李 力 姜 愷 曾德學(xué)

（三峽大學(xué)水電機械設(shè)備設(shè)計與維護湖北省重點實驗室，湖北宜昌 443002）

現(xiàn)代工藝中，鋼結(jié)構(gòu)運用了大量焊接工藝，焊縫缺陷的存在對于整個結(jié)構(gòu)的安全有很大影響，為了保證焊接結(jié)構(gòu)的質(zhì)量，必須對鋼結(jié)構(gòu)焊縫進行無損檢測.目前焊縫檢測中，超聲檢測依舊占有很大比重.然而，超聲檢測中對缺陷定位分析技術(shù)已比較成熟，而對于缺陷類型，如裂紋、氣孔和未焊透等的定性分析一直沒有得到很好的解決［1］.固在焊接缺陷超聲檢測中，對缺陷進行定性分析是超聲無損檢測與評價的關(guān)鍵內(nèi)容，也是超聲檢測研究領(lǐng)域的熱點和難點.

針對不同類型缺陷的超聲回波提取其中各自的特征信息是定性分析的關(guān)鍵，小波包變換是一種多分辨率分析方法，適用于瞬態(tài)信號的分析處理，是對超聲信號特征提取的一個有效方法［2－3］.因此，本文首先采用小波包變換提取超聲回波信號各個頻段內(nèi)的能量特征組成特征向量，然后將其作為BP神經(jīng)網(wǎng)絡(luò)的輸入進行分類識別.結(jié)果表明，基于小波包變換和BP神經(jīng)網(wǎng)絡(luò)的焊接缺陷定性方法是有效的.

1 基于小波包的特征向量提取

超聲信號是一種典型的非平穩(wěn)信號，不同類型缺陷回波信號內(nèi)各頻帶的能量分布也是不同的，因此可利用小波包變換將超聲回波信號進行分解，把不同頻帶內(nèi)的能量作為特征向量.由Parseval［4］恒等式，有

由式（1）可知，小波變換系數(shù)Cj，k是具有能量的量綱，可用于能量分析.利用小波包變換實現(xiàn)信號能量特征提取的步驟如下［5－6］：

1）信號分解.對回波信號進行去噪、截取處理，選擇db10小波進行4層小波包分解，將信號分解成16個子帶.再對16個子帶的小波包分解系數(shù)進行重構(gòu)，得到各頻帶范圍內(nèi)的信號.

2）求各頻帶信號能量.設(shè)各頻帶信號S4j（j＝0，1，…，15）對應(yīng)的能量為E4j（j＝0，1，…，15），則有

其中，xjk（j＝0，1，…，15；k＝1，2，…，n）表示重構(gòu)信號S4j的離散點的幅值.

3）求特征向量.采用各特征頻帶的能量作為特征向量，并歸一化.信號總能量為

歸一化求各頻帶能量組成的特征向量T為

2 BP神經(jīng)網(wǎng)絡(luò)

2.1 BP網(wǎng)絡(luò)的結(jié)構(gòu)

本文采用BP神經(jīng)網(wǎng)絡(luò)進行分類識別.BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，它由輸入層、輸出層和隱含層構(gòu)成［7］.圖1為一個典型的3層BP網(wǎng)絡(luò)的拓撲結(jié)構(gòu)，層與層之間采用全互連方式，同一層之間不存在相互連接，隱層可以有一層或多層.該網(wǎng)絡(luò)的主要特點是信號前向傳遞，誤差反向傳播.在前向傳遞中，輸入信號從輸入層經(jīng)隱含層逐層處理，直至輸出層.每一層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài).如果輸出層得不到期望輸出，則轉(zhuǎn)入反向傳播，根據(jù)預(yù)測誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，從而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出不斷逼近期望輸出［8］.

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.2 BP網(wǎng)絡(luò)的學(xué)習

在確定了BP網(wǎng)絡(luò)的結(jié)構(gòu)后，要通過輸入和輸出樣本集對網(wǎng)絡(luò)的閾值和權(quán)值進行學(xué)習和修正，以使網(wǎng)絡(luò)實現(xiàn)給定的輸入輸出映射關(guān)系［9］.BP網(wǎng)絡(luò)的學(xué)習過程分為2個階段：

1）正向傳播過程.從訓(xùn)練樣本集中取一個樣本，作為輸入向量送入網(wǎng)絡(luò)，通過設(shè)置的網(wǎng)絡(luò)結(jié)構(gòu)和前一次迭代的權(quán)值和閾值，從網(wǎng)絡(luò)的第一層向后計算各神經(jīng)元的輸出.把得到的輸出樣本與期望的輸出比較，如有誤差超出限定范圍，則執(zhí)行下一過程，否則循環(huán)本過程，輸入下一個樣本；

2）反向傳播過程.從輸出層反向計算到第一隱層，修正各神經(jīng)元的連接權(quán)值，使誤差減小到滿足要求.

3 應(yīng)用分析

3.1 信號采集

試驗中準備3種常見缺陷（氣孔、裂紋、未焊透）鋼板試樣，使用BSN60數(shù)字式超聲波探傷儀、2.5 MHz斜探頭、CSK－IIIA試塊和探傷軟件組成超聲檢測系統(tǒng)，耦合劑選為機油，設(shè)定初始聲速值為3 230 m／s.信號采集系統(tǒng)如圖2所示.

圖2 超聲信號采集系統(tǒng)

采集3種不同鋼結(jié)構(gòu)焊縫缺陷試樣的超聲回波信號樣本，每類均采集20個樣本，每個樣本即為一個超聲波回波信號，共計60個樣本.3種焊接缺陷的典型超聲回波信號波形圖如圖3所示.從圖3可看出，不同類型焊接缺陷的超聲回波信號波形特征不是很明顯，因此，需對信號進一步處理，提取其特征信息.

圖3 3種焊接缺陷的超聲回波信號

3.2 特征提取

只有缺陷處的回波才能反映缺陷的類型，因此對樣本進行截取，截取第51到215個采樣點的數(shù)據(jù).截取后利用小波包變換進行能量特征向量提取，首先選用db10小波對樣本進行4層小波包分解，提取第4層16個頻段（［4，0］，［4，1］，…，［4，15］）的小波包系數(shù)，然后根據(jù)式（2）計算每個頻段的能量，最后利用式（3）和式（4）求出歸一化能量.這樣就得到了包含3種缺陷、60個樣本的實驗數(shù)據(jù)特征向量集，每個特征向量由16個特征組成.

圖4所示是超聲回波信號經(jīng)小波包分解后提取出的特征能量譜直方圖.從中看出，不同性質(zhì)的缺陷回波信號經(jīng)小波包分解后，其能量在各頻帶上的分布差別明顯，這樣可將其看作不同類型焊接缺陷的特征值，作為缺陷分類的依據(jù).

圖4 3種焊接缺陷各節(jié)點平均能量柱狀圖

3.3 缺陷識別

將上述得到的焊接缺陷實驗數(shù)據(jù)集分為訓(xùn)練樣本集和測試樣本集，各包括30個樣本.然后利用BP網(wǎng)絡(luò)對其分類測試.過程如下：

1）BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)定.隱含層單元數(shù)的確定可參考式（5）［10］：

式中，f為隱含層單元數(shù)，n為輸人單元數(shù)，k為輸出單元數(shù)，a為［1，10］之間的常數(shù).經(jīng)計算，本試驗隱含層單元數(shù)選為5.設(shè)定網(wǎng)絡(luò)輸出函數(shù)為tansig，訓(xùn)練函數(shù)為trainlm.將訓(xùn)練樣本集作為輸入神經(jīng)元，輸出神經(jīng)元見表1，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò).

表1 BP網(wǎng)絡(luò)的期望輸出

圖5為BP網(wǎng)絡(luò)訓(xùn)練誤差圖.從圖5可以看到，迭代52次之后訓(xùn)練誤差數(shù)量級為10－11，說明BP網(wǎng)絡(luò)在焊接缺陷定性試驗中診斷性能較好，預(yù)測精度較高.

將30個測試樣本輸入到訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)中，得到的結(jié)果見表2.限于篇幅，每類缺陷只列出了5組數(shù)據(jù).

圖5 BP網(wǎng)絡(luò)訓(xùn)練誤差圖

表2 缺陷分類結(jié)果（部分）

經(jīng)統(tǒng)計得，測試樣本集所對應(yīng)的分類結(jié)果中，30個樣本判錯了4個，分類準確率為86.7%，分類結(jié)果十分有效.

4 結(jié) 論

本文針對鋼結(jié)構(gòu)焊縫缺陷進行了定性研究.首先介紹了基于Matlab軟件的小波包能量特征值提取方法，然后將得到的特征向量輸入到BP神經(jīng)網(wǎng)絡(luò)中進行焊縫缺陷的定性，得到以下結(jié)論：

1）基于小波包變換和BP神經(jīng)網(wǎng)絡(luò)的鋼結(jié)構(gòu)焊縫缺陷定性準確率達到了86.7%，該方法是十分有效的.

2）小波包特別適用類似于超聲這種瞬態(tài)信號分析處理的特點，小波包能量分解是一種有效的超聲回波信號特征提取方法，信號在各頻帶上的能量構(gòu)成可以很好地表征焊縫缺陷的類別.

3）將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于超聲回波識別，能較好地解決缺陷回波的模式識別問題.

［1］ 杜秀麗，沈 毅，王 艷，等.基于時頻判別特征的焊縫超聲檢測缺陷分類［J］.焊接學(xué)報，2008，29（2）：89－92.

［2］ Kyungmi Lee.Feature Extraction Schemes for Ultrasonic Non－destructive Testing Inspections［J］.Advances in Information Sciences and Service Sciences，2011，3（3）：125－135.

［3］ Kyungmi Lee.Feature Extraction and Gating Techniques for Ultrasonic Shaft Signal Classification［J］.Applied Soft Computing，2007（7）：156－165.

［4］ 鮑澤富，徐李甲.基于小波包變換與神經(jīng)網(wǎng)絡(luò)的齒輪故障診斷方法［J］.機械研究與應(yīng)用，2010（1）：21－24.

［5］ 陳 淵.基于小波包和概率神經(jīng)網(wǎng)絡(luò)的焊接缺陷識別［J］.儀表技術(shù)與傳感器，2010（8）：89－92.

［6］ Yi Dun.A Novel Method for Feature Extraction of Multi－layered Structure Ultrasonic Echo Signals［C］.The Ninth International Conference on Electronic Measurement ＆Instruments，2009：1055－1059.

［7］ 李 萍，倪 軍，李喜孟，等.神經(jīng)網(wǎng)絡(luò)在20鋼時效組織狀態(tài)無損識別中的應(yīng)用［J］.機械工程材料，2006，30（12）：33－39.

［8］ 胡耀波，李 鵬，熊幃皓.BP神經(jīng)網(wǎng)絡(luò)的實現(xiàn)及應(yīng)用［J］.機械工程材料，2002，26（6）：16－18.

［9］ 周開利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計［M］.北京：清華大學(xué)，2005.

［10］沈花玉，王兆霞，高成耀，等.BP神經(jīng)網(wǎng)絡(luò)隱含層單元數(shù)的確定［J］.天津理工大學(xué)學(xué)報，2008，24（5）：13－15.