一種多傳感器云融合技術(shù)的亞面表缺陷深度檢測算法研究*

劉半藤,陳友榮,楊海波,王章權(quán)

(1.浙江樹人大學(xué)信息工程學(xué)院,杭州 310015;2.浙江大學(xué)控制工程學(xué)院,杭州 310058)

一種多傳感器云融合技術(shù)的亞面表缺陷深度檢測算法研究*

劉半藤1,2*,陳友榮1,楊海波1,王章權(quán)1

(1.浙江樹人大學(xué)信息工程學(xué)院,杭州 310015;2.浙江大學(xué)控制工程學(xué)院,杭州 310058)

針對未知深度的亞表面缺陷檢測,各種傳感器產(chǎn)生的特征信息難以直接應(yīng)用的難題,提出了一種多傳感器云融合技術(shù)的亞表面缺陷深度檢測算法。首先,本文簡要介紹渦流檢測與超聲檢測兩種經(jīng)典無損檢測模式;然后,在已知缺陷深度的樣本集上建立云滴數(shù)學(xué)模型獲取單一測量模式下缺陷深度的隸屬度分布函數(shù);最后,提出了一種D-S+PCR信息融合算法將不同傳感器獲取的隸屬度分布轉(zhuǎn)化為概率分布進行數(shù)據(jù)融合,以高斯擬合的方式實現(xiàn)亞表面缺陷深度的檢測估計。實驗結(jié)果顯示:對比傳統(tǒng)Bayes變換的D-S證據(jù)融合檢測技術(shù)與單傳感檢測技術(shù),本文提出的檢測算法對亞表面缺陷深度檢測具有較高的識別準確率。

亞表面缺陷;無損檢測;云滴模型;D-S證據(jù);PCR融合

大型構(gòu)件導(dǎo)電結(jié)構(gòu)件的亞表面缺陷(諸如扣件或搭接部位下的疲勞裂紋、應(yīng)力腐蝕等弊病)的定量化無損檢測,一直是航空航天、軌道交通、加工制造等重要領(lǐng)域需要研究解決的一類課題[1]。作為檢測技術(shù)的一個重要組成部分,無損檢測是指在不損傷檢測對象的條件下,對檢測對象自身的物理或結(jié)構(gòu)特性進行檢測、探傷和評估等一系列環(huán)節(jié)的綜合性過程[2-3]。其對于控制和改進產(chǎn)品質(zhì)量以及保證材料、零件、產(chǎn)品和設(shè)備的可靠性起著關(guān)鍵的作用,是現(xiàn)代工業(yè)生產(chǎn)不可分割的重要組成部分。

近年來,隨著航空航天、交通、核電等重要行業(yè)的迅速發(fā)展,亞表面缺陷檢測已然成為行業(yè)亟需解決的重要問題。無損檢測作為一種安全性高、完整性強的技術(shù),也成為國內(nèi)外專業(yè)學(xué)者研究的熱點領(lǐng)域[4-7]。文獻[4]中作者結(jié)合渦流效應(yīng)與法拉第光電效應(yīng)提出了磁光成像傳感器檢測亞表面缺陷形狀的方法,該方法具有快速、實時、大面積和可視化等優(yōu)勢。文獻[5]中作者研究了基于水浸超聲傳感器的曲面構(gòu)件缺陷檢測定量方法,并對凹、凸兩種曲面內(nèi)的缺陷回波進行有效性驗證,該方法克服了傳統(tǒng)檢測方法成本高以及適用性較差等問題。文獻[6]中作者提出了一種步驟簡單、實用性強、效率高的無損探傷方法,在高速動車組列車車體運用滲透法檢測焊接缺陷。文獻[7]中作者研究了脈沖渦流傳感器進行亞表面缺陷檢測,并利用有限元分析方法驗證該技術(shù)的有效性。該技術(shù)可以同時檢測部件中不同深度的缺陷,獲得更多的缺陷信息。

由于單一傳感器檢測具有各自的特點和有限的適用范圍,無法全面地檢測各類亞表面缺陷。因此,多傳感器復(fù)合無損檢測技術(shù)應(yīng)運而生。基于多傳感器復(fù)合無損檢測的技術(shù)主要涉及信號處理分析、數(shù)值建模、數(shù)據(jù)融合以及反演分析等學(xué)科領(lǐng)域,屬于新型檢測技術(shù)的研究范疇[8-9]。多傳感器復(fù)合無損檢測理論與技術(shù)的基礎(chǔ)研究與集成應(yīng)用已成為美國、英國、俄羅斯等國家無損檢測研究領(lǐng)域的一個重要研究方向。在國內(nèi),隨著重點航空飛行器的研制和航空產(chǎn)品進入批量制造階段、軌道交通、核電事業(yè)的蓬勃發(fā)展,重大裝備快速可靠復(fù)合式無損檢測需求日益迫切。

針對亞表面缺陷深度的檢測,不同傳感器產(chǎn)生的各種特征信息難以直接應(yīng)用的難題,本文提出了一種基于多傳感器云融合技術(shù)的亞表面缺陷深度檢測算法。多傳感器融合技術(shù)起源于20世紀70年代,被廣泛地應(yīng)用于各種智能平臺以及許多民事領(lǐng)域。多傳感器信息融合實際上是對人腦綜合處理復(fù)雜問題的一種功能模擬。與單一傳感器檢測相比,運用多傳感器信息融合技術(shù)在解決探測、跟蹤和目標識別等問題方面,能夠增強系統(tǒng)生存能力,提高整個系統(tǒng)的可靠性和健壯性。作為多傳感器融合的研究熱點之一,國內(nèi)外專家已經(jīng)進行了大量的研究,提出了許多信息融合技術(shù)[10-11]。目前,多傳感器數(shù)據(jù)融合的不同層次對應(yīng)不同的算法,包括加權(quán)平均融合、卡爾曼濾波法、Bayes估計、統(tǒng)計決策理論、概率論方法、模糊邏輯推理、人工神經(jīng)網(wǎng)絡(luò)、D-S證據(jù)理論等。文獻[10]中作者提出了利用各數(shù)據(jù)源有效像元所占的比例來確定其對應(yīng)權(quán)值的加權(quán)平均融合算法,降低數(shù)據(jù)源噪聲,提高數(shù)據(jù)空間覆蓋率與置信度。文獻[11]中作者提出了多傳感器卡爾曼濾波融合算法,具有較高的濾波精度,且能夠成功消除測量系統(tǒng)誤差。文獻[12]中作者在D-S證據(jù)理論的基礎(chǔ)上提出了電子電路故障定位的多傳感器融合算法,說明多傳感器融合計算方法的優(yōu)越性。文獻[13]中作者利用數(shù)據(jù)融合原理,將神經(jīng)網(wǎng)絡(luò)和證據(jù)理論進行有機融合,提出了多神經(jīng)網(wǎng)絡(luò)與證據(jù)理論融合的變壓器故障綜合診斷方法。

但是,傳統(tǒng)數(shù)據(jù)融合方法無法處理大量實驗數(shù)據(jù)產(chǎn)生的模糊隸屬度函數(shù),且為了提高傳統(tǒng)數(shù)據(jù)融合方法的計算精度,本文提出了一種多傳感器云融合技術(shù)的亞表面缺陷深度檢測算法,克服單一傳感器檢測的局限性。對于渦流檢測與超聲檢測兩類傳感器提取的特征信息,引用云滴數(shù)學(xué)模型獲取各種傳感器測量下各類缺陷的隸屬度分布,并在此基礎(chǔ)上提出了一種D-S+PCR信息融合算法對不同傳感器獲取的信息進行融合,以實現(xiàn)檢測亞表面缺陷深度的目的。

1 基于云滴的隸屬度計算模型

通過文獻分析[4-13],發(fā)現(xiàn)超聲傳感器檢測與渦流傳感器檢測是無損檢測的兩種典型方法。本文利用此兩種傳感器對亞表面缺陷深度進行檢測。相比傳統(tǒng)的擬合方法和Bayes變換方法來獲取BPA分布,云滴模型汲取了自然語言的優(yōu)點,能在數(shù)據(jù)挖掘中兼顧隨機性和模糊性,合理構(gòu)建其定性概念與定量表示之間的相互映射關(guān)系,在本文通過將單個傳感器獲得的數(shù)據(jù)轉(zhuǎn)化為各類缺陷深度的隸屬度分布,進一步求取更準確獲得量化BPA;并且云滴模型可以降低實驗樣本的需求,適合于構(gòu)建小樣本檢測模型。

首先,本文簡要地介紹云滴數(shù)學(xué)模型的一些基本概念。一維正態(tài)云滴模型可以用期望E,熵En,超熵He 3個數(shù)字特征來反映。設(shè)U是一個用精確數(shù)值表示的一維定量論域,T是論域U上的定性概念,x是定義于U上的隨機變量X的一次實現(xiàn)。若x滿足:x～N(Ex,En′2),En′～N(En,He2),且x對T的隸屬度是有穩(wěn)定傾向的隨機變量,x在論域U上的分布就叫做一維正態(tài)云,其中每一個x稱為一個云滴。隸屬度分布函數(shù)如下所示:

(1)

以矩形缺陷為例,本文采用多頻電渦流檢測試驗系統(tǒng)測量缺陷的幅度信息,超聲波檢測系統(tǒng)測量缺陷的回波時間信息。為獲得不同亞表面缺陷深度的期望、熵、超熵,對已知深度為1 mm～4.5 mm的亞表面缺陷每隔0.5 mm各采樣100組數(shù)據(jù),獲得幅度數(shù)據(jù)為W=(wij)100×8,回波時間數(shù)據(jù)為C=(cij)100×8。通過樣本數(shù)據(jù),利用一階絕對中心矩理論可以對云滴模型的期望E、熵En、超熵He進行參數(shù)估計。估計方法如下:

(2)

(3)

2 D-S+PCR多傳感融合模型

獲得未知深度的待檢驗亞表面缺陷樣本t的各類隸屬度后,需將渦流傳感器與超聲傳感器的數(shù)據(jù)進行融合。20世紀60年代美國哈佛大學(xué)數(shù)學(xué)家Dempster在利用上、下限概率解決多值映射問題時,提出了著名的D-S證據(jù)理論以及對應(yīng)的數(shù)據(jù)融合方法[14]。

(4)

引入PCR理論[15-17]對經(jīng)典D-S正交融合進行改進,得到新的融合規(guī)則如下所示:

(5)

(6)

通過式(6)可以計算得到待檢測樣本t屬于第i類深度的概率ni(t)。綜上所示,基于多傳感器云融合技術(shù)的亞表面缺陷深度檢測算法過程如圖1所示。

圖1 基于多傳感器云融合技術(shù)的亞表面缺陷深度檢測算法流程圖

由于待檢驗樣本的缺陷深度未知,且并不一定嚴格屬于上述的八類缺陷深度。因此,獲得待檢測樣本t屬于第i類缺陷深度的概率ni(t)后,并非采用最大概率對缺陷深度進行定量化估計,而是將概率分布(di,ni(t))進行高斯函數(shù)擬合。其中,di表示第i類缺陷深度的數(shù)值。擬合方程中的期望即為樣本t的缺陷深度檢測估計。高斯擬合方程式如下所示:

d=a×e[-(n-b)/c]2

(7)

式中:a、b、c表示待擬合的參量。

3 仿真實驗

本文設(shè)計實驗對比經(jīng)典Bayes變換的D-S融合檢測算法、單傳感器檢測算法與多傳感器云融合技術(shù)的檢測算法,分別檢測不同深度的亞表面缺陷來驗證本文算法的有效性。本文設(shè)計的渦流檢測系統(tǒng)與超聲檢測系統(tǒng)如圖2所示。

圖2 渦流檢測系統(tǒng)

圖3 超聲波檢測儀

渦流檢測設(shè)備由探頭、激勵信號產(chǎn)生電路、檢測信號調(diào)理電路、數(shù)據(jù)采集卡、計算機以及兩軸運動平臺組成。其中探頭分為檢測探頭和參考探頭,探頭同時包含了激勵線圈和檢測線圈,檢測探頭置于試件之上,參考探頭一般置于參考試件上或簡單懸空,本設(shè)計中將參考探頭懸空,檢測探頭信號和參考探頭信號進行差分得到有用信號;激勵信號產(chǎn)生電路用來產(chǎn)生不同頻率的電渦流激勵信號;檢測信號調(diào)理電路用于對探頭的輸出信號進行硬件處理,通常包括濾波、放大和檢波等電路環(huán)節(jié);信號調(diào)理單元的輸出信號由NI的數(shù)據(jù)采集卡進行A/D轉(zhuǎn)換并采集到計算機中,用Labview軟件在計算機中編寫相應(yīng)上位機程序,對采集信號進一步進行軟件濾波,去噪等信號預(yù)處理,通過上位機可以控制激勵信號產(chǎn)生電路產(chǎn)生不同頻率的電渦流激勵信號和運動平臺根據(jù)需求拖動試件;運動平臺采用固高公司的兩軸伺服機構(gòu)。

實驗時試件在運動平臺的拖動下移動,檢測探頭掛在被測試件上方,試件拖動的速度為0.02 m/s,由于運動平臺的抖動性,使得探頭的提離在0.1 mm～0.5 mm之間隨機變化,渦流信號的激勵頻率采用250 Hz,每種試件在不同提離的條件下各掃描100次。

本文設(shè)計導(dǎo)電結(jié)構(gòu)體背面缺陷的檢測實驗,被測缺陷深度存在較小的區(qū)別,旨在通過實驗檢測和數(shù)據(jù)分析,對缺陷深度做出定量化估計。實驗采用超聲檢測設(shè)備是上材電磁的UTA-3062E型雙通道超聲檢測儀,主要由超聲檢測探頭、內(nèi)置的數(shù)據(jù)采集卡以及工控機組成。

實驗采用食用油作為耦合劑,使超聲波探頭和被測試件緊密黏合,將超聲波探頭移動至試件背面有缺陷的位置處(提前標出),觀察在上位機上顯示的超聲波波形,待波形穩(wěn)定后,存儲超對應(yīng)的波形數(shù)據(jù),如此反復(fù)測試。

為此,對已知深度為1 mm～4.5 mm的亞表面缺陷每隔0.5 mm分別采用渦流傳感器與超聲傳感器各采樣100組數(shù)據(jù),估算云滴模型的期望、熵、超熵,如表1和表2所示。

表1 渦流傳感器采集幅度數(shù)據(jù)的云滴模型數(shù)字特征

表2 超聲傳感器采集回波時間數(shù)據(jù)的云滴模型數(shù)字特征

通過參數(shù)繪制了4.5 mm、4 mm以及3.5 mm三類深度缺陷的渦流傳感器隸屬度函數(shù)曲線與超聲傳感器隸屬度函數(shù)曲線,如圖4和圖5所示。

圖4 渦流傳感器獲得的幅值隸屬度曲線

圖5 超聲傳感器獲得的回波時間隸屬度曲線

從圖4和圖5中可以看出:每類缺陷深度隸屬度曲線都呈現(xiàn)清晰的高斯分布特性;且不同的缺陷深度隸屬度函數(shù)有重疊區(qū)域,說明采用單一的測量方法易出現(xiàn)誤判現(xiàn)象。

通過表1和表2獲得的數(shù)字特征建立的云滴數(shù)學(xué)模型,對未知深度的20個缺陷樣本進行檢測,計算缺陷深度估計值與真實值的誤差。運用式(4)～式(7),計算出此20個樣本的缺陷深度估計值。對比經(jīng)典Bayes變換的D-S融合檢測算法與多傳感器云融合技術(shù)的檢測算法,20個未知深度的缺陷樣本檢測誤差如圖6所示。對比多傳感器云融合技術(shù)的檢測算法與超聲檢測、渦流檢測等單一傳感器檢測算法,20個未知深度的缺陷樣本檢測誤差如圖7所示。

圖6 兩種融合算法檢測誤差對比圖

實驗結(jié)果顯示:對比傳統(tǒng)Bayes變換下的D-S證據(jù)融合檢測技術(shù)與單傳感器檢測技術(shù),本文提出多傳感云融合技術(shù)的檢測算法具有較高的識別準確率。

圖7 多傳感融合算法與單傳感器檢測算法誤差對比圖

4 結(jié)束語

為檢測亞表面缺陷的深度,本文提出了一種多傳感器云融合技術(shù)的檢測算法。通過超聲傳感器與渦流傳感器兩種方法檢測亞表面缺陷的深度,提取回波時間信息與幅度信息。在已知缺陷深度的樣本集中,引入云滴模型估算數(shù)字特征,獲取待檢測樣本單一測量模式下缺陷深度的隸屬度分布函數(shù)。在此基礎(chǔ)上,提出了一種D-S+PCR信息融合算法將不同傳感器獲取的隸屬度分布轉(zhuǎn)化為概率分布進行數(shù)據(jù)融合,以實現(xiàn)亞表面缺陷深度檢測的目的。

[1] Wang Quanlong,Bai Qingshun,Chen Jiaxuan,et al. Subsurface Defects Structural Evolution in Nano-Cutting of Single Crystal Copper[J]. Applied Surface Science,2015,344:38-46.

[2] Arjun V,Sasi B,Purna Chandra Rao B,et al. Optimisation of Pulsed Eddy Current Probe for Detection of Sub-Surface Defects in Stainless Steel Plates[J]. Sensors and Actuators A:Physical,2015,226:69-75.

[3] Grys S,Vokorokos L,Borowik L. Size Determination of Subsurface Defect by Active Thermography-Simulation Research[J]. Infrared Physics and Technology,2014,62:147-153.

[4] 熊新. 鐵磁材料表面缺陷的磁光成像檢測方法研究[D]. 成都:電子科技大學(xué),2014.

[5] 胡宏偉,彭凌興,周正干,等. 曲面構(gòu)件水浸超聲檢測缺陷定量研究[J]. 航空學(xué)報,2014,35(11):3166-3173.

[6] 褚宏宇,于玉杰. 滲透檢測在鋁合金車體中的實際應(yīng)用[J]. 焊接,2015(1):61-63.

[7] 李巖松. 脈沖渦流檢測頻域特征提取與缺陷表征研究[D]. 廈門:廈門大學(xué),2014.

[8] 司學(xué)慧,李小兵,張彥,等. 基于平方根UKF的多傳感器融合再入段目標跟蹤研究[J]. 系統(tǒng)工程與電子技術(shù),2012,34(2):303-306.

[9] 郭忠文,王璽,胡乃軍,等. 一種多傳感器融合事件識別算法[J]. 中國海洋大學(xué)學(xué)報(自然科學(xué)版),2014,44(10):155-160.

[10] 陳蕓芝,汪小欽.基于自適應(yīng)加權(quán)平均的水色遙感數(shù)據(jù)融合[J]. 遙感技術(shù)與應(yīng)用,2012,27(3):333-338.

[11] 馬麗麗,張曼,陳金廣. 多傳感器集中式增量卡爾曼濾波融合算法[J]. 計算機工程與應(yīng)用,2014(11):229-232.

[12] 朱大奇. 基于D-S證據(jù)理論的數(shù)據(jù)融合算法及其在電路故障診斷中的應(yīng)用[J]. 電子學(xué)報,2002,30(2):153-155.

[13] 廖瑞金,廖玉祥,楊麗君,等. 多神經(jīng)網(wǎng)絡(luò)與證據(jù)理論融合的變壓器故障綜合診斷方法研究[J]. 中國電機工程學(xué)報,2006,26(3):119-124.

[14] Si Lei,Wang Zhongbin,Tan Chao,et al. A Novel Approach for Coal Seam Terrain Prediction Through Information Fusion of Improved D-S Evidence Theory and Neural Network[J]. Measurement,2014,54:140-151.

[15] Li Bo,Pang Fuwen. An Approach of Vessel Collision Risk Assessment Based on the D-S Evidence Theory[J]. Ocean Engineering,2013,74:16-21.

[16] Guo Kaihong,Li Wenli. Combination Rule of D-S Evidence Theory Based on the Strategy of Cross Merging Between Evidences[J]. Expert Systems with Applications,2011,38:13360-13366.

[17] Dong Qianjin,Liu Xia. Risk Assessment of Water Security in Haihe River Basin during Drought Periods Based on D-S Evidence Theory[J]. Water Science and Engineering,2014,7:119-132.

ResearchonMulti-SensorsRecognitionAlgorithmBasedonCloudFusionTechnologyforSubsurfaceDefectDepth*

LIUBanteng1,2*,CHENYourong1,YANGHaibo1,WANGZhangquan1

(1.College of Information engineering,Zhejiang Shuren University,Hangzhou 310015,China;2.College of Mechanical Engineering,Zhejiang University,Hangzhou 310058,China)

In consideration of the difficulty of directly using the multi-sensor detecting features information for the defect identification. The paper proposes an improved multi-sensors recognition algorithm based on cloud-fusion technology for subsurface defect depth evaluation. At first,two common nondestructive testing technologies such as ultrasonic testing(UT),eddy current testing(ECT)are introduced;at second the cloud model to calculate the probability distribution of single detecting method is carried out;then a fusion algorithm based on D-S and PCR theory is improved and used to fuse the probability from transformation the membership of multi-sensors,at last Gaussian fitting method is taken to evaluate the subsurface defects depth. The experimental result shows that the improved algorithm is superior to the existing algorithm;it can achieve better synthesis results and improve the correct target recognition rate.

subsurface defects;nondestructive testing;cloud model;D-S fusion;PCR fusion

10.3969/j.issn.1004-1699.2017.12.020

項目來源:浙江省公益性技術(shù)應(yīng)用研究項目(2016C33038);浙江省科技廳重大科技專項項目(2015C01033);浙江樹人大學(xué)中青年學(xué)術(shù)團隊項目;浙江省基礎(chǔ)公益研究項目(LGF18F010005)

2017-03-26修改日期2017-08-17

TP393

A

1004-1699(2017)12-1900-06

劉半藤(1984-),男,浙江余姚人,浙江大學(xué)控制科學(xué)與工程博士,浙江樹人大學(xué)信息科技學(xué)院,主要從事無損檢測技術(shù)、異源數(shù)據(jù)融合技術(shù)方面的研究。