首页>技术中心>技术资讯>人工神经网络在电磁无损检测中的应用
人工神经网络在电磁无损检测中的应用
发布时间：2017-11-22
电磁无损检测是利用材料在电磁场作用下呈现出的电学或磁学性质的变化,判断材料内部组织及有关性能的检测方法,是无损检测技术的一个重要分支。目前一个重要的前沿课题就是使电磁无损检测由定性检测走向定量检测,即不仅要确定缺陷的有无,而且要确定缺陷的大小、形状、取向和性质等。电磁定量检测的发展具有重要意义,它与断裂力学结合可以预测材料寿命。近年来,人工神经网络技术在电磁定量无损检测研究与应用中取得了一定的成果[1~11]。
1人工神经网络
人工神经网络是由一些简单的元件及其层次组织的大规模并行连接构造的网络,它致力于按照生物神经系统的方式处理真实世界的客观事物,本质上是一种更接近于人的认知过程的计算模型[12~15]。由于它具有高度的非线性映射、快速并行分布处理、容错性、自组织和自学习等能力,为解决比较困难的认知任务提供了一种崭新手段,广泛应用于信号处理、故障诊断、模式识别、机器视觉、复杂优化问题、自动目标识别、知识处理和智能控制等领域。
目前人工神经网络技术已发展出多种人工神经网络模型,如单层感知器、多层感知器、Hopfield网络、ART网络、RBF网络、玻耳兹曼机模型以及双向记忆网络等。其中,多层感知器模型、ART网络和RBF网络应用较广泛。目前已发表的电磁无损检测研究成果多采用多层感知器和RBF网络模型
2BP网络和模糊BP网络
2.1BP网络
BP网络的结构采用多层感知器[12,13],它是前馈网络中最重要的一种,包括一个输入层、一个或多个隐层以及一个输出层,每层有若干个神经元,其拓扑结构见图1。网络的作用不是寻找一个确定的数学表达式,而是把样本集合中的输入向量输入给网络后,依据一定的算法,使网络的实际输出在某种数学意义下是理想输出的最佳逼近。
输入向量X=(x1,x2,…,xn)和输出向量Y=(y1,y2,…,ym)之间的关系可视为一映射关系,即
I和R的值域空间可相同,亦可不同。Kd-mogorov定理指出,一个三层结构的人工神经网络,输入层有n个神经元,隐层有2n+1个神经元,输出层有m个神经元,即可在任意精度下逼近任意的非线性函数,是一种全局逼近器。
BP网络的训练常采用误差反向传播算法(errorback propagation algorithm,简称BP算法),这种学习算法通过误差反向传播修正隐层权重,从输出层确定系统误差,然后将其传播到隐层,直到输入层,在最小均方差意义下最终确定各层间的连接权重。有关BP算法的详细内容见文献[12,13] 。
BP网络的致命弱点是容易陷入局部极小,由于BP算法的固有特性,局部极小的问题不可能从根本上避免,且BP网络隐层节点数目的确定依赖于经验和试凑,很难得到最优网络。
2.2模糊BP网络
模糊神经网络[7]在本质上是将常规神经网络(BP和Hopfield神经网络等)赋予模糊输入信号或模糊权值。模糊神经网络通常有三类,如具有实数输入信号,且具有模糊权值;具有模糊输入信号,且具有实数权值;具有模糊输入信号,且具有模糊权值。模糊BP神经网络拓扑结构见图2,由输入层、模糊化层、BP网映射层、反模糊化层及输出层组成同层节点中没有任何耦合。模糊神经网络亦是全局逼近器,可用来解决缺陷的定量判别问题。
模糊神经网络在应用于模式识别时,不但具有神经网络的主要优势(如很强的稳健性、容错性和自学习性),而且同时具备模糊系统善于处理分类边界模糊的数据以及易于引入启发性知识的能力,因此基于模糊神经网络所建立的检测信号处理系统能够快速适应变化的环境,具有其它方法建立的系统所不可比拟的柔性和应变能力,易于实现智能决策。
3RBF网络
径向基函数(radial basis function,简称RBF)理论[14,15]为多层前馈网络的学习提供了一种新颖而有效的手段。RBF网络不仅有良好的推广能力,而且避免了BP算法中繁琐、冗长的计算,学习速度可以比通常的BP算法提高上千倍,其隐层节点的数目也在训练过程中确定,因此可以得到最优解。
RBF网络是一种单隐层前馈网络,其拓扑结构见图3。输入层节点只是传递输入信号到隐层,隐层节点(即RBF节点)由径向基函数构成,输出层节点通常是简单的线性函数。隐层的基函数对输入激励产生一个局部化的响应,即仅当输入落在输入空间中一个很小的指定区域时,隐单元才作出有意义的非零响应,响应值为0~1。
在RBF神经网络中,隐层最常用的激励函数是高斯函数
X―――输入矢量
cj―――隐层第j个径向基函数的中心
E―――单位矢量
σj―――径向基函数的宽度,用于控制函数的局部性程度
RBF网络的输出可表示为
4应用实例
漏磁检测和涡流检测是两种主要的电磁无损检测方法。漏磁检测以其速度快、穿透力强、不受油水影响,对管道内部缺陷具有较高灵敏度,且成本低和操作简单等特点,被广泛应用于输油、输气和输水等铁磁性工业管道的检测。在漏磁检测中,磁力线走向的不定性和很强的空间敏感性,以及检测过程中测量间隙等波动现象造成检测信号的重复性和稳定性较差。从磁场分布特征来看,不同几何形状的缺陷可能产生相似的磁场分布图形,因而,从磁场分布图形反演几何尺寸时,反演运算并非唯一,存在着不定性。以上这些因素对磁信号的定量解释造成了极大的障碍,因此漏磁检测与评价的最终难点是检测信号的定量解释。涡流检测以电磁感应理论为基础,当导体位于交变磁场中时将感应涡流,涡流也会产生一个反磁场来改变原磁场的强弱,进而导致线圈电压和阻抗的改变,涡流检测就是通过测量线圈阻抗的变化或扰动磁场(缺陷引起的空间磁场的变化)的分布来判断缺陷大小的。体中各种性能变化及缺陷尺寸都将影响涡流的分布,使得各种缺陷的信号特征难以识别。人工神经网络所具有的非线性映射能力,使漏磁和涡流检测从定性向定量转化成为可能,为设备的安全运行提供更精确的保证。
笔者曾在输油管道的漏磁检测装置研究中采用模糊BP神经网络[7]对输油管道上直径为��.png){kind=small}
~10mm的十个标准人工钻孔的漏磁信号进行分类研究,其特征参数分别为信号的周向综合峰峰值、周向综合方差和轴向方差,训练后的神经网络对学习样本和测试样本的分类识别率均达到100%。在基于扰动磁场测量的铁路钢轨涡流检测技术的研究中,采用信号峰峰值、波宽、波形面积和短时能量等特征量作为RBF网络的输入对轨的裂纹和剥落等缺陷进行分类,并对裂纹的长度和深度进行定量评价。仿真研究表明,网络对裂纹和剥落的分类识别率为98%,对长度和深度的识别误差<±5%。
5结论
将人工神经网络应用于电磁无损检测,可在一定程度上解决电磁检测信号定量解释中遇到的困难,使电磁无损检测技术更好地服务于生产实践。随着人工神经网络的不断完善和计算机技术的迅速发展,人工神经网络必将在电磁无损检测中发挥愈来愈重要的作用。今后可在以下几个方面作进一步研究,即①进一步优化人工神经网络的模型结构和训练算法,提高其输出精度和训练速度。②将人工神经网络与小波理论、模糊集和专家系统等相结合,开发出具有较高智能水平的无损检测应用软件。③开展基于人工神经网络芯片的硬件系统的研究,使人工神经网络系统的应用产品化。
摘自：中国计量测控网
