基于超聲檢測技術風電塔筒焊接缺陷智能化檢測研究

閆旺　王福仁　于灝　何川

摘要：通過LabVIEW等軟硬件結合，搭建智能化超聲檢測系統，解決風電塔筒焊縫在超聲檢測過程中技術難度大、效率低，存在誤判、漏檢等問題。首先搭建超聲檢測系統，通過傳統超聲設備獲取焊縫檢測信號，其次利用小波法去噪、提取特征值，得到高質量缺陷信號。最后構建BP神經網絡模型，搭建數據庫，通過神經網絡訓練，獲得最優權值和閾值，可對缺陷進行有效的分類和識別。結果表明，超聲檢測系統對裂紋、氣孔、夾渣的識別率達到了87.5%，降低了技術難度，提高了缺陷判斷的準確性和可靠性。

關鍵詞：神經網絡；LabVIEW；風電塔筒；超聲檢測

中圖分類號：TP391 文獻標識碼：A

文章編號：1009-3044（2024）14-0041-05 開放科學（資源服務）標識碼（OSID） ：

0 引言

風力發電塔筒作為整個風力發電機組的支撐構件，需要具備較高的強度和支撐性能。塔筒生產大多采用鋼制圓柱及圓錐結合的筒形塔架，整體結構采用焊接技術制造[1]。在加工過程中，焊接工作量巨大，對焊接質量的要求也很高，所有焊縫均要求為熔透型焊縫，并且按照NB/T47013國標I級要求進行100% 超聲波探傷[2-3]，以保證合格。目前，塔筒的生產過程中普遍采用埋弧焊自動焊和CO2氣體保護焊進行焊接。其中，70% 的焊縫采用埋弧自動焊焊接，焊接后根據焊縫的質量要求進行超聲檢測[4]，如發現缺陷則進行打磨后重新焊接。氣孔、夾渣、裂紋等缺陷是風電塔筒環焊縫焊接過程中的常見問題，嚴重影響風電塔筒的安全運行。傳統的超聲檢測對檢驗人員的技能水平要求較高，檢測效率低，且存在誤判、漏判的現象。此外，現場嘈雜的環境會對超聲信號形成干擾，從而嚴重影響檢測結果的準確性[6]。國內外學者通過對超聲檢測信號進行降噪處理和特征值提取，獲得了高質量的超聲波檢測信號。張昱等[7]進行了超聲掃查儀部分硬件設計及基于LabVIEW開發環境的上位機軟件的數據采集部分設計工作，通過該系統采集超聲試塊信號，并利用軟件進行信號的分析與處理，驗證了該系統的可行性。樊巖松[8]利用LabVIEW中的ADO技術搭建了焊縫表面缺陷數據庫，實現了表面裂紋、咬邊、焊瘤、氣孔等缺陷的數據回放。翟昕玥等[9]在Lab?VIEW開發環境中開發了管道超聲波檢測系統，能夠對缺陷超聲數據進行波形顯示，并輸出厚度值。

針對超聲波檢測對檢驗人員技能水平要求較高、工作強度大等問題，國內外學者利用神經網絡自主學習，實現了對常見缺陷信號的定性識別和智能化判斷。Huang等[10]通過分析TOFD二維超聲焊接缺陷圖像特征與焊縫缺陷剖面之間的關系，提出了一種基于Faster RCNN的神經網絡，實現了裂紋、孔隙率、夾雜、未焊透和未熔合5種焊縫缺陷類型的自動識別。Miao 等[11]提出了神經網絡與渦流信號相結合的方法，用于檢測窄搭接電阻焊中的夾渣、裂紋、未熔絲等缺陷。Liu 等[12]使用高速攝像機以10 000fps 的幀率監測熔池，并構建了CNN模型，對焊縫熔深狀態進行分類。該模型能夠對非穿透、臨界穿透和全穿透進行分類，準確率達96% 以上。本文提出了一種基于LabVIEW 對超聲檢測系統進行優化的方案，能夠對超聲波回波信號進行數據采集、信號處理，同時利用神經網絡建立數據庫、進行數據對比和缺陷識別，最終實現對風電塔筒焊縫缺陷的智能化檢測。

1 系統的總體設計與搭建

1.1 超聲波檢測技術

超聲波焊縫檢測技術利用發射探頭向焊件發射超聲波，超聲信號在焊件中直線傳播。當遇到缺陷或異質界面時，會產生反射或折射，探頭接收到反射或折射信號后，設備面板顯示相應波形。檢測人員通過觀察波形，來判斷焊件是否存在缺陷，并對缺陷進行定位分析和類型判斷[13]。目前，在塔筒生產過程中，縱縫和環縫焊接完成后普遍采用超聲波檢測技術。超聲波檢測技術的原理如圖1所示。

1.2 LabVIEW 軟件

LabVIEW軟件是由美國國家儀器（NI） 公司研制開發的一種圖形化編程語言。通過計算機、數據采集器、脈沖收發儀和LabVIEW的結合，作為可配置的虛擬儀器來完成特定任務。LabVIEW具有功能強大、界面清晰、操作簡單、編程容易等特點，被廣泛應用于工業硬件控制[14]。同時，LabVIEW還集成了大量的函數庫和子程序，可用于完成各種編程任務。在本文中，LabVIEW 主要用于實現PC 機與超聲檢測硬件的結合，通過LabVIEW控制超聲檢測設備，收集回波信號，顯示收集到的數據。LabVIEW結合Matlab軟件實現小波法降噪和特征值提取，為后續神經網絡構建數據庫提供數據支持。

本文采用軟件和硬件結合的方式搭建超聲檢測系統。系統硬件設備包括PC電腦、鼠標、鍵盤、超聲檢測儀、數據采集卡和脈沖發生接收器。軟件采用基于LabVIEW平臺在PC機運行的虛擬儀器和Matlab分析軟件。本系統主要能夠實現超聲信號的采集、回放、去噪和特征值提取等功能。智能化超聲檢測系統如圖2所示。

2 超聲信號處理及特征值提取

2.1 小波去噪理論及步驟

為了實現塔筒焊縫的快速檢驗并及時返修，在現場完成超聲波探傷檢測時，不可避免地會存在各種噪聲，導致缺陷信號受到雜波影響，進而影響檢測結果的準確性。因此，有必要對信號進行降噪處理。由于焊接缺陷信號通常為突變信號，小波法去噪的能力優于傳統的基于傅里葉變換的頻域濾波和基于平滑的零域濾波。本文選擇小波法進行去噪。小波法去噪是利用信號在時間和頻率細節上的特性，對混合信號進行分解，提取信號的成分并剔除噪聲成分，最后重構出有效信息[15]。小波法去噪的流程包括以下步驟：①分解原始信號；②設置每層的小波閾值；③設置每個分解層中小波系數的閾值；④小波重建。在完成小波去噪的過程中，對小波基的選擇、分解層數的確定和閾值的設定尤為重要。

1） 分解原始信號。在選擇小波基函數時，需要考慮小波基函數與超聲信號的相關性。兩者的相關性越高，對缺陷信號的識別率就越高。選擇合適的小波基函數，將原始信號分解為N層，得到相應的尺度系數和小波系數。通常，選擇小波基函數時會考慮小波基的正交性、緊致性、對稱性、規律性和高消失矩[16]。常用于小波閾值去噪的小波基函數包括Daubechies 小波、Coiflet小波和Symlet小波等。對于小波分解層，分解層數越多，可以得到的小波系數就越豐富，信號和噪聲的不同特性也就越明顯。然而，隨著分解層數的增加，會導致丟失信號的增加和計算量的增大，從而降低處理速度。在實際應用中，分解層數通常選擇為3～5層，而小波基函數和分解水平則根據信號類型和檢測條件綜合確定。

2） 小波閾值去噪。常用的小波閾值選擇方法包括sqtwolog閾值、heursure閾值和基于Brige-Massart策略的閾值選擇規則。經過測試，本研究采用基于Brige-Massart策略的閾值選擇規則。其原理如下[17]：

①給出指定分解層j，對于j+1及更高層，所有系數都被保持一致。

②對于第i層（1≤i≤j） ，保持ni 的絕對值最大，ni 可以通過公式（1）確定：

ni = M/（ j + 2 - i）α （1）

式中M和α都是經驗系數，M = L（l），其中L（l）是最粗略近似（低頻）系數的長度，本文選擇α=3。

3） 設置分解層小波系數的閾值。根據設定的閾值，將小波系數設置為零。常用的小波系數閾值計算方法有兩種：硬閾值和軟閾值，如公式（2） 和（3） 所示。

硬閾值可以寫成：

式中，W 為原始小波系數，WΔ 為去噪小波系數，Δ 為設置的閾值。

硬閾值法是通過信號的絕對值與閾值比較。當小于閾值時，將其設置為零，而在其他點保持不變。軟閾值方法則將小于閾值的點設置為零，而大于或等于閾值的點則縮小為零，成為點值與閾值的差值。使用軟閾值方法進行去噪時，可以使信號成為原始信號的近似最優估計值，并且估計信號至少與原始信號一樣平滑，不會產生額外的波動。

4） 小波重建。完成原始信號的分解、小波去噪和閾值確定后，即可進行小波的重建過程。本研究采用2.5MHz斜探頭，利用Matlab仿真出信號，并人為施加6dB的噪聲。隨后，利用db5小波法進行去噪，分別進行3～5層的去噪，得到去噪后的輸出信噪比。然后，選擇最優的層數，并利用軟閾值去噪得到最優的閾值函數。隨著分解層數的增加，信噪比會增大，但隨著去噪過程的進行，信噪比的增加趨于平緩。通過實驗得知，分解層數為4時，去噪效果最佳，且軟閾值的去噪效果更為顯著。綜合考慮，本文選擇了軟閾值去噪，并確定分解層數為4。

2.2 特征值提取

焊接缺陷的類型和位置存在不確定性，因此超聲波檢測回波信號通常是瞬態非平穩信號。受到多次回波反射和外界因素影響，缺陷回波的特征信息可能被淹沒，容易產生誤判或漏判，從而降低檢測結果的可靠性[19]。小波包分析具有時頻分辨率和多分辨率的特點，能夠更準確地分析瞬態非平穩信號。因此，本文采用小波包分析方法對焊縫缺陷信號進行去噪和頻域分析，并提取缺陷的特征值，以構建反映缺陷信號本質的特征值。

3 神經網絡建立缺陷數據庫

通過去噪和特征值提取，得到的仍然是需要識別的波形信號，無法對缺陷進行準確判斷和定性識別。因此，需要利用神經網絡將波形信號轉化為易于識別的圖像信息。由于超聲信號和焊接缺陷形貌之間的關系為非線性關系，采用神經網絡可以準確、高效地構建信號波形和缺陷形貌之間的關系。本文利用設計的超聲檢測系統進行檢測，獲取缺陷的回波信號，并進行去噪處理和特征值提取。隨后，利用神經網絡進行缺陷分類識別。在建立缺陷數據庫之前，需要對整體系統進行驗證和調試，搭建神經網絡系統。神經網絡系統的建立如圖3所示。

3.1 預制試樣

風電塔筒的材質為常見的Q345結構鋼。在實驗過程中，選擇尺寸為250×300×30的Q345鋼板，開X型坡口，采用埋弧焊焊接，并預制缺陷包括氣孔、夾渣和裂紋各50個。為了確定缺陷的類型和位置，采用X射線對缺陷進行定性和定位，以提供準確的對比和參照，為后續的超聲波檢測和數據庫建立做準備。

3.2 神經網絡建立

神經網絡是利用內部大量的“神經節點”和彼此的關聯來模仿人類大腦的信息處理模式而建立的數學模型。神經網絡模型由輸入層、隱藏層和輸出層結構組成，每個神經元都與下一層的所有神經元相連，將上層的輸出信號作為下一層的輸入信號。神經網絡的拓撲結構如圖4所示，圖中Xn表示n 個輸入層的數據，Yn表示n 個經過隱藏層神經元輸出的結果數據；Wi和Wj是輸入層到隱藏層以及隱藏層到輸出層的權重和閾值，初始的權重通過隨機初始化的方式確定。后期通過不斷調整權值和閾值，實現神經網絡的訓練[21]。

3.3 特征值提取

神經網絡是通過對網絡模型給定具體參數進行訓練，神經網絡的每一層都由多個神經元組成，每個神經元都有可變的權重和偏差，以表示輸入和輸出之間的復雜關系[22]。當BP神經網絡被訓練時，來自輸入層的信息向前傳播，加權公式如（4） 所示。

Xi = Σi = 1n ωi × xi （4）

式中，Xi 為加權輸入值，xi 是輸入符號，ωi 為輸入信號的相應權重。輸入值通過隱藏層的激活函數f，得到yi，如公式（5） 。

yi = f （X ） i （5）

加權求和后傳遞到輸出層，再通過傳遞函數輸出，輸出函數為公式（6） 。

yj = f （Σω ） j yi + θj （6）

式中，θj為輸入信號的相應閾值，通過輸出層得到神經網絡的預測結果；將預測值與實際值進行比較，滿足誤差條件的結果輸出，不滿足條件的誤差反向傳播，逐層修改權值和偏差，直到輸出值滿足一定的準確性。使用最小二乘法計算預測誤差，如公式（7） ：

在訓練神經網絡時，需要對數據集進行歸一化處理。數據范圍太小，會影響神經網絡的性能并降低預測精度。如果數據太大會使神經網絡收斂速度慢、訓練時間增長，因此對所有輸入數據進行歸一化。常見的換算公式如公式（8） ：

式中，X 為示歸一化參數，xi 為輸入數據，xmin 為與輸入數據對應列的最小值，xmax 是與輸入數據對應的列的最大值，通過歸一化提取實現了特征值提取，為后續的神經網絡數據庫搭建奠定了基礎。

3.4 神經網絡訓練

為了實現缺陷分類，需要通過控制神經網絡的輸入層參數和輸入層神經元的設置來控制輸出層結果[23]。本研究通過小波包4層分解后的12個頻帶能量的百分比與缺陷之間建立映射關系，作為神經網絡的輸入量。所得到的頻帶百分比已經進行了歸一化處理。由于原始數據維度為12，因此確定輸入層中第一層的神經元個數為12。對于輸出層，將裂紋、氣孔和夾渣分別編碼為（001） 、（100） 和（010） ，共有三類缺陷，因此輸出層的神經元節點數定為3。將實驗采集到的150組數據分成兩組，其中90組用于訓練，而剩下的60 組用于測試，并且將數據進行打亂處理。利用MATLAB實現神經網絡的訓練，其中最大迭代次數確定為1 000，誤差目標設定為0.011 01，學習率為0.01。設置好參數后，對采集到的數據進行神經網絡訓練[24]。

4 神經網絡數據庫搭建

為了實現對缺陷的最佳識別度，需要選擇合適的訓練參數，以達到訓練目標。經過訓練，在208代時達到了要求的訓練精度。當停止訓練時，收斂誤差最小為0.028，達到學習目標為0.001。誤差變化曲線如圖5所示。

從圖5可以觀察到，訓練樣本和測試樣本的曲線具有較好的關聯性，表明神經網絡訓練達到了預期效果。對測試集中識別的輸出效果進行二進制編碼后，得到了如圖6所示的預測樣本。

通過預測樣本圖可以得知，本系統構建的神經網絡實現了較好的預期效果。共有7個缺陷被誤判，分別是裂紋11號缺陷誤判為夾渣，夾渣14號缺陷誤判為氣孔，夾渣22號缺陷誤判為裂紋，裂紋28號缺陷誤判為氣孔，氣孔31號缺陷誤判為夾渣，夾渣40號缺陷誤判為氣孔，裂紋46號缺陷誤判為夾渣，氣孔50號缺陷誤判為裂紋。由此得到氣孔缺陷的識別率為89%，夾渣和裂紋的識別率為86%。通過神經網絡訓練，本文構造的模型對裂紋、夾渣、氣孔三種缺陷有較好的識別率，其中對氣孔的識別率較高，因為氣孔缺陷是圓形的，辨識度較高，而裂紋和夾渣的形狀不確定，容易造成誤判。此外，除了缺陷本身，神經網絡辨識超聲信號也具有一定的局限性。首先，BP神經網絡的初始權值和閾值選擇不是很準確，影響了后續的訓練過程。此外，本研究的數據量不夠大，缺陷的典型性不強，沒有找到最優的收斂點。針對上述問題，在后續的研究中，將不斷優化研究參數，收集更多的數據，以期實現更高的識別率。

5 結論

1） 本研究利用LabVIEW等軟硬件構建了智能化超聲檢測系統，通過小波去噪和特征值提取，獲得了質量較高的焊接缺陷超聲檢測信號。

2） 使用神經網絡，經過208次迭代訓練，使得測試樣本和訓練樣本曲線達到了較好的關聯性，對裂紋、氣孔和夾渣的識別率達到了87.5%，提高了缺陷判斷的準確性和可靠性。

3） 結合LabVIEW 等軟硬件和神經網絡自主學習，搭建數據庫，可實現風電塔筒常見缺陷的直觀和準確判斷，促進了風電塔筒檢測技術的發展。

參考文獻：

[1] 梁建明，王占英，劉春東，等.風電塔筒法蘭焊接工藝[J].焊接技術，2009，38（2）：30-31.

[2] 劉同兵，吳春龍，徐先林.風電塔筒制造質量控制技術研究[J].水電與新能源，2022，36（7）：19-21，56.

[3] 康學軍，朱鍇年.埋弧自動焊在風電塔筒生產中的應用[J].機電產品開發與創新，2017，30（1）：23-25.

[4] 崔克楠，韓振華，聶偉偉.風電塔筒探傷經驗介紹及相關建議[J].無損檢測，2012，34（8）：70-72，75.

[5] 成小樂，李玉，孫戩，等.含典型缺陷的風電塔筒環焊縫強度分析[J].西安工程大學學報，2023，37（1）：84-92.

[6] 陳洪強.超聲波技術支持下的電氣設備金屬外殼缺陷檢測系統設計[J].中國機械，2023（35）：2-5.

[7] 張昱，周瑞琪，何才厚，等.基于LabVIEW的超聲掃查儀數據采集系統設計[J].南昌航空大學學報（自然科學版），2019，33（2）：102-108.

[8] 樊巖松，蘭福全.基于LabVIEW的焊縫表面缺陷檢測數據庫處理技術研究[J].焊接技術，2022，51（8）：124-127.

[9] 翟昕玥.管道超聲波檢測數據處理與缺陷識別方法研究[D].沈陽：沈陽工業大學，2020.

[10] Huang H，Hu L，Li B. et al，Recognition of defect in TOFD im?age based on faster region convolutional neural networks，Non?destructive Testing，2019，41（7）：12–18.

[11] MIAO R，GAO Y T，GE L，et al.Online defect recognition of nar?row overlap weld based on two-stage recognition model com?bining continuous wavelet transform and convolutional neural network[J].Computers in Industry，2019，112：103115.

[12] LIU S K，WU D，LUO Z Y，et al.Measurement of pulsed laser welding penetration based on keyhole dynamics and deep learning approach[J].Measurement，2022，199：111579.

[13] 于建軍.焊縫的超聲波檢測技術研究[D].烏魯木齊：新疆農業大學，2005.

[14] 孟武勝，朱劍波，黃鴻，等.基于LabVIEW數據采集系統的設計[J].電子測量技術，2008，31（11）：63-65.

[15] 羅銳，嚴高師.改進小波圖像去噪算法研究[J].信息與電腦（理論版），2011（6）：112，114.

[16] FU L L，YANG J S，LI S，et al.Artificial neural network-based damage detection of composite material using laser ultrasonic technology[J].Measurement，2023（220）：113435.

[17] 宋宇佳，范利鋒，楊學靈，等.基于聲發射的X80管線鋼塑性損傷評估技術研究[J].塑性工程學報，2023，30（9）：204-210.

[18] 裴志鵬.基于小波變換的圖像閾值去噪算法[J].科技視界，2017（14）：105.

[19] 左騰騰.天然氣管道內涂層超聲檢測數值模擬與缺陷識別研究[D].東營：中國石油大學（華東），2019.

[20] 榮佑珍，劉仁培，魏艷紅.航空專用焊接數據庫及專家系統[J].航空制造技術，2017，60（12）：43-47.

[21] 周飛燕，金林鵬，董軍.卷積神經網絡研究綜述[J].計算機學報，2017，40（6）：1229-1251.

[22] 陳先昌.基于卷積神經網絡的深度學習算法與應用研究[D].杭州：浙江工商大學，2014.

[23] 楊德宸.基于LabVIEW的超聲C掃數據采集成像系統研制[D].南昌：南昌航空大學，2021.

[24] 黎唐東.基于LabVIEW超聲檢測系統的焊縫缺陷研究[D].廣州：廣東工業大學，2021.

【通聯編輯：唐一東】

基金項目：2022 年度甘肅省高等學校創新基金項目“基于PLC 技術的埋弧自動焊接質量監控系統研究”（2022B-477）