CN100567978C - 超声相控阵检测油气管道环焊缝缺陷类型自动识别方法 - Google Patents

Abstract

本发明公开了一种超声相控阵检测油气管道环焊缝缺陷类型自动识别方法，特别是涉及一种支持向量机的超声相控阵检测油气管道环焊缝缺陷类型自动识别方法，属于管道环焊缝缺陷类型的识别技术。所述的识别方法包括支持向量机模型的建立和环焊缝中未知缺陷类型的自动识别两部分。其中支持向量机模型的建立包括以下步骤：人工缺陷信号的提取、提升小波分解、特征提取、特征优化及支持向量机模型的训练；环焊缝中未知缺陷类型的识别包括以下步骤：缺陷信号的提取、优化特征的计算和基于支持向量机的自动识别。本发明将提升小波变换与分形技术相结合，具有识别的准确率高、速度快的优点，能实现缺陷类型的自动识别。

Description

超声相控阵检测油气管道环焊缝缺陷类型自动识别方法

技术领域

本发明涉及一种超声相控阵检测油气管道环焊缝缺陷类型自动识别方法，特别是涉及一种支持向量机的超声相控阵检测油气管道环焊缝缺陷类型自动识别方法，属于管道环焊缝缺陷类型的识别技术。

背景技术

大口径长输管道在焊接过程中可能会形成各种缺陷，给油气资源的运输带来安全隐患。目前，在管道焊接完成后，普遍采用超声相控阵探伤仪对环焊缝内部的缺陷进行快速的定位和定量分析。中国发明专利申请号03115222.8及01131937.2对相控阵超声波无损检测的系统结构及其用于大口径环焊缝缺陷检测的原理作了详尽的阐述。但是，系统只能检测到缺陷的位置及其当量大小，不能识别缺陷的类型。由于不同类型的缺陷对管道环焊缝的安全影响不同，所以，缺陷类型判断的准确率对于管输的安全运行非常重要。目前主要根据仪器采集到的超声缺陷信号的形状，依赖检测人员的探伤经验进行人工判定。这样会不可避免地引入误差。

超声相控阵探伤系统使用近似于δ函数的窄脉冲激励相控阵换能器，所以发射声波的频谱相当丰富，可以看作是由无限多个频率的谐波组成。而具有不同边界条件的缺陷可以看作是不同的系统函数，对输入超声缺陷信号的各种特性有不同的抑制或增强作用。因此，本发明采用模式识别技术，提出一种缺陷类型自动识别的方法，主要由缺陷特征提取、特征优化及缺陷类型识别三部分组成。其中，能否从超声缺陷信号中提取出各种缺陷的代表性特征是影响最后识别准确率的重要因素之一。常用的特征提取方法有时域法、频域法和联合时频分析法，特征量主要包括缺陷信号的振幅、相位、均方根、标准差、偏斜度、峭度及能量等。中国发明专利申请号97109099.8采用傅立叶变换得到超声缺陷信号的频谱。中国发明专利申请号200410011403.2通过提升小波包变换对超声缺陷信号进行滤波，然后利用希尔伯特(Hilbert)变换和正交解调方法对滤波信号进行联合时频分析，提取缺陷信号在不同频段中的能量特征。另外有文献报道，采用小波变换的方法提取缺陷的能量特征，能在一定程度上解决缺陷分类难的问题。但是以上这些特征提取方法都是基于希尔伯特变换和傅立叶变换。所以，特征提取的速度慢。而超声缺陷信号是一种非稳态的时变信号，在数学上不满足傅立叶分析的条件。因此，以上方法不能准确地反映缺陷信号的本质特征。

如何从众多特征量中提取最能代表缺陷本质的特征作为识别依据也是一个难点。另外，模式识别方法中有很多种分类器，常用的是人工神经网络。但是，这类方法是建立在传统统计学理论基础上，当训练样本数目趋向于无穷大时才有很高的识别正确率。如何确定一种适合于具有有限样本的管道环焊缝缺陷检测的分类器是另一个难点。

因此，发明一种能快速、准确地进行缺陷自动识别的方法，将超声缺陷信号的采集、分析与评价融为一体，有利于智能化超声相控阵探伤仪的研制，可对均质和非均质的金属和非金属复合材料进行无损检测，能广泛应用于石油、航空航天、核电站及铁路运输等关系到国民经济的众多领域，具有重要的实用价值。

发明内容

本发明目的在于提供一种超声相控阵检测油气管道环焊缝缺陷类型自动识别方法，该方法具有识别速度快、准确率高的特点。

本发明是通过下述技术方案加以实现的，一种超声相控阵检测管道环焊缝缺陷类型自动识别方法。该方法所采用的超声相控阵探伤仪其结构包括相控阵探头、爬行器械、下位机、上位机。其中相控阵探头主要负责向被测物体内发射超声波、接收来自缺陷的超声信号并转换成电压模拟信号。爬行器械是系统的动力机械部分，携带相控阵探头沿管壁移动。下位机可接收上位机发射控制参数并控制相控阵探头发射超声波，同时将来自于相控阵探头各通道的模拟电压信号进行数字化处理和信号合成。上位机通过与下位机通信，显示合成信号、进行缺陷类型的识别；另外采用人机交互界面，接受键盘输入命令和系统参数，生成检测方案传送给下位机。其中所述管道环焊缝的缺陷类型包括未焊透、未熔合、纵向裂纹和气孔。为了识别上述四类缺陷，用人工缺陷方槽、平底孔、通孔和圆孔分别模拟环焊缝中的未焊透、未熔合、纵向裂纹和气孔。自动识别管道环焊缝缺陷类型的方法，其特征在于包括以下过程：

(一)支持向量机模型的建立

1、将超声相控阵探伤仪下位机采集的四类人工缺陷信号中的每一个缺陷信号定义为：f(t)＝{x₀，x₁，...，x_M-1}，其中M为缺陷信号长度。对每一个缺陷信号均采用下述步骤2和步骤3的信号处理方法。

2、利用提升小波变换(LWT)对缺陷信号f(t)进行多层提升小波分解，设置小波分解层数R。其步骤如下：

1)选择有限紧支集、光滑正交且数据冗余最小的db4小波基作为提升小波变换时使用的小波基，其滤波器组的表达式为：

$H_0\left(z\right)=h_0\left(0\right)+\underset{i=1}{\overset{7}{\mathrm{\Σ}}}{h}_0\left(i\right)z^{-i}---\left(1\right)$

其中，滤波器组的系数为：

h₀(0)＝0.2304，h₀(1)＝0.7148，h₀(2)＝0.6309，h₀(3)＝-0.2798，

h₀(4)＝-0.1870，h₀(5)＝0.0308，h₀(6)＝0.3288，h₀(7)＝-0.0160

2)根据式(1)，将db4小波基用多相矩阵P(z)表示，并用欧几里德算法分解多相矩阵P(z)。任何由有限长度的滤波器构成的小波变换都能分解成一系列提升步骤：

$P\left(z\right)=\left(\begin{array}{cc}K& 0\\ 0& 1/K\end{array}\right)\underset{i=1}{\overset{m}{\mathrm{\Π}}}\left\{\left(\begin{array}{cc}1& u_i\left(z\right)\\ 0& 1\end{array}\right)\left(\begin{array}{cc}1& 0\\ p_i\left(z\right)& 1\end{array}\right)\right\}$

依据互补滤波器的定义： $P\left(z\right)\tilde{P}{\left(z^{-1}\right)}^t=I---\left(3\right)$

可求得其对偶矩阵

$\tilde{P}{\left(z^{-1}\right)}^t=\left(\begin{array}{cc}1/K& 0\\ 0& K\end{array}\right)\underset{i=1}{\overset{m}{\mathrm{\Π}}}\left\{\left(\begin{array}{cc}1& 0\\ -p_i\left(z\right)& 1\end{array}\right)\left(\begin{array}{cc}1& -u_i\left(z\right)\\ 0& 1\end{array}\right)\right\}---\left(4\right)$

这样，就确定了提升参数：K、 $p_i=\underset{k}{\mathrm{\Σ}}{p}_k^i{z}^{-k},$ $u_i=\underset{k}{\mathrm{\Σ}}{u}_k^i{z}^{-k}$ 和m。

3)对缺陷信号f(t)进行奇偶分割，形成奇序列d_l ⁰与偶序列s_l ⁰：

$s_l^0=x_{2l};$ $d_l^0=x_{2l},$ l＝0，1，...，(M/2-1)    (5)

4)基于式(2)和式(4)，对s_l ⁰和d_l ⁰进行m次提升和对偶提升，经过比例变换后，得到低频信号s_l ^m和高频信号d_l ^m，实现一级小波变换；

$s_l^i=s_l^{i-1}-\underset{k}{\mathrm{\Σ}}{u}_k^i{d}_{l-k}^{i-1};$ $d_l^i=d_l^{i-1}-\underset{k}{\mathrm{\Σ}}{p}_k^i{s}_{l-k}^{i-1};$

$s_l=s_l^m/K;$ $d_l=K{d}_l^m---\left(6\right)$

5)对取得的s_l ^m重复步骤4)，直到完成l＝R的计算。此时，完成了该缺陷信号的提升小波分解，得到各尺度低频信号s₁～s_m及各尺度高频信号d₁～d_m，其中s_m和d_m分别表示被分解缺陷信号的最高尺度的低频信号和高频信号；

3、基于上述的s₁～s_m、d₁～d_m及缺陷信号f(t)，提取某个缺陷信号的各种特征：

1)提取f(t)的常规特征：

形状系数特征： $\mathrm{SCoeff}=\frac{L^2}{S}---\left(7\right)$

式中，L为缺陷信号f(t)的包络线长度，S为包络线所包围的面积。

2)提取s_m及f(t)的常规特征：

a.均方根特征： $\mathrm{\ψ}={\left[\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i^2\right]}^{\frac{1}{2}}---\left(8\right)$

b.标准差特征： $\mathrm{\σ}={\left[\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2\right]}^{\frac{1}{2}}---\left(9\right)$

c.偏斜度特征： $\mathrm{skew}=\frac{E{(x_i-\stackrel{\‾}{x})}^3}{{\mathrm{\σ}}^3}---\left(10\right)$

d.峭度特征： $\mathrm{Kurt}\left(x\right)=\frac{E{(x_i-\stackrel{\‾}{x})}^4}{{\mathrm{\σ}}^4}-3---\left(11\right)$

式中，x_i为s_m或f(t)的离散点的幅值，n为s_m或f(t)的离散点的个数。

3)提取s₁～s_m、d₁～d_m的能量特征E_lj(j＝0，1，.....，2^l-1)： $E_{\mathrm{lj}}=\underset{k=1}{\mathrm{\Σ}}{\left|x_{\mathrm{jk}}\right|}^2,$ 其中，x_jk表示各频带内信号离散点的幅值。将特征进行归一化处理，即： $E_n=E_{\mathrm{lj}}/\underset{j=0}{\overset{2^l-1}{\mathrm{\Σ}}}{E}_{\mathrm{lj}};$

4)分形特征的提取：

a.设管道环焊缝缺陷信号经提升小波分解后，最高尺度上的低频信号为s_m，在XOY平面内的图形为F。采用网格法确定s_m的无标度区间。在平面内作长度为δ的方格网，则F与方格网相交的方格数N_δ(F)是图形F在标度(分辨率)δ下的盒子数，表明缺陷波形在标度δ下的不规则性或复杂性。对现实的不规则分形而言，如果在一个标度范围(δ₁，δ₂)内，N_δ(F)与δ的双对数曲线log₂N_δ(F)～log₂δ保持大约恒定的斜率，也就是信号保持自相似性，则(δ₁，δ₂)为无标度区。

b.采用盒维数作为分形维数，即分形特征。盒维数定义为：

${\mathrm{Dim}}_{B}F=\underset{\mathrm{\δ}\→0}{\lim }(-\frac{{\log }_2{N}_{\mathrm{\δ}}\left(F\right)}{{\log }_2\mathrm{\δ}})---\left(12\right)$

由式(12)可知，盒维数实际上就是在无标度区间内，当δ→0时，N_δ(F)增加的对数速率，可以由函数log₂N_δ(F)相对于log₂δ的斜率值来估计，负号表示双对数图像是下降的。采用最小二乘法将无标度区间内的散点拟合成直线，求出s_m的盒维数，即分形特征F_n。

5)将所有特征联合，得到一个组合特征L_n：

$L_n=[\mathrm{SCoeff},E_n,F_n,K{\mathrm{urt}}_{s_i},{\mathrm{Kurt}}_{d_i},{\mathrm{skew}}_{s_i},{\mathrm{\σ}}_f,{\mathrm{\σ}}_{s_m},{\mathrm{\ψ}}_f,{\mathrm{\ψ}}_{s_m}]---\left(13\right)$

式中，SCoeff为形状系数特征，E_n为能量特征，F_n为分形特征，

和

分别为s_i及d_i，i＝1，...，m的峭度特征，

和为

分别为s_i及d_i，i＝1，...，m的偏斜度特征，σ_f为原始缺陷信号的标准差特征，

为s_m的标准差特征，ψ_f为原始缺陷信号的均方根特征，

为s_m的均方根特征。

4、采用步骤(一)中的步骤2和步骤3的方法提取所有缺陷信号的组合特征，并用基本遗传算法进行组合特征优化。将所有缺陷信号的组合特征作为遗传算法的输入，设定迭代次数为N。

1)确定遗传算法中的基因个数及其特征含义：遗传算法中采用的基因数为19个，即每个基因对应着各自的特征量，其含义如表1所示，基因的个数为特征总个数。

表1基因的特征含义

2)确定遗传算法中的适应度函数：基于前述的组合特征L_n，其特征的各种任意组合为特征子集X，包含的特征总数n，即为该缺陷信号的特征维数。则特征子集X的适应度函数定义为：

$\mathrm{fitness}\left(X\right)=(1-\mathrm{\α})\stackrel{\‾}{J\left(X\right)}+\mathrm{\α}*\left(\frac{n-k}{n}\right)---\left(14\right)$

其中，α为罚系数，以衡量可分性测度与特征个数之间的取舍，α＝0.01；n为特征总个数，即遗传算法中基因的总个数。k为任意组合的特征子集X包含的特征个数。J(X)为所选特征子集的平均可分性测度，定义为 $\stackrel{\‾}{J\left(X\right)}=\frac{\underset{i,j=1}{\overset{m}{\mathrm{\Σ}}}{J}_{\mathrm{ij}}}{C_m^2}$ (i≠j)，其中m为采集缺陷信号的类别个数，C_m ²为组合数，J_ij为第i(1≤i≤m)类缺陷与第j(1≤j≤m)类缺陷之间的可分性测度，即 $J_{\mathrm{ij}}=\frac{d_{\mathrm{ij}}}{{\mathrm{\σ}}_i+{\mathrm{\σ}}_j},$ 其中，d_ij为第i类缺陷与第j类缺陷特征之间的类间距，定义为 $d_{\mathrm{ij}}=\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(M_{\mathrm{ik}}-M_{\mathrm{jk}})}^2},$ 其中，M_ik为第i类缺陷的特征向量的第k(1≤k≤n)维分量的平均值，定义为 $M_{\mathrm{ik}}=\frac{1}{K}\underset{c=1}{\overset{K}{\mathrm{\Σ}}}{F}_{\mathrm{ick}},$ K为第i类缺陷包含的样本数，F_ick为第i类缺陷特征向量第c(1≤c≤K)个样本的第k(1≤k≤n)维数量。σ_i为第i类缺陷的特征向量的第k维数量的标准差，定义为 ${\mathrm{\σ}}_i=\sqrt{\frac{1}{K-1}\underset{c=1}{\overset{K}{\mathrm{\Σ}}}\left[\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(F_{\mathrm{ick}}-M_{\mathrm{ik}})}^2\right]}.$

3)确定遗传算法的输入方式，即编码方式：编码采用二进制编码方式。设问题域中的一个特征量为P＝[P₁，P₂，...，P_i，...，P_n]，其中，n为初始特征量的维数，P_i(i＝1，...，n)表示一个特征。对P进行编码，用一个二进制向量Q＝[q₁，q₂，...，q_i，...，q_n]来表示。q_i的取值为0表明向量P中相应位置的特征未被选中，1则表明选中了。例如Q＝[1，1，0，...0]表示选择的特征子集为[P₁，P₂]。

4)确定遗传算法中的选择算子：选择算子采用轮盘赌算子，即

$S_{x_i}=\frac{\mathrm{fitness}\left(x_i\right)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{fitness}\left(x_i\right)}---\left(15\right)$

5)确定遗传算法中的交叉算子：交叉算子采用单点交叉；变异算子则以一定的概率挑选种群中个体的某一个基因变异，如果原来的基因值为1，则变异后的基因值为0，反之亦然。

6)经过遗传算法的计算，最后得到最优特征子集的编码为：{0110000000000000000}，根据表1进行解码，可知最优特征子集为{能量，分形}。

5、建立支持向量机模型

1)提取所有缺陷信号的优化特征，构成支持向量机的缺陷特征训练库；

2)采用二进制编码方法，定义支持向量机的输出，即表示缺陷类型，如下表所示：

表2支持向量机的输出定义

将上述两部分内容作为支持向量机的输入，建立适合于管道环焊缝缺陷识别的支持向量机模型。

(二)对未知类型的缺陷进行识别

用超声相控阵探伤仪采集未知类型缺陷的超声缺陷信号，按照步骤(一)中的步骤2和步骤3仅提取该缺陷信号的优化特征作为支持向量机模型的输入，支持向量机的输出结果以二进制编码方式表示，根据表2即可知道未知缺陷信号的缺陷类型。

本发明的优点在于：

1、利用提升小波变换本身的特性：缺陷信号的小波分解完全在空域中实现，运算速度快，提高了缺陷特征提取的速度；能进行原位计算，降低了计算对内存的需要；编程实现简单，易于在DSP等硬件中实现。在相同硬件条件下，对同一个缺陷信号提取能量特征，采用提升小波变换比采用传统小波包变换的特征提取速度快一倍。另外，利用提升小波变换将缺陷信号正交地分解到不同频带区间内，可实现对缺陷信号的滤波。由于噪声信号一般位于高频区间内，所以，对最高尺度上的低频段信号提取特征，相当于对滤波后的缺陷信号进行特征提取。

2、本发明的另一个亮点是将提升小波变换与分形技术相结合。利用提升小波变换对缺陷信号局部放大的功能，采用网格法求出缺陷信号的分形特征，能反映出不规则超声缺陷信号中的自相似特性，有利于提高缺陷自动分类的准确率。

3、本发明采用一种专门针对小样本、基于统计学习理论的方法，支持向量机(SVM)作为分类器，提高了识别速度和识别准确率，识别正确率约为85.71％。实验证明，在相同条件下，SVM需要的时间仅比与RBF神经网络慢6.3％，不过准确率提高了26.3％。BP神经网络算法的运算时间最长，识别正确率比SVM低9.1％。

附图说明

图1：实现本发明的装置结构框图；

图2：四类人工缺陷中的一类缺陷的一个缺陷信号的所有特征的提取过程的流程图；

图3：基于遗传算法的四类人工缺陷信号特征优化的流程图；

图4：基于支持向量机(SVM)的管道环焊缝缺陷识别流程图；

图5：方槽的7个训练样本缺陷信号图；

图中：X轴表示声程，Y轴表示超声信号的波幅比；

图6：平底孔的12个训练样本缺陷信号图；

图中：X轴表示声程，Y轴表示超声信号的波幅比；

图7：通孔的2个训练样本缺陷信号图；

图中：X轴表示声程，Y轴表示超声信号的波幅比；

图8：圆孔的9个训练样本缺陷信号图；

图中：X轴表示声程，Y轴表示超声信号的波幅比；

图9：基于基本遗传算法的缺陷特征优选结果输出显示；

图10：实施例1人工缺陷信号波形图；

图中：X轴表示声程，Y轴表示超声信号的波幅比；

图11：对实施例1缺陷信号进行db4提升小波3层分解得到的3个低频信号s₁～s₃和3个高频信号d₁～d₃；

图12：对于实施例1缺陷信号的能量特征图；

图13：对于实施例1缺陷信号的无标度区间的双对数图，即分形特征；

图14：对实施例1缺陷信号的识别结果显示图；

图15：实施例2人工缺陷信号波形图；

图中：X轴表示声程，Y轴表示超声信号的波幅比；

图16：对实施例2缺陷信号进行db4提升小波3层分解得到的3个低频信号s₁～s₃和3个高频信号d₁～d₃；

图17：对于实施例2缺陷信号的能量特征图；

图18：对于实施例2缺陷信号的的无标度区间的双对数图；

图19：对实施例2缺陷信号的识别结果显示图；

图20：实施例3人工缺陷信号波形图；

图中：X轴表示声程，Y轴表示超声信号的波幅比；

图21：对实施例3缺陷信号进行db4提升小波3层分解得到的3个低频信号s₁～s₃和3个高频信号d₁～d₃；

图22：对于实施例3缺陷信号的能量特征图；

图23：对于实施例3缺陷信号的无标度区间的双对数图；

图24：对实施例3缺陷信号的识别结果显示图；

图25：实施例4人工缺陷信号波形图；

图中：X轴表示声程，Y轴表示超声信号的波幅比；

图26：对实施例4缺陷信号进行db4提升小波3层分解得到的3个低频信号s₁～s₃和3个高频信号d₁～d₃；

图27：对于实施例4缺陷信号的能量特征图；

图28：对于实施例4缺陷信号的无标度区间的双对数图；

图29：对实施例4缺陷信号的识别结果显示图。

具体实施方式

下面结合附图对油气管道环焊缝试块中加工的四类人工缺陷进行自动识别，进一步阐述本发明。

超声相控阵探伤专用试块是根据“西气东输”工程中采用的Q/SY XQ7-2001标准，采用了山东济宁模具厂生产的管道对接环焊缝全自动超声波检测试块：V型坡口φ1016×14.6，其内部有方槽、平底孔、通孔和圆孔四类人工缺陷。

在实测过程中，采用加拿大R/D TECH公司生产的OmniScan^TM PA超声相控阵探伤仪，包括超声相控阵探头、爬行器械、下位机和上位机，其中，超声相控阵探头装载在爬行器械上，共采集了方槽的7个缺陷信号、平底孔的12个缺陷信号、通孔的2个缺陷信号和圆孔的9个缺陷信号，存储这些超声缺陷信号并进行预处理，得到方槽、平底孔、通孔和圆孔四类缺陷的缺陷信号图(有关试块中的人工缺陷图详见实审参考材料)。

将上述得到的缺陷信号按照步骤(一)中的步骤1～5进行支持向量机的训练，以建立适合于环焊缝缺陷类型识别的支持向量机模型。以该支持向量机模型对未知类型的缺陷信号进行识别。

1、实施例1

由超声相控阵采集到的人工缺陷信号图像如图10所示。按照步骤(一)中的步骤2进行db4提升小波的3层分解后，得到3层低频信号s₁～s₃和3层高频信号d₁～d₃，如图11所示。对低频信号和高频信号按照步骤(一)中的步骤3中的第2小步骤和第3小步骤的计算方法提取优选特征：其中，提取的能量特征如图12所示，提取的分形特征的无标度区间的双对数图如图13所示，采用最小二乘法将图13中的散点拟合成直线，其斜率的绝对值即为该缺陷信号的分形特征。将上述提取的能量特征和分形特征作为支持向量机的输入量，进行识别，支持向量机的输出结果为[0，0]，如图14所示。根据表2的定义可知，支持向量机的输出结果表示该缺陷信号为方槽缺陷信号，表明焊缝缺陷类型为未焊透缺陷。

2、实施例2

由超声相控阵采集到的人工缺陷信号图像如图15所示。按照步骤(一)中的步骤2进行db4提升小波的3层分解后，得到3层低频信号s₁～s₃和3层高频信号d₁～d₃，如图16所示。对低频信号和高频信号按照步骤(一)中的步骤3中的第2小步骤和第3小步骤的计算方法提取优选特征：其中，提取的能量特征如图17所示，提取的分形特征的无标度区间的双对数图如图18所示，采用最小二乘法将图18中的散点拟合成直线，其斜率的绝对值即为该缺陷信号的分形特征。将上述提取的能量特征和分形特征作为支持向量机的输入量，进行识别，支持向量机的输出结果为[0，1]，如图19所示。根据表2的定义可知，支持向量机的输出结果表示输入的缺陷信号为平底孔缺陷，表明焊缝缺陷类型为未熔合缺陷。

3、实施例3

由超声相控阵采集到的人工缺陷信号图像如图20所示。按照步骤(一)中的步骤2进行db4提升小波的3层分解后，得到3层低频信号s₁～s₃和3层高频信号d₁～d₃，如图21所示。对低频信号和高频信号按照步骤(一)中的步骤3中的第2小步骤和第3小步骤的计算方法提取优选特征：其中，提取的能量特征如图22所示，提取的分形特征的无标度区间的双对数图如图23所示，采用最小二乘法将图23中的散点拟合成直线，其斜率的绝对值即为该缺陷信号的分形特征。将上述提取的能量特征和分形特征作为支持向量机的输入量，进行识别，支持向量机的输出结果为[1，0]，如图24所示。根据表2的定义可知，支持向量机的输出结果表示输入的缺陷信号为通孔缺陷，表明焊缝缺陷类型为纵向裂纹缺陷。

4、实施例4

由超声相控阵采集到的人工缺陷信号图像如图25所示。按照步骤(一)中的步骤2进行db4提升小波的3层分解后，得到3层低频信号s₁～s₃和3层高频信号d₁～d₃，如图26所示。对低频信号和高频信号按照步骤(一)中的步骤3中的第2小步骤和第3小步骤的计算方法提取优选特征：其中，提取的能量特征如图27所示，提取的分形特征的无标度区间的双对数图如图28所示，采用最小二乘法将图28中的散点拟合成直线，其斜率的绝对值即为该缺陷信号的分形特征。将上述提取的能量特征和分形特征作为支持向量机的输入量，进行识别，支持向量机的输出结果为[1，1]，如图29所示。根据表2的定义可知，支持向量机的输出结果表示输入的缺陷信号为圆孔缺陷，表明焊缝缺陷类型为气孔缺陷。

Claims (1)

1.一种超声相控阵检测油气管道环焊缝缺陷类型自动识别方法，该方法所采用的超声相控阵探伤仪其结构包括相控阵探头、爬行器械、下位机、上位机，其中相控阵探头主要负责向被测物体内发射超声波、接收来自缺陷的超声信号并转换成电压模拟信号；爬行器械是系统的动力机械部分，携带相控阵探头沿管壁移动；下位机接收上位机发射控制参数并控制相控阵探头发射超声波，同时将来自于相控阵探头各通道的模拟电压信号进行数字化处理和信号合成；上位机通过与下位机通信，显示合成信号、进行缺陷类型的识别；另外采用人机交互界面，接受键盘输入命令和系统参数，生成检测方案传送给下位机；其中所述油气管道环焊缝的缺陷类型包括未焊透、未熔合、纵向裂纹和气孔；为了识别上述四类缺陷，用人工缺陷方槽、平底孔、通孔和圆孔分别模拟环焊缝中的未焊透、未熔合、纵向裂纹和气孔；自动识别油气管道环焊缝缺陷类型的方法，其特征在于包括以下过程：

(一)支持向量机模型的建立：

1)将超声相控阵探伤仪下位机采集的四类人工缺陷信号中的每一个缺陷信号定义为：

f(t)＝{x₀，x₁，...，x_M-1}，其中M为缺陷信号长度；对每一个缺陷信号均采用下述步骤2)和步骤3)的信号处理方法；

2)利用提升小波变换对缺陷信号f(t)进行多层提升小波分解，设置小波分解层数R，其步骤如下：

(1)选择有限紧支集、光滑正交且数据冗余最小的db4小波基作为提升小波变换时使用的小波基，其滤波器组的表达式为：

$H_0\left(z\right)=h_0\left(0\right)+\underset{i=1}{\overset{7}{\mathrm{\Σ}}}{h}_0\left(i\right)z^{-i}$ 式1

其中，滤波器组的系数为：

h₀(0)＝0.2304，h₀(1)＝0.7148，h₀(2)＝0.6309，h₀(3)＝-0.2798，

h₀(4)＝-0.1870，h₀(5)＝0.0308，h₀(6)＝0.3288，h₀(7)＝-0.0160

(2)根据式1，将db4小波基用多相矩阵P(z)表示，并用欧几里德算法分解多相矩阵P(z)，任何由有限长度的滤波器构成的小波变换都能分解成一系列提升步骤：

$P\left(z\right)=\left(\begin{array}{cc}K& 0\\ 0& 1/K\end{array}\right)\underset{i=1}{\overset{m}{\mathrm{\Π}}}\left\{\left(\begin{array}{cc}1& u_i\left(z\right)\\ 0& 1\end{array}\right)\left(\begin{array}{cc}1& 0\\ p_i\left(z\right)& 1\end{array}\right)\right\}$

式2

依据互补滤波器的定义： $P\left(z\right)\tilde{P}{\left(z^{-1}\right)}^t=I$ 式3

可求得其对偶矩阵

$\tilde{P}{\left(z^{-1}\right)}^t=\left(\begin{array}{cc}1/K& 0\\ 0& K\end{array}\right)\underset{i=1}{\overset{m}{\mathrm{\Π}}}\left\{\left(\begin{array}{cc}1& 0\\ -p_i\left(z\right)& 1\end{array}\right)\left(\begin{array}{cc}1& -u_i\left(z\right)\\ 0& 1\end{array}\right)\right\}$ 式4

这样，就得到了提升参数：K、 $p_i=\underset{k}{\mathrm{\Σ}}{p}_k^i{z}^{-k},$ $u_i=\underset{k}{\mathrm{\Σ}}{u}_k^i{z}^{-k}$ 和m；

(3)对缺陷信号f(t)进行奇偶分割，形成奇序列d_l ⁰与偶序列s_l ⁰：

$s_l^0=x_{2l};$ $d_l^0=x_{2l+1},$ l＝0，1，...，(M/2-1)式5

(4)基于式2和式4，对s_l ⁰和d_l ⁰进行m次提升和对偶提升，经过比例变换后，得到低频信号s_l ^m和高频信号d_l ^m，实现一级小波变换：

$s_l^i=s_l^{i-1}-\underset{k}{\mathrm{\Σ}}{u}_k^i{d}_{l-k}^{i-1};$ $d_l^i=d_l^{i-1}-\underset{k}{\mathrm{\Σ}}{p}_k^i{s}_{l-k}^{i-1};$

$s_l=s_l^m/K;$ $d_l={\mathrm{Kd}}_l^m$ 式6

(5)对取得的s_l ^m重复步骤(4)，直到完成l＝R的计算；此时，完成了缺陷信号f(t)的提升小波分解，得到各尺度低频信号s₁～s_m及各尺度高频信号d₁～d_m，其中s_m和d_m分别表示被分解缺陷信号的最高尺度的低频信号和高频信号；

3)基于s₁～s_m、d₁～d_m及f(t)，提取一个缺陷信号的各种特征：

(1)提取f(t)的常规特征：

形状系数特征： $\mathrm{SCoeff}=\frac{L^2}{S}$ 式7

式中，L为缺陷信号f(t)的包络线长度，S为包络线所包围的面积；

(2)提取s_m及f(t)的常规特征：

a.均方根特征： $\mathrm{\ψ}={\left[\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i^2\right]}^{\frac{1}{2}}$ 式8

b.标准差特征： $\mathrm{\σ}={\left[\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2\right]}^{\frac{1}{2}}$ 式9

c.偏斜度特征： $\mathrm{skew}=\frac{E{(x_i-\stackrel{\‾}{x})}^3}{{\mathrm{\σ}}^3}$ 式10

e.峭度特征： $\mathrm{Kurt}\left(x\right)=\frac{E{(x_i-\stackrel{\‾}{x})}^4}{{\mathrm{\σ}}^4}-3$ 式11

式中，x_i为s_m或f(t)的离散点的幅值，n为s_m或f(t)的离散点的个数；

(3)提取s₁～s_m、d₁～d_m的能量特征E_lj(j＝0，1，......，2^l-1)： $E_{\mathrm{lj}}=\underset{k=1}{\mathrm{\Σ}}{\left|x_{\mathrm{jk}}\right|}^2,$ 其中，x_jk表示各频带内信号离散点的幅值；将特征进行归一化处理，即： $E_n=E_{\mathrm{lj}}/\underset{j=0}{\overset{2^i-1}{\mathrm{\Σ}}}{E}_{\mathrm{lj}};$

(4)提取分形特征：

a.设油气管道环焊缝缺陷信号经提升小波分解后，最高尺度上的低频信号为s_m，在XOY平面内的图形为F；采用网格法确定s_m的无标度区间：在平面内作长度为δ的方格网，则F与方格网相交的方格数N_δ是图形F在标度δ下的盒子数，表明缺陷波形在标度δ下的不规则性或复杂性；对现实的不规则分形而言，如果在一个标度范围(δ₁，δ₂)内，N_δ与δ的双对数曲线log₂N_δ～log₂δ保持大约恒定的斜率，也就是信号保持自相似性，则(δ₁，δ₂)为无标度区；

b.采用盒维数作为分形维数，即分形特征；盒维数定义为：

${\mathrm{Dim}}_{B}F=\underset{\mathrm{\δ}\→0}{\lim }(-\frac{{\log }_2{N}_{\mathrm{\δ}}}{{\log }_2\mathrm{\δ}})$ 式12

由式12可知，盒维数实际上就是在无标度区间内，当δ→0时，N_δ增加的对数速率，可以由函数log₂N_δ相对于log₂δ的斜率值来估计，负号表示双对数图像是下降的；采用最小二乘法将无标度区间内的散点拟合成直线，求出s_m的盒维数，即分形特征F_n；

(5)将所有特征联合，得到一个组合特征L_n：

$L_n=[\mathrm{SCoeff},E_n,F_n,{\mathrm{Kurt}}_{s_i},{\mathrm{Kurt}}_{d_i},{\mathrm{skew}}_{s_i},{\mathrm{skew}}_{d_i},{\mathrm{\σ}}_{f,}{\mathrm{\σ}}_{s_m},{\mathrm{\ψ}}_f,{\mathrm{\ψ}}_{s_m}]$ 式13

式中，SCoeff为形状系数特征，E_n为能量特征，F_n为分形特征，

和

分别为s_i及d_i，i＝1，...，m的峭度特征，

和为

分别为s_i及d_i，i＝1，...，m的偏斜度特征，σ_f为原始缺陷信号的标准差特征，

为s_m的标准差特征，ψ_f为原始缺陷信号的均方根特征，

为s_m的均方根特征；

4)采用步骤(一)中的步骤2)和步骤3)的方法提取所有缺陷信号的组合特征，并用基本遗传算法进行组合特征优化；将所有缺陷信号的组合特征作为遗传算法的输入，设定迭代次数为N：

(1)确定遗传算法中的基因个数及其特征含义：遗传算法中采用的基因数为19个，即每个基因对应着各自的特征量，其含义如表1所示，基因的个数为特征总个数；

表1基因的特征含义

(2)确定遗传算法中的适应度函数：基于前述的组合特征L_n，其特征的各种任意组合为特征子集X，包含的特征总数n，即为该缺陷信号的特征维数；则特征子集X的适应度函数定义为：

$\mathrm{fitness}\left(X\right)=(1-\mathrm{\α})\stackrel{\‾}{J\left(X\right)}+\mathrm{\α}*\left(\frac{n-k}{n}\right)$ 式14

其中，α为罚系数，以衡量可分性测度与特征个数之间的取舍，α＝0.01；n为特征总个数，即遗传算法中基因的总个数；k为任意组合的特征子集X包含的特征个数；J(X)为所选特征子集的平均可分性测度，定义为 $\stackrel{\‾}{J\left(X\right)}=\frac{\underset{i,j=1}{\overset{m}{\mathrm{\Σ}}}{J}_{\mathrm{ij}}}{C_m^2},(i\≠j),$ 其中m为采集缺陷信号的类别个数，C_m ²为组合数，J_ij为第i(1≤i≤m)类缺陷与第j(1≤j≤m)类缺陷之间的可分性测度，即 $J_{\mathrm{ij}}=\frac{d_{\mathrm{ij}}}{{\mathrm{\σ}}_i+{\mathrm{\σ}}_j},$ 其中d_ij为第i类缺陷与第j类缺陷特征之间的类间距，定义为 $d_{\mathrm{ij}}=\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(M_{\mathrm{ik}}-M_{\mathrm{jk}})}^2},$ 其中，M_ik为第i类缺陷的特征向量的第k(1≤k≤n)维分量的平均值，定义为 $M_{\mathrm{ik}}=\frac{1}{K}\underset{c=1}{\overset{K}{\mathrm{\Σ}}}{F}_{\mathrm{ick}},$ K为第i类缺陷包含的样本数，F_ick为第i类缺陷特征向量第c(1≤c≤K)个样本的第k(1≤k≤n)维数量；σ_i为第i类缺陷的特征向量的第k维数量的标准差，定义为 ${\mathrm{\σ}}_i=\sqrt{\frac{1}{K-1}\underset{c=1}{\overset{K}{\mathrm{\Σ}}}\left[\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{(F_{\mathrm{ick}}-M_{\mathrm{ik}})}^2\right]};$

(3)确定遗传算法的输入方式，即编码方式：编码采用二进制编码方式；设问题域中的一个特征量为P＝[P₁，P₂，...，P_i，...P_n]，其中，n为初始特征量的维数，P_i(i＝1...n)表示一个特征；对P进行编码，用一个二进制向量Q＝[q₁，q₂，...q_i，...q_n]来表示；q_i的取值为0表明向量P中相应位置的特征未被选中，1则表明选中了；

(4)确定遗传算法中的选择算子：选择算子采用轮盘赌算子，即

$S_{x_i}=\frac{\mathrm{fitness}\left(x_i\right)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{fitness}\left(x_i\right)}---\left(15\right)$

(5)确定遗传算法中的交叉算子：交叉算子采用单点交叉；变异算子则以一定的概率挑选种群中个体的某一个基因变异，如果原来的基因值为1，则变异后的基因值为0，反之亦然；

(6)经过遗传算法的计算，最后得到最优特征子集的编码为：

[0110000000000000000]，根据表1进行解码，可知最优特征子集为[能量，分形]；

5)建立支持向量机模型

(1)提取所有缺陷信号的优化特征，构成支持向量机的缺陷特征训练库；

(2)采用二进制编码方法，定义支持向量机的输出，即表示缺陷类型，如下表所示；

表2支持向量即的输出定义

将上述提取的缺陷信号的优化特征作为支持向量机的输入，建立适合于油气管道环焊缝缺陷识别的支持向量机模型；

(二)对未知类型的缺陷进行识别：

用超声相控阵探伤仪采集未知类型缺陷的超声缺陷信号，按照步骤(一)中的步骤2)和步骤3)仅提取该缺陷信号的优化特征作为支持向量机模型的输入，支持向量机的输出结果以二进制编码方式表示，根据表2即可知道未知缺陷信号的缺陷类型。

Images