基于小波和神經網絡的焊接缺陷識別方法

李 力 姜 愷 曾德學

（三峽大學水電機械設備設計與維護湖北省重點實驗室，湖北宜昌 443002）

現代工藝中，鋼結構運用了大量焊接工藝，焊縫缺陷的存在對于整個結構的安全有很大影響，為了保證焊接結構的質量，必須對鋼結構焊縫進行無損檢測.目前焊縫檢測中，超聲檢測依舊占有很大比重.然而，超聲檢測中對缺陷定位分析技術已比較成熟，而對于缺陷類型，如裂紋、氣孔和未焊透等的定性分析一直沒有得到很好的解決［1］.固在焊接缺陷超聲檢測中，對缺陷進行定性分析是超聲無損檢測與評價的關鍵內容，也是超聲檢測研究領域的熱點和難點.

針對不同類型缺陷的超聲回波提取其中各自的特征信息是定性分析的關鍵，小波包變換是一種多分辨率分析方法，適用于瞬態信號的分析處理，是對超聲信號特征提取的一個有效方法［2－3］.因此，本文首先采用小波包變換提取超聲回波信號各個頻段內的能量特征組成特征向量，然后將其作為BP神經網絡的輸入進行分類識別.結果表明，基于小波包變換和BP神經網絡的焊接缺陷定性方法是有效的.

1 基于小波包的特征向量提取

超聲信號是一種典型的非平穩信號，不同類型缺陷回波信號內各頻帶的能量分布也是不同的，因此可利用小波包變換將超聲回波信號進行分解，把不同頻帶內的能量作為特征向量.由Parseval［4］恒等式，有

由式（1）可知，小波變換系數Cj，k是具有能量的量綱，可用于能量分析.利用小波包變換實現信號能量特征提取的步驟如下［5－6］：

1）信號分解.對回波信號進行去噪、截取處理，選擇db10小波進行4層小波包分解，將信號分解成16個子帶.再對16個子帶的小波包分解系數進行重構，得到各頻帶范圍內的信號.

2）求各頻帶信號能量.設各頻帶信號S4j（j＝0，1，…，15）對應的能量為E4j（j＝0，1，…，15），則有

其中，xjk（j＝0，1，…，15；k＝1，2，…，n）表示重構信號S4j的離散點的幅值.

3）求特征向量.采用各特征頻帶的能量作為特征向量，并歸一化.信號總能量為

歸一化求各頻帶能量組成的特征向量T為

2 BP神經網絡

2.1 BP網絡的結構

本文采用BP神經網絡進行分類識別.BP神經網絡是一種多層前饋神經網絡，它由輸入層、輸出層和隱含層構成［7］.圖1為一個典型的3層BP網絡的拓撲結構，層與層之間采用全互連方式，同一層之間不存在相互連接，隱層可以有一層或多層.該網絡的主要特點是信號前向傳遞，誤差反向傳播.在前向傳遞中，輸入信號從輸入層經隱含層逐層處理，直至輸出層.每一層的神經元狀態只影響下一層神經元狀態.如果輸出層得不到期望輸出，則轉入反向傳播，根據預測誤差調整網絡權值和閾值，從而使BP神經網絡預測輸出不斷逼近期望輸出［8］.

圖1 BP神經網絡結構

2.2 BP網絡的學習

在確定了BP網絡的結構后，要通過輸入和輸出樣本集對網絡的閾值和權值進行學習和修正，以使網絡實現給定的輸入輸出映射關系［9］.BP網絡的學習過程分為2個階段：

1）正向傳播過程.從訓練樣本集中取一個樣本，作為輸入向量送入網絡，通過設置的網絡結構和前一次迭代的權值和閾值，從網絡的第一層向后計算各神經元的輸出.把得到的輸出樣本與期望的輸出比較，如有誤差超出限定范圍，則執行下一過程，否則循環本過程，輸入下一個樣本；

2）反向傳播過程.從輸出層反向計算到第一隱層，修正各神經元的連接權值，使誤差減小到滿足要求.

3 應用分析

3.1 信號采集

試驗中準備3種常見缺陷（氣孔、裂紋、未焊透）鋼板試樣，使用BSN60數字式超聲波探傷儀、2.5 MHz斜探頭、CSK－IIIA試塊和探傷軟件組成超聲檢測系統，耦合劑選為機油，設定初始聲速值為3 230 m／s.信號采集系統如圖2所示.

圖2 超聲信號采集系統

采集3種不同鋼結構焊縫缺陷試樣的超聲回波信號樣本，每類均采集20個樣本，每個樣本即為一個超聲波回波信號，共計60個樣本.3種焊接缺陷的典型超聲回波信號波形圖如圖3所示.從圖3可看出，不同類型焊接缺陷的超聲回波信號波形特征不是很明顯，因此，需對信號進一步處理，提取其特征信息.

圖3 3種焊接缺陷的超聲回波信號

3.2 特征提取

只有缺陷處的回波才能反映缺陷的類型，因此對樣本進行截取，截取第51到215個采樣點的數據.截取后利用小波包變換進行能量特征向量提取，首先選用db10小波對樣本進行4層小波包分解，提取第4層16個頻段（［4，0］，［4，1］，…，［4，15］）的小波包系數，然后根據式（2）計算每個頻段的能量，最后利用式（3）和式（4）求出歸一化能量.這樣就得到了包含3種缺陷、60個樣本的實驗數據特征向量集，每個特征向量由16個特征組成.

圖4所示是超聲回波信號經小波包分解后提取出的特征能量譜直方圖.從中看出，不同性質的缺陷回波信號經小波包分解后，其能量在各頻帶上的分布差別明顯，這樣可將其看作不同類型焊接缺陷的特征值，作為缺陷分類的依據.

圖4 3種焊接缺陷各節點平均能量柱狀圖

3.3 缺陷識別

將上述得到的焊接缺陷實驗數據集分為訓練樣本集和測試樣本集，各包括30個樣本.然后利用BP網絡對其分類測試.過程如下：

1）BP神經網絡參數設定.隱含層單元數的確定可參考式（5）［10］：

式中，f為隱含層單元數，n為輸人單元數，k為輸出單元數，a為［1，10］之間的常數.經計算，本試驗隱含層單元數選為5.設定網絡輸出函數為tansig，訓練函數為trainlm.將訓練樣本集作為輸入神經元，輸出神經元見表1，訓練BP神經網絡.

表1 BP網絡的期望輸出

圖5為BP網絡訓練誤差圖.從圖5可以看到，迭代52次之后訓練誤差數量級為10－11，說明BP網絡在焊接缺陷定性試驗中診斷性能較好，預測精度較高.

將30個測試樣本輸入到訓練好的BP神經網絡中，得到的結果見表2.限于篇幅，每類缺陷只列出了5組數據.

圖5 BP網絡訓練誤差圖

表2 缺陷分類結果（部分）

經統計得，測試樣本集所對應的分類結果中，30個樣本判錯了4個，分類準確率為86.7%，分類結果十分有效.

4 結 論

本文針對鋼結構焊縫缺陷進行了定性研究.首先介紹了基于Matlab軟件的小波包能量特征值提取方法，然后將得到的特征向量輸入到BP神經網絡中進行焊縫缺陷的定性，得到以下結論：

1）基于小波包變換和BP神經網絡的鋼結構焊縫缺陷定性準確率達到了86.7%，該方法是十分有效的.

2）小波包特別適用類似于超聲這種瞬態信號分析處理的特點，小波包能量分解是一種有效的超聲回波信號特征提取方法，信號在各頻帶上的能量構成可以很好地表征焊縫缺陷的類別.

3）將BP神經網絡應用于超聲回波識別，能較好地解決缺陷回波的模式識別問題.

［1］ 杜秀麗，沈 毅，王 艷，等.基于時頻判別特征的焊縫超聲檢測缺陷分類［J］.焊接學報，2008，29（2）：89－92.

［2］ Kyungmi Lee.Feature Extraction Schemes for Ultrasonic Non－destructive Testing Inspections［J］.Advances in Information Sciences and Service Sciences，2011，3（3）：125－135.

［3］ Kyungmi Lee.Feature Extraction and Gating Techniques for Ultrasonic Shaft Signal Classification［J］.Applied Soft Computing，2007（7）：156－165.

［4］ 鮑澤富，徐李甲.基于小波包變換與神經網絡的齒輪故障診斷方法［J］.機械研究與應用，2010（1）：21－24.

［5］ 陳 淵.基于小波包和概率神經網絡的焊接缺陷識別［J］.儀表技術與傳感器，2010（8）：89－92.

［6］ Yi Dun.A Novel Method for Feature Extraction of Multi－layered Structure Ultrasonic Echo Signals［C］.The Ninth International Conference on Electronic Measurement ＆Instruments，2009：1055－1059.

［7］ 李 萍，倪 軍，李喜孟，等.神經網絡在20鋼時效組織狀態無損識別中的應用［J］.機械工程材料，2006，30（12）：33－39.

［8］ 胡耀波，李 鵬，熊幃皓.BP神經網絡的實現及應用［J］.機械工程材料，2002，26（6）：16－18.

［9］ 周開利，康耀紅.神經網絡模型及其MATLAB仿真程序設計［M］.北京：清華大學，2005.

［10］沈花玉，王兆霞，高成耀，等.BP神經網絡隱含層單元數的確定［J］.天津理工大學學報，2008，24（5）：13－15.