本发明属于超声成像，尤其涉及一种基于机器学习的超声波探伤仪工作时延评估方法及系统。
背景技术：
1、在超声波无损检测中，缺陷的精确定位高度依赖于对超声波传播时延（time offlight,tof）的准确提取与评估。传统探伤系统通常基于材料均匀、表面平整及理想耦合等假设，预先设定固定的时延窗口（即闸门）用于筛选有效回波信号。然而，在实际工业场景中，被检工件常存在表面粗糙（如铸件、焊缝）、耦合状态不稳定（如耦合剂不均、探头压力变化）等问题，导致超声波起始时刻模糊、近场杂波增强、底波衰减严重，使得固定时延窗口难以适应动态检测条件。若窗口下限设置过早，会引入大量表面散射噪声和探头振铃干扰，造成误报；若设置过晚，则可能遗漏紧贴表面的微小缺陷，导致漏检。此外，现有方法多依赖人工经验调整窗口参数，缺乏对耦合质量与表面状态的量化感知能力，难以满足自动化、高可靠探伤的需求。尽管部分系统引入了信号处理算法以提升tof提取精度，但仍未解决“何时开始可信检测”这一根本问题——即如何根据实际物理干扰源自适应界定有效时延范围。因此，亟需一种能够融合工件先验信息与回波信号特征，智能评估并动态调整有效时延区间的技术方案，以在复杂工况下实现对有效时延的鲁棒筛选与精准评估，从而提升超声探伤系统的智能化水平与检测可靠性。
技术实现思路
1、本发明的目的在于提供一种基于机器学习的超声波探伤仪工作时延评估方法及系统，通过融合被检工件的材料属性、几何厚度、表面状态信息与超声回波信号的多维时频特征，构建由预训练机器学习模型驱动的自适应时延评估机制，实现对耦合状态与表面粗糙度等关键干扰因素的智能感知与量化修正，动态生成贴合实际检测条件的有效时延区间，并基于该窗口精准筛选有效回波、完成缺陷定位与时延评估。
2、为了达到上述目的，在本发明的第一方面提供了一种基于机器学习的超声波探伤仪工作时延评估方法，包括以下步骤：
3、获取被探伤对象的多源探伤感知数据，所述多源探伤感知数据包括由超声波探伤仪采集的原始超声回波信号；
4、将所述多源探伤感知数据输入至预训练的机器学习模型，获取耦合状态修正系数和表面粗糙度修正系数，根据所述耦合状态修正系数及所述表面粗糙度修正系数构建有效时延区间；
5、基于所述有效时延区间对所述原始超声回波信号进行时域扫描，识别所述原始超声回波信号的起始对应的传播时延，将落入所述有效时延区间内的传播时延确定为有效时延数据；
6、根据所述有效时延数据对应的回波幅值、局部信噪比以及该传播时延与所述有效时延区间中心位置的绝对偏差，通过预设权重计算，获取有效时延置信度参数，根据所述有效时延置信度参数对工作时延进行评估；
7、其中，所述有效时延置信度参数的取值范围为零至一，用于反映所述有效时延数据在当前检测条件下对应真实缺陷回波的可信程度。
8、进一步的，所述多源探伤感知数据还包括被探伤对象的材料属性、几何厚度、表面状态信息；
9、所述材料属性经超声声速校准实验验证，并结合差示扫描量热仪测得的材料热稳定性参数进行修正；
10、所述几何厚度通过在被探伤对象检测区域内均匀布设多个采样点进行阵列式测量，取各采样点厚度的算术平均值作为最终几何厚度，实时记录各点的厚度偏差值；
11、所述表面状态信息包括表面氧化层厚度及氧化程度等级，通过涡流测厚仪与拉曼光谱仪联合检测获得，其中氧化程度等级根据预设的氧化层厚度区间划分，每一等级对应一个特定的厚度范围。
12、进一步的，基于所述材料属性和几何厚度，结合预设的材料名义声速参数，计算超声波在所述被探伤对象中往返传播至底面的理论最大时延，对应近表面最小可检缺陷深度的理论最小时延，根据所述理论最小时延和理论最大时延界定理论时延范围；
13、将所述理论时延范围作为初始有效时延区间，根据所述耦合状态修正系数及所述表面粗糙度修正系数对下限进行动态调整，生成所述有效时延区间。
14、进一步的，获取所述耦合状态修正系数工作过程包括：
15、从所述原始回波信号中提取耦合相关特征，所述耦合相关特征包括底面回波幅度、初始脉冲宽度或高频能量衰减程度中的至少一项，由所述预训练的机器学习模型基于所述耦合相关特征输出耦合状态等级；
16、根据所述耦合状态等级，从预设的耦合修正映射表中查询对应的耦合状态修正系数，用于后续对初始有效时延区间的下限进行动态调整。
17、进一步的，获取所述表面粗糙度修正系数工作过程包括：
18、获取被探伤对象的表面粗糙度信息，所述表面粗糙度信息获得过程包括：从工艺数据库中读取与工件类型对应的预存粗糙度等级和/或基于前置光学传感器或激光轮廓仪在线测量工件表面轮廓并计算算术平均粗糙度值；
19、由所述预训练的机器学习模型基于所述表面粗糙度信息输出表面粗糙度等级；
20、根据所述表面粗糙度等级，根据预设的粗糙度-修正系数映射表，查询获取对应的表面粗糙度修正系数。
21、进一步的，对所述耦合状态修正系数和所述表面粗糙度修正系数进行融合处理，所述融合处理包括取二者中的最大值、加权求和/或通过预训练的时延修正融合模型进行非线性组合，获取融合处理结果数据；
22、根据所述融合处理结果数据作为近场时延修正量，用于动态调整初始有效时延区间的下限，避开信号失真与杂波干扰区域。
23、进一步的，计算超声波在所述被探伤对象中传播往返的理论时延范围包括：
24、根据所述材料属性确定对应的名义声速，并结合所述几何厚度计算底面回波的理论往返时延；
25、设定最小检测深度，并计算对应的近表面理论往返时延；
26、将区间作为所述理论时延范围，用于初始化有效时延区间。
27、进一步的，根据所述近场时延修正量动态调整所述初始有效时延区间的下限值，构建自适应的有效时延区间，具体包括：
28、将所述近场时延修正量与所述初始有效时延区间的原始下限值相加，得到调整后的下限值；
29、保持所述初始有效时延区间的上限值不变，或根据底面回波信噪比动态微调所述上限值；
30、所述调整后的下限值和所述上限值共同界定所述自适应的有效时延区间，用于筛选有效回波信号。
31、进一步的，所述有效时延置信度参数通过如下方式计算：
32、对所述有效时延数据对应的回波幅值、局部信噪比及该传播时延与所述有效时延区间中心位置的绝对偏差分别进行归一化处理，得到归一化幅值因子、归一化信噪比因子及归一化偏差因子；
33、将所述归一化幅值因子、归一化信噪比因子分别赋予正向权重，将所述归一化偏差因子赋予负向权重，通过加权线性组合计算得到所述有效时延置信度参数。
34、第二方面，本发明还提供了一种基于机器学习的超声波探伤仪工作时延评估系统，应用任一项所述的基于机器学习的超声波探伤仪工作时延评估方法，包括：
35、数据获取模块，用于获取被探伤对象的多源探伤感知数据，所述多源探伤感知数据包括由超声波探伤仪采集的原始超声回波信号；
36、修正系数生成模块，用于将所述多源探伤感知数据输入至预训练的机器学习模型，获取耦合状态修正系数和表面粗糙度修正系数；
37、有效时延区间构建模块，用于根据所述耦合状态修正系数及所述表面粗糙度修正系数构建有效时延区间；
38、时延筛选模块，用于基于所述有效时延区间对所述原始超声回波信号进行时域扫描，识别各回波起始点对应的传播时延，并将落入所述有效时延区间内的传播时延确定为有效时延数据；
39、置信度评估模块，用于根据所述有效时延数据对应的回波幅值、局部信噪比以及该传播时延与所述有效时延区间中心位置的绝对偏差，通过预设权重计算，获取有效时延置信度参数，并基于所述有效时延置信度参数对工作时延进行评估。
40、本发明的有益技术效果至少在于以下：
41、本发明提供了一种基于机器学习的超声波探伤仪工作时延评估方法及系统，相较于现有超声波探伤仪工作时延评估方法，具有以下显著有益效果：
42、其一为有效解决固定时延窗口在复杂工况下适应性差的问题。传统方法通常基于理想假设设定静态时延阈值，未考虑耦合状态波动与表面粗糙度等实际干扰因素，导致在耦合不良或高粗糙度表面检测时，近表面缺陷回波易被误判为噪声而剔除，或杂波被误认为有效信号，造成漏检或误报。本发明通过引入预训练的机器学习模型，融合多源探伤感知数据（包括原始回波信号、材料属性、表面状态等），动态输出耦合状态修正系数与表面粗糙度修正系数，并据此自适应构建有效时延区间，使时延判定边界贴合真实检测条件，显著提升近表面缺陷的检出率与判别可靠性。
43、其二为实现工作时延评估的量化、智能化与可解释性输出。现有技术多依赖人工经验或简单幅值/时间阈值进行回波筛选，缺乏对时延数据可信程度的综合度量。本发明提出“有效时延置信度参数”作为统一评估指标，该参数基于回波幅值、局部信噪比及时延位置偏离度等多维特征，通过预设权重加权融合生成，取值范围为零至一，直观反映该时延对应真实缺陷回波的可信程度。该参数不仅可作为自动判伤的决策依据，还可用于系统自诊断与检测质量追溯，为超声探伤从“定性判断”迈向“定量评估”提供关键技术支撑。
44、综上，本发明通过数据驱动的自适应时延建模与置信度量化机制，克服了传统方法在非理想检测条件下鲁棒性不足、评估结果主观性强的技术瓶颈，显著提升了超声波探伤仪在工业现场复杂场景下的智能化水平、检测精度与运行稳定性。