基于一維卷積神經網絡的超聲導波管道裂紋識別方法

唐若笠， 張尚煜， 伍文君

(武漢理工大學 船海與能源動力工程學院，武漢 430063)

在船舶運輸、石油化工等工程現場，各類工業管道往往服役環境復雜，在運行過程中不可避免地會產生不同程度和類型的損傷失效。其中，管道表面裂紋是最為常見的損傷形式之一[1]。這種損傷一旦加劇便會引起管道的泄露甚至斷裂，這不僅危害到整個工業自動化系統的安全、穩定運行，甚至會造成生態環境污染等嚴重后果。為此，及時、準確地發現管道的裂紋缺陷，對管道的安全運行起著決定性作用[2]。在許多情況下，傳統的目視檢查無法在缺陷形成的初始階段檢測到形態細微的各類缺陷[3]。相比之下，超聲導波由于具有易激發、可長距離傳輸、可大面積掃描，以及對細微缺陷敏感等優點[4]，被認為是最可行的缺陷檢測方法之一。然而，由于超聲導波具有多模態以及頻散等復雜特性[5]，基于人工方法對導波的缺陷回波信號進行分類診斷同樣具有較大的復雜性。為此，基于數據驅動的超聲導波缺陷識別方法在管道結構健康監測領域引起了國內外學者的廣泛關注。

主流的缺陷識別方法是將原始數據進行特征提取以得到多維特征參數，隨后采用基于數據驅動的方法達到預期的分類結果。Cruz等[6]采用離散傅里葉變換(discrete Fourier transform, DFT)、離散余弦變換(discrete cosine transform, DCT)和離散小波變換(discrete wavelet transform, DWT)進行特征提取，以多層感知器(multi-layer perception, MLP)神經網絡作為機器學習(machine learning, ML)學習分類器對鋼板進行焊接缺陷分類。Li等[7]采用希爾伯特變換(Hilbert transform, HT)、功率譜密度(power spectral density, PSD)、快速傅里葉變換(fast Fourier transform, FFT)和小波分維(wavelet fractal dimension, WFD)進行特征提取，以支持向量機(support vector machine, SVM)作為機器學習方法識別鋼板缺陷類型。Liu等[8]采用時頻分析(time-frequency analysis, TFA)工具箱和5種熵值進行特征提取，利用二進制粒子群優化算法選擇最佳特征子集，基于最小二乘支持向量機(least squares support vector machine, LS-SVM)構建分類模型。近年來，隨著深度學習技術的興起，傳統機器學習方法正逐漸被深度學習算法所取代，雖然經典的機器學習方法只需要較少的數據集和較低的計算成本[9]，但深度學習算法在不需要數據預處理的情況下實現了更高的預測精度。

近年來，國內外學者對不同管道缺陷的分類開展了大量研究，分類對象主要集中于腐蝕、凹坑、裂紋、焊接這4類缺陷。相比之下，已有研究對管道表面裂紋疲勞擴展程度的關注較少。本文將管道裂紋缺陷量化為5個等級指標，提出一種基于多尺度一維卷積神經網絡(multi-scale one-dimensional convolutional neural network, MS-1DCNN)的管道裂紋缺陷等級分類方法。該方法可以直接將原始波形信號作為模型輸入，無需任何針對波形信號的特征提取、預處理或后處理等額外操作，最大限度地減少原始波形信號中信息的損失，進而能夠快速、準確地實現管道裂紋等級分類，從而對含缺陷管道進行準確的安全評估。

1 卷積神經網絡

卷積神經網絡(convolutional neural network, CNN)是一種著名的深度學習架構，其靈感來自于生物的自然視覺感知機制，最早被應用在圖像分類中[10]。CNN與傳統的神經網絡相似，都是由輸入層、隱藏層和輸出層所組成。但不同的是，CNN的隱藏層包括卷積層、池化層和全連接層。卷積層是CNN網絡的核心，在卷積層中引入局部感受野概念，通過設置不同維數和步長的卷積核(Kernel)，就可以對輸入進行不同特征和尺度的特征掃描，進而實現從輸入數據中直接提取特征[11]。卷積層之后通常為激活層，主要作用是將卷積層輸出結果進行非線性映射，從而提高模型的泛化能力。池化層通常位于兩個卷積層之間，可以進行不同形式的下采樣，降低特征分辨率，得到抽象化的特征，從而減少模型中的參數量和計算量，并在一定程度上保留重要信息[12]。全連接層通常將各層的每一神經元通過一定的連接權逐一相連[13]。綜上所述，卷積神經網絡的具體框架結構如圖1所示。

圖1 卷積神經網絡結構Fig.1 Convolutional neural network structure diagram

在過去的幾年里，CNN在諸多工程技術領域都得到了廣泛而成功的應用。其中，一維卷積神經網絡(one-dimensional convolutional neural network, 1DCNN)通常用于分析一段固定長度的信號數據，其優點之一是可以使用大窗口尺寸的過濾器來提取更多的數據信息。1DCNN不需要繁瑣的數據預處理，可直接將原始信號用作為模型輸入，并能夠在各種環境下保持較高的預測精度。Janssens等[14]基于卷積神經網絡模型進行軸承故障診斷，與傳統的人工特征提取方法相比，其故障診斷模型的建立無需依賴過多的專業知識，且故障分類精度提高了約6%。Ince等[15]基于一維卷積神經網絡提出一種新的電機狀態監測系統，該系統可通過適當的訓練提取最優特征，并能夠實現高于97%的故障檢測精度。Abdeljaber等[16]提出一種基于一維卷積神經網絡自適應實現的缺陷檢測方法，并通過看臺模擬器主鋼架的監測試驗驗證了其方法的有效性。試驗結果表明，該方法在實時結構缺陷檢測過程中具有較高的性能。Pandey等[17]利用超聲導波對鋁板的缺陷進行自動檢測，通過建立一維卷積神經網絡的缺陷分類模型，實現了接近100%的識別準確率。如上所述，已有研究中針對一維信號采用的均為單一尺度的特征提取，并未充分發揮CNN提取一維信號特征的能力，特征提取效果仍有較大提升空間。為此，本文研究并提出了基于改進一維卷積神經網絡的管道缺陷識別方法，設計了多尺度特征提取模塊，能夠有效挖掘故障數據中的特征信息。

2 裂紋缺陷有限元仿真建模

本文基于商業有限元分析軟件(COMSOL Multiphysics 5.6)建立三維直管模型，并基于該模型進行仿真試驗分析。所建立模型的實物對象為某艦船上長度2.0 m，外徑114.0 mm，壁厚7.2 mm的銅合金管，具體材料特性如表1所示。

表1 銅合金管材料特性Tab.1 Properties of copper alloy pipe materials

基于目前的導波檢測水平，可以檢測運行管道中最低1%橫截面積的缺陷[18]。考慮到在管道中一旦產生裂紋，那么隨著時間的推移，裂紋將逐漸形成動態的無序擴展[19]。為此，在仿真模型中將最小截面缺損率設置為4%。此外，令不同等級之間的截面缺損率區間值逐步增加，直至裂紋擴展至1/4管道圓周，具體數值設置如表2所示。

表2 裂紋仿真尺寸Tab.2 Crack simulation size

考慮到超聲導波的多模態和頻散特性，本文選取導波模態為T(0,1)，并調制10個周期的漢寧窗函數作為激勵信號。根據圖2所示的銅合金管群速度頻散曲線，選擇40 kHz作為激勵信號的頻率。此外，選取距離激發端0.1 m等間距的36個外部節點作為反射信號接收端。在仿真建模中，模型的裂紋缺陷設置為缺口狀、邊緣均勻。網格劃分是決定仿真模型計算精度的重要步驟，網格的密度越高，計算精度越準確，但計算所需的時間也會越多。為優化有限元模型的整體網格節點數量，減少計算時間，本文采用分割域的方式將管道裂紋區域與無缺陷區域劃分開來。其中，無缺陷區域網格為映射掃掠，具體為管道端面徑向2個單元格，圓周方向48個單元格，軸向網格間距設置為2.0 mm，從而確保網格單元尺寸小于模型中最小波長的1/10[20]；有缺陷區域為自由四面體網格加密處理，最小單元0.4 mm。綜上所述，本文所建立的有限元仿真模型結構如圖3所示。5種裂紋等級的缺陷回波信號如圖4所示。

圖2 群速度頻散曲線Fig.2 Group velocity dispersion curves

圖3 缺陷仿真示意圖Fig.3 Defect simulation diagram

圖4 不同裂紋等級的回波信號Fig.4 Echo signals of different crack grades

3 基于1DCNN的裂紋等級分類模型

基于上述設置，通過有限元仿真生成共計1 100個數據樣本作為輸入，每個數據樣本由1 400個標量點組成。在此基礎上，將隨機880個仿真數據樣本用作為訓練集，剩余220個仿真數據樣本用作為驗證集。

3.1 環境配置及模型結構

本文研究所采用的1DCNN基于Tensorflow(2.4.0)版本中的Keras(1.1.2)框架予以實現，試驗平臺硬件配置為：I7-10875H型CPU，1650型GPU，內存為16 G。為提高分類精度，本文對基礎的1DCNN模型結構及相關參數進行了反復的優化試驗最終確定1DCNN模型結構為多尺度一維卷積神經網絡(MS-1DCNN)，采用并行多分支結構，每個分支包含3個卷積層、3個激活層、3個池化層。此外，上述3個分支對輸入分別進行特征提取后再進行特征融合。通過三種不同感受野的卷積核來獲取更有效的缺陷信息，大小分別為3、5、7。Strides值設置為1，Padding設置為Same，采用整流線性單元(ReLU)作為每個卷積層的激活函數。此外，為減少網絡中的參數量和計算量，在第三個卷積層之后進行池化操作。Maxpooling尺寸設置為2.0，Dropout參數設置為0.2，添加Flatten層將多維數據展平，在全連接層的輸出層中使用Softmax作為激活函數。具體模型結構如圖5所示。

圖5 MS-1DCNN 網絡結構Fig.5 MS-1DCNN network structure

基于上述試驗設置，經仿真數據訓練后的MS-1DCNN模型學習曲線如圖6所示。由圖6可見，隨著迭代次數的增加，訓練集和驗證集的準確率逐步提高、損失率逐步下降。當迭代次數達到100次左右時，準確率和損失率的曲線變化幅度趨于平緩，且驗證集的準確率曲線高于訓練集的準確率曲線，驗證集的損失率曲線低于訓練集的準確率曲線。由此可見，所建立的MS-1DCNN模型擬合情況良好。

圖6 MS-1DCNN模型訓練學習曲線Fig.6 MS-1DCNN model training learning curve

3.2 對比方法

為驗證本文所提出的基于MS-1DCNN的管道裂紋等級識別模型的分類能力，引入5種具有代表性的機器學習分類模型進行對比試驗，具體包括：以BP神經網絡(back-propagation, BP)為代表的黑盒模型、以支持向量機(SVM)為代表的單分類器模型、以XGBoost為代表的多分類器組合的集成學習模型、以及以1DCNN為代表的深度學習模型。為確保用作為對比試驗的各機器學習模型具有較好的識別結果，在多次調參試驗后，確定各機器學習模型的參數設置如下：BP神經網絡迭代次數為20 000，隱含層數為7；SVM采用二次核函數；XGBoost采用5折交叉驗證，子樹數量(estimators)設置為100；1DCNN設置為3個卷積層、1個池化層以及1個全連接層，各卷積層均采用16個大小為15的卷積核。

由于試驗采用了10個周期、40 kHz的低頻導波信號，故其在頻域上包含的缺陷信息相對較少，頻域特征參數不能準確地區分不同裂紋等級之間的細微變化。此外，考慮到導波檢測中激勵信號與缺陷反射信號都具有明顯的時域特征信息，為此，本文采用時域分析法進行特征提取。具體地，定義如下特征指標以實現對缺陷反射信號的時域特征提取：峰峰值、方差、均方根、標準偏差、平均值、偏度、峰度、離散系數、峰值因子、波形因子、脈沖因子、裕度因子、峰度因子(分別標記為TD1-TD13)。各特征指標的具體定義式如表3所示。

表3 時域特征參數定義Tab.3 Definition of time-domain characteristic parameters

3.3 試驗設計及結果分析

考慮到在實際中受試驗環境和硬件設備的影響，試驗中采集到的數據往往被噪聲污染。因此，通過有限元模型生成的仿真數據與試驗數據之間勢必存在一定差異。為使仿真數據更好地模擬試驗中的真實數據，將具有不同等級信噪比(SNR)的高斯白噪聲疊加到仿真數據，以生成不同等級的含噪數據樣本。具體地，噪聲區間設置為[2,20]dB，步長設置為2 dB。在此基礎上，將上述共計10個等級的含噪數據與無噪聲仿真數據分別放入各模型中進行10次獨立重復試驗，通過對比各模型的正確識別率，從而檢驗本文所提出的MS-1DCNN模型在噪聲環境下的魯棒性。各模型在不同噪聲等級下的平均正確識別率如圖7所示。

圖7 各模型基于不同信噪比的含噪數據的識別精度對比Fig.7 Comparison of recognition accuracy of noise-containing data based on different SNRs of each model

由圖7可以看出，在無噪聲情況下，幾乎所有模型都能達到100%的準確率。然而，隨著噪聲數據中SNR值的逐漸降低，各模型的正確識別率隨之下降。當SNR=20 dB時，BP和SVM的正確識別率出現大幅度下降，正確識別率低至50%以下，已然不具備較準確的識別能力；相比之下，MS-1DCNN和1DCNN的正確識別率能夠依然保持100%；XGBoost的正確識別率雖略有降低，但能夠穩定在90%以上。當12 dB≤SNR<20 dB時，MS-1DCNN和1DCNN的正確識別率相差較小，且始終保持在較高水平。然而，XGBoost的正確識別率下降明顯。當2 dB≤SNR<12 dB時，MS-1DCNN的正確識別率最高，顯著優于1DCNN、XGBoost、SVM、BP等模型。由上述分析可見，本文所提出的MS-1DCNN模型對噪聲具有較強的魯棒性。

4 實例驗證

為進一步驗證本文所提方法在實際應用中的有效性，搭建基于磁致伸縮效應的超聲導波檢測系統對第2節所述含裂紋缺陷的銅合金管進行試驗驗證。所搭建的具體試驗裝置如圖8所示。在試驗過程中，由信號發生器產生10個周期的40 kHz脈沖信號，該信號經由功率放大器放大后被加載到條帶傳感器上。其中，發射端與接收端的條帶傳感器均放置在待檢管道的同一端。在管道沿圓周方向通過環氧樹脂粘貼鐵鈷條帶并用永磁鐵磁化，條帶傳感器在管道中激勵出T(0,1)模態導波耦合到管道中沿長度方向傳播。當導波信號遇到缺陷時發生反射和透射，接收傳感器感應到微弱回波信號后經由前置放大器和高通濾波器處理，并進一步通過數據采集系統采集回上位機端。

圖8 試驗裝置Fig.8 Test installation

考慮到實船退役銅合金管的稀缺性和較高的實際成本，本文在試驗中對已獲取的單根銅合金管以機械加工的方式制作弧長為80 mm，寬度2 mm，深度3 mm的裂紋缺陷。所制缺陷對應第2章中仿真裂紋模型的第5等級，具體如圖9所示。

(a) 仿真模型裂紋

(b) 試驗管道裂紋圖9 裂紋缺陷示意圖Fig.9 Crack defect schematic diagram

基于所搭建的磁致伸縮超聲導波檢測系統，經多次重復試驗獲取圖9所示裂紋缺陷的樣本數據庫，并將其用作為MS-1DCNN模型的測試集。采用第3章中建立并訓練完備的MS-1DCNN模型對實管測試集樣本進行識別，各信噪比下10次獨立試驗的平均正確識別率如圖10所示。

圖10 不同信噪比下MS-1DCNN的準確度Fig.10 Accuracy of MS-1DCNN under different SNR

由圖10可見，當SNR從2 dB上升至14 dB時，MS-1DCNN對實管缺陷的正確識別率逐漸升高；當SNR=14 dB時，MS-1DCNN的實管缺陷正確識別率達到88.9%；當SNR>14 dB時，MS-1DCNN對實管缺陷的正確識別率開始逐漸下降。由此可見，14 dB的噪聲數據與試驗數據在MS-1DCNN中提取的特征最為接近。

考慮到試驗過程中引入噪聲信號的隨機性，帶有裂紋缺陷的銅合金管在不同時刻、不同工況下所采集到的試驗數據并非完全一致。為確保用于模型訓練的仿真數據更接近實際數據，本文進一步將包含不同信噪比的噪聲數據按區間進行組合并用于模型訓練，以求獲取魯棒性更強的MS-1DCNN模型用于實管缺陷的檢測識別。具體地，將SNR=1、SNR=2、SNR=3的仿真數據歸為一組，將SNR=4、SNR=5、SNR=6的仿真數據歸為一組，以此類推共得到7個信噪比區段的數據組并完成對各自MS-1DCNN模型的訓練。各信噪比區段對應的MS-1DCNN模型對實管缺陷的正確識別率如圖11所示。

圖11 不同信噪比組合下MS-1DCNN的準確度Fig.11 Accuracy of MS-1DCNN under different SNR combinations

由圖11可見，在測試集不變的情況下，基于噪聲數據組合訓練的MS-1DCNN具有更高的正確識別率。其中，13～15 dB噪聲區段訓練的模型對實管缺陷有著最高90.1%的正確識別率，相比于單噪聲數據訓練的MS-1DCNN模型有所提升。從整體來看，無論MS-1DCNN輸入的是單噪聲數據還是噪聲區段數據，其對實管缺陷的正確識別率均存在峰值點，且正確識別率曲線近似服從正態分布。由此可見，對仿真數據添加噪聲的方法在一定程度上可以更好地逼近物理試驗數據，基于融合噪聲數據訓練的MS-1DCNN相比于單純仿真數據訓練的MS-1DCNN而言，對實際物理系統的缺陷數據有更強的識別分類能力，而通過噪聲區段組合數據訓練得到的MS-1DCNN模型對于實管缺陷的識別結果有著更進一步的提升。

5 結 論

本文提出一種基于多尺度一維卷積神經網絡的超聲導波管道結構健康監測模型，以實現對管道裂紋不同擴展等級的準確分類。一方面，本文對管道裂紋有限元模型獲得的仿真數據進行不同程度的加噪處理，并通過與BP、SVM、XGBoost、1DCNN等模型的對比分析，驗證了本文所提出的MS-1DCNN模型在不同噪聲等級情況下都能夠保持較高的分類精度，具有較強的魯棒性。另一方面，通過搭建基于銅合金管的物理試驗平臺并開展超聲導波檢測試驗，實現了有限元仿真數據樣本與物理系統試驗樣本的相互融合，進一步驗證了本文方法在工程實際背景下能夠有效地檢測出管道裂紋缺陷并給出缺陷的量化評級。

本文所提出的基于MS-1DCNN的裂紋等級識別方法可直接處理原始導波信號，無需復雜的人工特征提取過程和過多的專家經驗，且對環境噪聲具有較強的特征提取能力。在實際工程中可利用有限元仿真和機器學習方法相結合以構建被檢管道的缺陷識別模型，通過模擬多類別的結構損傷為管道的結構健康監測提供新的解決方案，具有良好的應用前景。