陳友興，劉藺慧，肖兆騫，吳其洲，王召巴，金 永

(1.中北大學,儀器科學與動態(tài)測試教育部重點實驗室，太原 030051；2.中北大學 信息與通信工程學院，太原 030051)

合金彈體內(nèi)部缺陷超聲檢測的類型識別方法

陳友興1,2，劉藺慧2，肖兆騫2，吳其洲2，王召巴1,2，金 永1,2

(1.中北大學,儀器科學與動態(tài)測試教育部重點實驗室，太原 030051；2.中北大學 信息與通信工程學院，太原 030051)

針對合金彈體的幾種典型結(jié)構(gòu)，采用超聲檢測技術(shù)進行缺陷檢測，用不同尺寸的人工小孔和細槽代表實際的氣泡和裂紋缺陷，研究了彈體內(nèi)部缺陷的類型識別技術(shù)；通過對缺陷回波信號的總體經(jīng)驗模態(tài)分解，得到各個分量的能量分布和信息熵分布，并以此為特征量，采用支持向量機的方法進行了類型識別；用平均距離的方法對特征量進行評估和排序，將優(yōu)化、精簡個數(shù)后的特征量作為輸入，在減少運算時間的同時，提高了缺陷識別率，最終的識別率為97.5%。

超聲檢測；類型識別；支持向量機；經(jīng)驗模態(tài)分解

0 引言

合金彈體一般由金屬合金材料經(jīng)溫度擠壓工藝制作而成，由于溫度瞬間變化等原因，致使彈體內(nèi)部產(chǎn)生裂紋、氣孔等缺陷，導致產(chǎn)品報廢，因此在生產(chǎn)過程中和使用前必須對產(chǎn)品進行缺陷檢測，并反饋檢測結(jié)果，確保使用安全，提高工藝水平，減少廢品率，降低成本。目前，常用的檢測方法主要有超聲檢測和X射線檢測。當采用X射線技術(shù)進行檢測時，由于圓柱形彈體透射深度變化范圍大，單幅圖像很難成像出各種深度的缺陷信息，且高成本因素也限制了其應用。超聲檢測技術(shù)具備在最低消耗成本下對金屬彈體進行檢測。近年來,中北大學針對合金彈體及其坯料的超聲檢測開展了一系列研究。金永于2009年、2010年針對溫度擠壓出的彈體坯料和小口徑彈頭，研究了水浸式的超聲檢測方法[1-2]；陳友興于2013年研究了自動檢測過程中的自適應濾波去噪方法、缺陷特征提取技術(shù)和重構(gòu)方法[3]，并設(shè)計了適用于合金彈體、彈頭的自動超聲檢測系統(tǒng)[4]。

本文在前期研究基礎(chǔ)上，開展基于支持向量機的合金彈體缺陷類型識別方法研究，并采用總體經(jīng)驗模態(tài)分解和參數(shù)平均距離來提取和優(yōu)化特征量。

1 基本原理

1.1 彈體缺陷超聲檢測基本原理

與文獻[3]所述的檢測原理類似，本文的研究對象也包含空心體和實心體兩種結(jié)構(gòu)。圖1是超聲檢測空心體和實心體的原理示意圖，采用水耦合。當檢測實心體部分時，采用圖1(a)的方式，探頭沿工件法線方向入射；當檢測空心體部分時，采用圖1(b)的方式，通過偏離探頭距離，使得探頭與工件法線成一定角度，這樣可延長超聲波在工件中的傳播距離，有利于缺陷特征的提取。

1.2 經(jīng)驗模態(tài)分解和支持向量機的基本原理

輸入特征量的選擇和提取是缺陷類型識別的關(guān)鍵，常用的超聲回波特征量有回波峰值、回波能量、回波中心位置、頻譜幅度、頻譜相位等，這些特征簡單明了、容易求解，但綜合性不強，不能全面反映不同缺陷的類型特征。時頻域分析是目前超聲檢測的一種常用方法，能夠同時反映時域和頻域的特征，主要方法有小波分析和經(jīng)驗模態(tài)分解。小波分析需要根據(jù)回波特征選擇合適的基函數(shù)對回波信號進行分解，小波基函數(shù)的選擇成為特征提取的難點和關(guān)鍵；經(jīng)驗模態(tài)分解通過反復求取信號的極大值和極小值實現(xiàn)多層次分解，具有自適應的效果，避免基函數(shù)對分解效果的影響。

本文采用基于總體經(jīng)驗模態(tài)分解的特征提取方法和基于支持向量機的模式識別方法。

1.2.1 總體經(jīng)驗模態(tài)分解的基本原理

EMD的本質(zhì)是可把對非周期、非平穩(wěn)信號進行平穩(wěn)化，將其分解成一系列固有模態(tài)函數(shù)(IMF)，其原理見文獻[5]。由于經(jīng)過EMD分解后的每個IMF都存在多尺度信息，會造成缺陷回波信號的邊界處產(chǎn)生混疊現(xiàn)象，以至于對特征的提取造成干擾，針對這一問題，Huang提出了一種增加均勻分布白噪聲的總體經(jīng)驗模態(tài)分解(EEMD)的方法，通過添加均勻分布的高斯白噪聲解決模式混疊問題[6]。EEMD的分解過程如圖2所示，與EMD分解過程的區(qū)別在于在對信號每一次分解前都要進行一次添加白噪聲處理。

1.2.2 支持向量機分類原理

支持向量機是最大邊界分類器，通過超平面的最大邊界，尋求泛化誤差最優(yōu)化[7]。實際分類的數(shù)據(jù)常常是非線性可分的，需要將數(shù)據(jù)通過非線性變換映射到另一個高維特征空間，使其轉(zhuǎn)換為線性問題，如圖3所示。

圖3中，左邊為非線性原始空間，右邊為轉(zhuǎn)換后的線性空間。在映射下，超平面可描述為

(1)

1.2.3 識別器輸入特征量

能量作為信號分析中重要的物理量，是信號特征提取中常用到的特征量，在不同的頻段內(nèi)，不同缺陷信號的能量分布會有較大的差異；信息熵代表了信號的整體統(tǒng)計特性，反映了信號的不確定程度，可以表現(xiàn)不同信號的特性?；谏鲜龅囊蛩?，本文選擇能量和信息熵作為特征量，并用各固有模態(tài)的相對特征量作為識別器的輸入。

回波信號經(jīng)總體經(jīng)驗模態(tài)分解，其能量為n個固有模態(tài)分量能量的和，可以表示為

(2)

式中Eg為信號的總體能量；Egi為第i個固有模態(tài)分量的能量。

定義能量分布為各固有模態(tài)分量能量的相對量，則有

(3)

類似能量分布的定義，信息熵分布為

(4)

2 檢測設(shè)備與數(shù)據(jù)采集

2.1 檢測對象

本文的研究對象如圖4所示，下彈體、尾椎體和擴爆管各4個工件，共12個工件。下彈體、尾椎體大端為空心體，小端為實心體；擴爆管兩端都為實心體。由于合金材料的裂紋和氣孔缺陷不容易實現(xiàn)人工植入，因此本文在研究時采用人工槽和人工孔分別代表裂紋和氣孔。在工件的空心體端面往里各加工1個槽和孔(相差180°)，在工件的實心體端面往里加工1個槽或者孔。12個工件總共有16個槽和16個孔缺陷，槽缺陷寬1mm、深10mm，孔缺陷深10mm，其余尺寸見表1所示。

表1 缺陷尺寸與數(shù)量

2.2 檢測設(shè)備與過程

利用文獻[4]所述的檢測臺(圖5)可對上述的工件進行信號采集。該檢測臺可完成探頭在工件軸向上的移動，圓周截面上的上下、里外移動和軸截面上旋轉(zhuǎn)。通過探頭的移動和旋轉(zhuǎn)以及工件的旋轉(zhuǎn)完成整個工件的全面掃查。

檢測系統(tǒng)中的超聲采集卡的采樣頻率為50 MHz，幅值在-1～1 V上的8位量化編碼，本次檢測實驗選擇的探頭為中心頻率2.5 MHz、晶片直徑10 mm，聚焦深度50 mm的聚焦超聲探頭。檢測時，工件圓周方向一周采集360個點(每度采集1次)，工件軸線方向上每間隔2 mm采集1次。

2.3 數(shù)據(jù)分析

圖6是采集的中心孔和中心槽的典型回波信號。圖7是偏心孔狀缺陷采集一圈的回波信號。從圖6可見，當探頭正對缺陷時，中心孔和中心槽缺陷的回波信號直觀上看只有幅值上的差異。從圖7可見，探頭正對著缺陷時會有較大的缺陷回波信號(近端和遠端)，隨著檢測位置變化，回波幅值和延時也會發(fā)生變化。

從各種缺陷采集的回波信號中，可得出以下特征：

(1)當缺陷位置發(fā)生變化時，缺陷回波在時間軸上的位置也會發(fā)生變化，缺陷回波信號的幅值也會根據(jù)缺陷的大小發(fā)生相應變化；

(2)對于中心孔缺陷，一圈的回波信號是大體一樣的(由于表面粗糙會帶來一些噪聲)，孔缺陷的大小會影響回波的幅值和回波的時間延時；

(3)偏心孔缺陷如前所述會出現(xiàn)遠端回波和近端回波，而且遠端回波和近端回波也會根據(jù)缺陷位置的不同，在幅值和時間延時上有所不同，對于空心體工件遠端和近端并不是對稱的；

(4)槽狀缺陷的檢測B掃描圖與偏心孔類似，只有當探頭正對缺陷時回波信號最大，探頭偏離角度越大，回波信號越弱；實際中缺陷回波情況與缺陷的方向有關(guān)，本文上述的缺陷并沒有考慮多方向性。

從總體上看，很難通過某一回波和某一特征直接分出缺陷類型來。當然，將一圈檢測的360個數(shù)據(jù)的特征量都用于識別時不太現(xiàn)實也難于實現(xiàn)。本文結(jié)合上述分析，針對每個缺陷先找出2個不同位置的2個較大缺陷回波信號作為特征回波，再經(jīng)過后續(xù)處理和特征量提取，最終通過識別器進行識別。

3 基于支持向量機的識別結(jié)果分析與優(yōu)化

3.1 基于支持向量機的識別結(jié)果分析

按照上述方法對12個工件進行數(shù)據(jù)采集，共采集槽類和孔類缺陷數(shù)據(jù)各80組，共160組。選擇其中的80組作為訓練樣本，訓練樣本中槽狀缺陷和孔狀缺陷各40組，包含不同尺寸，不同界面，不同工件的樣本數(shù)據(jù)，剩下80組作為識別樣本。處理過程如圖8所示，首先采用檢測系統(tǒng)對工件進行掃描，得到回波信號并進行去噪處理[3]。其次針對缺陷回波信號采用總體經(jīng)驗模態(tài)進行分解。圖9是圖6(a)的典型信號經(jīng)總體經(jīng)驗模態(tài)分解后的前6個IMF。然后計算分解信號前6個IMF分量的能量分布和信息熵分布，并將所得到的24個特征量輸入到識別器中進行訓練和識別。識別結(jié)果是孔狀缺陷和槽狀缺陷各有4個識別錯誤，總識別率為90%。

3.2 基于平均距離的特征量個數(shù)優(yōu)化技術(shù)

上述的24個特征量可能存在特征重疊或干擾。一方面，多的輸入特征增加了訓練和識別難度和時間；另一方面，特征量的干擾可能會降低識別效率。因此，需要對多余的特征量通過合適的評估準則進行篩除。圖10是特征選擇的流程，常用的評價標準有相關(guān)性、平均距離、信息增益、一致性、分類器錯誤率等，本文采用平均距離進行評估。

平均距離特征評估算法的基本準則是根據(jù)特征間的距離關(guān)系進行評估，要求特征在同一類別樣本下的特征差異小，而在不同類別下樣本的特征差異大，滿足這一要求的特征則定義為敏感特征[8]。圖11是上述24個特征按平均距離排列的敏感度排序情況。

按照圖11的排序情況，將混合特征集合逐個增加輸入到支持向量機分類器中，對分類器進行訓練，選擇訓練準確度最高的分類器作為分類模型，并提取測試集相應個數(shù)的混合特征量輸入到訓練好的分類器中測試分類效果。圖12是輸入特征個數(shù)與識別準確度和運算時間隨輸入特征個數(shù)增加的曲線圖。

從圖12可見：

(1)開始時，隨著特征量的增加(前4個)，識別準確度快速提高；繼續(xù)增加特征量個數(shù)(5～11個)，識別準確度的提高趨于平緩，直至增加到第12個特征量時，識別準確度達到最高的97.5%(即80個樣本識別正確78個)；繼續(xù)增加特征量個數(shù)，識別準確度不再提高，甚至會出現(xiàn)降低的現(xiàn)象，這就說明后續(xù)添加的不敏感特征量會導致缺陷類別之間的混淆，使得特征量增加的情況下識別準確度反而下降。

(2)隨著特征量的增加，分類器識別所花費的時間也呈現(xiàn)遞增趨勢，只使用前12個最優(yōu)特征，分類器所花費的時間為8.2 s；使用全部24個特征，分類器需要花費11.4 s，該方法節(jié)省了28%的運行時間。

4 結(jié)論

(1)基于EEMD分解后的各分量的能量分布和信息熵分布是作為缺陷類型識別的有效、實用的特征量。

(2)基于平均距離的特征量個數(shù)排序和優(yōu)化技術(shù)能夠有效提高效率和缺陷識別率，識別率達97.5%。

(3)本文的方法能夠適用于類似結(jié)構(gòu)、相同超聲檢測方法的缺陷類型識別中。

[1] 戚勵文,金永,王召巴,等.合金彈體棒狀坯料超聲檢測方法研究[J].彈箭與制導學報,2009,29(4)：269-272.

[2] 金永,王召巴,丁戰(zhàn)陽,等.一種小口徑火箭彈彈頭超聲檢測方法[J].固體火箭技術(shù),2010,33(1)：115-118.

[3] 陳友興,吳其洲,趙建輝,等.合金火箭彈彈體缺陷超聲自動檢測及信號處理[J].固體火箭技術(shù),2013,36(5): 706-710.

[4] 陳自立,陳友興.圓錐形物體超聲自動檢測系統(tǒng)設(shè)計[J].計算機測量與控制,2013,21(11): 2947-2949.

[5] Kabir M A,Shahnaz C.Denoising of ECG signals based on noise reduction algorithms in EMD andwavelet domains[J].Biomedical Signal Processing and Control,2012,7(5): 481-489.

[6] Norden E,Huang Z W.Ensemble empirical mode decomposition: a noise assisted data analysis method[J].Advances in Adaptive Data Analysis,2009,1(1): 1-41.

[7] Dong shao-jiang,Tang bao-ping,Chen renxiang.Bearing running state recognition based on non-extensive wavelet feature scale entropy and support vector machine[J].Measurement,2013,46(10): 4189-4199.

[8] Lei Y,He Z,Zi Y.A new approach to intelligent fault diagnosis of rotating machinery[J].Expert Systems with Applications,2008,35(4): 1593-1600.

(編輯：呂耀輝)

Type identification method for internal defect of alloy projectile testing by ultrasonic

CHEN You-xing1,2,LIU Lin-hui2,XIAO Zhao-qian2,WU Qi-zhou2,WANG Zhao-ba1,2,JIN Yong1,2

(1.Key Laboratory of Instrumentation Science & Dynamic Measurement,Ministry of Education, North University of China,Taiyuan 030051,China; 2.College of Information &Communication Engineering,North University of China,Taiyuan 030051,China)

The ultrasonic testing method was adopted to detect the defect of the alloy projectile,and the type identification technology for the small hole and slot which are the alternatives of air-bubbles and cracks in the projectile was introduced.The ensemble empirical mode decomposition was used for extracting energy distribution and entropy distribution of IMFs .The method by evaluating and ordering the average distance of the features was used to reduce the run time and improve the identification rate.The identification rate is 97.5% for the above defects.

ultrasonic testing；type identification；support vector machine；empirical mode decomposition

2016-04-16；

2016-07-07。

國家自然科學基金(61201412);山西省青年科技研究基金(2012021011-5)；山西省青年學術(shù)帶頭人計劃。

陳友興(1978—)，男，博士/副教授，主要研究超聲檢測及信號處理。

劉藺慧(1990—)，碩士研究生，主要研究對稱體內(nèi)部缺陷檢測技術(shù)。

V435；TB553

A

1006-2793(2017)01-0105-05

10.7673/j.issn.1006-2793.2017.01.019