CLASIFICACIÓN DEL TRATAMIENTO TÉRMICO DE ACEROS CON ENSAYOS NO DESTRUCTIVOS POR CORRIENTES INDUCIDAS MEDIANTE REDES NEURONALES

Abstract

Eddy current-nondestructive techniques are increasingly present in industry because of the growing quality control demand. In addition to the classical crack detection, eddy currents permit physic and metallurgic properties detection in steels. The impedance values of one eddy-current-generating coil permit to differentiate steel pieces with different heat treatments. These impedance values can be processed with Artificial Neural Networks (ANNs) to implement automatic and efficient classifiers. In this article two ANN classifiers that processed monofrequency impedances and one ANN classifiers that processed multifrequency impedances are compared. The impedances were extracted from two steel samples sets with different heat treatments. The predominant microstructure in the first set was martensite and bainite and in the second one was perlite. As experimental results, the monofrequency classification accuracy rate was 90% while the multifrequency classification reached 99.9%, the theoretical computing workload of the best multifrequency classifier was between 33% and 50% lower than the best monofrequency classifier, and the multifrequency classification execution time was 22% smaller than the measured time using the monofrequency methods. Las técnicas de ensayos no destructivos basadas en corrientes inducidas están cada vez más presentes en la industria debido a la creciente demanda de los controles de calidad. Además de la detección clásica de defectos, con corrientes inducidas es también posible detectar propiedades físicas o metalúrgicas en piezas de acero. Las medidas de impedancia de un solenoide que genera corrientes inducidas en el acero permiten diferenciar piezas que han sido sometidas a tratamientos térmicos diferentes, las cuales, pueden procesarse después con Redes Neuronales Artificiales (RNAs) para implementar clasificadores automáticos y eficientes. En este artículo se comparan dos clasificadores de piezas implementados con RNAs que procesaron impedancias monofrecuencia y un tercer clasificador RNA que procesó con impedancias multifrecuencia. Las impedancias fueron extraídas de dos grupos de piezas de acero con tratamientos térmicos diferentes, siendo la martensita y la bainita las microestructuras predominantes en el primer grupo y la perlita en el segundo. Como resultados experimentales se obtuvo una tasa de acierto de clasificación monofrecuencia cercana al 90% y de un 99.9% en el caso multifrecuencia, una carga computacional teórica del clasificador multifrecuencia entre un 33% y un 50% inferior a la de los métodos monofrecuencia y un tiempo de ejecución de la clasificación multifrecuencia un 22% inferior al de los métodos monofrecuencia. Palabras clave: Algoritmo de clasificación, tratamiento térmico, acero, redes neuronales artificiales, ensayos no destructivos, corrientes inducidas.