主动热激励式红外热成像管道缺陷深度检测 下载: 1054次
ing at depth test of pipeline inwall defects, we propose a method of measuring the depth of pipeline defects, which based on the active thermal excitation by eddy current and infrared thermography. The theory of infrared imaging pipeline defects measuring is described. According to the special requirements of buried pipeline detection, a test device of eddy current thermal excitation with adjustable parameters is designed. Some specimens are fabricated according to the shape of the pipeline. With the active thermal excitation experiment based on eddy current, the influences of three important parameters, such as resonant frequency, lift-off distance and input electrical power on thermal excitation efficiency are analyzed, and the optimized values are obtained. Based on the above work, the infrared images of specimens with pre-designed defects which have different depths are acquired. The thermal image data analysis shows that the difference of grayscale between the defects and the non-defective areas varies with the defect depth, and the two factors show a single value correspondence, which has a good linearity under certain conditions. The defect depth detection model of groove-like and circular defects are established by the law. The experimental results show that the established model has certain detection accuracy. The research results show that the depth of defect can be calculated by infrared thermal image under the optimized active eddy current excitation condition. The proposed method based on active eddy current excitation of infrared thermal imaging pipeline is feasible.
1 引言
对于埋地管道内壁缺陷的检测而言,缺陷深度信息是一个非常重要的参数,缺陷深度的大小直接影响着管道泄漏的危险程度,因此,对缺陷深度进行定量测定非常重要。目前,可用于管道缺陷检测的无损检测技术主要有视频检测、漏磁检测、涡流检测(远场涡流、脉冲涡流)、射线检测、超声导波检测等,这些技术在实际应用中有各自的优势和局限性[1-4]。特别是超声导波检测技术近年来发展较快,其可在较大范围内快速发现管壁上有无缺陷以及缺陷的位置。
红外热成像检测技术目前主要应用于集成电路板的焊接质量及工业上各种器件的焊缝检测等方面,也可应用于复合材料和飞机蒙皮的缺陷检测中。由于红外热成像检测具有无损、无磁、非接触、快速实时、缺陷信息丰富直观(包括缺陷的形状、大小、位置等)的优点[5],在埋地管道内部缺陷实时在线检测方面具有潜在的应用价值,可作为超声导波检测技术的补充。如:Lahiri等[6]将低频交变磁场作为热激励源对铁磁性方槽形缺陷进行了红外图像检测的测试;Endo等[7]提出了利用红外热像仪确定炼钢厂气体管道管壁减厚分布的高效方法;王永茂等[8-9]阐述了红外检测的基本原理,并提出了两种不同的红外检测和确定缺陷尺寸的方法;杨黎俊等[10]给出了金属管三维非稳态导热方程,并对内壁缺陷大小及最小可检测缺陷进行了详细的理论研究。朱亚昆等[11]以电磁感应作为热激励源,对红外热像无损检测的影响因素和应对措施进行了阐述和仿真实验;田裕鹏等[12]针对红外检测缺陷的定量检测进行了研究,得出了时间序列图像与缺陷大小之间的规律;赵石彬等[13]利用红外图像序列对聚丙烯管道的缺陷进行了检测,利用图像处理方法测量了缺陷的面积;张学武等[14]提出了一种基于小波纹理特性的红外图像视觉检测方法,该方法对金属表面缺陷的识别率较高。从目前的研究现状来看,红外热成像缺陷检测技术的应用研究主要集中在有无缺陷、缺陷形状及大小的检测方面,但对于埋地管道内部缺陷的检测,特别是缺陷深度检测方面的研究还比较少。
针对这一问题,本文建立了一种基于电涡流主动热激励的红外热成像管道缺陷深度检测方法。在分析红外热成像管道缺陷深度检测机理的基础上,针对埋地管道检测对热激励的特殊要求,设计参数可调控的电涡流热激励实验装置,通过主动热激励实验,分析讨论谐振频率、提离高度、输入电功率等参数对热激励效率的影响,寻找其优化值;然后,对预先设计带有不同深度缺陷的检测试件进行主动热激励,并获取红外热图像,通过分析热图像数据发现红外图像灰度与缺陷深度之间的定量关系,建立缺陷深度检测模型,并进行实验验证。
2 红外热成像管道缺陷深度检测的机理
传热的3种方式分别是:热传导、对流、辐射。在基于电涡流主动热激励红外热成像对管道缺陷深度进行检测的过程中,通过电涡流将能量注入被测试件中,其中的一部分热量与周围的空气进行热交换,大部分热量在试件中进行热传导,试件内的热量在其表面激发热辐射,辐射频谱中包含红外波段,因此能采用红外热像仪获取试件表面的热辐射图像。
热传导公式为:
式中:
根据斯特藩-玻尔兹曼公式有:
式中:
3 基于电涡流的主动热激励实验
3.1 埋地管道热激励的特殊性
在城市中,各种输送管道大多埋在地下。由于地下温度较低,采用埋地管道自然温度场进行热成像的效果不好,难以保证对缺陷的有效分辨,因此需要对管道内壁待检测部分进行主动热激励。受埋地管道内部安全性、空间限制以及能量有限等因素的影响,所采用的热激励方式应满足非接触式、结构简单、尺寸小、工作电压低、功耗小、热激励效率高等特殊要求。考虑到输送压力等问题,埋地输送管道多采用碳钢,因此,经过优化的电涡流主动热激励方式能较好地满足上述要求。
3.2 电涡流热激励实验装置
为了实现电涡流主动热激励,设计并制作了一个谐振频率、提离高度、输入电功率等参数可调控的高频电涡流热激励实验装置,该装置主要由控制模块、驱动模块和谐振激励线圈等组成。如
图 1. (a)激励控制模块;(b)激励驱动模块;(c)谐振涡流激励线圈;(d)电涡流热激励装置工作状态
Fig. 1. (a) Excitation controller module;(b) excitation driver module; (c) resonant coil for eddy current thermal excitation; (d) eddy current excitation device in service
3.3 检测试件
检测试件的材质为45钢,每块试件的尺寸均为150 mm×150 mm×10 mm,经过特殊加工后形成类似管道内壁的圆弧状,圆弧的曲率半径为300 mm。这样,检测试件就可以近似认为是在埋地管道内壁局部取样。在检测试件上设计缺陷时,为了尽量减小热激励时各缺陷之间温度场的相互干扰,单块检测试件上只设计两个缺陷,且两个缺陷均匀分布在钢板的凹面上。此外,考虑到实际上缺陷的表面形状大致可以归并为圆形、槽形两类,因此,主要考虑圆形和槽形两种缺陷形状。被测试件如
图 2. 检测试件的实物图。(a)深度不同的槽形缺陷;(b)深度不同的圆形缺陷
Fig. 2. Physical maps of test specimens.(a) Groove-like defects with different depths;(b) circular defects with different depths
3.4 电涡流热激励参数的影响及优化实验
在对埋地管道缺陷进行检测时,由于能耗及效率的要求,所采用的热激励装置应具有较高的热激励效率。通常,热激励效率
式中:
定义热激励效率因数
这样,可以通过比较
对于前述电涡流热激励实验装置,影响热激励效率的参数主要有3个:谐振频率、线圈提离高度、输入电功率。需要对这3个激励参数进行实验分析,获得其优化值。
1) 谐振频率
为了分析谐振频率对热激励效率的影响,固定输入电功率为96 W,线圈提离高度为1 cm,改变热激励线圈匝数来调整谐振频率,测量从室温加热至40 ℃和60 ℃的时间,进而计算热激励效率因数
表 1. 谐振频率对热激励效率的影响
Table 1. Effects of resonance frequency on thermal excitation efficiency
|
图 3. 热激励效率因数随谐振频率的变化
Fig. 3. Variation of thermal excitation efficiency factor with resonant frequency
2) 线圈提离高度
为了分析线圈提离高度对热激励效率的影响,固定输入电功率为135 W,输入电流频率保持为17.5 kHz,通过调整线圈夹持装置来改变线圈与检测试件之间的提离高度,然后测量从室温加热至40 ℃和60 ℃的时间,计算热激励效率因数
表 2. 线圈提离高度对热激励效率的影响
Table 2. Effects of lift-off distance on thermal excitation efficiency
|
图 4. 热激励效率因数随线圈提离高度的变化
Fig. 4. Variation of thermal excitation efficiency factor with lift-off distance
3) 输入电功率
为了分析输入电功率对热激励效率的影响,固定热谐振频率为17.5 kHz,线圈提离高度为1 cm,改变输入电功率
表 3. 输入电功率对热激励效率的影响
Table 3. Effects of input power on thermal excitation efficiency
|
图 5. 热激励效率因数随输入电功率的变化
Fig. 5. Variation of thermal excitation efficiency factor with input power
还应兼顾40 ℃加热到60 ℃的时间差Δ
4 管道缺陷深度检测
根据上述实验结果,在17.5 kHz谐振频率、1 cm提离高度和150 W输入电功率的条件,通过电涡流热激励装置,在特制暗箱中分别将第1组和第2组检测试件从室温开始加热,利用接触式传感器检测试件的温度,使用优利德UTi160B型红外热像仪采集各检测试件表面的红外热图像,该红外热像仪的空间分辨率为160 pixel×120 pixel,测温灵敏度为0.08 ℃,输出图像灰度为0~255。每一轮实验采集10张图像,每块试件均采集10轮,然后传入计算机,对红外热图像的灰度图进行图像处理,包括图像分割、缺陷区域目标识别(涉及缺陷大小、形状、位置等信息识别的图像处理方法)、像素值分析计算等操作。
4.1 缺陷深度检测模型
对第1组中各试件的红外热图像进行分析,得到每块检测试件中各缺陷区域的灰度均值和非缺陷区域的灰度均值,计算二者间的灰度差,结果如
式中:
表 4. 不同深度槽形缺陷的灰度数据
Table 4. Grayscale data of groove-like defects at different depths
|
图 6. 槽形缺陷深度与平均灰度差值的关系
Fig. 6. Relationship between groove-like defect depth and average grayscale difference
同样,对第2组中各试件的红外热图像数据进行分析,得到每块检测试件中各个缺陷区域的灰度均值和非缺陷区域的灰度均值,计算二者间的灰度差数据,结果如
式中:
表 5. 不同深度圆形缺陷的灰度数据
Table 5. Grayscale data of circular defects at different depths
|
图 7. 圆形缺陷深度与平均灰度差值的关系
Fig. 7. Relationship between circular defect depth and average grayscale difference
分析
式中:
图 8. 缺陷深度小于7 mm的圆形缺陷深度与平均灰度差的关系
Fig. 8. Relationship between circular defect depth with average grayscale difference when the depth is less than 7 mm
4.2 缺陷深度检测的实验验证
单独加工两块验证用检测试件,按前述实验方法获取红外热图像,
图 9. 验证用检测试件的红外热图像。(a) 5 mm深槽形缺陷;(b) 6 mm深圆形缺陷
Fig. 9. Infrared thermal images of verifying specimens.(a) Groove-like defect with 5 mm depth;(b) circular defect with 6 mm depth
5 结论
提出了一种基于电涡流主动热激励的红外热成像管道缺陷深度检测方法,并开展了相关的实验研究,得到以下结论:
1) 对于电涡流热激励装置,热激励效率受谐振频率的影响,在谐振频率为17.5 kHz处有最高点;热激励效率随提离高度增加而下降,线圈应贴近被测试件表面;热激励效率随输入电功率的升高而降低,不宜采用超过150 W的热激励功率;谐振频率、提离高度、输入电功率这3个参数的优化值分别为17.5 kHz、1 cm、150 W。
2) 无论是槽形缺陷还是圆形缺陷,缺陷与非缺陷区域间红外图像灰度均值的差值均随缺陷深度的变化而变化。槽形缺陷深度与灰度呈单值对应关系,且具有较好的线性度,而圆形缺陷深度与灰度在一定范围内的线性拟合度较好。因此,可以通过实验数据拟合的方法建立槽形缺陷和圆形缺陷的深度检测模型,实现对缺陷深度的检测。
3) 在优化的电涡流主动热激励条件下,可以通过红外热图像计算出缺陷深度,所提出的基于电涡流主动热激励的红外热成像管道缺陷深度检测方法具有可行性。
[1] 沈功田, 景为科. 埋地管道无损检测技术[J]. 无损检测, 2006, 28(3): 137-150.
[2] 左延田, 俞厚德. 在用埋地钢质管道管体无损检测技术[J]. 化工装备技术, 2010, 31(6): 53-56.
[3] 张跃强, 张早校, 郝建成, 等. 管道超声导波检测技术进展[J]. 化工设备与管道, 2016( 3): 72- 75.
Zhang YQ, Zhang ZX, Hao JC, et al. Development of ultrasonic guided wave technique used in pipeline inspection[J]. Process Equipment & Piping, 2016( 3): 72- 75.
[4] 卢泓方, 吴晓南, Tom I, 等. 国外天然气管道检测技术现状及启示[J]. 天然气工业, 2018, 38(2): 103-111.
[5] 戴景民, 汪子君. 红外热成像无损检测技术及其应用现状[J]. 自动化技术与应用, 2007, 26(1): 1-7.
[7] Endo H, Kusaka T. Efficient inspection for gas pipes by infrared thermography[J]. Technology Review, 2015, 33(2): 50-55.
[8] 王永茂, 郭兴旺, 李日华. 红外检测中缺陷大小和深度的测量[J]. 激光与红外, 2002, 32(6): 404-406.
[9] 王永茂, 郭兴旺, 李日华, 等. 缺陷大小和深度的红外检测[J]. 无损检测, 2003, 25(9): 458-461.
[10] 杨黎俊, 耿完桢, 姜铃珍, 等. 红外成象检测中的缺陷大小评估[J]. 无损检测, 1999, 21(2): 65-67.
[11] 朱亚昆, 朱志彬, 郑荣部, 等. 红外热像无损检测的热激励技术[J]. 石油化工设备, 2014, 43(4): 86-89.
[12] 田裕鹏, 周克印, 梁华, 等. 缺陷红外检测的定量化分析研究[J]. 仪器仪表学报, 2008, 29(11): 2413-1418.
[13] 赵石彬, 张存林, 伍耐明, 等. 红外热波无损检测技术用于聚丙烯管道缺陷的检测[J]. 光学学报, 2010, 30(2): 456-460.
[14] 张学武, 丁燕琼, 闫萍. 一种基于红外成像的强反射金属表面缺陷视觉检测方法[J]. 光学学报, 2011, 31(3): 0312004.
[15] 罗森诺. 传热学基础手册[M]. 北京: 科学出版社, 1992.
Rohsenow WM. Handbook of heat transfer fundamentals [M]. Beijing: Science Press, 1992.
[16] 华浩然. 红外热成像反射与透射法的缺陷深度定量检测[D]. 南昌: 南昌航空大学, 2015.
Hua HR. Research on quantitative detection of defect depth through reflection method and transmission method of infrared thermal imaging technology[D]. Nanchang: Nanchang Hangkong University, 2015.
[17] 刘震涛, 潘俊, 尹旭, 等. 感应加热线圈参数对被试件温度场的影响分析[J]. 机电工程, 2015, 32(3): 317-323.
Article Outline
王卓, 张云伟, 喻勇, 樊阳阳. 主动热激励式红外热成像管道缺陷深度检测[J]. 光学学报, 2018, 38(9): 0912003. Zhuo Wang, Yunwei Zhang, Yong Yu, Yangyang Fan. Depth Test of Pipeline Defects by Active Thermal Excitation and Infrared Thermography[J]. Acta Optica Sinica, 2018, 38(9): 0912003.