基于時(shí)頻分析和深度學(xué)習(xí)的表面粗糙度超聲模式識(shí)別方法

蔡智超 孫翼虎 趙振勇 李毅博

基于時(shí)頻分析和深度學(xué)習(xí)的表面粗糙度超聲模式識(shí)別方法

蔡智超 孫翼虎 趙振勇 李毅博

（華東交通大學(xué)電氣與自動(dòng)化工程學(xué)院 南昌 330013）

表面粗糙度直接決定著工件的性能和使用壽命，由于傳統(tǒng)的基于光學(xué)或三維形貌的表面粗糙度檢測(cè)方法存在對(duì)工件表面清潔狀態(tài)及操作環(huán)境要求較高等問(wèn)題，因此，該文提出一種基于深度學(xué)習(xí)的非接觸式電磁超聲表面粗糙度識(shí)別方法。首先通過(guò)建立不同表面粗糙度的電磁超聲有限元仿真模型，研究了渦流密度和洛侖茲力對(duì)激勵(lì)與接收信號(hào)的影響。然后利用所提出的卷積神經(jīng)網(wǎng)絡(luò)，對(duì)從電磁超聲換能器檢測(cè)得到的A掃描信號(hào)的時(shí)頻系數(shù)圖進(jìn)行特征提取，輸入至預(yù)訓(xùn)練的支持向量機(jī)分類器中完成表面粗糙度識(shí)別和預(yù)測(cè)。為了驗(yàn)證所提方法的有效性，對(duì)通過(guò)立銑工藝加工的表面粗糙度比較樣塊進(jìn)行測(cè)試。實(shí)驗(yàn)結(jié)果表明，所提出的超聲識(shí)別方法平均精度為98.83%，具有較高的預(yù)測(cè)精度與穩(wěn)定性，解決了超聲信號(hào)信噪比較低而導(dǎo)致信號(hào)特征識(shí)別困難的問(wèn)題，同時(shí)減少了特征提取過(guò)程對(duì)于人工干預(yù)的依賴。

表面粗糙度 電磁超聲換能器 深度學(xué)習(xí) 卷積神經(jīng)網(wǎng)絡(luò) 圖像識(shí)別

0 引言

金屬管、板材因具有較高的強(qiáng)度和韌性在我國(guó)鐵路、船舶、航空航天等行業(yè)廣泛應(yīng)用。表面粗糙度作為表征金屬材料表面質(zhì)量的指標(biāo)之一，其數(shù)值與工件的抗疲勞、抗摩擦、熱傳導(dǎo)、使用壽命等性能密切相關(guān)[1]，同時(shí)對(duì)評(píng)估加工產(chǎn)品質(zhì)量方面起著重要作用。因此，如何高效地實(shí)現(xiàn)金屬材料表面粗糙度的檢測(cè)是研究的熱點(diǎn)問(wèn)題。

傳統(tǒng)的材料表面粗糙度檢測(cè)方法主要分為接觸式和非接觸式兩個(gè)大類[2]。接觸式測(cè)量法主要通過(guò)探針在金屬材料表面移動(dòng)來(lái)獲取表面的特征參數(shù)，但其檢測(cè)效率較低且會(huì)對(duì)材料表面造成劃痕；非接觸式檢測(cè)法包括光干涉法、光散斑法、三維形貌法等方法。Tian Xiaobo等[3]通過(guò)非平行光干涉照明顯微鏡獲得材料表面形貌圖，經(jīng)過(guò)特征提取后計(jì)算材料表面粗糙度。E. Baradit等[4]利用相干光被粗糙表面散射產(chǎn)生的散斑現(xiàn)象對(duì)材料表面粗糙度進(jìn)行檢測(cè)。以上兩種方法均屬于光學(xué)檢測(cè)法，能夠克服接觸式檢測(cè)法在測(cè)量時(shí)面臨的問(wèn)題，但因光學(xué)檢測(cè)法易受到外界溫度、光照等影響，其檢測(cè)穩(wěn)定性較差且無(wú)法滿足在線檢測(cè)的要求。通過(guò)三維輪廓儀掃描[5]得到材料形貌圖對(duì)表面粗糙度進(jìn)行檢測(cè)的方法穩(wěn)定性較強(qiáng)，但其掃描速度相對(duì)較慢，對(duì)被測(cè)物表面清潔程度要求較高且檢測(cè)經(jīng)濟(jì)成本相對(duì)較高。電磁超聲檢測(cè)技術(shù)[6-8]作為一種新興的非接觸式檢測(cè)方法，具有無(wú)需對(duì)被測(cè)試件表面預(yù)處理、可對(duì)材料表面及內(nèi)部缺陷進(jìn)行精準(zhǔn)定位識(shí)別、能適用復(fù)雜的現(xiàn)場(chǎng)環(huán)境等優(yōu)點(diǎn)，廣泛應(yīng)用于無(wú)損檢測(cè)領(lǐng)域。電磁超聲換能器（Electromagnetic Acoustic Transducer, EMAT）檢測(cè)是通過(guò)激勵(lì)高頻信號(hào)在材料內(nèi)部產(chǎn)生超聲波信號(hào)，并根據(jù)回波信號(hào)的特征來(lái)評(píng)估材料表面或內(nèi)部的缺陷狀況。當(dāng)材料表面粗糙程度不同時(shí)，其接收的時(shí)頻域信號(hào)特征將存在差異，因此可以通過(guò)對(duì)回波信號(hào)的時(shí)頻特征分析來(lái)實(shí)現(xiàn)對(duì)材料表面粗糙度的識(shí)別。然而，工件的表面粗糙狀況在一定程度上限制了EMAT檢測(cè)精度的提高。F. Shi等[9]基于基爾霍夫理論計(jì)算了超聲波在粗糙表面上的反射與傳輸問(wèn)題。Wang Zhe等[10-11]首先通過(guò)建立等距三角形粗糙表面，研究了其對(duì)EMAT測(cè)厚過(guò)程中激勵(lì)信號(hào)能量的變化，然后利用壓電換能器，探究了隨機(jī)粗糙表面在固液耦合的二維平底孔超聲模型檢測(cè)時(shí)的回波信號(hào)和噪聲幅度變化情況，但并未研究隨機(jī)粗糙表面對(duì)EMAT激勵(lì)與接收信號(hào)過(guò)程的影響。

為實(shí)現(xiàn)對(duì)EMAT回波信號(hào)進(jìn)行解析，國(guó)內(nèi)外學(xué)者對(duì)此開(kāi)展了大量研究。常規(guī)的超聲信號(hào)特征提取算法包括統(tǒng)計(jì)特征、短時(shí)傅里葉變換[12]（Short Time Fourier Transformation, STFT）、離散小波變換[13]（Discrete Wavelet Transformation, DWT）、連續(xù)小波變換（Continuous Wavelet Transform, CWT）[14]（約1150000個(gè)連續(xù)小波變換）等，這些算法對(duì)信號(hào)的低級(jí)特征較為敏感。當(dāng)檢測(cè)信號(hào)的信噪比較低時(shí)，其特征提取效果就會(huì)受到極大的影響。隨著深度學(xué)習(xí)在圖像處理技術(shù)領(lǐng)域的不斷發(fā)展，極大地促進(jìn)了信號(hào)特征提取的研究[15-16]。侯智等[17]利用BP神經(jīng)網(wǎng)絡(luò)對(duì)軸承套圈磨削狀態(tài)參數(shù)進(jìn)行訓(xùn)練和驗(yàn)證，間接實(shí)現(xiàn)對(duì)軸承套圈溝道磨削粗糙度的識(shí)別。肖雄等[18]通過(guò)二維卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks, CNN）對(duì)預(yù)處理后的軸承故障信號(hào)進(jìn)行診斷，極大地提高了故障預(yù)測(cè)的準(zhǔn)確率。Liu Hongmei等[19]提出了一種基于短時(shí)傅里葉變換的深度學(xué)習(xí)滾動(dòng)軸承診斷算法，通過(guò)實(shí)例證明該方法具有優(yōu)異的泛化能力。A. A. Zakri等[20]通過(guò)使用離散傅里葉變換對(duì)輸電線路中的電流與電壓信號(hào)進(jìn)行特征提取后，輸入到支持向量機(jī)（Support Vector Machines, SVM）中實(shí)現(xiàn)了出色的分類結(jié)果。

在上述研究基礎(chǔ)之上，本文提出了一種基于深度學(xué)習(xí)的CNN-SVM分類器的超聲信號(hào)識(shí)別方法，用于對(duì)EMAT回波信號(hào)的時(shí)頻系數(shù)圖進(jìn)行特征提取并分類，最終實(shí)現(xiàn)不同表面粗糙度的識(shí)別。本文的第一部分分析了EMAT的工作原理，并通過(guò)有限元仿真模型研究了隨機(jī)粗糙表面對(duì)電磁超聲信號(hào)激勵(lì)與接收的影響；第二部分研究了所提出的CNN-SVM模型對(duì)微弱EMAT檢測(cè)信號(hào)的識(shí)別方法；第三部分通過(guò)實(shí)驗(yàn)對(duì)所提方法進(jìn)行驗(yàn)證。

1 理論背景

1.1 隨機(jī)粗糙面

由腐蝕、切加工等形成的粗糙表面輪廓數(shù)據(jù)的高度相關(guān)函數(shù)與理論高斯分布相關(guān)函數(shù)非常吻合。試件表面具有的微小間距和峰谷所組成的微觀幾何形狀誤差用表面粗糙度來(lái)表示。以一維粗糙面為例，假設(shè)隨機(jī)粗糙面的高度起伏函數(shù)為()，其概率密度分布函數(shù)反映了高度起伏的分布情況，用()表示，則()d表示為相對(duì)參考平面高度～+d的概率。粗糙面的方均根高度是反映粗糙程度的一個(gè)基本量，其值可由高度分布的概率密度函數(shù)求出，文獻(xiàn)[21]將其定義為

式中，<2>表示粗糙面上所有的點(diǎn)相對(duì)于參考平面的平均值，為了簡(jiǎn)化計(jì)算，通常將參考平面設(shè)為()=0。此外，因?yàn)榇植诒砻嫔先我鈨牲c(diǎn)的高度具有相關(guān)性，其相關(guān)系數(shù)定義為

當(dāng)=0,() =2時(shí)，符合高斯分布的相關(guān)函數(shù)表示為

式中，為相關(guān)長(zhǎng)度，是隨機(jī)粗糙表面的一個(gè)基本物理量，用來(lái)描述粗糙面上任意兩點(diǎn)高度在統(tǒng)計(jì)上的獨(dú)立性。當(dāng)表面上兩點(diǎn)的水平方向上的相隔距離大于時(shí)，即認(rèn)定這兩個(gè)點(diǎn)從統(tǒng)計(jì)意義上講是近似獨(dú)立的。

為了探究粗糙表面對(duì)超聲回波信號(hào)的影響，本文采用蒙特卡羅法[22]模擬生成隨機(jī)粗糙表面。通過(guò)控制方均根高度和相關(guān)長(zhǎng)度兩個(gè)基本參數(shù)，結(jié)合蒙特卡羅方法，設(shè)置仿真采樣點(diǎn)個(gè)數(shù)=1 280，取樣長(zhǎng)度=20mm，模擬生成的高斯隨機(jī)粗糙面如圖1所示。由圖1可知，當(dāng)相關(guān)長(zhǎng)度一定時(shí)，方均根高度值越大，隨機(jī)粗糙表面的高度起伏就越大；方均根高度數(shù)值一定時(shí)，相關(guān)長(zhǎng)度越小，隨機(jī)粗糙表面的起伏波動(dòng)越劇烈。下文中的電磁超聲有限元模型也是基于以上兩個(gè)粗糙幾何參數(shù)展開(kāi)研究。

1.2 有限元仿真分析

本文采用COMSOL Multiphysics有限元仿真軟件，建立了具有隨機(jī)粗糙表面的收發(fā)一體式二維電磁超聲體波模型，其原理如圖2所示。有限元模型由提供靜態(tài)偏置磁場(chǎng)的釹鐵硼永磁體、產(chǎn)生脈沖渦流的線圈和被測(cè)金屬試件構(gòu)成。永磁體的磁場(chǎng)強(qiáng)度為1.2T，待測(cè)試件材料為45號(hào)鋼，尺寸為12mm×8mm，其楊氏模量為200GPa、泊松比為0.33、電導(dǎo)率為8.41×106S/m、密度為7 850kg/m3，試件與線圈提離距離為0.2mm。線圈中加載的電流峰值為100A，頻率為5MHz。隨機(jī)粗糙面由幾何組件導(dǎo)入至有限元模型中。

圖2 EMAT結(jié)構(gòu)及原理圖

當(dāng)高頻大功率交變電流c通入線圈時(shí)，會(huì)在試件表面趨膚深度內(nèi)感生出與激勵(lì)電流方向相反的渦流E，渦流在外加靜態(tài)磁場(chǎng)o的共同作用下產(chǎn)生洛侖茲力L。金屬試件內(nèi)的質(zhì)點(diǎn)在洛侖茲力L的作用下發(fā)生被迫振動(dòng)產(chǎn)生向下傳播的體波。當(dāng)體波傳播到試件底部時(shí)將產(chǎn)生聲波反射，進(jìn)而向上傳播至試件表面。此時(shí)位于試件頂部的EMAT能夠感應(yīng)出電壓信號(hào)，用于分析粗糙表面對(duì)體波的影響。由于本節(jié)有限元仿真模型中的永磁體產(chǎn)生的靜態(tài)磁場(chǎng)以垂直方向?yàn)橹?，所以質(zhì)點(diǎn)主要受到水平方向的洛侖茲力，產(chǎn)生的聲波以橫波為主。

當(dāng)試件上、下底面均為光滑表面時(shí)，系統(tǒng)所激發(fā)的體波傳播示意圖如圖3a～圖3c所示，在試件內(nèi)部會(huì)同時(shí)產(chǎn)生垂直向下傳播的橫波及少量的縱波。為了分析粗糙表面對(duì)體波傳播的影響，將試件上表面調(diào)整為不同粗糙程度的粗糙表面，得到體波傳播示意圖如圖3d～圖3f所示。通過(guò)對(duì)比可以清晰地看出，上表面粗糙的試件內(nèi)部聲波的傳播情況與前者具有較大區(qū)別。由于其表面起伏高度的影響，導(dǎo)致粗糙表面的感生渦流分布不再具有均勻性，如圖4所示，進(jìn)而導(dǎo)致洛侖茲力將分布在粗糙表面的各個(gè)方向上。隨之造成體波的傳播方向發(fā)生一定變化，不再垂直向下傳播，而與豎直方向呈現(xiàn)一定的夾角，且聲波的入射角度受表面的粗糙程度影響較大，但依然是以產(chǎn)生橫波為主。同時(shí)，當(dāng)聲波沿粗糙表面逐步擴(kuò)散時(shí)，由于部分聲波會(huì)在表面來(lái)回反射，從而在試件內(nèi)部產(chǎn)生沿各個(gè)方向發(fā)散的散射波。

圖3 光滑表面與不同粗糙程度表面聲波傳播示意圖

圖4 0.5μs時(shí)刻試件表面渦流示意圖

此外，為了分析不同位置粗糙表面對(duì)激勵(lì)與接收回波信號(hào)的影響，另設(shè)一組對(duì)照實(shí)驗(yàn)。在這組對(duì)照實(shí)驗(yàn)中，分別建立三個(gè)仿真模型，見(jiàn)表1。

表1 不同位置粗糙表面模型組

Tab.1 Rough surface model groups in different locations

以上三個(gè)模型的粗糙表面參數(shù)與圖3e仿真的參數(shù)保持一致。經(jīng)過(guò)計(jì)算后，三者的接收回波時(shí)域信號(hào)如圖5a所示。由圖5a可知，模型一的回波信號(hào)幅值最大，模型三次之，模型二最低。這是因?yàn)樵嚰媳砻娲植跁r(shí)，由于起伏高度的存在，導(dǎo)致線圈與下部的表面提離距離相對(duì)減小，此時(shí)位于趨膚深度內(nèi)的質(zhì)點(diǎn)受到的洛侖茲力相對(duì)較大，質(zhì)點(diǎn)的振動(dòng)也更加強(qiáng)烈，進(jìn)而導(dǎo)致激勵(lì)的聲波能量更高。與此同時(shí)，當(dāng)試件下表面為粗糙面時(shí)，由于其反射回波能量衰減較大，最終致使接收EMAT中的感應(yīng)電壓信號(hào)幅值較低。但由于粗糙表面是隨機(jī)生成的，即使方均根高度和相關(guān)長(zhǎng)度保持一致，也會(huì)產(chǎn)生具有不同波動(dòng)程度的隨機(jī)粗糙面，所以會(huì)對(duì)信號(hào)的激勵(lì)和接收結(jié)果產(chǎn)生一定的影響。

圖5 不同位置粗糙表面和不同粗糙程度表面的回波信號(hào)

為了分析不同方均根高度對(duì)接收EMAT中回波信號(hào)幅值的影響，將試件上表面設(shè)置為粗糙表面，下表面保持光滑，然后將相關(guān)長(zhǎng)度設(shè)置為定值100μm，方均根高度依次設(shè)置為3μm、6μm、10μm、25μm、35μm，最終計(jì)算得到的結(jié)果如圖5b所示。由局部放大圖可知，隨著方均根高度的增加，時(shí)域回波信號(hào)的幅值雖有波動(dòng)但無(wú)明顯變化趨勢(shì)，很難僅從宏觀角度觀測(cè)信號(hào)之間的差異，無(wú)法實(shí)現(xiàn)不同表面粗糙度的識(shí)別工作，需要對(duì)信號(hào)做進(jìn)一步的處理。

1.3 時(shí)頻分析

CWT作為一種提取信號(hào)特征信息的方法，常用于處理和分析非平穩(wěn)信號(hào)問(wèn)題中，其定義如下：假設(shè)一個(gè)小波函數(shù)()∈2(R)，當(dāng)其滿足容許條件，即有

時(shí)，稱其為基小波或母小波。將母小波經(jīng)過(guò)平移與伸縮變換后，可以得到一個(gè)小波序列。對(duì)于連續(xù)的情況，其序列為

式中，為伸縮因子；為平移因子。在小波處理的過(guò)程中，母小波的選擇不是單一的。考慮到 Morlet小波不但擁有非正交性而且還是由Gaussian調(diào)節(jié)的復(fù)值小波，可以得到平滑連順的小波振幅及時(shí)域和頻域兩種信息。因此本文選用Morlet小波作為CWT的母小波。

通過(guò)CWT變換，將圖5b中的時(shí)域信號(hào)轉(zhuǎn)換至?xí)r頻域進(jìn)行特征分析，結(jié)果如圖6所示。由1.2節(jié)有限元仿真結(jié)論可知，隨著表面粗糙程度的增大，EMAT所激勵(lì)的超聲信號(hào)在傳播過(guò)程中產(chǎn)生的散射波的幅值就越大，其接收回波信號(hào)的拖尾噪聲也越大。最終反映在時(shí)頻圖像中的結(jié)果為表面粗糙程度越大，其能量分布就越寬，能量強(qiáng)度就越大，因此可以通過(guò)時(shí)頻特征分析來(lái)實(shí)現(xiàn)工件表面粗糙度的識(shí)別工作。但是，在實(shí)際測(cè)量過(guò)程中，由于環(huán)境與設(shè)備噪聲的存在，會(huì)進(jìn)一步限制測(cè)量信號(hào)的信噪比，降低時(shí)頻特征的可區(qū)分度，影響最終的測(cè)量結(jié)果。

圖6 不同粗糙程度的表面回波信號(hào)時(shí)頻特征圖

2 CNN-SVM識(shí)別方法

本文提出的超聲信號(hào)識(shí)別方法流程如圖7所示。首先利用電磁超聲檢測(cè)設(shè)備對(duì)金屬試件的上粗糙表面進(jìn)行掃描，獲得表面A掃描（A-Scan）信號(hào)，進(jìn)而通過(guò)CWT變換將其轉(zhuǎn)換為時(shí)頻系數(shù)圖。然后再利用CNN對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練，提取時(shí)頻圖像的特征矩陣，最終輸入至預(yù)訓(xùn)練的SVM分類器中完成分類識(shí)別工作，并對(duì)所提出的識(shí)別方法進(jìn)行評(píng)價(jià)。

圖7 所提出的超聲信號(hào)識(shí)別方法

當(dāng)使用經(jīng)典的CNN網(wǎng)絡(luò)對(duì)電磁超聲時(shí)域信號(hào)的時(shí)頻圖像進(jìn)行處理時(shí)，首先需要將處理的目標(biāo)圖像輸入神經(jīng)網(wǎng)絡(luò)中，通過(guò)卷積層中的濾波器進(jìn)行卷積計(jì)算，提取圖像的局部特征；再經(jīng)過(guò)池化層對(duì)提取到的特征圖像進(jìn)行下采樣處理；最后將獲得的包含最豐富信息的特征圖像與全連接層相連接，對(duì)圖像進(jìn)行分類處理并輸出結(jié)果。

基于經(jīng)典的CNN架構(gòu)模型，本文在此基礎(chǔ)之上對(duì)其進(jìn)行了優(yōu)化，新的網(wǎng)絡(luò)結(jié)構(gòu)如圖8所示。該網(wǎng)絡(luò)可劃分為三個(gè)部分，在第一個(gè)部分中，首先將經(jīng)過(guò)CWT處理過(guò)的A-Scan圖像轉(zhuǎn)化為具有R,G,B

三通道的二維尺度圖，然后將其寬度和高度壓縮至224×224，作為目標(biāo)圖像輸入到CNN網(wǎng)絡(luò)中進(jìn)行運(yùn)算。在第二個(gè)部分中，首先選取16個(gè)3×3大小的步長(zhǎng)為1的卷積核對(duì)輸入圖像進(jìn)行卷積計(jì)算，為了得到與輸入圖像相同大小的特征圖，將Padding值設(shè)為1。提取出特征圖像后，引入Batch normalization層，對(duì)同一維度特征進(jìn)行歸一化處理。經(jīng)過(guò)歸一化后再輸入激活函數(shù)，會(huì)使大部分得到的值落入非線性函數(shù)的線性區(qū)域內(nèi)，遠(yuǎn)離導(dǎo)數(shù)飽和區(qū)，避免了梯度消失，以此來(lái)加速整個(gè)網(wǎng)絡(luò)的收斂過(guò)程。激活層主要負(fù)責(zé)對(duì)卷積提取到的特征進(jìn)行激活，本文選用Relu函數(shù)作為激活層的激活函數(shù)。然后使用Maxpooling函數(shù)對(duì)特征圖像進(jìn)行下采樣處理，降低特征圖的維度，在減少網(wǎng)絡(luò)參數(shù)的同時(shí)還可以防止過(guò)擬合現(xiàn)象，經(jīng)下采樣處理后的圖像尺寸被壓縮為112×112×16。將以上四層網(wǎng)絡(luò)設(shè)置為一個(gè)組塊，該模型總計(jì)包含7個(gè)組塊，并且每個(gè)組塊中的卷積核數(shù)量呈倍增關(guān)系。經(jīng)過(guò)計(jì)算處理后，將前層的所有特征連接到全連接層中，對(duì)圖像進(jìn)行分類。在本次實(shí)驗(yàn)中，需要對(duì)四種粗糙度不同的試件進(jìn)行分類，所以全連接層的參數(shù)設(shè)置為4。由于SVM在面對(duì)小樣本數(shù)據(jù)、非線性和高維度的問(wèn)題時(shí)具有優(yōu)異的表現(xiàn)，所以在第三個(gè)部分中，為了優(yōu)化模型的分類識(shí)別能力，使用帶有RBF核函數(shù)的SVM分類器替換原CNN網(wǎng)絡(luò)中的Softmax層，將從全連接層輸出的圖像特征輸入SVM中進(jìn)行分類預(yù)測(cè)，輸出最終的識(shí)別結(jié)果。

圖8 所提出的CNN模型結(jié)構(gòu)

3 實(shí)驗(yàn)與分析

3.1 試件的制備

本文選用立銑工藝制造方法制成的上表面粗糙度為0.8μm、1.6μm、3.2μm、6.3μm，下表面均為光滑表面的4個(gè)表面粗糙度比較樣塊，試件材質(zhì)均為45號(hào)優(yōu)質(zhì)碳素鋼，幾何尺寸為22.5mm×20mm× 5mm。為了更好地表征試件表面樣貌狀態(tài)，使用光學(xué)3D表面輪廓儀對(duì)試件進(jìn)行非接觸式掃描并建立了表面3D圖像，如圖9所示。由圖9可知，在物鏡放大倍數(shù)為20的條件下，各個(gè)試件表面之間有著顯著的區(qū)別，即粗糙痕跡從左至右逐漸加深，寬度逐漸增加。

圖9 試件表面狀態(tài)及三維形貌圖

3.2 實(shí)驗(yàn)平臺(tái)

實(shí)驗(yàn)所使用的電磁超聲檢測(cè)系統(tǒng)如圖10所示，其中包括由螺旋線圈和釹鐵硼永磁體組成的EMAT換能器、來(lái)自Ritec公司研發(fā)的RAM-5000超聲檢測(cè)系統(tǒng)、數(shù)字示波器以及用于控制超聲系統(tǒng)運(yùn)行的PC終端。實(shí)驗(yàn)采用收發(fā)一體式換能器，激發(fā)信號(hào)的中心頻率為6?MHz，脈沖寬度為5個(gè)周期。

圖10 實(shí)驗(yàn)平臺(tái)設(shè)備框圖

3.3 數(shù)據(jù)樣本的采集

在實(shí)驗(yàn)過(guò)程中，保持每個(gè)試件的信號(hào)采集位置均處于試件中心測(cè)量點(diǎn)，對(duì)每個(gè)試件分別進(jìn)行掃描，其相應(yīng)的時(shí)域回波信號(hào)如圖11所示。經(jīng)實(shí)際測(cè)量結(jié)果可知，位于相同位置測(cè)量點(diǎn)的時(shí)域回波信號(hào)的信號(hào)強(qiáng)度與聲波衰減規(guī)律十分相似，很難通過(guò)回波信號(hào)去分辨其為哪種粗糙表面，與1.2節(jié)所做仿真的結(jié)果相一致。

圖11 試件中心采集點(diǎn)時(shí)頻信號(hào)對(duì)比圖

隨后對(duì)四組時(shí)域信號(hào)進(jìn)行CWT變換，為了方便數(shù)據(jù)處理，選取圖11a中虛線框中的4個(gè)回波信號(hào)作為數(shù)據(jù)分析對(duì)象，并分別展示了實(shí)驗(yàn)所得的4個(gè)時(shí)域回波信號(hào)的時(shí)頻圖像，圖中顏色的深淺表示幅值的大小。由圖可知，經(jīng)過(guò)CWT處理后，位于同一數(shù)據(jù)采集點(diǎn)的各個(gè)回波的小波系數(shù)絕對(duì)值存在明顯的差異，即隨著試件表面粗糙度的增大，其激勵(lì)信號(hào)強(qiáng)度與散射波強(qiáng)度也會(huì)隨之增大。進(jìn)而導(dǎo)致其多次回波信號(hào)被淹沒(méi)在噪聲信號(hào)中，最終影響時(shí)頻圖中的能量分布和強(qiáng)度，使得不同粗糙度試件之間具備區(qū)分度，從而適合輸入所提的CNN模型中進(jìn)行特征提取，完成后續(xù)的實(shí)驗(yàn)。

基于上述分析結(jié)果，對(duì)實(shí)驗(yàn)樣本進(jìn)行擴(kuò)充。為了消除檢測(cè)時(shí)人工放置換能器所造成的位移偏差，增加實(shí)驗(yàn)測(cè)量的精度，在對(duì)試件進(jìn)行掃描時(shí)，分別對(duì)每個(gè)試件選取如圖12所示的五個(gè)具有代表性的位置作為數(shù)據(jù)樣本采集點(diǎn)，使用體波EMAT沿著每個(gè)試件的上粗糙表面進(jìn)行掃描，每個(gè)采集點(diǎn)分別記錄50次。當(dāng)完成全部掃描后，將創(chuàng)建一個(gè)含有1 000個(gè)A-Scan信號(hào)的樣本數(shù)據(jù)庫(kù)，然后通過(guò)CWT將其轉(zhuǎn)換為時(shí)頻系數(shù)圖，用于訓(xùn)練和驗(yàn)證所提出的CNN模型及SVM分類器。

圖12 測(cè)量數(shù)據(jù)樣本采集點(diǎn)

3.4 實(shí)驗(yàn)結(jié)果

通過(guò)使用本文構(gòu)建的CNN模型對(duì)全部圖像進(jìn)行特征提取后，得到了一個(gè)1 000行4列的特征矩陣。然后隨機(jī)選取每個(gè)試件的210組數(shù)據(jù)作為訓(xùn)練樣本，其余40組數(shù)據(jù)作為測(cè)試樣本，輸入到帶有RBF核函數(shù)的SVM分類器中。而核函數(shù)的參數(shù)與懲罰因子會(huì)對(duì)結(jié)果產(chǎn)生較大影響，為了得到更好的預(yù)測(cè)結(jié)果，本文選用網(wǎng)格搜索加5折交叉驗(yàn)證法來(lái)獲得最優(yōu)的參數(shù)。圖13展示了CNN單獨(dú)識(shí)別時(shí)測(cè)試數(shù)據(jù)的混淆矩陣，具體給出了每個(gè)類別的識(shí)別結(jié)果，其總精度為96.9%；而在圖14和圖15中可以清晰地看出，經(jīng)過(guò)優(yōu)化后的CNN-SVM模型的識(shí)別精度達(dá)到了98.75%，有顯著的提高，并且交叉驗(yàn)證的精度達(dá)到了100%，證明了該方法具有優(yōu)異的分類識(shí)別能力。

同時(shí)，為了驗(yàn)證所提方法的穩(wěn)定性，對(duì)實(shí)驗(yàn)數(shù)據(jù)重復(fù)測(cè)試了10次。表2列出了重復(fù)試驗(yàn)中的最高精度、最低精度、平均精度、標(biāo)準(zhǔn)差和平均計(jì)算時(shí)間。可以看出，所提模型的平均精度為98.83%±0.636%，證明了該方法具有出色的識(shí)別穩(wěn)定性。

圖13 CNN測(cè)試樣本混淆矩陣

圖14 SVM測(cè)試集識(shí)別結(jié)果

圖15 訓(xùn)練集交叉驗(yàn)證結(jié)果

表2 所提出的CNN-SVM模型識(shí)別結(jié)果

Tab.2 Recognition results of the proposed CNN-SVM model

4 結(jié)論

為了解決金屬試件在表面無(wú)預(yù)處理的狀態(tài)下，實(shí)現(xiàn)表面粗糙度快速識(shí)別的問(wèn)題，本文提出了一種基于深度學(xué)習(xí)的非接觸式電磁超聲表面粗糙度識(shí)別方法?；诖朔椒ǎ贸鲆韵陆Y(jié)論：

1）粗糙面的存在會(huì)影響試件表面渦流與洛侖茲力密度的分布，進(jìn)而影響激勵(lì)與接收信號(hào)的強(qiáng)度和超聲波在試件內(nèi)部的傳播路徑。同時(shí)，當(dāng)粗糙面的粗糙程度差異較小時(shí)，其回波信號(hào)幅值的可區(qū)分度非常微弱。

2）相比于單CNN識(shí)別模型，本文所提出的CNN-SVM模型的超聲信號(hào)識(shí)別方法在金屬試件表面粗糙度識(shí)別分類方面具有較高的準(zhǔn)確性與穩(wěn)定性，平均精度達(dá)到了98.83%±0.636%?？朔薊MAT實(shí)際測(cè)量時(shí)信噪比較低而導(dǎo)致信號(hào)特征難以解析的問(wèn)題，極大地提高了超聲信號(hào)的特征識(shí)別能力。

3）實(shí)驗(yàn)測(cè)量結(jié)果可以反映出，當(dāng)換能器部分作用于被測(cè)試件時(shí)，該方法依然能夠準(zhǔn)確地對(duì)其接收信號(hào)進(jìn)行識(shí)別。

[1] Haghshenas A, Khonsari M M. Damage accumulation and crack initiation detection based on the evolution of surface roughness parameters[J]. International Journal of Fatigue, 2018, 107: 130-144.

[2] 瞿雪元, 顧廷權(quán), 方百友. 帶鋼表面粗糙度在線檢測(cè)技術(shù)最新進(jìn)展[J]. 電子測(cè)量與儀器學(xué)報(bào), 2017, 31(4): 493-500.

Qu Xueyuan, Gu Tingquan, Fang Baiyou. Review of surface roughness online measurement techniques of steel strip[J]. Journal of Electronic Measurement and Instrumentation, 2017, 31(4): 493-500.

[3] Tian Xiaobo, Tu Xingzhou, Zhang Junchao, et al. Snapshot multi-wavelength interference microscope[J]. Optics Express, 2018, 26(14): 18279-18291.

[4] Baradit E, Gatica C, Yá?ez M, et al. Surface roughness estimation of wood boards using speckle interferometry[J]. Optics and Lasers in Engineering, 2020, 128: 106009.

[5] Liao H S, Cheng S H, Hwu E T. Development of a resonant scanner to improve the imaging rate of astigmatic optical profilometers[J]. IEEE/ASME Transactions on Mechatronics, 2021, 26(2): 1172-1177.

[6] 劉素貞, 王淑娟, 張闖, 等. 鋼板電磁超聲表面波的仿真分析及缺陷定量檢測(cè)[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(1): 97-105.

Liu Suzhen, Wang Shujuan, Zhang Chuang, et al. Simulation analysis of electromagnetic acoustic surface wave of steel plate and quantitative defect detection[J]. Transactions of China Electrotechnical Society, 2020, 35(1): 97-105.

[7] 張闖, 魏琦, 劉素貞, 等. 小尺寸試件檢測(cè)用單向單模態(tài)電磁超聲換能器設(shè)計(jì)[J]. 電工技術(shù)學(xué)報(bào), 2019, 34(17): 3563-3571.

Zhang Chuang, Wei Qi, Liu Suzhen, et al. Design of unidirectional single-mode electromagnetic acoustic transducer for small size specimen detection[J]. Transactions of China Electrotechnical Society, 2019, 34(17): 3563-3571.

[8] 翟國(guó)富, 梁寶, 賈文斌, 等. 橫波電磁超聲相控陣換能器設(shè)計(jì)[J]. 電工技術(shù)學(xué)報(bào), 2019, 34(7): 1441-1448.

Zhai Guofu, Liang Bao, Jia Wenbin, et al. Design of the shear wave electromagnetic ultrasonic phased array transducer[J]. Transactions of China Electrotechnical Society, 2019, 34(7): 1441-1448.

[9] Shi F, Lowe M J S, Xi X, et al. Diffuse scattered field of elastic waves from randomly rough surfaces using an analytical Kirchhoff theory[J]. Journal of the Mechanics and Physics of Solids, 2016, 92: 260-277.

[10] Wang Zhe, Cui Ximing, Pu Haiming, et al. Influence of surface roughness on energy change of excitation process in EMAT thickness measurement[J]. International Journal of Applied Electromagnetics and Mechanics, 2019, 59(4): 1479-1486.

[11] Wang Zhe, Cheng Jingwei. Numerical and analytical study for ultrasonic testing of internal delamination defects considering surface roughness[J]. Ultrasonics, 2021, 110: 106290.

[12] Manhertz G, Bereczky A. STFT spectrogram based hybrid evaluation method for rotating machine transient vibration analysis[J]. Mechanical Systems and Signal Processing, 2021, 154: 107583.

[13] Dharitri D. A new steganalysis DWT domain implicit image analysis method[J]. Journal of Social Science and Humanities, 2020, 2(4): 29-32.

[14] Cho H, Yoon H J, Jung J Y. Image-based crack detection using crack width transform (CWT) algorithm[J]. IEEE Access, 2018, 6: 60100-60114.

[15] Ye Jiaxing, Ito S, Toyama N. Computerized ultrasonic imaging inspection: from shallow to deep learning[J]. Sensors (Basel, Switzerland), 2018, 18(11): 3820.

[16] 楊秋玉, 阮江軍, 黃道春, 等. 基于振動(dòng)信號(hào)時(shí)頻圖像識(shí)別的高壓斷路器分閘緩沖器狀態(tài)評(píng)估[J]. 電工技術(shù)學(xué)報(bào), 2019, 34(19): 4048-4057.

Yang Qiuyu, Ruan Jiangjun, Huang Daochun, et al. Opening damper condition evaluation based on vibration time-frequency images for high-voltage circuit breakers[J]. Transactions of China Electrotechnical Society, 2019, 34(19): 4048-4057.

[17] 侯智, 曾杰. 基于BP神經(jīng)網(wǎng)絡(luò)的軸承套圈溝道磨削粗糙度識(shí)別[J]. 機(jī)械設(shè)計(jì)與研究, 2019, 35(3): 119-122.

Hou Zhi, Zeng Jie. Roughness identification of bearing ring groove grinding based on BP neural network[J]. Machine Design & Research, 2019, 35(3): 119-122.

[18] 肖雄, 王健翔, 張勇軍, 等. 一種用于軸承故障診斷的二維卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2019, 39(15): 4558-4567.

Xiao Xiong, Wang Jianxiang, Zhang Yongjun, et al. A two-dimensional convolutional neural network optimization method for bearing fault diagnosis[J]. Proceedings of the CSEE, 2019, 39(15): 4558-4567.

[19] Liu Hongmei, Li Lianfeng, Ma Jian. Rolling bearing fault diagnosis based on STFT-deep learning and sound signals[J]. Shock and Vibration, 2016, 2016: 6127479.

[20] Zakri A A, Darmawan S, Usman J, et al. Extract fault signalDWT and penetration of SVM for fault classification at power system transmission[C]//2018 2nd International Conference on Electrical Engineering and Informatics (ICon EEI), Batam, Indonesia, 2018: 191-196.

[21] Ogilvy J A. Wave scattering from rough surfaces[J]. Reports on Progress in Physics, 1987, 50(12): 1553-1608.

[22] Jiang Yuxiang, Li Zhenhua. Monte Carlo simulation of Mueller matrix of randomly rough surfaces[J]. Optics Communications, 2020, 474: 126113.

A Deep Learning-Based Electromagnetic Ultrasonic Recognition Method for Surface Roughness of Workpeice

Cai Zhichao Sun Yihu Zhao Zhenyong Li Yibo

（School of Electrical and Automation Engineering East China Jiaotong University Nanchang 330013 China）

Surface roughness directly determines the performance and service life of the workpiece. As customary surface roughness detection methods based on optical or three-dimensional profilometers have higher requirements on the surface cleaning state and operating environment, a non-contact electromagnetic ultrasonic surface roughness recognition method based on deep learning is proposed under this paper. Firstly, the effects of eddy current density and the Lorentz force on the excitation and reception signals are investigated by establishing the finite element simulation model of electromagnetic ultrasound with different surface roughness. Then, the proposed convolutional neural network is utilized to extract the features of the time-frequency coefficient map of the A-scan signal detected by the electromagnetic ultrasonic transducer, which is input into the pre-trained support vector machine classifier to complete the roughness recognition and prediction. To verify the proposed method, the surface roughness comparison block processed by the end milling process is tested. The experimental results show that the average accuracy of the proposed ultrasonic recognition method is 98.83%, which has high prediction accuracy and stability, solves the problem of the low signal-to-noise ratio of the ultrasonic signal which leads to difficult signal feature recognition, and reduces the dependence of feature extraction process on manual intervention.

Surface roughness, electromagnetic acoustic transducer（EMAT）, deep learning, convolution neural network, image recognition

10.19595/j.cnki.1000-6753.tces.210707

TB553; TP183

國(guó)家自然科學(xué)基金青年基金（51807065）、無(wú)損檢測(cè)技術(shù)福建省高校重點(diǎn)實(shí)驗(yàn)室（S2-KF2007）和江西省重點(diǎn)研發(fā)計(jì)劃一般項(xiàng)目（20202BBEL53015）資助。

2021-05-15

2021-07-13

蔡智超 男，1989年生，博士，副教授，碩士生導(dǎo)師，研究方向?yàn)楣こ屉姶艌?chǎng)、無(wú)損檢測(cè)技術(shù)。E-mail：zccai@foxmail.com（通信作者）

孫翼虎 男，1998年生，碩士研究生，研究方向?yàn)殡姶艧o(wú)損檢測(cè)技術(shù)。E-mail：sunyh1619@163.com

（編輯 郭麗軍）