作者简介:
周军（1997—）,男,硕士研究生,主要从事铁磁性材料电磁无损检测相关研究工作
钢铁材料是国家建设的重要基础材料。现阶段,市场不仅对钢铁材料的规模产量提出需求,更是对钢铁材料本身的力学性能[1]等诸多方面提出了较高的品质要求。在无损检测技术的发展历程中,多电磁方法融合的无损检测技术[2]受到了各界科研工作者的关注,其主要包括切向磁场谐波分析、巴克豪森噪声检测[3]、增量磁导率检测[4]和多频涡流检测[5]等,其是一种通过材料内部微观组织结构[6]和磁畴[7]相互作用而形成的微观电磁现象,来表征铁磁性材料内部微观结构磁特性的无损检测技术,其为建立材料微观组织结构与宏观性能之间的关系提供了一种途径。即,通过对多种电磁方法电磁特征的检测和分析,可以间接地反映出材料的力学性能,为解决目前铁磁性材料力学性能的评估提供了一种方法。
为了建立一种多电磁融合的无损检测技术；以用于评估铁磁性材料的力学性能,国内外有大量机构和学者进行了相关研究。来自德国IZFP研制的3MA技术[3]结合了多种电磁检测方法,将得到的电磁参数通过逐步回归方法对材料的力学性能(屈服强度、抗拉强度和应力等)进行建模预测,该方法具有较高的预测精度。何存富等[8]针对钢板表面硬度测量,提出了基于一元、多元和 BP 神经网络模型的巴克豪森检测方法。赵垒[9]提出了一种基于改进M5-主成分模型树的力学性能预测模型,提高了力学性能评估平台的可靠性和准确性。以上研究均通过单一检测方向来评估力学性能,国内外目前还未见检测方向对力学性能预测评估的相关研究报道。
实际工程中受冷热加工工艺等因素影响,铁磁性材料内部晶体通常具有因择优取向而呈现出的宏观上的磁各向异性[10]。取向硅钢、冷轧薄铁板等都具有明显的织构,材料各向所测得的磁特性并不统一。传统意义上得到的材料力学性能,一般是材料某一方向上的力学性能,传统多参数的电磁检测激励一般沿材料的一个固定方向,用该方向的检测信息来预测材料的力学性能,在具体试验中也能取得不错的试验效果,但不同磁化方向对检测结果的影响尚未有明确的结论。文章探究当材料某一固定方向的力学性能确定的情况下,不同检测方向对力学性能预测精度的影响。
1. 试验原理
1.1 检测技术及原理
材料成形后,微观组织结构、磁畴模型与其自身宏观力学性能、宏观微磁特性,存在复杂的物理关系,微磁检测机理示意如图1所示。
由图1可知,材料微观组织结构参数（位错、组成成分、相界、析出相）,不仅与材料力学性能（屈服强度、抗拉强度、断裂延伸率等）存在相互关系,还可与电磁特征之间建立映射；另一方面,材料的宏观电磁特性受微观组织结构直接影响,还受当前状态下外应力对材料本身磁畴和磁畴运动模型的影响。材料宏观性能和电磁特性能够反映材料的微观组织特性和当前的状态。在无法完全对材料微观结构参数、宏观力学性能、微磁特性间的物理关系进行系统理论解释的情况下,以材料微观结构参数为桥梁,引入数学模型,以微磁参数为输入,以宏观力学性能为输出,实现单一目标参数的分离。
铁磁性材料的磁化周期,可以表述为：对铁磁性材料施加交变磁场激励,由零磁场激励到正饱和,再回到零磁场激励,再逐渐增加到负饱和,再回到零磁场激励。在整个重复磁化周期中,不同组织结构的磁化过程是不同的。磁畴运动的累积效应导致材料磁导率的改变,磁化强度的加深,最终形成整个磁化曲线。在此过程中得到的信号可以反映不同铁磁材料的磁性特性和铁磁材料的微观结构特征。基于多磁联合的检测技术可以提取材料41种电磁特征参数。检测探头结构示意如图2所示。
1.1.1 切向磁场谐波分析
将低频正弦电压激励施加在缠绕磁轭的线圈上,线圈由于非线性磁滞效应产生与时间有关的非正弦畸变磁化电流,霍尔传感器采集该信号,对信号进行分析,可得到的电磁特征参数如表1所示。
| 特征 | 单位 | 解释 |
|---|---|---|
| P3,P5,P7 | rad | 3,5,7次谐波的相位大小 |
| A3,A5,A7 | A/m | 3,5,7次谐波的幅值大小 |
| K | % | 变形系数 |
| UHS | A/m | 3,5,7次谐波幅值和 |
| HRO | A/m | 磁滞回线零点处的谐波幅值 |
| HCO | A/m | 矫顽力大小 |
| Vmag | V | 传感器线圈的稳态电压 |
1.1.2 巴克豪森噪声检测
当铁磁材料处于外加可变磁场时,其内部磁畴跳跃导致磁场强度突然变化,从而导致磁通量变化,由此产生的感应脉冲信号被称为巴克豪森噪声信号。与切向磁场谐波分析一致,在U形磁轭的线圈上施加交流激励,激励强度使试件达到饱和,保证试件中磁畴发生不可逆运动；同时调整磁化频率避免产生局部涡流,且不会改变或扭曲试件中的磁滞行为。分析信号,可得到的电磁特征参数如表2所示。
| 特征 | 单位 | 解释 |
|---|---|---|
| MMAX | V | 最大幅值 |
| MMEAN | V | 一个激励周期内幅值的均值 |
| HCM | A/m | M=MMAX矫顽磁场的场强 |
| MR | V | 剩磁点幅值大小 |
| DH25M | A/m | 25%MMAX巴克豪森蝶形图宽度 |
| DH50M | A/m | 50%MMAX巴克豪森蝶形图宽度 |
| DH75M | A/m | 75%MMAX巴克豪森蝶形图宽度 |
1.1.3 增量磁导率检测
增量磁导率需要高频和低频两种激励同时作用,首先高幅值低频激励,然后低幅值高频激励,信号被接收线圈采集。与巴克豪森噪声检测不同的是,增量磁导率检测所采集到的信号是基于可逆磁畴运动得到的。信号得到的电磁特征参数如表3所示。
| 特征 | 单位 | 解释 |
|---|---|---|
| UMAX | V | 最大幅值 |
| UMEAN | V | 一个激励周期内幅值的均值 |
| HCU | A/m | M=MMAX矫顽磁场的场强 |
| UR | V | 剩磁点幅值 |
| DH25U | A/m | 25%MMAX磁导率蝶形图宽度 |
| DH50U | A/m | 50%MMAX磁导率蝶形图宽度 |
| DH75U | A/m | 75%MMAX磁导率蝶形图宽度 |
1.1.4 多频涡流检测
低幅值高频正弦电流施加在激励线圈上,根据法拉第电磁感应定律可知试件在磁场中产生感应涡流,该涡流同时被接收线圈采集,然后进行调制解调。对信号进行分析,可得到电磁特征参数如表4所示。
| 特征 | 单位 | 解释 |
|---|---|---|
| Im1~Im4 | V | 不同频率下线圈阻抗的虚部 |
| Re1~Re4 | V | 不同频率下线圈阻抗的实部 |
| Ph1~Ph4 | V | 不同频率下线圈阻抗的相位 |
| Mag1~Mag4 | rad | 不同频率下线圈阻抗的幅值 |
1.2 铁磁性材料磁各向异性
在铁磁性材料中,磁各向异性的形成是平均磁晶各向异性、加工过程（如织构、位错等）以及应力这三种机制协同作用的结果。冷轧薄铁板的轧制过程会使晶粒发生形变,从而沿着轧制方向形成织构,进而导致材料的难磁化轴与易磁化轴分别沿着垂直于轧制方向和平行于轧制方向。一般情况下,加工对磁各向异性形成的作用大于其他两种机制的作用。铁磁材料的磁化特性受晶向影响,因此在不同晶粒方向上的磁化难易程度存在差异,这种现象被称为磁晶各向异性。
2. 试验装置及过程
2.1 试验材料及试件
选取国内某钢厂钢种为IV9221A8的超高强冷轧带钢制作试件,试件实物图片如图3所示,试件共计30块,每块长约80 cm,宽约30 cm,试件的长度方向为带钢的宽度方向,宽度方向为带钢的轧制方向,试件的材料信息如表5所示。
| 序号 | 材料号 | 屈服强度/MPa | 抗拉强度/MPa |
|---|---|---|---|
| 1 | 23358833300 | 697 | 1 048 |
| 2 | 23358833500 | 611 | 1 059 |
| 3 | 23358833700 | 706 | 1 070 |
| 4 | 23358834600 | 607 | 1 056 |
| ... | |||
| 30 | 23358835100 | 648 | 1 106 |
2.2 试验系统及流程
试验系统（见图4）由3MA电磁检测设备、探头和计算机三部分组成。试验过程中计算机PC端控制检测的启动、停止和数据的采集。3MA电磁检测设备融合了巴克豪森噪声检测、增量磁导率检测、多频涡流检测以及切向磁场谐波分析这4种电磁检测方法；旋转探头控制检测角度,当完成一个方向的检测时,探头旋转一定的角度,确保检测设备在同一位置开展检测。
具体的测量步骤为：以每一块待测试件上的特定区域作为试验测试点,检测试验操作示意如图5所示,安装了提离垫块的探头在测试点按照顺时针方向进行周向360°旋转测量,通过角度对照纸对齐角度,每次间隔10°,每个角度检测30 s,共计20组数据,得到试件周向检测的电磁特征数据。
3. 检测数据分析及讨论
3.1 磁各向异性现象的表征
选取试件中5块材料检测结果的部分特征进行绘图分析,分别为切向磁场谐波分析（HA）的7次谐波的相位P7、3次,5次,7次谐波幅值和UHS、巴克豪森噪声检测（MBN）的最大幅值MMAX、一个激励周期内幅值的均值MMEAN、增量磁导率检测的最大幅值UMAX、剩磁点幅值UR（多频涡流检测无需考虑磁各向异性,故这里不做分析）。绘制不同特征参数随检测角度的变化曲线,同时为更直观地显示材料各向异性分布情况,将所有方向上测得的特征值减去该特征值中的最小值来绘制极图,以消除各方向上的同性分量,从而突出各向异性,如图6所示。
从图6看出,在不同测试点位,各特征值随角度的变化均呈现出磁各向异性现象,表现出与试件从生产时的轧制方向向宽度方向变化时的特征变化规律相似的趋势。排除部分测量误差带来的影响,其难、易磁化轴方向也相同,但表现出的磁各向异性程度不同,即每块试件的特征周向上最大值和最小值差值不同。而且,不同角度特征值的区分程度也不同,所以检测方向的变化,会对力学性能的预测评估带来影响。
3.2 模型建立与评价
BP神经网络模型在信息处理和自我学习方面表现出色,能够准确地识别系统输入向量与输出向量间的非线性关联。网络的架构由输入层、隐藏层和输出层3个主要部分组成,在这个结构中,输入层和输出层各自只有一个,而隐含层则可以有多个,每一层都是由多个神经元构成的。
文章建立的BP神经网络模型的输入为41个电磁特征参数,构建3个隐含层,每个隐含层的节点数为10个,层与层之间的激活函数分别为ReLu、Tanh、ReLu,输出为试验材料的单个力学性能,包括屈服强度和抗拉强度,具体结构如图7所示,模型的具体结构和参数在不同检测角度下均不改变。
为了进一步分析每个检测角度模型的预测精度,文章采用以下方法作为评估手段。
（1）K折交叉验证
将训练数据集划分为K个部分,并使用其中的K-1部分进行训练,而剩下的部分则用于测试,最终选择平均测试误差作为泛化误差。该方法确保了训练集中的每一个样本都将被视为训练数据,同时也为其提供了作为测试数据的机会,从而更有效地利用了整个数据集。
（2） 均方根误差
均方根误差衡量了预测值与真实值之间的均方根差异,表示预测值和真实值之间的平均偏差程度,是回归任务中常用的性能评估指标之一。
文章采用10折交叉验证,即将训练数据集中30块试件的检测数据,分成10份（每份3块试件数据）,训练模型并得到结果,计算每一份测试集样本的均方根误差,然后进行模型的评价。
10折交叉验证后各个检测角度下对屈服强度和抗拉强度预测结果的平均均方根误差分布如图8所示。图中横坐标为检测角度,纵坐标为10份样本的平均均方根误差,可以看出随着检测方向的变化,力学性能预测的效果也随之变化,平均均方根误差表现出在试件轧制方向（0°,180°）区域的值总体高于宽度（90°,270°）方向的值。
4. 无损检测证书挂靠网结论
文章分析了冷轧薄铁板多电磁无损检测中的检测角度对力学性能预测效果的影响。试验数据分析结果表明,电磁检测多特征值可以良好地表征材料磁晶各向异性和分布状态。试验建立了预测材料力学性能的BP神经网络模型,通过K折交叉验证评估了每个检测角度的预测效果,试验发现,检测角度明显影响预测精度,材料屈服强度和抗拉强度的预测精度呈现由材料轧制方向向材料宽度方向递增的现象。即,对超高强钢的力学性能进行多电磁法检测时,沿宽度方向的检测效果优于轧制方向的。
