多缺陷特征提取方式的金屬棒材分析系統(tǒng)

石 濤, 王國富, 葉金才, 張法全

(桂林電子科技大學(xué) 信息與通信學(xué)院, 廣西 桂林 541004)

0 引 言

隨著工業(yè)生產(chǎn)技術(shù)的提高, 金屬棒狀材料在軍工、 建筑、 工業(yè)生產(chǎn)領(lǐng)域的使用越來越廣泛, 因此對金屬棒狀材料的質(zhì)量要求也越來越高[1-4]。在加工及使用這類金屬材料的過程中, 其力學(xué)性能和壽命受到腐蝕、 夾渣、 氣孔、 疲勞裂紋等因素的影響, 長期服役的構(gòu)件可能出現(xiàn)斷裂, 導(dǎo)致機(jī)械設(shè)備損毀, 產(chǎn)生巨大損失[5-9]。因此, 對金屬棒狀材料進(jìn)行嚴(yán)格、 準(zhǔn)確的缺陷檢測和分析至關(guān)重要。

超聲檢測是一種無損檢測方法, 但超聲回波信號具有時變、 非平穩(wěn)特性, 使得傳統(tǒng)信號處理方法很難實現(xiàn)對缺陷的特征提取和精準(zhǔn)識別[10-11]。孫明健等[12]針對現(xiàn)有無損檢測技術(shù)信號模態(tài)單一、 檢測范圍有限等不足, 提出了一種基于多模態(tài)信號的金屬材料缺陷無損檢測方法, 為缺陷定量檢測和診斷提供了一個新思路, 但所提出的方法需采用價格昂貴的脈沖收發(fā)器、 示波器進(jìn)行實驗驗證, 沒有形成一套完整檢測系統(tǒng)。樊萍等[13]提出了基于多特征提取的金屬裂紋檢測方法, 提高了金屬裂紋識別率, 降低了高斯白噪聲影響。黃剛[14]提出了一種基于超聲透射時差法檢測缺陷的方法, 實驗結(jié)果表明缺陷檢測系統(tǒng)具有較高的穩(wěn)定性和靈敏度, 但用于實驗測試的系統(tǒng)較龐大、 成本較高。上述提到的無損檢測大多都能判斷出金屬棒材是否存在缺陷, 但缺乏對缺陷的定量描述， 以及不支持缺陷可視化。

針對上述問題, 本文將超聲無損檢測技術(shù)和神經(jīng)網(wǎng)絡(luò)算法相結(jié)合， 將超聲回波數(shù)據(jù)通過神經(jīng)網(wǎng)絡(luò)進(jìn)行缺陷分類, 根據(jù)相應(yīng)的分類結(jié)果進(jìn)行對應(yīng)的缺陷特征提取, 實現(xiàn)對金屬棒材的定量描述以及生成對應(yīng)的缺陷可視化模型圖， 以此解決以往缺陷特征提取方式單一的問題, 進(jìn)而提高金屬棒材質(zhì)量檢測的可靠性和準(zhǔn)確性。

1 工作原理及系統(tǒng)硬件介紹

金屬棒材檢測示意圖如圖1, 超聲換能器用于發(fā)射激勵信號和采集回波?；趹?yīng)力波反射理論, 介質(zhì)突變和裂痕都會影響超聲波的傳播, 因此內(nèi)部的缺陷可以通過提取信號特征來檢測[15]。系統(tǒng)由采集設(shè)備和服務(wù)器構(gòu)成, 二者通過互聯(lián)網(wǎng)進(jìn)行通信。采集設(shè)備端對金屬棒材進(jìn)行回波采集后上傳至服務(wù)器, 服務(wù)器端負(fù)責(zé)對回波數(shù)據(jù)進(jìn)行金屬棒缺陷類型分析和后續(xù)的可視化處理。

圖1 金屬棒材檢測示意圖

硬件的核心功能是超聲換能器的驅(qū)動和回波采集, 實物如圖2所示。超聲換能器的頻率為2.5 MHz, 通過對其施加高壓負(fù)脈沖信號來實現(xiàn)驅(qū)動?；夭ú杉钟赡M前端(analog front end, AFE)和高速數(shù)據(jù)采集這兩部分組成。此外， 還支持SD卡數(shù)據(jù)存儲、 無線網(wǎng)絡(luò)數(shù)據(jù)傳輸?shù)裙δ?。硬件的主要技術(shù)指標(biāo)見表1。

圖2 硬件實物圖

表1 主要硬件技術(shù)指標(biāo)

2 基于超聲回波的長度檢測方法

超聲測長的實現(xiàn)通常有兩種方法: 第1種是采用硬件定時器和信號幅度比較器對一次回波到達(dá)時間進(jìn)行確定, 進(jìn)而獲取峰值間隔得出目標(biāo)長度， 其優(yōu)點是對硬件性能要求極大降低、 實現(xiàn)簡單, 缺點是這類設(shè)備只能進(jìn)行單一的測長操作, 無法再進(jìn)行更深度的回波信號分析。第2種是對超聲回波信號進(jìn)行全波形采集, 以數(shù)據(jù)形式存儲, 之后對數(shù)據(jù)進(jìn)行分析和處理, 得出目標(biāo)長度， 其優(yōu)點是在實現(xiàn)測長的基礎(chǔ)上同時支持后續(xù)的回波信號分析, 缺點是硬件實現(xiàn)相對復(fù)雜。

為支持后續(xù)缺陷分析, 采用第二種測長方法進(jìn)行數(shù)據(jù)處理。硬件設(shè)備采集金屬棒回波波形如圖3所示, 利用超聲回波的反射時間可以確定棒材的長度。而在采集到的回波數(shù)據(jù)中, 激勵信號峰值和一次回波信號峰值的間隔表征著波的反射時間。

圖3 原始回波波形

通過對回波數(shù)據(jù)進(jìn)行加窗處理可以獲取回波中的峰值間隔。首先, 原始回波數(shù)據(jù)X是一維序列, 為了方便數(shù)據(jù)處理, 將其以加窗寬度為間隔進(jìn)行分段, 得到一個二維矩陣Q

(1)

其中:N為采集到的序列總長；s為窗的寬度；i和j分別為矩陣的行索引號和列索引號。

然后, 對二維矩陣Q進(jìn)行具體的加窗, 將窗內(nèi)除最大值以外的所有值置零。加窗后得到一個新的矩陣Y, 這將會在新的矩陣中凸顯激勵信號峰值和一次回波信號峰值

(2)

其中w的取值為

(3)

選擇合適的參數(shù)s使得這兩個峰值在矩陣Y中呈現(xiàn)為最大值和次大值。s過大, 會增加金屬棒長度檢測盲區(qū), 無法檢測較短的金屬棒， 例如當(dāng)參數(shù)s大于兩個峰值之間的間隔時, 較小的峰值將會被置零, 導(dǎo)致無法獲取正確的棒材長度；s過小, 也會出現(xiàn)峰值間隔檢測出錯的情況， 例如當(dāng)激勵信號峰值附近的值也大于一次回波的峰值時, 峰值間隔將會被判定為激勵信號峰值到其附近的某個值的間隔, 也無法獲取正確的棒材長度。經(jīng)過反復(fù)的實驗測試, 當(dāng)參數(shù)s為0.076N時, 適合用于檢測長度在0.3 ～6 m的金屬棒材。在實際采集設(shè)備中, 參數(shù)s被設(shè)計為手動可調(diào)， 以滿足各種條件下的棒材長度檢測。在原始序列數(shù)據(jù)中, 兩個峰值的索引之差的絕對值等于這兩個峰值的間隔, 因此需要分別找出激勵信號峰值和一次回波峰值的索引號。經(jīng)過式(2)的處理之后, 可以通過查找矩陣Y中的最大值來得到激勵信號峰值的索引號u1

u1=ρ(Y, max(Y)),

(4)

其中ρ為

(5)

(6)

其中φ為

(7)

然后使用式(4)得到一次回波峰值的索引號u2

(8)

得出了u1和u2, 也就得到了兩個峰值之間的間隔。最后, 結(jié)合采集設(shè)備的采樣頻率和超聲導(dǎo)波在金屬棒材中的實際波速可以計算出棒材的實際長度：

(9)

其中，L是金屬棒材長度(m);Vs是超聲波波速(m/s);Fs是采樣率(Hz)。

3 金屬棒材缺陷分類方法

早期采用人工方式觀察回波波形來初步區(qū)分缺陷類型, 不僅效率低且具有很強(qiáng)的主觀性和經(jīng)驗性。神經(jīng)網(wǎng)絡(luò)算法對波形的細(xì)微之處敏感, 可以很好地解決上述問題, 因此能夠準(zhǔn)確地進(jìn)行缺陷分類。但神經(jīng)網(wǎng)絡(luò)運算對設(shè)備有一定的性能要求, 因此更適合在遠(yuǎn)程服務(wù)器上運行。首先需要在服務(wù)器上搭建和訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型， 當(dāng)服務(wù)器接收到采集設(shè)備上傳的回波數(shù)據(jù)后, 調(diào)用神經(jīng)網(wǎng)絡(luò)算法對數(shù)據(jù)進(jìn)行分類。之后根據(jù)分類結(jié)果進(jìn)行相應(yīng)的缺陷特征提取, 最后生成相應(yīng)的可視化模型。神經(jīng)網(wǎng)絡(luò)算法流程圖如圖4。

圖4 神經(jīng)網(wǎng)絡(luò)算法流程圖

輸入層: 作為回波數(shù)據(jù)送入神經(jīng)網(wǎng)絡(luò)的接口。

池化層: 用于在保留原始回波數(shù)據(jù)主要的特征同時減少參數(shù)和計算量。神經(jīng)網(wǎng)絡(luò)池化過程使用自定義數(shù)據(jù)處理方法, 以保留池化區(qū)域中的最值為準(zhǔn)則, 其表達(dá)式為

(10)

(11)

其中:k為池化深度;Q為維度轉(zhuǎn)換后的新矩陣;Y為池化處理后新生成的一維數(shù)據(jù)序列， 且序列長度為2k。

標(biāo)準(zhǔn)化層: 對池化處理后的數(shù)據(jù)進(jìn)行Z-score標(biāo)準(zhǔn)化, 是數(shù)據(jù)被送入全連接層之前的預(yù)處理

(12)

其中:x*是Z-score標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)；x是池化處理后的樣本數(shù)據(jù);μ是樣本數(shù)據(jù)的均值;σ是樣本數(shù)據(jù)的標(biāo)準(zhǔn)差。全連接層和Softmax分類器均采用通用計算模型, 因此在本文中不作具體介紹。在訓(xùn)練時, 神經(jīng)網(wǎng)絡(luò)的優(yōu)化算法選用隨機(jī)梯度下降法(stochastic gradient descent, SGD), 其表達(dá)式為

wt+1=wt-ηt·gt,

(13)

其中:wt表示t時刻的模型參數(shù);ηt是學(xué)習(xí)率;gt是隨機(jī)梯度, 它滿足E(gt)=J(wt), 這里J(wt)表示為t時刻的梯度。神經(jīng)網(wǎng)絡(luò)訓(xùn)練時的損失函數(shù)選用均方誤差函數(shù)

(14)

4 對應(yīng)缺陷的特征提取方法

分離神經(jīng)網(wǎng)絡(luò)的缺陷分類、 對應(yīng)缺陷的特征提取這兩個環(huán)節(jié)的優(yōu)點在于, 令后續(xù)新特征提取方法的替換和追加工作得到簡化, 達(dá)到支持多缺陷特征提取的目的, 同時追加新的特征提取方法可以使得系統(tǒng)不斷趨于完善, 增加可靠性和準(zhǔn)確性。特征提取方法的作用是從現(xiàn)有回波數(shù)據(jù)中提取并量化出缺陷的位置, 為后續(xù)生成可視化模型提供準(zhǔn)確的參數(shù)。本文針對金屬棒材的裂紋缺陷提出了4種類型的提取方法, 分別為無裂紋、 輕微裂紋、 中等裂紋、 重度裂紋。在實際測試中使用切割工具對長為1 m、 直徑為24 mm的金屬棒材進(jìn)行加工, 模擬上述的4種缺陷。使用采集設(shè)備對加工后的金屬棒材進(jìn)行回波采集, 采集后的波形如圖5所示。

無裂紋(圖5a)： 當(dāng)神經(jīng)網(wǎng)絡(luò)算法分類結(jié)果為無裂紋時, 不需要進(jìn)行缺陷提取， 直接使用基于超聲回波的長度檢測方法獲取長度數(shù)據(jù)L。

輕微裂紋(圖5b)： 當(dāng)分類結(jié)果為輕微裂紋時, 需要進(jìn)行缺陷提取。輕微裂紋的時域波形特征明顯, 因此只需在基于超聲回波的長度檢測方法基礎(chǔ)上, 在激勵信號峰值索引u1與一次回波峰值索引u2之間, 額外尋找出區(qū)間內(nèi)的最大值索引ue, 即可獲得缺陷的位置。即從式(9)之后, 以u1為起點、u2為終點, 在原始序列數(shù)據(jù)X中重新生成區(qū)間序列Z

圖5 金屬棒材的4種缺陷回波波形圖

(15)

然后尋找出區(qū)間最大值的索引值ue

ue=ρ(Z, max(Z))+u1；

(16)

最后即可得出缺陷到金屬棒材端頭的距離Le

(17)

中等裂紋(圖5c)： 中等裂紋的時域波形缺陷處回波和一次回波峰值差異不明顯, 且存在缺陷回波峰值與一次回波峰值相等的可能性, 因此不宜采用輕微裂紋的處理方法。在基于超聲回波的長度檢測方法基礎(chǔ)之上, 額外進(jìn)行一次式(6)和式(8)的運算, 可以得到序列中幅度排行第三的峰值索引u3, 將提取出的u1、u2、u3三個序列索引值按照序列采樣先后的順序進(jìn)行排序, 更新后滿足u1

(18)

缺陷到金屬棒材端頭的距離為

(19)

需要強(qiáng)調(diào)的是， 式(19)中的u2指向缺陷回波峰值位置, 而式(9)中的u2指向的是一次回波峰值位置。

重度裂紋(圖5d)： 通過多次實驗和觀察重度裂紋回波波形, 其波形內(nèi)的第3個回波并不屬于金屬棒材的底部回波, 而是指代缺陷處的二次回波, 其過于強(qiáng)烈而將底部回波淹沒。這也是人工方式并不適合通過觀察回波進(jìn)行缺陷分析的主要原因之一。針對重度裂紋的特征提取目前僅能提取出缺陷的位置, 只需采用基于超聲回波的長度檢測方法獲取u1和u2, 所得出的長度即為端頭到缺陷的位置。由于底部回波被淹沒無法提取出金屬棒的長度特征, 因此在未知棒材長度的重度裂紋可視化模型中, 僅僅著重顯示缺陷信息。

5 系統(tǒng)功能驗證

分別對端頭直徑為24 mm、 長為1和0.5 m的金屬棒材進(jìn)行切割加工, 每種長度的金屬棒都分別加工無裂紋、 輕微裂紋、 中等裂紋、 重度裂紋這4種測試樣例。加工后的金屬棒材如圖6a所示。

設(shè)備采集過程如圖6b所示。在實際采集前需要先進(jìn)行超聲波速校準(zhǔn)。在式(9)中, 采樣率Fs是固定的參數(shù),u1和u2可在設(shè)備采集一次回波后確定, 因此只需要對長度L已知的金屬棒進(jìn)行一次回波采集, 就可以反推出現(xiàn)場的超聲波速Vs。實際對所測金屬棒材校準(zhǔn)后的超聲波速為5 660 m/s。

圖6 加工后的金屬棒材(a)和設(shè)備采集過程(b)

按照輕微裂紋、 中等裂紋、 重度裂紋、 無裂紋的順序分別對0.5和1 m的測試樣例各采集100份(共800份)回波數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的樣本數(shù)據(jù), 再以9∶1的比例制作成訓(xùn)練集和測試集。從神經(jīng)網(wǎng)絡(luò)訓(xùn)練時的Loss曲線(圖7a)可知, 隨著epoch的增加, 神經(jīng)網(wǎng)絡(luò)的分類準(zhǔn)確性也在逐步提升。

為了驗證基于神經(jīng)網(wǎng)絡(luò)的方法對金屬棒材的分類能力, 重新使用金屬棒材制作了上述4種缺陷模型。按照與之前測試樣例相同的順序重新對每種模型采集100份樣本, 新樣本的分類概率如圖7b?？芍? 各個樣本區(qū)間概率分布差異明顯, 說明神經(jīng)網(wǎng)絡(luò)能夠準(zhǔn)確區(qū)分不同類型的缺陷樣本, 通過表2對圖7b進(jìn)行詳細(xì)解釋， 如樣本區(qū)間0～99分類結(jié)果為綠色low的概率大于其他分類結(jié)果， 因此該區(qū)間的樣本被判定為輕微裂紋。

圖7 神經(jīng)網(wǎng)絡(luò)訓(xùn)練(a)和新樣本的分類概率(b)

表2 新樣本數(shù)據(jù)的分類結(jié)果

根據(jù)神經(jīng)網(wǎng)絡(luò)的分類結(jié)果調(diào)用相應(yīng)的缺陷特征提取方法, 使用提取的特征數(shù)據(jù)生成缺陷可視化模型如圖8所示。為使缺陷醒目, 在生成的可視化模型中將缺陷縱向拉伸。在介紹重度裂紋的缺陷提取方法時， 已經(jīng)提到其缺陷回波將底部回波淹沒, 因此在重度裂紋的可視化模型中無法體現(xiàn)金屬棒材的完整長度, 用紅色標(biāo)注無效段。

圖8 缺陷可視化模型

對應(yīng)缺陷的特征提取性能數(shù)據(jù)如表3所示, 可知, 特征數(shù)據(jù)提取誤差低于2%, 因此該系統(tǒng)具有較高的金屬棒材的缺陷提取性能。

表3 對應(yīng)缺陷的特征提取數(shù)據(jù)

6 結(jié)束語

本文對多缺陷特征提取方式的金屬棒材分析系統(tǒng)進(jìn)行了設(shè)計和驗證, 該系統(tǒng)通過神經(jīng)網(wǎng)絡(luò)的缺陷分類和對應(yīng)缺陷的特征提取這兩個環(huán)節(jié), 實現(xiàn)了金屬棒材缺陷特征提取的多樣性, 能夠檢測金屬棒材缺陷位置并生成相應(yīng)的可視化模型。

(1)提出了一種可用于金屬棒材缺陷分類的神經(jīng)網(wǎng)絡(luò)模型, 測試結(jié)果表明該神經(jīng)網(wǎng)絡(luò)能夠?qū)饘侔舨倪M(jìn)行準(zhǔn)確的缺陷分類操作。神經(jīng)網(wǎng)絡(luò)算法對缺陷分類的準(zhǔn)確性隨著epoch次數(shù)的增加而提高。今后隨著樣本數(shù)據(jù)的增加, 分類準(zhǔn)確性還有提升空間。

(2)提出了4種金屬棒材裂紋缺陷的提取方法, 測試結(jié)果表明這些方法具有較高的缺陷特征提取精度。并能夠通過提取的缺陷數(shù)據(jù)生成相應(yīng)的可視化模型。

采用神經(jīng)網(wǎng)絡(luò)算法的確可以實現(xiàn)金屬棒材的缺陷分類操作, 但是在早期的神經(jīng)網(wǎng)絡(luò)訓(xùn)練環(huán)節(jié)需要大量的樣本數(shù)據(jù), 現(xiàn)實中沒有缺陷的金屬棒材數(shù)量遠(yuǎn)遠(yuǎn)大于有缺陷的金屬棒材, 這造成了樣本數(shù)據(jù)集的不均衡問題。但隨著物聯(lián)網(wǎng)技術(shù)的發(fā)展, 樣本數(shù)據(jù)的獲取難度將會逐漸降低, 樣本不均衡的問題也必將得到改善。