基于GA-BP神經網絡的微裂紋漏磁定量識別技術

邱忠超， 張衛民， 張瑞蕾， 于霞， 陳國龍

(1.北京理工大學 機械與車輛學院，北京 100081；2.機械科學研究總院 先進制造技術研究中心，北京 100083；3.河北環境工程有限公司， 河北，承德 067000；4. 中國兵器工業導航與控制技術研究所，北京 100089)

?

基于GA-BP神經網絡的微裂紋漏磁定量識別技術

邱忠超1，2， 張衛民1， 張瑞蕾3， 于霞4， 陳國龍1

(1.北京理工大學 機械與車輛學院，北京 100081；2.機械科學研究總院 先進制造技術研究中心，北京 100083；3.河北環境工程有限公司， 河北，承德 067000；4. 中國兵器工業導航與控制技術研究所，北京 100089)

針對漏磁檢測定量識別技術中識別的缺陷尺寸大多為1～10 mm的較大裂紋，與實際自然裂紋相差太大的問題，將基于遺傳算法優化的BP神經網絡(GA-BP)算法應用到微裂紋缺陷的漏磁定量識別中，使得漏磁檢測定量識別缺陷的寬度、深度達到小于0.50 mm的微細裂紋，并通過基于磁偶極子模型的理論計算與漏磁檢測實驗兩種方法構建了微裂紋(0.10～0.30 mm)缺陷樣本庫. 由于在實際檢測過程中存在干擾噪聲的原因，實驗數據的預測結果誤差比理論計算數據預測結果明顯偏大，最大為16.73%，但預測結果能夠基本反映微裂紋缺陷的尺寸大小.

漏磁檢測；遺傳算法；反向傳播；神經網絡；微裂紋；定量識別

漏磁檢測技術被廣泛應用于鐵磁材料的無損評估中，如油氣管道、鋼絲繩等[1]. 隨著漏磁檢測技術的發展，不僅要求對缺陷能夠定性檢測，而且要求對缺陷的分布情況與尺寸進行識別，即定量識別. 定量識別技術一直是漏磁檢測的難點與研究熱點，現已成為該技術工程應用的瓶頸問題[2].

目前對漏磁檢測定量識別的研究工作主要集中在較大尺寸裂紋與仿真分析. Carvalhoa 等[3]采用BP神經網絡實現了管道焊接缺陷類型的識別；Hwang等[4]提出了用徑向基神經網絡與徑向小波基函數神經網絡對人工凹坑缺陷形狀重構；Ramuhalli[5]提出了一種基于神經網絡和模擬退火梯度下降相結合的技術來求解反演問題;王平等[6]通過有限元仿真與實驗方法實現了基于脈沖漏磁檢測技術的鋼軌裂紋的定量識別；張勇等[7]提出了一種基于磁偶極子模型的矩形裂紋的快速重構方法.

針對目前所識別的對象為較大尺寸裂紋(1～10 mm)，與自然裂紋相差較大的問題，并結合現有的裂紋檢測標準(0.12 mm)，本文所研究的微細裂紋是指寬度與深度都小于0.50 mm的矩形裂紋. 通過基于磁偶極子模型的理論計算與漏磁檢測實驗兩種方法構建微裂紋(0.10～0.30 mm)缺陷樣本庫，并將基于遺傳算法優化的BP神經網絡(GA-BP)應用到漏磁缺陷的定量識別中.

1 遺傳算法優化BP神經網絡

算法流程如圖1所示[8].

BP神經網絡是神經網絡中應用最廣的一種多層前饋神經網絡，它既是前向網絡的核心部分，也是神經網絡的精華. 然而，BP神經網絡在訓練之初各層的連接權值和閾值被初始化為[0，1]間的隨機值，這種未經優化的隨機值會使BP神經網絡的收斂速度慢，并且容易陷入局部極小值. GA-BP神經網絡是用遺傳算法優化BP神經網絡的初始權值和閾值，其基本思想就是用個體代表網絡的初始權值和閾值，個體值初始化的BP神經網絡的預測誤差作為該個體的適應度值，通過選擇、交叉、變異操作尋找最優個體，即最優的BP神經網絡初始權值和閾值.

2 漏磁樣本庫的建立

2.1 漏磁檢測信號的獲取

對垂直于試件軸線方向的裂紋進行定量識別，并采用和缺陷尺寸特征相關性較好的切向漏磁信號Hx進行研究. 通過兩種途徑獲取切向漏磁信號，第一種為基于磁偶極子模型的理論計算，第二種為搭建漏磁檢測實驗系統，通過AMR磁傳感器拾取漏磁檢測信號. 漏磁信號隨缺陷幾何形狀的不同而變化，而缺陷形狀千差萬別. 為了分析簡單，實驗以常見的矩形裂紋缺陷來說明漏磁信號的定量識別.

基于磁偶極子模型的理論計算是目前漏磁場分析常用的方法之一. 將裂紋類缺陷等效為無限長的矩形槽，槽寬2b，深h，P為空間中的任意一個點. 設磁化使矩形槽兩側壁均勻分布著極性相反、面密度相等的兩條磁荷帶，并設在槽的其它部位均無磁荷分布. 在空間任意點P(x，y)處，漏磁場的水平分量Hx表示為[2]

(1)

與磁偶極子模型不同，漏磁信號是通過AMR探頭掃描含不同裂紋尺寸的16MnR鋼試件得到的. 實驗中，每個裂紋的長度均為10 mm，缺陷寬度、深度尺寸組合形式為(2b，h)i，單位為mm，其中，i為樣本編號.

2.2 漏磁信號預處理

與磁偶極子模型得到的理想信號不同，漏磁檢測實驗數據是由AMR探頭沿裂紋寬度方向以等空間間隔采集的[9]，信號含有較多的背景噪聲，在定量化分析之前，需要對信號進行預處理. 漏磁信號預處理主要包括剔除信號奇異點，消除信號趨勢項以及濾波消噪3部分，結果如圖2所示.

由圖2可知，信號預處理對噪聲具有很強的抑制能力，不僅剔除了信號中的噪聲，而且保留了原始信號中的細節.

2.3 特征量的提取

漏磁缺陷樣本庫如表1所示.

表1 漏磁缺陷樣本庫

漏磁信號的定量識別與其特征量密切相關，因此特征量提取是漏磁信號分析的一個關鍵環節. 特征提取就是利用已有的特征參數構造一個較低維數的特征空間，將原始特征中蘊含的有用信息映射到少數幾個特征上，忽略多余的不相干信息.

在總結目前常見的漏磁信號特征量基礎上，并考慮到實驗采集到的漏磁信號含有較多噪聲，定義漏磁信號的主要波形特征量如下：

① 漏磁信號波形的峰-峰值，記為X1對于漏磁場Hx，峰-峰值定義為局部異常信號的波峰與波谷幅值之差的絕對值，它是衡量裂紋深度的一個重要指標.

② 漏磁信號波形下面積，記為X2波形下面積是指一個波動中曲線波動的面積，在這里，單個缺陷的漏磁信號由峰、谷組成一個波動，它反映信號的短時一階中心矩.

③ 漏磁信號波形的短時能量，記為X3短時能量通常指大約一個波動內的能量，它相當于信號的短時二階原點矩，反映了在一定空間內漏磁的能量，漏磁能量增大表明此時傳感器可能正處于被測試件的缺陷附件.

④ 漏磁信號波形的一次微分信號的峰-谷長值，記為X4對漏磁信號進行一次微分后，可以強化高頻部分，同時反映出信號的變化率. 由漏磁場產生機理可知，在裂紋邊界處漏磁信號會發生突變，故可用該特征量來衡量裂紋的寬度.

在定義了上述特征量之后，就可以利用磁偶極子模型(如式(1)所示)與檢測實驗得到微裂紋缺陷表面的漏磁信號，并通過特征提取構建漏磁檢測樣本庫，見表1.

3 漏磁檢測定量識別

3.1 GA-BP神經網絡

BP神經網絡結構包括輸入層、隱含層和輸出層，其中隱含層可以是一層或多層，本文所建立的BP神經網絡結構為4-8-2，即輸入層有4個節點(對應4個波形特征量X1～X4)，隱含層有8個節點，輸出層有2個節點(對應裂紋寬度、深度)，如圖3所示. 隱含層和輸出層函數的選擇對BP神經網絡預測精度有較大影響，本文中隱含層節點轉移函數選擇tansig函數，輸出層節點選擇purelin函數. 遺傳算法(GA)由遺傳算法工具箱(GAOT)實現.

3.2 結果分析與討論

為了檢驗特征量與算法的可靠性和實用性，對表1中的25個缺陷模型樣本，選擇20個作為訓練數據，其余5個作為測試數據. 采用圖3中所示的GA-BP神經網絡對理論計算數據與實驗數據進行預測，預測結果如表2所示.

由表2可以看出，理論計算數據的預測結果均達到93%以上，其中，深度的預測結果誤差小于3%，寬度的預測誤差稍大，最大為6.86%. 由此可知，深度與寬度的預測結果誤差已達到0.01 mm級別的精度，對理論計算數據的預測結果是比較成功的.

表2 預測結果

然而，實驗數據的預測結果誤差比理論計算數據預測結果誤差明顯偏大，最大為16.73%，這是由于在實際檢測過程中存在很多干擾噪聲的原因，但預測結果能夠基本反映缺陷的尺寸大小. 由實驗數據的預測結果可知，GA-BP神經網絡基本可以定量識別微裂紋缺陷的尺寸.

4 結 論

通過基于磁偶極子模型的理論計算與實驗兩種方法構建微裂紋缺陷樣本庫，并將GA-BP神經網絡應用到微裂紋漏磁檢測定量識別中. 結果表明：對理論計算數據，采用GA-BP神經網絡預測深度與寬度的誤差較小，預測結果比較成功；對實驗數據，采用GA-BP神經網絡基本能夠定量識別人工預制微裂紋缺陷的尺寸，為自然裂紋的定量識別提供了一定基礎.

[1] 黃松嶺.油氣管道缺陷漏磁內檢測理論與應用[M].北京：機械工業出版社，2013.

Huang Songling. The theory and application of magnetic flux leakage inspection on oil-gas pipe defects[M]. Beijng: China Machine Press， 2013. (in Chinese)

[2] 王長龍，陳自立，馬曉琳，等. 漏磁檢測的缺陷可視化技術[M]. 北京：國防工業出版社，2014.

Wang Changlong， Chen Zili， Ma Xiaolin， et al. Visualization technology of detect in magnetic flux leakage testing[M]. Beijing: National Defense Industry Press， 2014. (in Chinese)

[3] Carvalhoa A A， Rebelloa J M A， Sagrilo L V S. MFL signals and artificial neural networks applied to detection and classification of pipe weld defects[J]. NDT&E International， 2006，39:661-667.

[4] Hwang K， Mandaym S， Udpa S S. Characterization of gas pipeline inspection signals using wavelet basis function neural networks[J]. NDT&E International， 2000，33:531-545.

[5] Ramuhalli P， Udpa L. Electromagnetic NDE signal inversion by function-approximation neural networks[J]. IEEE Transaction on Magnetics， 2002，38(6):3633-3641.

[6] Wang P， Xiong L H， Sun Y C， et al. Features extraction of sensor array based PMFL technology for detection of rail cracks[J]. Measurement， 2014，47:613-626.

[7] Zhang Y， Ye Z F， Wang C. A fast method for rectangular crack sizes reconstruction in magnetic flux leakage testing[J]. NDT&E International， 2009，42:369-375.

[8] Zhang Y X， Gao X D， Katayama S. Weld appearance prediction with BP neural network improved by genetic algorithm during disk laser welding[J]. J Manuf Syst， 2015，34:53-59.

[9] 于霞，張衛民，邱勇，等.弱磁場激勵下基于陣列磁傳感器的缺陷檢測方法[J].北京理工大學學報，2014，34(5):460-463,469.

Yu Xia， Zhang Weimin， Qiu Yong， et al. Defect detection methods based on array magnetic sensor under weak magnetic field[J]. Transactions of Beijing Institute of Technology， 2014，34(5):460-463,469. (in Chinese)

(責任編輯：孫竹鳳)

Magnetic Flux Leakage Quantitative Identification of Micro Crack Based on GA-BP Neural Network

QIU Zhong-chao1， ZHANG Wei-min1， ZHANG Rui-lei2， YU Xia3， CHEN Guo-long1

(1.School of Mechanical Engineering， Beijing Institute of Technology， Beijing 100081， China; 2.Advanced Manufacture Technology Center， China Academy of Machinery Science&Technology， Beijing 100083， China；3.Hebei Aerospace Environmental Engineering Co.， Ltd， Chengde， Hebei 067000， China; 4.Navigation and Control Technology Research Institute， China North Industries Group Corporation， Beijing 100089， China)

As the fact that the crack sizes identified based on magnetic flux leakage are larger than 1 mm generally, which are far different from the natural cracks in macro-crack check area. An algorithm with GA-BP neural network was investigated to detect quantificationally the rectangular micro-cracks with less than 0.50 mm width and depth. And a database was developed for micro crack defects among 0.10～0.30 mm based on theoretic calculation of the magnetic dipole model and experiment of magnetic flux leakage. Results show that, due to the noises interference existing in the actual detection process, the prediction error of the experimental data is larger than that of the theoretical data, and the maximum can reach 16.73%, but the prediction results can basically reflect the size of the micro cracks.

magnetic flux leakage; genetic algorithm(GA); back propagation(BP); neural network; micro crack; quantitative identification

2015-04-22

國家自然科學基金資助項目(51275048)

邱忠超(1987—)，男，博士生，E-mail：448347664@163.com.

張衛民(1964—)，男，教授，博士生導師，E-mail:Zhangwm@bit.edu.cn.

TG 115.28

A

1001-0645(2016)11-1101-05

10.15918/j.tbit1001-0645.2016.11.001