《神经网络在涡流检测信号处理中的应用.pdf》由会员分享，可在线阅读，更多相关《神经网络在涡流检测信号处理中的应用.pdf（3页珍藏版）》请在三一文库上搜索。
1、试验研究 神经网络在涡流检测信号 处理中的应用 梁玉红 吴步宁 (湖北汽车工业学院电气工程系,十堰市 442002) 摘 要 研究了在涡流检测中用神经网络对缺陷进行分类的方法,针对LVQ神经网络学习 算法的不足,提出了改进算法,提高了网络分类的可靠性。利用Fourier变换解决了特征抽取问题, 做到了所需特征参数少,且彼此间不相关。分类正确率达100%。 主题词 傅里叶变换 信息处理 涡流检验 APPL ICATI ON OF NEURAL NET WORK TO SIGNAL PROCESSING IN EDDY CURRENT TESTING L iang Yuhong Wu Bun in
2、g (HubeiA utomotive Industries Institute) Abstract The classification of defects by neural network in eddy current testing was studied.In light of the shortage of LVQ neural network study algorithm, an i mproved algorithm was put forward to heighten the reliabili2 ty of classification. Characteristi
3、cwas extracted by Fourier conversion, so that less characteristic parameterswere needed and they were not interrelated. The correctness of classification was 100%. Keywords Fourier conversion Signal processing Eddy current testing 影响涡流检测的因素很多,所以涡流检测的定 性,尤其是定量分析一直是个难点。 尽管在仪器中采 用了相位分析、 频率分析及幅值鉴别法等信号处理
4、 方法,但最终的缺陷识别仍只能靠人眼来判别。 这样 就存在以下一些问题: 没有充分利用涡流检测信 号的有价值的信息。 评价过程极费时间。 评价 结果受分析员的能力和经验的影响。 目前,使用涡流检测技术判断有无缺陷及其位 置是比较成功的,而确定缺陷形状、 大小和媒质性质 则要困难得多。 从涡流检测技术的现状来看,如何快 速准确识别缺陷参数(位置、 形状、 大小和媒质性质) 是今后涡流检测技术的发展方向。在涡流无损检测 中,缺陷的特征与涡流阻抗图的图形具有对应关系, 据此提出了许多模式识别方法1, 2。 其中典型的方法 之一是文献1提出的匹配滤波器法,但是系统的硬 件和软件设计非常复杂,不容易扩展
5、。 近年来,基于特征抽取技术的非参数方法得到 广泛应用3。一般来说,该方法首先要产生特征矢 量,它们是从时域、 频域和谱域抽取出来的。Fourier 描述方法是其中应用较为广泛的方法,它的幅值系 数和相位系数就完整地描述了涡流阻抗图的形状, 采用相应的模式识别算法,就可对涡流信号进行分 类。当前,由于人工神经网络的引入和应用,该方法 引起了广泛的关注。 1 学习矢量量化神经网络 3 学习矢量量化(L earning V ector Q uantization, LVQ)神经网络是一种对数据集进行模式分类的神 经网络,它常用在图象处理、 语音识别和数据压缩 中。LVQ神经网络是一个自组织 “最邻
6、近” 分类器, 它将一个输入模式分类为事先已确定的几个模式中 的一个。LVQ神经网络是在监督状态下对竞争层进 行训练的一种学习算法。竞争层将自动学习对输入 矢量进行分类,这种分类的结果仅仅依赖于输入矢 量与权矢量之间的距离。如果两个矢量的距离特别 相近,竞争层就把它们分在同一类。 LVQ神经网络如图1所示,它是一个三层网 络,第一层是输入层,第二层是竞争层,第三层是线 性层。它的功能是将竞争层的分类结果传送到事先 设定的目标分类上。其中R为输入层神经元个数, 545 第22卷第12期 2000年12月 无损检测 NDT Vol . 22 No. 12 Dec. 2 0 0 0 1995-200
7、4 Tsinghua Tongfang Optical Disc Co., Ltd. All rights reserved. 标准搜搜网 提供各类标准行业资料免费下载 图1 LVQ神经网络方框图 S1为竞争层神经元个数,S2为输出层神经元个数 (即分成S2个类)。 输入层神经元的作用是将输入变 量分配给竞争层的所有神经元。 在竞争层,每一类有 同样数量的神经元。 输出层每一类只有一个神经元。 输入层与竞争层的权矩阵为W,输出层与竞争层的 权矩阵为K。 开始时用随机数初始化,并在学习过程 中优化。输出矢量必须只有一个元素为1,其余元素 均为0,如矢量0, 0, 1, 0表示第三个目标类。 L
8、VQ神经网络的训练方法如下: (1)权矩阵W的训练 使用一训练矢量X序列和Kohonen学习算法 调节W。Kohonen学习算法是一种无师学习算法, 即只有输入矢量在训练时加入,调节权阵列W以使 第二层中的一个神经元集合或一给定神经元被激 活。其训练步骤如下: (a)所有权矢量初始化。 (b)每次给网络输入一个训练矢量,计算输入 矢量与所有权矢量的距离,即 dj=Wj -Xr= W j-Xr 2 1?2 (1) 式中 dj欧几里德距离 Wj神经元j的权矢量 Xr输入矢量 竞争胜利的神经元是距离最小的那个神经元, 即与训练矢量最近的神经元。 (c)若竞争胜利的神经元与训练矢量是同一 类,则权矢量
9、按 “增大” 调整;若是不同类,按 “减小” 调整;其余权矢量保持不变。 若竞争胜利的神经元是 同类,其调整算法为 Wjnew=Wjold+dm in(2) 若竞争胜利的神经元是不同类,则 Wjnew=Wjold-dm in(3) 所有其余权矢量为 Winew=Wiold ij(4) 式中 训练速率,是一常数 1 -w 1 +w (5) 式中 di,djWi和Wj与Xr的距离 w预定的窗口宽度,取0. 20. 3 两个权矢量按以下规则同时进行调整: 若Wi与Xr是同一类,而Wj不是同一类,则 Winew=Wiold+di Wjnew=Wjold-dj (6) 若Wi和Wj都与Xr是同一类,则
10、Wknew=Wkold+ Xr-Wkold ki,j(7) 的值视窗口的大小取0. 10. 5。 (2)权矩阵K的训练 这是一种有教师的训练。运用Grossberg的 Q utstar方法训练,即输入矢量X与希望的输出矢 量成对加入训练集合,当不满足要求时,调整权矩阵 K,直到满足要求为止。其训练算法见文献2。 用网络识别未知类别的矢量时,网络将计算输 入矢量与每一个神经元权矢量的距离,当其与某一 神经元权矢量的距离最近时,则输入矢量的类别就 判为该神经元权矢量所代表的类别。 2 输入数据预处理 4 人工神经网络的输入矢量应当是信号的特征参 量。对信号特征参量的正确选择与提取是采用人工 神经网
11、络智能判别是否成功的关键。 本章研究的是金属材料缺陷分类检测,因而首 先用Fourier变换方法将涡流信号参数化。使用 Fourier变换的好处之一是在对输入数据进行平移、 旋转和缩放处理时涡流信号不会产生变化,这样可 对大量的数据进行压缩,从而在对大批量数据进行 处理时可避免数据组合爆炸3。为简述Fourier变 换方法,考虑图2所示的顺时针闭合曲线。 令 (l)为点Z(l)处切线与x 轴的夹角,其中l 为从任意起点Z(0)到Z(l)的弧长。如果角度函数 (l)定义为参照起始点Z(0)到点Z(l)处切线与x 轴夹角角度的净变化,则 645 梁玉红等:神经网络在涡流检测信号处理中的应用 199
12、5-2004 Tsinghua Tongfang Optical Disc Co., Ltd. All rights reserved. 标准搜搜网 提供各类标准行业资料免费下载 图2 闭合曲线弧长的角度函数 (l ) = (l ) - (0)(8) (0) = 0(9) (L ) = - 2(10) 式中 L闭合曲线总长度 为保证上述表达式在旋转、 平移和缩放等变换 下的不变性,定义一个规范化的相角变化函数 3 (t ), 即 3 (t ) = L t 2 +t t0, 2(11) 利用式(9)和式(10)可推得 3 (0) = 3 (2 ) = 0 也即 3 (t)为周期函数,由Four
13、ier变换的性质可将 其展开为Fourier级数,即 3 (t ) = a0+ k= 1 (akcoskt+bksinkt)(12) 或 3 (t ) = a0+ k= 1A k cos( kt-k)(13) 式中 k= tan - 1bk ak Ak = ( a 2 k+b 2 k) 1?2 取8个幅值系数Ak作为输入矢量输入到神经网络 的输入层。 3 人工神经网络的学习5及试验结果 为了加快学习速度,设计了自动变步长学习法, 即在选定一个初始学习率之后,网络开始学习,同时 监视输出误差的变化,如输出误差忽大忽小出现振 荡,则学习率减半。 取学习率为0. 05,阈值为0. 15,并固定此参数
14、, 要网络输出误差达到0. 02的水平,需反复迭代400 万次,在586?166微机上运行近 5h 。 采取自动变步长学习法后,学习率仍为0. 05, 阈值为0. 15,只需迭代20万次左右,在586?133微 机上运行不到10m in,网络输出误差水平即可达到 0. 02。 网络学习完成后,从特征抽取到网络输出处理 结果,在586?133微机上可在1. 5m s时间内完成, 完全可以达到实时处理的要求。 图1的输入层神经元为8个,竞争层为16个, 输出层为4个。所设计的神经网络可对四种缺陷进 行分类,它们分别为裂纹、 针孔、 折叠和坑泡,对应神 经网络的输出分别为(0, 0, 0, 1),
15、(0, 0, 1, 0), (0, 1, 0, 0) 和(1, 0, 0, 0)。采集61个缺陷信号,每个信号 被预处理以获得8个Fourier系数,这些系数作为 神经网络的输入矢量。分类结果识别率为100%。 作为对比,用最近邻法5做同样的工作,最近邻 法对缺陷的识别率为94. 3% ,可见神经网络对缺陷 的识别率明显高于最近邻法。 4 结束语 目前,涡流检测已应用于很多工业领域,并获得 了良好的经济效益,其硬件水平较高。 但由于很多新 技术没有应用到检测系统中,所以基本上还是处于 定性分析阶段。 本科研组经过多年研究,采用神经网 络对缺陷进行分类的方法,使新一代涡流无损检测 技术从定性检测
16、转化到定量检测,提高了检测水平 和可视化程度,同时进行了实验研究,结果表明效果 很好。 参考文献 1 Doctor PG et al . Birnbaum G, Free G, eds.Pattern recognition in methods for classifying and sizing flaw s using eddy current data in eddy current characterization of materials and structures . A STM STP, Philadelphia: 1981. 461- 483 2 Stepin Ski T.
17、Intelligent eddy current system s for detec2 tion and recognition of material defects .Proceeding of the 8thInternational Symposium on A rtificial Intelligence BasedM easurement and Control, Japan: 1991. 157- 162 3 U dpa SS, Lord W. A Fourier descriptor classification scheme for differential probe s
18、ignals . M aterials Evalua2 tion, 1984, 42(8): 1136- 1141 4 Skopal . Some problem s of eddy current testing w ith air2 cored probe2coils . NDT International, 1988, 21 (6): 289 - 292 5 楼顺天,施 阳.基于MA TLAB的系统分析与设计 神经网络.西安:西安电子科技大学出版社, 1992. 收稿日期: 2000205204 莫忘订阅2001年度 无损检测 杂志 745 梁玉红等:神经网络在涡流检测信号处理中的应用 1995-2004 Tsinghua Tongfang Optical Disc Co., Ltd. All rights reserved. 标准搜搜网 提供各类标准行业资料免费下载