CN106932493B - 一种基于遗传算法的超声传感器阵列参数的分析方法 - Google Patents
一种基于遗传算法的超声传感器阵列参数的分析方法 Download PDFInfo
- Publication number
- CN106932493B CN106932493B CN201710125693.0A CN201710125693A CN106932493B CN 106932493 B CN106932493 B CN 106932493B CN 201710125693 A CN201710125693 A CN 201710125693A CN 106932493 B CN106932493 B CN 106932493B
- Authority
- CN
- China
- Prior art keywords
- array
- genetic algorithm
- array element
- defect
- probability
- 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.)
- Expired - Fee Related
Links
- 230000002068 genetic effect Effects 0.000 title claims abstract description 37
- 238000004458 analytical method Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000007547 defect Effects 0.000 claims abstract description 27
- 238000003384 imaging method Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 239000000463 material Substances 0.000 claims abstract description 4
- 230000005284 excitation Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 210000000349 chromosome Anatomy 0.000 claims description 5
- 238000002604 ultrasonography Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 108090000623 proteins and genes Proteins 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 231100000219 mutagenic Toxicity 0.000 claims description 3
- 230000003505 mutagenic effect Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 238000011017 operating method Methods 0.000 claims description 2
- 230000001902 propagating effect Effects 0.000 claims description 2
- 229910002056 binary alloy Inorganic materials 0.000 claims 2
- 238000005086 pumping Methods 0.000 claims 1
- 238000009659 non-destructive testing Methods 0.000 abstract description 2
- 238000003466 welding Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000012804 iterative process Methods 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 2
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 238000005476 soldering Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
- G01N29/0654—Imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/11—Analysing solids by measuring attenuation of acoustic waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/22—Details, e.g. general constructional or apparatus details
- G01N29/221—Arrangements for directing or focusing the acoustical waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/01—Indexing codes associated with the measuring variable
- G01N2291/014—Resonance or resonant frequency
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/028—Material parameters
- G01N2291/0289—Internal structure, e.g. defects, grain size, texture
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/04—Wave modes and trajectories
- G01N2291/044—Internal reflections (echoes), e.g. on walls or defects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/10—Number of transducers
- G01N2291/106—Number of transducers one or more transducer arrays
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/26—Scanned objects
- G01N2291/267—Welds
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Acoustics & Sound (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Biology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于遗传算法的超声传感器阵列参数的分析方法，用于对GIS壳体焊缝内部缺陷进行检测，属于无损检测领域。该方法以全聚焦成像法则为目标函数，通过遗传算法对超声传感器阵列的中心频率和孔径尺寸进行优化。该方法的优势在于通过与优化算法相结合对超声传感器阵列参数进行优化，可以在全局范围内找出最佳的检测参数组合，克服以往根据经验来多次调整阵列参数，且未必得到最优的阵列参数下的检测结果。由于焊缝中缺陷要比各向同性材料中的缺陷检测难度大，通过该方法找到最优的检测参数，更有利于焊缝内缺陷的检出；因此，此方法具有很强的实用性，并可提高GIS壳体焊缝内部缺陷的检出率。
Description
技术领域
本发明是基于遗传算法的超声传感器阵列参数分析方法。该方法以全聚焦成像法则为目标函数，通过遗传算法对超声传感器阵列的中心频率和孔径尺寸进行优化，得到最优的中心频率和孔径尺寸，以此提高GIS壳体焊缝内部缺陷的检出率，属于无损检测领域。
背景技术
随着现在工业水平的迅猛发展，焊接技术已经被广泛应用于压力容器、船舶、航空航天、电力系统等工业领域中。目前焊接的工艺方法有很多种，主要包括熔焊、钎焊、压焊等焊接方式。焊缝在焊接过程中受焊接设备、焊接工艺、材料残余应力及材料尺寸等因素的影响，可能产生多种不同的焊接缺陷。另外，在长期的服役过程中可能经受高温、高压或腐蚀等环境的影响，在焊缝内部也会产生缺陷。焊缝内部常见的缺陷类型有裂纹、未融合、未焊透、气孔和夹渣等。焊缝缺陷严重影响焊缝质量，使其安全性和可靠性降低，易引发安全生产事故。因此，焊缝的安全问题是焊接领域中非常重要的问题。
近年来，超声相控阵技术以其灵活的声束聚焦和方向控制能力，使其在复杂构件缺陷检测领域(例如焊缝中)的应用日渐广泛。超声相控阵检测技术采用由多个阵元组成的阵列换能器，通过电子技术控制各阵元的超声激励接收延时，实现声束在试件内部的定向偏转及聚焦。目前，超声相控阵技术主要沿两个方向发展：一个方向是相控阵后处理技术，超声相控阵后处理成像技术是通过对采集到的全矩阵数据进行离线处理，进而获得高精度的成像效果，其中最常用的为全聚焦和矢量全聚焦等成像方法。另一研究方向是超声传感器阵列的参数的优化研究，通过全局优化算法如模拟退火算法、遗传算法等对传感器阵列的某些参数进行优化。本方法的特点是将当前相控阵技术的两个研究方向相结合，即将遗传算法和全聚焦成成像法则相结合，以超声阵列的中心频率和孔径尺寸为优化变量，全聚焦成像法则为目标函数，通过多次优化迭代，在计算精度达到要求时迭代运算停止；最终，得到超声传感器阵列的最优的中心频率和孔径尺寸。
遗传算法(GA)是60年代初期由美国学者Holland提出的它是模拟生物学的自然遗传和达尔文进化理论的随机优化算法，本质上是一种求解问题的高效并行的全局搜索方法，能在搜索中自动获取和积累有关搜索空间的知识，自适应地控制搜索过程，以求得最优解。每个个体表示空间中的一个解点，利用某种编码技术把个体称作染色体的数串，并模拟由这些数串组成群体的进化过程。GA从任一初始化群体出发，通过随机选择、交叉和变异等遗传操作，使群体一代代进化到搜索空间中越来越好的区域，直至最优解，其固有的并行性和不易陷入局部最优的特点，使之非常适合于大规模搜索空间的寻优。
全聚焦成像法则是一种最常用的虚拟聚焦技术，通过对全矩阵数据进行延时、加权合成等数据处理，模拟常规相控阵超声检测技术对试件内部某一特定点进行声束的偏转聚焦，并获得声束与内部缺陷相互作用后回波信号的幅值。研究结果表明，在一种称为“阵列换能器性能指示器(Array performance indicator，API)”的评价系数标准下TFM的成像质量远远优于常规相控阵超声成像方法。
发明内容
本发明的内容在于提出一种适用于焊缝内部缺陷检测的基于遗传算法和全聚焦成像法则的超声传感器阵列参数分析的方法。首先，确定超声传感器阵列的优化参量(中心频率和孔径尺寸)和目标函数(全聚焦成像法则)；然后，构建N个初始种群，确定复制、交叉和变异因子，设定迭代终止条件；当遗传算法不满足迭代终止条件时，根据遗传算法规则产生新的种群，当遗传算法满足终止条件时，则迭代截至，最后发现中心频率和孔及尺寸会收敛于它们的最优解，从而确定两者的最优组合。
假设一维线性传感器阵列的阵元个数为N，i表示激励阵元，j表示接收阵元。由激励阵元i激励的声束到达待测试件成像区域聚焦点坐标(x,z)处，然后由此聚焦点反射为接收阵元j所接收。
对于x-z平面内采用线阵相控阵超声换能器直接耦合试件的检测，如图1所示，假设在试件内部坐标为(x,z)处存在一点状缺陷，则全矩阵数据中由第i个阵元激发，第j个阵元接收得到的信号表示为
其中，D(xi,x,z,ω)和D(xj,x,z,ω)是分别表示激励阵元和接收阵元的指向性函数，E(xi,x,z,ω)和E(xj,x,z,ω)分别表示声波由激发阵元传播至缺陷以及由缺陷传播至接收阵元的幅值衰减量的频谱，A(ω)是接收信号的频谱，S(xi,xj,x,z,ω)是缺陷的散射系数。D(xi,x,z,ω)和E(xi,x,z,ω)分别表示为
式中a为阵元晶片的宽度，c为材料声速，k为超声波的波数，ri表示激励阵元到缺陷的距离，θi表示激励阵元到缺陷的连线与竖直方向的夹角。S(xi,xj,x,z,ω)表示缺陷的散射系数，由解析法获得。
全聚焦成像算法针对试件成像网格区域内的每一个离散坐标点采用阵列超声换能器上的所有阵元进行虚拟聚焦，在虚拟聚焦所得回波数据中选择与该坐标点相对应时间的回波幅值进行成像，其表达式如式(4)所示：
I(xi,xj,x,z,ω)＝|∑H(xi,xj,x,z,ω)exp(-jω(ri+rj)/c)| (4)
在使用超声检测焊缝内部缺陷时，由于焊缝内部的晶粒粗大，这使得超声在焊缝内部传播时衰减较大，由于激励信号频率越高，在介质中传播时的衰减越大，而当频率较小时则由于对缺陷的分辨率不够，而使得有些焊缝内部实际存在的缺陷得不到很好的检测效果；同时，孔径尺寸的选择对超声阵列的检测效果也有较大的影响作用。因此，有必要通过遗传算法选择出最佳的中心频率和孔径尺寸的组合参数。进而，在遗传算法当中选择激励信号的中心频率f和阵列的孔径尺寸NA作为遗传算法的输入变量。中心频率f的和孔径尺寸NA的取值范围分别为3—7MHz和0.6—19.1mm(1-32个阵元)。
用长度为10位的二进制编码串来表示中心频率f，用长度为5位的二进制编码串来表示孔径尺寸NA。
10位的二进制编码串可以表示从0到1023之间的1024个不同的数，故将f的定义域离散化1023个均等的区域，包括两个端点在内的共有1024个不同的离散点。从离散点3MHz到离散点7MHz，依次让它们分别对应于从00000,00000(0)到11111,11111(1023)之间的二进制编码。
5的二进制编码串可以表示从0到31之间的32个不同的数，分别对应0号阵元、1号阵元、…、32号阵元，
故将NA的定义域离散化16个均等的区域，包括两个端点在内的共有16个不同的离散点。从离散点0.5mm到离散点19.1mm，依次让它们分别对应于从00000(0)到11111(16)之间的二进制编码。
分别将来表示中心频率f的10位的二进制编码串和来表示孔径尺寸NA的5位的二进制编码串连接在一起，组成一个5位长的二进制编码，这样就构成了对目标函数编码的。
X:0000000000|01111的编码表示中心频率f和孔径尺寸NA分别为3MHz和9.5mm的组合。
解码时先将15位长的二进制编码切断为一个10位长的二进制的编码串和一个5位长的二进制编码串，然后分别将其转换成对应的十进制整数代码，分别用y1和y2表示。
依据前面所述的研究变量的研究方法对他们各自定义域的离散化方法可知，将代码y1和y2。
中心频率f的解码公式，单位MHz：
孔径尺寸NA的解码公式，单位mm：
将遗传法则的目标函数确定为全聚焦成像法则，如式(4)所示。
遗传算法所研究的目标函数如式(5)所示
F＝max(ITFM(e',f,NA)min) (5)
在每一组的(f,NA)组合当中，在多个全聚焦成像的多个值当中必然存在ITFM(e',f,NA)min。在确定种群时，种群中存在多组(f,NA)，经种群多组(f,NA)可以有多个ITFM(e',f,NA)min，选取其中最大的ITFM(e',f,NA)min作为目标函数。
F＝max(ITFM(e',f,NA)min)
遗传因子是用来确定当代种群和下一代种群的，它的设置主要基于生物学中的遗传和变异的学科，其中的基因存在选择、交叉和变异。
选择运算(或称为复制运算)把当前群体中适应度较高的个体按某种规则或模型遗传到下一代群体中。要求适应度高的个体将有更多的机会遗传到下一代群体中。
采用与适应度成正比的概率来确定各个个体复制到下一代群体中的数量。其具体操作过程是：
1)先计算出群体中所有个体的适应度的总和∑Fi；
2)其次计算出每一个体的相对适应度的大小Fi/∑Fi，它即为每一个体被遗传到下一代群体中的概率；
3)每个概率值对应一个区域，全部概率值之和为1；
4)最后再产生一个0到1之间的随机数，依据该随机数出现在上述哪一个概率区域内来确定各个体被选中的次数。
交叉运算是遗传算法中产生新个体的主要操作过程，它以某一概率相互交换某两个个体之间的部分染色体。采用单点交叉的方法，其具体操作过程是：
1)先对群体进行随机配对；
2)其次随机设置交叉点位置；
3)最后再相互交换配对染色体之间的部分基因。
交叉概率的取值范围一般取0.4～0.99，本例的交叉概率取0.6。
变异运算是对个体的某一个或某一些基因座上的基因值按某一较小的概率进行改变，它也是产生新个体的一种操作方法。采用基本位变异的方法来进行变异运算，其具体操作过程是：
1)首先确定出各个个体的基因变异位置，下表所示为随机产生的变异点位置，其中的数字表示变异点设置在该基因座处；
2)然后依照某一概率将变异点的原有基因值取反。
变异概率的值不应过大，它一般的取值范围为0.001～0.1，本例的取值为0.05。
附图说明
图1是全聚焦成像的原理图；
图2是全聚焦成像的结果图；
图3是遗传算法的流程图；
图4是目标函数的遗传算法迭代过程图；
图5是中心频率的遗传算法迭代过程图；
图6是孔径尺寸的遗传算法迭代过程图；
其中：i—激励阵元；j—接收阵元；a—阵元宽度；p—阵元间距；
具体实施步骤
如图3所示，基于遗传算法下的超声阵列优化方法的具体实施步骤如下：
1)确定超声阵列的优化变量——中心频率f和孔径尺寸NA，以及它们的取值范围(此处的它们的取值范围分别为3～7MHz和0.6～19.1mm)。
2)根据优化变量的取值范围，使用二进制编码对优化变量组合进行编码，并随机产生随机建立M个初始种群；
3)确定遗传算法的目标函数——全聚焦成像法则I；
4)确定交叉因子概括和变异因子概率的取值，产生出代表新的解集的种群；
5)对新的种群进行解码，得到对应的待优化变量的参数；
6)设定迭代终止条件，当遗传算法不满足终止条件式，则跳转到步骤(2)，否则，迭代终止，并寻找出最优的优化变量——中心频率f和孔径尺寸NA的最佳组合。
上述步骤中，换能器阵列数目N为32。
上述步骤中，超声阵列的遗传变量为中心频率f和孔径尺寸NA，目标函数为全聚焦成像法则I。
上述步骤只是本发明的一个典型实施例，本发明的实施不限于此。
Claims (3)
1.一种基于遗传算法的超声传感器阵列参数的分析方法，其特征在于：
首先，确定超声传感器阵列的优化参量即中心频率和孔径尺寸，目标函数即全聚焦成像法则；然后，构建N个初始种群，确定复制、交叉和变异因子，设定迭代终止条件；当遗传算法不满足迭代终止条件时，根据遗传算法规则产生新的种群，当遗传算法满足终止条件时，则迭代截至，最后发现中心频率和孔及尺寸会收敛于它们的最优解，从而确定两者的最优组合；
假设一维线性传感器阵列的阵元个数为N，i表示激励阵元，j表示接收阵元；由激励阵元i激励的声束到达待测试件成像区域聚焦点坐标(x,z)处，然后由此聚焦点反射为接收阵元j所接收；
对于x-z平面内采用线阵相控阵超声换能器直接耦合试件的检测，假设在试件内部坐标为(x,z)处存在一点状缺陷，则全矩阵数据中由第i个阵元激发，第j个阵元接收得到的信号表示为
其中，D(xi,x,z,ω)和D(xj,x,z,ω)是分别表示激励阵元和接收阵元的指向性函数，E(xi,x,z,ω)和E(xj,x,z,ω)分别表示声波由激发阵元传播至缺陷以及由缺陷传播至接收阵元的幅值衰减量的频谱，A(ω)是接收信号的频谱，S(xi,xj,x,z,ω)是缺陷的散射系数；D(xi,x,z,ω)和E(xi,x,z,ω)分别表示为
式中a为阵元晶片的宽度，c为材料声速，k为超声波的波数，ri表示激励阵元到缺陷的距离，θi表示激励阵元到缺陷的连线与竖直方向的夹角；S(xi,xj,x,z,ω)表示缺陷的散射系数，由解析法获得；
全聚焦成像算法针对试件成像网格区域内的每一个离散坐标点采用阵列超声换能器上的所有阵元进行虚拟聚焦，在虚拟聚焦所得回波数据中选择与该坐标点相对应时间的回波幅值进行成像，其表达式如式(4)所示：
I(xi,xj,x,z,ω)＝|∑H(xi,xj,x,z,ω)exp(-jω(ri+rj)/c)| (4)
在使用超声检测焊缝内部缺陷时，由于焊缝内部的晶粒粗大，这使得超声在焊缝内部传播时衰减较大，由于激励信号频率越高，在介质中传播时的衰减越大，而当频率较小时则由于对缺陷的分辨率不够，而使得有些焊缝内部实际存在的缺陷得不到很好的检测效果；同时，孔径尺寸的选择对超声阵列的检测效果也有较大的影响作用；因此，有必要通过遗传算法选择出最佳的中心频率和孔径尺寸的组合参数；进而，在遗传算法当中选择激励信号的中心频率f和阵列的孔径尺寸NA作为遗传算法的输入变量；中心频率f的和孔径尺寸NA的取值范围分别为3—7MHz和0.6—19.1mm。
2.根据权利要求1所述的一种基于遗传算法的超声传感器阵列参数的分析方法，其特征在于：用长度为10位的二进制编码串来表示中心频率f，用长度为5位的二进制编码串来表示孔径尺寸NA；
10位的二进制编码串表示从0到1023之间的1024个不同的数，故将f的定义域离散化1023个均等的区域，包括两个端点在内的共有1024个不同的离散点；从离散点3MHz到离散点7MHz，依次让它们分别对应于从00000,00000(0)到11111,11111(1023)之间的二进制编码；
5的二进制编码串表示从0到31之间的32个不同的数，分别对应0号阵元、1号阵元、…、32号阵元，
故将NA的定义域离散化16个均等的区域，包括两个端点在内的共有16个不同的离散点；从离散点0.5mm到离散点19.1mm，依次让它们分别对应于从00000(0)到11111(16)之间的二进制编码；
分别将来表示中心频率f的10位的二进制编码串和来表示孔径尺寸NA的5位的二进制编码串连接在一起，组成一个5位长的二进制编码，这样就构成了对目标函数编码的；
X:0000000000|01111的编码表示中心频率f和孔径尺寸NA分别为3MHz和9.5mm的组合；
解码时先将15位长的二进制编码切断为一个10位长的二进制的编码串和一个5位长的二进制编码串，然后分别将其转换成对应的十进制整数代码，分别用y1和y2表示。
3.根据权利要求1所述的一种基于遗传算法的超声传感器阵列参数的分析方法，其特征在于：
采用与适应度成正比的概率来确定各个个体复制到下一代群体中的数量；其具体操作过程是：
1)先计算出群体中所有个体的适应度的总和∑Fi；
2)其次计算出每一个体的相对适应度的大小Fi/∑Fi，它即为每一个体被遗传到下一代群体中的概率；
3)每个概率值对应一个区域，全部概率值之和为1；
4)最后再产生一个0到1之间的随机数，依据该随机数出现在哪一个概率区域内来确定各个体被选中的次数；
交叉运算是遗传算法中产生新个体的主要操作过程，它以某一概率相互交换某两个个体之间的部分染色体；采用单点交叉的方法，其具体操作过程是：
1)先对群体进行随机配对；
2)其次随机设置交叉点位置；
3)最后再相互交换配对染色体之间的部分基因；
交叉概率的取值范围0.4～0.99；
变异运算是对个体的某一个或某一些基因座上的基因值按某一较小的概率进行改变，它也是产生新个体的一种操作方法；采用基本位变异的方法来进行变异运算，其具体操作过程是：
1)首先确定出各个个体的基因变异位置，下表所示为随机产生的变异点位置，其中的数字表示变异点设置在该基因座处；
2)然后依照某一概率将变异点的原有基因值取反；
变异概率的值不应过大，取值范围为0.001～0.1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710125693.0A CN106932493B (zh) | 2017-03-05 | 2017-03-05 | 一种基于遗传算法的超声传感器阵列参数的分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710125693.0A CN106932493B (zh) | 2017-03-05 | 2017-03-05 | 一种基于遗传算法的超声传感器阵列参数的分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106932493A CN106932493A (zh) | 2017-07-07 |
| CN106932493B true CN106932493B (zh) | 2019-09-27 |
Family
ID=59423310
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710125693.0A Expired - Fee Related CN106932493B (zh) | 2017-03-05 | 2017-03-05 | 一种基于遗传算法的超声传感器阵列参数的分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106932493B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108562646A (zh) * | 2018-04-23 | 2018-09-21 | 国网浙江省电力有限公司电力科学研究院 | Gis电缆终端环氧套管超声相控阵检测装置及检测方法 |
| CN108830843B (zh) * | 2018-06-04 | 2021-08-27 | 长沙理工大学 | 基于阵元稀疏优化及新边缘指导插值的超声相控阵稀疏全聚焦成像方法 |
| CN109374189B (zh) * | 2018-09-13 | 2020-12-11 | 大连理工大学 | 多通道超声螺栓预紧力测试系统 |
| CN109883747A (zh) * | 2019-03-25 | 2019-06-14 | 国网宁夏电力有限公司电力科学研究院 | 基于声强云图的gis故障诊断方法 |
| CN111239263B (zh) * | 2020-01-19 | 2022-10-28 | 国网宁夏电力有限公司电力科学研究院 | 一种gis设备内部的异物缺陷的检测方法及系统 |
| CN113008363B (zh) * | 2021-03-16 | 2022-04-22 | 国网山东省电力公司东营供电公司 | 一种多谐振点传声器阵列及其布置方法 |
| CN114428118B (zh) * | 2022-01-11 | 2023-11-14 | 中国科学院声学研究所 | 一种双阵列超声成像检测方法及检测装置 |
| CN114487117B (zh) * | 2022-02-18 | 2023-08-04 | 浙江大学 | 一种超声相控阵全矩阵数据非递归高效成像方法 |
| CN116511754B (zh) * | 2023-07-04 | 2023-10-24 | 中国电子科技集团公司第二十八研究所 | 一种方舱大板骨架焊接路径规划方法 |
-
2017
- 2017-03-05 CN CN201710125693.0A patent/CN106932493B/zh not_active Expired - Fee Related
Non-Patent Citations (1)
| Title |
|---|
| 《基于遗传算法的超声稀疏阵列成像方法研究》;彭桃;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20150115(第01期);正文第19-40页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106932493A (zh) | 2017-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106932493B (zh) | 一种基于遗传算法的超声传感器阵列参数的分析方法 | |
| Thiene et al. | Optimal sensor placement for maximum area coverage (MAC) for damage localization in composite structures | |
| Williams et al. | Acoustic scattering from a solid aluminum cylinder in contact with a sand sediment: Measurements, modeling, and interpretation | |
| CN101701936B (zh) | 基于换能器阵列虚拟聚焦的板结构兰姆波无损检测方法 | |
| CN103929706B (zh) | 用于测量声源产生的直达声的装置及方法 | |
| Hassan et al. | State-of-the-art review on the acoustic emission source localization techniques | |
| CN103969337A (zh) | 一种基于矢量全聚焦成像的超声阵列裂纹类缺陷方向识别方法 | |
| CN110398744A (zh) | 一种基于声信号的海洋温跃层特征参数寻优反演方法 | |
| Emmetiere et al. | Passive source depth discrimination in deep-water | |
| Singh et al. | Deep learning based inversion of locally anisotropic weld properties from ultrasonic array data | |
| Hedgepeth et al. | The application of some acoustic methods for stock assessment for small-scale fisheries | |
| CN113887454A (zh) | 基于卷积神经网络点源识别的非接触激光超声检测方法 | |
| CN117665098A (zh) | 一种基于相控阵超声技术的装配式混凝土结构检测方法 | |
| CN117951988A (zh) | 一种弯张换能器优化设计方法及系统 | |
| CN105352859B (zh) | 一种用于检测流体在线多参数性状结构的方法 | |
| CN1995932A (zh) | 基于浮标系统的声速剖面反演方法 | |
| TANG et al. | Application of LVQ neural network combined with the genetic algorithm in acoustic seafloor classification | |
| Fernandez-Ramirez et al. | Chaotic search algorithm for detection of discontinuities using guided waves and beamforming data | |
| Shyu et al. | A software workbench for estimating the effects of cumulative sound exposure in marine mammals | |
| Mu et al. | Acoustic emission beamforming localisation approach based on particle swarm optimisation | |
| Garton et al. | UTSim: overview and application | |
| Patricio Rodrigues et al. | Development of a 2-D array ultrasonic transducer for 3-D imaging of objects immersed in water | |
| Wang et al. | A comparative study for shallow water match-field inversion using surrogate models | |
| Tweedie et al. | Aperiodic and deterministic 2D phased array structures for ultrasonic imaging | |
| Acciani et al. | Automatic evaluation of flaws in pipes by means of ultrasonic waveforms and neural networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190927 |