梁凱，韓慶邦

小波包能量譜和BP神經(jīng)網(wǎng)絡(luò)在波紋管壓漿超聲檢測(cè)中的應(yīng)用

梁凱，韓慶邦

(河海大學(xué)物聯(lián)網(wǎng)工程學(xué)院，江蘇常州 213022)

針對(duì)小波分析在信號(hào)處理的局限性，將小波包分析和反向傳播(Back Propagation, BP)神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出一種基于小波包能量譜和BP神經(jīng)網(wǎng)絡(luò)的波紋管壓漿超聲檢測(cè)方法。采用超聲檢測(cè)方法接收波紋管模型的回波信號(hào)，以小波包分解后各子頻帶的能量作為檢測(cè)特征，當(dāng)波紋管內(nèi)部出現(xiàn)脫落時(shí)，檢測(cè)特征會(huì)發(fā)生變化，最后將特征輸入BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行分類識(shí)別。試驗(yàn)結(jié)果表明，該方法能夠理想地實(shí)現(xiàn)波紋管內(nèi)部缺陷的診斷，可為波紋管超聲檢測(cè)提供一定的技術(shù)支持。

超聲檢測(cè)；小波包；能量譜；BP神經(jīng)網(wǎng)絡(luò)

0 引言

預(yù)應(yīng)力混凝土梁是一種高強(qiáng)度的承重結(jié)構(gòu)，在橋梁建設(shè)過程中被廣泛使用，在施工過程中，波紋管中混凝土的壓漿質(zhì)量備受重視。如果由于灌漿過程中施工操作不當(dāng)，以及受環(huán)境的影響，波紋管內(nèi)部附著在鋼絞線上的混凝土存在不密實(shí)和脫落情況，那么會(huì)對(duì)橋梁的安全使用帶來很大的隱患。因此，對(duì)于波紋管壓漿質(zhì)量的檢測(cè)就顯得至關(guān)重要。

無損檢測(cè)在不損壞建筑結(jié)構(gòu)的前提下，還具有無害、設(shè)備攜帶方便、檢測(cè)快捷等優(yōu)點(diǎn)。目前常采用的無損檢測(cè)技術(shù)主要有射線法、沖擊回波法(Impact-Echo, IE)、探地雷達(dá)法(Ground Penetrating Radar, GPR)、超聲波成像法(Ultrasonic Test, UT)、表面頻譜成像法(Spectral Analysis of Surface Wave, SASW)等[1-2]。對(duì)于這些方法，結(jié)合檢測(cè)成本、準(zhǔn)確度、原理和安全性等評(píng)價(jià)因素，超聲應(yīng)用到無損檢測(cè)技術(shù)方面一直受到國(guó)內(nèi)外學(xué)者的高度關(guān)注。對(duì)于波紋管壓漿質(zhì)量的檢測(cè)，成錦等[3]利用小波熵技術(shù)取得了很好的效果；陳媛、鄭豪等將遞歸奇異熵和多尺度排列熵應(yīng)用到其中，也取得不錯(cuò)的效果[4-5]；鄭豪等[5]也將總體平均經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition, EEMD)和支持向量機(jī)(Support Vector Machine, SVM)結(jié)合起來，有效地實(shí)現(xiàn)了波紋管缺陷情況的自動(dòng)分類檢測(cè)。

小波包分析是對(duì)小波的推廣，在不同尺度下觀察可以得到其特征變化，對(duì)信號(hào)頻帶能夠多層次劃分，對(duì)信號(hào)的分辨能力也得以大大提高。由缺陷隱藏在波紋管的回波信號(hào)中，很難直觀地看出缺陷的位置等具體信息，因此本文從波紋管回波信號(hào)入手，對(duì)信號(hào)進(jìn)行小波包分解，小波包分解后具有豐富的信息和數(shù)據(jù)，可求取分解信號(hào)的能量譜；以小波包能量譜作為信號(hào)特征，輸入到反向傳播(Back Propagation, BP)神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練、識(shí)別，進(jìn)而檢測(cè)波紋管壓漿的密實(shí)性。

1 小波包能量譜理論

1.1 小波包理論

小波包分解[6]是一種優(yōu)于小波、分解更細(xì)膩的信號(hào)處理方式，它能對(duì)低頻和高頻同時(shí)處理，對(duì)信號(hào)劃分多個(gè)頻段，使缺陷特征更加細(xì)致。圖１為小波包三層分解的過程。

圖1 三層小波包分解示意圖

3層小波包分解關(guān)系式為

1.2 小波包能量譜分析

每次小波包分解可以得到兩個(gè)相互獨(dú)立的子頻帶，而原信號(hào)的信息也會(huì)分解到其子頻帶中。當(dāng)波紋管內(nèi)部出現(xiàn)不同的脫落缺陷時(shí)，就會(huì)對(duì)回波信號(hào)在各頻帶的能量分布產(chǎn)生影響，然后根據(jù)不同的分布情況，可以區(qū)別波紋管內(nèi)部有無缺陷以及缺陷情況。因此，小波包分解后各頻帶能量的分布特征可以作為判斷波紋管內(nèi)部情況的重要依據(jù)。

由能量守恒可以得到關(guān)系式：

第頻帶分解信號(hào)占總能量的比例，即歸一化的小波包分解的頻帶能量為

全部頻帶能量比例總和應(yīng)該等于1，即：

2 BP神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks, ANNs)是一種類生物的數(shù)學(xué)模型，原理就是模擬大腦神經(jīng)進(jìn)行數(shù)據(jù)處理，常被稱之為類神經(jīng)網(wǎng)絡(luò)或者神經(jīng)網(wǎng)絡(luò)。反向傳播BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)[7-8]是Rumelhart等[8]于1986年提出的基于誤差反向傳播訓(xùn)練算法的神經(jīng)網(wǎng)絡(luò)計(jì)算模型，BP神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)在于，如果存在足夠多的隱含層和節(jié)點(diǎn)的話，就可以逼近任意的非線性映射關(guān)系，具有較好的泛化能力[9]。對(duì)于典型的BP神經(jīng)網(wǎng)絡(luò)模型，包括輸入層(input layer)、隱含層(hide layer)、輸出層(output layer)三層結(jié)構(gòu)，其結(jié)構(gòu)如圖2所示；每層內(nèi)有若干個(gè)神經(jīng)元，神經(jīng)元模型如圖3所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

圖3 BP神經(jīng)元模型

3 仿真分析

3.1 仿真模型建立

波紋管壓漿結(jié)構(gòu)模型如圖4所示，該波紋管結(jié)構(gòu)最外層是包裹的混凝土材料，其內(nèi)部中心由鋼絞線提供支撐，而鋼絞線和波紋管中間的空隙部分，則用水泥漿填充，在鋼絞線附近可能出現(xiàn)水泥漿不同程度的脫落情況，這就是本文研究的部分。超聲波在傳播過程中，當(dāng)遇到不同介質(zhì)之間的界面時(shí)，會(huì)發(fā)生不同程度的反射、透射以及散射?；炷梁涂諝馐锹曌杩共町惐容^大的兩種物質(zhì)，所以，超聲波由混凝土傳播到空腔的過程中，會(huì)在固-氣(水泥漿-空氣)界面發(fā)生強(qiáng)烈的反射，這些反射信號(hào)就包含著波紋管內(nèi)部缺陷的信息，通過對(duì)反射信號(hào)的有效處理，可以實(shí)現(xiàn)對(duì)缺陷的檢測(cè)。

圖4 波紋管壓漿結(jié)構(gòu)模型

首先，對(duì)不同程度脫落的波紋管進(jìn)行仿真分析，利用COMSOL Multiphysics[10]仿真軟件設(shè)計(jì)如圖5所示的仿真模型，該模型的尺寸為150 cm×30 cm，波紋管內(nèi)徑為8.4 cm，壁厚為3 mm，中心鋼絞線直徑為1 cm。從圖5的模型可以看出，模型根據(jù)波紋管缺陷程度分為6部分，1～6代表現(xiàn)實(shí)中不同脫落程度的波紋管結(jié)構(gòu)，其中1代表完整無缺陷的波紋管模型，其余模型均為脫落模型，6為全脫落模型；在超聲檢測(cè)過程中把模型分為以下三類：

A類：波紋管內(nèi)部壓漿密實(shí)模型，即內(nèi)部沒有缺陷或者缺陷很小；

圖5 波紋管仿真模型

B類：波紋管內(nèi)部壓漿一般密實(shí)模型，即內(nèi)部存在水泥漿脫落但還沒有完全脫落的情況；

C類：波紋管內(nèi)部壓漿全部脫落模型，即內(nèi)部完全脫漿。

波紋管模型脫落尺寸如表1所示。

表1 波紋管模型尺寸(cm)

本文采用二維仿真，在二維圖中激勵(lì)源長(zhǎng)度設(shè)置為2 cm，回波信號(hào)通過自發(fā)自收的方式獲取。激勵(lì)源的發(fā)射信號(hào)是漢寧窗調(diào)制的脈沖信號(hào)，表達(dá)式如式(7)：

3.2 仿真結(jié)果分析

分別以接收的無缺陷1模型和全脫落6模型的超聲回波信號(hào)為例進(jìn)行分析，回波信號(hào)如圖6，7所示。6模型波紋管內(nèi)部結(jié)構(gòu)比較復(fù)雜，一次接收的回波信號(hào)也比較復(fù)雜，包含大量?jī)?nèi)部信息，這些信息很難直接從波形中看出，因此，對(duì)信號(hào)的有效處理可以直觀地反映出波紋管的內(nèi)部信息。

圖6 無缺陷模型Q1的回波信號(hào)

圖7 有缺陷模型Q6的回波信號(hào)

對(duì)典型的無缺陷回波信號(hào)進(jìn)行小波包分解，選擇使用db3小波進(jìn)行3層分解，共得到8組分解信號(hào)，圖8為1信號(hào)分解后的波形；計(jì)算分解后頻帶的能量譜信息，得到能量譜，如圖9(a)所示。根據(jù)圖9可知，1無缺陷模型的能量主要集中在分量2和分量4，隨著缺陷的改變，分量2和分量4的能量比例會(huì)發(fā)生變化，其余分量上的能量比例也會(huì)發(fā)生微弱變化，但是回波信號(hào)的能量主要集中在低頻處，且存在一定的不規(guī)則性。

缺陷判別過程如下：(1) 以求得的回波信號(hào)分解的能量譜作為BP神經(jīng)網(wǎng)絡(luò)的輸入樣本，同時(shí)對(duì)3.1節(jié)中的不同模型進(jìn)行編碼，作為相應(yīng)的期望輸出，分別為A類波紋管內(nèi)部壓漿密實(shí)模型(1,0,0)、B類波紋管內(nèi)部壓漿一般密實(shí)模型(0,1,0)、C類波紋管內(nèi)部壓漿全部脫落模型(0,0,1)；(2) 對(duì)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行確定，中間層神經(jīng)元選擇S型正切函數(shù)為激活函數(shù)，輸出層的激活函數(shù)為S型對(duì)數(shù)函數(shù)；(3) 利用已經(jīng)建立好的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和輸入樣本進(jìn)行樣本訓(xùn)練。分別以1、3、6這3個(gè)仿真模型對(duì)應(yīng)A類、B類、C類作為訓(xùn)練輸入；以此結(jié)構(gòu)對(duì)上述模型進(jìn)行判別，輸出分別為1(1,0,0)、2(1,0,0)、3(0,1,0)、4(0.1,1,0)、5(0,0.1,0.9)、6(0,0,1)。

圖8 Q1回波信號(hào)的分解

圖9 不同模型狀態(tài)下的小波包能量譜分布

從BP神經(jīng)網(wǎng)絡(luò)的分類判別來看，2模型比較接近1模型，判別為A類壓漿密實(shí)模型；4模型較為接近3模型，判別為B類波紋管內(nèi)部壓漿一般密實(shí)模型；對(duì)于5模型，其判別輸出更為接近6，波紋管內(nèi)部壓漿全部脫落模型。仿真結(jié)果表明，此方法較適用于模型缺陷有無的檢測(cè)，對(duì)于缺陷差距較小的模型的判別可能存在一定誤差。

4 實(shí)驗(yàn)分析

根據(jù)仿真需求，對(duì)實(shí)際波紋管缺陷位置進(jìn)行設(shè)計(jì)以及澆筑，構(gòu)造如圖10所示的波紋管混凝土結(jié)構(gòu)。澆筑試塊的尺寸是10 m×0.5 m×1 m，其中，波紋管內(nèi)徑是69 mm，波紋管壁厚是3 mm，內(nèi)部設(shè)有不同程度的空氣泡缺陷，預(yù)設(shè)模型如圖11所示，缺陷的寬度統(tǒng)一設(shè)置為20 mm，長(zhǎng)度分別為0、5、30、45、60、69 mm。以內(nèi)部缺陷尺寸20 mm×45 mm代表B類缺陷。本次實(shí)驗(yàn)以功率為200 kW、頻率為200 kHz的單脈沖為激勵(lì)源，采用一發(fā)一收的方式，采樣頻率為1 MHz。獲取的回波信號(hào)如圖12、13所示。

圖10 實(shí)驗(yàn)?zāi)Ｐ?/p>

圖11 實(shí)驗(yàn)?zāi)Ｐ徒Y(jié)構(gòu)圖

圖12 實(shí)測(cè)典型無缺陷回波信號(hào)

圖13 實(shí)測(cè)典型缺陷回波信號(hào)

對(duì)比圖12、13可知，模型內(nèi)部的缺陷情況隱含在波紋管回波反射信號(hào)中，由于不同缺陷的存在，回波信號(hào)的缺陷反射時(shí)刻以及幅值都有所差異，且受到各種因素的影響，很難從回波信號(hào)清晰直觀地判別出波紋管內(nèi)部的缺陷情況。所以，采用仿真的方法，利用小波包分解后的能量譜(如圖14所示)作為判別指標(biāo)輸入到BP神經(jīng)網(wǎng)絡(luò)進(jìn)行自動(dòng)判別。本次實(shí)驗(yàn)采集試件中對(duì)應(yīng)A類、B類、C類的信號(hào)各20組，將這20組信號(hào)的特征向量作為輸入，期望輸出如3.2節(jié)預(yù)設(shè)相同。建立判別器后，采集實(shí)際測(cè)量模型信號(hào)，計(jì)算實(shí)測(cè)信號(hào)的特征向量，輸入BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)，檢測(cè)結(jié)果如下：Ⅰ(1,0,0)、Ⅱ(1,0,0)、Ⅲ(0.1,1,0)、Ⅳ(0,1,0)、Ⅴ(0,0.3,0.8)、Ⅵ(0,0,1)。從輸出的數(shù)據(jù)來看，Ⅱ段模型和Ⅰ段模型(A類壓漿密實(shí)模型)相吻合；Ⅲ段模型比較接近Ⅳ段模型(B類波紋管內(nèi)部壓漿一般密實(shí)模型)；Ⅴ段模型接近Ⅵ段模型(C類波紋管內(nèi)部壓漿全部脫落模型)。為了驗(yàn)證該判別器的穩(wěn)定性，測(cè)試采集A類、B類、C類模型的回波信號(hào)各20組、共60組信號(hào)作為判別樣本，神經(jīng)網(wǎng)絡(luò)的判別結(jié)果如表2所示。從表2中的判別結(jié)果可以看出，BP神經(jīng)網(wǎng)絡(luò)對(duì)于這三類不同的波紋管類型的判別準(zhǔn)確率分別為90%、80%、85%，其中對(duì)A類壓漿密實(shí)的波紋管類型判別正確率最高。可見通過超聲脈沖回波信號(hào)獲取波紋管的內(nèi)部信息，經(jīng)過小波包能量譜處理以及BP神經(jīng)網(wǎng)絡(luò)的判別，可以初步判斷波紋管內(nèi)部的壓漿情況。

圖14 實(shí)測(cè)典型回波信號(hào)的小波包能量譜分布

表2 BP神經(jīng)網(wǎng)絡(luò)判別結(jié)果

5 結(jié)論

小波包能量譜作為一種時(shí)頻分析方法，將波紋管超聲回波信號(hào)進(jìn)行小波分解并進(jìn)行能量分布分析，其結(jié)果作為反映波紋管內(nèi)部水泥漿脫落程度的特征，結(jié)合BP神經(jīng)網(wǎng)絡(luò)，可以有效地對(duì)波紋管內(nèi)部是否存在嚴(yán)重的空腔缺陷進(jìn)行判別。但是，本文設(shè)置的缺陷模型較為單一，對(duì)于復(fù)雜模型的精確判別還需作進(jìn)一步研究。

[1] SAKA M, SALAM AKANDA M A. Ultrasonic measurement of the crack depth and the crack opening stress intensity factor under a no load condition[J]. Journal of Nondestructive Evaluation, 2004, 23(2): 49-63.

[2] 羅斯J L著. 固體中的超聲波[M]. 何存富, 吳斌，王秀彥, 譯. 科學(xué)出版社. 2004

[3] 成錦, 韓慶邦, 范洪輝, 等. 基于小波熵技術(shù)的波紋管壓漿質(zhì)量無損檢測(cè)[J]. 壓電與聲光, 2014, 36(6): 1026-1029.

CHENG Jin, HAN Qingbang, FAN Honghui, et al. Nonde-structive test of corrugated pipe grouting based on wavelet entropy technology[J]. Piezoelectrics & Acoustooptics, 2014, 36(6): 1026-1029.

[4] 陳媛, 韓慶邦, 姜學(xué)平, 等. 基于遞歸奇異熵方法的波紋管壓漿超聲檢測(cè)[J]. 聲學(xué)技術(shù), 2016, 35(1): 44-48.

CHEN Yuan, HAN Qingbang, JIANG Xueping, et al. Nonde-structive test method based on singular entropy of recurrence matrix[J]. Technical Acoustics, 2016, 35(1): 44-48.

[5] 鄭豪, 韓慶邦, 王鵬. 基于EEMD-SVM的波紋管壓超聲檢測(cè)[J]. 無損檢測(cè), 2018, 40(6): 38-42.

ZHENG Hao, HAN Qingbang, WANG Peng, et al. Ultrasonic testing of corrugated pipe based on the ensemble empirical mode decomposition and support vector machine[J]. Nondestructive Testing, 2018, 40(6): 38-42.

[6] 徐晶, 劉德坤, 劉彥慧, 等. 基于小波包能量譜及SVM算法的軸承故障檢測(cè)[J]. 黑龍江科技大學(xué)學(xué)報(bào), 2015, 25(1): 110-114.

XU Jing, LIU Dekun, LIU Yanhui, et al. Bearing fault detection method based on wavelet packet energy spectrum and SVM al-gorithm[J]. Journal of Heilongjiang University of Science & Technology, 2015, 25(1): 110-114.

[7] HANSEN L K, SALAMON P. Neural network ensembles[J]. IEEE Transactions on Pattern Analysis&Machine Intelligence, 2002, 12(10): 993-1001.

[8] RUMELHART D E, MCCELLAND J L, the Pap Research Group. Parallel distributed processing: explorations in the mi-crostructures of cognation Volume1: Foundations[M]. Cambridge: Bradford Books/MIT Press, 1986.

[9] 焦敬品, 李勇強(qiáng), 吳斌, 等. 基于BP神經(jīng)網(wǎng)絡(luò)的管道泄漏聲信號(hào)識(shí)別方法研究[J]. 儀器儀表學(xué)報(bào), 2016, 37(11): 2588-2596.

JIAO Jingpin, LI Yongqiang, WU Bin, et al. Research on acoustic signal recognition method for pipeline leakage with BP neural network[J]. Chinese Journal of Scientific Instrument, 2016, 37(11): 2588-2596.

[10] HAN Q B, CHENG J, FAN H H, et al. Ultrasonic nondestructive testing of cement grouting quality in corrugated pipes based on impact-echo[J]. Journal of Advanced Concrete Technology, 2014, 12(11): 503-509.

Application of wavelet packet energy spectrum and BP neural network to ultrasonic detection of slurry in bellows

LIANG Kai, HAN Qingbang

(College of Internet of Things Engineering of Hohai University, Changzhou 213022, Jiangsu, China)

Considered the limitation of wavelet analysis in signal processing, a wavelet analysis method based on wavelet packet energy spectrum and Back Propagation (BP) neural network is proposed to detect the slurry quality in bellows. Ultrasonic detection method is adopted to receive the echo signal of the bellows model, and the energy in every sub-frequency band after the wavelet packet decomposition is taken as the detection feature. When the concrete slurry inside the bellows falls off, the detection features change. Finally, the features are input into the BP neural network for classification and identification. The experimental results show that this method can be used to diagnose the internal defects of bellows and provides a technical support for the non-destructive testing of bellows.

ultrasonic detection; wavelet packet; energy spectrum; Back Propagation (BP) neural network

TB551

A

1000-3630(2020)-02-0151-06

10.16300/j.cnki.1000-3630.2020.02.005

2019-01-26;

2019-03-19

國(guó)家自然科學(xué)基金(11574072，11274091)、江蘇省重點(diǎn)研發(fā)項(xiàng)目(BE2016056，BE2017013)資助課題

梁凱(1991－), 男, 河南商丘人, 碩士研究生, 研究方向?yàn)橥ㄐ排c信息系統(tǒng)。

韓慶邦,E-mail: hqb0092@163.com