邱忠超,張衛(wèi)民,果　艷,劉　金,成明明

(1.北京理工大學(xué) 機(jī)械與車輛學(xué)院, 北京100081;2.北京理工大學(xué) 宇航學(xué)院, 北京 100081)

?

基于GA-BP神經(jīng)網(wǎng)絡(luò)的微裂紋漏磁檢測(cè)定量化評(píng)價(jià)

邱忠超1,張衛(wèi)民1,果艷1,劉金2,成明明2

(1.北京理工大學(xué) 機(jī)械與車輛學(xué)院, 北京100081;2.北京理工大學(xué) 宇航學(xué)院, 北京 100081)

摘要：介紹了利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)金屬中微細(xì)裂紋漏磁檢測(cè)定量化評(píng)價(jià)的基本原理。將遺傳算法和人工神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合，進(jìn)行漏磁定量化檢測(cè)，既提高了算法的全局搜索性，又良好地適應(yīng)于非線性問題。試驗(yàn)結(jié)果表明，將該人工智能算法應(yīng)用于工程實(shí)際，能有效實(shí)現(xiàn)基于漏磁檢測(cè)信號(hào)的金屬中微細(xì)裂紋定量化評(píng)價(jià)。

關(guān)鍵詞：GA-BP神經(jīng)網(wǎng)絡(luò);微裂紋;漏磁檢測(cè);定量化

金屬中的微裂紋是指寬、深尺寸同時(shí)小于0.5 mm的裂紋。漏磁檢測(cè)是基于金屬漏磁效應(yīng)發(fā)現(xiàn)裂紋的一種方法。研究發(fā)現(xiàn)，漏磁檢測(cè)信號(hào)和金屬裂紋幾何參數(shù)之間有較明確的對(duì)應(yīng)關(guān)系，故漏磁檢測(cè)是一種可實(shí)現(xiàn)缺陷定量化評(píng)估的檢測(cè)方法。

筆者在前期研制的模塊組合漏磁傳感器陣列的基礎(chǔ)上[1]，利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的方法，較好地實(shí)現(xiàn)了金屬中微裂紋寬度、深度的定量識(shí)別。由于傳感器設(shè)計(jì)的原因，漏磁檢測(cè)切向分量最為靈敏，最有利于實(shí)現(xiàn)裂紋的定量化評(píng)估，故筆者采用漏磁檢測(cè)切向分量及其特征對(duì)金屬中微裂紋進(jìn)行定量識(shí)別。

1神經(jīng)網(wǎng)絡(luò)算法

金屬中的裂紋檢測(cè)的定量化評(píng)估也稱裂紋的反演，是根據(jù)漏磁檢測(cè)信號(hào)推導(dǎo)出裂紋幾何參數(shù)的方法[2]。裂紋的反演技術(shù)一般通過人工智能技術(shù)實(shí)現(xiàn)，這是因?yàn)?雖然漏磁信號(hào)和裂紋缺陷幾何參數(shù)之間有明確的對(duì)應(yīng)關(guān)系，但這種關(guān)系往往是非線性、非一一對(duì)應(yīng)的關(guān)系，故不能直接利用漏磁檢測(cè)信號(hào)及其特征去判別缺陷幾何特征[3]。

人工智能算法中使用最多的是人工神經(jīng)網(wǎng)絡(luò)，在眾多人工神經(jīng)網(wǎng)絡(luò)算法中，BP(Back Propagation，BP)推理過程嚴(yán)謹(jǐn)、算法收斂速度快，網(wǎng)絡(luò)模型具有結(jié)構(gòu)簡(jiǎn)單及易于處理分類問題等優(yōu)點(diǎn)。BP神經(jīng)網(wǎng)絡(luò)一般包括輸入層、隱含層和輸出層，結(jié)構(gòu)示意如圖1所示，其神經(jīng)元個(gè)數(shù)、學(xué)習(xí)速度等參數(shù)可靈活設(shè)定。一次完整的訓(xùn)練過程可分為初始化網(wǎng)絡(luò)、計(jì)算隱含層輸出、計(jì)算輸出層輸出、計(jì)算誤差、更新權(quán)值和更新閾值幾個(gè)步驟[4]。

圖1　BP網(wǎng)絡(luò)結(jié)構(gòu)示意

傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)按照梯度下降的方式修正網(wǎng)絡(luò)權(quán)值和閾值，容易陷入局部極值，因此需要與遺傳算法結(jié)合，以搜尋到全局最優(yōu)解[5]。

2遺傳算法的應(yīng)用

遺傳算法于1975年由美國Michigan大學(xué)的John Holland教授首先提出，因其操作類似于自然界的優(yōu)勝劣汰機(jī)制而得名[6]。遺傳算法是模擬生物進(jìn)化過程的一種尋優(yōu)算法。其對(duì)問題的一定數(shù)量的可能解進(jìn)行編碼作為初始種群，按照遺傳學(xué)方法進(jìn)行選擇、交叉和變異。即，對(duì)復(fù)雜問題建立合適的種群模型，從初始種群開始，進(jìn)行選擇，在此過程中，計(jì)算每個(gè)個(gè)體適應(yīng)度，按照優(yōu)勝劣汰原則，將比較優(yōu)異的個(gè)體傳給下一代或通過配對(duì)交叉，再遺傳給下一代；在遺傳過程中，可能發(fā)生變異，變異是某些個(gè)體的部分基因發(fā)生變動(dòng)，與之前基因不一樣了。總而言之，該算法完全模仿了生物進(jìn)化過程中的遺傳規(guī)律。

利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)，主要是利用遺傳算法的搜索不依賴梯度信息的能力，只需求解函數(shù)在約束條件下的可行解，對(duì)目標(biāo)函數(shù)的適用條件很低，無論目標(biāo)函數(shù)是否具有連續(xù)線性皆可適用，且算法的全局性搜索強(qiáng)，易得到最優(yōu)解。因此遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合，可以充分利用二者的優(yōu)點(diǎn)，使新算法既有神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和魯棒性，又具有遺傳算法的很強(qiáng)的全局搜索能力。筆者主要是利用遺傳算法優(yōu)化BP網(wǎng)絡(luò)權(quán)值和閾值，經(jīng)選擇、交叉、變異操作后，得到BP神經(jīng)網(wǎng)絡(luò)最優(yōu)權(quán)值和閾值[7]。

3基于GA-BP神經(jīng)網(wǎng)絡(luò)的微裂紋定量模型構(gòu)建

漏磁信號(hào)切向分量的峰谷值(信號(hào)幅度)隨矩形缺陷深度的增加而明顯增加，呈很好的線性比例關(guān)系，且切向信號(hào)分量的波形寬度(信號(hào)寬度)與缺陷寬度也成近似的正比關(guān)系；另外,信號(hào)的波形面積、一階微分峰谷值也能很好地描述缺陷的深度、寬度?；谏鲜鲈?故選用信號(hào)切向分量的峰谷值、間距、波形面積、一階微分峰谷值這4個(gè)對(duì)缺陷形狀有決定性作用的特征量，來評(píng)價(jià)缺陷尺寸[8]。特征向量為模式識(shí)別網(wǎng)絡(luò)的輸入向量，一個(gè)特征向量對(duì)應(yīng)一個(gè)輸入節(jié)點(diǎn)，因此該網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)為4；將缺陷的深度、寬度作為網(wǎng)絡(luò)訓(xùn)練的輸出向量，因此輸出節(jié)點(diǎn)數(shù)為2。

使用遺傳算法從全局尋找最優(yōu)權(quán)值和閾值，優(yōu)化BP神經(jīng)網(wǎng)絡(luò)。用遺傳算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)可采用二進(jìn)制編碼或?qū)崝?shù)編碼。編碼串由四部分組成：隱含層與輸入層連接權(quán)值、輸出層與隱含層連接權(quán)值、隱含層閾值、輸出層閾值。具體操作的時(shí)候，將網(wǎng)絡(luò)的權(quán)值和閾值按一定的順序級(jí)聯(lián)起來，形成一個(gè)實(shí)數(shù)數(shù)組，作為遺傳算法的一個(gè)染色體。遺傳操作在這樣的染色體群中進(jìn)行。根據(jù)文章的三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，編碼的長(zhǎng)度為32。在進(jìn)化搜索后采用將均方誤差MSE的倒數(shù)作為適應(yīng)度函數(shù)，該適應(yīng)度函數(shù)值最大時(shí)BP網(wǎng)絡(luò)的權(quán)重和閾值得到優(yōu)化。計(jì)算時(shí)，其根據(jù)每個(gè)個(gè)體適應(yīng)度值的大小，由小到大排列，最小適應(yīng)度值的個(gè)體對(duì)應(yīng)的序號(hào)為1，最大適應(yīng)度值的個(gè)體對(duì)應(yīng)的序號(hào)為M；然后根據(jù)每個(gè)個(gè)體的相對(duì)適應(yīng)度值，計(jì)算選擇概率和當(dāng)前群體中每個(gè)染色體的適應(yīng)度值，找出當(dāng)前最優(yōu)適應(yīng)度值的個(gè)體，反復(fù)迭代，直到滿足條件為止；若達(dá)不到條件，則以指定的最大遺傳代數(shù)為終止計(jì)算準(zhǔn)則。經(jīng)過遺傳運(yùn)算，就得到了BP神經(jīng)網(wǎng)絡(luò)誤差最小的一組完整初始權(quán)值和閾值，整個(gè)網(wǎng)絡(luò)模型的計(jì)算過程見圖2。

圖2　遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)計(jì)算過程示意

4缺陷樣本庫的構(gòu)建

為了實(shí)現(xiàn)磁場(chǎng)信號(hào)三維分量的同時(shí)測(cè)量，采用一個(gè)HMC1021傳感器和一個(gè)HMC1022傳感器組成的標(biāo)準(zhǔn)檢測(cè)單元模塊，傳感器和磁場(chǎng)的位置關(guān)系如圖3(a)所示。其中，HMC1021為單軸傳感器，拾取z方向磁場(chǎng)分量；HMC1022為雙軸傳感器，拾取x、y方向磁場(chǎng)分量。將16個(gè)單元模塊通過安裝槽組裝成一個(gè)4×4陣列結(jié)構(gòu)，如圖3(b)所示。由圖3(a)可知，試驗(yàn)時(shí)即使將探頭與待測(cè)試件接觸，拾取z軸分量的HMC1021傳感器與試件仍然有約2 mm的提離值，而導(dǎo)致難以有效采集微弱的漏磁信號(hào)，因此重點(diǎn)分析漏磁檢測(cè)的切向分量及其特征。

圖3　傳感器和磁場(chǎng)的位置關(guān)系示意及三維陣列探頭實(shí)物圖片

采用電火花加工方法，在16MnR鋼板上制作寬度、深度分別為0.10,0.15,0.20,0.25,0.30 mm，長(zhǎng)度均為10 mm的微裂紋，一共預(yù)制了25個(gè)樣本，上述幾何尺寸的缺陷為人工方法能夠可靠設(shè)置的最小裂紋。

漏磁檢測(cè)試驗(yàn)數(shù)據(jù)是由AMR探頭沿裂紋寬度方向以等空間間隔采集的，信號(hào)含有較多的背景噪聲，在定量化分析之前，需要對(duì)信號(hào)預(yù)處理。檢測(cè)信號(hào)預(yù)處理主要包括剔除信號(hào)奇異點(diǎn)，消除信號(hào)趨勢(shì)項(xiàng)以及濾波消噪三部分。結(jié)果如圖4所示，由圖可知，信號(hào)預(yù)處理對(duì)噪聲具有很強(qiáng)的抑制能力，不僅剔除了信號(hào)中的噪聲，而且保留了原始信號(hào)中的細(xì)節(jié)。

圖4　原始信號(hào)與預(yù)處理后信號(hào)的波形

對(duì)預(yù)處理后的信號(hào)提取四個(gè)特征值：信號(hào)波形的峰谷值Y，波形面積S，信號(hào)波形的能量Ew與一階微分峰谷值Yd，所構(gòu)建的缺陷樣本庫如表1所示。

5結(jié)果與討論

以四個(gè)特征值作為網(wǎng)絡(luò)的輸入向量，將模型中缺陷的深度、寬度作為網(wǎng)絡(luò)訓(xùn)練的目標(biāo)向量。根據(jù)深度、寬度取不同數(shù)值，預(yù)制了25組試驗(yàn)樣本，但從人工智能技術(shù)角度講，上述樣本量仍然偏少。為了獲得足夠數(shù)量的樣本，采用數(shù)值擬合方法，補(bǔ)充了56組樣本，最后獲得的試驗(yàn)樣本為81組。選取81組試驗(yàn)樣本中的72組作為訓(xùn)練數(shù)據(jù)，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使之收斂。表2是另外9組作為測(cè)試數(shù)據(jù)的識(shí)別結(jié)果。

由表2可知，預(yù)測(cè)結(jié)果的準(zhǔn)確率均達(dá)到82%以上；其中，深度的預(yù)測(cè)結(jié)果誤差較小，最大為10.51%；寬度的預(yù)測(cè)結(jié)果稍大，最大誤差為17.3%。由此可知，該預(yù)測(cè)結(jié)果基本能夠反映缺陷的尺寸，即GA-BP神經(jīng)網(wǎng)絡(luò)基本可以定量識(shí)別人工微裂紋缺陷。

表1　缺陷樣本庫的特征值數(shù)據(jù)

表2　其他9組試驗(yàn)數(shù)據(jù)的識(shí)別結(jié)果

6結(jié)論

通過漏磁檢測(cè)試驗(yàn)構(gòu)建微裂紋缺陷樣本庫，并將GA-BP神經(jīng)網(wǎng)絡(luò)應(yīng)用到漏磁微裂紋缺陷的定量識(shí)別中，缺陷尺寸預(yù)測(cè)結(jié)果的準(zhǔn)確率達(dá)到82%以上。數(shù)據(jù)表明：將遺傳算法和人工神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合，既提高了算法的全局搜索性，又對(duì)非線性問題保持了良好的適應(yīng)性;該算法能夠有效地定量識(shí)別人工微裂紋缺陷的尺寸，為裂紋發(fā)展階段的早期定量識(shí)別評(píng)價(jià)技術(shù)提供了基礎(chǔ)。

參考文獻(xiàn):

[1]楊秀江. 模塊組合式三維電磁檢測(cè)陣列傳感器設(shè)計(jì)與研究[D]. 北京：北京理工大學(xué)，2014.

[2]王長(zhǎng)龍，陳自立，馬曉琳，等. 漏磁檢測(cè)的缺陷可視化技術(shù)[M]. 北京：國防工業(yè)出版社，2014.

[3]劉斌，付英，于慧，等.基于GGA算法磁記憶檢測(cè)模型的研究[J].儀器儀表學(xué)報(bào)，2014，35 (10)：2200-2207.

[4]桂延寧，焦李威，張福順.基于小波和BP神經(jīng)網(wǎng)絡(luò)的無線電探測(cè)目標(biāo)識(shí)別技術(shù)[J].電子學(xué)報(bào)，2003，31(12)：1811-1814.

[5]雷英杰，張善文.MATLAB遺傳算法工具箱及應(yīng)用[M].西安：西安電子科技大學(xué)出版社，2005.

[6]孫潔娣，溫江濤，靳世久.基于改進(jìn)BP網(wǎng)絡(luò)的管道安全檢測(cè)技術(shù)研究[J].儀器儀表學(xué)報(bào)，2006，27(6)：1647-1649.

[7]種向婷. 基于GA-BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)損傷識(shí)別研究[D]. 北京：華北電力大學(xué)，2014.

[8]史金陽.管道漏磁檢測(cè)缺陷識(shí)別方法的研究[D]. 沈陽：沈陽工業(yè)大學(xué)，2009.

Evaluation on Quantitative Recognition of Micro Cracks by Magnetic Leakage Test Based on GA-BP Neural Network

QIU Zhong-chao1, ZHANG Wei-min1, GUO Yan1, LIU Jin2, CHENG Ming-ming2

(1.School of Mechanical Engineering, Beijing Institute of Technology, Beijing 100081, China;

2.School of Aerospace Engineering,Beijing Institute of Technology, Beijing 100081, China)

Abstract：The basic principle of realizing quantitative evaluation of metal micro crack detection with using BP neural network optimized by genetic algorithm is introduced. Organic combination of genetic algorithm and artificial neural network not only improves global search performance, but also maintains good adaptability to nonlinear problems during magnetic flux leakage detection. Final experimental results show that the artificial intelligence algorithm applied in practical engineering can realize quantitative assessment of metal micro cracks based on magnetic leakage signals.

Key words:GA-BP neural network; Micro crack; Magnetic flux leakage detection; Quantitative identification

中圖分類號(hào)：TG115.28

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1000-6656(2016)02-0001-04

DOI:10.11973/wsjc201602001

作者簡(jiǎn)介：邱忠超(1987-),男，博士研究生，主要研究方向?yàn)榻饘俅庞洃?、漏磁檢測(cè)等電磁無損檢測(cè)技術(shù)。

收稿日期：2015-07-13