合金彈體內(nèi)部缺陷超聲檢測(cè)的類型識(shí)別方法

陳友興，劉藺慧，肖兆騫，吳其洲，王召巴，金 永

(1.中北大學(xué),儀器科學(xué)與動(dòng)態(tài)測(cè)試教育部重點(diǎn)實(shí)驗(yàn)室，太原 030051；2.中北大學(xué) 信息與通信工程學(xué)院，太原 030051)

合金彈體內(nèi)部缺陷超聲檢測(cè)的類型識(shí)別方法

陳友興1,2，劉藺慧2，肖兆騫2，吳其洲2，王召巴1,2，金 永1,2

(1.中北大學(xué),儀器科學(xué)與動(dòng)態(tài)測(cè)試教育部重點(diǎn)實(shí)驗(yàn)室，太原 030051；2.中北大學(xué) 信息與通信工程學(xué)院，太原 030051)

針對(duì)合金彈體的幾種典型結(jié)構(gòu)，采用超聲檢測(cè)技術(shù)進(jìn)行缺陷檢測(cè)，用不同尺寸的人工小孔和細(xì)槽代表實(shí)際的氣泡和裂紋缺陷，研究了彈體內(nèi)部缺陷的類型識(shí)別技術(shù)；通過(guò)對(duì)缺陷回波信號(hào)的總體經(jīng)驗(yàn)?zāi)B(tài)分解，得到各個(gè)分量的能量分布和信息熵分布，并以此為特征量，采用支持向量機(jī)的方法進(jìn)行了類型識(shí)別；用平均距離的方法對(duì)特征量進(jìn)行評(píng)估和排序，將優(yōu)化、精簡(jiǎn)個(gè)數(shù)后的特征量作為輸入，在減少運(yùn)算時(shí)間的同時(shí)，提高了缺陷識(shí)別率，最終的識(shí)別率為97.5%。

超聲檢測(cè)；類型識(shí)別；支持向量機(jī)；經(jīng)驗(yàn)?zāi)B(tài)分解

0 引言

合金彈體一般由金屬合金材料經(jīng)溫度擠壓工藝制作而成，由于溫度瞬間變化等原因，致使彈體內(nèi)部產(chǎn)生裂紋、氣孔等缺陷，導(dǎo)致產(chǎn)品報(bào)廢，因此在生產(chǎn)過(guò)程中和使用前必須對(duì)產(chǎn)品進(jìn)行缺陷檢測(cè)，并反饋檢測(cè)結(jié)果，確保使用安全，提高工藝水平，減少?gòu)U品率，降低成本。目前，常用的檢測(cè)方法主要有超聲檢測(cè)和X射線檢測(cè)。當(dāng)采用X射線技術(shù)進(jìn)行檢測(cè)時(shí)，由于圓柱形彈體透射深度變化范圍大，單幅圖像很難成像出各種深度的缺陷信息，且高成本因素也限制了其應(yīng)用。超聲檢測(cè)技術(shù)具備在最低消耗成本下對(duì)金屬?gòu)楏w進(jìn)行檢測(cè)。近年來(lái),中北大學(xué)針對(duì)合金彈體及其坯料的超聲檢測(cè)開(kāi)展了一系列研究。金永于2009年、2010年針對(duì)溫度擠壓出的彈體坯料和小口徑彈頭，研究了水浸式的超聲檢測(cè)方法[1-2]；陳友興于2013年研究了自動(dòng)檢測(cè)過(guò)程中的自適應(yīng)濾波去噪方法、缺陷特征提取技術(shù)和重構(gòu)方法[3]，并設(shè)計(jì)了適用于合金彈體、彈頭的自動(dòng)超聲檢測(cè)系統(tǒng)[4]。

本文在前期研究基礎(chǔ)上，開(kāi)展基于支持向量機(jī)的合金彈體缺陷類型識(shí)別方法研究，并采用總體經(jīng)驗(yàn)?zāi)B(tài)分解和參數(shù)平均距離來(lái)提取和優(yōu)化特征量。

1 基本原理

1.1 彈體缺陷超聲檢測(cè)基本原理

與文獻(xiàn)[3]所述的檢測(cè)原理類似，本文的研究對(duì)象也包含空心體和實(shí)心體兩種結(jié)構(gòu)。圖1是超聲檢測(cè)空心體和實(shí)心體的原理示意圖，采用水耦合。當(dāng)檢測(cè)實(shí)心體部分時(shí)，采用圖1(a)的方式，探頭沿工件法線方向入射；當(dāng)檢測(cè)空心體部分時(shí)，采用圖1(b)的方式，通過(guò)偏離探頭距離，使得探頭與工件法線成一定角度，這樣可延長(zhǎng)超聲波在工件中的傳播距離，有利于缺陷特征的提取。

1.2 經(jīng)驗(yàn)?zāi)B(tài)分解和支持向量機(jī)的基本原理

輸入特征量的選擇和提取是缺陷類型識(shí)別的關(guān)鍵，常用的超聲回波特征量有回波峰值、回波能量、回波中心位置、頻譜幅度、頻譜相位等，這些特征簡(jiǎn)單明了、容易求解，但綜合性不強(qiáng)，不能全面反映不同缺陷的類型特征。時(shí)頻域分析是目前超聲檢測(cè)的一種常用方法，能夠同時(shí)反映時(shí)域和頻域的特征，主要方法有小波分析和經(jīng)驗(yàn)?zāi)B(tài)分解。小波分析需要根據(jù)回波特征選擇合適的基函數(shù)對(duì)回波信號(hào)進(jìn)行分解，小波基函數(shù)的選擇成為特征提取的難點(diǎn)和關(guān)鍵；經(jīng)驗(yàn)?zāi)B(tài)分解通過(guò)反復(fù)求取信號(hào)的極大值和極小值實(shí)現(xiàn)多層次分解，具有自適應(yīng)的效果，避免基函數(shù)對(duì)分解效果的影響。

本文采用基于總體經(jīng)驗(yàn)?zāi)B(tài)分解的特征提取方法和基于支持向量機(jī)的模式識(shí)別方法。

1.2.1 總體經(jīng)驗(yàn)?zāi)B(tài)分解的基本原理

EMD的本質(zhì)是可把對(duì)非周期、非平穩(wěn)信號(hào)進(jìn)行平穩(wěn)化，將其分解成一系列固有模態(tài)函數(shù)(IMF)，其原理見(jiàn)文獻(xiàn)[5]。由于經(jīng)過(guò)EMD分解后的每個(gè)IMF都存在多尺度信息，會(huì)造成缺陷回波信號(hào)的邊界處產(chǎn)生混疊現(xiàn)象，以至于對(duì)特征的提取造成干擾，針對(duì)這一問(wèn)題，Huang提出了一種增加均勻分布白噪聲的總體經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)的方法，通過(guò)添加均勻分布的高斯白噪聲解決模式混疊問(wèn)題[6]。EEMD的分解過(guò)程如圖2所示，與EMD分解過(guò)程的區(qū)別在于在對(duì)信號(hào)每一次分解前都要進(jìn)行一次添加白噪聲處理。

1.2.2 支持向量機(jī)分類原理

支持向量機(jī)是最大邊界分類器，通過(guò)超平面的最大邊界，尋求泛化誤差最優(yōu)化[7]。實(shí)際分類的數(shù)據(jù)常常是非線性可分的，需要將數(shù)據(jù)通過(guò)非線性變換映射到另一個(gè)高維特征空間，使其轉(zhuǎn)換為線性問(wèn)題，如圖3所示。

圖3中，左邊為非線性原始空間，右邊為轉(zhuǎn)換后的線性空間。在映射下，超平面可描述為

(1)

1.2.3 識(shí)別器輸入特征量

能量作為信號(hào)分析中重要的物理量，是信號(hào)特征提取中常用到的特征量，在不同的頻段內(nèi)，不同缺陷信號(hào)的能量分布會(huì)有較大的差異；信息熵代表了信號(hào)的整體統(tǒng)計(jì)特性，反映了信號(hào)的不確定程度，可以表現(xiàn)不同信號(hào)的特性?；谏鲜龅囊蛩?，本文選擇能量和信息熵作為特征量，并用各固有模態(tài)的相對(duì)特征量作為識(shí)別器的輸入。

回波信號(hào)經(jīng)總體經(jīng)驗(yàn)?zāi)B(tài)分解，其能量為n個(gè)固有模態(tài)分量能量的和，可以表示為

(2)

式中Eg為信號(hào)的總體能量；Egi為第i個(gè)固有模態(tài)分量的能量。

定義能量分布為各固有模態(tài)分量能量的相對(duì)量，則有

(3)

類似能量分布的定義，信息熵分布為

(4)

2 檢測(cè)設(shè)備與數(shù)據(jù)采集

2.1 檢測(cè)對(duì)象

本文的研究對(duì)象如圖4所示，下彈體、尾椎體和擴(kuò)爆管各4個(gè)工件，共12個(gè)工件。下彈體、尾椎體大端為空心體，小端為實(shí)心體；擴(kuò)爆管兩端都為實(shí)心體。由于合金材料的裂紋和氣孔缺陷不容易實(shí)現(xiàn)人工植入，因此本文在研究時(shí)采用人工槽和人工孔分別代表裂紋和氣孔。在工件的空心體端面往里各加工1個(gè)槽和孔(相差180°)，在工件的實(shí)心體端面往里加工1個(gè)槽或者孔。12個(gè)工件總共有16個(gè)槽和16個(gè)孔缺陷，槽缺陷寬1mm、深10mm，孔缺陷深10mm，其余尺寸見(jiàn)表1所示。

表1 缺陷尺寸與數(shù)量

2.2 檢測(cè)設(shè)備與過(guò)程

利用文獻(xiàn)[4]所述的檢測(cè)臺(tái)(圖5)可對(duì)上述的工件進(jìn)行信號(hào)采集。該檢測(cè)臺(tái)可完成探頭在工件軸向上的移動(dòng)，圓周截面上的上下、里外移動(dòng)和軸截面上旋轉(zhuǎn)。通過(guò)探頭的移動(dòng)和旋轉(zhuǎn)以及工件的旋轉(zhuǎn)完成整個(gè)工件的全面掃查。

檢測(cè)系統(tǒng)中的超聲采集卡的采樣頻率為50 MHz，幅值在-1～1 V上的8位量化編碼，本次檢測(cè)實(shí)驗(yàn)選擇的探頭為中心頻率2.5 MHz、晶片直徑10 mm，聚焦深度50 mm的聚焦超聲探頭。檢測(cè)時(shí)，工件圓周方向一周采集360個(gè)點(diǎn)(每度采集1次)，工件軸線方向上每間隔2 mm采集1次。

2.3 數(shù)據(jù)分析

圖6是采集的中心孔和中心槽的典型回波信號(hào)。圖7是偏心孔狀缺陷采集一圈的回波信號(hào)。從圖6可見(jiàn)，當(dāng)探頭正對(duì)缺陷時(shí)，中心孔和中心槽缺陷的回波信號(hào)直觀上看只有幅值上的差異。從圖7可見(jiàn)，探頭正對(duì)著缺陷時(shí)會(huì)有較大的缺陷回波信號(hào)(近端和遠(yuǎn)端)，隨著檢測(cè)位置變化，回波幅值和延時(shí)也會(huì)發(fā)生變化。

從各種缺陷采集的回波信號(hào)中，可得出以下特征：

(1)當(dāng)缺陷位置發(fā)生變化時(shí)，缺陷回波在時(shí)間軸上的位置也會(huì)發(fā)生變化，缺陷回波信號(hào)的幅值也會(huì)根據(jù)缺陷的大小發(fā)生相應(yīng)變化；

(2)對(duì)于中心孔缺陷，一圈的回波信號(hào)是大體一樣的(由于表面粗糙會(huì)帶來(lái)一些噪聲)，孔缺陷的大小會(huì)影響回波的幅值和回波的時(shí)間延時(shí)；

(3)偏心孔缺陷如前所述會(huì)出現(xiàn)遠(yuǎn)端回波和近端回波，而且遠(yuǎn)端回波和近端回波也會(huì)根據(jù)缺陷位置的不同，在幅值和時(shí)間延時(shí)上有所不同，對(duì)于空心體工件遠(yuǎn)端和近端并不是對(duì)稱的；

(4)槽狀缺陷的檢測(cè)B掃描圖與偏心孔類似，只有當(dāng)探頭正對(duì)缺陷時(shí)回波信號(hào)最大，探頭偏離角度越大，回波信號(hào)越弱；實(shí)際中缺陷回波情況與缺陷的方向有關(guān)，本文上述的缺陷并沒(méi)有考慮多方向性。

從總體上看，很難通過(guò)某一回波和某一特征直接分出缺陷類型來(lái)。當(dāng)然，將一圈檢測(cè)的360個(gè)數(shù)據(jù)的特征量都用于識(shí)別時(shí)不太現(xiàn)實(shí)也難于實(shí)現(xiàn)。本文結(jié)合上述分析，針對(duì)每個(gè)缺陷先找出2個(gè)不同位置的2個(gè)較大缺陷回波信號(hào)作為特征回波，再經(jīng)過(guò)后續(xù)處理和特征量提取，最終通過(guò)識(shí)別器進(jìn)行識(shí)別。

3 基于支持向量機(jī)的識(shí)別結(jié)果分析與優(yōu)化

3.1 基于支持向量機(jī)的識(shí)別結(jié)果分析

按照上述方法對(duì)12個(gè)工件進(jìn)行數(shù)據(jù)采集，共采集槽類和孔類缺陷數(shù)據(jù)各80組，共160組。選擇其中的80組作為訓(xùn)練樣本，訓(xùn)練樣本中槽狀缺陷和孔狀缺陷各40組，包含不同尺寸，不同界面，不同工件的樣本數(shù)據(jù)，剩下80組作為識(shí)別樣本。處理過(guò)程如圖8所示，首先采用檢測(cè)系統(tǒng)對(duì)工件進(jìn)行掃描，得到回波信號(hào)并進(jìn)行去噪處理[3]。其次針對(duì)缺陷回波信號(hào)采用總體經(jīng)驗(yàn)?zāi)B(tài)進(jìn)行分解。圖9是圖6(a)的典型信號(hào)經(jīng)總體經(jīng)驗(yàn)?zāi)B(tài)分解后的前6個(gè)IMF。然后計(jì)算分解信號(hào)前6個(gè)IMF分量的能量分布和信息熵分布，并將所得到的24個(gè)特征量輸入到識(shí)別器中進(jìn)行訓(xùn)練和識(shí)別。識(shí)別結(jié)果是孔狀缺陷和槽狀缺陷各有4個(gè)識(shí)別錯(cuò)誤，總識(shí)別率為90%。

3.2 基于平均距離的特征量個(gè)數(shù)優(yōu)化技術(shù)

上述的24個(gè)特征量可能存在特征重疊或干擾。一方面，多的輸入特征增加了訓(xùn)練和識(shí)別難度和時(shí)間；另一方面，特征量的干擾可能會(huì)降低識(shí)別效率。因此，需要對(duì)多余的特征量通過(guò)合適的評(píng)估準(zhǔn)則進(jìn)行篩除。圖10是特征選擇的流程，常用的評(píng)價(jià)標(biāo)準(zhǔn)有相關(guān)性、平均距離、信息增益、一致性、分類器錯(cuò)誤率等，本文采用平均距離進(jìn)行評(píng)估。

平均距離特征評(píng)估算法的基本準(zhǔn)則是根據(jù)特征間的距離關(guān)系進(jìn)行評(píng)估，要求特征在同一類別樣本下的特征差異小，而在不同類別下樣本的特征差異大，滿足這一要求的特征則定義為敏感特征[8]。圖11是上述24個(gè)特征按平均距離排列的敏感度排序情況。

按照?qǐng)D11的排序情況，將混合特征集合逐個(gè)增加輸入到支持向量機(jī)分類器中，對(duì)分類器進(jìn)行訓(xùn)練，選擇訓(xùn)練準(zhǔn)確度最高的分類器作為分類模型，并提取測(cè)試集相應(yīng)個(gè)數(shù)的混合特征量輸入到訓(xùn)練好的分類器中測(cè)試分類效果。圖12是輸入特征個(gè)數(shù)與識(shí)別準(zhǔn)確度和運(yùn)算時(shí)間隨輸入特征個(gè)數(shù)增加的曲線圖。

從圖12可見(jiàn)：

(1)開(kāi)始時(shí)，隨著特征量的增加(前4個(gè))，識(shí)別準(zhǔn)確度快速提高；繼續(xù)增加特征量個(gè)數(shù)(5～11個(gè))，識(shí)別準(zhǔn)確度的提高趨于平緩，直至增加到第12個(gè)特征量時(shí)，識(shí)別準(zhǔn)確度達(dá)到最高的97.5%(即80個(gè)樣本識(shí)別正確78個(gè))；繼續(xù)增加特征量個(gè)數(shù)，識(shí)別準(zhǔn)確度不再提高，甚至?xí)霈F(xiàn)降低的現(xiàn)象，這就說(shuō)明后續(xù)添加的不敏感特征量會(huì)導(dǎo)致缺陷類別之間的混淆，使得特征量增加的情況下識(shí)別準(zhǔn)確度反而下降。

(2)隨著特征量的增加，分類器識(shí)別所花費(fèi)的時(shí)間也呈現(xiàn)遞增趨勢(shì)，只使用前12個(gè)最優(yōu)特征，分類器所花費(fèi)的時(shí)間為8.2 s；使用全部24個(gè)特征，分類器需要花費(fèi)11.4 s，該方法節(jié)省了28%的運(yùn)行時(shí)間。

4 結(jié)論

(1)基于EEMD分解后的各分量的能量分布和信息熵分布是作為缺陷類型識(shí)別的有效、實(shí)用的特征量。

(2)基于平均距離的特征量個(gè)數(shù)排序和優(yōu)化技術(shù)能夠有效提高效率和缺陷識(shí)別率，識(shí)別率達(dá)97.5%。

(3)本文的方法能夠適用于類似結(jié)構(gòu)、相同超聲檢測(cè)方法的缺陷類型識(shí)別中。

[1] 戚勵(lì)文,金永,王召巴,等.合金彈體棒狀坯料超聲檢測(cè)方法研究[J].彈箭與制導(dǎo)學(xué)報(bào),2009,29(4)：269-272.

[2] 金永,王召巴,丁戰(zhàn)陽(yáng),等.一種小口徑火箭彈彈頭超聲檢測(cè)方法[J].固體火箭技術(shù),2010,33(1)：115-118.

[3] 陳友興,吳其洲,趙建輝,等.合金火箭彈彈體缺陷超聲自動(dòng)檢測(cè)及信號(hào)處理[J].固體火箭技術(shù),2013,36(5): 706-710.

[4] 陳自立,陳友興.圓錐形物體超聲自動(dòng)檢測(cè)系統(tǒng)設(shè)計(jì)[J].計(jì)算機(jī)測(cè)量與控制,2013,21(11): 2947-2949.

[5] Kabir M A,Shahnaz C.Denoising of ECG signals based on noise reduction algorithms in EMD andwavelet domains[J].Biomedical Signal Processing and Control,2012,7(5): 481-489.

[6] Norden E,Huang Z W.Ensemble empirical mode decomposition: a noise assisted data analysis method[J].Advances in Adaptive Data Analysis,2009,1(1): 1-41.

[7] Dong shao-jiang,Tang bao-ping,Chen renxiang.Bearing running state recognition based on non-extensive wavelet feature scale entropy and support vector machine[J].Measurement,2013,46(10): 4189-4199.

[8] Lei Y,He Z,Zi Y.A new approach to intelligent fault diagnosis of rotating machinery[J].Expert Systems with Applications,2008,35(4): 1593-1600.

(編輯：呂耀輝)

Type identification method for internal defect of alloy projectile testing by ultrasonic

CHEN You-xing1,2,LIU Lin-hui2,XIAO Zhao-qian2,WU Qi-zhou2,WANG Zhao-ba1,2,JIN Yong1,2

(1.Key Laboratory of Instrumentation Science & Dynamic Measurement,Ministry of Education, North University of China,Taiyuan 030051,China; 2.College of Information &Communication Engineering,North University of China,Taiyuan 030051,China)

The ultrasonic testing method was adopted to detect the defect of the alloy projectile,and the type identification technology for the small hole and slot which are the alternatives of air-bubbles and cracks in the projectile was introduced.The ensemble empirical mode decomposition was used for extracting energy distribution and entropy distribution of IMFs .The method by evaluating and ordering the average distance of the features was used to reduce the run time and improve the identification rate.The identification rate is 97.5% for the above defects.

ultrasonic testing；type identification；support vector machine；empirical mode decomposition

2016-04-16；

2016-07-07。

國(guó)家自然科學(xué)基金(61201412);山西省青年科技研究基金(2012021011-5)；山西省青年學(xué)術(shù)帶頭人計(jì)劃。

陳友興(1978—)，男，博士/副教授，主要研究超聲檢測(cè)及信號(hào)處理。

劉藺慧(1990—)，碩士研究生，主要研究對(duì)稱體內(nèi)部缺陷檢測(cè)技術(shù)。

V435；TB553

A

1006-2793(2017)01-0105-05

10.7673/j.issn.1006-2793.2017.01.019