基于小波能量系數(shù)和神經(jīng)網(wǎng)絡(luò)的管道缺陷識別

姜銀方，郭華杰，陳志偉，2，杜 斌，2，劉秋閣，2

(1.江蘇大學(xué) 機(jī)械工程學(xué)院，江蘇 鎮(zhèn)江 212013;2.江蘇省特種設(shè)備安全監(jiān)督檢驗研究院 鎮(zhèn)江分院，江蘇 鎮(zhèn)江 212009)

管道事故危害人們的生命財產(chǎn)，也造成了一定程度的生態(tài)破壞，對管道進(jìn)行有效地檢測是避免管道事故的有效手段。

超聲導(dǎo)波檢測方法在管道無損檢測方面具有無須大面積開挖管道或剝離管道防腐層、檢測距離遠(yuǎn)、效率高等優(yōu)勢，但由于回波波形復(fù)雜，難以直接從信號中分辨出是管道缺陷還是管道結(jié)構(gòu)，只有經(jīng)過專門的培訓(xùn)才能給出比較準(zhǔn)確的判別，這就需要一種可靠的智能化判別方法。劉振清［1］等介紹了人工神經(jīng)網(wǎng)絡(luò)在超聲檢測中的應(yīng)用;趙彩萍［2］、吳斌［3］、楊帆［4］等將神經(jīng)網(wǎng)絡(luò)應(yīng)用于對管道缺陷的識別研究;孫炳章［5］和符浩［6］分別從檢測信號的小波奇異點和相關(guān)程度的角度出發(fā)進(jìn)行了研究。眾多學(xué)者從不同的角度進(jìn)行了研究并取得了一定的成果，但識別缺陷的準(zhǔn)確性還有較大的提升空間。

本將構(gòu)建了試驗系統(tǒng)，采集焊縫和凹槽缺陷的檢測數(shù)據(jù)，編寫Matlab 程序，截取焊縫和凹槽處的檢測信號并提取出小波能量系數(shù)，結(jié)合BP 神經(jīng)網(wǎng)絡(luò)對焊縫和凹槽進(jìn)行分類識別研究。

1 超聲導(dǎo)波的特性

多模態(tài)和頻散是管道導(dǎo)波的兩個基本特性。管道導(dǎo)波包括縱向軸對稱模態(tài)、扭轉(zhuǎn)軸對稱模態(tài)及非軸對稱彎曲模態(tài)，Silk 和Bainton 將這3 種模態(tài)分別記為L(0，n)，T(0，n)及F(n，m)，n 表示模態(tài)導(dǎo)波繞管壁傳播的周向階數(shù)，m 表示模態(tài)導(dǎo)波縱向振動階數(shù)［7］。利用英國帝國理工大學(xué)開發(fā)的Dispers［8］軟件繪制出外徑108 mm，壁厚5 mm 的碳鋼管群速度頻散曲線如圖1所示，同一檢測頻率下存在多個模態(tài)，導(dǎo)波波速會隨著頻率的改變而產(chǎn)生一定的變化。本文使用L(0，2)模態(tài)的超聲導(dǎo)波進(jìn)行試驗，其傳播速度快，對管道內(nèi)壁和外壁的缺陷有相同檢測性能。

圖1 碳鋼管(外徑108 mm，壁厚5 mm)的群速度頻散曲線

導(dǎo)波在傳播過程遇到管道焊縫、缺陷等不連續(xù)或不均勻的位置，會產(chǎn)生明顯的反射回波，而反射回波信號中含有位置、程度等信息，但由于波形復(fù)雜，通常需要借助適當(dāng)?shù)姆治龇椒ㄌ崛〕鲭[藏的有用信息，才能準(zhǔn)確評估管道狀況。

此外，導(dǎo)波傳播過程中會有衰減，隨著導(dǎo)波自身頻率的增加，能量衰減會加劇，有效傳播距離將變短;低頻有效傳播較遠(yuǎn)而檢測精度較低，高頻檢測的精度較高但傳播距離較近，這就要求在管道檢測時要選擇合適的檢測頻率。

2 小波能量系數(shù)

若被檢管道上存在管道結(jié)構(gòu)或缺陷，在相對應(yīng)的位置發(fā)生能量聚焦形成反射回波，而能量通常聚集在某一段頻率上，能量聚集的情況與管道缺陷的情況存在一定的聯(lián)系。

小波分解可將信號分解為低頻段和高頻段，而導(dǎo)波能量隨之被分解到不同頻帶，通過多層小波分解方式能夠?qū)⑿盘柗纸獾讲煌l率成分的多個子空間中，各個子空間占有總能量的比重存在差異。如圖2 所示，利用多層小波分解方法將一個完整的導(dǎo)波檢測信號進(jìn)行3 層分解得到4 組信號，分別計算各組信號的能量值得到各組信號的能量分布;從圖2 中可發(fā)現(xiàn):不同組的信號對應(yīng)的能量值差異較大，第2 和第3 組信號與原始信號外形輪廓最為相似，所占用的能量成分也較高，分別為4.59%和93.26%。以上現(xiàn)象表明小波子空間能量系數(shù)在某種程度上能表征檢測信號的能量分布特征。

3 試驗結(jié)果及分析

3.1 管道試驗

試驗系統(tǒng)包括波形函數(shù)發(fā)生器AFG3011C、數(shù)字示波器LDS31010、前置放大器PAI、前置供電信號分離器、壓電傳感器陣列、管道及計算機(jī)，試驗情況如圖3所示;本文的試驗對象為帶焊縫和凹槽缺陷的規(guī)格均為108 mm×5 mm 的多根碳鋼管道，圖4 為一組管道焊縫和凹槽的照片。

圖2 3 層小波分解及各層能量系數(shù)

圖3 碳鋼管(外徑108 mm，壁厚5 mm)的實驗系統(tǒng)示意圖

圖4 碳鋼管焊縫及凹槽實物圖

在管道一端環(huán)形均勻布置兩環(huán)規(guī)格為25 mm×4 mm×1 mm 的PZT－5 壓電陶瓷片，每環(huán)16 片，一環(huán)用作激勵，另一環(huán)用作接收。在試驗過程中發(fā)現(xiàn)激勵頻率在90 ～105 kHz 范圍時回波信號幅值比較清晰明顯，采集該頻率段的信號進(jìn)行研究，圖5 為一組激勵頻率為90 kHz 時管道焊縫和凹槽的檢測信號。

圖5 90 kHz 時管道焊縫和凹槽的檢測信號

3.2 試驗結(jié)果及分析

本文利用小波能量系數(shù)結(jié)合BP 神經(jīng)網(wǎng)絡(luò)對管道缺陷進(jìn)行分類識別的研究。選取小波能量值作為一組特征向量，為避免向量過大帶來的數(shù)據(jù)冗余和向量太小導(dǎo)致的信息特征不足，對采集數(shù)據(jù)進(jìn)行了試驗分析，通過分析發(fā)現(xiàn):小波分解層數(shù)為6 層時對各類檢測信號劃分效果較好。使用小波6 層分解方法提取小波能量系數(shù)，即小波子空間信號能量占檢測信號能量的百分比，該參數(shù)為無量綱參數(shù)，其提取流程如圖6 所示。本文使用的Matlab 程序代碼為“［c，l］=wavedec(x，6，‘db9’);［Ea，Ed］=wenergy(c，l);”，在該代碼中db9為小波基函數(shù)，wavedec 和waverec 為Matlab 小波工具箱中自帶的函數(shù)，Ea和Ed為小波能量系數(shù)，x 為截取的時域數(shù)據(jù)，x 的長度為激勵波波長的1.5 倍

圖6 小波能量特征提取流程圖

表1 BP 神經(jīng)網(wǎng)絡(luò)參數(shù)

構(gòu)建如表1 所示BP 神經(jīng)網(wǎng)絡(luò)模型，選用的傳遞函數(shù)依次為tansig、logsig 和purelin，訓(xùn)練函數(shù)為raingdm;訓(xùn)練時使用［1 0］和［0 1］作為標(biāo)準(zhǔn)輸出結(jié)果，分別表示焊縫和凹槽;通過比較訓(xùn)練結(jié)果與標(biāo)準(zhǔn)輸出結(jié)果的標(biāo)準(zhǔn)差判別所屬類別，例如，輸出結(jié)果為［0.9 0.6］，與［1 0］和［0 1］的標(biāo)準(zhǔn)差分別為0.495 和0.919 2，表明輸出結(jié)果與焊縫的標(biāo)準(zhǔn)輸出結(jié)果最為接近，則判定結(jié)果為焊縫。

焊縫和凹槽的總樣本數(shù)分別為60 和660 個，試驗中使用等概率篩選的方式選取訓(xùn)練和識別樣本。表5為5 次獨立試驗的情況，從表中可以看出:識別準(zhǔn)確率最高為1，最低為0.92;凹槽的樣本多，其識別準(zhǔn)確性穩(wěn)定，5 次獨立試驗的缺

表2 BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練與判別結(jié)

圖7 第1 次試驗的BP 神經(jīng)網(wǎng)絡(luò)的收斂曲線

陷識別準(zhǔn)確率均高于0.98，甚至識別完全正確;焊縫的樣本少，識別準(zhǔn)確性波動較大，但均不低于0.92。以上現(xiàn)象表明該方法具有較高的識別準(zhǔn)確率，且樣本量越多，其識別性能越穩(wěn)定。圖7 為第1 次試驗的收斂曲線在迭代次數(shù)達(dá)到1 498 時收斂誤差接近0.001，表明該方法訓(xùn)練過程的收斂性能良好。

4 結(jié)束語

本文使用小波方法對檢測信號進(jìn)行6 層分解，提取出小波能量系數(shù)并應(yīng)用于BP 神經(jīng)網(wǎng)絡(luò)的識別管道缺陷的研究;多次隨機(jī)試驗的研究結(jié)果表明，該方法的對凹槽缺陷的識別準(zhǔn)確率均高于0.98，且樣本個數(shù)越多，識別準(zhǔn)確率越穩(wěn)定，表明該方法在缺陷識別方面的準(zhǔn)確率較高且穩(wěn)定可靠。

［1］ 劉鎮(zhèn)清，張海燕.人工神經(jīng)網(wǎng)絡(luò)及其在超聲檢測中的應(yīng)用［J］.無損檢測，2001(5):221－225.

［2］ 趙彩萍，王維斌，何存富，等.基于神經(jīng)網(wǎng)絡(luò)的超聲導(dǎo)波管道缺陷識別［J］.傳感器與微系統(tǒng)，2009(11):19－21，24.

［3］ 吳斌，齊文博，何存富，等.基于神經(jīng)網(wǎng)絡(luò)的超聲導(dǎo)波鋼桿缺陷識別［J］.工程力學(xué)，2013(2):470－476.

［4］ 楊帆.管道超聲導(dǎo)波檢測信號分析處理與識別研究［D］.成都:西南石油大學(xué)，2012.

［5］ 孫炳章.小波分析和神經(jīng)網(wǎng)絡(luò)在超聲檢測系統(tǒng)中的應(yīng)用［D］.青島:山東科技大學(xué)，2004.

［6］ 符浩，王維斌，周進(jìn)節(jié)，等.基于相關(guān)的超聲導(dǎo)波檢測信號分析方法［J］.壓力容器，2011(7):59－64.

［7］ Silk M G，Bainton K F.The propagation in metal tubing of ultrasonic wave modes equivalent to Lamb waves［J］.Ultrasonics，1979，17(1):11－19.

［8］ Pavlakovic B，Lowe M，Alleyne D，et al.Disperse:a general purpose program for creating dispersion curves［M］.Berlin:Springer，1997.