亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于小波包-KPCA特征提取的三種人工焊縫缺陷檢測(cè)方法

        2021-01-20 13:45:42李娟郄曉敏陳凌霄韓也曹顯林袁慧英
        油氣田地面工程 2021年1期
        關(guān)鍵詞:焊縫信號(hào)

        李娟 郄曉敏 陳凌霄 韓也 曹顯林 袁慧英

        1華北油田公司儲(chǔ)氣庫管理處

        2中國石油華北油田公司第一采油廠

        3中國石油華北油田公司二連分公司

        隨著現(xiàn)代工業(yè)的發(fā)展,焊接技術(shù)在石油石化行業(yè)應(yīng)用越來越廣泛,在焊接的過程中,由于周圍環(huán)境和人為因素的影響,焊接產(chǎn)品會(huì)不可避免地出現(xiàn)缺陷。常見的缺陷類型有根部未焊透、氣孔、夾雜、裂紋等,這些缺陷如不及時(shí)檢測(cè)出來,將會(huì)對(duì)壓力管道及壓力容器的運(yùn)行造成一定的隱患[1-2],特別是部分管道位于高后果區(qū),存在搶修困難、停輸要求高等問題,一旦出現(xiàn)焊縫撕裂現(xiàn)象,將難以進(jìn)行維護(hù)搶修作業(yè),導(dǎo)致事態(tài)難以控制[3]。

        在常用的無損檢測(cè)技術(shù)中,超聲波檢測(cè)具有檢測(cè)速度快、檢測(cè)距離長(zhǎng)、適用性強(qiáng)、靈敏度高等特點(diǎn),其由探頭陣列發(fā)出超聲波脈沖,通過回波信號(hào)獲取焊縫內(nèi)外表面的缺陷信息,可以實(shí)現(xiàn)缺陷的定位和深度測(cè)量。但超聲波信號(hào)在傳播的過程中,會(huì)在缺陷處出現(xiàn)反射、折射、散射等現(xiàn)象,導(dǎo)致回波信號(hào)不一致。目前對(duì)于缺陷分類主要依靠技術(shù)人員的專業(yè)知識(shí)和無損檢測(cè)經(jīng)驗(yàn),局限性較大。隨著大數(shù)據(jù)處理和機(jī)器學(xué)習(xí)的發(fā)展,越來越多的學(xué)者開始對(duì)后期的缺陷回波信號(hào)的時(shí)域和頻域信號(hào)進(jìn)行特征化處理,從而減少人工誤判的可能。施成龍等[4]采用傅里葉和深度神經(jīng)網(wǎng)絡(luò)的方法對(duì)不銹鋼焊板上的人工缺陷進(jìn)行了缺陷識(shí)別,缺陷分類的正確率比普通神經(jīng)網(wǎng)絡(luò)提高了21.66%;孫芳等[5]采用經(jīng)驗(yàn)?zāi)B(tài)分解的方法對(duì)缺陷特征進(jìn)行了提取,對(duì)不同深度的氣孔缺陷進(jìn)行了特征識(shí)別,與射線檢測(cè)相比結(jié)果更為精確;張冬雨等[6]基于小波變換的理論對(duì)回波信號(hào)進(jìn)行了多尺度空間能量特征提取,并針對(duì)去噪問題定義了自適應(yīng)函數(shù),可根據(jù)分量信號(hào)選取不同的濾波函數(shù),取得了很好的效果。

        以上研究表明,機(jī)器學(xué)習(xí)的方式可以很好地對(duì)超聲回波信號(hào)進(jìn)行特征提取,而以上方法均只能應(yīng)用在單獨(dú)的時(shí)域或頻域內(nèi),對(duì)于實(shí)際的信號(hào),還需要對(duì)時(shí)域、頻域進(jìn)行聯(lián)合分析,才能準(zhǔn)確對(duì)其中的信號(hào)進(jìn)行捕獲。為此,針對(duì)對(duì)接焊縫中經(jīng)常出現(xiàn)的三類缺陷,采用小波包變換方式對(duì)離散回波信號(hào)進(jìn)行分解處理,利用Matlab 構(gòu)造特征向量的能量比例,并采用KPCA(核主成分分析)進(jìn)行數(shù)據(jù)降維,最后將降維后的數(shù)據(jù)輸入到GRNN(廣義神經(jīng)網(wǎng)絡(luò))進(jìn)行機(jī)器學(xué)習(xí),以對(duì)不同的缺陷類型進(jìn)行區(qū)分。

        1 研究方法

        1.1 小波包變換

        小波包變換的目的是在小波變換域中提取感興趣的細(xì)節(jié)特征,是一種非線性的自適應(yīng)算法[7],可以將圖像進(jìn)行多尺度、多維度的分解,每一級(jí)都分解為低頻和高頻兩個(gè)信號(hào)部分,直至分解到所需要的層級(jí)。由于不同焊縫缺陷之間的特征差異不大,在此考慮將小波包分解為3層,其中(0,0)代表原始信號(hào),(1,0)代表第一層分解信號(hào)的低頻部分,(1,1)代表第一層分解信號(hào)的高頻部分,以此類推,最終得到第3層共8個(gè)分解信號(hào)(圖1)。

        圖1 三層小波包分解圖Fig.1 Decomposition diagram of three-layer wavelet packet

        由于小波包變換是一個(gè)向下采樣的過程,經(jīng)過下采樣后信號(hào)的頻譜部分會(huì)發(fā)生翻轉(zhuǎn),高頻部分由π 變換為0,低頻部分由變換為π,最終的頻譜順序形成了格雷碼的順序,在此需要對(duì)小波系數(shù)進(jìn)行重構(gòu)處理。將重構(gòu)的8 個(gè)信號(hào)記為S3i(i=0,1,…,7),則原始信號(hào)S相對(duì)于重構(gòu)信號(hào)的關(guān)系為

        為了保證輸出信號(hào)是非平穩(wěn)的瞬態(tài)信號(hào),需要對(duì)S3i對(duì)應(yīng)的能量E3j(j=0,1,…,7) 進(jìn)行求解,公式為

        式中:xjk為重構(gòu)信號(hào)S3j的離散點(diǎn)幅值。

        不同缺陷類型的回波信號(hào)經(jīng)小波分解后,其能量在各個(gè)頻帶上的分布是一樣的,造成的分布差異較為明顯,不便于比較。因此將計(jì)算出的能量值按照能量比例構(gòu)造特征向量T,公式為

        經(jīng)過小波包變換后,各層級(jí)空間內(nèi)的平滑信號(hào)和細(xì)節(jié)處理均能提供原信號(hào)的時(shí)域-頻域特征信號(hào),可以提供每個(gè)頻帶上的信號(hào)組成,頻譜窗口可以隨尺度的變化呈對(duì)數(shù)變化。當(dāng)小波基函數(shù)為大尺度時(shí),具有較好的時(shí)間分辨率;當(dāng)小波基函數(shù)為小尺度時(shí),具有較好的頻帶分辨率,可以找到最為合適的時(shí)域-頻域窗口,更好地發(fā)揮小波包自適應(yīng)函數(shù)的特點(diǎn)。

        1.2 KPCA

        KPCA 是在PCA(主成分分析)的基礎(chǔ)上發(fā)展而來,是將原始數(shù)據(jù)通過核函數(shù)的方式映射到高維空間,然后再利用PCA 進(jìn)行降維處理,與PCA 相比,KPCA具有良好的非線性處理能力。

        提取的數(shù)據(jù)樣本為x=[x1,x2],…,xn,利用映射函數(shù)對(duì)輸入空間進(jìn)行映射得到樣本數(shù)據(jù)Φ(x),假設(shè),將輸入樣本均零值化處理,得到特征空間的協(xié)方差矩陣C。

        式中:λi為特征空間中的特征值;ui為特征空間中的特征向量。

        由于在數(shù)據(jù)處理的過程中計(jì)算協(xié)方差矩陣C較為困難,因此引入核函數(shù)K,將式(5)轉(zhuǎn)化為

        在此,可以計(jì)算前s項(xiàng)對(duì)能量比例的貢獻(xiàn)率,提取累積貢獻(xiàn)率超過90%的主元成分,認(rèn)為可以用s維數(shù)據(jù)代替原先的n維數(shù)據(jù)。

        1.3 GRNN

        GRNN是基于非線性回歸理論的前反饋神經(jīng)網(wǎng)絡(luò),是RBF 的分支,具有訓(xùn)練速度快、魯棒性好、參數(shù)調(diào)節(jié)簡(jiǎn)單等特點(diǎn),包含輸入層、輸出層和隱含層。輸入層只負(fù)責(zé)將輸入矢量傳遞給隱含層,不參與其他層的運(yùn)算,在隱含層將神經(jīng)元的數(shù)量設(shè)置為學(xué)習(xí)樣本的數(shù)量,并計(jì)算輸出層與輸入層之間的權(quán)重值,計(jì)算公式為

        式中:為訓(xùn)練樣本的加權(quán)平均值;F(y|X)為變量y與X之間的概率密度函數(shù);xi為影響因素的變量;X為影響因素變量的合集;y為樣本觀測(cè)值的權(quán)重因子;σ為平滑因子;m為樣本維度,即影響因素?cái)?shù)量。

        2 試驗(yàn)

        試驗(yàn)采用美國OmniScan MX2 超聲相控陣系統(tǒng),探頭型號(hào)5L64A12,楔塊型號(hào)SA12-N55S,掃查方式為扇形掃查,角度35°~70°,晶片數(shù)為64個(gè),晶片間距0.8 mm,中心頻率5 MHz,數(shù)字化頻率為100 MHz。

        試驗(yàn)材料為16MnR,試樣尺寸為400 mm×400 mm×30 mm,焊接方法為手工電弧焊,接頭為對(duì)接焊縫,焊縫坡口形式為X型。

        在焊接的過程中通過加入直徑5 mm 銅絲制造裂紋缺陷,其屬于熱裂紋,為沿晶斷裂,分布走向?yàn)榭v向裂紋,發(fā)生部位在焊縫金屬中;采用脫皮的焊絲進(jìn)行焊接,當(dāng)焊縫冷卻后氣體未及時(shí)逸出制造氣孔缺陷;利用不清除藥皮的方式制造多層夾雜缺陷[8-9]。其中,裂紋預(yù)制在焊縫表面,氣孔預(yù)制在焊縫厚度中間,夾雜預(yù)制在焊縫較深的層次上。定制試塊的實(shí)物圖和缺陷設(shè)計(jì)如圖2所示。

        圖2 焊縫試塊Fig.2 Weld test block

        3 結(jié)果與討論

        3.1 試驗(yàn)數(shù)據(jù)處理

        在掃查的過程中,每次激活16 個(gè)晶片,步長(zhǎng)為1,每種缺陷測(cè)試60 組,共得到含三類缺陷的180 組超聲回波A 掃和扇形掃描信號(hào)。對(duì)采集到的超聲回波信號(hào)進(jìn)行截取,將發(fā)射波信號(hào)和端面回波信號(hào)消除,去除脈沖干擾,得到缺陷回波信號(hào)。同時(shí)為了消除檢測(cè)過程中由于增益調(diào)節(jié)、探頭位置等帶來的結(jié)果誤差,將缺陷回波幅值信號(hào)進(jìn)行歸一化處理,處理為0 和1 的8 位編碼值,信號(hào)樣本長(zhǎng)度變?yōu)?56。由圖3 可知,三種缺陷A 掃回波信號(hào)幅值變化較大,其中氣孔的尺寸較小,在檢測(cè)的過程中需要增大增益值,氣孔缺陷值相對(duì)于其他兩種缺陷復(fù)雜,而夾雜缺陷對(duì)于超聲波具有較大的吸收衰減作用,所以回波信號(hào)幅度變化較大。在缺陷預(yù)制的過程中,對(duì)不同的缺陷類型,在缺陷大小、方位、深度等方面存在一定的相似性,因此通過A掃信號(hào)只能進(jìn)行定性分析,無法對(duì)缺陷特征進(jìn)行準(zhǔn)確的分類和識(shí)別[10-11]。

        圖3 三種缺陷的超聲回波信號(hào)Fig.3 Ultrasonic echo signals of the three defects

        選取SNR(信噪比)為評(píng)價(jià)指標(biāo),以氣孔的A掃信號(hào)為例(信號(hào)在去噪前的信噪比為16.453 3 dB),進(jìn)行不同的小波包層數(shù)分解后信噪比分析(圖4)。分解層數(shù)為1~3層時(shí),小波基具有足夠的消失矩階數(shù),噪聲不斷減少,信號(hào)與噪聲之間的分離特性越來越明顯,信噪比不斷提高;當(dāng)分解層數(shù)大于4時(shí),計(jì)算量大幅增加,小波包的正則性和正交性變差,信號(hào)重構(gòu)后的誤差較大,信噪比急劇減小,不利于工程應(yīng)用。因此,選擇小波包的分解層數(shù)為3層。

        圖4 不同分解層數(shù)的SNR曲線Fig.4 SNR curves of different decomposition layers

        將三種缺陷的A掃信號(hào)進(jìn)行小波包變化分解處理,按照公式(2)計(jì)算每個(gè)節(jié)點(diǎn)的能量,再根據(jù)式(3)、式(5)計(jì)算歸一化后的節(jié)點(diǎn)能量構(gòu)建8維特征向量,特征向量分布直方圖見圖5。由圖5可知:裂紋缺陷的能量比例主要集中在節(jié)點(diǎn)(3,0)和(3,1),節(jié)點(diǎn)(3,0)占有的能量比例為時(shí)域-頻域總能量的58%,節(jié)點(diǎn)(3,1)占有的能量比例為21%,裂紋的時(shí)域-頻域能量在節(jié)點(diǎn)(3,4)之后分解完成,剩余的節(jié)點(diǎn)能量均在3%以下;氣孔缺陷的能量比例主要集中在節(jié)點(diǎn)(3,0)、(3,1)、(3,2)上,節(jié)點(diǎn)(3,0)占有的能量比例為時(shí)域-頻域總能量的35%,節(jié)點(diǎn)(3,1)占有的能量比例為25%,節(jié)點(diǎn)(3,2)占有的能量比例為16%,節(jié)點(diǎn)(3,2)之后的其余節(jié)點(diǎn)能量均在5%以下;夾雜缺陷的能量比例主要集中在節(jié)點(diǎn)(3,0)、(3,1)上,節(jié)點(diǎn)(3,0)占有的能量比例為時(shí)域-頻域總能量的63%,節(jié)點(diǎn)(3,1)占有的能量比例為28%,節(jié)點(diǎn)(3,2)之后的其余節(jié)點(diǎn)能量均在2%以下。由此可見,在第一頻帶中,夾雜的能量比例最高,其次為裂紋和氣孔;在第二頻帶中,氣孔的能量比例最高,其次為裂紋和夾雜。經(jīng)過小波分解后,A掃信號(hào)中細(xì)節(jié)部分的噪聲信號(hào)被明顯去除,信噪比得到有效提高,包含缺陷信息的近表面、表面和底面回波信號(hào)得到了有效保護(hù)。

        綜上所述,經(jīng)小波包分解后,三種缺陷特征具有了線性可分性,小波包變換相當(dāng)于A掃信號(hào)去噪后的信息重構(gòu),三種缺陷類型與能量比例信息具有一定的相關(guān)性,但8個(gè)能量比例各自均含有不同的特征信息,且不同信息之間存在協(xié)同作用,對(duì)缺陷的貢獻(xiàn)率不同,尚無法進(jìn)行分類處理,因此還需進(jìn)一步采用KPCA-GRNN進(jìn)行分類處理。

        3.2 主元成分分析

        圖5 三層小波包特征提取Fig.5 Feature extraction of three-layer wavelet packet

        將提取到的8 個(gè)能量比例信號(hào)進(jìn)行KPCA 降維處理,為了對(duì)比KPCA數(shù)據(jù)處理的準(zhǔn)確性,選取了原始回波信號(hào)的峰值、上升時(shí)間、平均值、峰度值、標(biāo)準(zhǔn)差、均方根、幅度平方和、峭度等8類時(shí)域-頻域特征值與其比較,KPCA 的核函數(shù)選擇高斯徑向基函數(shù),即K(x,xi)=exp。在測(cè)試的過程中發(fā)現(xiàn),當(dāng)σ2=1 000 時(shí),KPCA 的降維效果較好,其中前8 個(gè)特征主元成分的貢獻(xiàn)率如圖6 所示。經(jīng)小波包分解后特征向量的前3個(gè)主元成分的累積貢獻(xiàn)率超過了90%,數(shù)據(jù)由8 維降為3 維,其中每一個(gè)主元成分均包含了8個(gè)能量比例信號(hào)的相關(guān)信息,可有效捕獲數(shù)據(jù)中的固有變異性,同時(shí)以較少的數(shù)據(jù)維度保留較多的原數(shù)據(jù)特性,可以進(jìn)一步去除噪聲,降低計(jì)算時(shí)間;而常規(guī)時(shí)域-頻域特征值的前5個(gè)主元成分的累積貢獻(xiàn)率超過90%,數(shù)據(jù)由8維降為5維。此外,時(shí)域-頻域可代表的特征值種類很多,選取這些特征值變量時(shí)具有一定的隨機(jī)性,每組如包含不同的變量特征,得到的聚類結(jié)果也不一樣,且這些特征變量尚無法完全代表缺陷信息,在隸屬度的確定上也會(huì)一定程度地影響降維效果,這也解釋了KPCA 可以降維到3 維數(shù)據(jù),而時(shí)域-頻域特征值只能向下優(yōu)化到5維數(shù)據(jù)。

        綜上所述,經(jīng)小波包分解后的特征向量的降維效果更好,前3 個(gè)主元成分的F1、F2和F3的表達(dá)式為

        圖6 8個(gè)主元成分的貢獻(xiàn)率Fig.6 Contribution rate of 8 principal components

        3.3 缺陷分類

        將180 組缺陷信號(hào)隨機(jī)分為訓(xùn)練集和測(cè)試集,其中150 組數(shù)據(jù)用于訓(xùn)練集,30 組數(shù)據(jù)用于測(cè)試集,采用PSO(粒子群算法)對(duì)GRNN的平滑因子σ進(jìn)行尋優(yōu),設(shè)置種群數(shù)為100,最大迭代次數(shù)200,粒子維數(shù)3,以RMSE(均方根誤差)為評(píng)價(jià)指標(biāo)。當(dāng)?shù)螖?shù)為115 次時(shí)達(dá)到收斂狀態(tài),RMSE=0.0346,此時(shí)的σ=0.64。迭代尋優(yōu)過程如圖7所示。

        將經(jīng)KPCA 降維后的小波包3 維數(shù)據(jù)和常規(guī)特征值5維數(shù)據(jù)代入GRNN模型進(jìn)行訓(xùn)練,連接權(quán)重值取0.8,三種缺陷的分類準(zhǔn)確率見圖8,其中橫坐標(biāo)代表三種缺陷的測(cè)試樣本,縱坐標(biāo)1 代表裂紋,2 代表氣孔,3 代表夾雜。小波包-KPCA 特征值和常規(guī)特征值的準(zhǔn)確數(shù)分別為28、26,分類正確率分別為93.3%和86.7%,可見小波包-KPCA 的特征數(shù)據(jù)對(duì)缺陷具有更好的分類效果。

        圖7 迭代尋優(yōu)過程Fig.7 Iterative optimization process

        圖8 不同特征提取方法的缺陷分類結(jié)果Fig.8 Defect classification results of different feature extraction methods

        4 結(jié)論

        (1)通過超聲相控陣得到的三種缺陷A掃回波信號(hào)明顯不同,利用三層小波包分解處理,可以很好地提取特征信號(hào)。

        (2)與常規(guī)的時(shí)域-頻域特征值相比,經(jīng)小波包-KPCA 方法提取的特征值可以進(jìn)一步去除噪聲,降低算法計(jì)算時(shí)間,對(duì)缺陷分類具有更好的準(zhǔn)確性。

        (3)小波包-KPCA 作為超聲回波信號(hào)提取的新手段,今后可為焊縫無損檢測(cè)圖像的識(shí)別提供重要參考。

        猜你喜歡
        焊縫信號(hào)
        基于焊縫余高對(duì)超聲波探傷的影響分析
        焊縫符號(hào)在機(jī)械設(shè)計(jì)圖上的標(biāo)注
        信號(hào)
        鴨綠江(2021年35期)2021-04-19 12:24:18
        完形填空二則
        TP347制氫轉(zhuǎn)油線焊縫裂紋返修
        孩子停止長(zhǎng)個(gè)的信號(hào)
        焊縫跟蹤遺傳算法優(yōu)化PID控制仿真研究
        機(jī)器人在輪輞焊縫打磨工藝中的應(yīng)用
        基于LabVIEW的力加載信號(hào)采集與PID控制
        一種基于極大似然估計(jì)的信號(hào)盲抽取算法
        国产女主播白浆在线观看| 人妻免费黄色片手机版| sm免费人成虐漫画网站| 亚洲av无码日韩av无码网站冲| 无码精品a∨在线观看| 国产无套视频在线观看香蕉| 一区两区三区视频在线观看| 亚洲av日韩av卡二| 中国人妻被两个老外三p| 未满十八勿入av网免费| 伊人狼人影院在线视频| 老鲁夜夜老鲁| 中文国产日韩欧美二视频| 亚洲AV无码专区国产H小说 | 久久国产精彩视频| 亚洲成人黄色av在线观看| 亚洲伦理第一页中文字幕| 少妇下蹲露大唇无遮挡| 亚洲综合色区无码专区| 女同在线视频一区二区| 精品国产一区二区三区2021| 中文字幕一区二区三区精华液| 浪荡少妇一区二区三区| 日本大片一区二区三区| 亚洲av永久无码精品漫画| 成人性生交大片免费看r| 国产精品美女久久久久浪潮AVⅤ| 护士人妻hd中文字幕| 国产精品久久久久9999小说| 国产高清无码在线| 美女福利视频网址导航| 欧美老妇牲交videos| 亚洲国产激情一区二区三区| 人妻少妇精品无码专区app| 91成人国产九色在线观看| 国产无吗一区二区三区在线欢| 国产亚洲欧美成人久久片| 国产精品黄页免费高清在线观看| 国产精品久久久久久妇女| 亚洲欧美日本| 日本一区二区不卡超清在线播放 |