推力室钎焊身部焊缝缺陷的DR数字成像自动检测方法.pdf

推力室钎焊身部焊缝缺陷的 DR 数字成像自动检测方法任文坚1，王永红1，李春凯2，石玗2，孙忠诚2,3，刘国增1（1.西安航天发动机有限公司，西安710100；2.兰州理工大学，省部共建有色金属先进加工与再利用国家重点实验室，兰州730050；3.兰州瑞奇戈德测控技术有限公司，兰州730010）摘要：针对常规胶片照相法评定推力室焊缝缺陷过程中检测效率低、难以实现自动化、智能化等缺点，提出了一种基于 X 射线数字成像检测技术的缺陷自动检测方法，搭建了 DR 数字成像检测系统。采用改进型 FasterR-CNN 网络建立了 DR 数字图像焊缝缺陷识别模型，对该模型的识别准确性进行了测试并在 DR 检测系统上进行了模型部署。研究结果表明，所训练的改进型FasterR-CNN 模型能够准确识别 DR 数字图像中 4 种典型钎缝缺陷，且识别准确率可达 93%以上，单张图像缺陷识别时间不超过 2s。使用改进型 FasterR-CNN 网络模型对液体火箭发动机推力室钎焊接头 DR 数字成像检测图像进行计算机智能评定，试验证明模型部署于 DR 检测系统可实现缺陷的智能在线检测。关键词：无损检测；钎焊缺陷；X 射线数字成像；深度学习中图分类号：TG409文献标识码：Adoi：10.12073/j.hj.20220419002Automatic detection method of DR digital imaging for brazing seam defectsof thrust chamber bodyRenWenjian1,WangYonghong1,LiChunkai2,ShiYu2,SunZhongcheng2,3,LiuGuozeng1(1.XianSpaceEngineCompanyLimited,Xian710100,China;2.StateKeyLaboratoryofAdvancedProcessingandRecyclingofNon-ferrousMetals,LanzhouUniversityofTechnology,Lanzhou730050,China;3.LanzhouRich-goldentesting&ControlTechnology,Lanzhou730050,China)Abstract：Inviewofshortcomingssuchaslowdetectionefficiency,difficultyinrealizingautomationandintellectualizationintheprocessofevaluatingwelddefectsofthrustchamberbyconventionalfilmphotography,anautomaticdefectdetectionmethodbasedonX-raydigitalimagingdetectiontechnologywasproposed,andaDRdigitalimagingdetectionsystemwasbuilt.ImprovedFasterR-CNNnetworkwasusedtoestablishadigitalimagewelddefectrecognitionmodel,recognitionaccuracyofthemodelwastestedandthemodelwasdeployedontheDRdetectionsystem.TheresearchresultsshowedthatthetrainedimprovedFasterR-CNNnetworkmodelcouldaccuratelyidentifyfourtypicalbrazingseamdefectsinDRimages,recognitionaccuracyreachedmorethan93%,anddefectrecognitiontimeofasingleimagedidnotexceed2s.ImprovedFasterR-CNNnetworkmodelwasusedtoperformcomputerizedintelligentevaluationofDRdigitalimaginginspectionphotosofbrazedjointsinliquidrocketmotorinferencechambers,anditwasdemonstratedthatthemodelcouldbedeployedinDRinspectionsystemstoachieveintelligentonlinedetectionofdefects.Key words：non-destructivetesting,brazingdefects,X-raydigitalradiography,deeplearning0前言推力室作为液体火箭发动机中最为重要的组成部分之一，在实际火箭发动机运行过程中通常需要承受高温、高压热流的烧蚀和冲击载荷12。为保证推力室服役性能的稳定性和可靠性，推力室壁的冷收稿日期：20220419基金项目：国家民用航天技术预先研究项目（D010203）；国家自然科学基金项目（52005237）；浙江省自然科学基金项目（LQ21E050023）；甘肃省自然科学基金（20JR10RA164）。试验研究Research Paper342023 年第 7 期却方式通常需采用在内外壁之间加入波纹板结构夹层或铣槽结构夹层的再生冷却，即液体推进剂以一定流速通过推力室内外壁之间的冷却通道，吸收并带走内壁上的热量，从而实现推力室壁的快速冷却和降温35。推力室身部内外壁冷却通道的连接通常采用钎焊工艺6。为避免由于焊接过程中工艺参数（钎焊温度分布、钎料用量等）或装配精度波动产生缺陷影响到焊接质量乃至整个推力室的局部再生冷却障碍导致内壁烧穿，钎缝需要采用 X 射线检测技术进行缺陷探伤和质量评定79。目前，对于推力室身部钎缝缺陷的 X 射线检测技术主要采用胶片照相法和 DR 数字成像检测法。就现有的研究而言，这 2 种方法都存在一定的局限性。对于胶片照相法而言，主要存在以下问题：工艺流程（曝光、胶片冲洗等）周期长、检测效率低10；胶片图像难以实现数字化、自动化及智能化评定。DR数字成像检测法利用平板探测器替代传统胶片在一定程度上解决了胶片照相法检测效率低且难以实现自动化检测过程的难题，但受制于缺陷评定过程仍主要依赖于人工，导致缺陷检测难以实现从 X 射线检测到缺陷评定的全流程、智能在线检测11。因而，开发一种能够实现推力室钎焊身部缺陷的智能在线X 射线检测与识别的方法成为了亟待解决的关键技术难题。针对上述难题，提出了一种基于 DR 数字成像技术的推力室钎焊身部焊缝缺陷自动检测方法，分析了推力室身部钎缝的缺陷类型，开发了基于深度学习理论的改进型 FasterR-CNN 缺陷自识别模型并通过在 DR 自动检测系统中模型部署实现了推力室钎缝缺陷的智能在线检测。1推力室钎缝结构与缺陷类型推力室钎缝主要存在 2 种结构形式：波纹板结构和铣槽结构，如图 1 和图 2 所示。波纹板结构内外壁（钎焊厚度为 0.8mm）和铣槽结构内外壁（钎焊厚度为 0.02mm）之间的连接通常采用钎焊工艺。实际焊接过程中受工艺参数和装配间隙的影响，钎缝容易出现内壁未焊上、外壁未焊上、通道钎料堆积、堵塞等 4 类常见缺陷。2DR 数字成像缺陷自动检测系统考虑到实际推力室的尺寸和结构特点，设计了基于 DR 数字成像检测技术的焊缝缺陷自动检测系统，该系统主要由以下几部分组成：X 射线机、探测器、机器人、旋转转台、机械系统、软件系统等，如图 3所示。射线源和平板探测器的设备参数见表 1。检测时机器人控制平板探测器沿推力室外壁移动，射线源（位于推力室内部）同步读取机器人高度，即可实现整个推力室身部钎缝的 DR 自动检测。推力室身部钎缝采用源在内、单壁单影透照工艺，整个身部外壁波纹板钎焊角钎缝内壁图1波纹板结构外壁冷却通道内壁钎缝图2铣槽结构(a)检测系统示意图(b)检测系统实物图机器人探测器转台管头升降轴线阵升降轴检测平台 1检测平台 2机器人机器人运动单元上料平台电气控制柜操作台悬臂立柱旋转横臂控制柜组件机器人探测器转台图3DR 数字成像自动焊缝缺陷检测系统Research Paper试验研究2023 年第 7 期35在高度方向分 24 个区、每个高度周向分不同的分区数，完成整个推力室身部钎缝检测共需535 张DR图像。3深度学习神经网络模型设计为实现推力室钎焊身部缺陷的智能识别，提出采用深度学习神经网络模型开发 AI 缺陷智能识别系统。3.1DR 图像样本集与缺陷人工标注利用所搭建的 DR 数字成像焊缝缺陷自动检测系统采集了推力室钎焊身部 DR 数字图像并从中挑选 1000 张包含外壁未焊上、内壁未焊上、钎料堆积、通道堵塞 4 类缺陷的数字图像构建深度学习神经网络模型的 DR 图像样本集。在图像样本集随机选取 900 张（约 90%）作为后续模型训练的图像样本训练集，100 张（约 10%）作为评价模型泛化能力的测试集。为后续模型训练对图像训练集中的缺陷进行了人工标注，缺陷标注图像如图 4 所示。图 4a 和图 4b 分别为内壁未焊上和外壁未焊上的 DR 图像，内壁与外壁在 DR 图像中为间隔出现，内壁未焊上与外壁未焊上在 DR 图像中的相似度极高，其特征都表现为与端头出未连接，区分 2种缺陷主要通过壁的宽度来判定，其中外壁宽度较内壁宽度更宽；图 4c 和图 4d 为钎料堆积和堵塞的DR 图像，2 种缺陷从形态上来看相似较高，都表现为钎焊通道处存在多余钎料，区分其分类的评定原则主要通过图像灰度值，其中堆积区域的图像灰度值要高于堵塞区域的灰度值且轮廓更为明显。3.2神经网络架构设计所设计的深度学习神经网络模型为改进型 FasterR-CNN 网络，网络架构如图 5 所示。FasterR-CNN 主要由 3 部分组成：特征提取卷积网络、负责生成候选冷却通道中堆积外壁内壁外壁内壁冷却通道中堆积(c)钎料堆积(d)通道堵塞(b)内壁未焊上(a)外壁未焊上外壁内壁外壁内壁冷却通道中堆积冷却通道中堆积图4典型缺陷人工标注表 1 设备参数项目参数X 射线源225kV/HP 直流恒电位 X 射线系统焦点尺寸0.250.80mm平板探测器非晶硅面阵探测器像素尺寸200m动态范围16BIT软件系统RG-ADRX 射线数字成像软件工作模式半自动检测试验研究Research Paper362023 年第 7 期区的 RPN 网络和分类回归网络。其中，特征提取卷积网络负责将图片进行卷积池化操作进行特征提取，并将特征图送入 RPN 网络和分类回归网络。特征提取卷积网络采用 ResNet101 网络，ResNet101网络由 1个卷积层、1 个池化层和 99 个卷积块构成，ResNet101网络超参数见表 2。图片特征提取卷积网络区域生成网络前景置信度锚框尺寸调整系数分类回归网络目标图像分类锚框尺寸调整系数特征图图5FasterR-CNN 结构图表 2 ResNet101 网络参数表类型 输出尺寸m/像素卷积尺寸与特征通道数卷积层12212277,64,步长=2池化层565633,64,步长=2卷积块565611,64;33,64;11,2563卷积块282811,128;33,128;11,5124卷积块141411,256;33,256;11,102423卷积块7711,512;33,512;11,20483RPN 网络是一种区域建议网络，该网络可对特征图进行卷积操作，从而生成不同尺寸比例的锚点作为检测的候选区域，其网络架构如图 6 所示。分类回归网络主要用于评估筛选所有候选区域前景置信度和锚框尺寸调整系数，其网络结构如图 7所示。分类7725614142561414256428282562828801 0241 024定位语义分割图7分类回归网络结构图3.3优化算法该网络损失函数为 FastR-CNN 网络与 RPN 网络 2 部分组成，FastR-CNN 网络损失函数为：L(p,u,tu,v)=Lcls(p,u)+u 1Lloc(tu,v)（1）p=(p0,pk)(tux,tuy,tuw,tuh)(vx,vy,vw,vh)式中：Lcls和Lloc分别对应分类损失函数和定位损失函数；是一个超参数，用来平衡分类损失和定位损失的权重；p 为分类器预测的 softmax 概率分布；u 为对应目标真实类别标签；tu为对应边界框回归器预测的对应类别 u 的回归参数；v 对应真实目标的边界框回归参数；u1为艾佛森括号。RPN 网络损失函数包括候选框定位和分类 2 部分：L(pi,ti)=1NclsiLcls(pi,pi)+1NregipiLreg(ti,ti)（2）pipiti(tx,ty,tw,th)ti(tx,ty,tw,th)NclsNreg式中：为预测框内有物体的预测概率；为预测框内有无物体的标签；为预测的 boundingbox的 4 点坐标；为标注的 groundtruthboundingbox的4 点坐标；为样本总数量；为 featuremap 的尺寸；为权重超参数。其中，分类损失函数为：Lcls(pi,pi)=ki=0pilog pi（3）候选框定位损失函数为：Lloc(t,t)=i(x,y,w,h)smoothL1(titi)（4）矩阵变形激活函数矩阵变形目标识别感兴趣区域池化候选框3311113618im_info输入层图6分类回归网络结构图Research Paper试验研究2023 年第 7 期37smoothL1(x)=0.5x2,if|x|0 时，对每次迭代的步骤做如下修改：vt vt1+tgt（6）xt xt1vt（7）式中：参数 满足 01。在=0 时，Momentum等价于小批量随机梯度下降。4模型训练与性能测试4.1模型训练模型训练平台为一台配备 Intel(R)Core(TM)i76700KCPU 和 NVIDIAGeForceGTX1080GPU 的 pc电脑，采用 Windows10 操作系统，搭建了 Tensorflow深度学习，采用 python 作为编程语言。图 8图 12 为网络 5 种损失函数曲线，都呈下降趋势。其中，图 8 为整个网络的损失函数曲线，图 9为 RPN 网络候选框定位损失函数曲线，图 10 为 RPN网络分类损失函数曲线，图 11 为 FastR-CNN 网络候选框定位损失函数曲线，图 12 为 FastR-CNN 网络分类损失函数曲线。5 种损失函数曲线都符合如下趋势：训练集损失函数曲线前期训练下降速率较快，随着训练轮次的增加，损失函数曲线逐渐趋于平缓，最后收敛于一个较小值；测试集损失函数曲线整体呈下降趋势，但在前期轮次中表现为在训练集损失函数曲线附近剧烈波动，后期波动幅度减小，逐渐逼近收敛于训练集损失函数曲线收敛值。二者趋势相同，00.0020.0040.0060.0080.0100.0120.014RPN 网络分类偏差 E350403020100训练周期 T/轮次 训练集 测试集图10RPN 网络分类损失函数曲线00.050.100.150.200.250.30Fast R-CNN 网络定位偏差 E450403020100训练周期 T/轮次 训练集 测试集图11FastR-CNN 网络候选框定位损失函数曲线00.020.040.060.080.10Fast R-CNN 网络分类偏差 E550403020100训练周期 T/轮次 训练集 测试集图12FastR-CNN 网络分类损失函数曲线5040302010000.20.40.60.81.01.21.4网络总体偏差 E1训练周期 T/轮次 训练集 测试集图8网络总损失函数曲线00.10.20.30.40.5RPN 网络定位偏差 E250403020100训练周期 T/轮次 训练集 测试集图9RPN 网络候选框定位损失函数曲线试验研究Research Paper382023 年第 7 期收敛值相近，证明网络性能及拟合泛化程度良好。4.2性能测试为了进一步验证模型用于钎缝缺陷智能识别的准确和泛化能力，利用前期构建的测试集（100 张原始 DR 图像）对其进行了测试，图 13 为模型自动识别的钎缝缺陷。(a)外壁未焊上(b)内壁未焊上(c)通道堆积(d)堵塞图13自动识别的典型缺陷为了评价模型的泛化能力，以人工识别结果作为基准来评价模型的识别准确性，按照缺陷类型分别计算精度、召回率、正确率 3 个指标来评判模型准确性。P=TPTP+FP（8）R=TPTP+FN（9）A=TP+TNPP+NN（10）式中：P 为精度；R 为召回率；A 为正确率；TP为预测为正的正样本数；TN为预测为负的负样本数；FP为预测为负的正样本数；FN为预测为正的负样本数；PP为正样本数；NN为负样本数。通过对 100 张 DR 数字图像进行模型缺陷判定和人工判定缺陷对比，对于外壁未焊上的召回率为98.9%，精度为 96.7%，正确率为 95.6%；内壁未焊上的召回率为 98.4%，精度为 96.5%，正确率为 94.9%；钎料堆积的召回率为 98.2%，精度为 98.8%，正确率为 97.0%；通道堵塞的召回率为 99.0%，精度为 98.4%，正确率为97.4%。内壁未焊上与外壁未焊上的准确率相对较低的原因在于这 2 种缺陷的形态较为相似，在人工标注时存在一定争议，后续可通过进一步优化缺陷标注标准来提升模型的泛化能力。4.3模型部署为了将所训练的深度学习神经网络缺陷智能识别模型用于推力室钎缝缺陷的实时在线检测，将训练好的模型以 API 形式部署到 DR 数字成像自动焊缝缺陷检测系统中，经过系统测试单张图像的缺陷识别时间为 2s，能够满足钎缝缺陷的实时在线检测的技术要求。5结论（1）设计基于深度学习神经网络的改进型 FasterR-CNN 模型能够实现推力室钎焊 DR 数字图像缺陷的智能识别与分类，且对内壁未焊上、外壁未焊上、堆积、堵塞 4 类缺陷的识别准确率均高于 93%以上。（2）模型处理单张 DR 图像的时间不超过 2s，训练模型部署于 DR 数字成像自动焊缝缺陷检测系统，该系统可实现缺陷的智能在线检测与分类。参考文献刘倩,李敬轩,孙纪国,等.高压氢氧火箭发动机推力室燃烧稳定性分析J.火箭推进,2022,48（2）：6675.1杨成骁,王长辉.液体火箭发动机推力室复合冷却流动与传热研究J.推进技术,2020,41（7）：15201528.2王娜,李海庆,徐方涛,等.双组元液体火箭发动机推力室材料研究进展J.宇航材料工艺,2019,49（3）：18.3罗巍,张晗翌,矫慧,等.液体火箭发动机推力室快速制造技术J.航天制造技术,2020（5）：6065.4高凤林,李雪飞,孔兆财,等.氢氧火箭发动机推力室头部非对称结构焊接工艺研究J.航天制造技术,2014（4）：2327.5许艺峰,张德禹,徐学军,等.液体火箭发动机推力室钎焊过程热固耦合分析J.焊接学报,2011,32（10）：9396.6王东方,刘超锋,陈少斌,等.推力室收扩段钎焊工艺优化分析试验J.机械研究与应用,2021,34（3）：124126,130.7(下转第 53 页)Research Paper试验研究2023 年第 7 期39表明不敏感区缺陷检测法能有效检测近表面缺陷，克服常规超声 TOFD 法的技术弊端。参考文献龚小俊,潘顺兴.钢结构桥梁焊缝缺陷TOFD检测分析J.运输经理世界,2022（33）：7173.1赵亮,薛兴月,王磊,等.1000MW水轮机蜗壳焊缝的TOFD检测技术应用J.上海大中型电机,2022（3）：4347.2康宝杰,惠兆祥.圆筒面纵向焊缝TOFD检测缺陷定位J.无损检测,2015,37（4）：6065,68.3盛朝阳,刚铁.超声TOFD检测成像及缺陷定位系统J.焊接,2007（8）：3740.4罗志伟,张驰,刘斌,等.焊缝横向裂纹声波衍射信号特征与采集方法J.焊接,2016（6）：2629.5SubbaratnamR,AbrahamS,VenkatramanB,etal.Immer-6sionandtofd(I-TOFD):anovelcombinationforexaminationoflowerthicknessesJ.JorenalofNondestructiveEvaluation,2011,30（3）：137142.BaskaranG,BalasubramaniamK,RaoCL.Shear-wavetimeof flight diffraction(S-TOFD)techniqueJ.NDT&EInternational,2006,39（6）：45867.7第一作者：张泽勇，学士，高级工程师；主要从事轨道交通车辆无损检测质量技术工作；zhangzeyong.sfcrrcgc.cc。通信作者：郭涛，硕士研究生；主要从事无损检测方向的研究；。（编辑：郑红）本文引用格式：张泽勇,姜鸿鹏,葛欢欢,等.超声 TOFD 法不敏感区内焊接缺陷检测J.焊接,2023（7）：4853.ZhangZeyong,JiangHongpeng,GeHuanhuan,etal.WelddefectdetectionininsensitiveareaofultrasonicTOFDmethodJ.Welding&Joining,2023（7）：4853.(上接第 39 页)郑世才.数字射线检测技术专题（一）概述J.无损检测,2012,34（1）：4951,60.8任文坚,刘贞,张腾,等.推力室钎焊身部X射线数字成像检测技术J.火箭推进,2020,46（3）：9095.9单黎波,金作花,贺云龙,等.液体火箭发动机钎焊、扩散焊质量检测技术研究J.火箭推进,2009,35（6）：4751.10任文坚,刘贞,马涛,等.X射线数字成像检测技术在发动机阀芯质量检测中的应用J.无损探伤,2019,43（4）：111719.第一作者：任文坚，硕士，高级工程师；主要从事液体火箭发动机无损检测研究；。通信作者：李春凯，博士，副研究员；主要从事智能焊接、DR 数字射线检测技术等方面研究工作；。（编辑：王龙权）本文引用格式：任文坚,王永红,李春凯,等.推力室钎焊身部焊缝缺陷的 DR 数字成像自动检测方法J.焊接,2023（7）：3439,53.RenWenjian,WangYonghong,LiChunkai,etal.AutomaticdetectionmethodofDRdigitalimagingforbrazingseamdefectsofthrustchamberbodyJ.Welding&Joining,2023（7）：3439,53.Production Theme生产应用2023 年第 7 期53