窄搭接焊縫渦流信號(hào)的特征提取與缺陷識(shí)別

葛 亮 苗 瑞 葛秋原 吳易洲

上海交通大學(xué)機(jī)械與動(dòng)力工程學(xué)院，上海,200240

0 引言

窄搭接電阻焊是將工件組合后通過(guò)上下電極通電并施加壓力，利用電流通過(guò)連接面及周?chē)a(chǎn)生的電阻熱進(jìn)行焊接的方法，是安全、高效的環(huán)保型焊接方法[1]。焊接工序作為熱鍍鋅生產(chǎn)線(xiàn)的頭道工序，焊縫質(zhì)量對(duì)后續(xù)生產(chǎn)至關(guān)重要，若不及時(shí)檢測(cè)，可能會(huì)導(dǎo)致嚴(yán)重的事故。目前檢測(cè)焊縫質(zhì)量的方法主要是抽樣人工檢視和線(xiàn)下杯凸試驗(yàn)，但是這兩種方法主觀(guān)性強(qiáng)，且需要停機(jī)取樣，難以適應(yīng)企業(yè)智能化生產(chǎn)。

渦流檢測(cè)是以電磁感應(yīng)原理為基礎(chǔ)的一種無(wú)損檢測(cè)方法，目前廣泛應(yīng)用于導(dǎo)電材料的質(zhì)量檢測(cè)。傳統(tǒng)渦流檢測(cè)僅通過(guò)分析渦流信號(hào)的阻抗來(lái)判斷焊縫是否存在缺陷[2]，超過(guò)設(shè)定閾值就判斷為缺陷，并不能識(shí)別缺陷的類(lèi)別。而窄搭接焊形成的帶鋼焊縫缺陷主要有裂紋、夾渣、氣孔等，不同缺陷的形成原因不盡相同，對(duì)焊縫質(zhì)量的影響也不一樣，僅通過(guò)阻抗分析法無(wú)法有效評(píng)估焊機(jī)檢測(cè)參數(shù)對(duì)焊縫質(zhì)量的實(shí)際影響，不利于從根本上改進(jìn)生產(chǎn)，提高焊縫質(zhì)量。

渦流檢測(cè)信號(hào)是一種非平穩(wěn)的時(shí)頻信號(hào)，包含豐富的時(shí)域和頻域信息。不同缺陷類(lèi)型的渦流信號(hào)具有明顯的區(qū)別，基于渦流信號(hào)對(duì)缺陷的定量檢測(cè)和分類(lèi)識(shí)別關(guān)鍵在于對(duì)渦流信號(hào)特征的提取及分類(lèi)算法的選擇[3-4]。文獻(xiàn)[5]通過(guò)計(jì)算渦流時(shí)域信號(hào)的峰值、過(guò)零時(shí)間、上升時(shí)間等特征量實(shí)現(xiàn)了對(duì)缺陷的定量檢測(cè)與分類(lèi)識(shí)別。文獻(xiàn)[6]對(duì)脈沖渦流缺陷信號(hào)進(jìn)行了頻域特征提取，提出根據(jù)基頻分量的頻譜幅值檢測(cè)深層缺陷的方法。文獻(xiàn)[7]將主成分分析(principle component analysis, PCA)及支持向量機(jī)(support vector machine, SVM)技術(shù)運(yùn)用到焊縫質(zhì)量診斷上，得到了較高的缺陷識(shí)別準(zhǔn)確率。渦流檢測(cè)信號(hào)是非常復(fù)雜的時(shí)序信號(hào)，上述文獻(xiàn)中用來(lái)提取渦流檢測(cè)信號(hào)特征的方法比較片面，所提取的特征較少，并不能全面反映渦流檢測(cè)信號(hào)的信息。

本文提出基于經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition, EMD)提取焊縫渦流檢測(cè)信號(hào)特征參數(shù)的方法，然后結(jié)合主成分分析法提取出焊縫特征中最有用的成分和結(jié)構(gòu)，最后利用支持向量機(jī)技術(shù)實(shí)現(xiàn)對(duì)不同焊縫缺陷的識(shí)別，并進(jìn)行了實(shí)例驗(yàn)證。

1 基于EMD的焊縫特征提取

經(jīng)驗(yàn)?zāi)B(tài)分解是HUANG等[8]提出的一種適用于分析非線(xiàn)性、非平穩(wěn)信號(hào)的時(shí)頻分析方法，能將復(fù)雜信號(hào)分解成若干個(gè)固有模態(tài)函數(shù)(intrinsic mode function, IMF)和一個(gè)余項(xiàng)。

對(duì)于一時(shí)間序列信號(hào)x(t)，首先確定出信號(hào)所有的局部極大值和局部極小值，然后利用三次樣條插值法對(duì)極值點(diǎn)進(jìn)行處理得到極大值和極小值包絡(luò)，并求出包絡(luò)均值曲線(xiàn)m(t)，令

h1(t)=x(t)-m(t)

(1)

將h1(t)作為新的信號(hào)重復(fù)k次上述步驟得到h1k(t)，此時(shí)標(biāo)準(zhǔn)差SD為

(2)

式中，T為信號(hào)時(shí)長(zhǎng)。

若SD≤0.3，令h1k(t)=c1(t)為所求的第一個(gè)IMF，則剩余分量r1(t)=x(t)-c1(t)。對(duì)r1(t)繼續(xù)重復(fù)上述步驟，直至rm(t)為單調(diào)函數(shù)，此時(shí)信號(hào)x(t)可表示為

(3)

其中，ci(t)為第i個(gè)IMF分量的表達(dá)式；m表示x(t)一共被分解成m個(gè)IMF分量。IMF各分量包含了信號(hào)從高到低不同頻段的成分，充分體現(xiàn)了原始信號(hào)的特征。

1.1 主IMF分量的選取

本文共采集400例窄搭接焊縫的渦流檢測(cè)信號(hào)樣本,對(duì)采集到的信號(hào)經(jīng)過(guò)預(yù)處理之后進(jìn)行EMD分解，得到IMF分量。其中一例具有裂紋缺陷的焊縫，其分解結(jié)果如圖1所示。

圖1 焊縫渦流信號(hào)EMD分解Fig.1 EMD decomposition of weld eddy current signal

原始渦流信號(hào)經(jīng)EMD分解后，最主要的信息往往集中在前幾個(gè)IMF分量上。由圖1可以看出，裂紋缺陷的渦流信號(hào)經(jīng)EMD分解后前4個(gè)IMF分量包含了主要的高頻信息，剩余分量包含了低頻信息。由于定性觀(guān)察存在不確定性，本文采用互相關(guān)系數(shù)準(zhǔn)則對(duì)IMF分量進(jìn)行定量篩選，即計(jì)算每階IMF分量與原始信號(hào)x(t)之間的互相關(guān)系數(shù)，選擇系數(shù)較大的IMF分量作為主IMF分量。計(jì)算得到所有焊縫樣本中正常焊縫和3類(lèi)有缺陷的渦流信號(hào)的互相關(guān)系數(shù)平均值如表1所示。由表1可以看出，前4階IMF分量的互相關(guān)系數(shù)均大于0.1，而其他高階的IMF分量的互相關(guān)系數(shù)均非常小，互相關(guān)系數(shù)的值越大，表明包含的信息越多，因此選擇c1(t)～c4(t)作為焊縫渦流信號(hào)的主IMF分量，特征選取時(shí)只需要在這4個(gè)主分量中選取。

表1 各IMF分量與原始信號(hào)之間的互相關(guān)系數(shù)

1.2 特征參數(shù)的選取

一般來(lái)說(shuō)，當(dāng)焊縫出現(xiàn)缺陷時(shí)，其渦流信號(hào)就會(huì)發(fā)生變化，主要體現(xiàn)為信號(hào)的波形異常。

缺陷類(lèi)型與其特征參數(shù)之間的對(duì)應(yīng)關(guān)系可表示為

F=f(a1,a2,…,an)

其中，F(xiàn)為某種缺陷類(lèi)型，a1,a2,…,an為其對(duì)應(yīng)的n個(gè)特征參數(shù)。缺陷的判斷就是要確定F和a1,a2,…,an之間的對(duì)應(yīng)關(guān)系f，以便通過(guò)a1,a2,…,an來(lái)判斷缺陷類(lèi)型F。特征參數(shù)越全面，判斷的準(zhǔn)確率越高。

對(duì)于渦流信號(hào)，信號(hào)的特征一般包括時(shí)域特征和頻域特征。一般來(lái)說(shuō)，時(shí)域特征僅能判斷是否存在缺陷，頻域特征才能進(jìn)一步確定缺陷的種類(lèi)。為充分反映渦流信號(hào)的特征情況，本文渦流信號(hào)的特性根據(jù)前人的研究[9]選取8個(gè)時(shí)域特征參數(shù)，分別為：均值、方差、均方差、極大值、極小值、偏態(tài)系數(shù)、峰態(tài)系數(shù)、過(guò)零點(diǎn)個(gè)數(shù)；再選取4個(gè)頻域特征參數(shù)：中心頻率、均方根頻率、頻率標(biāo)準(zhǔn)差、能量。各種特征參數(shù)定義及計(jì)算方法見(jiàn)文獻(xiàn)[10]。

在確定焊縫渦流信號(hào)的主IMF分量c1(t)～c4(t)后，對(duì)每條信號(hào)的IMF分量分別提取上述12維的時(shí)頻特征參數(shù)，那么每條焊縫的渦流信號(hào)就有48個(gè)特征值。

2 基于PCA的特征參數(shù)降維

如果直接采用48維信號(hào)特征對(duì)焊縫缺陷進(jìn)行分類(lèi)預(yù)測(cè)，難免存在信息冗余及維數(shù)過(guò)高的問(wèn)題，也會(huì)因計(jì)算量過(guò)大而導(dǎo)致耗時(shí)較長(zhǎng)，增加構(gòu)建分類(lèi)器的難度，因此采用PCA方法對(duì)特征向量進(jìn)行降維和優(yōu)化處理。

PCA能夠在盡可能好地代表原始數(shù)據(jù)的前提下，通過(guò)線(xiàn)性變換把高維空間中的樣本數(shù)據(jù)投影到低維空間中[11]，采用綜合指標(biāo)相互獨(dú)立地表示某一焊縫的信號(hào)特征，以達(dá)到降維的目的，從而改善樣本的有效性，提高識(shí)別的準(zhǔn)確率。

對(duì)于400例焊縫樣本，每個(gè)樣本有48個(gè)特征值，構(gòu)成了400×48原始數(shù)據(jù)矩陣X，為消除原變量量綱不同和數(shù)值差異過(guò)大帶來(lái)的影響，首先對(duì)原特征量做標(biāo)準(zhǔn)化處理：

(4)

式中，Xj為某一特征參數(shù)的第j個(gè)樣本值。

然后計(jì)算新矩陣A的協(xié)方差矩陣C,并計(jì)算出協(xié)方差矩陣C的特征值λ和特征向量u：

Cu=λu

(5)

主元個(gè)數(shù)的確定一般采用主元累計(jì)貢獻(xiàn)率CPV法，即將求出的特征值從大到小排列，通過(guò)計(jì)算前k個(gè)主元的累計(jì)貢獻(xiàn)率η(k)來(lái)確定主元個(gè)數(shù)：

(6)

其中，λl表示第l個(gè)特征值；h表示共有h個(gè)特征值。實(shí)際應(yīng)用中累計(jì)主元貢獻(xiàn)率KCPV的值大于85%就可以用前k個(gè)主元表示原始特征信息。

將窄搭接焊縫樣本的48個(gè)特征參數(shù)進(jìn)行PCA變換后，按照主次順序依次排列，得到的各主成分貢獻(xiàn)率見(jiàn)圖2。由圖2可以看出，渦流信號(hào)前8個(gè)主成分的累計(jì)貢獻(xiàn)率達(dá)到95%以上，表明主成分1～8包含的特征信息完全可以解釋原有的48個(gè)特征所反映的焊縫渦流信號(hào)的時(shí)頻域信息，大大降低了分析的維數(shù)。因此將經(jīng)過(guò)PCA降維之后的8個(gè)主元特征作為后續(xù)焊縫缺陷分類(lèi)的特征向量，組成最終的400×8的數(shù)據(jù)矩陣T。

圖2 主元貢獻(xiàn)率Fig.2 Contribution rate of principal component

3 基于SVM的缺陷識(shí)別

SVM的基本思想是把學(xué)習(xí)樣本從輸入空間映射到一個(gè)高維特征空間，然后在此空間中構(gòu)造最優(yōu)分類(lèi)超平面，實(shí)現(xiàn)缺陷識(shí)別。

對(duì)于焊縫渦流信號(hào)的訓(xùn)練樣本集T=(x1,y1),(x2,y2),…，(xm,ym),x∈Rn,yi∈-1,+1，尋找最優(yōu)分類(lèi)超平面可以轉(zhuǎn)換為如下優(yōu)化問(wèn)題：

(7)

(8)

SVM通過(guò)不同核函數(shù)將輸入樣本非線(xiàn)性變換到不同的高維特征空間，選擇不同的核函數(shù)可構(gòu)建不同的SVM分類(lèi)器。常用的核函數(shù)有線(xiàn)性核、多項(xiàng)式核和徑向基核(RBF)。應(yīng)用SVM對(duì)窄搭接焊縫缺陷分類(lèi)的算法流程見(jiàn)圖3。

圖3 焊縫缺陷識(shí)別流程圖Fig.3 Flow chart of weld defect recognition

4 實(shí)例驗(yàn)證與分析

為了驗(yàn)證提出算法的有效性，將經(jīng)過(guò)EMD分解和PCA降維之后的400例焊縫渦流信號(hào)數(shù)據(jù)集T分成訓(xùn)練與測(cè)試樣本進(jìn)行實(shí)驗(yàn)，不同缺陷類(lèi)型的樣本數(shù)量見(jiàn)表2。

表2 不同焊縫缺陷樣本數(shù)量

利用SVM一對(duì)多分類(lèi)器對(duì)訓(xùn)練樣本集進(jìn)行訓(xùn)練，建立3級(jí)SVM分類(lèi)器，用于識(shí)別窄搭接焊縫的缺陷類(lèi)別。分類(lèi)器1用于區(qū)分無(wú)缺陷與其余3種缺陷類(lèi)別；分類(lèi)器2用于區(qū)分裂紋缺陷與其余2種缺陷類(lèi)別；分類(lèi)器3用于區(qū)分夾渣缺陷和浮孔缺陷。通過(guò)對(duì)常用核函數(shù)特征分析，徑向基核能夠?qū)崿F(xiàn)非線(xiàn)性映射，并且相較于多項(xiàng)式核有較少的參數(shù)，因此本文選用徑向基核函數(shù)：

K(xi,xj)=exp(-‖xi-xj‖2/(2σ2))

模型中懲罰參數(shù)c和核參數(shù)σ采用交叉驗(yàn)證的方式獲得。在MATLAB R2016b環(huán)境下，采用libsvm-3.22工具包對(duì)訓(xùn)練樣本進(jìn)行測(cè)試。當(dāng)懲罰參數(shù)c=95,核參數(shù)σ=0.8時(shí)，識(shí)別準(zhǔn)確率最高。將優(yōu)化后的參數(shù)代入SVM進(jìn)行訓(xùn)練，得到焊縫的最終分類(lèi)模型。用訓(xùn)練得到的模型預(yù)測(cè)另外的測(cè)試集樣本，得到各缺陷的識(shí)別結(jié)果見(jiàn)表3。

表3 SVM焊縫缺陷分類(lèi)結(jié)果

由表3可以得出，焊縫測(cè)試樣本總分類(lèi)準(zhǔn)確率達(dá)到89.4%，分類(lèi)準(zhǔn)確率較高。在實(shí)際焊接中，缺陷判別的準(zhǔn)確率達(dá)到80%以上就可以給焊接提供參考依據(jù)，因而本文的準(zhǔn)確率可以滿(mǎn)足實(shí)際生產(chǎn)需要。其中正常和裂紋缺陷分類(lèi)準(zhǔn)確率最高，而夾渣缺陷分類(lèi)準(zhǔn)確率最低。進(jìn)一步分析發(fā)現(xiàn)，部分夾渣缺陷被判斷成了裂紋和浮孔缺陷。在判斷錯(cuò)的8個(gè)夾渣樣本中，有6個(gè)被判斷成裂紋缺陷，2個(gè)被判斷為浮孔缺陷。造成夾渣缺陷被誤判的原因，一方面是由于夾渣樣本數(shù)量較少，在樣本訓(xùn)練時(shí)的精度就不高；另一方面是由于夾渣缺陷本身比較復(fù)雜，渦流信號(hào)特征不穩(wěn)定，并且和裂紋缺陷的特征有些相似，容易造成夾渣被誤判為裂紋缺陷。

為了進(jìn)一步說(shuō)明本文基于EMD分解并結(jié)合PCA降維的特征提取方法(EMD-PCA-SVM)的優(yōu)越性，將本文方法與僅采用EMD分解而不降維(EMD-SVM)、僅對(duì)原始信號(hào)選取12維時(shí)頻特征進(jìn)行PCA降維(PCA-SVM)、僅選取12維原始信號(hào)特征而不降維(SVM)3種方法進(jìn)行對(duì)比，比較結(jié)果見(jiàn)表4。

表4 SVM焊縫缺陷分類(lèi)結(jié)果對(duì)比

由表4可以看出，采用EMD分解后，焊縫缺陷的分類(lèi)精度都較高，說(shuō)明復(fù)雜的焊縫渦流信號(hào)經(jīng)EMD分解后，再?gòu)姆纸獾玫降腎MF分量中提取特征信息更能反映渦流信號(hào)的本質(zhì)特征。而采用PCA分解雖然沒(méi)有顯著提升分類(lèi)的精度，但是由于降低了特征維度，從而降低了計(jì)算的復(fù)雜度，可以節(jié)省模型訓(xùn)練與缺陷分類(lèi)識(shí)別的時(shí)間。

5 結(jié)論

本文基于渦流檢測(cè)，建立了針對(duì)窄搭接焊縫特征提取與缺陷識(shí)別的EMD-PCA-SVM模型。該模型通過(guò)對(duì)窄搭接焊縫的渦流檢測(cè)信號(hào)進(jìn)行EMD分解，在獲取的IMF分量的基礎(chǔ)上構(gòu)造特征向量，可以更全面地提取焊縫渦流信號(hào)的有效特征。繼而利用PCA對(duì)特征參數(shù)進(jìn)行降維，去除了其中的大量冗余信息，使SVM的訓(xùn)練和測(cè)試得到了有效簡(jiǎn)化，降低了分類(lèi)器的復(fù)雜程度。實(shí)例分析結(jié)果表明，本文提出的基于渦流檢測(cè)進(jìn)行焊縫缺陷識(shí)別的方法具有較高的準(zhǔn)確率，該方法為窄搭接焊縫的缺陷識(shí)別提供了可行途徑。