基于機器學習的金屬近表面缺陷超聲檢測方法

劉文芳，韓 軍，劉艷鋒，龍晉桓，林靖翔，陳尚群

(1. 中北大學電氣與控制工程學院，山西 太原 030051; 2. 中國科學院福建物質結構研究所泉州裝備制造研究所，福建 泉州 362000; 3. 泉州德源軸承實業有限公司，福建 泉州 362000)

0 引 言

金屬構件的質量直接關系到機械運行的可靠性。受鍛造工藝影響，金屬構件在加工過程中容易產生孔隙、裂紋、夾雜等缺陷，嚴重影響其安全性能，出廠前必須進行100%的缺陷檢測[1-2]。超聲無損檢測具有穿透力強、靈敏度高、使用簡單等優勢，已廣泛應用在工業檢測領域[3-4]。

在常規超聲脈沖回波檢測中，由于表面回波的存在，往往會在回波附近造成一定的“死區”，影響對近表面缺陷實際位置的判別[5]。目前，國內外研究學者常采用數字信號處理技術來分離缺陷回波和表面回波，如頻譜分析[6]、希爾伯特變換[7]、時域相位分析方法等。其中，Guan等[8]提出一種將提取超聲頻域信號特征與GA-SVM相結合的方法來識別近表面缺陷信息。Li等[9]提出了一種將自適應形態濾波與稀疏最小熵反褶積(M-S-MED)相結合的方法，通過去除超聲微信號的背景噪聲，定量檢測近表面微缺陷。Huang等[10]采用折射橫波的方法檢測了304不銹鋼試樣中的近表面缺陷，通過橫波檢測可有效解決表面回波的掩蓋問題，但是這種方法對于平行于表面的缺陷敏感性較低。這些方法可以定性地檢測出工件內部是否含有近表面缺陷，但是無法定量地計算缺陷的實際位置深度。

在超聲回波檢測中，通常根據缺陷回波出現的時間來計算缺陷的實際位置深度。然而，在檢測近表面缺陷時，當缺陷一次回波被表面回波所掩蓋，二次回波會被誤認為一次回波，造成對缺陷實際位置的錯誤判斷。由于缺陷二次回波比一次回波傳播的距離更長，且經過了二次反射，導致二次回波在特征上區別于一次回波，例如相位、幅值等。如何有效地識別缺陷一次回波和二次回波，是準確計算缺陷實際位置的關鍵。機器學習具有檢測效率高、容錯性高、可自動提取信號特征等優勢，為超聲缺陷回波信號的識別提供了新思路[11-12]。本文提出將數字信號處理與支持向量機分類法相結合，采用垂直入射脈沖回波法采集缺陷的超聲信號，使用支持向量機對缺陷回波信號進行分類和預測，并通過對缺陷一次回波和缺陷二次回波的識別，實現對近表面缺陷實際位置的準確計算。

1 超聲A波檢測

超聲檢測具有多種檢測方式，其中脈沖回波法的檢測原理如圖1所示。超聲探頭發射聲波經過中間耦合介質入射到樣品表面，此時超聲信號的部分能量被反射回來，形成圖2(a)中的表面波BW，另一部分能量進入樣品內部，到達底面并反射形成底面波DW，若樣品內部有缺陷，則聲波遇到缺陷會被反射形成缺陷波AW1。在一些近表面缺陷中，由于缺陷回波路程短，衰減小，在表面波與底面波之間不僅會出現缺陷一次回波AW1，也會經過表面二次反射形成缺陷二次回波AW2，如圖2(b)所示。

圖1 脈沖回波法示意圖

圖2 超聲A波示意圖

在超聲A波信號中，缺陷二次回波距表面回波的距離通常為缺陷一次回波距表面回波距離的二倍，這樣的距離優勢使缺陷二次回波受表面回波的影響較小。因此，可以根據缺陷二次回波信號出現的位置信息以及聲波在材料內部的傳輸路徑，由下式可計算出缺陷在材料內部的深度信息：

式中：tF1——缺陷一次回波出現的時間；

tF2——缺陷二次回波出現的時間；

tw— —表面回波出現的時間；

zF——缺陷在材料內部的深度；

cL——材料的縱波聲速。

2 支持向量機分類算法

支持向量機是一種針對有限樣本問題提出的一種機器學習方法，具有良好的經驗性能和對高維小樣本的泛化能力，越來越多地被用于分類問題[13-14]。SVM公式使用結構風險最小化原則[15]，在樣本空間中找到一個超平面將樣本分類，保證該超平面對訓練樣本局部擾動的“容忍”最好，如圖3中紅線所示。

圖3 支持向量機與間隔

3 超聲缺陷仿真信號的SVM識別

圖4 超聲仿真信號

在仿真信號中共設計6個深度的近表面缺陷回波信號，缺陷二次回波距表面波的距離為缺陷一次回波距表面波距離的二倍，不同深度缺陷的位置信息如表1所示。其中表面回波、缺陷一次回波、缺陷二次回波的增益依次為 10 dB、6 dB、1 dB，每個深度仿真100條數據。將一次缺陷回波二次缺陷回波分別提取出放入支持向量機中進行分類訓練識別，其中訓練集占70%，測試集30%。如表2 所示，支持向量機能有效對仿真超聲缺陷一次和二次回波信號進行識別和分類。

表1 超聲缺陷仿真信號

表2 仿真缺陷回波信號的識別率

4 實驗驗證

4.1 實驗裝置及樣品信息

采用水浸式超聲脈沖回波法對軸承內圈進行信號采集，采集裝置如圖5所示。選擇中心頻率為15 MHz、焦距為 39.2 mm、聲束焦斑直徑為 0.308 mm的水浸式聚焦探頭Olympus-V309-Su與超聲相控陣儀器（Multi2000系統）連接，采樣頻率為100 MHz。數據采集、顯示和保存采用Multi2000軟件。將軸承內圈固定在可旋轉的轉軸上，以實現對不同位置缺陷信號的采集。聲垂直入射，采樣時間間隔為0.1 s。

圖5 超聲數據采集系統裝置圖

采用440C不銹鋼軸承內圈進行實驗驗證，軸承內圈的外表面直徑45 mm，內表面直徑為30 mm，聲速為5900 m/s。在軸承內圈上加工七個不同孔徑和深度的平底孔，用于模擬軸承內圈在不同深度下的缺陷。為保證能充分獲得缺陷二次回波，平底孔缺陷的直徑均在0.3 mm及以上，軸承內圈實物如圖6所示。內部缺陷分布及尺寸如表3所示，其中近表面缺陷1和3的缺陷一次回波信號位于表面回波的“死區”內。

圖6 440C不銹鋼軸承內圈實物圖

表3 軸承內圈內部缺陷信息

4.2 A掃數據集的構建

首先在軸承內圈無缺陷區域采集超聲A波信號，從表面波出現到震蕩結束共0.59 μs，近表面缺陷檢測死區區間為0 ～1.44 mm，如圖7所示。對7個平底孔缺陷依次進行超聲信號采集，每個平底孔缺陷采集300條A波數據。利用傳統閾值法對采集回來的超聲信號進行缺陷信號的確定，并分割出缺陷一次回波和二次回波信號，圖8為缺陷回波示意圖。為了減少缺陷信號幅值等因素的影響，首先對信號進行高斯歸一化處理，將數據點集中在平均值處，并將其標度為單位標準差，如下式所示：

圖7 時域下的無缺陷回波信號

圖8 時域下的缺陷回波信號

式中：x——超聲采集原始數據；

z——歸一化后數據；

u和 σ——原始數據的均值和方差。

根據軸承內圈7個加工缺陷的實際位置深度，確定缺陷一次回波和二次回波的標簽。實驗中，一條缺陷A波信號作為一個樣本數據，缺陷一次回波信號作為正樣本，標簽為1；缺陷二次回波信號作為負樣本，標簽為–1。在訓練和測試過程中，選取4個缺陷的信號數據作為訓練集，將剩余3個缺陷的信號數據作為測試集。

4.3 實驗驗證及結果分析

實驗采用交叉驗證的方式進行，對7個缺陷回波信號進行了5組驗證實驗，每組實驗隨機選取4個缺陷的回波信號作為訓練集，剩余3個缺陷回波數據作為測試集，五組實驗選取的訓練集和測試集分布如表4所示，其中√代表每次實驗選取作為訓練集的缺陷數據，○代表選取作為測試集的缺陷數據。最后計算每次實驗的測試準確率（Accuracy），如式（11）所示，其中，TP（真實為 1，預測為 1）和TN（真實為–1，預測為–1）指的是預測標簽和真實標簽一致的信號數量。FP（真實為–1，預測為1）和FN（真實為1，預測為–1）指的是預測標簽和真實標簽不一致的信號數量。從表4的實驗結果中可以得出，支持向量機對一次缺陷回波和二次缺陷回波分類的平均準確率可達到95.22%。

表4 交叉驗證實驗

實驗結果表明，支持向量機可有效地對缺陷回波進行分類和識別。當缺陷一次回波位于表面回波的“死區”中時，通過識別缺陷二次回波，由式（1）～（2）可實現對缺陷實際位置的計算。當在A波信號中同時識別出一次回波和二次回波的缺陷，可根據一次、二次回波預測的缺陷位置求平均值，降低缺陷位置計算誤差，計算結果如表5所示。從表5中可以看出，缺陷距離表面越近，對其位置的預測越準確。對于近表面缺陷1和3，即使在一次回波被表面回波所隱藏的情況下，二次回波的預測誤差絕對值仍小于0.1 mm。對于位于試塊中間位置的缺陷2、4、5、6，由于二次回波的傳播路徑較長且采用了15 MHz高頻探頭進行實驗，導致二次回波的衰減較大，通過對一次、二次回波預測位置的平均可有效的減小誤差，預測誤差絕對值在0.2 mm以內。對于位于試塊底部的缺陷7，缺陷回波信號受到了底面波信號的干擾，造成的誤差相對較大，預測誤差絕對值在0.5 mm左右。

表5 缺陷位置預測

5 結束語

針對近表面缺陷檢測受表面回波干擾問題，提出一種近表面缺陷位置判定的新方法。首先通過仿真超聲缺陷信號驗證了支持向量機分類法對近表面缺陷一次回波和缺陷二次回波的識別能力。然后通過浸沒式垂直入射脈沖回波法獲取軸承內圈缺陷的超聲回波信號，使用支持向量機對缺陷回波信號進行分類識別，實現對近表面缺陷的檢測和位置計算。最后，通過交叉驗證法驗證了支持向量機對超聲一次信號和二次信號識別的有效性，同時對預測缺陷位置與真實缺陷位置做對比，計算了預測誤差絕對值。實驗結果表明，使用支持向量機對一次缺陷回波和二次缺陷回波的分類準確率可達到95.22%，近表面缺陷位置的預測誤差絕對值小于0.2 mm，為近表面缺陷實際位置的定量計算提供了新思路。