超声探伤信号的神经网络识别

第 29 卷 第 2 期 � 2006 年 4 月 � � 电 � 子 � 测 � 量 � 技 � 术 � � ELECTRONIC MEASUREM ENT T ECHNOLOGY 研究 超声探伤信号的神经网络识别 李 � 雪 � 朱 � 杰 (上海交通大学 电子工程系 上海 200030) 摘 � 要: 提出一种基于傅立叶变换和模式识别技术的奥氏体超声探伤信号的缺陷定性分类方法。该方法利用快 速傅立叶变换提取反映缺陷性质的特征值, 然后运用 BP 神经网络对特征值进行缺陷定性识别。实验结果明, 此方法简单易行, 且能较好地实现奥氏体的缺陷识别。 关键词: 超声检测 � 神经网络 � 特征提取 Ultrasonic flaw recognition of austenitic stainless steel using artificial neural network L i Xue � Zhu Jie ( Sh angh ai Jiaoton g Un iversi ty, Departm ent of Elect ronic Engin eering, S han ghai, 200030) Abstract: A signal r ecognition method fo r ultrasonic flaw detection of austenitic st ainless steel is int roduced based on Four ier T ransfo rm and pattern recognition. Character istics are fir st ext racted via Fast Four ier T r ansfo rm ( FFT ) , and then Back�P ropagation Netwo rk is used to identif y the defect signa l. Experiments show that the method is no t only easy to im plement, but also effect ive for identifying austenitic steel defect. Keywords: ultr asonic test ing , neural netw ork, characterist ics ex tr action. 0 � 引 � 言 超声无损检测是 5 大常规无损检测技术之一, 并且以其独特的优点和广泛的应用而居首位。超声 无损检测的新要求是使检测由定性检测走向定量测 量, 即不仅要确定是否有伤, 而且要进一步确定伤 的大小、形状、取向、性质等 [1]。 近年来人工神经网络技术 ( ANN) 发展很快, 它在信号模式识别方面应用较成熟。目前无损检测 中, 人工神经网络的算法一般采用较成熟的 BP 算 法[ 2]。本文将对其具体应用做详细介绍。 1 � BP算法在超声检测中的应用 1� 1� 输入层的设计 神经网络对输入数据的处理十分关键。处理步 骤[ 3]如 图 1所示。 图 1 � 输入数据的处理 1� 1� 1� 滤波 提高输入数据质量, 消除误差。 1� 1� 2� 特征提取 对输入进行特征提取的目的有二: ( 1) 压缩数据, 减少网络训练时间; ( 2) 突出 信号的奇异特征。不同类型缺陷之间的特征差别越 大, 缺陷分类的成功率越高。目前较常用的特征量 有信号的幅度谱、相位谱、功率谱密度、小波变换 系数等[ 1]。 1� 1� 3� 归一化 神经网络在计算输入数据时, 要根据输入变量 的最大值、最小值以及激励函数的上下限, 将数据 按一定方式归一化到 0~ 1或- 1~ + 1之间。 输入层神经元的数目即为特征量的数目。 1� 2� 隐含层的设计 1� 2� 1� 隐含层数确定 BP 网络有一个非常重要的定理, 即对于任何 在闭区间内的一个连续函数, 都可以用单隐层的 BP 网络逼近, 因而一个三层 BP 网络就可以完成 任意的 n维到 m 维的映射。 1� 2� 2� 隐含层神经元数目确定 一般通过多次仿真比较来判断隐含层神经元数目。 1� 3� 输出层的设计 输出层神经元数目即为输出状态的数目。 2 � 基于 FFT和 BP网络的超声检 测缺陷识别 2� 1� 工程描述 系统配置与连接见图 2。 �23� 图 2 � 采样及识别系统框图 � � 采集含缺陷信号的超声信号过程如下。将 2� 5P13 13K2探头置于模拟试块腹地, 采样频率 设为 27MHz, 扫查深 19mm 的 3 30 人工横孔, 调整衰减器使其最大回波达 80% , 采集回波信号; 保持衰减量不变, 使探头分别后移至其回波高为 60%、40%的位置, 依次采集回波信号。所有信号 处理与人工神经网络识别均在 PC机中软件实现。 2� 2� 输入和目标向量设计 综合考虑操作上简单易实现并尽量涵盖超声信 号特征, 本实验特征量采用时域与频域相结合的组 合特征量[ 4]。时域特征量选取原始信号峰值与时宽 两个参数。频域特征量通过截取信号特征明显的 1024点进行快速傅立叶变换得到。因为超声信号 频谱信息集中在低频端, 因此选取幅度谱的前 50 点作为一组频域特征量; 另外选取频谱的峰值与频 宽作为第二组频域特征量。将组合特征量共 54 个 参数作为神经网络的输入。本实验共取 180 组数 据, 其中 100 组用于训练网络 (包括有缺陷数据 50组与无缺陷数据 50 组) , 80 组用于测试网络 (包括有缺陷数据 40组与无缺陷数据 40组)。 其中对回波波高为 60%的信号进行 FFT 变换 如图 3所示。 图 3� 原始信号及其 FFT 变换 目前本网络只用于判定缺陷的有无, 所以输出 层仅需一个神经元。采用如下形式表示输出: 输出 为 1表示有缺陷, 输出为 0表示无缺陷。 2� 3� BP网络设计 2� 3� 1� 网络创建 网络输入层神经元个数为 54, 输出层神经元 个数为 1。隐含层数增多, 训练时间会急剧增 加[ 3]。实验表明: 隐含层数设为 2层时, 训练时间 尚可接受, 但网络正确率并没有得到改善。因此隐 含层数选取 1层。 经实验比较 (见表 1) 得到隐含层神经元个数 为 18, 初次学习步长为 1� 0 时网络误差最小且训 练次数较少, 因此选择此网络来进行训练及测试。 表 1 隐含层节点数与误差关系 网络结构 学习速率 训练次数 均方误差 网络正确率 50 18 1 1� 0 8 0� 0097 99% 50 20 1 1� 0 13 0� 0091 97% 50 25 1 1� 0 754 0� 0097 96% 50 20 1 0� 4 16 0� 0099 96% 2� 3� 2� 网络训练 本网络利用 Levenberg�Mar quardt[ 5]算法进行 训练。 训练结果如图 4所示, 其中横坐标表示训练次 数, 纵坐标表示网络误差。由图 4可知经过 8次训 练后, 网络误差达到设定最小值。收敛速度快的一 个重要原因在于学习速率设定值比较大。 图 4 � 训练误差曲线图 2� 3� 3� 网络测试 将 80组测试数据输入网络, 测试结果如表 2 所示。 表 2 � 测试结果 测试结果 实际情况有缺陷 ( 40组) 无缺陷 ( 40组) 有缺陷 37 4 无缺陷 3 36 正确率 ( % ) 92�5% 90% 由多次实验结果可知, 网络的正确识别率较高 且识别结果很稳定, 容错性较高。虽然网络训练需 要一定时间, 一旦训练好后, (下转第 49页) �24� 李 � 雪等: 超声探伤信号的神经网络识别 � � � � � � � � � � � � � � � 第 2 期 � 频所得的幅度信息从 EM I 接收机中读出, 同时得 到当前扫频的起始频率、终止频率及每屏的扫频点 数。 �数据处理子 VI: 此 VI的主要功能是将得到幅度数据信息由 EM I接收机的特定形式转化为实际的幅度值, 同 时将所对应的传输线损耗、放大器的增益, 以及天 线系数对测试结果进行修正, 得出与测试环境电平 一致的实际电平幅度。 �写入文件子 VI: 此 VI的主要功能是将得到的频点和与其对应 测试环境的实际电平幅度一起写入指定的文件中, 作为测试数据的备份, 以便在进一步比较分析时 使用。 图 4 � 软件主过程控制面板 软件的主控面板如图 4所示。由于测试的频率 范围较宽, 测试时依据标准需要分许多屏进行扫频 测试。因此在主控面板的最上面有一个显示窗口来 显示整个频率范围的测试结果, 在左下方还设计了 一个显示窗口显示当前测试频段的测试结果, 这样 既可以对整个频率范围的情况有所了解, 也对当前 扫频的区间进行了重点检测。在测试面板的右下角 中间设计了 3个输入量, 它们分别是保存测试结果 数据的文件名和文件路径、EMI 接收机的 GPIB地 址、天线开关的 GPIB地址。在左下角的最下面设 计了一排共 4个指示灯和 1个继续测试的按钮, 指 示灯是用来指示当前工作的天线, 而继续测试按钮 则是用来控制进行多次试验的。 5 � 结 � 论 基于 LabVIEW的电磁环境自动化测试系统, 以 LabV IEW 控制软件为核心, 以计算机为仪器控 制、数据采集、数据处理及分析的中心, 不但充分 发挥了测试设备的性能, 也减轻了测试人员的劳动 强度, 极大地提高了测试的效率和测试结果的准确 度。本系统对外界电磁环境可以进行多次快速准确 的测试, 可以对外部场区的电磁环境进行科学的监 测, 并作出比较准确的评估, 为外场的最终定点和 后续使用提供强有力的依据。 参 考 文 献 [ 1] GJB�152A�97 军用设备和分系统电磁发射和敏感度 测量 [ S] . [ 2] GJB�151A�97 军用设备和分系统电磁发射和敏感度 要求 [ S] . [ 3] GJB389�92 系统级电磁兼容性要求 [ S] . [ 4] 陈淑风等. 电磁兼容试验技术 [ M ] . 2001. (上接第 24页) 实际识别所用时间极短, 网络完全可以满足识别同 类缺陷的实时性要求。 3 � 结 � 论 用基于 FFT 的奥氏体缺陷识别方法, 特征量 提取采用时域与频域相结合的方式, 弥补了仅采用 频域特征量造成的信息不全的缺点。从测试结果可 以看出, 此方法简单易行且效果较好, 与 BP 网络 相结合, 较好地实现了奥氏体的缺陷识别。 参 考 文 献 [ 1] 陈彦华, 李明轩. 人工神经网络在超声无损检测中 的应用 [ J] . 应用声学, 1996 ( 3) : 40�44. [ 2] 胡守仁. 神经网络导论 [ M ] . 长沙: 国防科技大学 出版社, 1998. [ 3] 刘镇清, 张海燕. 人工神经网络及其在超声检测中 的应用 [ J] . 无损检测, 2001, 23 ( 5) : 221�225. [ 4] 刚铁. 基于神经网络的焊接缺陷智能化超声模式识 别与诊断 [ J] . 无损检测. 1999, 21 ( 12) : 529� 532, 548. [ 5] 王珏, 郭其一, 等. 基于改进 BP 神经网络的预测 模型及其应用 [ J] . 计算机测量与控制, 2005, 13 ( 1) : 39�42. �49� � 第 2 期 � � � � � � � � � � � � � � � 郭俊峰等: 基于虚拟仪器的电磁环境监测系统