譜熵分析方法在TOFD信號特征提取中的應用

楊雙羊，盛朝陽，路 燕，高 晨

（1.海洋石油工程股份有限公司，天津 300452；2.環(huán)境保護部核與輻射安全中心 系統(tǒng)設備材料部，北京 100082）

作為超聲成像檢測技術(shù)，TOFD 方法在厚大結(jié)構(gòu)的檢測方面有較強的優(yōu)勢，對缺陷的定位、定量準確，對裂紋類缺陷較敏感［1－2］。然而對于檢測圖像或信號的解釋、缺陷的分析，目前主要依賴于人工完成，這樣缺陷評定的準確性就會受工作人員的知識、經(jīng)驗以及熟練程度的影響，容易造成誤判，所以廣大學者在超聲TOFD 檢測結(jié)果的自動識別方面做了不少研究。缺陷的自動識別是以提取有效特征量為前提的，所以特征量的選擇格外重要。目前，基于TOFD 檢測圖像的特征量的提取主要有兩方面，一是從信號角度提取特征量，如以信號的傅里葉變換譜的幅值或小波變換系數(shù)的向量為特征量［3－4］，或利用算法直接處理時域信號以提取特征量［5］；另一方面是從圖像角度出發(fā)，利用紋理分析等技術(shù)提取特征量［6－7］。這些特征量的提取在一定程度上實現(xiàn)了不同種類缺陷的區(qū)分，但是對于裂紋和夾渣的缺陷分析較少，所以需要繼續(xù)提取有效的特征量以實現(xiàn)焊縫中多種類缺陷的區(qū)分。

筆者通過TOFD 方法檢測了焊縫中不同種類的缺陷，即氣孔、夾渣、裂紋、未焊透和未熔合，分析了各類型缺陷信號在頻域的特征，同時將信號頻域的二維信息熵即譜熵和譜的重心頻率，應用于不同種類缺陷的特征分析。分析結(jié)果表明，該二維信息熵可較有效地將五類缺陷分開，為缺陷的自動識別提供可靠的特征量。

1 超聲TOFD焊縫檢測中的典型缺陷

1.1 超聲TOFD檢測技術(shù)原理

超聲TOFD 是利用一對探頭相對布置在焊縫兩側(cè)且探頭中心在同一直線上進行檢測的方法［8］。檢測時，兩探頭同步移動，一個作為發(fā)射探頭，另一個為接收探頭，兩探頭入射點之間的距離稱作探頭間距（PSD）。假設板材或者焊縫中存在裂紋類缺陷，如果裂紋高度足夠大，會產(chǎn)生如圖1所示的檢測信號。根據(jù)超聲波傳播路程的長短，接收到的信號波型依次是側(cè)向波、缺陷上端衍射波、缺陷下端衍射波及底面回波。缺陷上端衍射波與側(cè)向波相位相反而與底面回波相位相同，而缺陷下端衍射波與側(cè)向波相位相同而與底面回波相位相反，通過相位關系可以判斷獲得的缺陷信號是否來源于同一缺陷體。該方法通常使用縱波探頭，因其聲速比橫波快，這樣在選擇合適的檢測工藝參數(shù)后，可在側(cè)向波及底面回波之間排除轉(zhuǎn)換波的干擾，易于識別缺陷信號。

超聲TOFD 方法顯示檢測結(jié)果通常有3 種表示方式：A 信號、B 掃描圖像、D 掃描圖像。A 信號表示一個固定位置的采集結(jié)果，如圖1所示。D 掃描和B 掃描的顯示結(jié)果更直觀易分辨，也易于被理解計算，而它們間區(qū)別在于聲波的方向和探頭運動方向是否平行。當探頭機構(gòu)沿著平行于焊縫或缺陷方向作掃查運動時，超聲波的傳播方向和探頭的運動方向垂直，檢測所得到的TOFD 圖像為D 掃描圖像，其平行于焊縫且以主視圖方式顯示出缺陷的長度與高度。當探頭機構(gòu)沿著垂直于焊縫或缺陷的方向作掃查運動時，超聲波的傳播方向和探頭的運動方向平行，檢測所得到的TOFD 掃描圖像上缺陷端部衍射波的傳播時間不斷發(fā)生變化，在屏幕上從左到右逐點反應這種變化關系的圖形稱為B 掃描，利用B掃描圖像對缺陷定位更加準確，可以確定缺陷的深度和橫向位置。

圖1 TOFD 檢測原理

圖2分別為D 掃描和B 掃描的圖像示例，檢測對象是20mm 厚的鋁板中的距底面13.5mm 的開口槽。

圖2 超聲TOFD 法D 掃描和B掃描圖像

1.2 典型缺陷的檢測

焊縫中缺陷性質(zhì)的自動識別，是以提取有效的特征量為前提的，而驗證特征量的選取是否有效，通常需要進行統(tǒng)計驗證，所以在實現(xiàn)缺陷自動識別前，需要具備足夠的缺陷樣本，通過這些樣本的統(tǒng)計特征初步驗證提取特征量的有效性。

筆者選用板厚為24 mm 的低合金鋼材料的試板（尺寸為400mm×260 mm×24 mm），采用手工電弧焊及氬弧焊相結(jié)合的方法制備帶缺陷的對接焊縫。專業(yè)的無損檢測人員對制備的試件進行了X射線照相評定及常規(guī)超聲檢測，評定后的缺陷主要包括面狀及體積型缺陷，類型有未焊透，未熔合，裂紋，氣孔和夾渣等缺陷。

圖3 氣孔的D 掃描圖像及A 信號

圖4 夾渣的D 掃描圖像及A 信號

圖5 裂紋的D 掃描圖像及A 信號

圖6 未焊透缺陷的D 掃描圖像及A 信號

圖7 未熔合缺陷的D 掃描圖像及A 信號

圖3～7中列出了幾種典型缺陷的D 掃描圖像及相應的A 信號。圖中只是示意性地指出了D掃描圖像中一處缺陷位置，其它有相似特征的地方并未一一標出。從圖中可以看出，體積型缺陷，即氣孔與夾渣的D 掃描圖像邊緣比面狀缺陷邊緣弧度大，但對于三種面狀缺陷，它們的D 掃描圖像相似，很難在視覺上進行區(qū)分。從五類缺陷的A 信號角度來看，信號的波形更是接近，故很難判斷出其屬于哪一種缺陷，可見TOFD 檢測結(jié)果的定性識別存在較大的難度，所以通常檢測人員的主觀評判可能會存在誤差，甚至是誤判，因此應求助于自動識別技術(shù)，盡量在評定中減少人為的因素以便適應不同的檢測環(huán)境。

2 信號頻域的二維譜熵特征

由圖3～7中的典型缺陷的A 信號可知，在時域提取特征量以分離不同種類缺陷比較困難，同時由于不同類型的缺陷體與超聲波作用產(chǎn)生的衍射信號在頻域上存在差異，所以應在頻域?qū)ふ姨卣髁俊D8是五類缺陷A 信號的頻譜，從頻譜圖上可以看出，頻譜比較雜亂且存在交疊和多峰的現(xiàn)象，所以單純依據(jù)頻譜峰值的位置或幅值特征的傳統(tǒng)方法不足以分離開各種缺陷，并且在檢測過程中檢測系統(tǒng)的增益、檢測速度等因素也會造成頻譜幅值的改變或缺陷信號頻率位置的改變。

圖8 五類缺陷的A 信號的頻譜

信號頻域二維信息熵［9］，即譜熵和譜的重心頻率，它除了能夠反映頻譜分布特征和能量集中程度外，還可用頻譜線熵的重心頻率反映譜的能量集中的位置。譜熵Hf的計算為

式中：qi為第i個功率譜在整個譜中所占的百分比；N為譜線條數(shù)。譜熵越小，譜越集中。譜熵越大，譜在整個頻率成分分布上就越均勻，則信號越復雜，不確定性程度就越大。提出譜的重心頻率主要是為了刻劃頻譜的重心位置，其計算為

式中：X（k）為信號的離散傅里葉變換。譜的重心頻率與譜熵一起構(gòu)成了譜的二維向量（CG，Hf）。

3 TOFD 缺陷信號頻域的二維信息熵特征分析

分別計算了五類缺陷A 信號的二維信息熵，其中未焊透的A 信號數(shù)是142個，未熔合87個，裂紋94 個，氣孔96 個，夾渣158 個。計算結(jié)果如圖9所示。

圖9 五類缺陷A 信號的二維信息熵

從圖9可看出，體積型缺陷與面狀缺陷的重心位置相差較多，即面狀缺陷重心后移。在面狀缺陷里，裂紋的譜熵較小，相對集中，重心位置比較靠前，而未焊透和未熔合的頻譜相對比較分散，但是二者之間不存在交疊，只有裂紋和未焊透的少部分數(shù)據(jù)發(fā)生重疊?？偟膩碚f，該二維信息熵可以有效地將五類缺陷分開，為缺陷的自動識別提供了有效的特征量。但是該特征量是否真的符合自動識別標準，在以后的工作中還需要進一步討論和驗證。接下來的工作將是進行聚類算法與分類器的設計以實現(xiàn)缺陷自動分類與識別，這將在以后的文章中進行陳述。

4 結(jié)論

利用超聲TOFD 方法檢測了制備焊縫中不同種類的缺陷體，通過分析不同缺陷體的A 信號的頻譜特征，分別計算了五類缺陷信號的二維信息熵，從計算結(jié)果圖可以看出，該二維信息熵能有效區(qū)分五類缺陷，為TOFD 檢測結(jié)果的自動識別分析提供了有效的特征量。

［1］史俊偉，劉松平.攪拌摩擦焊焊縫超聲TOFD 檢測與缺陷評估方法［J］.無損檢測，2011，33（11）：1－3.

［2］盛朝陽，剛 鐵，黃江中.基于圖像線性化的超聲TOFD 檢測缺陷定位方法［J］.無損檢測，2011，33（7）：15－17.

［3］SHITOLE，C S N，ZZHRAN O，AL－NUAIMY W，et al.Combining fuzzy logic and neural networks in classification of weld defects using ultrasonic time－offlight diffraction［J］.Insight：Non－Destructive Testing and Condition Monitoring，2007，49（2）：79－82.

［4］MOURA E P，SILVA R R，SIQUEIRA M H，et al.Pattern recognition of weld defects in preprocessed TOFD signals using linear classifiers［J］.Journal of Nondestructive Evaluation，2004，23（4）：163－172.

［5］ZAHRAN O，AL－NUAIMY W.Automatic data processing and defect detection in time－of－flight diffraction images using statistical techniques［J］.Insight，2005，47（9）：538－542.

［6］LAWSON S W，PARKER G A.Automatic detection of defects in industrial ultrasound images using a neural network［J］.Proceedings of SPIE，1996（2786）：37－47.

［7］KECHIDA A，DRAI R，KHELIL M.2DGabor functions and FCMI algorithm for flaws detection in ultrasonic images［J］.Proceedings of World Academy of Science Engineering and Technology.2005（9）：184－188

［8］CHARLESWORTH J P，TEMPLE J A G，ZIPIN R B.Engineering Applications of Ultrasonic Time－offlight Diffraction［M］.Philadelphia，USA：Research Studies Press Ltd.，2001.

［9］劉紅星，左洪福，姜澄宇，等.信號頻譜的二維向量及其應用［J］.中國機械工程，1999，10（5）：537－539.