基于感知器神經(jīng)網(wǎng)絡(luò)的金屬磁記憶檢測(cè)管道缺陷分析

龔利紅，李著信，許紅，劉書俊

(1.中國(guó)人民解放軍后勤工程學(xué)院軍事供油工程系，重慶401331;2.重慶通信學(xué)院軍事電力工程系，重慶400035)

超過80%的現(xiàn)代工業(yè)設(shè)備的結(jié)構(gòu)破壞都是由疲勞失效引起的［1］，在不傷及構(gòu)件材料的前提下，有效判別在役設(shè)備構(gòu)件的應(yīng)力變形缺陷狀況非常有現(xiàn)實(shí)意義。由俄羅斯科學(xué)家DOUBOV 教授提出的金屬磁記憶(Metal Magnetic Memory)診斷技術(shù)能有效地對(duì)鐵磁構(gòu)件的早期應(yīng)力集中進(jìn)行無損檢測(cè)［2］。一旦金屬磁記憶檢測(cè)出法向分量過零點(diǎn)，即可判定裂紋存在，但卻不能通過單項(xiàng)指標(biāo)有效區(qū)分是應(yīng)力集中還是宏觀裂紋［3－4］。因此，如何將多項(xiàng)指標(biāo)綜合在一起，通過有效的數(shù)學(xué)模型來識(shí)別就顯得十分必要。

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)由于其良好的預(yù)測(cè)功能而被應(yīng)用于各領(lǐng)域，應(yīng)用最廣泛的是BP 神經(jīng)網(wǎng)絡(luò)和徑向基神經(jīng)網(wǎng)絡(luò)，這兩種預(yù)測(cè)模型針對(duì)連續(xù)結(jié)果的預(yù)測(cè)效果較好，對(duì)于定性結(jié)果往往采取選擇閾值分類的方法，但閾值是未知的，主觀選擇閾值可能造成誤差。感知器神經(jīng)網(wǎng)絡(luò)(Perceptron Neural Network，PNN)是人工神經(jīng)網(wǎng)絡(luò)中的一種分類效果較好的方法［5］，文中將該模型用于管道缺陷檢測(cè)的識(shí)別分析。

1 感知器神經(jīng)網(wǎng)絡(luò)的原理與方法

1.1 感知器神經(jīng)網(wǎng)絡(luò)的基本原理

感知器是前向型單神經(jīng)元的網(wǎng)絡(luò)，其網(wǎng)絡(luò)基本結(jié)構(gòu)如圖1。

其中:ωi表示第i 個(gè)神經(jīng)元與感知器的連接權(quán)重;xi表示第i 個(gè)神經(jīng)元的狀態(tài)，i=1，2，…，n。

感知器的外部輸入數(shù)據(jù)為研究對(duì)象的自變量指標(biāo)值，輸出為感知器的狀態(tài)值，由輸入神經(jīng)元、權(quán)重和閾值決定，通過對(duì)外部神經(jīng)元的“感知”與“識(shí)別”，由運(yùn)算函數(shù)得到輸出，輸出狀態(tài)一般為0 和1。運(yùn)算函數(shù)往往選取:

圖1 感知器網(wǎng)絡(luò)基本結(jié)構(gòu)圖

1.2 感知器的算法［6］

人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是有監(jiān)督的訓(xùn)練(training)，而感知器通過訓(xùn)練來調(diào)整權(quán)重以進(jìn)行分類感知和識(shí)別。其算法如下:

(1)隨機(jī)賦權(quán)重的初值，且ωi(0)≠0;

(3)求第k 次輸出y(k)，并調(diào)整權(quán)重ωi(k+1);

(4)若y(t)=Ti，則訓(xùn)練結(jié)束，否則返回(3)。

2 管道缺陷的金屬磁記憶分析的應(yīng)用實(shí)例

2.1 數(shù)據(jù)集

數(shù)據(jù)來源于易方博士對(duì)X60 管線鋼材質(zhì)管道進(jìn)行的缺陷識(shí)別實(shí)驗(yàn)［7］。在40 組實(shí)驗(yàn)數(shù)據(jù)中，應(yīng)力集中21 例，宏觀裂紋19 例，檢測(cè)了每例的4 項(xiàng)指標(biāo)，分別記為:小波包頻帶能量增量(%)X1、峰峰值(A/m)X2、切向梯度X3、法向梯度X4。實(shí)驗(yàn)樣本的4 項(xiàng)指標(biāo)數(shù)據(jù)見圖2。

圖2 實(shí)驗(yàn)樣本的四項(xiàng)指標(biāo)值

2.2 管道缺陷的線性感知器神經(jīng)網(wǎng)絡(luò)識(shí)別仿真

從應(yīng)力集中類別和宏觀裂紋類別中各隨機(jī)抽取10 個(gè)樣本組成訓(xùn)練樣本集，其余20 個(gè)樣本作為檢測(cè)樣本集，按照感知器神經(jīng)網(wǎng)絡(luò)的原理，作100 次計(jì)算機(jī)診斷模擬，迭代次數(shù)設(shè)置為200，最小誤差設(shè)置為0。得到最高診斷正確率95%(有3 次)，最低診斷正確率35%，100 次模擬的平均正確率為71.2%，見圖3。任意抽取最高診斷正確率的一次模擬，其訓(xùn)練誤差見圖4。

圖3 線性判別正確率的計(jì)算機(jī)模擬

圖4 一次最佳診斷效果的網(wǎng)絡(luò)訓(xùn)練誤差

2.3 管道缺陷的非線性感知器神經(jīng)網(wǎng)絡(luò)識(shí)別仿真

線性判別模型最高正確率能達(dá)到95%，但100次模擬的平均正確率較低，因此，考慮改進(jìn)模型，并考慮增加非線性項(xiàng)來模擬效果。先考慮簡(jiǎn)單的完全二次項(xiàng)。

2.3.1 帶完全二次項(xiàng)的非線性仿真

圖5 完全二次項(xiàng)的識(shí)別正確率模擬結(jié)果

圖6 完全二次項(xiàng)的一次最佳診斷效果的網(wǎng)絡(luò)訓(xùn)練誤差

2.3.2 非線性的進(jìn)一步分析及仿真

由上述分析可知，增加非線性項(xiàng)有助于提高診斷正確率，而且指標(biāo)的選擇對(duì)正確診斷起著決定性的作用，由此，對(duì)上述的10 項(xiàng)指標(biāo)作因子分析來篩選。由KMO 及Bartlett 檢驗(yàn)可得，χ2=946.2，p=0，說明可以采用因子分析;KMO =0.762，說明因子分析的可信度高。因子分析的結(jié)果得到兩個(gè)主成分，

從主成分結(jié)果可以看出，除x21 外，其余指標(biāo)均歸于第一主成分，但綜合所有項(xiàng)時(shí)診斷效果不好，說明要繼續(xù)剔除指標(biāo)。x2x3、x2x4、x3x4的權(quán)重最大，均為0.932。另一方面，x2x3、x2x4、x3x4三者顯著相關(guān)，相互均不獨(dú)立，其中x3x4與x2x3、x2x4的相關(guān)系數(shù)最高，分別達(dá)到了0.973 和0.866，因此，最后僅選擇x3x4，由它和x1、x2、x3、x4組成非線性的自變量向量來診斷。按照上述模擬方法，得到此時(shí)100 次模擬的平均正確率為90.7%，有大幅度的提高，有7次正確率達(dá)到了100%，最低正確率65%，如圖7所示。任意選擇一次正確率為100%的模擬，其訓(xùn)練誤差如圖8，網(wǎng)絡(luò)訓(xùn)練誤差和線性情形沒有什么差別。

圖7 帶交叉二次項(xiàng)的識(shí)別正確率模擬結(jié)果

為了進(jìn)一步分析非線性模型與線性模型的差異，將圖2所示的線性情形的100 次模擬結(jié)果與圖7所示的非線性情形100 次模擬結(jié)果作獨(dú)立樣本t 檢驗(yàn)，檢驗(yàn)結(jié)果為方差不齊性，t =－ 12.509，p = 7.727 ×10－27≤0.01，說明后者的平均正確率顯著高于前者。

圖8 一次非線性最佳診斷效果的網(wǎng)絡(luò)訓(xùn)練誤差

3 結(jié)論

(1)感知器神經(jīng)網(wǎng)絡(luò)模型對(duì)于管道磁記憶的缺陷線性識(shí)別效果不理想，通過模型的改進(jìn)，提出了一種非線性指標(biāo)的感知器模型。(2)感知器神經(jīng)網(wǎng)絡(luò)用于模式識(shí)別已經(jīng)比較成熟，但用于管道磁記憶的缺陷識(shí)別分析尚未查到相關(guān)文獻(xiàn)。文中從指標(biāo)分析入手，構(gòu)建綜合切向梯度和法向梯度乘積項(xiàng)及4 項(xiàng)線性指標(biāo)來識(shí)別管道缺陷，通過計(jì)算機(jī)模擬發(fā)現(xiàn)，其識(shí)別正確率相比線性情形有顯著的提高，達(dá)到了較高的識(shí)別水準(zhǔn)，有一定的創(chuàng)新性。(3)只有當(dāng)訓(xùn)練樣本線性可分時(shí)，感知器神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差才能到零，由于計(jì)算機(jī)模擬的隨機(jī)性，樣本沒有經(jīng)過篩選，故3 種情形的最優(yōu)效果的訓(xùn)練誤差均未達(dá)到0。上述的3 種情形中，前兩種趨于穩(wěn)定的迭代次數(shù)要比第三種情形要長(zhǎng)。(4)感知器神經(jīng)網(wǎng)絡(luò)有時(shí)訓(xùn)練時(shí)間長(zhǎng)，在實(shí)際應(yīng)用中可以進(jìn)行改進(jìn)。在收集足夠多的實(shí)驗(yàn)數(shù)據(jù)后，可以通過數(shù)據(jù)篩選的方法，選擇最優(yōu)的訓(xùn)練數(shù)據(jù)集，使得訓(xùn)練樣本線性可分，從而減少訓(xùn)練時(shí)間，建立管道磁記憶檢測(cè)缺陷的感知器神經(jīng)網(wǎng)絡(luò)識(shí)別模型，并構(gòu)建自動(dòng)識(shí)別系統(tǒng)應(yīng)用于實(shí)際的管道檢測(cè)工作。

【1】張立東，邊境，劉貴民.漏磁的磁記憶檢測(cè)技術(shù)［J］.檢測(cè)技術(shù)，2005，24(1):79－80.

【2】DOUBOV A A.Screening of Weld Quality Using the Metal Magnetic Memory ［J］.Welding in the World，1998，41(3):196－199.

【3】周克印，張靜，姚恩濤，等.構(gòu)件隱性損傷的磁記憶檢測(cè)方法研究［J］.南京航空航天大學(xué)學(xué)報(bào)，2004，36(6):715－717.

【4】任吉林，王東升，宋凱，等.應(yīng)力狀態(tài)對(duì)磁記憶信號(hào)的影響［J］.航空學(xué)報(bào)，2007，28(3):724－728.

【5】李坤，周曉蘭，唐希雯，等.感知器算法在運(yùn)動(dòng)想象腦電模式識(shí)別中的應(yīng)用［J］.計(jì)算機(jī)工程與應(yīng)用，2006(25):230－232.

【6】飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與Matlab7 實(shí)現(xiàn)［M］.北京:電子工業(yè)出版社，2005.

【7】易方.油氣管道金屬磁記憶檢測(cè)信號(hào)處理與缺陷識(shí)別技術(shù)研究［D］.重慶:后勤工程學(xué)院，2010.