基于lab VIEW和BP神經網絡焊縫缺陷研究

黎唐東 毛凌波 李 風

廣東工業大學 廣東 廣州 510006

前言

Lab VIEW是一種利用G語言圖像化的編程軟件,有著強大的可編程能力,編程效率快[1],且可以和其他數據處理軟件聯合編程如MATLAB,lab VIEW還可以與硬件(NI硬件和部分非NI硬件)進行系統搭建,以軟硬件結合的形式構建自己想要的系統。

在超聲檢測中,人們通過缺陷回波超聲信號的信息來判斷缺陷位置,大小等信息,但由于在檢測過程中,超聲檢測儀器或者周圍檢測環境會產生噪聲,常常會干擾原始缺陷回波信號[2-3],因此需要對回波信號進行去噪處理,常用的超聲去噪方法為小波閾值去噪方法[4];且在超聲檢測過程中,對缺陷的定性分析比較依賴研究人員的經驗判斷,因此結合目前的深度學習神經網絡去識別缺陷信號很有研究價值。

小波包分解是在小波分析上的發展,在多分辨率和多尺度空間下對缺陷信號進行分解[5],得到各頻帶的信息,有效的缺陷的信息分布在各個頻帶上,對得到的小波系數進行重構,可以求解各個頻帶的能量值,以能量值構造特征向量,輸入到前反饋神經網絡(BP神經網絡)進行訓練,識別,進而對焊縫缺陷進行有效的定性分析。

1 lab VIEW數據采集分析系統

1.1 系統整體搭建

本實驗利用軟件和硬件結合的搭建超聲無損檢測系統,系統總體包括實驗室已有的硬件設備超聲波探頭,PCIe8582數據采集卡,JSR-DPR500脈沖發生接收器,工控機,鼠標鍵盤等,軟件采用基于lab VIEW平臺在PC機運行的虛擬儀器以及MATLAB分析軟件、該系統可以完成實驗數據的采集、去噪、特征值提取、數據保存等功能。由于本實驗的實驗試樣主要是以鋼基材料探傷,且結合預制試樣的材料,對系統進行驗證和各參數的校準。本文采用GB/T 2970-2016國家標準,利用標準試樣CSK-IA標準試塊進行試驗系統驗證,確定靈敏度,檢測增益范圍,表面補償等參數,確定使用斜探頭K值為1,中心頻率2.5MHz的探頭,探頭前沿長度2.5mm。由此可進行后續的數據采集。系統總體框架如圖1.1所示,焊縫超聲檢測系統在lab VIEW的前面板如圖1.2所示。

圖1.1 焊縫超聲檢測檢測系統總框架

圖1.2 焊縫超聲檢測檢測系統前面板

Labview通過調用dll來控制數據采集卡和脈沖發生接收器,本系統主要檢測邏輯為:通過lab VIEW控制DPR500激發出觸發信號,使超聲探頭產生超聲波信號,超聲波信號經反射,被超聲探頭接收到被測試件返回的超聲信息,在通過DPR500進行接收,通過數據采集卡將最終的信號返回PC端,其中數據的傳輸都是用的用BNC接口。之后利用db5小波進行三層分解軟閾值去噪,得到去噪后的信號,進而調用lab VIEW中的MATLAB Script節點利用MATLAB小波包分解提取能量特征值,以TDMS格式保存。為之后的神經網絡識別提供原始數據。

之后對8個頻帶的能量特征值提取,并對其進行歸一化處理得到特征向量T0:

1.3 實驗試樣 實驗所檢測的對象主要以鋼基材料為基礎,定制的材料主要采用的尺寸是320mm×300mm×15mm,開V型坡口,焊接方法是焊條電弧焊,預制缺陷主要有氣孔、夾渣、裂紋。其中氣孔缺陷50個,夾渣,裂紋分別40個。

2 BP神經網絡識別

2.1 BP神經網絡 BP神經網絡模型由輸入層、隱藏層、輸入層結構組成,每一層都有許多節點,三層之間互相連接,但每層之間的節點沒有聯系,其傳輸和反饋特性為信號沿神經元往前傳播,反饋誤差反而與之相反,其為反向傳播,BP神經網絡是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡,有著良好的泛化能力,典型的三層神經網絡即可分析許多復雜的問題,BP神經網絡常采用梯度下降法調節閾值和權重[6-7]。

2.2 BP神經網絡訓練 將實驗中采集到的數據共有130組分為倆組,按70%和30%分為訓練集91組和測試集39組,將測試集中的氣孔、夾渣、裂紋分別編碼為{100}、{010}、{001}。將訓練集的特征向量作為輸入數據,因為數據有8維,所以輸入層的神經元節點個數設為8;輸出層神經元節點數設為3,隱藏層神經元節點個數根據常見的經驗公式h=2m-1,其中h為隱含層節點數目,m為輸入層節點數目[8],設為15.隱藏層和輸出層激活函數都設為Sigmoid函數,誤差函設為學習率為0.01,最大迭代次數設為1000,訓練誤差為0.001,初始權值和閾值根據MATLAB隨機生成。經過多次訓練,在迭代次數為192時均方差MSN0.023達到最小,沒有達到預期訓練目標,進而采用遺傳算法優化BP神經網絡和權值,在經過優化之后,在迭代次數為92MSN最小為0.009,比沒有優化效果要好,進而對訓練好的模型用測試集驗證,得到的預測值和真實值如下圖1.3所示:

圖1.3 神經網絡預測值與真實值對比

由圖中可以看到,有2個氣孔缺陷分別誤識別成了夾渣和裂紋,1個夾渣誤識別成了裂紋,1個裂紋誤識別成了氣孔,氣孔缺陷識別率為86.67%,夾渣缺陷和裂紋缺陷識別率為91.67%,三種缺陷總體識別率為89.74%,說明整體識別效果較好。

3 結論

通過Labview設計的焊縫超聲缺陷檢測系統有著良好的人機交互界面,能實現數據的采集、保存、等功能,將采集到的信號進行降噪處理,利用小波包提取能量特征值,利用遺傳算法優化后的BP神經網絡進行識別,總體識別率能達到89.74%,能很好的對焊縫缺陷進行定性分析,對超聲無損檢測人員有著一定的技術借鑒和參考作用,但本文中缺陷的原始數據不是很多,達不到預期設置的訓練誤差,希望后續可以進一步提高神經網絡識別率。