于 浩 黃華貴 鄭加麗 趙鐵琳 周新亮

1.燕山大學國家冷軋板帶工藝及裝備工程技術研究中心，秦皇島，0660042.太原重型機械集團有限公司，太原，030024

0 引言

無縫鋼管是石油化工、精密軸承、氣動或液壓元件等領域的關鍵材料，目前多采用斜軋穿孔聯(lián)合軋制工藝生產(chǎn)。其中，斜軋穿孔是無縫鋼管成形的第一道工序，實心棒料經(jīng)斜軋輥、頂頭、導板共同構成的空間孔型被穿制成空心毛管。在高溫、高壓、強烈摩擦和急冷急熱的工作環(huán)境下，頂頭表面會出現(xiàn)變形、黏鋼、壓堆、塌鼻、啃肉、開裂、磨損等缺陷[1-2]，極易導致毛管內(nèi)壁劃傷和壁厚不均、尺寸超差等問題，從而嚴重影響鋼管內(nèi)壁質(zhì)量和鋼管尺寸精度。在實際生產(chǎn)中，通常依靠生產(chǎn)線定期大面積停機，使用人工肉眼逐個檢測或壽命經(jīng)驗法整批更換頂頭，但時常會發(fā)生形態(tài)正常的頂頭提前下線導致浪費、異常個體漏檢引發(fā)整條生產(chǎn)線產(chǎn)品質(zhì)量問題等情況，給企業(yè)造成了巨大經(jīng)濟損失，因此亟待開發(fā)能準確監(jiān)控頂頭表面狀態(tài)的在線檢測系統(tǒng)，以滿足鋼鐵生產(chǎn)流程智能化的發(fā)展需要。

由于頂頭表面缺陷往往會引起其空間輪廓變化，故激光測距和點云匹配是目前輪廓檢測最常用的方法之一。點云能夠彌補圖像缺乏坐標信息的缺點，并具有較高的空間分辨率、點位精度，已廣泛應用于地貌變化監(jiān)測[3-5]、建筑損傷檢測[6-8]和物體表面缺陷檢測等領域。REYNO等[9]在蜂窩夾芯板表面損傷評估研究中，提出了一種表面損傷的三維掃描方法，通過點云獲取凹痕輪廓三維特征，取代了人工檢測，提高了表面凹陷檢測精度和效率。XIONG等[10]開發(fā)了一種鋼軌表面缺陷檢測三維激光仿形系統(tǒng)，通過采集鋼軌表面輪廓三維點云數(shù)據(jù)來準確提取缺陷的三維輪廓特征，與傳統(tǒng)像素方法相比，顯著提高了缺陷檢測精度。DAI等[11]針對飛機外表面缺陷3D檢測，提出了一種新穎的點云數(shù)據(jù)缺陷檢測和表征框架，實現(xiàn)了對飛機表面突起、凹陷或劃痕等缺陷三維特征的準確提取。上述研究結果表明，基于點云載體的輪廓信息對缺陷特征可以有更加精準的描述，不僅提高了輪廓提取精度，還使最終的缺陷識別準確度得到了較大幅度提升。

1 檢測系統(tǒng)設計

1.1 在線檢測系統(tǒng)

本文以某無縫鋼管生產(chǎn)線為對象，如圖1所示，穿孔工序頂頭位于軋輥中間(圖1a)，當穿孔完畢后，帶有頂頭的頂桿從毛管中抽出，并退回到末端極限位置，檢測系統(tǒng)就在該處完成檢測任務(圖1b)。檢測系統(tǒng)由激光測距傳感器、移動裝置和采集控制系統(tǒng)三部分組成，可實現(xiàn)對頂頭輪廓的三維掃描。其中，同一平面內(nèi)的3個HG-C1100型高精度激光測距傳感器并排安裝在具有傳感器專用支架的精密直線移動導軌上，可通過位置微調(diào)來獲得最佳采集效果。控制系統(tǒng)包括傳感器冷卻系統(tǒng)、空氣吹掃系統(tǒng)、頂頭旋轉位置信號采集系統(tǒng)。NI-LabVIEW系統(tǒng)被用于信號采集與處理以及人機交互功能開發(fā)的任務，西門子S7-200 PLC用于電機的運動控制。

(a)斜軋穿孔 (b)頂頭輪廓測量 (c)坐標體系

1.2 頂頭表面輪廓掃描與數(shù)據(jù)處理

測量時，頂頭停止在工作區(qū)末端，并利用頂桿旋轉機構驅動頂頭以恒定轉速nt轉動，同時測量系統(tǒng)沿軸線方向以恒定速度vt運動(圖1c)，使三個掃描點相對被測物體表面做螺旋掃描，以獲得頂頭表面掃描輪廓。為了避免現(xiàn)場水霧干擾激光測距傳感器，在測量光路上安裝氣刀，對水霧進行空氣吹掃處理。

頂頭表面輪廓檢測與信息重構具體算法及步驟如下：

(1)穿孔機組工作之前，將還未工作過的頂頭移動至軸向極限位置，測量移動裝置復位，初始化傳感器坐標系O1XtYtZt與頂頭坐標系O2XstYstZst間的位置關系(圖1c)。由于兩坐標系在Z軸方向上的位移值一致，可得ΔZ=vtt，其中t為傳感器掃描一次完整輪廓的總時間。通過三點法確定在OXY面上的頂頭坐標系原點及與測量坐標系中心的偏距值ΔX、ΔY，即可完成坐標系轉換。

(2)在每次穿孔結束后，頂頭縮至軸向極限位置時，啟動頂頭表面掃描測量程序，采集獲得的基于測量坐標系下的坐標序列為(Xt，Yt，Zt)，可利用下式變換為頂頭坐標系下的點集(Xst，Yst，Zst)：

(1)

變換后的點集包含了頂頭表面輪廓空間信息。

2 缺陷識別算法

2.1 缺陷特征分析

穿孔頂頭表面缺陷可分為頭部缺陷和工作帶缺陷。前者的形態(tài)主要包括壓堆、塌鼻，如圖2a所示，頂頭頭部壓堆表現(xiàn)為頂頭鼻尾變粗和鼻頭變尖，其形成過程是鼻部尺寸直徑越來越大且呈環(huán)狀向后堆疊。在穿孔過程中，頂頭的尖錐形鼻部會出現(xiàn)局部塌陷成鈍圓形或全部塌陷而造成鼻部消失的現(xiàn)象(即為塌鼻)，塌陷的程度一般隨著穿管支數(shù)的增加而加劇。由二者輪廓變化可以看出，形變不僅包含空間表面曲率變化也包含徑向變化，僅使用半徑變化法只能將其缺陷部位提取，但無法識別缺陷的種類，還需要使用相應的識別算法進行分類。頂頭工作區(qū)損傷形態(tài)主要是表面凹坑磨損，其深度在正常深度范圍內(nèi)可不作處理，但是在磨損處由于缺少了表面熱障涂層，隨著穿孔的進行其磨損程度會加劇(圖2b)，最終影響管坯內(nèi)壁質(zhì)量。由此可知，需要設定最大磨損深度閾值，一旦檢測到磨損超過這個閾值，就應進行頂頭更換處理。

(a)頭部壓堆、塌鼻 (b)工作帶磨損

2.2 配準及缺陷提取方法

為準確獲取缺陷點云，首先需要將測量點云與CAD模型或標準頂頭點云配準[13]。但由于測量誤差和缺陷的影響，測量數(shù)據(jù)與標準模型無法做到完全一致，因此無法直接從測量坐標系轉化到模型坐標系。為了解決這個問題，本文根據(jù)頂頭外形結構特征提出了一種適應于頂頭測量的改進迭代最近點(iterative closest point，ICP)算法。通過對現(xiàn)場使用的頂頭尾部進行測量可以發(fā)現(xiàn)，初期頂頭尾部僅是輕微涂層磨損剝落，涂層厚度為1 mm，所以使用尾部點云進行配準可提高配準精度。綜上可知，首先基于提取的尾部特征點完成粗配準，再結合ICP算法完成精配準得到轉換矩陣，最后將該矩陣代入整體配準，如圖3所示，具體配準過程如下：

圖3 點云配準過程

(1)從待配準測量點云中選取配準區(qū)域，盡量選擇頂頭尾部輪廓特征明顯的區(qū)域P，同時在模型點云中找到對應的部位Q。

(2)將測量點云中配準區(qū)域P放置在模型點云坐標系中，完成測量點云坐標系向模型點云坐標系的轉換。

(3)將測量點云P中的每一個點pi∈P匹配模型點云中對應區(qū)域的點集Q中的最近點qi∈Q，計算剛性旋轉矩陣R和平移矩陣T，并使得誤差函數(shù)E值最小，即

minE=‖qi-(pi·R+T)‖2

(2)

(5)根據(jù)下式計算P′與對應點集Q中全部n個點的平均距離：

(3)

其中，n為點云個數(shù)，若D小于某一給定的閾值或大于預設的最大迭代次數(shù)，則停止迭代計算；否則返回步驟(3)，重新匹配直到滿足收斂條件為止。

(6)使用最終得到的旋轉矩陣R和平移矩陣T完成整體配準。

配準結束后，使用空間Kd樹[14]閾值查詢法對兩組點云進行空間差異查詢并得到異常部位點云。

2.3 缺陷分類識別方法

根據(jù)掃描獲得的頂頭輪廓空間點云信息及其表面缺陷特征，本文引入了點云數(shù)據(jù)的深度學習模型PointNet[15]。PointNet的優(yōu)勢在于，不需要將點云圖形投影到鳥瞰圖[16]或轉換為三維體素體格式[17]，有效地減少了信息丟失和計算成本。圖4給出了缺陷分類識別過程，輸入為全部點云數(shù)集，即n×3的二維張量，其中3對應X、Y、Z坐標。點云數(shù)集首先通過轉換T-Net學習得到的轉換矩陣相乘來對齊，然后利用多層感知機(multi-layer perceptron，MLP)[18]對點云數(shù)據(jù)的每個點進行特征描述，得到每個點64維的特征值描述，之后繼續(xù)用一個轉換T-Net對特征值進行對齊，再次使用MLP得到每個點1024維的特征值描述，接著在特征的各個維度上執(zhí)行max pool操作得到全局特征向量，最后使用MLP逐點學習得到分類結果，圖4中k為最后一層的輸出量，即每一種類型對應一種結果。由于PointNet使用了max pool方法，因此在點云缺失的情況下仍然具有較高的魯棒性。然而，PointNet在對點云數(shù)據(jù)處理的過程中是通過逐點使用MLP進行學習的，最后通過max pool對整體特征進行提取，對點的局部鄰域關系沒有進行分析，因此僅使用PointNet不能對幾何特征進行充分的學習。

圖4 PointNet特征學習原理

圖5 多層次局部特征提取

圖6 頭部缺陷分類過程

(1)首先經(jīng)過采樣層，使用最遠點采樣(farthest point sampling，F(xiàn)PS)法，從密集的點云中抽取出一些中心點實現(xiàn)由N→N1的降采樣轉換。

(2)在采樣層中獲得N1個中心點的基礎上，將每個中心點的K個相鄰點劃分成一組，最終得到N1×K×(d+C)的點集組。

(3)在經(jīng)過特征提取層時，通過PointNet來實現(xiàn)對特征的提取，將上一層得到的N1×K×(d+C)的點集組轉換成N1×(d+C1)的點集。即對于每一組的K個點，PointNet都會對其特征進行學習，最后只保留N1個中心點，中心點的維度d不變，但每個中心點的特征向量從C維上升到C1維。

(4)再次以N1為基礎執(zhí)行上述過程，得到N2×(d+C2)的點集，這樣每一層得到的中心點都是上一層中心點的子集。并且隨著層數(shù)的加深，中心點的個數(shù)越來越少，但是每一個中心點包含的信息越來越多，最終得到最高維特征信息C4(即輪廓特征)。

(5)得到最終的特征信息后，代入基于上述原理訓練好的分類網(wǎng)格計算出最終的分類結果。

3 實驗驗證

3.1 模擬裝置搭建

為測試和驗證前述算法，本文按照穿孔機組頂頭實際幾何尺寸，參照圖1b原理，設計并搭建了物理模擬實驗平臺，如圖7所示，其中，平臺移動裝置使用步進電機驅動CNC機床主軸，并配主軸編碼器。

圖7 模擬實驗平臺

本文基于現(xiàn)場具有典型缺陷的頂頭的掃描輪廓制作CAD模型，使用工業(yè)3D打印的方式來制作缺陷頂頭模型，頂頭的打印模型如圖8所示，本文使用厚度為2 mm的殼體模型(模型誤差在±0.01 mm范圍內(nèi))分別制作了頭部塌鼻、堆疊和工作區(qū)凹坑缺陷模型。

(a)堆疊狀態(tài)頂頭

測量系統(tǒng)通過相應校準模塊進行標定，并補償傳感器內(nèi)部線性誤差，過程如圖9所示。使用激光水平儀將平臺1與平臺2調(diào)整平行，固定旋轉主軸，對于軸向長100 mm、外徑94 mm、表面粗糙度Ra=0.8 μm的精密無縫鋼管，每隔Δs=10 mm的間距對其截面進行掃描。通過計算截面的橢圓化程度，調(diào)整旋轉千分尺抵消線性滑軌與旋轉主軸的夾角使二者平行。

圖9 檢測系統(tǒng)標定

標定完成后，將頂頭轉速提高至正常工作狀態(tài)下的10倍進行掃描測試，即在頂頭轉速30 r/s、進給速度vt=1 mm/s、傳感器反應時間1.5 ms、NI采集卡采樣頻率800 Hz的設置條件下，整體掃描標定鋼管表面輪廓并繪制軸向輪廓誤差曲線，如圖10所示，經(jīng)計算軸半徑的絕對誤差為0.0271 mm。對φ60 mm機組缺陷頂頭模型(圖8)輪廓進行了掃描，效果如圖11所示。由圖11b可以看出，掃描點云輪廓與實際輪廓吻合較好，掃描信號與采樣頻率匹配良好。通過計算在標定鋼管表面三個半徑值已知位置的上測量偏差，得到最大偏差為0.06 mm。由此可知，通過本裝置獲得的表面輪廓精度可達到0.06 mm以內(nèi)。相對于依靠技術人員手動操作檢測裝備的方式，本裝置的精度更高并克服了人為因素的影響，可使檢測規(guī)范化。

圖10 無縫鋼管掃描徑向誤差

(a)正常狀態(tài)頂頭 (b)正常頂頭掃描輪廓與實際輪廓對比

3.2 缺陷提取

首先提取頂頭頭部變形壓堆、塌鼻缺陷，利用改進的ICP配準方法將測量點云和標準點云配準，得到轉換矩陣。然后使用轉換矩陣來實現(xiàn)整體點云空間對齊，并使用Kd樹閾值查詢法求得兩組點云中的差異點，將頭部存在的缺陷點分離出來，以獲得圖12a和圖12b所示的兩種缺陷特征輪廓。對于表面凹坑的提取模擬，本實驗在頂頭模型表面制作了深2 mm的凹坑缺陷(圖12c)。為方便觀察，取搜索閾值為2 mm，同樣使用Kd樹閾值查詢法來實現(xiàn)頂頭展軋區(qū)凹坑缺陷的準確提取(圖12d)。

(a)堆疊缺陷 (b)塌鼻缺陷 (c)表面凹陷缺陷 (d)凹坑點云提取

3.3 PointNe訓練和分類測試

機器視覺檢測除了識別頂頭缺陷類型外，還應具備磨損程度甄別。為測試本文所建立分類算法的有效性以及分類網(wǎng)絡的性能，首先分析了實際生產(chǎn)中頂頭頭部堆疊和塌鼻兩類輪廓缺陷的演化過程(圖13)，并按照缺陷嚴重程度從輕到重分別確定了Ⅰ～Ⅴ共5個漸變形態(tài)，建立了相應的實體模型(表1)。然后，針對φ60 mm～φ120 mm不同型號頂頭的每個形態(tài)構造一定數(shù)量(表1最后一行)的漸變形態(tài)模型并制作成點云模型，加載到分類數(shù)據(jù)訓練集中。在實際檢測中將實際掃描的典型數(shù)集加載到訓練數(shù)集中，以保證檢測的精度和魯棒性。

(a)堆疊缺陷演變

表1 穿孔過程頭部變化形態(tài)模型

(a)訓練分類精度變化曲線對比

4 結論

(1)為解決因測量數(shù)據(jù)與標準模型無法完全一致而導致的測量坐標系到模型坐標系轉化難題，根據(jù)頂頭外形結構特征提出了一種改進的迭代最近點(ICP)配準方法，提高了收斂速度。

(3)通過設置磨損深度閾值和頭部缺陷漸變分級形態(tài)，實現(xiàn)了頂頭工作帶表面磨損毫米級監(jiān)測和頭部堆疊、塌鼻缺陷量化預警。

本文研究工作對下一步推進檢測系統(tǒng)的在線應用，提高頂頭服役狀態(tài)的在線監(jiān)測水平，提升設備運維和無縫鋼管產(chǎn)品質(zhì)量控制能力具有重要意義。