陳振華，胡懷輝，盧 超

（南昌航空大學(xué) 無損檢測教育部重點試驗室，南昌 330063）

超聲 TOFD（Time of Flight Diffraction）法具有實時成像、檢測速度快、檢出率高［1－2］等優(yōu)點。然而，該方法也存在著自身的技術(shù)缺點，近表面檢測盲區(qū)一直是超聲TOFD檢測方法需要解決的難點問題。為了提高對缺陷檢測的效率，近年來信號處理及模式識別技術(shù)用于超聲檢測領(lǐng)域的研究成果越來越多，較為突出的是將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于缺陷類型的識別，這方面取得了不錯的效果。

遲大釗、陳偉［3－4］等通過對檢測波形信號進行分析，張 銳、陳天璐［5－6］等通過優(yōu)化檢測方法及延長衍射波傳播路徑等方法來降低近表面檢測盲區(qū)，這些方法對近表面缺陷的識別能力都有所提高。但都有各自的缺點，如缺陷信號損傷、側(cè)向波抑制不完全，衍射信號衰減等問題。在利用人工神經(jīng)網(wǎng)絡(luò)實現(xiàn)缺陷類型識別的研究成果中，較有代表性的是M Lorenz、陳超［7］等人分別以超聲回波傅氏譜、缺陷圖像的特征參數(shù)作為網(wǎng)絡(luò)所需的特征向量，實現(xiàn)神經(jīng)網(wǎng)絡(luò)對各類缺陷進行自動識別分類。

筆者主要對近表面缺陷檢測的直通波信號幅度的分布進行分析，針對直通波時域范圍內(nèi)選取多個關(guān)鍵點，通過這些關(guān)鍵點在不同近表面缺陷的幅值變化發(fā)現(xiàn)了與直通波重疊的端部衍射波。基于直通波幅度分布提出了檢測特征值，根據(jù)該特征值分布能夠檢測近表面缺陷，同時利用BP神經(jīng)網(wǎng)絡(luò)處理非線性問題的優(yōu)勢，將該特征值作為BP神經(jīng)網(wǎng)絡(luò)所需的特征向量，實現(xiàn)對近表面孔狀缺陷的自動識別分類。

1 超聲TOFD直通波特征值

1.1 試驗方法

試驗中采用斜角為60°，中心頻率為5MHz的超聲TOFD檢測專用探頭，檢測系統(tǒng)的最大采樣率為60MHz。對加工附有直徑均為1mm，深度不同的孔狀缺陷的鋁合金板試塊（圖1）進行檢測，試塊上5類不同深度缺陷從左至右深度分別為1，2，3，5，10mm。檢測時兩探頭以被檢孔為中心對稱放置，由于各類缺陷均屬于近表面缺陷，因此探頭間距設(shè)為5mm，如圖2所示。試驗對近表面各淺孔進行檢測，提取檢測波形。

圖1 試塊示意圖

圖2 探頭布置示意圖

1.2 直通波特征值分析

人工缺陷的開口淺孔對板面的破壞導(dǎo)致了直通波的衰減，圖3顯示為檢測直徑1mm，深度10mm孔與表面完整時的直通波信號。10mm深孔的檢測直通波不受端部衍射波的影響而僅由表面的破壞引起。因此為更準(zhǔn)確地描述近表面缺陷尖端衍射對直通波幅度的影響而同時又不引入表面破壞的干擾，試驗中采用直徑1mm，深度10mm深孔的檢測直通波作為無近表面缺陷的檢測信號。

圖3 表面破壞對直通波波幅的影響

圖4為各淺孔的超聲TOFD檢測直通波信號，圖中虛線為10mm深孔的檢測信號（無近表面缺陷時的直通波信號）。由圖4可看出，孔深為1，2mm時幾乎看不到端部衍射波，3mm開始出現(xiàn)了較明顯的衍射波形，當(dāng)孔深增大到5mm時，能清晰地看到整個衍射波信號。

圖4 近表面缺陷與無近表面缺陷的波形對比圖

在直通波時域范圍內(nèi)選取多個關(guān)鍵點，通過各關(guān)鍵點的幅值變化探討直通波與淺孔端部衍射波的相互作用，各關(guān)鍵點編號為A～E，如圖5（a）所示。1～5mm淺孔以及無近表面缺陷時，直通波各個參考點的幅值變化數(shù)據(jù)圖如圖5（b）所示；與無近表面缺陷直通波信號相比，1mm淺孔的A點幅度變化最大，其余關(guān)鍵點幅度基本不變；2mm淺孔的B，C點幅度的變化較大；3mm淺孔的C，D點幅度變化最大；5mm淺孔的E點幅度變化最大，其余關(guān)鍵點基本恢復(fù)原幅值。通過圖5（b）的變化趨勢可知，隨著孔深的增大，其端部衍射波對直通波幅度的影響在時域上逐漸右移（由A向E移動）。

圖5 直通波各關(guān)鍵點位置與幅值變化曲線

通過以上分析可知，超聲TOFD檢測近表面缺陷時，其直通波的幅值變化包含著大量的近表面缺陷信息，通過直通波幅度的分布特征可以對近表面缺陷進行檢測。依據(jù)試驗數(shù)據(jù)可得到各淺孔的檢測特征分布如圖6所示，圖中橫坐標(biāo)上的1～5數(shù)字分別對應(yīng)A－B5個關(guān)鍵點。依據(jù)該特征分布能夠?qū)砻嫒毕葸M行檢測并估計缺陷深度。

圖6 近表面缺陷超聲TOFD直通波幅度檢測特征值分布

由于依據(jù)近表面直通波信號幅值的特征信息對缺陷的識別過程復(fù)雜，缺陷類別容易引起誤判，同時對檢測人員的理論及經(jīng)驗水平有較高要求，因此筆者利用BP神經(jīng)網(wǎng)絡(luò)處理非線性問題的優(yōu)勢，以實現(xiàn)對近表面孔狀缺陷的自動識別分類，從而減少一定的工作量，提高對近表面缺陷檢測效率。

2 分類器的設(shè)計

分類器設(shè)計采用誤差反向傳播神經(jīng)網(wǎng)絡(luò)（又稱BP神經(jīng)網(wǎng)絡(luò)），由于它的結(jié)構(gòu)簡單，是目前神經(jīng)網(wǎng)絡(luò)中研究最多、應(yīng)用最廣的一類網(wǎng)絡(luò)［8］。而且，BP神經(jīng)網(wǎng)絡(luò)有著較強的非線性映射能力，具有廣泛的適應(yīng)性和有效性，已經(jīng)成功地解決了許多領(lǐng)域的實際問題，特別是在模式識別與分類方面，如語言、文字、圖像的識別，醫(yī)學(xué)特征的分類、診斷等［9］。

2.1 BP神經(jīng)網(wǎng)絡(luò)設(shè)計

BP神經(jīng)網(wǎng)絡(luò)的設(shè)計過程尤為重要，主要是對輸入層、隱含層、輸出層的選取確定。提取圖5（a）直通波各關(guān)鍵點幅值作為網(wǎng)絡(luò)樣本輸入的特征向量。為了能夠適應(yīng)BP網(wǎng)絡(luò)的輸出，加快訓(xùn)練網(wǎng)絡(luò)的收斂性，同時也可以減小權(quán)值調(diào)整幅度，以及為了避免試驗參數(shù)增益的影響，在網(wǎng)絡(luò)訓(xùn)練之前需要將輸入樣本特征值進行歸一化處理。如僅對A～E關(guān)鍵點幅值進行峰值歸一化處理，各類缺陷特征值A(chǔ)點的值均被歸一化為1，將導(dǎo)致對近表面孔深1mm缺陷與無近表面缺陷（孔深10mm缺陷）無法正確識別分類，因為孔深1mm缺陷區(qū)別于無近表面缺陷的關(guān)鍵點位于直通波時域范圍A點，依據(jù)其他各關(guān)鍵點無法對該兩類缺陷識別分類；為了保留A點原有的特征信息，引入另一特征向量O點，O點位置如圖5（a）所示，由于各類缺陷O點狀態(tài)基本保持不變，因此以O(shè)點幅值為基準(zhǔn)，對所提取的6個特征值（O－A－B－C－D－E）除以O(shè) 點幅值進行數(shù)據(jù)處理，將處理后的特征值作為網(wǎng)絡(luò)輸入樣本。

文章主要對5類缺陷進行BP神經(jīng)網(wǎng)絡(luò)識別，孔深分別為1，2，3，5m缺陷和無缺陷的網(wǎng)絡(luò)輸出向量分別為10000，01000，00100，00010，00001，因而BP網(wǎng)絡(luò)輸入層神經(jīng)元的單元數(shù)為6，輸出層單元數(shù)為5；然而隱含層單元數(shù)的確定至今還沒有一個完善的理論指導(dǎo)，通常是在實際操作中根據(jù)神經(jīng)網(wǎng)絡(luò)設(shè)計者的經(jīng)驗和估計來確定［10］。隱含層單元數(shù)與問題的要求，輸入輸出單元的多少有直接關(guān)系，隱含層單元數(shù)太少可能不能學(xué)習(xí)出來，且容錯性差，但隱含層單元數(shù)太多又會使學(xué)習(xí)時間太長，誤差不一定最佳。隱含層單元數(shù)借鑒經(jīng)驗公式［11］來確定：

式中：n1為隱含層單元數(shù)；n為輸出層單元數(shù)；m為輸入層單元數(shù)；l為1～10之間的整數(shù)。

通過采用不同隱層單元數(shù)進行學(xué)習(xí)，找出最優(yōu)隱含層單元數(shù)，首先根據(jù)經(jīng)驗式（1）給定一個較小的初始隱含層單元數(shù)，構(gòu)成一個結(jié)構(gòu)較小的BP神經(jīng)網(wǎng)絡(luò)進行學(xué)習(xí)，然后采用增長法對隱含層的神經(jīng)元個數(shù)進行確定。所謂增長法是指在人工神經(jīng)網(wǎng)絡(luò)開始運作前選擇較少的隱層神經(jīng)元，然后對給定的實際問題，在學(xué)習(xí)過程中逐步增加隱層神經(jīng)元個數(shù)（每次增加一個或者多個神經(jīng)元），直到網(wǎng)絡(luò)模型滿足性能要求，選擇較為適合的神經(jīng)元數(shù)。

2.2 BP網(wǎng)絡(luò)參數(shù)設(shè)置及訓(xùn)練

試驗對5類型缺陷數(shù)據(jù)按圖2所示的檢測方式進行采集，將處理后的數(shù)據(jù)作為訓(xùn)練樣本，樣本總數(shù)200個，每類缺陷樣訓(xùn)練本數(shù)各40個；網(wǎng)絡(luò)中輸入層神經(jīng)元單元數(shù)為6，輸出層單元數(shù)為5，最大迭代次數(shù)設(shè)為700，目標(biāo)誤差為1e－8；隱含層采用logsig傳遞函數(shù)，輸出層采用purelin傳遞函數(shù)，網(wǎng)絡(luò)采用具有最快收斂速度的Levenberg－Marquardt算法。

采用增長法確定網(wǎng)絡(luò)中隱含層的單元數(shù)，訓(xùn)練中逐步增加隱含層單元數(shù)，每增加隱含層單元數(shù)訓(xùn)練20次，觀察訓(xùn)練的誤差性能曲線變化。圖7為隱含層中不同單元數(shù)訓(xùn)練20次所對應(yīng)達目標(biāo)誤差時所用的平均迭代次數(shù)。從圖7中可以發(fā)現(xiàn)隨著隱含層單元數(shù)的增加，平均迭代次數(shù)整體呈上升趨勢；據(jù)此可知，隱含層單元數(shù)越多，則達目標(biāo)誤差所需的迭代次數(shù)越多；迭代次數(shù)的增多，網(wǎng)絡(luò)運行所需要的時間必然增大。

圖7 隱含層單元數(shù)對應(yīng)的平均迭代次數(shù)

基于網(wǎng)絡(luò)的穩(wěn)定性、達到目標(biāo)誤差所需的迭代次數(shù)以及訓(xùn)練時間的綜合考慮，試驗將隱含層單元數(shù)設(shè)為6進行網(wǎng)絡(luò)訓(xùn)練，得出一個誤差曲線比較平穩(wěn)的BP神經(jīng)網(wǎng)絡(luò)，誤差性能曲線如圖8所示，運用該網(wǎng)絡(luò)對各類缺陷進行識別分類。

圖8 訓(xùn)練的誤差性能曲線

3 測試結(jié)果及分析

測試數(shù)據(jù)按圖2檢測方式，其他參數(shù)不變，對孔深1，2，3，5mm的缺陷和無缺陷類型進行數(shù)據(jù)采集；將所采集的數(shù)據(jù)進行特征值的提取并進行數(shù)據(jù)處理作為測試樣本，利用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進行測試，測試樣本數(shù)共300個，每類缺陷測試樣本數(shù)各60個。每類缺陷測試后識別樣本數(shù)均為60，誤判數(shù)均0，正確識別率均為100%。經(jīng)過測試各類型缺陷的識別率均為100%，無一判錯，由此可見該網(wǎng)絡(luò)能夠有效、準(zhǔn)確地對各類近表面缺陷進行分類識別。

4 結(jié)論

（1）近表面缺陷的端部衍射波與直通波相互疊加影響直通波的幅度分布，直通波幅度分布中包含大量的缺陷信息?；谥蓖úǚ确植继岢隽私砻嫒毕莸臋z測特征值，通過該特征值的分布可以檢測近表面缺陷。

（2）BP神經(jīng)網(wǎng)絡(luò)能夠快速、有效、準(zhǔn)確地對鋁合金板近表面孔狀缺陷進行識別分類，充分體現(xiàn)了神經(jīng)網(wǎng)絡(luò)識別過程的智能化。

（3）神經(jīng)網(wǎng)絡(luò)中隱含層神經(jīng)元數(shù)目的選取沒有一個完善的理論依據(jù)，需結(jié)合某個經(jīng)驗公式及其他方法，并通過不斷反復(fù)試驗來選擇較為合適的神經(jīng)元數(shù)目。

（4）基于直通波分布的檢測特征值容易受到表面狀態(tài)如：污染、腐蝕、劃痕等的影響，因此筆者提出的方法對被檢件的表面狀態(tài)要求較高。

［1］ 伊新.TOFD檢測技術(shù)基本原理及其應(yīng)用探討［J］.石油化工應(yīng)用，2008，27（3）：29－31.

［2］ GANG Tie，CHI Dazhao.Novel approach to the enhancement of ultrasonic TOFD B－scan image for the measurement of weld crack［J］.Science and Technology of Welding and Joining，2007，12（1）：87－93.

［3］ 遲大釗.基于超聲TOFD法的焊縫缺陷表征研究［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2007：52－71.

［4］ 陳偉，詹紅慶，楊貴德，等.基于直通波抑制的超聲TOFD圖像缺陷檢測新方法［J］.無損檢測，2010，32（6）：402－405.

［5］ 張銳，萬明習(xí)，CAO W W.超聲衍射—回波渡越時間方法焊縫裂紋原位定量無損估計［J］.機械工程學(xué)報，2000，36（5）：54－57.

［6］ 陳天璐，闕沛文.基于超聲衍射反射回波渡越時間的缺陷識別技術(shù)［J］.化工自動化及儀表，2006，33（4）：50－52.

［7］ 陳濤，劉獻禮，吉舉正，等.基于BP神經(jīng)網(wǎng)絡(luò)的鋼球表面缺陷識別［J］.機械工程師，2010（7）：81－82.

［8］ 楊建剛.人工神經(jīng)網(wǎng)絡(luò)實用教程［M］.杭州：浙江大學(xué)出版社，2001.

［9］ SCHOLKOPF B，SMOLA A.Nonlinear component analysis as kernel eigen value problem［J］.Neural Computation，1998，10（5）：1299－1319.

［10］ 王立威.人工神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元數(shù)的確定［D］.重慶：重慶大學(xué)，2012.

［11］ 韓英莉，顏云輝.基于BP神經(jīng)網(wǎng)絡(luò)的帶鋼表面缺陷的識別與分類［J］.儀器儀表學(xué)報，2006（12）：138－140.