Infrared Detection of Near Surface Defects of Aeroengine Blade Based on Array Hot Air Excitation
-
摘要: 航空发动机叶片的三维曲面结构、复杂的材料特性和特殊的冷却通道等，给叶片近表面缺陷的检测带来了困难。针对热激励源加热不均导致检测的红外热图效果差、缺陷识别率低的问题，提出了一种阵列热风激励的主动红外检测方法，改进并搭建一套可调阵列热风红外无损检测实验平台。通过设计阵列热风激励与局部热风激励的对比实验，并采用Canny算子进行缺陷边缘识别，证明了阵列热风激励主动红外检测方法的优势。通过实验分析不同材料下含裂纹试件的温度变化规律。实验结果表明：随热扩散系数增大，温升出现越早，表面最大温度呈下降趋势。通过利用检测实验平台对航空发动机叶片进行检测，揭示了导热性和隔热性缺陷的温度分布规律；其中导热性、隔热性和两者混合类型的缺陷检出率分别达到86.7%、93.3%、90%，也表明阵列热风激励红外检测方法能有效检测出航发叶片中的裂纹缺陷。Abstract: The three-dimensional curved structure, complex material properties and special cooling channels of the aeroengine blades have brought difficulties to the detection of the near surface defects of the blades. Aiming at the problem that the uneven heating of the thermal excitation source leads to poor detection of infrared heat maps and low defect recognition, an active infrared detection method based on array hot air excitation is proposed, and a set of adjustable array hot air infrared non-destructive testing experimental platform is improved and built. By designing a comparative experiment between array hot air excitation and local hot air excitation, and using the canny operator to identify the edge of defects, the advantages of the array hot air excitation active infrared detection method are proved. The temperature variation law of the cracked specimens under different materials is analyzed through experiments. The experimental results show that as the thermal diffusion coefficient increases, the earlier the temperature rise occurs, and the maximum surface temperature shows a downward trend. Through the use of testing experimental platform to detect the aeroengine blades, the temperature distribution law of thermal conductivity and thermal insulation defects is revealed; the thermal conductivity, thermal insulation, and two mixed types of defects are detected The rates reached 86.7%, 93.3%, and 90% respectively. It also shows that the array hot-air excitation infrared detection method can effectively detect the crack defects in the blades of the aeroengine.
-
Keywords:
- aeroengine blade /
- array hot air /
- near surface defect /
- Canny algorithm
-
0. 引言
主动红外热像检测技术具有灵敏度高、检测面积大、检测结果直观等特点，在近表面试件缺陷检测方面具有良好的检测效果[1-4]。航空发动机叶片的三维曲面结构、复杂的材料特性和特殊的内部冷却通道等，严重影响热激励源的加热效果，使叶片表面温度分布不均，导致检测的红外热图对比度差、检测效果不直观，从而给缺陷定性分析、定量识别带来困难[5-7]。因此，亟需一种提供高热量输入且保持高均匀度的热激励方法，不仅能降低背景中噪声干扰，抑制虚假“高低温”现象出现，而且有助于精确反映被测物体表面温度变化。
米浩等[8]采用超声红外热成像技术实现缺陷检测与定位，对热像降噪处理增强对比度，极差阈值为49时能清晰识别出缺陷特征；同时利用阵列涡流技术检测钛合金超声刀，裂纹识别率均达70.2%。罗立等[9]提出了基于超声红外热成像的表面裂纹识别与提取方法，运用贴合度获取裂纹宽度和面积完成裂纹的三维重构，裂纹识别准确率最高达85%。李科等[10]使用热风红外技术快速检测航空材料损伤，采用背景差分和阈值分割技术增强信噪比且实现缺陷定位，检测结果直观。尽管以上研究工作提升了主动红外热像的缺陷检测能力，但在检测航发叶片近表面缺陷检测领域，仍需要对现有的激励方法进行改进，深入研究不同材料和不同裂纹对表面温度场的影响，以达到更佳的缺陷识别效果。
本文针对航发叶片近表面缺陷检测的技术难题，提出一种阵列热风激励的主动红外检测方法，改进并搭建阵列热风红外无损检测实验平台，通过设计局部热风激励和阵列热风激励对比实验，并采用Canny算子进行缺陷边缘识别，验证阵列热风激励主动红外检测方法的可行性，并通过实验分析不同材料试件中裂纹检测效果的影响规律。对含裂纹的航发叶片进行检测验证，分析其表面温度分布规律和裂纹的检出效果，为实现阵列热风红外热像技术在航发叶片缺陷检测方面的应用奠定了理论和实验基础。
1. 基本原理
红外热波无损检测中，热激励源的选取和参数控制对被测物体吸收热量的充足程度和均匀程度至关重要，然而，单点热风激励模式已无法满足缺陷检测的要求。因此，本课题组提出一种阵列热风激励的主动红外检测方法，对原有的实验平台进行改进，并搭建一套可调阵列热风红外无损检测实验平台，主要包括阵列式热风枪、可调节支架、热激励控制器、红外热像仪、计算机图像处理系统和其他辅助设备（三维运动平台等），如图 1所示。
![]()
图 1 可调阵列热风红外无损检测实验平台Figure 1. Adjustable array hot air infrared non-destructive testing experimental platform由于不同被测物体具有不同热扩散系数，会产生不同的热传导现象[11]。本实验通过采集被测物体表面温度场获取缺陷特征。若试件中无缺陷，表面温度变化均匀，如图 2(a)所示。若试件的缺陷为隔热性缺陷，缺陷处的热扩散系数比正常区域小，热量堆积形成热区，如图 2(b)所示；若试件的缺陷为导热性缺陷，缺陷处的热扩散系数比正常区域大，热量削减形成冷区，如图 2(c)所示。
这种激励方式创新之处在于：热风枪呈阵列式分布，可根据被测试件尺寸灵活调整热风枪激励位置，实现全方位加热；同时配有两种激励方法：局部激励、阵列激励，选取合适的激励方法能改善因加热不均匀导致热像对比度低等不足，提高缺陷检出率；支架上的热风枪能根据实际检测需求进行拆卸，被测物体表面受热均匀有助于精准获取表面温度场。
2. 红外热像实验
2.1 试件准备
在无损检测领域，常用平底孔试件模拟真实缺陷，本课题组设计4种典型金属材料试件，尺寸信息和材料参数分别如图 3和表 1[12]所示。在试件表面均匀喷涂一层很薄的黑漆，以降低表面光洁度、平整度等产生的噪声，提高热发射率增强检测效果，发射率为0.98。
表 1 材料参数[12]Table 1. Material parametersMaterial ρ/(kg·m-3) C/(J·kg-1·K-1) k/(W·m-1·K-1) α/(m2·s-1) 45 4620 522 21.9 9.08×10-6 TC4 7850 434 49.8 1.46×10-5 7075 2270 875 144 7.20×10-5 Ni718 8240 435 14.7 1.18×10-5 2.2 实验准备
阵列式热风枪和红外热像仪位于同一侧，根据红外热像仪的视场角，调整红外热像仪与待测试件间距离为150 mm，确保待测试件在红外热像仪视场中央。检测前，校准红外热成像仪消除设备干扰，将红外热像仪固定于三脚架，确保采集清晰的热像图；通过热激励控制器选取合适的激励方法，利用红外热像仪（HIKVISION非制冷型红外热像仪，等效噪声温差低于50 mK，分辨率160×120，采集帧频25 Hz）采集待测试件的表面温度场。
通过设计局部热风激励和阵列热风激励的对比实验，以裂纹检测效果和检出率作为评价指标来检验阵列热风激励方法的可行性，并通过实验分析不同材料对裂纹检测效果的影响规律。
2.3 边缘检测
针对实验采集到的红外热图色调较单一，且存在噪声，因此需要借助边缘检测来获取缺陷特征[13]。由于Canny边缘检测具有准确度高、容噪性好、可高斯滤波等优点[14]，能精确表征缺陷信息。
为了增强Canny算子边缘识别效果，需先采用高斯滤波过滤图像中高频噪声，减少噪声对检测结果的影响，高斯滤波公式如式(1)所示[15]：
$$ G(x, y) = \frac{1}{{2{\rm{ \mathsf{ π} }}{\sigma ^2}}}\exp \left( { - \frac{{{x^2} + {y^2}}}{{2{\sigma ^2}}}} \right) $$ (1) 式中：(x, y)为高斯滤波点，一般取整数；σ为高斯滤波器参数，决定平滑去噪的程度，通常根据图像中噪声情况取值。
滤波后边缘检测过程如图 4所示。
3. 实验结果与分析
3.1 不同激励方法检测结果
设置热风枪的激励温度300℃，激励风速4.68 m/s，激励时间20 s，不同激励方法检测效果如图 5(a)和(b)所示。
图 5(a)中红外图像裂纹处像素点存在忽亮忽暗现象，可识别出大约2个裂纹，裂纹边缘较模糊，且存在大量噪声，检测效果不理想；如图 5(b)所示，阵列热风能有效检出4个裂纹，裂纹检出率提高了1倍，裂纹区域亮暗对比度明显，裂纹轮廓清晰可见，证明了阵列热风激励主动红外检测方法的可行性。
3.2 不同材料裂纹检测分析
热扩散系数反映材料的热扩散能力，在相同检测条件下，不同材料会有不同检测结果。采用阵列热风激励方法检测试件，设置激励温度300℃，激励风速4.68 m/s，激励时间20 s，采集试件中裂纹尺寸7 mm×1 mm×1 mm的温度数据，表面温度曲线和红外检测结果如图 6和图 7所示。
![]()
图 6 不同材料的表面温度曲线Figure 6. Surface temperature difference graph for different materials如图 6所示，45钢热扩散系数最小，表面最大温度持续时间较长，这是因为其传热速度较慢导致内部热量不易扩散，造成试件表面温度较低。通过对比不同材料，发现7075温升出现最早且传热速度最快，在降温过程中呈先急速后平缓下降直到恢复至原有热平衡状态；由于TC4和Ni718热扩散系数相近，TC4和Ni718温升与温降变化的趋势基本相同。随着热扩散系数增大，传热速度增快，表面温差呈下降趋势，不利于对细微裂纹的检测。如图 7(a)~(b)，红外热像图中的裂纹从无到有再逐渐清晰，均存在明显温升，可以表明在此检测条件下，通过阵列热风加热试件，主要是沿着试件表面进行横向热传导。
4. 应用验证
采用可调阵列热风红外无损检测实验平台对航空发动机叶片进行检测。采用阵列热风激励方法，设置激励参数：激励温度300℃，激励风速4.68m/s，激励时间20 s，采集航发叶片裂纹处的温度数据，表面温差曲线如图 8所示。如图 9(a)中#1和#2航发叶片目视无法发现裂纹，然而采用金相显微镜对叶片放大100倍后，可观察到#1和#2叶片中存在裂纹，此类缺陷归为目视不可见裂纹且对航空发动机安全运行存在潜在威胁，其红外检测结果如图 9(b)所示。
如图 8所示，航发叶片#1的表面最大温差为负值，意味着裂纹区域温度低于正常区域，主要原因是裂纹处的热扩散系数高于叶片本身的热扩散系数，使裂纹上方材料表面的热量容易快速向内部扩散，属于导热性缺陷；航发叶片#2裂纹中心的表面最大温差1.3℃，裂纹区域温度明显高于正常区域，属于隔热性缺陷。以上裂纹表面最大温差均比当前实验使用红外热像仪的分辨率0.1℃高出很多，根据热扩散系数与温度数据的关系，后续还能检测更微小的裂纹。
图 9中#1航发叶片的裂纹顶端开口处亮暗对比度最显著，裂纹在热像图中为暗斑，由于裂纹开口处与外界空气发生强烈热对流，导致裂纹边缘堆积的热量快速溢出，裂纹根部向内扩展纹理较模糊，意味着裂纹根部温差变化最小；叶片#2中裂纹区域像素点为亮斑，考虑到裂纹处热扩散，红外热像中亮斑区域要比实际裂纹大，便于裂纹识别与定量分析。
为进一步定量评价阵列热风主动红外检测对航发叶片裂纹的识别效果，选取与图 9中#1、#2相似的含裂纹航发叶片作为待测样本（其中导热性缺陷的数量15个，隔热性缺陷的数量15个），并利用Canny算子进行缺陷边缘识别，检测结果如表 2所示。
表 2 含裂纹航发叶片的检出率Table 2. Detection rate of cracked aviation bladesType Correct identification number/Total number of collections The detection rate/% Thermal conductivity 13/15 86.7 Thermal insulation 14/15 93.3 Two blends 27/30 90.0 5. 结论
本文针对热激励不均匀导致检测的红外热图效果差、缺陷检出率较低的问题，提出一种阵列热风激励的主动红外检测方法，并在现有平台上改进并搭建了可调阵列热风红外无损检测实验平台。通过设计对比实验分析了局部热风激励和阵列热风激励的检测能力，揭示了不同材料试件的温度变化规律。利用检测实验平台对含裂纹的航发叶片进行检测，并分析了其表面温度场和裂纹检测效果，得到结论如下：
① 通过采用阵列热风激励方法检测含裂纹试件时，发现裂纹检出率比局部热风激励时提高了1倍，红外检测效果好且噪声少，从而证明了阵列热风激励主动红外检测方法的可行性。
② 实验表明：材料的热扩散系数越大，传热速度也越快，表面最大温度变化呈下降趋势，越不利于检测细微裂纹。
③ 检测结果表明：航发叶片#1中裂纹为导热性缺陷，其裂纹区域的热扩散系数高于叶片本体的热扩散系数；航发叶片#2中裂纹为隔热性缺陷，裂纹处有充足热量堆积且能很好检测出来，也表明了阵列热风红外在航发叶片缺陷检测上具有良好的检测能力。其中导热性、隔热性和两者混合类型的缺陷检出率分别达到86.7%、93.3%，90%，同时能较好判断裂纹存在和定位，为阵列热风红外热成像在航发叶片缺陷检测上的应用奠定了基础。
-
![]()
图 1 可调阵列热风红外无损检测实验平台
Figure 1. Adjustable array hot air infrared non-destructive testing experimental platform
![]()
图 6 不同材料的表面温度曲线
Figure 6. Surface temperature difference graph for different materials
表 1 材料参数[12]
Table 1 Material parameters
Material ρ/(kg·m-3) C/(J·kg-1·K-1) k/(W·m-1·K-1) α/(m2·s-1) 45 4620 522 21.9 9.08×10-6 TC4 7850 434 49.8 1.46×10-5 7075 2270 875 144 7.20×10-5 Ni718 8240 435 14.7 1.18×10-5 
下载: 导出CSV
表 2 含裂纹航发叶片的检出率
Table 2 Detection rate of cracked aviation blades
Type Correct identification number/Total number of collections The detection rate/% Thermal conductivity 13/15 86.7 Thermal insulation 14/15 93.3 Two blends 27/30 90.0
下载: 导出CSV
-
[1] 吕事桂, 刘学业. 红外热像检测技术的发展和研究现状[J]. 红外技术, 2018, 40(3): 214-219. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS201803003.htm LYU Shigui, LIU Xueye. Development and research status of infrared thermal image detection technology[J]. Infrared Technology, 2018, 40(3): 214-219. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS201803003.htm
[2] 魏嘉呈, 刘俊岩, 何林, 等. 红外热成像无损检测技术研究发展现状[J]. 哈尔滨理工大学学报, 2020, 25(2): 64-72. https://www.cnki.com.cn/Article/CJFDTOTAL-HLGX202002010.htm WEI Jiacheng, LIU Junyan, HE Lin, et al. Recent progress in infrared thermal imaging nondestructive testing technology[J]. Journal of Harbin University of Science and Technology, 2020, 25(2): 64-72. https://www.cnki.com.cn/Article/CJFDTOTAL-HLGX202002010.htm
[3] 习小文, 苏清风, 袁雅妮, 等. 超声红外热成像技术在航空发动机叶片裂纹的对比研究[J]. 红外技术, 2021, 43(2): 186-191. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS202102013.htm XI Xiaowen, SU Qingfeng, YUAN Yanni, et al. Comparative study of using ultrasonic infrared thermography for detecting aeroengine blade cracks[J]. Infrared Technology, 2021, 43(2): 186-191. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS202102013.htm
[4] 孙吉伟, 冯辅周, 张丽霞, 等. 涡流脉冲热像检测中金属疲劳裂纹的生热分析[J]. 红外技术, 2019, 41(4): 383-387. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS201904014.htm SUN Jiwei, FENG Fuzhou, ZHANG Lixia, et al. Thermal analysis of metal fatigue cracks in eddy current pulsed thermography[J]. Infrared Technology, 2019, 41(4): 383-387. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS201904014.htm
[5] Selvathi D, NithillaI H, Akshay N. Image processing techniques for defect detection in metals using thermal images[C]//3rd International Conference on Trends in Electronics and Informatics(ICOEI), IEEE, 2019: 939-944.
[6] 高治峰, 董丽虹, 王海斗, 等. 振动红外热成像技术用于不同类型缺陷检测的研究进展[J]. 材料导报, 2020, 34(9): 9158-9163. https://www.cnki.com.cn/Article/CJFDTOTAL-CLDB202009022.htm GAO Zhifeng, DONG Lihong, WANG Haidou, et al. Research progress and prospect of vibrothermography in different defect types[J]. Materials Reports, 2020, 34(9): 9158-9163. https://www.cnki.com.cn/Article/CJFDTOTAL-CLDB202009022.htm
[7] Souridi P, Chrysafi A P, Athanasopoulos N, et al. Simple digital image processing applied to thermographic data for the detection of cracks via eddy current thermography[J]. Infrared Physics & Technology, 2019, 98: 174-186.
[8] 米浩, 杨明, 于磊, 等. 基于超声红外热成像的缺陷检测与定位研究[J]. 振动·测试与诊断, 2020, 40(1): 101-106, 205-206. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDCS202001015.htm MI Hao, YANG Ming, YU Lei, et al. Defect detection and location of based on ultrasonic infrared thermal imaging[J]. Journal of Vibration Measurement & Diagnosis, 2020, 40(1): 101-106, 205-206. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDCS202001015.htm
[9] 罗立, 王瀚艺. 基于超声红外热成像的复合材料表面裂纹识别[J]. 激光杂志, 2020, 41(12): 146-150. https://www.cnki.com.cn/Article/CJFDTOTAL-JGZZ202012032.htm LUO Li, WANG Hanyi. Surface crack identification of composite materials based on ultrasonic infrared thermal imaging[J]. Laser Journal, 2020, 41(12): 146-150. https://www.cnki.com.cn/Article/CJFDTOTAL-JGZZ202012032.htm
[10] 李科, 钟安彪, 李玉杰, 等. 基于热风激励的红外成像检测技术研究[J]. 激光与红外, 2016, 46(7): 823-826. https://www.cnki.com.cn/Article/CJFDTOTAL-JGHW201607011.htm LI Ke, ZHONG Anbiao, LI Yujie, et al. Research on infrared imaging detection based on hot wind heating[J]. Laser & Infrared, 2016, 46(7): 823-826. https://www.cnki.com.cn/Article/CJFDTOTAL-JGHW201607011.htm
[11] 康爽, 陈长征, 周勃, 等. 基于温度阈值风电叶片缺陷识别的红外检测研究[J]. 太阳能学报, 2020, 41(8): 337-341. https://www.cnki.com.cn/Article/CJFDTOTAL-TYLX202008045.htm KANG Shuang, CHEN Changzheng, ZHOU Bo, et al. Research on infrared detection of wind turbine blade defect recognition based on temperature threshold[J]. Acta Energiae Solaris Sinica, 2020, 41(8): 337-341. https://www.cnki.com.cn/Article/CJFDTOTAL-TYLX202008045.htm
[12] 杨正伟, 谢星宇, 李胤, 等. 激光扫描热成像无损检测关键参数影响分析[J]. 红外与激光工程, 2019, 48(11): 91-101. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ201911015.htm YANG Zhengwei, XIE Xingyu, LI Yin, et al. Influence analysis of key parameters in laser scanning thermography nondestructive testing[J]. Infrared and Laser Engineering, 2019, 48(11): 91-101. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ201911015.htm
[13] 唐庆菊, 刘俊岩, 王扬, 等. 基于模糊C均值聚类和Canny算子的红外图像边缘识别与缺陷定量检测[J]. 红外与激光工程, 2016, 45(9): 281-285. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ201609042.htm TANG Qingju, LIU Junyan, WANG Yang, et al. Infrared image edge recognition and defect quantitative determination based on the algorithm of fuzzy C-means clustering and Canny operator[J]. Infrared and Laser Engineering, 2016, 45(9): 281-285. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ201609042.htm
[14] Ratsakou A, Skarlatos A, Reboud C, et al. Shape reconstruction of delamination defects using thermographic infrared signals based on an enhanced Canny approach[J]. Infrared Physics and Technology, 2020, 111: 103527.
[15] 王福斌, 孙海洋, TU Paul. 边缘扩展的皮带撕裂支持向量机视觉检测[J]. 中国机械工程, 2019, 30(4): 455-460. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGJX201904011.htm WANG Fubing, SUN Haiyang, TU Paul. Visual inspection for extended edge belt tearing based on SVM[J]. China Mechanical Engineering, 2019, 30(4): 455-460. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGJX201904011.htm
-
期刊类型引用(10)
1. 田文豪，汪繁荣，乔一航. 基于VMF-UNet的液基细胞制染机缺陷图像分割. 现代电子技术. 2025(05): 36-42 . 
百度学术
2. 郑铁华，王飞，赵格兰，杜春晖. 基于单分类支持向量机的煤矿防爆电气设备振动故障自动检测. 工矿自动化. 2025(02): 106-112 . 百度学术
3. 王琦，张欣唯，童悦，王昱晴，张锦，王咏涛，袁小翠. 一种复杂背景下电气设备红外图像精确分割方法. 激光与红外. 2025(03): 399-407 . 百度学术
4. 刘慧慧，裴庆庆. 改进U-Net网络的多视觉图像特征张量分割仿真. 计算机仿真. 2024(03): 237-241 . 百度学术
5. 于晓，姜晨慧. 基于深度学习的重叠红外刑侦目标提取算法研究. 黑龙江工业学院学报(综合版). 2024(02): 85-93 . 百度学术
6. 林颖，张峰达，李壮壮，郑文杰，戈宁. 基于大模型的红外图像电力设备交互式分割. 网络新媒体技术. 2024(02): 53-60+67 . 百度学术
7. 张宇，袁小翠，许志浩，康兵. 复杂背景下断路器红外图形精确分割方法. 江西电力. 2024(03): 1-7 . 百度学术
8. 严如强，周峥，杨远贵，李亚松，胡晨烨，陶治宇，赵志斌，王诗彬，陈雪峰. 可解释人工智能在工业智能诊断中的挑战和机遇：归因解释. 机械工程学报. 2024(12): 21-40 . 百度学术
9. 龚律凯，彭伊丽，陈绪兵，韩桂荣，李慧怡. 基于改进U-Net算法的焊缝特征识别研究. 现代制造工程. 2024(11): 18-25 . 百度学术
10. 林颖，张峰达，李壮壮，孙艺玮，于文牮. 基于交互式分割的电力设备红外图像自动标注方法. 山东电力技术. 2023(12): 20-25+44 . 百度学术
其他类型引用(10)
计量
- 文章访问数: 214
- HTML全文浏览量: 28
- PDF下载量: 42
- 被引次数: 20
