CN103760230A - 基于bp神经网络的焊接缺陷巨磁电阻涡流检测方法 - Google Patents

Abstract

本发明属于无损检测技术领域，涉及一种基于BP神经网络的焊接缺陷巨磁电阻涡流检测方法包括：选择不同类型的多个焊接样本作为训练样本；测量每个训练样本在同一时刻下的四路巨磁电阻传感器输出信号，并提取峰峰值，方差和斜率变化作为训练样本特征量；针对不同类型的训练样本分别建立神经网络模型，每个神经网络模型训练一个类型的样本数据，输入端为该类型样本的训练样本特征量，输出端为该类型样本的期望输出；测量和提取待测样本特征量；结合训练好的各个神经网络模型，进行焊缝质量检测。本发明的检测方法，具有响应速度快，实时性好，且测量过程简单，易于实施的优点。

Description

基于BP神经网络的焊接缺陷巨磁电阻涡流检测方法

技术领域

本发明属于无损检测技术领域，特别涉及一种焊接质量的电涡流检测方法。

背景技术

焊接技术被广泛应用于能源，石化，核工业，交通运载工具制造以及其他一些工业过程[1-3]。在焊接过程中，对焊接缺陷进行检测和估计，可降低废品率提高生产效率；在设备运行过程中，检测焊接处由于温度、压力和外部影响造成的早期缺陷，可避免灾难性事故的发生[4]。常见的焊接缺陷有气孔、未焊透、裂纹等等，通过对焊接缺陷的检测和分类可以对后续的修补和替换带来判断依据。

电涡流检测是一种重要的无损检测方法[5]。对于焊接缺陷的电涡流检测，焊接区域粗糙表面引入的测量噪声对缺陷检测影响极大[6]。许多改进的电涡流检测的激励线圈，如矩形线圈[7]、差分薄饼线圈、TR探头、带差分检测线圈的均匀涡流探头[8]、正交涡流线圈[2]被应用于焊接缺陷的检测[7-9]。在激励方式的改进方面，不同的激励方式如双频激励技术和脉冲激励技术[10,11]被用于检测焊接缺陷。

焊接缺陷如气孔，夹杂和裂纹的存在会影响到被测试件内部的涡流分布，从而导致磁场分布的变化，因此直接检测磁场给对缺陷的检测和评估带来了便利。人们尝试使用直接的磁敏感元件来检测磁场的变化情况来确定焊接质量的好坏，Hall[12]，AMR[6]，GMR[13]已经被用来对焊接周围的涡流磁场进行检测。

除了对激励线圈和传感器的改进外，对获得的缺陷信号的处理也是检测能够成功的关键因素。对缺陷信号的识别有多种方法，很多先进的信号处理技术被用于焊接缺陷的涡流检测。神经网络被用于对缺陷进行分类和重构[4,14]；通过仿真模型数据和检测数据的对比来进行缺陷形状估计[9]，二维离散小波变换被用于焊接信号的去噪[14]。但是针对焊接缺陷电涡流检测特征量非常少。特别是由于焊接表面的复杂纹理和结构，造成焊接涡流电磁信号通常带有比较强的噪声。如何区分噪声信号和缺陷信号，给电涡流检测提出了新的挑战。

参考文献

[1].任吉林.我国涡流检测技术的发展[J].无损检测,1994,(10):280-283+298.

[2].黄建明,林俊明.焊缝电磁涡流检测技术[J].无损检测,2004,(02):95-98.

[3].林俊明.电磁(涡流)检测技术现状及发展趋势[J].航空制造技术,2004,(09):40-41.

[4].Rao,B.,Raj,B.,Jayakumar,T.,etc.An artificial neural network for eddy current testing of austenitic stainlesssteel welds[J].NDT&E Int,2002,35(6):393-398.

[5].Tian,G.,Sophian,A.,Taylor,D.,etc.Wavelet-based PCA defect classification and quantification for pulsededdy current NDT[A].In Science,Measurement and Technology,IEE Proceedings-[C],2005;141-148.

[6].Allweins,K.,Von Kreutzbruck,M.,Gierelt,G.Defect detection in aluminum laser welds using an anisotropicmagnetoresistive sensor array[J].J Appl Phys,2005,97(10).

[7].Koyama,K.,Hoshikawa,H.,Taniyama,N.Investigation of eddy current testing of weld zone by uniform eddycurrent probe[A].In Proceedings of WCNDT[C],2000.

[8].Yusa,N.,Machida,E.,Janousek,L.,etc.Application of eddy current inversion technique to the sizing ofdefects in Inconel welds with rough surfaces[J].Nucl Eng Des,2005,235(14):1469-1480.

[9].Yusa,N.,Janousek,L.,Rebican,M.,etc.Detection of embedded fatigue cracks in Inconel weld overlay andthe evaluation of the minimum thickness of the weld overlay using eddy current testing[J].Nucl Eng Des,2006,236(18):1852-1859.

[10].Mandache,C.,Dubourg,L.,Merati,A.,etc.Pulsed eddy current testing of friction stir welds[J].Mater Eval,2008,66(4):382-386.

[11].Mandache,C.,Levesque,D.,Dubourg,L.,etc.Non-destructive detection of lack of penetration defects infriction stir welds[J].Sci Technol Weld Joi,2012,17(4):295-303.

[12].Abdul,S.,Zhou,Z.Evaluation of piezoresistivity in heat treated5A06Al-Mg alloy due to applied stress usingeddy current method.In Chengdu,2012;Vol.548,377-381.

[13].Postolache,O.,Ribeiro,A.L.,Ramos,H.A novel uniform eddy current probe with GMR for non destructivetesting applications[A].In Lisbon,2011.

[14].Kumar,A.,Sasi,B.,Sharma,G.K.,etc.Nondestructive evaluation of austenitic stainless steel welds.InMumbai,2013;Vol.794,366-374.

发明内容

本发明的目的是克服现有技术上的不足，提供一种响应速度快，实时性好且测量过程简单并容易实现的焊接电涡流检测装置。为此，本发明采用如下的技术方案：

一种基于BP神经网络的焊接缺陷巨磁电阻涡流检测方法，所采用的检测装置包括一个矩形线圈、交流激励电压产生电路、四个相同的巨磁电阻传感器、信号调理电路、数据采集模块、分析计算模块，其中，交流激励电压产生电路的输出连接到矩形线圈；四个巨磁电阻传感器排列成一条直线固定在矩形线圈的底部；巨磁电阻的敏感轴方向平行于矩形线圈的导线，使得矩形线圈产生的一次磁场方向垂直于巨磁电阻的敏感轴方向；矩形线圈的内部放置一块永磁铁，用于对磁场进行偏置；四个巨磁电阻的输出分别连接信号调理电路的不同的通道，信号调理电路用于对巨磁电阻的输出信号进行滤波及放大；经过调理后的信号经过数据采集模块输入到分析计算模块，分析计算模块用于解调检测到的四路通道信号的实部数据，并根据实部数据检测是否存在焊接缺陷，该方法为：

（1）选择良好焊缝，含气孔焊缝以及未焊透焊缝三个类型下的多个焊接样本作为训练样本；

（2）测量每个训练样本在同一时刻下的四路输出信号，并提取输出信号的峰峰值，方差和斜率变化作为训练样本特征量；

（3）针对三种类型的训练样本分别建立三个神经网络模型，每个神经网络模型训练一个类型的样本数据，输入端为该类型样本的训练样本特征量，输出端为该类型样本的期望输出；

（4）在对待测样本的检测过程中，测量待测样本在同一时刻下的四路输出信号，并提取输出信号的峰峰值，方差和斜率变化作为待测样本特征量；

（5）结合建立好的神经网络模型，将待测样本特征量依次输入到三个神经网络模型，并比较三个神经网络的实际输出与期望输出之间的关系，三个神经网络模型中实际输出和期望输出之间的欧式距离最近的神经网络模型所对应的样本类型即为待测样本类型。

本发明在一个矩形线圈下部同时放置四个巨磁电阻传感器，同时检测焊缝两侧的磁场分布，以四个通道的信号的峰峰值、方差和斜率变化三个参数作为评价焊接质量的参数。通过三个参数的数值及焊缝缺陷的种类训练神经网络，用于对新被测焊缝的检验和分类。本发明的检测方法，响应速度快，实时性好，且测量过程简单，造价低，易于实施。

附图说明

图1、(a)焊缝电涡流检测装置探头示意图；

(b)焊缝电涡流检测装置探头截面示意图；

(c)焊缝电涡流检测装置探头侧面示意图；

图2、焊缝电涡流检测系统结构图；

图3、焊缝电涡流检测实现过程示意图；

图4、本发明所采用的BP神经网络模型结构图。

图中：

1、焊缝                2、激励线圈

3、激励电压产生电路    4、巨磁电阻传感器

5、巨磁电阻敏感轴方向  6、信号调理电路

7、数据采集模块        8、分析计算模块

9、永磁铁

具体实施方式：

下面结合附图和实施例对本发明做进一步说明。

参见图1和图2，检测装置包括一个矩形激励线圈2(本实施例矩形线圈的尺寸为长60mm，宽30mm，高25mm)、激励电压信号产生电路3、四个相同的巨磁电阻传感器芯片4(本实施例四个巨磁电阻芯片之间的距离为2mm)、信号调理电路6、数据采集模块7、分析计算模块8组成。激励电压产生电路3的输出连接矩形线圈2的导线；四个巨磁电阻传感器4(1)、4(2)、4(3)、4(4)位于同一条直线上，分别固定在矩形线圈2的底部；四个巨磁电阻的输出分别连接具有四个通道的信号调理电路6，信号调理电路6用于将巨磁电阻的输出信号进行滤波及放大；经过调理后的信号经过数据采集模块7输入到分析计算模块8。测量过程中，将焊缝放置于检测探头的巨磁电阻芯片4(2)和4(3)之间。

检测算法主要步骤如下：

（1）获取学习样本

对良好焊缝和不同种类缺陷焊缝进行编号。对采集的良好焊缝和不同缺陷焊缝的四输出通道数据（x₁，x₂，x₃，x₄），计算同一时刻下的四路信号相互之间的峰峰值、方差和斜率变化。根据不同类型的样本分别建立对应类型的学习样本，即每一类型的焊缝建立一个训练样本集。本实施例中，经过四个通道输出的四个巨磁电阻4(1)、4(2)、4(3)、4(4)的输出电压信号分别为x₁，x₂，x₃，x₄，在分析计算模块8中计算峰峰值

V_pp＝max(x₁,x₂,x₃,x₄)-min(x₁,x₂,x₃,x₄)     (1)

在分析计算模块8中计算信号x₁，x₂，x₃，x₄的方差为Var

$\mathrm{\μ}=E(x_1,x_2,x_3,x_4)=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i(n=4)---\left(2\right)$

Var(x₁,x₂,x₃,x₄)＝E[(x_i-μ)²]     (3)

在分析计算模块8中计算斜率变化kk

k₁＝(x₂-x₁)     (4)

k₂＝(x₄-x₃)     (5)

kk＝k₁k₂＝(x₂-x₁)(x₄-x₃)     (6)

以良好焊缝、含气孔及未焊透等不同种类缺陷焊缝的编号作为学习样本的输出（本实施例中良好焊缝的输出为Z＝[1 0 0]，气孔缺陷为Z＝[1 1 0]，未焊透缺陷为Z＝[0 0 1]）；同一时刻下的四路信号相互之间的峰峰值V_pp、方差Var和斜率变化kk，作为学习样本的输入。

（2）训练神经网络

在步骤（1）得到的学习样本的基础上，对各类型的学习样本，将良好焊缝样本，含气孔焊缝样本和未焊透焊缝样本的峰峰值V_pp、方差Var和斜率变化kk分别连接到神经网络1,2,3的三个输入端，每类样本所对应的缺陷类型的编码连接到神经网络的输出（输出为Z＝[Z₁ Z₂ Z₃]，良好焊缝的输出为Z＝[1 0 0]，气孔缺陷为Z＝[1 1 0]，未焊透缺陷为Z＝[0 0 1]），采用BP算法对不同类型样本对应的三层神经网络各节点参数进行优化，训练得到网络的各节点参数及网络权值，并集成一个神经网络组合模型如图3所示。

以根据良好焊缝样本训练神经网络1为例，建立如图4所示的神经网络结构，输入层节点为3个，即训练样本的三个特征量，输出层节点为3个，对应该类型样本的缺陷类型编号Z＝[Z₁ Z₂ Z₃]，选择隐含层节点个数为10。

神经网络训练的实质是根据前向网络的输出与期望输出之间的误差进行逆向学习，不断求取误差函数的最小值，最终使输出误差满足精度要求。对于神经网络1这个模型，选择良好样本的特征量数据作为输入，良好样本的编号Z＝[1 0 0]作为输出，对神经网络1进行训练，由于同一类型的样本数据具有内在的联系，特征量之间的相似度也很大，所以认为根据良好焊缝数据训练出来的神经网络模型1可以对训练集之外其他的良好焊缝样本进行有效的识别。对应于含气孔焊缝的神经网络2和对应于未焊透焊缝的神经网络3的训练过程同上。

（3）测试待测焊缝

测试待测焊缝的四通道输出数据（x₁，x₂，x₃，x₄），计算待测焊缝的峰峰值、方差和斜率变化。将待测焊缝的峰峰值V_pp、方差Var和斜率变化kk依次输入步骤（2）训练好的各类型的神经网络，获得各个神经网络的实际输出量，比较实际输出与期望输出（每类样本对应的缺陷类型编号）之间的关系。三个神经网络模型中实际输出和期望输出相似度最大（即实际输出特征量和期望输出特征量之间的欧式距离最近）的模型所对应的样本类型即为待测样本类型。

本实施例中选择135组样本数据作为训练样本，其中训练样本D₁包括45组良好焊缝样本的特征量（峰峰值，方差、斜率），训练样本D₂包括45组含气孔焊缝样本的特征量（峰峰值，方差、斜率），训练样本D₃包括45组未焊透焊缝样本的特征量（峰峰值，方差、斜率）。根据步骤（2）中所述方法，D₁作为神经网络1的输入，良好样本的编号Z＝[1 0 0]作为输出，对神经网络1进行训练；D₂作为神经网络2的输入，气孔缺陷的编号Z＝[1 1 0]作为输出，对神经网络2进行训练；D₃作为神经网络3的输入，未焊透缺陷的编号Z＝[0 0 1]作为输出，对神经网络3进行训练；选择三种类型样本各一组不属于训练集的数据作为待测样本，将每组数据分别输入到三个神经网络中，比较各个神经网络在该输入情况下的实际输出与各个神经网络期望输出的关系，测试情况如下表，

表1三组待测样本检测结果

从表中数据可以看出，对于第一个输入数据，神经网络1的实际输出与期望输出最接近，也就是说第一个输入数据的类型应该和神经网络1对应的样本类型相同，即良好焊缝；对于第二个输入数据，神经网络2的实际输出与期望输出最接近，也就是说第二个输入数据的类型应该和神经网络2对应的样本类型相同，即含气孔焊缝；对于第三个输入数据，神经网络3的实际输出与期望输出最接近，也就是说第三个输入数据的类型应该和神经网络3对应的样本类型相同，即未焊透焊缝。可以看出，该神经网络组合模型可以正确的识别待测样本所含的缺陷类型。

Claims (1)

1.一种基于BP神经网络的焊接缺陷巨磁电阻涡流检测方法，所采用的检测装置包括一个矩形线圈、交流激励电压产生电路、四个相同的巨磁电阻传感器、信号调理电路、数据采集模块、分析计算模块，其中，交流激励电压产生电路的输出连接到矩形线圈；四个巨磁电阻传感器排列成一条直线固定在矩形线圈的底部；巨磁电阻的敏感轴方向平行于矩形线圈的导线，使得矩形线圈产生的一次磁场方向垂直于巨磁电阻的敏感轴方向；矩形线圈的内部放置一块永磁铁，用于对磁场进行偏置；四个巨磁电阻的输出分别连接信号调理电路的不同的通道，信号调理电路用于对巨磁电阻的输出信号进行滤波及放大；经过调理后的信号经过数据采集模块输入到分析计算模块，分析计算模块用于解调检测到的四路通道信号的实部数据，并根据实部数据检测是否存在焊接缺陷，该方法为：

（1）选择良好焊缝，含气孔焊缝以及未焊透焊缝三个类型下的多个焊接样本作为训练样本；

（2）测量每个训练样本在同一时刻下的四路输出信号，并提取输出信号的峰峰值，方差和斜率变化作为训练样本特征量；

（3）针对三种类型的训练样本分别建立三个神经网络模型，每个神经网络模型训练一个类型的样本数据，输入端为该类型样本的训练样本特征量，输出端为该类型样本的期望输出；

（4）在对待测样本的检测过程中，测量待测样本在同一时刻下的四路输出信号，并提取输出信号的峰峰值，方差和斜率变化作为待测样本特征量；

（5）结合建立好的神经网络模型，将待测样本特征量依次输入到三个神经网络模型，并比较三个神经网络的实际输出与期望输出之间的关系，三个神经网络模型中实际输出和期望输出之间的欧式距离最近的神经网络模型所对应的样本类型即为待测样本类型。

Images