热轧钢材纯净度的超声波检验数据分析
在 sTest Data for Hot- 的情况下
超声波检测是检测宏观大颗粒夹杂物的一种有效方法，尽管对检测结果的分析和解释较为难懂。检查结果中包含了宏观大夹杂位置的信息，能让我们了解它们在材料中的分布情况。然而，建立用于分类材料洁净度的标准一直是一件困难的事情。本文的目的在于构建一个数据分析工具，以用于材料的质量控制。结果显示，运用该分析模型来评价热轧钢的洁净度水平，在统计学和冶金学方面是可行的。
大颗粒夹杂物是生产洁净钢的主要难题。尽管人们想尽办法去控制宏观夹杂的产生，但宏观夹杂往往是生产过程的固有结果，在大规模工业生产中很难及时被发现。钢铁生产的各个部门一直在改进工艺，致力于提高钢水的纯净度，以此来确保产品质量。
一种检测这种夹杂物的方法是借助无损探伤检测（NDT）。无损探伤检测是对质量控制极为重要的检查技术，尤其在涉及需要高度安全的材料时。这些技术在能源、石油、汽车、工业以及民用建筑等多个部门都得以应用。这是一种非破坏性测试。它除了能够确定宏观夹杂物之外，还可以获取有关特定材料的重要信息。这些信息包括材料的不连续性、夹杂尺寸、如何进行降级使用、技术特性以及缺陷等。通过这种测试，可以尽可能不浪费材料，将其使用在合适的地方。
开发能够建立更优的宏观夹杂评价标准，此标准可用于提升产品的质量控制，并且有助于对前道工序产生这些夹杂物的原因进行调查。
文献中针对不同的应用数据处理存在很多方法，然而却没有关于通过自动超声波测试设备和使用统计工具来获得数据以确定钢的洁净度水平的研究。这项工作旨在提出一个使用 R 语言的统计工具，用于分析钢的纯净度数据，从而衡量最终产品的质量。这会提供必要的信息，能更好地对所获得的钢中的大夹杂物进行研究，并且可以利用这些数据来对工艺过程进行质量控制。
本工作的主要目的在于验证借助超声波设备所获取的数据，以得到用于评价钢纯净度的新工具，这样便能应用于热轧产品的质量控制。并且通过使用电子显微镜（SEM）进行冶金分析，来对宏观夹杂物予以确认。
方法
它是一个方便的接口，能提供用于表示数据的统计计算和图形，R 是编程语言的名称。业界使用它进行数据分析有最大优势，此程序是开源的数据分析工具，包含各种用于高级数据分析的软件包。它还能够创建一个简单、经济且资源高效的超声波测试数据分析方法，数据分析的主要步骤如图 1 所示。
图 1 为数据分析流程图，它代表了行业原始数据处理的主要阶段：首先是获取数据库；其次是杂质检测结果的直方图；最后是过
滤数据库，(4)对数据进行分类，(5)对数据进行操作
基本软件包应用：
•软件包“dplyr”，功能是“过滤器”
•软件包“sqldf”，功能是“sqldf”
•数据库“”，功能“”和功能“”
获取数据库
自动超声波设备要能够存储钢材洁净度测试结果数据，还要以数据软件可读取的格式输出数据。在本示例中，能够从设备中提取出以逗号分隔的文件（.csv）格式的数据，这种格式是存储表格数据的常用格式，除了商业数据分析软件像 Excel 等之外，R 也认可这种格式。
这些数据指的是被测材料每一小段钢材的超声反射结果以及其中不连续性的情况，还有高频超声设备的溯源信息。它涉及到对超声波反射数据进行数学处理，测量被测材料的杂质水平。在这种情况下，会从过去几年到最后一次测试完成这段时间的数据导出并在软件中读取。
杂质检测结果的直方图
绘制并分析每个被测材料平均杂质的柱状图，以此检查结果的集中程度并评估离散数据。用于绘制此结果的是“qplot”函数，它是能快速便捷创造不同类型图形的软件包，且该函数位于“”库中。
过滤数据库
数据导入之后，为了仅考量具有代表性的结果，便使用了一个过滤器。图 2 显示了沿测试材料长度的图表结果示例，图 3 也显示了沿测试材料长度的图表结果示例。这两个图中，横坐标轴用于表示被检测材料的长度，此长度能反映出超声波响应以及杂质水平出现的位置。在超声波响应图里，纵坐标轴代表被测材料所反映出的信号幅值，且以百分比来呈现。而在杂质水平图中钢材超声波检测什么，是以百分比来表示通过数学处理后测量出的被评估材料每一段的杂质水平的结果。
图2 超声波响应根据材料的测试长度，单位为mm
图 3 杂质水平图展示了经过数学处理后的结果，并且对每一段被评估的材料的清洁水平进行了测量。
以下准则用于验证来自先前数据库的结果：
该材料能在同一设备上多次测试，为防止结果重复，所以只考虑对每种材料进行第一次测试。
只考虑包含测试材料整个长度的数据所得到的结果。在这种情形下，当 500 毫米段的平均振幅为零时，会将被测材料在超声响应图上的数据排除掉。
考虑超声波设备调整参数的数据情况，考虑识别从超声波响应图中最大 20%的噪声水平。把平均振幅大于 35%（例如图 4 所示）的数据剔除，同时把平均振幅小于 10%（例如图 5 所示）的数据剔除。
图4 调整误差大于35%的超声响应图
用于过滤数据的软件包是“dplyr”，它是数据操作的语法。该语法提供了一组一致的动词，用于解决最常见的数据操作。在这个软件包中，使用了“”函数，它会查找条件为真的行或情况，以确定以前的准则。
分类数据
根据材料的杂质水平，查看图 4 和图 5 所示的柱状图结果，对数据进行分类。大家都知道，钢材料中存在大量宏观夹杂物，然而其主要的基体部分是洁净的。柱状图上的主要区间意味着钢材是纯净的，峰值区域较多就表明钢材本体有较多夹杂。钢的纯净度分类中，“等级 1”的钢是洁净的，“等级 5”的钢是洁净度最差的。
图5 调整误差小于10%的超声响应图
操作的数据
每个钢种的命名会考虑各自的应用市场，接着读取数据储存轨道的信息并使用过滤功能进行处理。之后，将所有相似的钢进行分组，这是因为要考虑相似的钢级标准，且它们的超声波响应是相似的。第 2 组的合金元素较多，与第 1 组相比，硬度有所增加，然而焊接性能却比第一组降低了。
接着，借助“sqldf”函数，把所有数据按照钢铁进行分组，同时按照月份以及年份（本研究只考虑 2017 年和 2018 年）来进行汇总，之后再进行排列。更进一步，实施了统计操作，从而得到结果的分布。
电镜验证
使用巴西米纳斯吉拉斯天主教大学冶金工程系显微镜实验室的扫描电镜，借助能谱分析（EDS）来对热轧钢的微观区域进行描绘。该实验室运用的是日本 Jeol JSM - IT300 电镜，其具有 4.0nm 的分辨率以及 0.6mA 的电流。
对样品以不同的增量进行观察，一直观察到发现第一层有大颗粒夹杂为止。因为所研究钢的成分不同，所以 EDS 分析选取了以下化学元素：O、Mg、Al、Si、S、Ca、Ti、Cr、Mn、Fe 和 Ni。这样一来，通过化学元素峰值的相对强度，就能够定性地确定所分析的大颗粒夹杂的成分组成。
结果与讨论
数据库包含超声检测结果的信息。这些信息包括被测材料每个部分的超声波响应以及杂质水平。同时还包含相应的炉号、识别代码、钢种、工艺编号、杂质水平和材料长度的信息。
结果的曲线图在图 6 中显示。
图 6 杂质水平图展示了经过数学处理后的状况，该图用于测量和评估材料每一段的洁净度水平。
大多数结果的杂质集中度处于 0 到 2%这个范围。有一些结果在 2%到 8%之间，还有一些结果大于 8%。另外，能看到一些集中结果高于 25%，并且对这些结果的数据有效性都进行了检验。通过检查这些分散的结果，发现杂质水平高于 35%的结果是无效的，因为这是设备的调整误差，建议添加另一个过滤器以排除这些结果。
除了杂质水平高于 35%的那些排除数据外，还使用了其他的过滤器。这些过滤器只对每个材料进行第一次测试，只保留整个材料长度的测试数据，把 500mm 长度且短平均振幅等于零的超声波响应数据排除掉，不包含平均振幅大于 30%的测试数据。
经过滤波处理后，数据库中的测试结果从原来的数量减少到了另一个数量，其中无效数据大约占比 24%。过滤之后得到的结果较为相似，并且具有可信、可读、可用的特点。
如果结果是值得信赖的，那么依据直方图的结果，建议把平均杂质检验结果进行阈值分类。
•等级1：从0到1.7%。
•等级2：在1.7到3.4%之间。
•等级3：在3.4到5.1%之间。
•等级4：在5.1到7.2%之间。
•等级5：大于7.2%。
各等级的材料数量见表1：
表1 各等级材料的数量
过滤之后的下一步是对钢种进行分组，将类似的钢种归为一组，这对于判别大颗粒非金属夹杂是很有帮助的。本文对两组钢种进行了研究，分别是第 1 组和第 2 组。经过这样的筛选之后，数据库的内容减少了，具体情况如表 2 所示。
表2 分组后各等级的材料数量
等级
平均值
最大值
最小值
标准偏差
Q1
中位数
Q3
计数样品
0.
1.70
0.
0.03
0.110
0.4000
76104
2.
3.40
1.71
0.
1.94
2.240
2.7000
6440
4.
5.10
3.41
0.
3.72
4.060
4.4800
2185
5.
7.200
5.11
0.
5.44
5.910
6.5100
1047
9.
29.53
7.21
2.
7.63
8.145
9.1475
498
首先将所有数据按照钢种、月以及年进行汇总操作，接着得出样本数量的总数以及排名情况。本论文所考虑的时间段涵盖了 2017 年到 2018 年这两年的时间范围（两年的结果）。在对数据完成汇总之后，按照月或者年来绘制结果图，以此来检查杂质的变化水平。结果呈现如图 7 至 10 所示。
图7 2017 年按月评估第一组
图8 2018年按月评估第一组
图9 2017年评估第二组
图10 2018年按月评估第二组
2017 年第一组全年的变化较为微小。在等级方面，等级 1 占据着主导的位置，其结果让人感到满意。变化主要发生在 9 月和 11 月，此时钢中的洁净度等级 2 开始显现出来。不过，这表明这种洁净度的变化并不是很严重。2018 年第一组上半年有个小变化，当时评分是 1。7 月和 8 月有明显变化，洁净度指标出现等级 3、4 和 5。尤其 8 月，等级 4 和 5 增加较多。这两个月的变化说明，此时期所检查的材料需从宏观夹杂物角度进行研究和检查。7、8 月之后，杂质水平变化不大，以 1 级为主。
这表明这段时间所检查的材料需要从宏观夹杂物方面进行调查和检查。
2018 年在第 2 组有变化。在整个一年里，大多数月份都增加了等级 2，这指出了较为缓和的变化。然而，在 10 月和 11 月，等级 3、4 和 5 显著增加，这表明在此期间必须对宏观大颗粒夹杂物进行调查和检查。
在进行数据分析之后，借助扫描电镜来开展冶金验证工作，目的是确定样品里是否有宏观夹杂物。此次验证会涉及 2018 年 9 月的材料，并且要从第 2 组（5 级）中取出材料进行电镜检验，这是因为在这个月份检测到的宏观夹杂物等级差异最为显著。依据图 11 和图 12钢材超声波检测什么，通过显微分析，能够确定材料中存在大颗粒非金属夹杂物。
图 11 显微分析表明存在大小为 148μm 的硫化钙宏观夹杂物，并且呈现出轧制后的延伸情况。
图 12 的显微分析显示，有尺寸为 106μm 的铝酸钙宏观夹杂物。这种夹杂物在轧制延伸之后，呈现出细长的形态。
通过检验试样中存在的大颗粒非金属夹杂物，能够验证冶金学宏观非金属夹杂物概念。因为可以使用本文提出的工具检测热轧钢中杂质水平的变化。
结论
目前，生产钢中无大颗粒非金属夹杂物仍是一个挑战。这些非金属夹杂物对钢材的损伤情况并非完全为人所了解。同时，它们在钢中的存在也并非总是有害的。钢中的夹杂物所导致的损害会因最终的应用而有所差异，必须考虑其数量、几何形状、化学成分以及分布情况。
使用本文提到的工具，并且结合超声波自动检测，能够自动辨别被测材料里宏观夹杂物的有害性的变化。所以，利用工具 R 来对数据展开分析，就可以构建热轧钢材有害性杂质级别的分类标准。
参考文献
A.W. Cramb 所著的《The of Steel: 》，这是第 11 版，出版于 2003 年的《of Iron and 》。
R. 发表了“Non- in Steel”，它是在 2002 年。
4. A. Ghosh, : and , , 2001.
C. 位于美国纽约州纽约市，具体地址为 2012 年的某个地点。
R. 和 N. Lange 所著的《Non- in Steel》于 1978 年在 U.K.出版。
J. ämer 和 H.ämer 来自美国纽约州纽约市，时间是 1977 年。
P.J. Shull 出自于 2002 年的 CRC Press 出版社。
C. 的“关于金属的……和……”，出自英国的某出版社，1992 年，第 1 至 38 页。
Sinha 和 Y. Sahai 在 1993 年发表了关于在某方面的研究成果。该成果发表于 ISIJ 期刊，卷号为 33，期号为 5，页码从 556 到 566。
E 以及 R ，还有 Steel ，以及 Vol.，第 11 版的 Steel ，在宾夕法尼亚州（Pa.），美国，于 1999 年，页码为 37 至 160 。
L. Zhang 和 B. 发表了一篇关于“Steel 的 和 ”的论文，发表时间为 2002 年，页码为 431 - 452 。
作者
V. ： of , Belo , MG,
G. Costa 来自 Belo, MG ，邮箱为 。
A. Silva： of , Belo , MG,
A. ： of , Belo , MG,
唐杰民在 2020 年 9 月初于安徽黄山屯溪对美国《钢铁技术》2020 年 9 月期刊上的文章进行了翻译。由于其水平有限，翻译中可能存在不妥和错误之处，恳请看官给予指正。
