多缺陷特征提取方式的金屬棒材分析系統

石 濤, 王國富, 葉金才, 張法全

(桂林電子科技大學 信息與通信學院, 廣西 桂林 541004)

隨著工業生產技術的提高, 金屬棒狀材料在軍工、 建筑、 工業生產領域的使用越來越廣泛, 因此對金屬棒狀材料的質量要求也越來越高[1-4]。在加工及使用這類金屬材料的過程中, 其力學性能和壽命受到腐蝕、 夾渣、 氣孔、 疲勞裂紋等因素的影響, 長期服役的構件可能出現斷裂, 導致機械設備損毀, 產生巨大損失[5-9]。因此, 對金屬棒狀材料進行嚴格、 準確的缺陷檢測和分析至關重要。

超聲檢測是一種無損檢測方法, 但超聲回波信號具有時變、 非平穩特性, 使得傳統信號處理方法很難實現對缺陷的特征提取和精準識別[10-11]。孫明健等[12]針對現有無損檢測技術信號模態單一、 檢測范圍有限等不足, 提出了一種基于多模態信號的金屬材料缺陷無損檢測方法, 為缺陷定量檢測和診斷提供了一個新思路, 但所提出的方法需采用價格昂貴的脈沖收發器、 示波器進行實驗驗證, 沒有形成一套完整檢測系統。樊萍等[13]提出了基于多特征提取的金屬裂紋檢測方法, 提高了金屬裂紋識別率, 降低了高斯白噪聲影響。黃剛[14]提出了一種基于超聲透射時差法檢測缺陷的方法, 實驗結果表明缺陷檢測系統具有較高的穩定性和靈敏度, 但用于實驗測試的系統較龐大、 成本較高。上述提到的無損檢測大多都能判斷出金屬棒材是否存在缺陷, 但缺乏對缺陷的定量描述， 以及不支持缺陷可視化。

針對上述問題, 本文將超聲無損檢測技術和神經網絡算法相結合， 將超聲回波數據通過神經網絡進行缺陷分類, 根據相應的分類結果進行對應的缺陷特征提取, 實現對金屬棒材的定量描述以及生成對應的缺陷可視化模型圖， 以此解決以往缺陷特征提取方式單一的問題, 進而提高金屬棒材質量檢測的可靠性和準確性。

金屬棒材檢測示意圖如圖1, 超聲換能器用于發射激勵信號和采集回波?；趹Σǚ瓷淅碚? 介質突變和裂痕都會影響超聲波的傳播, 因此內部的缺陷可以通過提取信號特征來檢測[15]。系統由采集設備和服務器構成, 二者通過互聯網進行通信。采集設備端對金屬棒材進行回波采集后上傳至服務器, 服務器端負責對回波數據進行金屬棒缺陷類型分析和后續的可視化處理。

圖1 金屬棒材檢測示意圖

硬件的核心功能是超聲換能器的驅動和回波采集, 實物如圖2所示。超聲換能器的頻率為2.5 MHz, 通過對其施加高壓負脈沖信號來實現驅動?；夭ú杉钟赡M前端(analog front end, AFE)和高速數據采集這兩部分組成。此外， 還支持SD卡數據存儲、 無線網絡數據傳輸等功能。硬件的主要技術指標見表1。

圖2 硬件實物圖

表1 主要硬件技術指標

超聲測長的實現通常有兩種方法: 第1種是采用硬件定時器和信號幅度比較器對一次回波到達時間進行確定, 進而獲取峰值間隔得出目標長度， 其優點是對硬件性能要求極大降低、 實現簡單, 缺點是這類設備只能進行單一的測長操作, 無法再進行更深度的回波信號分析。第2種是對超聲回波信號進行全波形采集, 以數據形式存儲, 之后對數據進行分析和處理, 得出目標長度， 其優點是在實現測長的基礎上同時支持后續的回波信號分析, 缺點是硬件實現相對復雜。

為支持后續缺陷分析, 采用第二種測長方法進行數據處理。硬件設備采集金屬棒回波波形如圖3所示, 利用超聲回波的反射時間可以確定棒材的長度。而在采集到的回波數據中, 激勵信號峰值和一次回波信號峰值的間隔表征著波的反射時間。

圖3 原始回波波形

通過對回波數據進行加窗處理可以獲取回波中的峰值間隔。首先, 原始回波數據X是一維序列, 為了方便數據處理, 將其以加窗寬度為間隔進行分段, 得到一個二維矩陣Q

(1)

其中:N為采集到的序列總長；
s為窗的寬度；
i和j分別為矩陣的行索引號和列索引號。

然后, 對二維矩陣Q進行具體的加窗, 將窗內除最大值以外的所有值置零。加窗后得到一個新的矩陣Y, 這將會在新的矩陣中凸顯激勵信號峰值和一次回波信號峰值

(2)

其中w的取值為

(3)

選擇合適的參數s使得這兩個峰值在矩陣Y中呈現為最大值和次大值。s過大, 會增加金屬棒長度檢測盲區, 無法檢測較短的金屬棒， 例如當參數s大于兩個峰值之間的間隔時, 較小的峰值將會被置零, 導致無法獲取正確的棒材長度；
s過小, 也會出現峰值間隔檢測出錯的情況， 例如當激勵信號峰值附近的值也大于一次回波的峰值時, 峰值間隔將會被判定為激勵信號峰值到其附近的某個值的間隔, 也無法獲取正確的棒材長度。經過反復的實驗測試, 當參數s為0.076N時, 適合用于檢測長度在0.3 ～6 m的金屬棒材。在實際采集設備中, 參數s被設計為手動可調， 以滿足各種條件下的棒材長度檢測。在原始序列數據中, 兩個峰值的索引之差的絕對值等于這兩個峰值的間隔, 因此需要分別找出激勵信號峰值和一次回波峰值的索引號。經過式(2)的處理之后, 可以通過查找矩陣Y中的最大值來得到激勵信號峰值的索引號u1

u1=ρ(Y, max(Y)),

(4)

其中ρ為

(5)

(6)

其中φ為

(7)

然后使用式(4)得到一次回波峰值的索引號u2

(8)

得出了u1和u2, 也就得到了兩個峰值之間的間隔。最后, 結合采集設備的采樣頻率和超聲導波在金屬棒材中的實際波速可以計算出棒材的實際長度：

(9)

其中，L是金屬棒材長度(m);Vs是超聲波波速(m/s);Fs是采樣率(Hz)。

早期采用人工方式觀察回波波形來初步區分缺陷類型, 不僅效率低且具有很強的主觀性和經驗性。神經網絡算法對波形的細微之處敏感, 可以很好地解決上述問題, 因此能夠準確地進行缺陷分類。但神經網絡運算對設備有一定的性能要求, 因此更適合在遠程服務器上運行。首先需要在服務器上搭建和訓練神經網絡模型， 當服務器接收到采集設備上傳的回波數據后, 調用神經網絡算法對數據進行分類。之后根據分類結果進行相應的缺陷特征提取, 最后生成相應的可視化模型。神經網絡算法流程圖如圖4。

圖4 神經網絡算法流程圖

輸入層: 作為回波數據送入神經網絡的接口。

池化層: 用于在保留原始回波數據主要的特征同時減少參數和計算量。神經網絡池化過程使用自定義數據處理方法, 以保留池化區域中的最值為準則, 其表達式為

(10)

(11)

其中:k為池化深度;Q為維度轉換后的新矩陣;Y為池化處理后新生成的一維數據序列， 且序列長度為2k。

標準化層: 對池化處理后的數據進行Z-score標準化, 是數據被送入全連接層之前的預處理

(12)

其中:x*是Z-score標準化后的樣本數據；
x是池化處理后的樣本數據;μ是樣本數據的均值;σ是樣本數據的標準差。全連接層和Softmax分類器均采用通用計算模型, 因此在本文中不作具體介紹。在訓練時, 神經網絡的優化算法選用隨機梯度下降法(stochastic gradient descent, SGD), 其表達式為

wt+1=wt-ηt·gt,

(13)

其中:wt表示t時刻的模型參數;ηt是學習率;gt是隨機梯度, 它滿足E(gt)=J(wt), 這里J(wt)表示為t時刻的梯度。神經網絡訓練時的損失函數選用均方誤差函數

(14)

分離神經網絡的缺陷分類、 對應缺陷的特征提取這兩個環節的優點在于, 令后續新特征提取方法的替換和追加工作得到簡化, 達到支持多缺陷特征提取的目的, 同時追加新的特征提取方法可以使得系統不斷趨于完善, 增加可靠性和準確性。特征提取方法的作用是從現有回波數據中提取并量化出缺陷的位置, 為后續生成可視化模型提供準確的參數。本文針對金屬棒材的裂紋缺陷提出了4種類型的提取方法, 分別為無裂紋、 輕微裂紋、 中等裂紋、 重度裂紋。在實際測試中使用切割工具對長為1 m、 直徑為24 mm的金屬棒材進行加工, 模擬上述的4種缺陷。使用采集設備對加工后的金屬棒材進行回波采集, 采集后的波形如圖5所示。

無裂紋(圖5a)：
當神經網絡算法分類結果為無裂紋時, 不需要進行缺陷提取， 直接使用基于超聲回波的長度檢測方法獲取長度數據L。

輕微裂紋(圖5b)：
當分類結果為輕微裂紋時, 需要進行缺陷提取。輕微裂紋的時域波形特征明顯, 因此只需在基于超聲回波的長度檢測方法基礎上, 在激勵信號峰值索引u1與一次回波峰值索引u2之間, 額外尋找出區間內的最大值索引ue, 即可獲得缺陷的位置。即從式(9)之后, 以u1為起點、u2為終點, 在原始序列數據X中重新生成區間序列Z

圖5 金屬棒材的4種缺陷回波波形圖

(15)

然后尋找出區間最大值的索引值ue

ue=ρ(Z, max(Z))+u1；

(16)

最后即可得出缺陷到金屬棒材端頭的距離Le

(17)

中等裂紋(圖5c)：
中等裂紋的時域波形缺陷處回波和一次回波峰值差異不明顯, 且存在缺陷回波峰值與一次回波峰值相等的可能性, 因此不宜采用輕微裂紋的處理方法。在基于超聲回波的長度檢測方法基礎之上, 額外進行一次式(6)和式(8)的運算, 可以得到序列中幅度排行第三的峰值索引u3, 將提取出的u1、u2、u3三個序列索引值按照序列采樣先后的順序進行排序, 更新后滿足u1

(18)

缺陷到金屬棒材端頭的距離為

(19)

需要強調的是， 式(19)中的u2指向缺陷回波峰值位置, 而式(9)中的u2指向的是一次回波峰值位置。

重度裂紋(圖5d)：
通過多次實驗和觀察重度裂紋回波波形, 其波形內的第3個回波并不屬于金屬棒材的底部回波, 而是指代缺陷處的二次回波, 其過于強烈而將底部回波淹沒。這也是人工方式并不適合通過觀察回波進行缺陷分析的主要原因之一。針對重度裂紋的特征提取目前僅能提取出缺陷的位置, 只需采用基于超聲回波的長度檢測方法獲取u1和u2, 所得出的長度即為端頭到缺陷的位置。由于底部回波被淹沒無法提取出金屬棒的長度特征, 因此在未知棒材長度的重度裂紋可視化模型中, 僅僅著重顯示缺陷信息。

分別對端頭直徑為24 mm、 長為1和0.5 m的金屬棒材進行切割加工, 每種長度的金屬棒都分別加工無裂紋、 輕微裂紋、 中等裂紋、 重度裂紋這4種測試樣例。加工后的金屬棒材如圖6a所示。

設備采集過程如圖6b所示。在實際采集前需要先進行超聲波速校準。在式(9)中, 采樣率Fs是固定的參數,u1和u2可在設備采集一次回波后確定, 因此只需要對長度L已知的金屬棒進行一次回波采集, 就可以反推出現場的超聲波速Vs。實際對所測金屬棒材校準后的超聲波速為5 660 m/s。

圖6 加工后的金屬棒材(a)和設備采集過程(b)

按照輕微裂紋、 中等裂紋、 重度裂紋、 無裂紋的順序分別對0.5和1 m的測試樣例各采集100份(共800份)回波數據作為神經網絡的樣本數據, 再以9∶1的比例制作成訓練集和測試集。從神經網絡訓練時的Loss曲線(圖7a)可知, 隨著epoch的增加, 神經網絡的分類準確性也在逐步提升。

為了驗證基于神經網絡的方法對金屬棒材的分類能力, 重新使用金屬棒材制作了上述4種缺陷模型。按照與之前測試樣例相同的順序重新對每種模型采集100份樣本, 新樣本的分類概率如圖7b?？芍? 各個樣本區間概率分布差異明顯, 說明神經網絡能夠準確區分不同類型的缺陷樣本, 通過表2對圖7b進行詳細解釋， 如樣本區間0～99分類結果為綠色low的概率大于其他分類結果， 因此該區間的樣本被判定為輕微裂紋。

圖7 神經網絡訓練(a)和新樣本的分類概率(b)

表2 新樣本數據的分類結果

根據神經網絡的分類結果調用相應的缺陷特征提取方法, 使用提取的特征數據生成缺陷可視化模型如圖8所示。為使缺陷醒目, 在生成的可視化模型中將缺陷縱向拉伸。在介紹重度裂紋的缺陷提取方法時， 已經提到其缺陷回波將底部回波淹沒, 因此在重度裂紋的可視化模型中無法體現金屬棒材的完整長度, 用紅色標注無效段。

圖8 缺陷可視化模型

對應缺陷的特征提取性能數據如表3所示, 可知, 特征數據提取誤差低于2%, 因此該系統具有較高的金屬棒材的缺陷提取性能。

表3 對應缺陷的特征提取數據

本文對多缺陷特征提取方式的金屬棒材分析系統進行了設計和驗證, 該系統通過神經網絡的缺陷分類和對應缺陷的特征提取這兩個環節, 實現了金屬棒材缺陷特征提取的多樣性, 能夠檢測金屬棒材缺陷位置并生成相應的可視化模型。

(1)提出了一種可用于金屬棒材缺陷分類的神經網絡模型, 測試結果表明該神經網絡能夠對金屬棒材進行準確的缺陷分類操作。神經網絡算法對缺陷分類的準確性隨著epoch次數的增加而提高。今后隨著樣本數據的增加, 分類準確性還有提升空間。

(2)提出了4種金屬棒材裂紋缺陷的提取方法, 測試結果表明這些方法具有較高的缺陷特征提取精度。并能夠通過提取的缺陷數據生成相應的可視化模型。

采用神經網絡算法的確可以實現金屬棒材的缺陷分類操作, 但是在早期的神經網絡訓練環節需要大量的樣本數據, 現實中沒有缺陷的金屬棒材數量遠遠大于有缺陷的金屬棒材, 這造成了樣本數據集的不均衡問題。但隨著物聯網技術的發展, 樣本數據的獲取難度將會逐漸降低, 樣本不均衡的問題也必將得到改善。