的瑕疵区段(Zcur)以及每个所推测的瑕疵的性质；

组合器(960)，被配置成根据与所推测的瑕疵区段(Zcur)对应的图像、来自滤波器(921；922)的在该同一区段内所推测的瑕疵的性质、以及细长形钢铁产品/传感器前后关系数据(740)的提取(951；952)，准备用于神经电路型结构的数字输入；

至少一个神经电路型结构(970)，接收来自组合器(960)的所述输入，其中所述神经电路型结构包括：第一神经电路(NC121-NC123)，适合于将瑕疵的性质评估为多个预定类别之一，以及第二神经电路(NC141-NC143)，适合于评估瑕疵的严重性；其中所述第一神经电路和第二神经电路具有不同的输入：第一神经电路具有在最大幅度的点Pmax1附近的所推测的瑕疵区段中所遇到的局部最大值的数量的输入(9512；9522)，以及第二神经电路具有回波宽度的输入(9513；9523)；

数字判决和警报级(992)，根据来自神经电路型结构(970)的输出进行操作；以及

分类和标记机器人(994)，被配置成分离并标记已被数字判决和警报级(992)认为不合格的细长形钢铁产品。

2.按照权利要求1所述的操作工具，该操作工具用来与两个具有所选几何形状的超声波传感器结构(P11，P12；P21，P22)一起工作，这两个超声波传感器结构安装成大致按照它们各自的超声波波束的方向镜像对称而超声波耦合，其特征在于：所述操作工具包括分别专用于这两个超声波传感器结构(P11，P12；P21，P22)的两个变换器(891，892)；以及所述组合器(960)被配置成有选择地对内表皮回波或外表皮回波或在细长形钢铁产品体内发生的回波进行操作，但同时对与这两个超声波传感器结构中的一个和另一个有关的数据进行操作。

3.按照权利要求1或2所述的操作工具，其特征在于：所述变换器(891；892)被配置成有选择地在所指定的分别与内表皮回波、外表皮回波和来自细长形钢铁产品体的回波相应的时间窗口中析出可能回波的最大值的数字表示；以及所述组合器(960)被配置成有选择地对内表皮回波或外表皮回波或在细长形钢铁产品体内发生的回波进行操作。

4.按照权利要求1或2所述的操作工具，其特征在于：所述组合器(960)接收与在所推测的瑕疵区段内图像的幅度极值有关的至少一个输入(9511；9521)。

5.按照权利要求1或2所述的操作工具，其特征在于：所述滤波器(921；922)被配置成产生每个所推测的瑕疵的倾斜度和长度作为该瑕疵的性质，而所述组合器(960)接收所述瑕疵倾斜度(931)和瑕疵长度(932)的相应输入。

6.按照权利要求1或2所述的操作工具，其特征在于：所述滤波器(921；922)、组合器(960)、神经电路型结构(970)和数字判决和警报级(992)被配置成重复地对由所述滤波器(921；922)确定的一系列所推测的瑕疵区段(Zcur)进行操作。

7.按照权利要求6所述的操作工具，其特征在于：所述滤波器(921；922)、组合器(960)、神经电路型结构(970)和数字判决和警报级(992)被配置成交替地对细长形钢铁产品的内表皮和外表皮进行操作。

8.按照权利要求1所述的操作工具，其特征在于：所述两个神经电路的输出被组合，以改进预测。

9.按照权利要求1或2所述的操作工具，其特征在于：对于所述超声波传感器结构的至少一部分，每次由相同的传感器执行超声波信号的发送和接收。

10.一种在生产期间或结束时对细长形钢铁产品进行无损测试的设备，其特征在于所述设备包括：

具有所选几何形状的超声波传感器结构，安装成通过液体介质媒介与细长形钢铁产品超声波耦合，在所述细长形钢铁产品与超声波传感器结构之间有相对转动/平移运动；

按照所选时间规则有选择地激励(70)这些超声波传感器的元件并收集(73)它们所捕获的反馈信号的电路；以及

按照以上权利要求之一所述的操作工具。

11.一种在生产期间或结束时对细长形钢铁产品进行无损测试的方法，包括下列步骤：

a.提供具有所选几何形状的超声波传感器结构，该超声波传感器结构安装成通过液体介质媒介与细长形钢铁产品超声波耦合，在所述细长形钢铁产品与超声波传感器结构之间有相对转动/平移运动；

b.按照所选时间规则有选择地激励(70)这些超声波传感器的元件；

c.收集(73)这些超声波传感器的元件所捕获的反馈信号，以便有选择地分析这些反馈信号(760-766)，从而提取关于细长形钢铁产品内任何瑕疵的信息；

其特征在于所述方法还包括下列步骤：

d.根据所述相对转动/平移运动有选择地在所指定的时间窗口中析出可能回波的数字表示(891；892)并从该数字表示中提取细长形钢铁产品内的可能瑕疵的图像(901；902)；

e.按照所选滤波准则对图像(901；902)进行滤波(921；922)*，以便在所述图像中确定所推测的瑕疵区段(Zcur)和每个所推测的瑕疵的性质；

f.根据与所推测的瑕疵区段(Zcur)对应的图像、来自滤波器(921；922)的在该同一区段内的所推测的瑕疵的性质、以及细长形钢铁产品/传感器前后关系数据(740)的提取(951；952)，形成(960)工作数字输入；

g.将这样形成(960)的输入施加到至少一个神经电路型结构(970)上，其中所述神经电路型结构包括：第一神经电路(NC121-NC123)，适合于将瑕疵的性质评估为多个预定类别之一，以及第二神经电路(NC141-NC143)，适合于评估瑕疵的严重性；其中所述第一神经电路和第二神经电路具有不同的输入：第一神经电路具有在最大幅度的点Pmax1附近的所推测的瑕疵区段中所遇到的局部最大值的数量的输入(9512；9522)，以及第二神经电路具有回波宽度的输入(9513；9523)；

h.按照所选判决准则对来自神经电路型结构(970)的输出进行数字处理，以便从中得到判决和/或警报(992)；以及

i.分离和标记(994)由步骤h认为不合格的细长形钢铁产品。

12.按照权利要求11所述的方法，其中：

在步骤a，提供两个具有所选几何形状的超声波传感器结构(P11，P12；P21，P22)，这两个超声波传感器结构安装成大致按照它们各自的超声波波束的方向镜像对称而超声波耦合，其特征在于对来自这两个超声波传感器结构两者的信号共同地执行步骤d至i。

13.按照权利要求11或12所述的方法，其特征在于：

在步骤d，所述所指定的时间窗口包括与内表皮回波、外表皮回波和来自细长形钢铁产品体的回波相应的一组窗口中的至少一些。

14.按照权利要求11或12所述的方法，其特征在于：

在步骤e，所选滤波准则包括至少瑕疵存在准则、瑕疵倾斜度准则和瑕疵长度准则。

15.按照权利要求11或12所述的方法，其特征在于：

对于在步骤e检测到的每个瑕疵重复执行步骤f和g。