窄搭接焊縫渦流信號的特征提取與缺陷識別

葛 亮 苗 瑞 葛秋原 吳易洲

上海交通大學機械與動力工程學院，上海,200240

0 引言

窄搭接電阻焊是將工件組合后通過上下電極通電并施加壓力，利用電流通過連接面及周圍產生的電阻熱進行焊接的方法，是安全、高效的環保型焊接方法[1]。焊接工序作為熱鍍鋅生產線的頭道工序，焊縫質量對后續生產至關重要，若不及時檢測，可能會導致嚴重的事故。目前檢測焊縫質量的方法主要是抽樣人工檢視和線下杯凸試驗，但是這兩種方法主觀性強，且需要停機取樣，難以適應企業智能化生產。

渦流檢測是以電磁感應原理為基礎的一種無損檢測方法，目前廣泛應用于導電材料的質量檢測。傳統渦流檢測僅通過分析渦流信號的阻抗來判斷焊縫是否存在缺陷[2]，超過設定閾值就判斷為缺陷，并不能識別缺陷的類別。而窄搭接焊形成的帶鋼焊縫缺陷主要有裂紋、夾渣、氣孔等，不同缺陷的形成原因不盡相同，對焊縫質量的影響也不一樣，僅通過阻抗分析法無法有效評估焊機檢測參數對焊縫質量的實際影響，不利于從根本上改進生產，提高焊縫質量。

渦流檢測信號是一種非平穩的時頻信號，包含豐富的時域和頻域信息。不同缺陷類型的渦流信號具有明顯的區別，基于渦流信號對缺陷的定量檢測和分類識別關鍵在于對渦流信號特征的提取及分類算法的選擇[3-4]。文獻[5]通過計算渦流時域信號的峰值、過零時間、上升時間等特征量實現了對缺陷的定量檢測與分類識別。文獻[6]對脈沖渦流缺陷信號進行了頻域特征提取，提出根據基頻分量的頻譜幅值檢測深層缺陷的方法。文獻[7]將主成分分析(principle component analysis, PCA)及支持向量機(support vector machine, SVM)技術運用到焊縫質量診斷上，得到了較高的缺陷識別準確率。渦流檢測信號是非常復雜的時序信號，上述文獻中用來提取渦流檢測信號特征的方法比較片面，所提取的特征較少，并不能全面反映渦流檢測信號的信息。

本文提出基于經驗模態分解(empirical mode decomposition, EMD)提取焊縫渦流檢測信號特征參數的方法，然后結合主成分分析法提取出焊縫特征中最有用的成分和結構，最后利用支持向量機技術實現對不同焊縫缺陷的識別，并進行了實例驗證。

1 基于EMD的焊縫特征提取

經驗模態分解是HUANG等[8]提出的一種適用于分析非線性、非平穩信號的時頻分析方法，能將復雜信號分解成若干個固有模態函數(intrinsic mode function, IMF)和一個余項。

對于一時間序列信號x(t)，首先確定出信號所有的局部極大值和局部極小值，然后利用三次樣條插值法對極值點進行處理得到極大值和極小值包絡，并求出包絡均值曲線m(t)，令

h1(t)=x(t)-m(t)

(1)

將h1(t)作為新的信號重復k次上述步驟得到h1k(t)，此時標準差SD為

(2)

式中，T為信號時長。

若SD≤0.3，令h1k(t)=c1(t)為所求的第一個IMF，則剩余分量r1(t)=x(t)-c1(t)。對r1(t)繼續重復上述步驟，直至rm(t)為單調函數，此時信號x(t)可表示為

(3)

其中，ci(t)為第i個IMF分量的表達式；m表示x(t)一共被分解成m個IMF分量。IMF各分量包含了信號從高到低不同頻段的成分，充分體現了原始信號的特征。

1.1 主IMF分量的選取

本文共采集400例窄搭接焊縫的渦流檢測信號樣本,對采集到的信號經過預處理之后進行EMD分解，得到IMF分量。其中一例具有裂紋缺陷的焊縫，其分解結果如圖1所示。

圖1 焊縫渦流信號EMD分解Fig.1 EMD decomposition of weld eddy current signal

原始渦流信號經EMD分解后，最主要的信息往往集中在前幾個IMF分量上。由圖1可以看出，裂紋缺陷的渦流信號經EMD分解后前4個IMF分量包含了主要的高頻信息，剩余分量包含了低頻信息。由于定性觀察存在不確定性，本文采用互相關系數準則對IMF分量進行定量篩選，即計算每階IMF分量與原始信號x(t)之間的互相關系數，選擇系數較大的IMF分量作為主IMF分量。計算得到所有焊縫樣本中正常焊縫和3類有缺陷的渦流信號的互相關系數平均值如表1所示。由表1可以看出，前4階IMF分量的互相關系數均大于0.1，而其他高階的IMF分量的互相關系數均非常小，互相關系數的值越大，表明包含的信息越多，因此選擇c1(t)～c4(t)作為焊縫渦流信號的主IMF分量，特征選取時只需要在這4個主分量中選取。

表1 各IMF分量與原始信號之間的互相關系數

1.2 特征參數的選取

一般來說，當焊縫出現缺陷時，其渦流信號就會發生變化，主要體現為信號的波形異常。

缺陷類型與其特征參數之間的對應關系可表示為

F=f(a1,a2,…,an)

其中，F為某種缺陷類型，a1,a2,…,an為其對應的n個特征參數。缺陷的判斷就是要確定F和a1,a2,…,an之間的對應關系f，以便通過a1,a2,…,an來判斷缺陷類型F。特征參數越全面，判斷的準確率越高。

對于渦流信號，信號的特征一般包括時域特征和頻域特征。一般來說，時域特征僅能判斷是否存在缺陷，頻域特征才能進一步確定缺陷的種類。為充分反映渦流信號的特征情況，本文渦流信號的特性根據前人的研究[9]選取8個時域特征參數，分別為：均值、方差、均方差、極大值、極小值、偏態系數、峰態系數、過零點個數；再選取4個頻域特征參數：中心頻率、均方根頻率、頻率標準差、能量。各種特征參數定義及計算方法見文獻[10]。

在確定焊縫渦流信號的主IMF分量c1(t)～c4(t)后，對每條信號的IMF分量分別提取上述12維的時頻特征參數，那么每條焊縫的渦流信號就有48個特征值。

2 基于PCA的特征參數降維

如果直接采用48維信號特征對焊縫缺陷進行分類預測，難免存在信息冗余及維數過高的問題，也會因計算量過大而導致耗時較長，增加構建分類器的難度，因此采用PCA方法對特征向量進行降維和優化處理。

PCA能夠在盡可能好地代表原始數據的前提下，通過線性變換把高維空間中的樣本數據投影到低維空間中[11]，采用綜合指標相互獨立地表示某一焊縫的信號特征，以達到降維的目的，從而改善樣本的有效性，提高識別的準確率。

對于400例焊縫樣本，每個樣本有48個特征值，構成了400×48原始數據矩陣X，為消除原變量量綱不同和數值差異過大帶來的影響，首先對原特征量做標準化處理：

(4)

式中，Xj為某一特征參數的第j個樣本值。

然后計算新矩陣A的協方差矩陣C,并計算出協方差矩陣C的特征值λ和特征向量u：

Cu=λu

(5)

主元個數的確定一般采用主元累計貢獻率CPV法，即將求出的特征值從大到小排列，通過計算前k個主元的累計貢獻率η(k)來確定主元個數：

(6)

其中，λl表示第l個特征值；h表示共有h個特征值。實際應用中累計主元貢獻率KCPV的值大于85%就可以用前k個主元表示原始特征信息。

將窄搭接焊縫樣本的48個特征參數進行PCA變換后，按照主次順序依次排列，得到的各主成分貢獻率見圖2。由圖2可以看出，渦流信號前8個主成分的累計貢獻率達到95%以上，表明主成分1～8包含的特征信息完全可以解釋原有的48個特征所反映的焊縫渦流信號的時頻域信息，大大降低了分析的維數。因此將經過PCA降維之后的8個主元特征作為后續焊縫缺陷分類的特征向量，組成最終的400×8的數據矩陣T。

圖2 主元貢獻率Fig.2 Contribution rate of principal component

3 基于SVM的缺陷識別

SVM的基本思想是把學習樣本從輸入空間映射到一個高維特征空間，然后在此空間中構造最優分類超平面，實現缺陷識別。

對于焊縫渦流信號的訓練樣本集T=(x1,y1),(x2,y2),…，(xm,ym),x∈Rn,yi∈-1,+1，尋找最優分類超平面可以轉換為如下優化問題：

(7)

(8)

SVM通過不同核函數將輸入樣本非線性變換到不同的高維特征空間，選擇不同的核函數可構建不同的SVM分類器。常用的核函數有線性核、多項式核和徑向基核(RBF)。應用SVM對窄搭接焊縫缺陷分類的算法流程見圖3。

圖3 焊縫缺陷識別流程圖Fig.3 Flow chart of weld defect recognition

4 實例驗證與分析

為了驗證提出算法的有效性，將經過EMD分解和PCA降維之后的400例焊縫渦流信號數據集T分成訓練與測試樣本進行實驗，不同缺陷類型的樣本數量見表2。

表2 不同焊縫缺陷樣本數量

利用SVM一對多分類器對訓練樣本集進行訓練，建立3級SVM分類器，用于識別窄搭接焊縫的缺陷類別。分類器1用于區分無缺陷與其余3種缺陷類別；分類器2用于區分裂紋缺陷與其余2種缺陷類別；分類器3用于區分夾渣缺陷和浮孔缺陷。通過對常用核函數特征分析，徑向基核能夠實現非線性映射，并且相較于多項式核有較少的參數，因此本文選用徑向基核函數：

K(xi,xj)=exp(-‖xi-xj‖2/(2σ2))

模型中懲罰參數c和核參數σ采用交叉驗證的方式獲得。在MATLAB R2016b環境下，采用libsvm-3.22工具包對訓練樣本進行測試。當懲罰參數c=95,核參數σ=0.8時，識別準確率最高。將優化后的參數代入SVM進行訓練，得到焊縫的最終分類模型。用訓練得到的模型預測另外的測試集樣本，得到各缺陷的識別結果見表3。

表3 SVM焊縫缺陷分類結果

由表3可以得出，焊縫測試樣本總分類準確率達到89.4%，分類準確率較高。在實際焊接中，缺陷判別的準確率達到80%以上就可以給焊接提供參考依據，因而本文的準確率可以滿足實際生產需要。其中正常和裂紋缺陷分類準確率最高，而夾渣缺陷分類準確率最低。進一步分析發現，部分夾渣缺陷被判斷成了裂紋和浮孔缺陷。在判斷錯的8個夾渣樣本中，有6個被判斷成裂紋缺陷，2個被判斷為浮孔缺陷。造成夾渣缺陷被誤判的原因，一方面是由于夾渣樣本數量較少，在樣本訓練時的精度就不高；另一方面是由于夾渣缺陷本身比較復雜，渦流信號特征不穩定，并且和裂紋缺陷的特征有些相似，容易造成夾渣被誤判為裂紋缺陷。

為了進一步說明本文基于EMD分解并結合PCA降維的特征提取方法(EMD-PCA-SVM)的優越性，將本文方法與僅采用EMD分解而不降維(EMD-SVM)、僅對原始信號選取12維時頻特征進行PCA降維(PCA-SVM)、僅選取12維原始信號特征而不降維(SVM)3種方法進行對比，比較結果見表4。

表4 SVM焊縫缺陷分類結果對比

由表4可以看出，采用EMD分解后，焊縫缺陷的分類精度都較高，說明復雜的焊縫渦流信號經EMD分解后，再從分解得到的IMF分量中提取特征信息更能反映渦流信號的本質特征。而采用PCA分解雖然沒有顯著提升分類的精度，但是由于降低了特征維度，從而降低了計算的復雜度，可以節省模型訓練與缺陷分類識別的時間。

5 結論

本文基于渦流檢測，建立了針對窄搭接焊縫特征提取與缺陷識別的EMD-PCA-SVM模型。該模型通過對窄搭接焊縫的渦流檢測信號進行EMD分解，在獲取的IMF分量的基礎上構造特征向量，可以更全面地提取焊縫渦流信號的有效特征。繼而利用PCA對特征參數進行降維，去除了其中的大量冗余信息，使SVM的訓練和測試得到了有效簡化，降低了分類器的復雜程度。實例分析結果表明，本文提出的基于渦流檢測進行焊縫缺陷識別的方法具有較高的準確率，該方法為窄搭接焊縫的缺陷識別提供了可行途徑。