基于小波變換與RBF神經(jīng)網(wǎng)絡(luò)的焊縫缺陷智能化檢測(cè)

魏明惠 武慧林 何思銘

摘 ?要：文章主要闡述了對(duì)船舶水下關(guān)鍵部位焊縫缺陷的一種智能化檢測(cè)及識(shí)別方法。該方法基于小波變換與RBF神經(jīng)網(wǎng)絡(luò)理論。利用小波變換對(duì)回波信號(hào)進(jìn)行預(yù)處理，提取出所需要的焊縫缺陷的特征信息。然后由RBF神經(jīng)網(wǎng)絡(luò)對(duì)特征信息進(jìn)行學(xué)習(xí)訓(xùn)練，通過(guò)對(duì)神經(jīng)網(wǎng)絡(luò)輸出值與焊縫缺陷類型輸出代碼進(jìn)行比較后，最終得出焊縫缺陷類型的檢測(cè)與識(shí)別結(jié)果。

關(guān)鍵詞：小波變換;RBF神經(jīng)網(wǎng)絡(luò);超聲檢測(cè);缺陷識(shí)別

中圖分類號(hào)：TP18 ? ? ? ? ?文獻(xiàn)標(biāo)志碼：A ? ? ? 文章編號(hào)：2095-2945（2019）28-0035-02

Abstract： This paper mainly describes an intelligent detection and identification method for weld defects in key parts of ship underwater. This method is based on wavelet transform and RBF neural network theory. The wavelet transform is used to preprocess the echo signal， and the characteristic information of weld defects is extracted. Then the feature information is trained by RBF neural network， and the detection and recognition results of weld defect type are obtained by comparing the output value of neural network with the output code of weld defect type.

Keywords： wavelet transform; RBF neural network; ultrasonic testing; defect recognition

1 概述

由于材料性能及制造工藝等影響，焊縫缺陷常見于船舶制造。因此，對(duì)于船舶水下的關(guān)鍵部位進(jìn)行焊縫缺陷檢測(cè)顯得很有必要。

國(guó)內(nèi)外對(duì)于水下缺陷的無(wú)損檢測(cè)方法有很多，例如水下射線檢測(cè)、水下超聲波探傷等。而超聲檢測(cè)憑借其靈敏度高、不對(duì)構(gòu)件產(chǎn)生破壞等優(yōu)點(diǎn)，在缺陷檢測(cè)方面被國(guó)內(nèi)外廣泛采用。但是它的缺點(diǎn)也比較明顯，受檢測(cè)人員的影響程度較大，很難做出非常準(zhǔn)確的檢測(cè)。因此，目前傳統(tǒng)的人工超聲檢測(cè)技術(shù)存在檢測(cè)精度與效率不高等諸多問(wèn)題。

國(guó)內(nèi)外對(duì)于智能化超聲檢測(cè)的研究取得了一些成果。本文主要討論的是在信號(hào)與數(shù)據(jù)采集后的處理問(wèn)題。采集回的大量信號(hào)與數(shù)據(jù)不可能依靠檢測(cè)人員去一一分析，檢測(cè)結(jié)果同時(shí)也受檢測(cè)人員個(gè)人影響，誤差較大。因此，針對(duì)這一問(wèn)題，國(guó)內(nèi)外很多學(xué)者引入神經(jīng)網(wǎng)絡(luò)理論，以提高超聲檢測(cè)缺陷的識(shí)別率。同時(shí)將神經(jīng)網(wǎng)絡(luò)與其他方法相結(jié)合，如小波變換、混沌、證據(jù)理論等[1]，在缺陷檢測(cè)方面開辟了新的途徑，取得了很好的實(shí)際效果。

本文介紹了一種基于小波變換與RBF神經(jīng)網(wǎng)絡(luò)的對(duì)船舶水下關(guān)鍵部位焊縫缺陷進(jìn)行智能化檢測(cè)與識(shí)別的方法。首先，利用小波變換對(duì)回波信號(hào)進(jìn)行預(yù)處理，提取出所需要的焊縫缺陷的特征信息。再經(jīng)過(guò)RBF神經(jīng)網(wǎng)絡(luò)對(duì)特征信息進(jìn)行學(xué)習(xí)訓(xùn)練，然后得出焊縫缺陷類型的檢測(cè)與識(shí)別結(jié)果。

2 缺陷識(shí)別模型

本文構(gòu)建的焊縫缺陷識(shí)別模型如圖1所示。

該模型包括兩個(gè)方面：（1）小波變換：對(duì)回波信號(hào)進(jìn)行預(yù)處理，提取出焊縫缺陷的特征信息;（2）RBF神經(jīng)網(wǎng)絡(luò)：對(duì)處理得到的特征信息進(jìn)行學(xué)習(xí)訓(xùn)練，得到焊縫缺陷識(shí)別結(jié)果。

3 小波變換

小波分析主要研究函數(shù)的表示。相比于Fourier，小波變換是一種時(shí)域與頻域的局部變換，故能從信號(hào)中提取出所需信息。

4 RBF神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)對(duì)外來(lái)信號(hào)有很強(qiáng)的辨識(shí)能力。因此，在模式識(shí)別與智能檢測(cè)領(lǐng)域應(yīng)用十分廣泛。本文就是利用了它的這一巨大優(yōu)勢(shì)。目前，神經(jīng)網(wǎng)絡(luò)模型不下數(shù)十種。其中之一就是RBF神經(jīng)網(wǎng)絡(luò)，它特別適合解決智能檢測(cè)等問(wèn)題。故本文所述采用的就是RBF神經(jīng)網(wǎng)絡(luò)模型。

4.1 RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

本文建立了一個(gè)如圖2所示三層的RBF神經(jīng)網(wǎng)絡(luò)。第一層為輸入層：本文中輸入特征信號(hào);第二層為隱含層：可根據(jù)需要由自己定義;第三層為輸出層：輸出決策值。本模型有N個(gè)輸入點(diǎn)，M個(gè)隱單元，L個(gè)輸出點(diǎn)。X=[x1，x2，…，xN]為輸入矩陣;φi（X），（i=1，2，…，M）為隱含層激活函數(shù);W為輸出權(quán)矩陣，其中wik（i=1，2，…，M;k=1，2，…，L）為權(quán)值;T=[T1，T2，…，TL]為輸出層閾值矩陣;Y=[y1，y2，…，yL]為輸出矩陣。

4.2 RBF神經(jīng)網(wǎng)絡(luò)的基本思想

用RBF函數(shù)作為隱含層的“基”。而輸入層與隱含層之間的權(quán)值看成是1。這樣，將低維空間的模式變換到高維空間的模式。由于隱含層輸出到輸出層是線性的，因此這里的權(quán)值可根據(jù)我們需要來(lái)調(diào)整[1]。

4.3 RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法

根據(jù)xp與ci（k）之間的距離將xp劃分到相似的集合中，從而將樣本劃分為h個(gè)子集：U1（k），U2（k），…，Uh（k），每個(gè)子集構(gòu)成一個(gè)聚類域。

（3）重新計(jì)算聚類中心。

對(duì)每個(gè)樣本取均值，得到新的聚類中心ci，如果新的聚類中心恒定，則所求取的ci即為RBF神經(jīng)網(wǎng)絡(luò)最終的聚類中心，否則重新計(jì)算。

（4）求解高斯函數(shù)的方差。

（5）利用最小二乘法計(jì)算權(quán)值。

根據(jù)本文建立的模型，通過(guò)MATLAB編程對(duì)模型進(jìn)行檢驗(yàn)，若期望值為E=[e1，e2，…，ej]，在MATLAB中不斷循環(huán)計(jì)算后，滿足輸出要求后輸出。E為焊縫缺陷類型的輸出代碼。本文中夾渣用[1，0，0，0，0]表示，凹坑用[0，1，0，0，0]表示，氣孔用[0，0，1，0，0]表示，裂紋用[0，0，0，1，0]表示，無(wú)缺陷用[0，0，0，0，1]表示[3]。

5 結(jié)束語(yǔ)

本文提出的基于小波變換與RBF神經(jīng)網(wǎng)絡(luò)技術(shù)的船舶水下關(guān)鍵部位的焊縫缺陷智能檢測(cè)與識(shí)別的方法，可以通過(guò)RBF神經(jīng)網(wǎng)絡(luò)自主學(xué)習(xí)并判別焊縫缺陷類型。相比于傳統(tǒng)的人工檢測(cè)方法，提高了檢測(cè)的效率與準(zhǔn)確度。當(dāng)然，該方法的檢測(cè)識(shí)別并不能完全消除誤檢率，有待進(jìn)一步的研究與改進(jìn)。

參考文獻(xiàn)：

[1]劉冰，郭海霞.MATLAB神經(jīng)網(wǎng)絡(luò)超級(jí)學(xué)習(xí)手冊(cè)[M].北京：人民郵電出版社，2014，5.

[2]姜愛萍.混沌時(shí)間序列的小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法及其優(yōu)化研究[M].上海：上海大學(xué)出版社，2014，1.

[3]孟雅俊，黃士濤，胡全義.基于小波包變換的徑向基神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用[J].噪聲與振動(dòng)控制，2006（06）：36-39.