基于双向长短期记忆网络的金属裂纹检测：稳定型闪存电容器

基于双向长短期记忆网络的金属裂纹检测：稳定型闪存电容器

抽象

热成像裂纹检测通过对每个像素的温度衰减进行分类，并使用双向LSTM读取该序列。浅裂纹的温度对比度为1 K至2 K，而相机噪声约为20 mK，因此激励重复性必须在±1%以内。本文给出了衰减和对比度方程、四种导致误报的现场故障模式以及用于稳定输入序列的电容器参数。

1. 引言

对锻钢零件进行脉冲热成像扫描时，会记录一系列红外图像。零件表面会短暂闪光，随后冷却的热波会传入金属内部。如果裂纹延伸至表面或位于表面下方，就会阻断热流，留下持续数十毫秒的热线。

这种缺陷理论上是可见的，但实际上却难以察觉。裂纹信号相对于发射率纹理、加工痕迹和相机噪声而言，亮度仅略高几开尔文。此外，它还具有时效性：缺陷会在每个像素的冷却历史中显现出来，而非仅出现在某一帧图像中。静态阈值分割和单帧图像分析恰恰无法检测到这种类型的信号。

哈尔滨工业大学的热成像裂纹检测项目将裂纹问题视为序列分类问题。每个像素对应一个温度衰减时间序列，裂纹判定则转化为对该序列的模式识别任务。双向长短期记忆（Bi-LSTM）网络正向和反向读取该序列，学习裂纹产生的温度衰减形状扰动，并能容忍帧间噪声。

本文量化了网络的衰减物理过程，提出了错误分类背后的场失效模式，并给出了使输入分布在数百万次检查中保持稳定的激励和信号质量步骤。

2. 核心机制

2.1 承载裂纹数据的温度衰减序列

瞬间闪光过后，半无限金属表面冷却方式如下：

ΔT(0,t) = Q / (e · √(π · t)).

其中 ΔT 为表面温升，Q 为吸收的能量密度，e 为热扩散率，t 为闪光后的时间。对于钢，扩散率为 e ≈ 9,000 至 13,000 J/(m²·K·s^½)。

深度为 h 的裂缝会形成一道屏障，阻碍热量积聚，因此其上方的像素冷却速度较慢。与背景音的对比度变化如下：

ΔT_crack(t) ≈ ΔT_sound(t) · (h / d(t)).

其中 ΔT_crack 为裂纹处的温度差，ΔT_sound 为完好金属的温度升高，h 为裂纹深度，d(t) 为时间 t 时的扩散深度。

扩散深度本身随时间平方根的增长而增长：

d(t) = √(α · t).

其中 α 为热扩散率，钢的热扩散率为 1.2 × 10⁻⁵ m²/s。因此，0.5 mm 的裂纹在 60 至 120 帧的冷却序列中，于 t = h²/α = 21 ms 附近产生峰值对比度。

2.2 为什么双向递归符合该信号

LSTM 单元根据第 t 帧的温度和前一帧的状态更新隐藏状态 h_t。双向 LSTM 执行一次前向传播和一次反向传播，然后将两个状态连接起来：

h_t = [h_t^f ; h_t^b].

其中 h_t^f 是前向隐藏状态，h_t^b 是后向隐藏状态，h_t 是输入分类器的连接状态。

裂纹异常是偏离基本衰减规律的表现，因此其意义取决于其前后帧。反向传播验证了早期偏差之后会经历缓慢恢复，从而抑制了单帧噪声峰值。哈尔滨工业大学的试验表明，准确率提高了 15% 到 20%。该对比试验使用了相同的裂纹数据，并与单帧卷积神经网络 (CNN) 分类进行了比较。

2.3 信噪比和输入质量

一台冷却式红外相机每帧图像的噪声约为 20 mK。在典型的检测能量下，峰值时刻的裂纹对比度为 1 K 至 5 K，此时的原始信噪比为 50 至 250。随着峰值的过去，信噪比逐渐下降，并且还有三种效应会进一步降低信噪比。

第一种是闪光能量散射，它会使整个衰减曲线发生偏移，并在网络中表现为类似裂纹的异常信号。第二种是发射率变化，它会影响每个像素的温度历史。第三种是帧抖动，它会导致序列在时间上错位。±10%的闪光能量散射会产生一个相当于0.3毫米裂纹大小的伪信号，而这个数值正是造成现场大多数误报的原因。

2.4 班级平衡与决策阈值

生产数据中破损部件的数量远少于完好部件。在一批包含 5,000 个部件的测试数据中，如果存在 25 个破损部件，则破损记录仅占总数的 0.5%。此时，如果一个网络对所有输入都预测为完好部件，其准确率将达到 99.5%，但却无法返回任何有价值的信息。因此，训练需要进行类别加权或过采样，而最佳工作点则来自对预留现场数据的精确率-召回率曲线。网络输出的每个序列的破损概率随后会被设定阈值并聚类，最终生成缺陷图。

图 1 — 0.5 毫米裂纹的对比度在闪光后 21 毫秒达到峰值，10% 的闪光能量散射模拟了 0.3 毫米深的裂纹。

3. 工程痛点

痛点一：闪光能量漂移会产生裂纹状瑕疵

一个配备老旧电解闪蒸片的生产站，其脉冲间能量波动在±10%至±15%之间。一个在实验室验证中裂纹召回率达到97%的网络，在实际生产线上却产生了超过30%的误报率。偏移的衰减曲线对于分类器来说看起来像是浅裂纹。算法承担了责任，而激励源却将输入移出了训练分布范围。陶瓷和 薄膜电容器 银行未能履行这一义务的原因各不相同，而且在大量使用后，两者都无法保持±1%的利率。

痛点二：纹理中对比度低的浅裂纹难以辨认。

加工后的金属表面发射率变化幅度为±20%，这会影响每个像素的温度变化历程。深度为0.3毫米至0.5毫米的裂纹会产生1K至2K的温度对比度变化，而表面温度在60K范围内变化时，10%的发射率差异也会产生同样的明显变化。如果不进行逐像素归一化，网络要么会过度拟合加工痕迹，要么会变得不敏感，从而遗漏真正的缺陷。

痛点 3：类别不平衡导致仅训练声音预测器

基于原始序列计数训练的网络最终会将所有声音都预测为声音。部署指标看起来非常出色，准确率高达 99%，但实际上却漏掉了所有真正的破音。网络学习的是先验类别，而不是破音特征。在固定误报率下，破音召回率才是真正重要的指标，它必须在训练过程中进行优化，而不是事后从准确率数据中读取。

痛点 4：触发抖动导致序列错位

分类器假设每一帧都对应于闪光灯后相同的物理时间。±2毫秒的相机触发抖动，或者随着存储卡老化而导致上升时间漂移的闪光脉冲，都会使序列偏移两到四帧。裂纹特征是衰减曲线上的局部拐点，因此这种程度的偏移会将异常点移动到不同的位置，即使硬件本身运行正常，也会使召回率降低10%到15%。

4. 设计步骤

策略一：在训练网络之前稳定兴奋状态

指定闪光灯组，使其在每次拍摄时的能量重复性达到±1%，并采用稳压充电和 N4700 I 类介质，其电容不随温度或脉冲次数漂移。使用光电二极管检测每次脉冲的能量输出，并剔除或归一化任何超出 ±2% 范围的脉冲序列。脉冲寿命应高于 10⁶ 次脉冲，以确保稳定性成为设计特性，而非维护项目。

策略二：在序列到达网络之前对其进行归一化。

将每条冷却曲线除以其自身的峰值进行归一化，或者拟合前几帧的理论 1/√t 衰减曲线并除以该峰值。这样可以一步消除发射率缩放和绝对能量差异。使用对数时间导数作为形状特征，从而分离出裂纹引起的与背景衰减规律的偏差，并使用子帧插值将序列与闪光触发对齐。

策略三：在实际运营分销环境中进行培训

利用生产零件构建训练集，并包含边缘、薄壁和缩放曲面样本。对裂纹序列进行过采样，或调整损失函数权重，使网络在目标误报率下优化裂纹召回率。报告精确率-召回率曲线，根据预留的现场数据选择阈值，并随着零件组合的变化每月监测漂移情况。

策略 4：将时间网络与空间确认相结合

将逐像素裂纹概率后处理成缺陷图，并要求至少 5 个相邻的高概率像素在空间上聚类后才标记缺陷。使用第二种方法（例如涡流或超声波点检）交叉检查标记区域。记录每个不合格零件的完整序列和网络输出，以便后续追踪误报。

策略五：在硬件中保持闪光脉冲形状恒定

使用低ESR的LED灯组，以确保闪光脉冲清晰且可重复，并使用层压母线将引线长度控制在3毫米以下。将触发抖动控制在0.1毫秒以下，并将相机与实际闪光灯开启时间同步。使用RC缓冲器保护脉冲开关。 快速恢复二极管 线圈两端，因此边缘频率不会超过 50 MHz，从而干扰帧同步。

组件参数	典型值	测试条件
额定电压（HVCT8G系列）	10 kV DC	高压 1.5 倍额定值，持续 60 秒。
电容量	4700 pF ±20% (472M)	1 MHz，1 V rms。
1 MHz 下的 ESR	低于 50 mΩ	在 25 °C 下。
回路电感（E40弦）	低于 8 nH	端子间距 40 毫米。
绝缘电阻	在 500 V 直流电压下，电阻大于 10 GΩ	25℃，60%相对湿度。
温度范围	−40 °C 至 +125 °C	IEC 60068-2 系列。
脉冲dv/dt能力	高于 50 kV/µs	在额定电压下。

5. 该节点的高压电容器

当输入序列保持在训练所用的分布范围内时，分类器就能保持其召回率，而闪光能量是影响其召回率的变量。电容器的两个特性决定了这一点：放电回路的电阻以及电容值随温度和放电次数的稳定性。HVC 在东莞拥有一座 6,000 平方米的自有工厂，生产适用于 1 kV 至 150 kV 电压范围的 N4700 系列产品，满足上述两个条件。

这里需要考虑的六个参数

• ESR 在 100 kHz 时低于 10 mΩ 可产生短暂而清晰的放电，因此热输入脉冲相对于裂纹对比时间常数而言保持较短。
• TCC 为 ±30 ppm/°C 时，储存的能量 W = ½ · C · V² 在植物环境范围内保持平稳，因此输入分布保持在网络训练的位置。
• 没有电解液，也没有损耗机制，因此该电池组可以承受超过 10⁶ 次全能量放电，而不会出现电容衰减和老化引起的能量分散。
• 额定电压下 PD 低于 5 pC，可使激励电子器件保持电气静默，因此不会有杂散发射到达帧同步路径。
• 环氧树脂封装额定电压为 60 kV，并通过了 96 小时盐雾试验，可耐受冷却液、油和清洗化学品的侵蚀，并将爬电距离缩短 50%。 HVCT8G 和 HVCT9G 该系列节目涵盖了这项职责。
• 一线品牌的低等级替代品 交叉参照 适用于 Vishay、Murata 和 TDK 系列产品。 HVR-BSP 厚膜电阻 负责闪光灯开关的缓冲作用。

交付和支持

标准部件的交货周期为 4 至 8 周，定制闪存组件的交货周期为 6 至 10 周，而上述品牌通常需要 20 至 30 周。HVC 应用工程支持闪存组件容量计算、放电电路设计、能量重复性计算以及用于检测站的脉冲寿命数据。

请提供闪光能量、充电电压、脉冲重复频率和所需的曝光次数。HVC 将在五个工作日内回复一份匹配的表格，其中包含零件编号、放电电流下的 ESR、额定电压下的 PD 数据以及两件样品评估套件。

6. 常见问题

问题1：为什么训练好的分类器在生产线上会失效？

因为输入分布发生了变化。闪光灯组脉冲间能量偏差±10%会导致衰减曲线发生偏移，而偏移的曲线对于神经网络来说就像一道浅裂缝。实验室中召回率达到97%的模型，在实际应用中误报率超过30%。在重新训练之前，应将闪光灯能量稳定在±1%以内。

Q2：浅裂缝能带来多大的对比度？

对于深度为 0.3 毫米至 0.5 毫米的裂纹，其对比度为 1 K 至 2 K，而相机噪声为 20 mK。这使得对比度峰值处的原始信噪比为 50 至 250，尚可接受。然而，一旦 ±20% 的发射率变化影响到每个像素的历史变化，并且峰值出现，则裕量将消失。

Q3：为什么 99% 的准确率在这里是一个无用的指标？

因为唱片中大约有 0.5% 存在裂纹。一个能够预测每个输入声音的网络可以达到 99.5% 的准确率，并且不会发现任何缺陷。使用类别加权或过采样进行训练，并在线路可接受的误报率下读取精确率-召回率曲线。

Q4：触发抖动如何影响识别？

网络预期每一帧都映射到闪光灯出现后的同一时间点。±2毫秒的抖动会导致序列偏移两到四帧，而裂纹特征表现为衰减曲线上的局部拐点。这种程度的偏移会使异常位置移动，并将召回率降低10%到15%。应将抖动保持在0.1毫秒以下，并与闪光灯的开始时间同步。

Q5：这需要什么样的闪存卡规格？

脉冲间能量重复性为±1%，ESR低于10 mΩ，TCC为±30 ppm/°C，脉冲寿命超过10⁶次。监测每次脉冲的能量输出，并对超出±2%范围的序列进行归一化或剔除。ESR低于10 mΩ的脉冲组还能确保输入脉冲在21 ms的裂纹对比度时间常数下保持较短。

Q6：缺陷图何时值得信赖？

当空间簇支持时，至少需要 5 个相邻的高概率像素才能标记缺陷，这样可以抑制孤立的误报。使用涡流或超声波点检交叉检查这些区域，并记录每个不合格零件的序列，以便后续能够追溯误报的原因。

7。 参考

1. IEC 61010-1:2010+AMD1:2016, 测量、控制和实验室用电气设备的安全要求 第 1 部分：一般要求日内瓦：IEC，2016。
2. IEC 61071:2017， 电力电子电容器日内瓦：IEC，2017。
3. IEC 60384-8:2015， 电子设备用固定电容器——第8部分：陶瓷介质固定电容器，1类日内瓦：IEC，2015。
4. IEC 60270:2015， 高压测试技术——局部放电测量日内瓦：IEC，2015。
5. RW 埃里克森和 D.马克西莫维奇， 电力电子学基础，第 3 版。Cham：Springer，2020 年。
6. Mohan, N.、Undeland, TM 和 Robbins, WP， 电力电子学：变换器、应用和设计，第 3 版。霍博肯，新泽西州：威利出版社，2003 年。
7. Y. Chen、H. Li、F. Lin、F. Lv、M. Zhang、Z. Li 等， 高电场下金属化薄膜电容器自愈及寿命特性研究IEEE等离子体科学汇刊，第40卷，第8期，第2014-2019页，2012年。https://doi.org/10.1109/tps.2012.2200699
8. 高电容、高电压BME X7R多层陶瓷电容器的研制KEMET Electronics（CARTS USA 2011 会议论文集），https://www.mouser.jp/pdfdocs/2011-03CARTS-DevelopmentofHighCapacitance-HighVoltageBMEX7RMLCCapacitors.pdf。
9. Zinke, O. 和 Seither, H. Widerstände、Kondensatoren、Spulen 和 ihre Werkstoffe, 2. 八月。柏林：施普林格，1982 年。
10. 使用低电压测试高压电容器（漏电流），EEVblog 电子社区论坛，https://www.eevblog.com/forum/testgear/using-low-voltage-levels-to-test-hv-capacitors-leakage-current/ 。
11. HVC应用工程团队 高压陶瓷电容器 技术资源https://www.hv-caps.com