基于小波變換與RBF神經網絡的焊縫缺陷智能化檢測

魏明惠 武慧林 何思銘

摘 ?要：文章主要闡述了對船舶水下關鍵部位焊縫缺陷的一種智能化檢測及識別方法。該方法基于小波變換與RBF神經網絡理論。利用小波變換對回波信號進行預處理，提取出所需要的焊縫缺陷的特征信息。然后由RBF神經網絡對特征信息進行學習訓練，通過對神經網絡輸出值與焊縫缺陷類型輸出代碼進行比較后，最終得出焊縫缺陷類型的檢測與識別結果。

關鍵詞：小波變換;RBF神經網絡;超聲檢測;缺陷識別

中圖分類號：TP18 ? ? ? ? ?文獻標志碼：A ? ? ? 文章編號：2095-2945（2019）28-0035-02

Abstract： This paper mainly describes an intelligent detection and identification method for weld defects in key parts of ship underwater. This method is based on wavelet transform and RBF neural network theory. The wavelet transform is used to preprocess the echo signal， and the characteristic information of weld defects is extracted. Then the feature information is trained by RBF neural network， and the detection and recognition results of weld defect type are obtained by comparing the output value of neural network with the output code of weld defect type.

Keywords： wavelet transform; RBF neural network; ultrasonic testing; defect recognition

1 概述

由于材料性能及制造工藝等影響，焊縫缺陷常見于船舶制造。因此，對于船舶水下的關鍵部位進行焊縫缺陷檢測顯得很有必要。

國內外對于水下缺陷的無損檢測方法有很多，例如水下射線檢測、水下超聲波探傷等。而超聲檢測憑借其靈敏度高、不對構件產生破壞等優點，在缺陷檢測方面被國內外廣泛采用。但是它的缺點也比較明顯，受檢測人員的影響程度較大，很難做出非常準確的檢測。因此，目前傳統的人工超聲檢測技術存在檢測精度與效率不高等諸多問題。

國內外對于智能化超聲檢測的研究取得了一些成果。本文主要討論的是在信號與數據采集后的處理問題。采集回的大量信號與數據不可能依靠檢測人員去一一分析，檢測結果同時也受檢測人員個人影響，誤差較大。因此，針對這一問題，國內外很多學者引入神經網絡理論，以提高超聲檢測缺陷的識別率。同時將神經網絡與其他方法相結合，如小波變換、混沌、證據理論等[1]，在缺陷檢測方面開辟了新的途徑，取得了很好的實際效果。

本文介紹了一種基于小波變換與RBF神經網絡的對船舶水下關鍵部位焊縫缺陷進行智能化檢測與識別的方法。首先，利用小波變換對回波信號進行預處理，提取出所需要的焊縫缺陷的特征信息。再經過RBF神經網絡對特征信息進行學習訓練，然后得出焊縫缺陷類型的檢測與識別結果。

2 缺陷識別模型

本文構建的焊縫缺陷識別模型如圖1所示。

該模型包括兩個方面：（1）小波變換：對回波信號進行預處理，提取出焊縫缺陷的特征信息;（2）RBF神經網絡：對處理得到的特征信息進行學習訓練，得到焊縫缺陷識別結果。

3 小波變換

小波分析主要研究函數的表示。相比于Fourier，小波變換是一種時域與頻域的局部變換，故能從信號中提取出所需信息。

4 RBF神經網絡

神經網絡對外來信號有很強的辨識能力。因此，在模式識別與智能檢測領域應用十分廣泛。本文就是利用了它的這一巨大優勢。目前，神經網絡模型不下數十種。其中之一就是RBF神經網絡，它特別適合解決智能檢測等問題。故本文所述采用的就是RBF神經網絡模型。

4.1 RBF神經網絡的結構

本文建立了一個如圖2所示三層的RBF神經網絡。第一層為輸入層：本文中輸入特征信號;第二層為隱含層：可根據需要由自己定義;第三層為輸出層：輸出決策值。本模型有N個輸入點，M個隱單元，L個輸出點。X=[x1，x2，…，xN]為輸入矩陣;φi（X），（i=1，2，…，M）為隱含層激活函數;W為輸出權矩陣，其中wik（i=1，2，…，M;k=1，2，…，L）為權值;T=[T1，T2，…，TL]為輸出層閾值矩陣;Y=[y1，y2，…，yL]為輸出矩陣。

4.2 RBF神經網絡的基本思想

用RBF函數作為隱含層的“基”。而輸入層與隱含層之間的權值看成是1。這樣，將低維空間的模式變換到高維空間的模式。由于隱含層輸出到輸出層是線性的，因此這里的權值可根據我們需要來調整[1]。

4.3 RBF神經網絡的學習算法

根據xp與ci（k）之間的距離將xp劃分到相似的集合中，從而將樣本劃分為h個子集：U1（k），U2（k），…，Uh（k），每個子集構成一個聚類域。

（3）重新計算聚類中心。

對每個樣本取均值，得到新的聚類中心ci，如果新的聚類中心恒定，則所求取的ci即為RBF神經網絡最終的聚類中心，否則重新計算。

（4）求解高斯函數的方差。

（5）利用最小二乘法計算權值。

根據本文建立的模型，通過MATLAB編程對模型進行檢驗，若期望值為E=[e1，e2，…，ej]，在MATLAB中不斷循環計算后，滿足輸出要求后輸出。E為焊縫缺陷類型的輸出代碼。本文中夾渣用[1，0，0，0，0]表示，凹坑用[0，1，0，0，0]表示，氣孔用[0，0，1，0，0]表示，裂紋用[0，0，0，1，0]表示，無缺陷用[0，0，0，0，1]表示[3]。

5 結束語

本文提出的基于小波變換與RBF神經網絡技術的船舶水下關鍵部位的焊縫缺陷智能檢測與識別的方法，可以通過RBF神經網絡自主學習并判別焊縫缺陷類型。相比于傳統的人工檢測方法，提高了檢測的效率與準確度。當然，該方法的檢測識別并不能完全消除誤檢率，有待進一步的研究與改進。

參考文獻：

[1]劉冰，郭海霞.MATLAB神經網絡超級學習手冊[M].北京：人民郵電出版社，2014，5.

[2]姜愛萍.混沌時間序列的小波神經網絡預測方法及其優化研究[M].上海：上海大學出版社，2014，1.

[3]孟雅俊，黃士濤，胡全義.基于小波包變換的徑向基神經網絡在故障診斷中的應用[J].噪聲與振動控制，2006（06）：36-39.