楊 錄,樊建平,張艷花
(中北大學(xué)電子測試技術(shù)國家重點(diǎn)實(shí)驗(yàn)室,山西太原 030051)
缺陷特征提取是缺陷診斷的關(guān)鍵環(huán)節(jié).在信號的時域圖中,信號的幅值大小可以表征缺陷的存在.但是,只有信號時域幅值作為缺陷特征參數(shù),它無法獲得缺陷信號更多的真實(shí)信息,如缺陷的類型、大小等.因此,在超聲無損檢測領(lǐng)域,超聲頻譜分析法由于在頻域中可以求得比時域更多的特征參數(shù),如最大幅值、中心頻率、帶寬等,為提高檢測結(jié)果的客觀性和可靠性提供了可能[1-3].但是,當(dāng)工件存在缺陷或其工作環(huán)境異常時,其相應(yīng)的超聲回波信號或振動信號一般呈非平穩(wěn)特性.以傅里葉變換(Fourier Transform,FT)為核心的傳統(tǒng)頻譜方法雖然在平穩(wěn)信號的特征提取中發(fā)揮了重要作用,但對于非平穩(wěn)信號,FT只能分別給出信號在時域或頻域的統(tǒng)計平均結(jié)果,卻無法同時兼顧信號在時域和頻域的全貌和局部化特征.因此,對于非平穩(wěn)信號而言,希望能把非平穩(wěn)信號分解,使非平穩(wěn)信號平穩(wěn)化,并能夠得到比常規(guī)分析方法更多的缺陷特征參數(shù),來最終達(dá)到識別缺陷類型的目的.下面將要介紹的經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)[1,4]方法就可以很好地解決這個問題.
經(jīng)驗(yàn)?zāi)B(tài)分解方法是基于信號的局部特征時間尺度,能把復(fù)雜信號函數(shù)分解為有限的固有模態(tài)函數(shù) (Intrinsic Mode Function,IMF)之和,由于 EMD方法是依據(jù)信號本身的信息進(jìn)行的分解,得到的 IMF通常是有限個數(shù)的,而且表現(xiàn)信號內(nèi)含的真實(shí)物理信息[5],因此 EMD方法是自適應(yīng)的信號處理方法,非常適合非線性和非平穩(wěn)過程.
神經(jīng)網(wǎng)絡(luò)由基本神經(jīng)元相互連接,能模擬人腦的神經(jīng)處理信息方式,進(jìn)行信息并行處理和非線性轉(zhuǎn)換.神經(jīng)網(wǎng)絡(luò)是一種自適應(yīng)的模式識別技術(shù),并不需要預(yù)先給出有關(guān)模式的經(jīng)驗(yàn)知識和判別函數(shù),它通過自身的學(xué)習(xí)機(jī)制自動形成所要求的決策區(qū)域.它可以充分利用狀態(tài)信息,對來自不同狀態(tài)的信息逐一進(jìn)行訓(xùn)練而獲得某種映射關(guān)系.這種技術(shù)的出現(xiàn),為故障診斷問題提供了一種新的解決途徑.
本文將 EMD方法以及人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用到超聲缺陷信號的識別分類中[6],利用 EMD方法對超聲回波信號進(jìn)行分解,得到若干個 IM F,然后對包含故障信息的 IMF作時域與頻域分析,構(gòu)造特征向量,最后通過 BP神經(jīng)網(wǎng)絡(luò)作為診斷決策分類器來分類信號的缺陷類型.
Hilbert-Huang變換方法由黃鍔于1998年提出,EMD(經(jīng)驗(yàn)?zāi)B(tài)分解)為其重要的組成部分.黃鍔提出的 EMD方法可以很好地處理非平穩(wěn)、非線性信號.這個方法不同于一些傳統(tǒng)的方法,它是直觀、直接、基于經(jīng)驗(yàn)和自適應(yīng)的.IMF是平穩(wěn)的窄帶信號,是原始信號在不同時間尺度上的信息,與原始信號相比 IM F分量相對簡單得多,實(shí)際的時間序列往往信息成分比較復(fù)雜,弱信號往往被強(qiáng)信號成分或背景噪聲所淹沒,而這些小幅度信號可以在 IMF分量中較明顯地表現(xiàn)出來.因此,對 IMF進(jìn)行分析可以更準(zhǔn)確有效地把握原始數(shù)據(jù)的特征信息.
經(jīng)驗(yàn)?zāi)J椒纸獾慕Y(jié)果是一組 IMF,IMF滿足兩個條件:①在任意一點(diǎn),函數(shù)極大值構(gòu)成的上包絡(luò)與極小值構(gòu)成的下包絡(luò)均值為零;②在整個數(shù)據(jù)段上,極值點(diǎn)(包括極大值和極小值)的數(shù)目與過零點(diǎn)的數(shù)目相等或至多相差 1.
經(jīng)驗(yàn)?zāi)J椒纸馑惴ǖ牟襟E包括:①求取信號x的所有極值點(diǎn)和過零點(diǎn);②將所有極大值點(diǎn)用一條曲線連接起來,得到信號的上包絡(luò);用同樣方法可以得到信號極小值點(diǎn)構(gòu)成的下包絡(luò);③計算上包絡(luò)和下包絡(luò)的平均值,記為平均包絡(luò) m;④ 將信號減去平均包絡(luò) m,得到殘余信號 r;⑤將 r作為信號重復(fù)以上過程,直到 r滿足固有模態(tài)函數(shù)的條件為止,記為 IM F 1;⑥重復(fù)以上過程將信號分解為一組固有模態(tài)函數(shù)和一個殘余信號之和.
這里采用有機(jī)玻璃作為標(biāo)準(zhǔn)試件,玻璃厚度為 6 mm,探頭頻率為 5 MHz,檢測模式為爬波.作為標(biāo)準(zhǔn)的有機(jī)玻璃缺陷類型為上表面裂紋、下底面裂紋和板中央孔,如圖1所示.這 3種缺陷的超聲回波信號如圖2所示.
首先針對下底面裂紋信號進(jìn)行分析,對其它兩種信號的分析采用同樣的分析方法.用 EMD方法對下底面裂紋超聲信號進(jìn)行處理,得到一系列 IMF分量,如圖3所示.IMF是平穩(wěn)的窄帶信號,是原始信號在不同時間尺度上的信息,每一個 IMF分量都是代表一組特征尺度的數(shù)據(jù)序列,具有實(shí)際的意義.
圖1 缺陷實(shí)物圖Fig.1 Standard flaw indications of Perspex
圖2 3種標(biāo)準(zhǔn)缺陷超聲回波信號Fig.2 Three kinds of ultrasound echo signals from standard flaw indications
圖3 下底面裂紋超聲信號的 IMF分量Fig.3 Intrinsic modes IM F1~I(xiàn)MF8 of bottom surface flaw
2.3.1 IMF的時域分析
對 IMF進(jìn)行時域分析,采用過零點(diǎn)、信號面積、最大幅值這 3個特征參數(shù)作為 IMF曲線的時域特征[7].分別對每個 IMF分量求出曲線過零點(diǎn)、信號面積、最大幅值.對下底面裂紋信號的時域分析結(jié)果如表1所示(為便于分析,信號面積與最大幅值均放大若干倍數(shù)).
2.3.2 IM F的頻域分析
對信號的各個 IMF分量進(jìn)行傅立葉變換,得到如圖4所示的幅頻圖.采用最大幅值、中心頻率、信號能量這 3個特征參數(shù)作為 IMF的頻域特征[7].分別對每個 IMF分量求出最大幅值、中心頻率、信號能量.對下底面裂紋信號的頻域分析結(jié)果如表2所示(為便于分析,最大幅值放大若干倍數(shù)).
表1 IMF時域特征參數(shù)計算結(jié)果Tab.1 IMFcharacterstic parameters in time domain
表2 IMF頻域特征參數(shù)計算結(jié)果Tab.2 IM Fcharacteristic parameters in frequency domain
圖4 各個 IMF幅頻圖Fig.4 Frequency spectrograms of IMFs
BP算法[8]的學(xué)習(xí)過程由信息正向傳播過程和誤差反向傳播過程組成,在正向傳播過程中,輸入信息從輸入層經(jīng)隱含層單元逐層處理,并傳向輸出層,每一層神經(jīng)元的狀況只影響下一層神經(jīng)元的狀況.如果輸出層不能得到期望的輸出,則轉(zhuǎn)入反向傳播,將誤差信號沿原來的連接通路返回,通過修改各層神經(jīng)元的權(quán)值,最終使誤差函數(shù)達(dá)到給定的數(shù)值.三層神經(jīng)網(wǎng)絡(luò)模型如圖5所示.
通過上述 IMF時域與頻域的分析,每一個IMF分量可以得到過零點(diǎn)、信號面積、最大幅值(時域)、最大幅值(頻域 )、中心頻率、信號能量,共6個特征參數(shù).把這些特征參數(shù)作為一個特征數(shù)組.下底面裂紋信號取前 5個 IMF分量,把 5個IM F分量的特征數(shù)組組合,就可以得到一個向量.這個向量即是信號的特征向量,把它作為神經(jīng)網(wǎng)絡(luò)的輸入向量.
針對標(biāo)準(zhǔn)的 3種缺陷信號進(jìn)行采樣,每種信號采集 30個樣本,每個樣本的數(shù)據(jù)長度為 400.試驗(yàn)時,對樣本數(shù)據(jù)進(jìn)行 N=5階經(jīng)驗(yàn)?zāi)B(tài)分解,利用本文分析得出的特征向量,每種樣本取 6組特征向量,得到 18組數(shù)據(jù),用這些數(shù)據(jù)作為訓(xùn)練樣本輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練.另外取 3種類型的信號各一個樣本來作為測試樣本,以檢測所設(shè)計的缺陷分類器是否合理.
BP神經(jīng)網(wǎng)絡(luò)的具體結(jié)構(gòu)[9]為:輸入層神經(jīng)元個數(shù)為 24,隱含層神經(jīng)元個數(shù)近似為30,輸出層神經(jīng)元個數(shù)為 3.隱含層的傳遞函數(shù)采用雙曲正切 S型傳遞函數(shù) tansig,輸出向量為故障編碼 0,1,因此輸出層的傳遞函數(shù)采用 S型的對數(shù)函數(shù)logsig,該函數(shù)將輸出量的值域限制在 [0,1]之間.網(wǎng)絡(luò)訓(xùn)練函數(shù)采用 Levenberg-Marquardt BP訓(xùn)練函數(shù),性能指標(biāo)為 mse,訓(xùn)練目標(biāo)為 0.01.缺陷類別編碼設(shè)計如表3所示.經(jīng)歸一化后的部分訓(xùn)練樣本如表4所示.
網(wǎng)絡(luò)的訓(xùn)練誤差曲線如圖6所示.從圖6可以看出,經(jīng)過此訓(xùn)練后達(dá)到了梯度最小值,此時的訓(xùn)練誤差已經(jīng)非常小.為了驗(yàn)證網(wǎng)絡(luò)的準(zhǔn)確性,用測試樣本共9組數(shù)據(jù)對網(wǎng)絡(luò)模型進(jìn)行了測試,測試結(jié)果如表5所示.
從表5可以看出,網(wǎng)絡(luò)的實(shí)際輸出與期望輸出非常吻合,診斷準(zhǔn)確率為 100%,證明該神經(jīng)網(wǎng)絡(luò)模型可靠,能準(zhǔn)確地對超聲信號的缺陷類型進(jìn)行識別與分類.
表3 缺陷類別編碼設(shè)計Tab.3 Flaw type cod e design
圖6 訓(xùn)練誤差曲線圖Fig.6 Training error curve
表4 歸一化后部分訓(xùn)練樣本Tab.4 Part training sample after normalization
表5 樣本測試結(jié)果Tab.5 Sample test result
綜上所述,基于對本征模函數(shù)時域與頻域的分析[10],構(gòu)造特征向量,利用神經(jīng)網(wǎng)絡(luò)分類信號缺陷類型是一種新的缺陷類型分類方法,其創(chuàng)新之處在于在分析本征模函數(shù)(IMF)時域與頻域的基礎(chǔ)上,構(gòu)造特征向量,利用神經(jīng)網(wǎng)絡(luò)技術(shù)分類信號的缺陷.這種識別缺陷分類的方法識別率較高,可望具有較好的適用性.由于本文作為標(biāo)準(zhǔn)缺陷信號的缺陷類型較少,由此形成的特征向量能檢測出的缺陷類型較少,因此,進(jìn)一步應(yīng)用需要大量的實(shí)驗(yàn)樣本和數(shù)據(jù)分析.
[1]Huang N E.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[C].Lond: Proceedings of the Royal Society,1998,454:903-995.
[2]Bennett M,Michael S.Empirical mode decomposition and tissue harmonic imaging[J]. Ultrasound in Medicine&Biololgy,2005,31(8):1051-1061.
[3]Flandrin P,Rilling G,Goncalves P.Empirical mode decomposition as a filter bank [J]. IEEE Signal Processing Letters,2004,11(2):112-114.
[4]Deering R,Kaiser J.The use of a masking signal to improve empirical mode decomposition[J]. IEEE ICASSP,2005,9:485-488.
[5]于鳳芹.利用 Hilbert-Huang變換的自適應(yīng)帶通濾波特性提取共振峰[J].聲學(xué)技術(shù),2008,27(2):266.Yu Fengqin.Finding speech formant by using the character of Hilbert-Huang transform as an adaptive band-filter[J].Technical Acoustics,2008,27(2):266.(in Chinese)
[6]張小薊.基于 IMF能量熵的目標(biāo)特征提取與分類方法[J].計算機(jī)工程與應(yīng)用,2008,44(4):68-69.Zhang Xiaoji. Feature extraction and classification experiment based on energy entropy of IMF’s[J].Computer Engineering and Applications,2008,44(4):68-69.(in Chinese)
[7]孟宗,戴桂平.基于 EM D時頻分析方法的性能研究[J].傳感技術(shù)學(xué)報,2008,19(4):1029-1032.Meng Zong,Dai Guiping.Characteristics study on time-frequency anlysis method based on empirical mode decomposition[J].Chinese Journal of Sensors and Actuators,2008,19(4):1029-1032.(in Chinese)
[8]王憲保.基于仿生模式識別的構(gòu)造型神經(jīng)網(wǎng)絡(luò)分類方法[J].計算機(jī)學(xué)報,2007,30(12):2109-2114.Wang Xianbao. Constructive neuron networks classification algorithm basedon biomimetic pattern recognition[J].Chinese Journal of Computers,2007,30(12):2109-2114.(in Chinese)
[9]夏戰(zhàn)國,王珂.基于網(wǎng)絡(luò)復(fù)雜性的 BP算法 [J].計算機(jī)工程與設(shè)計,2008,29(15):3867-3869.Xia Zhanguo,Wang Ke. BP algorithm based on network complexity[J].Computer Engineering and Design,2008,29(15):3861-3869.(in Chinese)
[10]鐘佑明.希爾伯特-黃變換的統(tǒng)一理論依據(jù)研究[J].振動與沖擊,2006,25(3):40-44.Zhong Youming.Uniform theory gist research of Hilbert-Huang transform[J].Journal of V bration and Shork,2006,25(3):40-44.(in Chinese)