Автоматизированная система тепловой дефектометрии многослойных материалов на основе глубокого обучения

На сегодняшний день, вместе с ростом темпов промышленного производства повышаются также и требования к контролю качества продукции. В задачах дефектоскопии и дефектометрии многослойных материалов перспективным является использование теплового метода неразрушающего контроля. В то же время, интерпретация данных теплового контроля усложнена рядом факторов, что делает использование традиционных методов анализа данных неэффективным. Поэтому актуальным заданием является поиск новых методов теплового контроля, которые позволят автоматизировать процесс диагностики и повысить информативность полученных результатов. Целью статьи являлось использование достижений в области глубокого обучения для обработки результатов активного теплового контроля изделий из многослойных материалов и разработка автоматизированной системы тепловой дефектоскопии и дефектометрии таких изделий.

Предлагаемая система состоит из источника нагрева, тепловизора для регистрации последовательностей термограмм и блока цифровой обработки информации. Для автоматизированной обработки данных используются три нейросетевых модуля, каждый из которых выполняет одну из задач: обнаружение и классификация дефектов, определение глубины залегания дефекта и его раскрытия (толщины). Программные алгоритмы и интерфейс взаимодействия с системой выполнены в среде разработки NI LabVIEW.

Экспериментальные исследования на образцах из многослойного стеклотекстолита показали значительное преимущество разработанной системы над методами, использующими традиционные алгоритмы анализа данных теплового контроля. Ошибка определения типа (классификации) дефекта на тестовом образце составила 15,7 %. Разработанная система обеспечила определение глубины дефекта с относительной погрешностью 3,2 %, а также толщины дефекта с относительной погрешностью 3,5 %.

1. Galagan R.М. Analysis of application of neural networks to improve the reliability of active thermal NDT. KPI Science News, 2019, no. 1, pp. 7–14. DOI: 10.20535/kpi-sn.2019.1.157374

2. Jiangang S. Analysis of data processing methods for pulsed thermal imaging characterisation of delaminations. Quantitative InfraRed Thermogra- phy Journal, 2013, vol. 10, pp. 9–25. DOI: 10.1080/17686733.2012.757860

3. Ahmed J., Gao B., Woo W.L., Wavelet-Integrated Alternating Sparse Dictionary Matrix Decomposition in Thermal Imaging CFRP Defect Detection. IEEE Transactions on Industrial Informatics, 2019, vol. 15, no. 7, pp. 4033–4043. DOI: 10.1109/TII.2018.2881341

4. Vavilov V.P. Dynamic thermal tomography: Recent improvements and applications. NDT&E International, 2018, no. 135, pp. 129–141. DOI: 10.1016/j.ndteint.2014.09.010

5. Dudzik S. Analysis of the accuracy of a neural algorithm for defect depth estimation using PCA processing from active thermography data. Infrared Physics & Technology, 2013, no. 56, pp. 1–7. DOI: 10.1016/j.infrared.2012.08.006

6. Balageas D., Maldague X., Burleigh D, Vavi- lov V.P., Oswald-Tranta B., Roche J.-M., Pradere C., Carlomagno G.M. Thermal (IR) and other NDT techniques for improved material inspection. Journal of Nondestructive Evaluation, 2016, vol. 35, no. 1, article 18, 17 p. DOI: 10.1007/s10921-015-0331-7

7. Marani R., Palumbo D., Reno V. Modeling and classification of defects in CFRP laminates by thermal non-destructive testing. Composites Part B: Engineering, 2018, no. 135, pp. 129–141. DOI: 10.1016/j.compositesb.2017.10.010

8. Hellstein P., Szwedo M. 3D thermography in non- destructive testing of composite structures. Measurement Science and Technology, 2016, vol. 27, no. 12, article id. 124006. DOI: 10.1088/0957-0233/27/12/124006

9. Vavilov V.P., Nesteruk D.A. Aktivnyj teplovoj kontrol' kompozicionnyh materialov s ispol'zovaniem nejronnyh setej [Active thermal testing of composite materials using neural networks]. Defektoskopiya [Defectoscopy], 2011, no. 10, pp. 10–18 (in Russian).

10. Saeed N., Omar M.A., Abdulrahman Y. A neural network approach for quantifying defects depth, for nondestructive testing thermograms. Infrared Physics & Technology, 2018, no. 94, pp. 55–64. DOI: 10.1016/j.infrared.2018.08.022

11. Chulkov A.O., Nesteruk D.A., Vavilov V.P. An Automated Algorithm for Constructing Maps of Defects in Active Thermal Testing. Russian Journal of Nondestructive Testing, 2019, vol. 55, pp. 617–621. DOI: 10.1134/S1061830919080035

12. Vavilov V., Plesovskikh A., Chulkov A. A com- plex approach to the development of the method and equipment for thermal nondestructive testing of CFRP cylindrical parts. Composites Part B: Engineering, 2015, vol. 68, pp. 375–384. DOI: 10.1016/j.compositesb.2014.09.007

13. Ciampa F., Mahmoodi P., Pinto F., Meo М. Re- cent Advances in Active Infrared Thermography for Non- Destructive Testing of Aerospace Components. Sensors, 2018, vol. 18(2), article id. 609. DOI: 10.3390/s18020609

14. Momot A., Galagan R. Influence of architecture and training dataset parameters on the neural networks efficiency in thermal nondestructive testing. Sciences of Europe, 2019, no. 44, pp. 20–25.

15. Chulkov A.O. Analyzing efficiency of optical and THz infrared thermography in nondestructive testing of GFRPs by using the Tanimoto criterion. NDT & E International, 2021, vol. 117, article id. 102383. DOI: 10.1016/j.ndteint.2020.102383