(中國船舶重工集團公司第七二五研究所, 洛陽 471000)

鈦合金材料具有比強度高、耐蝕性好等特性，但材料成本高、焊接與加工難度大，過去只用于制作精密結(jié)構(gòu)件或特殊結(jié)構(gòu)件。近些年材料成型與加工技術(shù)的飛速發(fā)展,為鈦合金的大范圍應(yīng)用提供了技術(shù)支撐，目前鈦合金已成為船舶、航空領(lǐng)域的關(guān)鍵材料。大規(guī)格、復(fù)雜結(jié)構(gòu)焊接成為當前鈦合金產(chǎn)品發(fā)展的重要趨勢，由此帶來的鈦合金材料的無損檢測問題也亟待解決。

在兼顧適用性、經(jīng)濟性和直觀性的條件下，超聲檢測是多類鈦合金構(gòu)件檢測的優(yōu)先選擇，但其相關(guān)標準多建立在參照鋼制結(jié)構(gòu)的基礎(chǔ)上，在大厚度構(gòu)件檢測、微小缺陷檢測時遇到了挑戰(zhàn)。根據(jù)經(jīng)驗，鈦合金超聲檢測時會存在雜波干擾，且在大厚度檢測或高靈敏度檢測時干擾信號尤為強烈，甚至?xí)耆螞]缺陷信號。材料微觀組織、被檢構(gòu)件結(jié)構(gòu)、檢測系統(tǒng)等均是引起雜波的重要因素，對此，通常采用優(yōu)化物理結(jié)構(gòu)或信號處理技術(shù)來減少干擾，如采用聚焦探頭、對信號降噪濾波等，但僅在特定條件下的應(yīng)用效果較好[1]。為解決上述問題，筆者重點探討了超聲檢測信號的特征與缺陷識別方法，在結(jié)合鈦合金微觀組織特點探討其聲學(xué)性能的基礎(chǔ)上，分析了其信號特征并提取特征參數(shù)，建立了非線性分類模型，通過樣本訓(xùn)練實現(xiàn)了雜波與缺陷信號的分類，為大規(guī)格、高靈敏度超聲檢測提供了一種新思路。

1 信號特征分析

1.1 鈦合金聲學(xué)性能

鈦合金組織一般分為等軸、雙態(tài)、網(wǎng)籃與魏氏等4類，其組織由α相、β相構(gòu)成，α相和β相的比例與形態(tài)不僅決定了材料的性能，且對超聲波的聲學(xué)性能有直接影響。超聲波聲速與衰減系數(shù)是超聲檢測中必須關(guān)注的材料聲學(xué)特性參數(shù)，亦是保證缺陷定位與定量精度的基礎(chǔ)。選擇TC4鈦合金為研究對象，制備等軸、雙態(tài)、網(wǎng)籃與魏氏組織試塊各1塊，采用水浸超聲C掃描進行試驗，測試各試塊的超聲波信號并計算聲速與衰減系數(shù)，圖1為水浸超聲設(shè)備外觀及試驗現(xiàn)場圖片。

圖1 水浸超聲設(shè)備外觀與試驗現(xiàn)場圖片

試塊規(guī)格(長×寬×厚)為300 mm×90 mm×40 mm，加工精度為±0.02 mm，3個尺方寸向分別定義為x,y和z，分別對這3個尺寸方向進行試驗。試驗采用頻率為5 MHz的平面探頭，水層厚度大于近場區(qū)，采樣率為200 MHz，采用柵格掃查分別獲取3個尺寸方向的超聲信號，每個方向50個采樣點。利用固定厚度下的絕對時間差、幅值衰減量，分別計算縱波聲速與衰減系數(shù)，為減小誤差，以50個采樣點的計算平均值為最終結(jié)果，表1和圖2為最終測試結(jié)果。

圖2 不同組織的試塊在各方向的聲速與衰減系數(shù)

根據(jù)試驗，鈦合金縱波聲速與微觀組織并不存在絕對的對應(yīng)關(guān)系，聲速范圍為6 098～6 226 m·s-1，

表1 聲速與衰減系數(shù)

變化區(qū)間相對較小且呈現(xiàn)微弱的各向異性，材料組織不均勻引起的聲速變化對缺陷定位的影響很小。不同組織間的超聲縱波衰減系數(shù)則差別較大，網(wǎng)籃與魏氏組織的衰減系數(shù)明顯大于等軸與雙態(tài)組織的，且均呈現(xiàn)明顯的各向異性，實際檢測時能量衰減、缺陷定量應(yīng)關(guān)注這一因素。

1.2 超聲信號特征

鈦合金超聲檢測中的干擾雜波主要源于材料內(nèi)的晶粒散射，尤其在采用高頻率、高靈敏度檢測時尤為顯著。除受被檢材料本身組織的影響外，雜波信號亦與檢測頻率、檢測厚度等其他參數(shù)存在一定關(guān)系，圖3(a)為等徑平底孔信號在不同深度下的信噪比變化，圖3(b)為同深度，不同脈沖電壓下的信噪比變化。由圖3可見：檢測深度增大時，平底孔信號信噪比總體呈下降趨勢，平面探頭的信噪比在近場區(qū)內(nèi)會有波動，聚焦探頭的信噪比在焦點附近最高，且隨深度增大迅速減??；脈沖電壓幅值增大時，雖然超聲波能量增強，但散射雜波隨之增強，信噪比并無明顯變化。

圖3 平底孔深度、脈沖電壓幅值變化時，信噪比的變化

圖4 極限檢測厚度下，φ0.8 mm平底孔的時域信號 與頻域信號

實際檢測中，通常采用降低頻率、分區(qū)掃查、選擇聚焦探頭等方式來提高信噪比，但卻同時存在絕對靈敏度降低、聚焦深度范圍過小等弊端，很難從根本上解決信噪比低的問題。信號的信噪比越高越有利于缺陷的識別與分析，信噪比低于12 dB時，散射雜波信號將與缺陷信號發(fā)生疊加，而可能掩蓋小缺陷信號并增大缺陷定量的不準確性。以鈦合金鍛件為例，將基準靈敏度設(shè)置為φ0.8 mm平底孔時極限檢測厚度約100 mm，此時平底孔對應(yīng)的時域與頻域信號見圖4，雜波信號與平底孔信號的頻譜均集中在探頭中心頻率(5 MHz)附近，常用的帶通、帶阻等數(shù)字濾波法對提高信噪比基本無明顯效果。

鈦合金超聲檢測信號中含有較高的散射雜波成分，雜波水平高低與被檢對象、檢測參數(shù)密切相關(guān)，由此造成的信噪比偏低是制約大厚度產(chǎn)品檢測的關(guān)鍵因素。雖然由組織晶粒造成的超聲波復(fù)雜反射、衍射等信號經(jīng)過多次疊加才傳輸?shù)匠晸Q能器，但其本質(zhì)上與缺陷反射波均屬于聲波的線性彈性響應(yīng)信號，故在時域上無明顯區(qū)別，在簡單的頻域變換中也很難識別。

2 缺陷信號處理

2.1 特征參數(shù)提取

特征參數(shù)是信號評定的依據(jù)，在復(fù)雜信號識別中,特征參數(shù)的選擇尤為重要。而在雜波干擾嚴重的鈦合金超聲檢測信號中，時域中的幅值、波寬等參數(shù)已不適用于表征缺陷信息，故文章采用小波分析與能量熵結(jié)合的方式提取數(shù)據(jù)段的特征參數(shù)。小波分析的窗函數(shù)可變化，具有多分辨率分析的特點，特別適合于弱突變信號的處理，利用該特點對缺陷信號進行分解能獲得豐富的缺陷信號細節(jié)特征。小波能量熵是在信息熵的基礎(chǔ)上演變而來的，在非平穩(wěn)信號處理中具有良好的應(yīng)用效果，常用于描述系統(tǒng)復(fù)雜程度或表征突變信號[3]。信號小波分解后分布于N個頻帶，將各個頻帶的能量定義為E1，E2，…，EN，且E為各頻帶能量之和，則小波能量熵的計算見公式(1)。

(1)

在超聲檢測完整信號段中，很可能存在因缺陷深度較小而產(chǎn)生的多次缺陷反射波，若將整段信號一次性分解，則會增加信號識別的不確定性。缺陷響應(yīng)的信號長度基本與激勵脈沖寬度接近，信號周期數(shù)一般為3～5個，探頭頻率越高,缺陷響應(yīng)信號長度越短。在上述特點的基礎(chǔ)上，以響應(yīng)信號時間長度為參考，設(shè)定深度定尺區(qū)間，采用窗口滑動實現(xiàn)對完整信號的處理，區(qū)間長度即為缺陷深度分辨力。選擇正交小波基db4對區(qū)間信號進行3層小波包分解，并計算第3層8個頻帶的能量熵，圖5所示為雜波信號與缺陷信號的各頻帶能量熵。

圖5 雜波與缺陷信號的各頻帶能量熵值

雖然圖5中的雜波信號與缺陷信號的能量熵值主要體現(xiàn)在前4個頻帶中，但雜波信號的后4個頻帶中依然有明顯的幅度，缺陷信號與雜波信號的各頻帶能量熵值呈現(xiàn)很大的差異性，不能以某一頻段的熵值差異區(qū)分雜波信號與缺陷信號。故應(yīng)選擇8個頻帶的能量熵值a={WE1，WE2，WE3，WE4，WE5，WE6，WE7，WE8}作為信號特征向量，同時結(jié)合分類算法輸入特征向量識別缺陷信號。

2.2 缺陷識別

在將分段信號分解為8個特征參數(shù)的基礎(chǔ)上，缺陷的評判已轉(zhuǎn)換為多參數(shù)模式識別問題，目前常用的方法主要有支持向量機(SVM)和神經(jīng)網(wǎng)絡(luò)。支持向量機基于統(tǒng)計學(xué)習(xí)理論，通過建立一個分類超平面,作為決策平面近似實現(xiàn)結(jié)構(gòu)風(fēng)險最小化;而神經(jīng)網(wǎng)絡(luò)采用模擬大腦神經(jīng)元的方式組成非線性、自適應(yīng)信息處理系統(tǒng)。SVM本質(zhì)上為一個二分類器，利用核函數(shù)代替高維空間映射解決非線性問題，理論完善且通用性好，但在多分類和大規(guī)模樣本訓(xùn)練時存在困難[4]。神經(jīng)網(wǎng)絡(luò)的神經(jīng)元之間通過權(quán)系數(shù)相連接，信息分布式存儲于權(quán)系數(shù)中，具有容錯性高、抗干擾能力強的特點[5]。為達到滿意的信號處理效果，分別采用SVM、LVQ與BP神經(jīng)網(wǎng)絡(luò)識別信號，對比缺陷識別的準確率。

(1) 建立模型

SVM的分類性能與核函數(shù)的選擇密切相關(guān)，常用的核函數(shù)包括線性核函數(shù)、d階多項式內(nèi)積核函數(shù)、徑向基核函數(shù)等，目前尚無系統(tǒng)的選擇標準，參考其他SVM分類應(yīng)用研究，選擇徑向基函數(shù)作為核函數(shù)。經(jīng)小波包分解后的頻帶能量熵值即為樣本輸入向量，由于能量熵值均分布于0～1區(qū)間內(nèi)，故不再對樣本數(shù)據(jù)進行歸一化預(yù)處理。LVQ神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層組成，輸入層與隱含層完全連接，隱含層與輸出層則部分連接，網(wǎng)絡(luò)結(jié)構(gòu)簡單，通過計算輸入向量與競爭層間距離實現(xiàn)分類。BP神經(jīng)網(wǎng)絡(luò)屬于多層前饋神經(jīng)網(wǎng)絡(luò)，具有信號前向傳遞、誤差反向傳播的特點，創(chuàng)建的網(wǎng)絡(luò)為3層，結(jié)構(gòu)為8-25-2。上述3種模型均在MATLAB軟件環(huán)境下建立。

(2) 訓(xùn)練模型

訓(xùn)練數(shù)據(jù)源于鈦合金棒材、鍛件與板材的水浸超聲檢測數(shù)據(jù)，既包括人工缺陷又含有夾雜、開裂等缺陷。為模擬大厚度檢測信噪比低的狀態(tài)，部分試件試驗時采用了較高的頻率，信噪比均在6 dB以下。按2 mm深度區(qū)間截取的試驗數(shù)據(jù)共120組，缺陷數(shù)據(jù)與雜波數(shù)據(jù)各60組，圖6所示為各組數(shù)據(jù)小波包3層分解后的能量熵值。圖6中前60組為缺陷樣本、后60組為雜波樣本，各頻段的雜波與缺陷能量熵值都存在交叉重復(fù)情況，無法根據(jù)單頻段熵值進行直接區(qū)分。將缺陷與雜波數(shù)據(jù)等分為兩部分，一部分用于訓(xùn)練模型，另一部分用于測試分類效果。

(3) 測試模型

對LVQ和BP神經(jīng)網(wǎng)絡(luò)分別訓(xùn)練1 000步，其中LVQ網(wǎng)絡(luò)誤差收斂速度很快，訓(xùn)練步數(shù)達到27步后均方誤差基本在0.1附近波動，而BP網(wǎng)絡(luò)訓(xùn)練步數(shù)越多均方誤差越小，訓(xùn)練步數(shù)達到62步時均方誤差已達到0.000 1。表2為模型訓(xùn)練后的分類測試結(jié)果，各個模型的總體識別準確率均達到了80%，神經(jīng)網(wǎng)絡(luò)分類模型優(yōu)于SVM模型，BP神經(jīng)網(wǎng)絡(luò)分類準確率最高。

表2 實測模型分類準確率

3種非線性分類模型均表現(xiàn)出良好的分類效果，對于鈦合金超聲檢測低信噪比的缺陷信號的最高識別率達到90%以上。受限于訓(xùn)練樣本數(shù)量，各個模型并未達到最佳的訓(xùn)練效果，在增大樣本數(shù)量的基礎(chǔ)上，分類模型的準確性將進一步提高。雖然能通過優(yōu)化SVM核函數(shù)的方式提高其分類準確性，但文章試驗僅限于缺陷識別的層次，若考慮缺陷定量的多分類模式，則SVM可能不具有明顯的優(yōu)勢，因此應(yīng)用中應(yīng)優(yōu)先選擇BP神經(jīng)網(wǎng)絡(luò)分類模型。

圖6 樣本數(shù)據(jù)小波包3層分解后的能量熵值

3 結(jié)語

鈦合金材料的聲學(xué)性能受微觀組織變化的影響，聲速變化區(qū)間較小，但衰減系數(shù)最大差異達到70%以上且呈現(xiàn)出各向異性，實際檢測時應(yīng)關(guān)注這一特征。超聲檢測信號雜波主要源于晶粒散射，大厚度或高靈敏度檢測時，信噪比會嚴重下降而導(dǎo)致缺陷信號難以識別，雜波信號與缺陷信號的頻域分布較為接近，常用的濾波方法效果并不明顯。采用小波能量熵表征信號特征，結(jié)合SVM、LVQ與BP神經(jīng)網(wǎng)絡(luò)區(qū)分雜波與缺陷信號，識別準確率達到90%以上，為解決雜波干擾問題提供了一種方法，但在缺陷定量的方向上有待進一步研究。