小波神经网络的数据压缩技术在超声自动探伤系统中的应用

    研制的超声波自动探伤系统主要用于大型回转零件(直径为1~2 m,长度>10 m)内部缺陷的在线检测和自动识别。而要实现缺陷的实时检测与自动识别,必然需要大量测量数据作为缺陷分析与识别的依据。然而,超声检测实时采集的数据量非常大,不可能将所有原始数据全部存储在数据库中,这就需要对数据进行处理,提取其特征值,而在数据重构时利用这些特征,尽可能真实地恢复原始数据,并利用这些数据改进和完善缺陷识别模型,进一步提高缺陷识别的效率和准确性。

    小波变换是通过尺度伸缩和平移对信号进行多尺度分析,能有效提取信号的局部信息。小波神经网络利用了小波变换的这种优点以及神经网络的自学习、自适应和容错性等特点,通过训练,自适应地调整小波基的形状,实现小波变换,同时具有良好的函数逼近能力和模式分类能力[1]。笔者利用小波神经网络的权重因子以及与之对应的小波基的尺度参数和平移参数作为缺陷测量数据的特征,实现对数据的压缩和保存。利用小波神经网络的特性参数和信号的特征值恢复原始数据,完成数据的重构。试验证明,基于morlet小波神经网络具有很好的数据压缩和重构能力,为超声波自动探伤系统中的缺陷在线检测和识别提供了可能。

1　大型回转体超声波

       探头的选择主要考虑频率、晶片尺寸和角度等几个方面。探头晶片尺寸大时,发射能量大、扩散角小、扫查空间大、近场长度长、发现远距离小缺陷的能力高。而小直径晶片的探头在近场范围内声束窄,有利于缺陷定位,适合较小厚度的工件探伤。由于所要检测的零件都是大型回转体,直径一般在1 000~2 000 mm,因此选择晶片直径为20 mm,频率为2 MHz的探头。

    超声自动探伤系统采用纵波技术探测工件的内部缺陷。超声探头紧贴旋转的工件表面,超声波束按螺旋轨迹对工件实现100%扫描,探头与工件表面不接触,通过探头套与滚轮体之间的夹紧机构来自动调节探头与工件之间的间隙。该间隙用耦合剂进行填充,从而使超声波能够传入工件。

    系统采用的数字采集卡是基于PCI总线的多 通道超声波发射/接收卡。该卡集成了超声波的发射与接收、100 MHz高速信号采集、大容量存储、多通道自动控制以及超声波成像等多种功能。

      回转体超声波自动探伤系统软件采用基于Mi-crosoft.net的框架的Microsoft VC++.net语言编写,利用Microsoft SQL作为数据库支持技术,完成超声波数据的在线采集、显示、分析处理、存储以及数据回放、在线缺陷分析、探伤报告打印等功能,系统主界面如图2所示。