基于层次式多子网神经网络的缺陷识别

　　在无损检测五大常规技术中,涡流检测以其不污染环境、操作简单和无需清洗试件等优点,已成为成品或半成品金属材料和设备在役检测的主要技术之一。如何在自动检测时把缺陷的位置、形状和大小显示出来是今后涡流检测的发展方向。

　　文献[1-3]利用神经网络完成的缺陷识别,不管是分类或是定量识别,都是在假定缺陷位置已知的前提下,定性或定量地得出缺陷大小的结论。但在实际检测中,由于不能事先知道缺陷的位置和走向,所以探头必须对整个导体表面进行扫描,得到各个位置上的阻抗增量值(ΔZ),进行数据处理,才能确定缺陷有无以及缺陷存在时的具体信息。而且由于训练样本数量和网络结构的问题,要用单一网络同时识别缺陷的位置、大小和形状是十分困难的。

　　目前,确定缺陷的位置和走向的方法有可视化方法。该方法具有直观的优点,但是需研制一套复杂的软件。笔者在实际测量过程中,提出了一种利用层次式多子网神经网络快速求出裂纹位置与走向的方法。该方法与文献[4]和[5]提出的多子网级联网络不同之处在于在层次式级联网络中,各子网的生成自动完成,各工作子网共同完成一个复杂任务的处理,该训练模式往往会使第一个或前几个子网面临的学习任务过重。在层次式多子网级联网络中,包含若干个监督子网,用于划分各子网所要承担的任务,增加了整个网络结构的复杂性。而在分布式多子网神经网络中,只包含两层网络,总网判断各子网的处理范围,然后交由相应的子网处理,各子网的作用单一,各用来识别不同的缺陷。

　　笔者提出的针对涡流检测的层次式网络,子网的数量和各子网的任务由人为规定,这就使每个子网可以各司其职,解决了自动生成子网时学习任务过重的问题。另外,由于任务复杂,文中设计了四层网络,各子网的功能不同,前两层网络完成分类,后两层网络分别完成缺陷位置和大小的识别。

　　1　RBF神经网络识别缺陷

　　试验测试件为板材,缺陷为宽度可以忽略的裂纹,探头采用自比式线圈。当线圈在测试件上方移动时,通过检测线圈电压和电流的变化就可得到阻抗增量值。计算机通过分析线圈阻抗增量值,经过一系列信号处理方法,就可得到缺陷的具体尺寸。

　　1.1　信号特征提取

　　根据文献[7]中应用数值分析方法找到的线圈阻抗增量与缺陷尺寸的关系,提出应用线圈阻抗增量幅值识别缺陷长度,阻抗增量相位识别缺陷深度的方法。

　　图1a为探头线圈沿着裂纹方向移动时得到的线圈阻抗增量幅值与线圈位置的对应曲线。其中,较粗的黑线为缺陷所处位置。图1a可见,缺陷处阻抗增量幅值变化很大,无缺陷处的幅值几乎不变。