[发明专利]一种基于深度学习的合金钢力学性能联合无损检测方法

说明书

本申请公开了一种基于深度学习的合金钢力学性能联合无损检测方法，包括：获取标定试样的测量信号特征参量、力学性能参量、样本测量信号特征参量和样本力学性能参量；构建初始无损检测模型，并对初始无损检测模型的输入层节点数和输出层节点数进行等类扩充；建立标定曲线，确定任两个样本测量信号特征参量间的映射关系及标定关联值，并计算初始无损检测模型中输入层与第一隐藏层之间的初始输入权重矩阵；对初始无损检测模型进行训练，当判定初始无损检测模型的输出误差收敛时，将收敛后的初始无损检测模型记作联合无损检测模型。通过本申请中的技术方案，实现合金钢力学性能的联合检测，提高合金钢力学性能检测的稳定性和精度。

技术领域

本申请涉及合金钢无损检测的技术领域，具体而言，涉及一种基于深度学习的合金钢力学性能联合无损检测方法。

背景技术

随着制造业的不断发展，生产设备和工艺的不断优化提高，对铁磁性材料产品的质量和生产效率要求也不断提高。铁磁性材料的硬度和抗拉强度是材料力学性能的重要指标，对其进行便捷快速、高精度的检验、评估是必不可少的环节之一。

而现有技术中，无损检测方法评价材料力学性能的过程，通常是获得标定试块的测量信号特征参量后，采用最小二乘法，建立测量信号特征参量与某一种力学性能参量之间的映射关系，利用测量信号特征参量表征该力学性能参量。但是，一方面，由于测量信号特征参量与所需评价的材料力学性能参量之间，可能存在复杂、未知的非线性映射关系，传统的最小二乘法标定过程，存在拟合方式难以选定的困难，导致最终力学性能参量的检测精度不高。

另一方面，不同的无损检测方法，如超声无损检测、巴克豪森噪声检测、磁滞无损检测，对不同材料的适用程度不同，导致同一材料采用不同的方法，所得的检测结果差异较大。

发明内容

本申请的目的在于：采用深度神经网络进行多种无损测量信号特征参量的信息融合，提高合金钢力学性能检测的可靠性、稳定性和精度，克服某些材料对某种信号检测方法不敏感、不适用的问题，实现材料力学性能快速、高精度检测。

本申请的技术方案是：提供了一种基于深度学习的合金钢力学性能联合无损检测方法，该方法包括：步骤1，获取标定试样采用多种无损检测技术的多次测量信号特征参量和多次力学性能参量，并将每一个标定试样的每一种无损检测技术的多次测量信号特征参量的均值记作一个样本测量信号特征参量，将标定试样的多次力学性能参量的均值记作相应的样本力学性能参量；步骤2，根据残差模块与全连接神经网络，构建初始无损检测模型，并根据测量信号特征参量和力学性能参量的数目，对初始无损检测模型的输入层节点数和输出层节点数进行等类扩充；步骤3，采用最小二乘法，建立样本测量信号特征参量和样本力学性能参量之间的标定曲线，确定任两个样本测量信号特征参量间的映射关系及标定关联值，并计算初始无损检测模型中输入层与第一隐藏层之间的初始输入权重矩阵；步骤4，根据测量信号特征参量和力学性能参量，对初始无损检测模型进行训练，当判定初始无损检测模型的输出误差收敛时，将收敛后的初始无损检测模型记作联合无损检测模型，其中，初始无损检测模型进行第一次训练时，网络权重矩阵中包括初始输入权重矩阵。

上述任一项技术方案中，进一步地，具体包括：将多个全连接层依次相连，组成全连接神经网络，并依次将全连接层记作输入层、多个隐藏层和输出层；嵌入残差模块，残差模块由输入层开始，包含两个间隔一个隐藏层的全连接层，残差模块中每一个全连接层的节点输出端与隔一个隐藏层的下一个全连接层的节点输入端相连，其中，残差模块相连的两个全连接层的节点数相等；将嵌入残差模块后的全连接神经网络记作初始无损检测模型。

上述任一项技术方案中，进一步地，步骤2中，初始无损检测模型的正向传播函数为：