饒子玉 RAO Zi-yu；武靜 WU Jing

（①青海大學土木工程學院，西寧 810016；②東莞理工學院，東莞 523808）

0 引言

作為一種新興的無損檢測技術(shù)檢技術(shù)，超聲導波檢測可以實現(xiàn)對管道損傷的無損檢測，由于能量集中、沿傳播路徑衰減小的特性，超聲導波在鋼管中傳播的距離較長，能完整攜帶鋼桿的檢測信息[1]。本文使用Hanning窗調(diào)制10周期導波信號作為激勵信號，傳播并采集回波信號后進行小波包分解[2，3]，得到小波包能譜，利用混沌檢測系統(tǒng)中的Duffing系統(tǒng)得出回波信號相應的Lyapunov指數(shù)曲線，通過Lyapunov指數(shù)曲線的突變區(qū)域識別小缺陷的回波信號，將其與時頻域提取到的其他特征量輸入BP網(wǎng)絡(luò)進行訓練，對缺陷的超聲信號特征與圖像形態(tài)特征進行數(shù)據(jù)融合，訓練后的神經(jīng)網(wǎng)絡(luò)實現(xiàn)缺陷分類的識別。

1 數(shù)值模擬

本文選取管道超聲導波檢測中常用的經(jīng)Hanning窗調(diào)制出的10周期導波信號用于激發(fā)管道內(nèi)L（0，2）模態(tài)導波[4]。頻散曲線如圖1所示，其中L表示軸對稱縱向模態(tài)，F(xiàn)表示彎曲模態(tài)。

圖1 管道應力波的群速度頻散曲線

本文選取60kHz～105kHz中心頻率信號作為管道的待檢測信號。表達式為：

式中：n為選用的單音頻數(shù)目，ωc=2πfc，fc為信號的中心頻率。

用有限元軟件Abaqus動態(tài)求解方法的顯示動力學模擬超聲導波在鋼管各損傷工況下的傳播情況，選取的鋼管模型為管長2m，外徑50.8mm，壁厚1mm的鋼管，其材料屬性中密度ρ=7850kg/m3，彈性模量E=200GPa，泊松比v=0.3。鋼管缺陷設(shè)置為凹陷、裂紋、孔洞三種常見類別，在保證端面回波與缺陷回波不重疊的前提下，分別將缺陷中心設(shè)置于管道不同位置，即距離鋼管端頭的0.5m、0.75m、1.0m處。圖2為有限元缺陷設(shè)置。

圖2 三類缺陷設(shè)置

截取到的三種回波信號如圖3。

從圖3可看出，不同缺陷類別對應的時域?qū)Р▓D像，導波的頻散特性對缺陷識別造成了一定的影響，本文借助神經(jīng)網(wǎng)絡(luò)的非線性映射能力對接收信號進行有效識別。

圖3 三類缺陷回波信號

2 缺陷特征選取

選取中心頻率為60kHz～105kHz的激發(fā)信號，每5kHz的步長進行采集，在其中隨機選取凹陷60組、裂紋90組、孔洞90組，端面數(shù)據(jù)10組，共計250組信號作為樣本。由于超聲導波在管道中傳播時不可避免的頻散現(xiàn)象以及噪音的影響，缺陷回波的定性特征并無法用肉眼判斷，在輸入神經(jīng)網(wǎng)絡(luò)前需要進行恰當?shù)男盘柼幚硪约疤卣魈崛。诖诉x用三類特征：

①小波分析（Wavelet Analysis），也叫小波變換，是有限長度或者快速衰減的小母波經(jīng)由平移、縮放等轉(zhuǎn)換任意小波變換的基函數(shù)集合，是一種局部化的時頻分析方法。小波變換的時頻域的面積一般固定但形狀可變，時頻窗窗口寬度隨頻率變化，頻率增高寬度變窄，小波變化分為兩個類別：離散小波變換和連續(xù)小波變換[6]，圖4為三層小波分解。

圖4 三層小波的分解

本文主要進行小波能量值的提取，其中單個信號得到8個小波系數(shù)能量值。

②提取時域信號中的10個時域內(nèi)圖像特征值[7]如表1。

表1 時域圖像特征

③本文選用Duffing系統(tǒng)中的基于分維數(shù)的時移窗檢測方法，將待測信號經(jīng)由時移窗函數(shù)掃描并輸入Duffing系統(tǒng)，計算得到分維數(shù)曲線，定義分維數(shù)曲線上幅值不為2的時刻為缺陷存在時刻。選取最大截面損失率為6.52%的管道正中孔洞損傷工況，采集95kHz與135kHz中心頻率信號激勵下的信號回波進行初步濾波，濾波波形與原始波形疊加如圖5的（a）、（c）所示，為避免波的傳播過程中所遇到的噪音干擾以及頻散現(xiàn)象影響損傷檢測精確度，將回波信號進行濾波后輸入Duffing系統(tǒng)中得到分維數(shù)指標如圖5的（b）、（d）。

圖5 導波信號與分維數(shù)

在分維數(shù)曲線中，移動窗函數(shù)的移動間隔和窗長度是兩個關(guān)鍵參數(shù)。圖6為三種不同窗長對應的分維數(shù)曲線圖。

圖6 三種窗長對應的分維數(shù)曲線圖

選取移動窗長參數(shù)為4000繪制分維數(shù)曲線，記錄分維數(shù)曲線中分維數(shù)不為2的時間長度、包絡(luò)面積、損傷部分對應的不為2曲線長度作為三個混沌指標特征值，將上述三類特征值中的8個小波系數(shù)能量值、10個時域內(nèi)圖像特征值、3個混沌指標特征值組合得到一個21維向量k1，k1和其對應的目標向量一起作為BP神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)集。為驗證分維數(shù)特征的加入對損傷識別的準確度有提升，取8個小波系數(shù)能量值、10個時域內(nèi)圖像特征值組合得到一個18維向量k2作為對照組進行驗證。

3 缺陷識別算法

本文采用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱建立一個三層的BP神經(jīng)網(wǎng)絡(luò)作為缺陷識別的處理單元。根據(jù)輸入神經(jīng)網(wǎng)絡(luò)的信號特征向量，確定輸入層為3個節(jié)點，中間層神經(jīng)元個數(shù)為12個；根據(jù)識別缺陷特征的個數(shù)，確定輸出層節(jié)點數(shù)為3個[9]。神經(jīng)網(wǎng)絡(luò)訓練分為兩組進行，第一組輸入為小波能量值、時域參數(shù)、分維數(shù)組成的21維k1向量，第二組對照組為小波能量值、時域參數(shù)組成的18維k2向量，輸出3維向量，該三個節(jié)點分別對應裂紋孔洞以及凹陷損傷，識別為1，未能識別為0，其中輸出[0，0，0]代表識別結(jié)果為無損傷的完好管道，輸出[1，0，0]代表識別結(jié)果為裂紋管道，輸出[0，1，0]代表識別結(jié)果為孔洞損傷，輸出[0，0，1]代表識別結(jié)果為凹陷損傷。實際分類識別時，采用與標準識別結(jié)果進行作差比較，絕對值最小的節(jié)點為最終識別結(jié)果。例如輸出結(jié)果為[0.96，2.15，1.12]，輸出結(jié)果與[1，1，1]作差取絕對值得[0.04，0.15，0.12]，識別結(jié)果可認定為凹陷[9]。同樣本庫采用21維k1向量作為輸入時分類準確率達到94%左右，采用18維k2作為輸入時分類準確率在87%左右。

可判斷為識別程度正確，式中y是目標輸出，yˉ是實際輸出。為進一步對比損傷識別效果，不僅需要綜合評定三類缺陷的分類，同時需要針對不同損傷類別單獨統(tǒng)計，損傷測試樣本為130個，表2為測試統(tǒng)計結(jié)果。

表2 加入分維數(shù)前后的測試統(tǒng)計結(jié)果

經(jīng)統(tǒng)計，選取21維k1向量作為輸入時分類準確率達到91.85%左右，采用18維k2作為輸入時分類準確率在86.35%左右，為方便對比兩種數(shù)據(jù)集訓練效果，圖7為輸入分維數(shù)前后的三類缺陷識別準確率對比，可以看出本方法采用的Duffing系統(tǒng)結(jié)合BP神經(jīng)網(wǎng)絡(luò)對于缺陷識別準確率有一定的提升。

圖7 兩種數(shù)據(jù)及k1、k2準確率對比

4 結(jié)論

①本文在60kHz～105kHz中心頻率下激勵軸對稱縱向模態(tài)導波對鋼管周向裂紋、徑向孔洞、凹陷進行檢測。實驗表明隨著缺陷增大，缺陷回波的幅值也明顯增大。

②本文設(shè)計了一種基于BP神經(jīng)網(wǎng)絡(luò)的鋼管損傷識別算法，訓練結(jié)果表明，在已有的有限元模擬實驗樣本下，加入混沌指標特征值后分類準確率有明顯提升。相較傳統(tǒng)特征選取方法，對有限元模擬所設(shè)缺陷的整體識別正確率由86.35%提升至91.85%，對鋼管中的周向裂紋、徑向孔洞、凹陷問類問題有較好分辨能力。