本發(fā)明無損檢測領(lǐng)域，特別是涉及基于無損檢測的軋鋼屈服強度快速估計方法。

背景技術(shù)：

1、在現(xiàn)代工業(yè)中，軋鋼生產(chǎn)的質(zhì)量控制至關(guān)重要。軋鋼屈服強度是評估鋼材質(zhì)量的關(guān)鍵指標之一，準確、實時地獲取軋鋼屈服強度對于優(yōu)化生產(chǎn)工藝、保證產(chǎn)品質(zhì)量具有重要意義。目前，常見的軋鋼屈服強度測量方法存在諸多不足。傳統(tǒng)的力學性能測試方法，如拉伸試驗，雖然能夠提供較為準確的屈服強度數(shù)據(jù)，但這種方法具有破壞性，不能用于在線實時檢測，且測試過程耗時費力，無法滿足現(xiàn)代大規(guī)模連續(xù)生產(chǎn)的需求。一些基于物理模型的預測方法，由于軋鋼過程的復雜性和不確定性，模型的準確性和適應性往往受到限制。而且，這些方法通常需要大量的先驗知識和復雜的參數(shù)調(diào)整，實際應用中存在一定困難。

2、在無損檢測領(lǐng)域，雖然已經(jīng)有一些技術(shù)應用于軋鋼質(zhì)量檢測，但也存在各種問題。例如，某些電磁檢測方法容易受到環(huán)境干擾，檢測精度和穩(wěn)定性有待提高；射線檢測方法雖然具有較高的精度，但存在輻射安全隱患，且設(shè)備成本高昂，難以廣泛應用。隨著工業(yè)自動化和智能化的發(fā)展，對于軋鋼屈服強度的實時、非破壞性、高精度檢測的需求日益迫切。因此，需要一種新的技術(shù)手段來解決現(xiàn)有檢測方法存在的問題，以滿足現(xiàn)代軋鋼生產(chǎn)對質(zhì)量控制的嚴格要求。

技術(shù)實現(xiàn)思路

1、為解決上述問題，本發(fā)明提出了基于無損檢測的軋鋼屈服強度快速估計方法。

2、基于無損檢測的軋鋼屈服強度快速估計方法，具體步驟如下：

3、步驟1：采集超聲波信號，在軋鋼生產(chǎn)線上安裝超聲波發(fā)射和接收裝置，確保裝置能夠在不同的軋制階段穩(wěn)定工作，實時采集超聲波信號；

4、步驟2：數(shù)據(jù)處理與分析，使用小波變換對采集到的超聲波信號進行去噪和特征提取，篩選出與軋鋼屈服強度高度相關(guān)的特征；

5、步驟3：建立屈服強度估計模型，選擇支持向量機回歸模型作為的機器學習方法，建立屈服強度估計模型，引入持續(xù)學習機制，采用在線學習算法，使模型能夠隨著新數(shù)據(jù)的不斷輸入而更新；

6、步驟4：實時監(jiān)測與估計，實時處理超聲波信號，并利用步驟3中建立的模型進行屈服強度估計，采用滑動窗口技術(shù)，對最近一段時間內(nèi)的數(shù)據(jù)進行持續(xù)學習，以適應軋鋼過程中可能出現(xiàn)的動態(tài)變化；

7、步驟5：結(jié)果驗證與優(yōu)化，定期使用交叉驗證方法驗證模型的準確性，確保估計結(jié)果的可靠性，采用增量學習技術(shù)，使模型能夠從新的數(shù)據(jù)中學習，不斷調(diào)整和優(yōu)化參數(shù)。

8、作為本發(fā)明進一步改進，步驟1中采集超聲波信號的過程可以表示為：

9、步驟1.1，超聲波發(fā)射和接收裝置的安裝，在軋鋼生產(chǎn)線上，綜合考慮軋鋼流程中不同環(huán)節(jié)鋼材所處的狀態(tài)，在軋鋼機前后、鋼材傳輸軌道等地安裝，保證能夠覆蓋到粗軋、中軋、精軋等各個階段對應的空間位置，使得裝置能獲取到各階段鋼材相關(guān)的超聲波信號；

10、安裝好超聲波裝置后，要對傳感器進行校準，校準包括調(diào)整發(fā)射裝置的發(fā)射角度、功率等參數(shù)，確保發(fā)射出的超聲波能夠按照預期方向和強度傳播；對于接收裝置，則要校準其靈敏度、接收范圍等，使其能夠準確接收到反射回來的超聲波信號，保證二者之間協(xié)同工作處于最佳狀態(tài)，能夠穩(wěn)定可靠地運行在復雜且存在一定振動、高溫等環(huán)境條件的軋鋼生產(chǎn)線上；

11、步驟1.2，確保穩(wěn)定工作的措施，為適應軋制環(huán)境，采用減震裝置對超聲波設(shè)備進行固定，減少外部振動對裝置內(nèi)部元件以及信號傳播、接收的影響；對于高溫環(huán)境，為裝置配備散熱和隔熱裝置，防止裝置因過熱出現(xiàn)性能下降甚至損壞的情況，保證在軋制過程中持續(xù)正常工作；同時，還要做好防塵密封措施，防止粉塵進入裝置內(nèi)部影響其電氣性能和信號傳輸質(zhì)量；

12、步驟1.3，實時采集超聲波信號，在軋鋼生產(chǎn)線正常運行期間，超聲波發(fā)射裝置持續(xù)不斷地向鋼材發(fā)射超聲波，這些超聲波在鋼材內(nèi)部傳播并發(fā)生反射、折射等現(xiàn)象后，被接收裝置捕捉，接收裝置將接收到的超聲波信號轉(zhuǎn)化為電信號，然后經(jīng)過模數(shù)轉(zhuǎn)換將其轉(zhuǎn)換為數(shù)字信號，傳輸?shù)胶罄m(xù)的數(shù)據(jù)處理系統(tǒng)中，實現(xiàn)對整個軋制過程中不同階段鋼材相關(guān)超聲波信號的實時采集，為后續(xù)分析軋鋼屈服強度提供原始的數(shù)據(jù)基礎(chǔ)。

13、作為本發(fā)明進一步改進，步驟2中數(shù)據(jù)處理與分析的過程可以表示如下：

14、步驟2.1，小波變換去噪：設(shè)原始的超聲波信號為x(t)，小波變換公式為：

15、

16、其中，wtx(a,b)是小波變換后的系數(shù)，a是尺度因子，b是平移因子，ψ(t)是小波基函數(shù)，是小波基函數(shù)的共軛函數(shù)，t是時間變量；通過選擇小波基函數(shù)和尺度因子和平移因子，將信號分解到不同的頻帶和時間區(qū)間；

17、對于含有噪聲的超聲波信號，噪聲在高頻部分表現(xiàn)為小幅度的隨機波動；在小波變換后的系數(shù)中，信號的能量主要集中在少數(shù)較大的系數(shù)上，而噪聲的系數(shù)相對較小且分布較為分散；通過設(shè)定合適的硬閾值，將噪聲對應的小波系數(shù)減弱，硬閾值函數(shù)可表示為：

18、

19、其中，wj,k是小波系數(shù)，是閾值處理后的小波系數(shù)，λ是閾值，j是小波分解的尺度，k是在該尺度下的平移位置；

20、步驟2.2，特征提?。盒〔ㄗ儞Q后的信號可以在不同的尺度和時間位置上反映出信號的特征；

21、提取能量特征：在小波分解后的各個子頻帶中，計算信號的能量；信號經(jīng)過小波分解后在子頻帶j中的系數(shù)為wj,k，該子頻帶的能量ej可以通過以下公式計算：

22、

23、不同軋制階段鋼材內(nèi)部結(jié)構(gòu)變化會導致超聲波信號能量在不同子頻帶的分布發(fā)生變化，這些能量分布特征與軋鋼的屈服強度密切相關(guān)；

24、提取奇異點特征：通過小波變換可以檢測信號中的奇異點；在軋鋼過程中，鋼材內(nèi)部的缺陷、應力集中等情況會導致超聲波信號出現(xiàn)奇異點；奇異點的位置和強度可以通過小波變換的模極大值來確定；設(shè)小波變換的模為：

25、mj,k＝|wj,k

26、在某一尺度下，mj,k表示小波變換的模，模極大值點就是滿足mj,k≥mj,k-1且mj,k≥mj,k+1的點；奇異點特征可作為反映鋼材內(nèi)部結(jié)構(gòu)變化和屈服強度的重要指標；

27、提取頻率特征：小波變換可以將超聲波信號分解到不同的頻率成分；在不同軋制階段，鋼材的晶粒大小、晶格缺陷等因素會影響超聲波的傳播頻率特性；可分析小波分解后各子頻帶的中心頻率、帶寬等頻率特征，通過計算各子頻帶的平均頻率：

28、

29、其中，表示在子頻帶j中的平均頻率，fj,k是與小波系數(shù)wj,k對應的頻率；

30、步驟2.3，篩選與屈服強度高度相關(guān)的特征，收集軋鋼樣本數(shù)據(jù)，同時記錄樣本對應屈服強度的真實值；將經(jīng)過小波變換去噪和特征提取后的特征數(shù)據(jù)與屈服強度真實值進行相關(guān)性分析；

31、使用pearson相關(guān)系數(shù)來衡量特征與屈服強度之間的相關(guān)性；設(shè)特征向量為x＝[x1,x2,...,xn]，屈服強度向量為y＝[y1,y2,...,yn]，pearson相關(guān)系數(shù)r的計算公式為：

32、

33、其中，r表示pearson相關(guān)系數(shù)，xi是第i個樣本的特征值，yi是第i個樣本對應的軋鋼屈服強度真實值，和分別是特征向量x和屈服強度向量y的平均值；通過計算每個特征與屈服強度之間的相關(guān)系數(shù)，篩選出相關(guān)系數(shù)絕對值較大的特征，用于后續(xù)的屈服強度估計模型建立。

34、作為本發(fā)明進一步改進，步驟3中建立屈服強度估計模型的過程可以表示如下：

35、步驟3.1，建立損失函數(shù)與優(yōu)化目標

36、采用ε不敏感損失函數(shù)來衡量預測值與真實值之間的誤差，公式為：

37、

38、這里y是真實的軋鋼屈服強度值，f(x)是模型預測的屈服強度值，ε是預先設(shè)定參數(shù)，表示可以容忍的誤差范圍，lε(y,f(x))是模型的損失函數(shù)；

39、模型的優(yōu)化目標是最小化所有樣本的損失函數(shù)之和，同時考慮模型的復雜度；其目標函數(shù)為：

40、

41、其中，w是超平面的法向量(在高維特征空間中)，b是截距，||w||2用于控制模型的復雜度；c是一個懲罰參數(shù)，用于平衡模型的復雜度和訓練誤差，n是樣本數(shù)量，i是索引變量，用于遍歷訓練數(shù)據(jù)集中的各個樣本；ξi和是松弛變量，用于處理超出誤差范圍的樣本；

42、約束條件為：

43、

44、其中，xi是第i個樣本的特征向量，從超聲波信號中提取的與屈服強度相關(guān)的特征；

45、步驟3.2，建立核函數(shù)

46、當數(shù)據(jù)在原始特征空間中是非線性關(guān)系時，通過核函數(shù)k(xi,yi)將數(shù)據(jù)映射到高維空間，使得在高維空間中數(shù)據(jù)呈現(xiàn)出線性關(guān)系，高斯核函數(shù)公式可表示為：

47、

48、其中，||xi-xj||表示兩個樣本特征向量xi和xj的歐幾里得距離，σ是高斯核函數(shù)的帶寬參數(shù)，k(xi,yi)表示高斯核函數(shù)；

49、在計算預測屈服強度的決策函數(shù)時，通過使用核函數(shù)，將內(nèi)積xi·xj替換為k(xi,xj)，決策函數(shù)變?yōu)椋?/p>

50、

51、其中，αi和是拉格朗日乘數(shù)，f(x)為決策函數(shù)，b是截距；

52、步驟3.3，模型訓練與參數(shù)估計

53、為了求解上述決策函數(shù)的優(yōu)化問題，使用拉格朗日乘數(shù)法；引入拉格朗日函數(shù)：

54、

55、其中，αi，ηi和是拉格朗日乘數(shù)；

56、對拉格朗日函數(shù)分別關(guān)于w，b，ξi和求偏導數(shù)，并令其等于0，得到一組方程：

57、

58、解上述方程組可得到模型的參數(shù)αi，和b；在確定參數(shù)后，可得到訓練完成的決策函數(shù)，用來估計軋鋼的屈服強度；

59、步驟3.4，持續(xù)學習機制：在線學習算法

60、當新的數(shù)據(jù)點(xnew,ynew)到來時，首先將新數(shù)據(jù)添加到訓練數(shù)據(jù)集中；

61、然后重新計算拉格朗日函數(shù)，并更新拉格朗日乘數(shù)αi，和b；假設(shè)損失函數(shù)為l，對于新的數(shù)據(jù)點，計算損失函數(shù)關(guān)于模型參數(shù)的梯度；對于參數(shù)αi，計算然后按照一定的學習率η更新參數(shù)：

62、

63、同上，可以更新其他參數(shù)和b；通過這種方式，模型能夠隨著新數(shù)據(jù)的不斷輸入而更新，從而更好地適應軋鋼過程中屈服強度的變化情況。本發(fā)明基于無損檢測的軋鋼屈服強度快速估計方法，有益效果：本發(fā)明的技術(shù)效果在于：

64、1.本發(fā)明實現(xiàn)了軋鋼屈服強度的實時檢測，能夠在生產(chǎn)過程中及時獲取強度信息，便于快速調(diào)整生產(chǎn)工藝，提高生產(chǎn)效率和產(chǎn)品質(zhì)量。

65、2.本發(fā)明利用小波變換進行信號處理和特征提取，有效去除噪聲，提高了信號的質(zhì)量和特征的準確性，從而增強了屈服強度估計的精度。

66、3.本發(fā)明建立的支持向量機回歸屈服強度估計模型，結(jié)合持續(xù)學習機制和在線學習算法，能夠根據(jù)新數(shù)據(jù)不斷更新和優(yōu)化模型，使其更好地適應軋鋼過程中的各種變化，提高了模型的適應性和穩(wěn)定性。

67、4.本發(fā)明采用滑動窗口技術(shù)進行持續(xù)學習，能夠及時捕捉軋鋼過程中的動態(tài)變化，進一步提高屈服強度估計的準確性和可靠性。