基于GA-BP神經(jīng)網(wǎng)絡(luò)的微裂紋漏磁定量識(shí)別技術(shù)

邱忠超， 張衛(wèi)民， 張瑞蕾， 于霞， 陳國(guó)龍

(1.北京理工大學(xué) 機(jī)械與車(chē)輛學(xué)院，北京 100081；2.機(jī)械科學(xué)研究總院 先進(jìn)制造技術(shù)研究中心，北京 100083；3.河北環(huán)境工程有限公司， 河北，承德 067000；4. 中國(guó)兵器工業(yè)導(dǎo)航與控制技術(shù)研究所，北京 100089)

?

基于GA-BP神經(jīng)網(wǎng)絡(luò)的微裂紋漏磁定量識(shí)別技術(shù)

邱忠超1，2， 張衛(wèi)民1， 張瑞蕾3， 于霞4， 陳國(guó)龍1

(1.北京理工大學(xué) 機(jī)械與車(chē)輛學(xué)院，北京 100081；2.機(jī)械科學(xué)研究總院 先進(jìn)制造技術(shù)研究中心，北京 100083；3.河北環(huán)境工程有限公司， 河北，承德 067000；4. 中國(guó)兵器工業(yè)導(dǎo)航與控制技術(shù)研究所，北京 100089)

針對(duì)漏磁檢測(cè)定量識(shí)別技術(shù)中識(shí)別的缺陷尺寸大多為1～10 mm的較大裂紋，與實(shí)際自然裂紋相差太大的問(wèn)題，將基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)(GA-BP)算法應(yīng)用到微裂紋缺陷的漏磁定量識(shí)別中，使得漏磁檢測(cè)定量識(shí)別缺陷的寬度、深度達(dá)到小于0.50 mm的微細(xì)裂紋，并通過(guò)基于磁偶極子模型的理論計(jì)算與漏磁檢測(cè)實(shí)驗(yàn)兩種方法構(gòu)建了微裂紋(0.10～0.30 mm)缺陷樣本庫(kù). 由于在實(shí)際檢測(cè)過(guò)程中存在干擾噪聲的原因，實(shí)驗(yàn)數(shù)據(jù)的預(yù)測(cè)結(jié)果誤差比理論計(jì)算數(shù)據(jù)預(yù)測(cè)結(jié)果明顯偏大，最大為16.73%，但預(yù)測(cè)結(jié)果能夠基本反映微裂紋缺陷的尺寸大小.

漏磁檢測(cè)；遺傳算法；反向傳播；神經(jīng)網(wǎng)絡(luò)；微裂紋；定量識(shí)別

漏磁檢測(cè)技術(shù)被廣泛應(yīng)用于鐵磁材料的無(wú)損評(píng)估中，如油氣管道、鋼絲繩等[1]. 隨著漏磁檢測(cè)技術(shù)的發(fā)展，不僅要求對(duì)缺陷能夠定性檢測(cè)，而且要求對(duì)缺陷的分布情況與尺寸進(jìn)行識(shí)別，即定量識(shí)別. 定量識(shí)別技術(shù)一直是漏磁檢測(cè)的難點(diǎn)與研究熱點(diǎn)，現(xiàn)已成為該技術(shù)工程應(yīng)用的瓶頸問(wèn)題[2].

目前對(duì)漏磁檢測(cè)定量識(shí)別的研究工作主要集中在較大尺寸裂紋與仿真分析. Carvalhoa 等[3]采用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了管道焊接缺陷類(lèi)型的識(shí)別；Hwang等[4]提出了用徑向基神經(jīng)網(wǎng)絡(luò)與徑向小波基函數(shù)神經(jīng)網(wǎng)絡(luò)對(duì)人工凹坑缺陷形狀重構(gòu)；Ramuhalli[5]提出了一種基于神經(jīng)網(wǎng)絡(luò)和模擬退火梯度下降相結(jié)合的技術(shù)來(lái)求解反演問(wèn)題;王平等[6]通過(guò)有限元仿真與實(shí)驗(yàn)方法實(shí)現(xiàn)了基于脈沖漏磁檢測(cè)技術(shù)的鋼軌裂紋的定量識(shí)別；張勇等[7]提出了一種基于磁偶極子模型的矩形裂紋的快速重構(gòu)方法.

針對(duì)目前所識(shí)別的對(duì)象為較大尺寸裂紋(1～10 mm)，與自然裂紋相差較大的問(wèn)題，并結(jié)合現(xiàn)有的裂紋檢測(cè)標(biāo)準(zhǔn)(0.12 mm)，本文所研究的微細(xì)裂紋是指寬度與深度都小于0.50 mm的矩形裂紋. 通過(guò)基于磁偶極子模型的理論計(jì)算與漏磁檢測(cè)實(shí)驗(yàn)兩種方法構(gòu)建微裂紋(0.10～0.30 mm)缺陷樣本庫(kù)，并將基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)(GA-BP)應(yīng)用到漏磁缺陷的定量識(shí)別中.

1 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

算法流程如圖1所示[8].

BP神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)中應(yīng)用最廣的一種多層前饋神經(jīng)網(wǎng)絡(luò)，它既是前向網(wǎng)絡(luò)的核心部分，也是神經(jīng)網(wǎng)絡(luò)的精華. 然而，BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練之初各層的連接權(quán)值和閾值被初始化為[0，1]間的隨機(jī)值，這種未經(jīng)優(yōu)化的隨機(jī)值會(huì)使BP神經(jīng)網(wǎng)絡(luò)的收斂速度慢，并且容易陷入局部極小值. GA-BP神經(jīng)網(wǎng)絡(luò)是用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，其基本思想就是用個(gè)體代表網(wǎng)絡(luò)的初始權(quán)值和閾值，個(gè)體值初始化的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差作為該個(gè)體的適應(yīng)度值，通過(guò)選擇、交叉、變異操作尋找最優(yōu)個(gè)體，即最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值.

2 漏磁樣本庫(kù)的建立

2.1 漏磁檢測(cè)信號(hào)的獲取

對(duì)垂直于試件軸線方向的裂紋進(jìn)行定量識(shí)別，并采用和缺陷尺寸特征相關(guān)性較好的切向漏磁信號(hào)Hx進(jìn)行研究. 通過(guò)兩種途徑獲取切向漏磁信號(hào)，第一種為基于磁偶極子模型的理論計(jì)算，第二種為搭建漏磁檢測(cè)實(shí)驗(yàn)系統(tǒng)，通過(guò)AMR磁傳感器拾取漏磁檢測(cè)信號(hào). 漏磁信號(hào)隨缺陷幾何形狀的不同而變化，而缺陷形狀千差萬(wàn)別. 為了分析簡(jiǎn)單，實(shí)驗(yàn)以常見(jiàn)的矩形裂紋缺陷來(lái)說(shuō)明漏磁信號(hào)的定量識(shí)別.

基于磁偶極子模型的理論計(jì)算是目前漏磁場(chǎng)分析常用的方法之一. 將裂紋類(lèi)缺陷等效為無(wú)限長(zhǎng)的矩形槽，槽寬2b，深h，P為空間中的任意一個(gè)點(diǎn). 設(shè)磁化使矩形槽兩側(cè)壁均勻分布著極性相反、面密度相等的兩條磁荷帶，并設(shè)在槽的其它部位均無(wú)磁荷分布. 在空間任意點(diǎn)P(x，y)處，漏磁場(chǎng)的水平分量Hx表示為[2]

(1)

與磁偶極子模型不同，漏磁信號(hào)是通過(guò)AMR探頭掃描含不同裂紋尺寸的16MnR鋼試件得到的. 實(shí)驗(yàn)中，每個(gè)裂紋的長(zhǎng)度均為10 mm，缺陷寬度、深度尺寸組合形式為(2b，h)i，單位為mm，其中，i為樣本編號(hào).

2.2 漏磁信號(hào)預(yù)處理

與磁偶極子模型得到的理想信號(hào)不同，漏磁檢測(cè)實(shí)驗(yàn)數(shù)據(jù)是由AMR探頭沿裂紋寬度方向以等空間間隔采集的[9]，信號(hào)含有較多的背景噪聲，在定量化分析之前，需要對(duì)信號(hào)進(jìn)行預(yù)處理. 漏磁信號(hào)預(yù)處理主要包括剔除信號(hào)奇異點(diǎn)，消除信號(hào)趨勢(shì)項(xiàng)以及濾波消噪3部分，結(jié)果如圖2所示.

由圖2可知，信號(hào)預(yù)處理對(duì)噪聲具有很強(qiáng)的抑制能力，不僅剔除了信號(hào)中的噪聲，而且保留了原始信號(hào)中的細(xì)節(jié).

2.3 特征量的提取

漏磁缺陷樣本庫(kù)如表1所示.

表1 漏磁缺陷樣本庫(kù)

漏磁信號(hào)的定量識(shí)別與其特征量密切相關(guān)，因此特征量提取是漏磁信號(hào)分析的一個(gè)關(guān)鍵環(huán)節(jié). 特征提取就是利用已有的特征參數(shù)構(gòu)造一個(gè)較低維數(shù)的特征空間，將原始特征中蘊(yùn)含的有用信息映射到少數(shù)幾個(gè)特征上，忽略多余的不相干信息.

在總結(jié)目前常見(jiàn)的漏磁信號(hào)特征量基礎(chǔ)上，并考慮到實(shí)驗(yàn)采集到的漏磁信號(hào)含有較多噪聲，定義漏磁信號(hào)的主要波形特征量如下：

① 漏磁信號(hào)波形的峰-峰值，記為X1對(duì)于漏磁場(chǎng)Hx，峰-峰值定義為局部異常信號(hào)的波峰與波谷幅值之差的絕對(duì)值，它是衡量裂紋深度的一個(gè)重要指標(biāo).

② 漏磁信號(hào)波形下面積，記為X2波形下面積是指一個(gè)波動(dòng)中曲線波動(dòng)的面積，在這里，單個(gè)缺陷的漏磁信號(hào)由峰、谷組成一個(gè)波動(dòng)，它反映信號(hào)的短時(shí)一階中心矩.

③ 漏磁信號(hào)波形的短時(shí)能量，記為X3短時(shí)能量通常指大約一個(gè)波動(dòng)內(nèi)的能量，它相當(dāng)于信號(hào)的短時(shí)二階原點(diǎn)矩，反映了在一定空間內(nèi)漏磁的能量，漏磁能量增大表明此時(shí)傳感器可能正處于被測(cè)試件的缺陷附件.

④ 漏磁信號(hào)波形的一次微分信號(hào)的峰-谷長(zhǎng)值，記為X4對(duì)漏磁信號(hào)進(jìn)行一次微分后，可以強(qiáng)化高頻部分，同時(shí)反映出信號(hào)的變化率. 由漏磁場(chǎng)產(chǎn)生機(jī)理可知，在裂紋邊界處漏磁信號(hào)會(huì)發(fā)生突變，故可用該特征量來(lái)衡量裂紋的寬度.

在定義了上述特征量之后，就可以利用磁偶極子模型(如式(1)所示)與檢測(cè)實(shí)驗(yàn)得到微裂紋缺陷表面的漏磁信號(hào)，并通過(guò)特征提取構(gòu)建漏磁檢測(cè)樣本庫(kù)，見(jiàn)表1.

3 漏磁檢測(cè)定量識(shí)別

3.1 GA-BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、隱含層和輸出層，其中隱含層可以是一層或多層，本文所建立的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為4-8-2，即輸入層有4個(gè)節(jié)點(diǎn)(對(duì)應(yīng)4個(gè)波形特征量X1～X4)，隱含層有8個(gè)節(jié)點(diǎn)，輸出層有2個(gè)節(jié)點(diǎn)(對(duì)應(yīng)裂紋寬度、深度)，如圖3所示. 隱含層和輸出層函數(shù)的選擇對(duì)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度有較大影響，本文中隱含層節(jié)點(diǎn)轉(zhuǎn)移函數(shù)選擇tansig函數(shù)，輸出層節(jié)點(diǎn)選擇purelin函數(shù). 遺傳算法(GA)由遺傳算法工具箱(GAOT)實(shí)現(xiàn).

3.2 結(jié)果分析與討論

為了檢驗(yàn)特征量與算法的可靠性和實(shí)用性，對(duì)表1中的25個(gè)缺陷模型樣本，選擇20個(gè)作為訓(xùn)練數(shù)據(jù)，其余5個(gè)作為測(cè)試數(shù)據(jù). 采用圖3中所示的GA-BP神經(jīng)網(wǎng)絡(luò)對(duì)理論計(jì)算數(shù)據(jù)與實(shí)驗(yàn)數(shù)據(jù)進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果如表2所示.

由表2可以看出，理論計(jì)算數(shù)據(jù)的預(yù)測(cè)結(jié)果均達(dá)到93%以上，其中，深度的預(yù)測(cè)結(jié)果誤差小于3%，寬度的預(yù)測(cè)誤差稍大，最大為6.86%. 由此可知，深度與寬度的預(yù)測(cè)結(jié)果誤差已達(dá)到0.01 mm級(jí)別的精度，對(duì)理論計(jì)算數(shù)據(jù)的預(yù)測(cè)結(jié)果是比較成功的.

表2 預(yù)測(cè)結(jié)果

然而，實(shí)驗(yàn)數(shù)據(jù)的預(yù)測(cè)結(jié)果誤差比理論計(jì)算數(shù)據(jù)預(yù)測(cè)結(jié)果誤差明顯偏大，最大為16.73%，這是由于在實(shí)際檢測(cè)過(guò)程中存在很多干擾噪聲的原因，但預(yù)測(cè)結(jié)果能夠基本反映缺陷的尺寸大小. 由實(shí)驗(yàn)數(shù)據(jù)的預(yù)測(cè)結(jié)果可知，GA-BP神經(jīng)網(wǎng)絡(luò)基本可以定量識(shí)別微裂紋缺陷的尺寸.

4 結(jié) 論

通過(guò)基于磁偶極子模型的理論計(jì)算與實(shí)驗(yàn)兩種方法構(gòu)建微裂紋缺陷樣本庫(kù)，并將GA-BP神經(jīng)網(wǎng)絡(luò)應(yīng)用到微裂紋漏磁檢測(cè)定量識(shí)別中. 結(jié)果表明：對(duì)理論計(jì)算數(shù)據(jù)，采用GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)深度與寬度的誤差較小，預(yù)測(cè)結(jié)果比較成功；對(duì)實(shí)驗(yàn)數(shù)據(jù)，采用GA-BP神經(jīng)網(wǎng)絡(luò)基本能夠定量識(shí)別人工預(yù)制微裂紋缺陷的尺寸，為自然裂紋的定量識(shí)別提供了一定基礎(chǔ).

[1] 黃松嶺.油氣管道缺陷漏磁內(nèi)檢測(cè)理論與應(yīng)用[M].北京：機(jī)械工業(yè)出版社，2013.

Huang Songling. The theory and application of magnetic flux leakage inspection on oil-gas pipe defects[M]. Beijng: China Machine Press， 2013. (in Chinese)

[2] 王長(zhǎng)龍，陳自立，馬曉琳，等. 漏磁檢測(cè)的缺陷可視化技術(shù)[M]. 北京：國(guó)防工業(yè)出版社，2014.

Wang Changlong， Chen Zili， Ma Xiaolin， et al. Visualization technology of detect in magnetic flux leakage testing[M]. Beijing: National Defense Industry Press， 2014. (in Chinese)

[3] Carvalhoa A A， Rebelloa J M A， Sagrilo L V S. MFL signals and artificial neural networks applied to detection and classification of pipe weld defects[J]. NDT&E International， 2006，39:661-667.

[4] Hwang K， Mandaym S， Udpa S S. Characterization of gas pipeline inspection signals using wavelet basis function neural networks[J]. NDT&E International， 2000，33:531-545.

[5] Ramuhalli P， Udpa L. Electromagnetic NDE signal inversion by function-approximation neural networks[J]. IEEE Transaction on Magnetics， 2002，38(6):3633-3641.

[6] Wang P， Xiong L H， Sun Y C， et al. Features extraction of sensor array based PMFL technology for detection of rail cracks[J]. Measurement， 2014，47:613-626.

[7] Zhang Y， Ye Z F， Wang C. A fast method for rectangular crack sizes reconstruction in magnetic flux leakage testing[J]. NDT&E International， 2009，42:369-375.

[8] Zhang Y X， Gao X D， Katayama S. Weld appearance prediction with BP neural network improved by genetic algorithm during disk laser welding[J]. J Manuf Syst， 2015，34:53-59.

[9] 于霞，張衛(wèi)民，邱勇，等.弱磁場(chǎng)激勵(lì)下基于陣列磁傳感器的缺陷檢測(cè)方法[J].北京理工大學(xué)學(xué)報(bào)，2014，34(5):460-463,469.

Yu Xia， Zhang Weimin， Qiu Yong， et al. Defect detection methods based on array magnetic sensor under weak magnetic field[J]. Transactions of Beijing Institute of Technology， 2014，34(5):460-463,469. (in Chinese)

(責(zé)任編輯：孫竹鳳)

Magnetic Flux Leakage Quantitative Identification of Micro Crack Based on GA-BP Neural Network

QIU Zhong-chao1， ZHANG Wei-min1， ZHANG Rui-lei2， YU Xia3， CHEN Guo-long1

(1.School of Mechanical Engineering， Beijing Institute of Technology， Beijing 100081， China; 2.Advanced Manufacture Technology Center， China Academy of Machinery Science&Technology， Beijing 100083， China；3.Hebei Aerospace Environmental Engineering Co.， Ltd， Chengde， Hebei 067000， China; 4.Navigation and Control Technology Research Institute， China North Industries Group Corporation， Beijing 100089， China)

As the fact that the crack sizes identified based on magnetic flux leakage are larger than 1 mm generally, which are far different from the natural cracks in macro-crack check area. An algorithm with GA-BP neural network was investigated to detect quantificationally the rectangular micro-cracks with less than 0.50 mm width and depth. And a database was developed for micro crack defects among 0.10～0.30 mm based on theoretic calculation of the magnetic dipole model and experiment of magnetic flux leakage. Results show that, due to the noises interference existing in the actual detection process, the prediction error of the experimental data is larger than that of the theoretical data, and the maximum can reach 16.73%, but the prediction results can basically reflect the size of the micro cracks.

magnetic flux leakage; genetic algorithm(GA); back propagation(BP); neural network; micro crack; quantitative identification

2015-04-22

國(guó)家自然科學(xué)基金資助項(xiàng)目(51275048)

邱忠超(1987—)，男，博士生，E-mail：448347664@163.com.

張衛(wèi)民(1964—)，男，教授，博士生導(dǎo)師，E-mail:Zhangwm@bit.edu.cn.

TG 115.28

A

1001-0645(2016)11-1101-05

10.15918/j.tbit1001-0645.2016.11.001