CN106841390A - 一种基于支持向量机的环焊缝超声相控阵自动聚焦方法 - Google Patents

Abstract

本发明公开了一种基于支持向量机的环焊缝超声相控阵自动聚焦方法。建立直角坐标系，将最小二乘支持向量回归机作为回归模型，高斯径向基核函数作为核函数，以规范化处理后的输入量和输出量进行训练，建立LSSVR初始函数的预测模型；再以k重交叉验证法计算的泛化误差作为目标函数，采用耦合模拟退火算法与网格搜索法相结合的优化方法，对LSSVR初始函数进行优化得到最优超参数，获得LSSVR优化模型，再对被测数据进行预测获得输出量，逆规范化处理得到对应分区最优的声束路径规划，根据费马定理反向求解获得延时量，施加超声信号对环焊缝缺陷进行聚焦检测。本发明实现智能化的环焊缝缺陷检测，有效提升检测精度和效率。

Description

一种基于支持向量机的环焊缝超声相控阵自动聚焦方法

技术领域

本发明属于工业超声无损检测技术领域，涉及一种基于支持向量机的环焊缝超声相控阵自动聚焦方法。

背景技术

焊接连接是管道工程中最重要而且应用最广泛的连接方式，尤其是环形焊接的方式。在国内外各种大型管道工程项目中，管道敷设工作绝大部分依靠环形焊接工艺来完成。但是，在采用焊接实现连接和铺设的管道中，焊接过程中不可避免会产生各种缺陷，管线在服役或超期服役过程中运行在高温、高压和腐蚀的环境下以及承受疲劳和冲击等恶劣工况条件下，将极大地加速焊缝缺陷的发展，引发管线使用性能的恶化失效，导致事故的发生。因此，环焊缝作为管道线路中最薄弱的环节，是决定管线建成后能否安全、可靠运行的关键因素。

管道的环焊缝焊接缺陷通常会根据焊缝坡口形式及焊接填充次数来实施分区检测。超声相控阵检测技术作为一种先进的超声无损检测技术，可以通过控制各阵元发射/接收信号的时间延迟，达到波束的聚焦、偏转等多种情况，在环焊缝焊接缺陷的检测上具有无可比拟的优势。而由于实际检测中，不同坡口角度、缺陷所在的分区以及楔块的装备位置都需要选择最合适的聚焦方式，才能精确高效的检测出环焊缝焊接缺陷，现有技术中缺少针对不同坡口角度、缺陷所在的分区以及楔块的装备位置进行合适聚焦并能精确高效的检测环焊缝焊接缺陷的方式。

发明内容

鉴于超声波相控阵检测过程中不同装配情况下对各坡口各分区的声束路径规划比较繁琐以及现有技术中的检测精度等其他方面的不足，本发明提供了一种基于支持向量机的环焊缝超声相控阵自动聚焦方法。本发明可以针对不同的楔块安装位置、环焊缝坡口分区及钢管厚度自动预测出声束路径，实现智能化的环焊缝缺陷检测，有效提升检测精度和效率。

如图1所示，本发明的技术问题通过以下的技术方案予以解决：

步骤一：楔块装配在管道上，楔块的楔面上设置相控阵探头，确定楔块的装配位置和管道厚度，将管道的环焊缝坡口进行分区，以内管壁方向为X轴、以环焊缝中心线方向为Y轴，建立直角坐标系；

步骤二：建立楔块的装配位置、管道厚度和检测的环焊缝坡口分区与对应分区的声束路径规划之间的预测模型：具体是将最小二乘支持向量回归机(LSSVR)作为支持向量机的回归模型，高斯径向基核函数作为LSSVR的核函数，将楔块的装配位置、管道厚度及检测的环焊缝坡口分区进行规范化处理后作为输入量，对应分区的声束路径规划进行规范化处理后作为输出量，以规范化处理后的输入量和输出量作为样本数据进行训练，得到LSSVR初始函数；

楔块的装配位置指的是楔块与环焊缝中心线的距离L，管道厚度指的是管道钢管厚度D，检测的环焊缝坡口分区指的是坡口分区号N，坡口分区的数量和相控探头聚焦的阵元数量相同。将通过实验采集获得的楔块与环焊缝中心线的距离L、钢管厚度D，坡口分区号N作为输入量，将对应坡口分区的声束路径规划作为输出量，输入到支持向量机中训练获得LSSVR初始函数。

步骤三：以k重交叉验证法所计算出的泛化误差作为目标函数，采用耦合模拟退火算法与网格搜索法相结合的优化方法，对LSSVR初始函数进行优化得到最优超参数，由最优超参数获得LSSVR优化模型；

步骤四：将楔块的装配位置、钢管厚度和需要检测的环焊缝坡口分区进行规范化处理后作为输入量，通过LSSVR优化模型预测获得相应的输出量，对输出量进行逆规范化处理，得到对应分区最优的声束路径规划；

步骤五：根据费马定理由声束路径规划根据管道几何关系计算得到相控阵探头上对应发射/接收阵元的绝对延时量，再计算对应发射/接收阵元的延时量，根据延时量控制相控阵探头发射与延时量对应的超声信号对环焊缝缺陷进行聚焦检测。

所述步骤一中，环焊缝坡口进行分区具体是在焊缝扫查区域沿坡口高度方向上划为若干层，每层的厚度为2～3mm。

所述步骤二中，最小二乘支持向量回归(Least Square SVR，LSSVR)采用等式约束条件，以误差变量ε_k描述各项训练误差，以平方损失函数作为函数回归的训练误差，其预测模型表示为：

其中，w为高维空间的权向量，w∈R^m，R^m表示m维的高维空间，m表示维数，C为惩罚因子，C>0，ε_k为误差变量，表示为把输入量x_k投影到高维空间R^m上的映射函数，B为LSSVR初始函数的偏置项，y_k表示预测模型的目标函数，T表示转置，k为输入量的序数，N为输入量的总数；

将预测模型求解得到LSSVR初始函数：

其中，α_k为Lagrange乘子向量，K(x_k,x_l)为核函数，k,l＝1,..,N，B为LSSVR初始函数的偏置项。

核函数的选择和使用对决策函数的优化起到决定性的作用，】核函数K(x_k,x_l)选择高斯径向基核函数，表示为：

其中，σ为核宽，x_k，x_l分别为两个不同的输入量，k,l＝1,..,N。

由于高斯径向基核函数只有核宽一个核参数，核参数优化过程效率高。同时，高斯径向基核函数还具有插值能力强、善于提取样本的局部性质的能力，只要核宽σ取值合理，训练样本在高维空间中几乎总能够被线性近似。

所述步骤三具体为：k重交叉验证法对泛化误差的估值非常有效，用所计算出的泛化误差作为其目标函数，采用耦合模拟退火算法与网格搜索算法相结合的优化方法，确保求解过程的全局收敛性与计算速度最优性。简要步骤如下所示：

(1)随机生成q组超参数[C_s,σ_s]，s＝1,2,…,q；

(2)以这q组超参数为初始值，将针对已知样本数据用k重交叉验证法所计算出的泛化误差作为优化目标函数，通过耦合模拟退火算法求出最优的一组超参数[C_m,σ_m]，使得泛化误差达到极小值或满足收敛条件；

(3)以超参数[C_m,σ_m]为网格中心，将针对已知样本数据用k重交叉验证法所计算出的泛化误差作为优化目标函数，通过网格搜索算法进一步优化求解出最优的超参数[C_ε,σ_ε]，作为最终超参数。

如图3所示，为LSSVR的决策变量优化流程图，根据该流程计算得到LSSVR的优化模型，用于对环焊缝各分区检测的超声相控阵聚焦方式预测。

所述步骤三中的LSSVR优化模型为：

其中，α_k为Lagrange乘子向量，K(x_k,x_l)为核函数，k,l＝1,..,N，B为LSSVR初始函数的偏置项。

本优化模型具有泛化能力，针对不同的楔块的装配位置、管道厚度及检测的环焊缝坡口分区，可以快速精确的预测出待检分区的声束路径规划。

LSSVR优化模型中，决策变量为Lagrange乘子向量α_k与偏移项B，而惩罚因子C及核参数σ对支持向量回归拟合效果及泛化性能起到了决定性作用，这两个参数也被称为超参数。因此LSSVR优化问题实际上是在最优超参数下的决策变量优化求解。本发明通过k重交叉验证法所计算出的泛化误差作为其目标函数，采用模拟退火算法与网格搜索算法相结合的优化方法，确保求解过程的全局收敛性与计算速度最优性。如图3所示，为LSSVR的决策变量优化流程图，根据该流程计算得到LSSVR的优化模型，用于对环焊缝各分区检测的超声相控阵聚焦方式预测。

由于样本的输入、输出量为不同种类的物理量，而且数据间的量级也存在差异，因此在建立LSSVR初始函数前，需要对样本数据进行相应的规范化处理。所述步骤二和步骤四中，针对楔块的装配位置、钢管厚度和检测的环焊缝坡口分区的三方面数据，均采用以下方式进行规范化处理：将采集数据分为非训练样本数据和训练样本数据两部分，再采用以下公式计算：

其中，z为非训练样本数据，为规范化前的训练样本数据，mean(*)与std(*)分别表示求均值和标准差，是规范化后的训练样本数据。

所述步骤四中输出量按如下公式进行逆规范化处理，获得对应分区最优的声束路径规划：

其中，z为非训练样本数据，为规范化前的训练样本数据，mean(*)与std(*)分别表示求均值和标准差，是规范化后的训练样本数据。

由对应分区最优的声束路径规划根据图2的装配及声学特性，利用几何关系可以计算得到聚焦发射的阵元序列和声束偏转角度。

针对不同的坡口分区，声束的路径规划根据探测倾斜角度划分主要有直接法、反射法和串接法。为了方便预测，实施例用编号M来对声束的路径规划进行编号，M＝1为直接法，M＝2为一次反射法，M＝3为二次反射法，M＝4为三次反射法，M＝5为串接法。

所述步骤五中用步骤四得到的聚焦发射的阵元序列以及声束偏转角度，根据费马定理计算得到每个阵元到坡口分区中心点的延时量，用所有阵元中最大延时量作为绝对延时基准量，减去各阵元延时所得的结果作为延时偏移量，即采用以下公式计算：

式中，为延时偏移量，为绝对延时量，为绝对延时基准量，i表示阵元的序数。

本发明通过支持向量机的应用，通过机器学习的方式，方便通过已有的检测数据，实现对不同位置的环焊缝缺陷实现最优的相控阵阵列时间延迟，让检测自动选择最优的聚焦方式，提升信噪比，实现对环焊缝缺陷的精确检测。

本发明的有益效果主要表现在：

(1)利用LSSVR建立楔块与环焊缝坡口中心距离、环焊缝坡口检测分区及钢管厚度与各分区最优声束路径的预测模型，可以针对不同的装配情况，钢管厚度及各坡口分区实现智能的环焊缝缺陷检测。

(2)利用耦合模拟退火算法及网格搜索法相结合的优化方法，可以快速高效的得到LSSVR优化模型，提升模型的泛化能力及精确度，智能化的适应各种不同的工况。

(3)通过对不同规格及类型的环焊缝各分区最优声束路径学习计算，实现环焊缝坡口各分区的智能最优声束路径规划，完成动态的聚焦检测，不需要像传统方法，稍有变化就需要重新计算，减少许多重复低效计算，提升全自动环焊缝检测的效率。

(4)基于支持向量基的特点，会随着检测样本的增加继续提高模型精度，从而提高检测精度。

附图说明

图1是本发明方法流程图。

图2是实施例的楔块几何参数和探头装配位置的示意图。

图3是对LSSVR初始函数优化获得LSSVR优化模型流程图。

图4是实施例时坡口各分区用LSSVR预测的声束路径规划结果误差示意图。

具体实施方式

以下结合附图对本发明作进一步说明。

本发明的实施例如下：

如图1所示，本发明利用利用支持向量机实现超声相控阵智能动态聚焦的操作流程可以分为以下几个步骤：

步骤一，楔块装配在管道上，楔块的楔面上设置相控阵探头。各参数如图2所示，根据仪器检测获得确定楔块与环焊缝中心线的距离为L，钢管厚度为D。并根据坡口形式及壁厚，焊缝扫查区域在坡口高度方向上划为若干层，每个分层的高度一般为2～3mm，坡口分区从下至上依次编号N(N＝1,2,3,…)，选取内管轴向为X轴，环焊缝中心线为Y轴，建立直角坐标系。这里选用D＝5.6mm，D＝8mm，D＝11mm三种厚度规格的管道，按照分区标准，分成3层、4层和5层，移动楔块的装配位置，使楔块与环焊缝中心线的距离为L＝26mm，L＝28mm，L＝30mm，L＝32mm，L＝34mm，L＝36mm，分别实验获得各分区的最优声束路径规划，将共计67个结果作为训练样本。

步骤二：建立楔块的装配位置、管道厚度和检测的环焊缝坡口分区与对应分区的声束路径规划之间的预测模型：具体是将最小二乘支持向量回归机(LSSVR)作为支持向量机的回归模型，高斯径向基核函数作为LSSVR的核函数，将楔块与环焊缝中心线的距离L、钢管厚度D和检测的环焊缝坡口分区号N进行规范化处理后作为输入量，对应分区的声束路径规划根据探测倾斜角度划分的类型编号进行规范化处理后作为输出量，以规范化处理后的输入量和输出量作为样本数据进行训练，得到LSSVR初始函数。为了方便预测，实施例用编号M来对声束的路径规划进行编号，M＝1为直接法，M＝2为一次反射法，M＝3为二次反射法，M＝4为三次反射法，M＝5为串接法。

具体实施是最小二乘支持向量回归(Least Square SVR，LSSVR)采用等式约束条件，以误差变量ε_k描述各项训练误差，以平方损失函数作为函数回归的训练误差，其预测模型表示为：

将预测模型求解得到LSSVR初始函数：

步骤三：以k重交叉验证法所计算出的泛化误差作为目标函数，采用模拟退火算法与网格搜索法相结合的优化方法，对LSSVR初始函数进行优化得到最优超参数，由最优超参数获得LSSVR优化模型，具体是如图3所示：

(1)随机生成q组超参数[C_s,σ_s]，s＝1,2,…,q；

(2)以这q组超参数为初始值，将泛化误差作为优化目标函数，通过耦合模拟退火算法求出一组较优超参数[C_m,σ_m]，使得泛化误差达到极小值或满足收敛条件；

(3)以[C_m,σ_m]为网格中心，仍将泛化误差作为优化目标函数，通过网格搜索算法进一步优化求解出最优超参数[C_ε,σ_ε]。

步骤三得到的LSSVR优化模型为：

用步骤一得到的实验样本训练完成后，超参数分别为：C＝1.5184×10¹²，σ＝239.6029。由该组超参数求得的Lagrange乘子向量α_i如下表所示，偏置向B＝575.9694。

表1 Lagrange乘子向量数值

i		i		i		i
								1		18		35		52	-1.41×108
2		19		36		53
								3		20		37		54
4		21		38		55
								5		22		39		56
6		23		40		57
								7		24		41		58
8		25		42		59
								9		26		43		60
10		27		44		61
								11		28		45		62
12		29		46		63
								13		30		47		64
14		31		48		65
								15		32		49		66
16		33		50		67
								17		34		51

步骤四：将楔块的装配位置、钢管厚度和需要检测的环焊缝坡口分区进行规范化处理后作为输入量，通过LSSVR优化模型预测获得相应的输出量，对输出量进行逆规范化处理，得到对应分区最优的声束路径规划。

具体实施是：将D＝11mm，L＝36mm，N＝1,2,3,4,5，规范后作为输入量，通过步骤三得到的LSSVR优化模型进行预测，预测得到的各分区声路路径分别为M＝1,2,2,2,3，即从下往上的声束路径规划方式分别为：直接法、一次反射法、一次反射法、一次反射法、二次反射法。将结果与实验数据比对，可以发现这种情况下用LSSVR优化模型预测得到的结果完全吻合实验数据。

步骤五：用步骤四得到对应分区最优的声束路径规划，根据图2的装配及声学特性，利用几何关系可以计算得到聚焦发射的阵元序列以及声束偏转角度，根据费马定理计算得到每个阵元到坡口分区中心点的延时量，用所有阵元中最大延时量作为绝对延时基准量，减去各阵元延时所得的结果，从而获得延时偏移量，即采用以下公式计算：

式中，为延时偏移量，为绝对延时量，为绝对延时基准量，i表示阵元的序数。

以D＝11mm，L＝36mm，N＝1为例,相控阵探头的激励阵元为16个,计算得到的各阵元延时量为: 单位为微秒。

根据上面计算的延时时间就能通过相控阵探头合成声束，实现对环焊缝缺陷的自动检测。

Claims (9)

1.一种基于支持向量机的环焊缝超声相控阵自动聚焦方法，其特征在该方法包括以下步骤：

步骤一：楔块装配在管道上，楔块的楔面上设置相控阵探头，确定楔块的装配位置和管道厚度，将管道的环焊缝坡口进行分区，以内管壁方向为X轴、以环焊缝中心线方向为Y轴，建立直角坐标系；

步骤二：建立楔块的装配位置、管道厚度和检测的环焊缝坡口分区与对应分区的声束路径规划之间的预测模型：具体是将最小二乘支持向量回归机(LSSVR)作为支持向量机的回归模型，高斯径向基核函数作为LSSVR的核函数，将楔块的装配位置、管道厚度及检测的环焊缝坡口分区进行规范化处理后作为输入量，对应分区的声束路径规划进行规范化处理后作为输出量，以规范化处理后的输入量和输出量作为样本数据进行训练，得到LSSVR初始函数；

步骤三：以k重交叉验证法所计算出的泛化误差作为目标函数，采用耦合模拟退火算法与网格搜索法相结合的优化方法，对LSSVR初始函数进行优化得到最优超参数，由最优超参数获得LSSVR优化模型；

步骤四：将楔块的装配位置、钢管厚度和需要检测的环焊缝坡口分区进行规范化处理后作为输入量，通过LSSVR优化模型预测获得相应的输出量，对输出量进行逆规范化处理，得到对应分区最优的声束路径规划；

步骤五：根据费马定理由声束路径规划根据管道几何关系计算得到相控阵探头上对应发射/接收阵元的绝对延时量，再计算对应发射/接收阵元的延时量，根据延时量控制相控阵探头发射对应的超声信号对环焊缝缺陷进行聚焦检测。

2.根据权利要求1所述的一种基于支持向量机的环焊缝超声相控阵自动聚焦方法，其特征在于：所述步骤一中，环焊缝坡口进行分区具体是在焊缝扫查区域沿坡口高度方向上划为若干层，每层的厚度为2～3mm。

3.根据权利要求1所述的一种基于支持向量机的环焊缝超声相控阵自动聚焦方法，其特征在于：所述步骤二中，最小二乘支持向量回归(Least Square SVR，LSSVR)采用等式约束条件，以误差变量ε_k描述各项训练误差，以平方损失函数作为函数回归的训练误差，其预测模型表示为：

$\begin{array}{cc}min& \frac{1}{2}{w}^{T}w+C\frac{1}{2}\underset{k=1}{\overset{N}{\Σ}}{\mathrm{\ϵ}}_k^2\end{array}$

其中，w为高维空间的权向量，w∈R^m，R^m表示m维的高维空间，m表示维数，C为惩罚因子，C>0，ε_k为误差变量，表示为把输入量x_k投影到高维空间R^m上的映射函数，B为LSSVR初始函数的偏置项，y_k表示预测模型的目标函数，T表示转置，k为输入量的序数，N为输入量的总数；

将预测模型求解得到LSSVR初始函数：

$y\left(x\right)=\underset{k=1}{\overset{N}{\Σ}}{\mathrm{\α}}_{k}K(x_k,x_l)+B$

其中，α_k为Lagrange乘子向量，K(x_k,x_l)为核函数，k,l＝1,..,N，B为LSSVR初始函数的偏置项；

核函数K(x_k,x_l)选择高斯径向基核函数，表示为：

$K(x_k,x_l)=\exp (-\frac{{\left|x_k-x_l\right|}^2}{{\mathrm{\σ}}^2}),\mathrm{\σ}\≠0$

其中，σ为核宽，x_k，x_l分别为两个不同的输入量，k,l＝1,..,N。

4.根据权利要求1所述的一种基于支持向量机的环焊缝超声相控阵自动聚焦方法，其特征在于：所述步骤三具体为：

(1)随机生成q组超参数[C_s,σ_s]，s＝1,2,…,q；

(2)以这q组超参数为初始值，将用k重交叉验证法所计算出的泛化误差作为优化目标函数，通过耦合模拟退火算法求出最优的一组超参数[C_m,σ_m]，使得泛化误差达到极小值或满足收敛条件；

(3)以超参数[C_m,σ_m]为网格中心，将用k重交叉验证法所计算出的泛化误差作为优化目标函数，通过网格搜索算法进一步优化求解出最优的超参数[C_ε,σ_ε]，作为最终超参数。

5.根据权利要求1所述的一种基于支持向量机的环焊缝超声相控阵自动聚焦方法，其特征在于：所述步骤三中的LSSVR优化模型为：

$y\left(x\right)=\underset{k=1}{\overset{N}{\Σ}}{\mathrm{\α}}_{k}K(x_k,x_l)+B$

其中，α_k为Lagrange乘子向量，K(x_k,x_l)为核函数，k,l＝1,..,N，B为LSSVR初始函数的偏置项。

6.根据权利要求1所述的一种基于支持向量机的环焊缝超声相控阵自动聚焦方法，其特征在于：所述步骤二和步骤四中，针对楔块的装配位置、钢管厚度和检测的环焊缝坡口分区的三方面数据，均采用以下方式进行规范化处理：将采集数据分为非训练样本数据和训练样本数据两部分，再采用以下公式计算：

$\hat{z}=(z-mean(\tilde{z}\left)\right)/std\left(\tilde{z}\right)$

其中，z为非训练样本数据，为规范化前的训练样本数据，mean(*)与std(*)分别表示求均值和标准差，是规范化后的训练样本数据。

7.根据权利要求1所述的一种基于支持向量机的环焊缝超声相控阵自动聚焦方法，其特征在于：所述步骤四中输出量按如下公式进行逆规范化处理，获得对应分区最优的声束路径规划：

$z=\hat{z}std\left(\tilde{z}\right)+mean\left(\tilde{z}\right)$

其中，z为非训练样本数据，为规范化前的训练样本数据，mean(*)与std(*)分别表示求均值和标准差，是规范化后的训练样本数据。

8.根据权利要求1所述的一种基于支持向量机的环焊缝超声相控阵自动聚焦方法，其特征在于：针对不同的坡口分区，声束的路径规划根据探测倾斜角度划分主要有直接法、反射法和串接法。

9.根据权利要求1所述的一种基于支持向量机的环焊缝超声相控阵自动聚焦方法，其特征在于：所述步骤五中用步骤四得到的聚焦发射的阵元序列以及声束偏转角度，根据费马定理计算得到每个阵元到坡口分区中心点的延时量，用所有阵元中最大延时量作为绝对延时基准量，减去各阵元延时所得的结果作为延时偏移量，即采用以下公式计算：

$t_i^o=max\left(t_i^a\right)-t_i^a$

式中，为延时偏移量，为绝对延时量，为绝对延时基准量，i表示阵元的序数。