CN103577639B - 旋转检测声场合成的多目标优化方法 - Google Patents
旋转检测声场合成的多目标优化方法 Download PDFInfo
- Publication number
- CN103577639B CN103577639B CN201310534061.1A CN201310534061A CN103577639B CN 103577639 B CN103577639 B CN 103577639B CN 201310534061 A CN201310534061 A CN 201310534061A CN 103577639 B CN103577639 B CN 103577639B
- Authority
- CN
- China
- Prior art keywords
- sound field
- constraint
- priority
- crowding
- represent
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开一种旋转检测声场合成的多目标优方法,这是一种基于CNSGA-II的算法对旋转声场的合成进行优化的方法。本发明以声束合成理论为基础,采用声束覆盖率、信息携带量和缺陷敏感度作为综合优化目标,通过对超声探头阵列的分布,角度,扩散角等参数的计算,以达到需求声束的合成。CNSGA-II为NSGA-II(非支配遗传算法)的约束优化改进,在快速获得最优Pareto波阵面的同时,保证解集符合各种约束条件。本发明适用于各类圆柱形金属的超声无损探伤。
Description
技术领域
本发明属于旋转超声检测技术领域,涉及一种旋转检测声场合成的多目标优方法。
背景技术
非规则散射体与任意旋转检测声场作用机理及旋转检测声场下超声反射回波综合定量模型,奠定了基于旋转声场的高性能自动化在线超声无损检测技术最基本理论基础。但是,要实现对圆柱形产品中缺陷的实时检测和定量表征,关键在于以上述理论基础为根据,营造一种空间声束覆盖率和缺陷敏感度可控的三维旋转检测声场,赋予其缺陷信息完整和有效的表征能力。尽管目前在确定入射检测声场时,已经考虑了声束覆盖率和缺陷敏感度的因素,但是在实施过程中是截然将声束覆盖率和缺陷敏感度分开加以考虑,势必影响所营造声场的合理性,因为就声场特性而言,声束覆盖完备保证和缺陷高敏感表征是一对矛盾体,当需要高敏感表征缺陷时会影响到声束覆盖的完备性,反之也然(利用聚焦声束扫查缺陷时就是一个典型的例子)。因此,必须以声波合成理论为基础,采用声束覆盖率、信息携带量和缺陷敏感度作为综合优化目标,开展三维可控旋转声场的合成理论及其技术的研究,重点研究声源数量、分布、声波形式和特性以及声波入射方位和能量密度等对三维旋转检测声场合成精度和空间分布的影响,建立旋转检测声场特性同这些参数之间的关系,并在优化这些控制参数的基础上,实现三维可控旋转检测声场产生装置及其控制策略的设计。
发明内容
本发明针对现有技术的不足,提供了一种旋转检测声场合成的多目标优化方法。
本发明的技术问题通过以下的技术方案予以解决:
本发明包括以下步骤:
步骤1:建立多目标优化的优化目标函数
minF={f1(x),f2(x),f3(x)}
x=[x1,x2,x3]T;
其中f1(x)表示声束覆盖率,f2(x)表示信息携带量,f3(x)表示缺陷敏感度,x1表示探头的间距,x2表示扩散探头的角度,x3表示探头与钢管表面的距离。
步骤2:建立约束函数
ci(x)≤0,i=1,2
约束主要包括一些检测标准,必要检测约束有:c1为有效声场一定要完全覆盖管材,c2为声场重叠覆盖率要达到30%。其他具体检测要求约束如声能密度,检测深度根据需求进行增补。
步骤3:CNSGA-II多目标优化
CNSGA-II(有约束NSGA-II算法)对种群中的个体按照多目标的优化函数进行适应度计算,并且计算拥挤度和约束违例度,然后根据这三个参数对个体进行非支配排序。具体排序准则是从约束违例度,适应度和拥挤度依次进行。
(1)约束违例排序:将无约束违例视为同一级别,并且优先级高于任何有约束违例的个体,有约束违例个体中约束违例度小的优先级高于违例度大的。
(2)适应度排序:适应度排序是基于非支配解关系,对于
s.t.fi(x1)<fi(x2)
称x1为Pareto占优,也记做A支配B,如果存在一个x1,在可行域内若找不到另一个x2能够支配x1,则称x1为非支配解,而其在适应度中的排序等级最高。
(3)拥挤度排序:拥挤度排序作为适应度排序的一个补充,在同一个支配级别中,个体周围分布较密,拥挤度大的优先级高于个体孤立,拥挤度小的。
在产生新种群时,是采用锦标赛原则进行,锦标赛原则就是采用随机抽取N个个体,进行优先级比较,选择优先级高的。但是这里为了保证结果不容易陷入局部最优解,锦标赛选择时采用的是优先级较低的个体。选择完后进行交叉变异等操作,以获得新种群。
最后将新种群和原始种群融合在一起,再进行一次非支配排序,选择优先级高的一批个体作为下一次CNSGA-II计算的初始种群,其余部分被淘汰。
步骤4:优选
优选的方式有很多,可以根据对某个优化目标的需求度,人为的进行选择,也可以根据超声探伤结果上进行分析,需要加强声束覆盖率、信息携带量和缺陷敏感度中的某一方面,然后采用模糊集合优选的方式,让机器进行选择,以达到完全自动化。
本发明的有益效果主要表现为:针对以前声束合成时,只是单一的对声场覆盖率或者缺陷敏感度进行规划,存在许多弊端,因而采用CNSGA-II的方法,通过调整超声探头的分布间距,扩散角,探头离钢管的距离,对旋转超声检测的声束覆盖率、信息携带量和缺陷敏感度进行综合优化。
附图说明
附图1表示描述的是旋转超声钢管探伤示意图,区域1表示探头非重叠的覆盖面积,区域2表示探头重叠的覆盖面积,V为钢管前进方向,2α为探头的扩散角,α为半扩散角,θ为折射角,R表示钢管外壁半径,r表示钢管内壁半径,D表示探头直径,d表示探头间距,h表示探头与管壁间距。
附图2表示CNSGA-II算法的计算流程。
具体实施方式
以下结合附图对本发明作进一步说明。
步骤1:建立多目标优化的优化目标函数
minF={f1(x),f2(x),f3(x)}
x=[x1,x2,x3]T;
其中f1(x)表示声束覆盖率,f2(x)表示信息携带量,f3(x)表示缺陷敏感度,x1表示探头的间距,x2表示扩散探头的角度,x3表示探头与钢管表面的距离。
如附图1所示,检测的覆盖面积是1和2的面积之和,用于计算声场覆盖面积;对于缺陷敏感度则由覆盖区域的声能密度决定,声能密度在声场各点并不一致,因此采用平均声能密度作为评价;最后是信息携带量,信息携带量同声能密度和声音的频谱特性有关,丰富的频谱特性能够携带出更多的信息,而较大的声能密度则能提供更优质的信息,频谱特性在声场各点中也是不同的,离声轴较近的频谱丰富,离扩散角边缘靠近的频谱单一,这里用边界频谱特征值来作为评价函数。
函数Q表示总声能计算,表示边界点的角度,函数G表示边界角度的频谱特征值,α表示为声能密度与频谱特征值的比例参数。
步骤2:建立约束函数
ci(x)≤0,i=1,2
约束主要包括一些检测标准,必要检测约束有:c1为有效声场一定要完全覆盖管材,c2为声场重叠覆盖率要达到30%。其他具体检测要求约束如声能密度,检测深度根据需求进行增补。
c1(x)=(D-d)/2-htanα
c2(x)=130%-(S1+2S2)/V(R-r)
其中R-r表示钢管壁厚,V表示被检测物的水平进给速度。
步骤3:CNSGA-II多目标优化,参见图2。
步骤3-1对种群中的个体按照步骤1中建立的优化目标函数进行适应度计算,并且计算拥挤度和约束违例度,然后根据这三个参数对个体进行非支配排序。具体排序准则是从约束违例度、适应度和拥挤度依次进行,其中无约束违例,适应度高,拥挤度大的个体优先级最高。
步骤3-2采用锦标赛原则产生新种群,锦标赛原则就是采用随机抽取N个个体,进行优先级比较,选择优先级高的。但是这里为了保证结果不容易陷入局部最优解,锦标赛选择时采用的是优先级较低的个体。选择完后进行交叉变异操作,以获得新种群。
步骤3-4将新种群和原始种群融合在一起,再进行一次非支配排序,选择优先级高的一批个体作为下一次计算的初始种群,其余部分被淘汰。
步骤4:优选
优选的方式有很多,可以根据对某个优化目标的需求度,人为的进行选择,也可以根据模糊集合优选的方式,进行计算机模糊选择。
Claims (2)
1.旋转检测声场合成的多目标优化方法,其特征在该方法包括以下步骤:
步骤1、建立多目标优化的优化目标函数:
minF={f1(x),f2(x),f3(x)}
x=[x1,x2,x3]T;
其中f1(x)表示声束覆盖率,f2(x)表示信息携带量,f3(x)表示缺陷敏感度,x1表示探头的间距,x2表示扩散探头的角度,x3表示探头与钢管表面的距离;
步骤2、建立约束函数:
ci(x)≤0,i=1,2,
c1为有效声场一定要完全覆盖管材,c2为声场重叠覆盖率要达到30%;
步骤3、多目标优化:
步骤3-1、对种群中的个体按照步骤1中建立的优化目标函数进行适应度计算,并且计算拥挤度和约束违例度,然后根据这三个参数对个体进行非支配排序;具体排序准则是从约束违例度、适应度和拥挤度依次进行,其中无约束违例,适应度高,拥挤度大的个体优先级最高;
步骤3-2、采用锦标赛原则产生新种群,锦标赛原则就是采用随机抽取N个个体,进行优先级比较,选择优先级低的个体;选择完后进行交叉变异操作,以获得新种群;
步骤3-3、将新种群和原始种群融合在一起,再进行一次非支配排序,选择优先级高的一批个体作为下一次计算的初始种群,其余部分被淘汰;
步骤4、优选:
根据对某个优化目标的需求度,人为的进行选择或根据模糊集合优选的方式,进行计算机模糊选择。
2.根据权利要求1所述的旋转检测声场合成的多目标优化方法,其特征在于:
步骤3-1中约束违例排序具体是:将无约束违例视为同一级别,并且优先级高于任何有约束违例的个体,有约束违例个体中约束违例度小的优先级高于违例度大的;
步骤3-1中约束违例排序具体是:对于
s.t.fi(x1)<fi(x2),
称x1为Pareto占优,也记做A支配B,如果存在一个x1,在可行域内若找不到另一个x2能够支配x1,则称x1为非支配解,而其在适应度中的排序等级最高;
步骤3-1中约束违例排序具体是:拥挤度排序作为适应度排序的一个补充,在同一个支配级别中,个体周围分布较密,拥挤度大的优先级高于个体孤立,拥挤度小的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310534061.1A CN103577639B (zh) | 2013-10-31 | 2013-10-31 | 旋转检测声场合成的多目标优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310534061.1A CN103577639B (zh) | 2013-10-31 | 2013-10-31 | 旋转检测声场合成的多目标优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103577639A CN103577639A (zh) | 2014-02-12 |
CN103577639B true CN103577639B (zh) | 2016-05-18 |
Family
ID=50049407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310534061.1A Active CN103577639B (zh) | 2013-10-31 | 2013-10-31 | 旋转检测声场合成的多目标优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103577639B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108051475B (zh) * | 2017-12-05 | 2020-08-14 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种对流换热系数的快速测量方法 |
CN113598759B (zh) * | 2021-09-13 | 2023-09-22 | 曲阜师范大学 | 一种基于肌电特征优化的下肢动作识别方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102790931A (zh) * | 2011-05-20 | 2012-11-21 | 中国科学院声学研究所 | 一种三维声场合成中的距离感合成方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7336793B2 (en) * | 2003-05-08 | 2008-02-26 | Harman International Industries, Incorporated | Loudspeaker system for virtual sound synthesis |
-
2013
- 2013-10-31 CN CN201310534061.1A patent/CN103577639B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102790931A (zh) * | 2011-05-20 | 2012-11-21 | 中国科学院声学研究所 | 一种三维声场合成中的距离感合成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103577639A (zh) | 2014-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Wind farm layout optimization for wake effect uniformity | |
CN108763857A (zh) | 一种基于相似度生成对抗网络的过程软测量建模方法 | |
Tesauro et al. | State of the art of wind farm optimization | |
CN105956702A (zh) | 一种基于数据融合的水产养殖水质溶解氧预测方法 | |
Sun et al. | Chinese marine economy development: dynamic evolution and spatial difference | |
CN104156629B (zh) | 一种基于相对辐射校正的导航雷达图像反演海面风向方法 | |
CN106372748A (zh) | 一种硬岩掘进机的掘进效率预测方法 | |
CN103577639B (zh) | 旋转检测声场合成的多目标优化方法 | |
CN102364501A (zh) | 一种石油管道pso-bp神经网络二维缺陷重现方法 | |
CN114971301B (zh) | 一种基于自动调参优化模型的生态干扰风险识别评估方法 | |
Shao et al. | A decision framework for tidal current power plant site selection based on GIS-MCDM: A case study in China | |
CN107627152A (zh) | 一种基于bp神经网络的数控加工切屑控制方法 | |
CN104361578B (zh) | 一种多尺度精度控制下的层次化网格分割方法 | |
Koskinen et al. | The effect of different flaw data to machine learning powered ultrasonic inspection | |
CN111412959B (zh) | 流量在线监测计算方法、监测仪以及监测系统 | |
CN116050860A (zh) | 一种能源地下地铁车站智慧运维方法 | |
Dinçer et al. | Multi-objective turbine allocation on a wind farm site | |
Zhang et al. | Modelling development and optimization on hydrodynamics and energy utilization of fish culture tank based on computational fluid dynamics and machine learning | |
CN115963171A (zh) | 一种基于磁异常信号的金属表面及内部缺陷分类方法 | |
CN108197423A (zh) | 一种测风数据处理系统 | |
Yang et al. | PSC ship-selecting model based on improved particle swarm optimization and support vector machine algorithm | |
Zhao et al. | Automated quantification of small defects in ultrasonic phased array imaging using AWGA-gcForest algorithm | |
CN111914339A (zh) | 基于景观绩效评价的风景园林景观设计方法及系统 | |
Amon et al. | Multi-objective optimization of wind farm layouts under energy generation and noise propagation | |
CN105139025A (zh) | 基于非线性分析方法的气固流化床流型在线智能识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |