首頁>技術中心>技術資訊>人工神經網絡在電磁無損檢測中的應用
人工神經網絡在電磁無損檢測中的應用
發布時間：2017-11-22
電磁無損檢測是利用材料在電磁場作用下呈現出的電學或磁學性質的變化,判斷材料內部組織及有關性能的檢測方法,是無損檢測技術的一個重要分支。目前一個重要的前沿課題就是使電磁無損檢測由定性檢測走向定量檢測,即不僅要確定缺陷的有無,而且要確定缺陷的大小、形狀、取向和性質等。電磁定量檢測的發展具有重要意義,它與斷裂力學結合可以預測材料壽命。近年來,人工神經網絡技術在電磁定量無損檢測研究與應用中取得了一定的成果[1~11]。
1人工神經網絡
人工神經網絡是由一些簡單的元件及其層次組織的大規模并行連接構造的網絡,它致力于按照生物神經系統的方式處理真實世界的客觀事物,本質上是一種更接近于人的認知過程的計算模型[12~15]。由于它具有高度的非線性映射、快速并行分布處理、容錯性、自組織和自學習等能力,為解決比較困難的認知任務提供了一種嶄新手段,廣泛應用于信號處理、故障診斷、模式識別、機器視覺、復雜優化問題、自動目標識別、知識處理和智能控制等領域。
目前人工神經網絡技術已發展出多種人工神經網絡模型,如單層感知器、多層感知器、Hopfield網絡、ART網絡、RBF網絡、玻耳茲曼機模型以及雙向記憶網絡等。其中,多層感知器模型、ART網絡和RBF網絡應用較廣泛。目前已發表的電磁無損檢測研究成果多采用多層感知器和RBF網絡模型
2BP網絡和模糊BP網絡
2.1BP網絡
BP網絡的結構采用多層感知器[12,13],它是前饋網絡中最重要的一種,包括一個輸入層、一個或多個隱層以及一個輸出層,每層有若干個神經元,其拓撲結構見圖1。網絡的作用不是尋找一個確定的數學表達式,而是把樣本集合中的輸入向量輸入給網絡后,依據一定的算法,使網絡的實際輸出在某種數學意義下是理想輸出的最佳逼近。
輸入向量X=(x1,x2,…,xn)和輸出向量Y=(y1,y2,…,ym)之間的關系可視為一映射關系,即
I和R的值域空間可相同,亦可不同。Kd-mogorov定理指出,一個三層結構的人工神經網絡,輸入層有n個神經元,隱層有2n+1個神經元,輸出層有m個神經元,即可在任意精度下逼近任意的非線性函數,是一種全局逼近器。
BP網絡的訓練常采用誤差反向傳播算法(errorback propagation algorithm,簡稱BP算法),這種學習算法通過誤差反向傳播修正隱層權重,從輸出層確定系統誤差,然后將其傳播到隱層,直到輸入層,在最小均方差意義下最終確定各層間的連接權重。有關BP算法的詳細內容見文獻[12,13] 。
BP網絡的致命弱點是容易陷入局部極小,由于BP算法的固有特性,局部極小的問題不可能從根本上避免,且BP網絡隱層節點數目的確定依賴于經驗和試湊,很難得到最優網絡。
2.2模糊BP網絡
模糊神經網絡[7]在本質上是將常規神經網絡(BP和Hopfield神經網絡等)賦予模糊輸入信號或模糊權值。模糊神經網絡通常有三類,如具有實數輸入信號,且具有模糊權值;具有模糊輸入信號,且具有實數權值;具有模糊輸入信號,且具有模糊權值。模糊BP神經網絡拓撲結構見圖2,由輸入層、模糊化層、BP網映射層、反模糊化層及輸出層組成同層節點中沒有任何耦合。模糊神經網絡亦是全局逼近器,可用來解決缺陷的定量判別問題。
模糊神經網絡在應用于模式識別時,不但具有神經網絡的主要優勢(如很強的穩健性、容錯性和自學習性),而且同時具備模糊系統善于處理分類邊界模糊的數據以及易于引入啟發性知識的能力,因此基于模糊神經網絡所建立的檢測信號處理系統能夠快速適應變化的環境,具有其它方法建立的系統所不可比擬的柔性和應變能力,易于實現智能決策。
3RBF網絡
徑向基函數(radial basis function,簡稱RBF)理論[14,15]為多層前饋網絡的學習提供了一種新穎而有效的手段。RBF網絡不僅有良好的推廣能力,而且避免了BP算法中繁瑣、冗長的計算,學習速度可以比通常的BP算法提高上千倍,其隱層節點的數目也在訓練過程中確定,因此可以得到最優解。
RBF網絡是一種單隱層前饋網絡,其拓撲結構見圖3。輸入層節點只是傳遞輸入信號到隱層,隱層節點(即RBF節點)由徑向基函數構成,輸出層節點通常是簡單的線性函數。隱層的基函數對輸入激勵產生一個局部化的響應,即僅當輸入落在輸入空間中一個很小的指定區域時,隱單元才作出有意義的非零響應,響應值為0~1。
在RBF神經網絡中,隱層最常用的激勵函數是高斯函數
X―――輸入矢量
cj―――隱層第j個徑向基函數的中心
E―――單位矢量
σj―――徑向基函數的寬度,用于控制函數的局部性程度
RBF網絡的輸出可表示為
4應用實例
漏磁檢測和渦流檢測是兩種主要的電磁無損檢測方法。漏磁檢測以其速度快、穿透力強、不受油水影響,對管道內部缺陷具有較高靈敏度,且成本低和操作簡單等特點,被廣泛應用于輸油、輸氣和輸水等鐵磁性工業管道的檢測。在漏磁檢測中,磁力線走向的不定性和很強的空間敏感性,以及檢測過程中測量間隙等波動現象造成檢測信號的重復性和穩定性較差。從磁場分布特征來看,不同幾何形狀的缺陷可能產生相似的磁場分布圖形,因而,從磁場分布圖形反演幾何尺寸時,反演運算并非唯一,存在著不定性。以上這些因素對磁信號的定量解釋造成了極大的障礙,因此漏磁檢測與評價的最終難點是檢測信號的定量解釋。渦流檢測以電磁感應理論為基礎,當導體位于交變磁場中時將感應渦流,渦流也會產生一個反磁場來改變原磁場的強弱,進而導致線圈電壓和阻抗的改變,渦流檢測就是通過測量線圈阻抗的變化或擾動磁場(缺陷引起的空間磁場的變化)的分布來判斷缺陷大小的。體中各種性能變化及缺陷尺寸都將影響渦流的分布,使得各種缺陷的信號特征難以識別。人工神經網絡所具有的非線性映射能力,使漏磁和渦流檢測從定性向定量轉化成為可能,為設備的安全運行提供更精確的保證。
筆者曾在輸油管道的漏磁檢測裝置研究中采用模糊BP神經網絡[7]對輸油管道上直徑為??.png){kind=small}
~10mm的十個標準人工鉆孔的漏磁信號進行分類研究,其特征參數分別為信號的周向綜合峰峰值、周向綜合方差和軸向方差,訓練后的神經網絡對學習樣本和測試樣本的分類識別率均達到100%。在基于擾動磁場測量的鐵路鋼軌渦流檢測技術的研究中,采用信號峰峰值、波寬、波形面積和短時能量等特征量作為RBF網絡的輸入對軌的裂紋和剝落等缺陷進行分類,并對裂紋的長度和深度進行定量評價。仿真研究表明,網絡對裂紋和剝落的分類識別率為98%,對長度和深度的識別誤差<±5%。
5結論
將人工神經網絡應用于電磁無損檢測,可在一定程度上解決電磁檢測信號定量解釋中遇到的困難,使電磁無損檢測技術更好地服務于生產實踐。隨著人工神經網絡的不斷完善和計算機技術的迅速發展,人工神經網絡必將在電磁無損檢測中發揮愈來愈重要的作用。今后可在以下幾個方面作進一步研究,即①進一步優化人工神經網絡的模型結構和訓練算法,提高其輸出精度和訓練速度。②將人工神經網絡與小波理論、模糊集和專家系統等相結合,開發出具有較高智能水平的無損檢測應用軟件。③開展基于人工神經網絡芯片的硬件系統的研究,使人工神經網絡系統的應用產品化。
摘自：中國計量測控網
