基于小波和神经网络的焊接缺陷识别方法

李 力 姜 恺 曾德学

（三峡大学水电机械设备设计与维护湖北省重点实验室，湖北宜昌 443002）

现代工艺中，钢结构运用了大量焊接工艺，焊缝缺陷的存在对于整个结构的安全有很大影响，为了保证焊接结构的质量，必须对钢结构焊缝进行无损检测.目前焊缝检测中，超声检测依旧占有很大比重.然而，超声检测中对缺陷定位分析技术已比较成熟，而对于缺陷类型，如裂纹、气孔和未焊透等的定性分析一直没有得到很好的解决［1］.固在焊接缺陷超声检测中，对缺陷进行定性分析是超声无损检测与评价的关键内容，也是超声检测研究领域的热点和难点.

针对不同类型缺陷的超声回波提取其中各自的特征信息是定性分析的关键，小波包变换是一种多分辨率分析方法，适用于瞬态信号的分析处理，是对超声信号特征提取的一个有效方法［2－3］.因此，本文首先采用小波包变换提取超声回波信号各个频段内的能量特征组成特征向量，然后将其作为BP神经网络的输入进行分类识别.结果表明，基于小波包变换和BP神经网络的焊接缺陷定性方法是有效的.

1 基于小波包的特征向量提取

超声信号是一种典型的非平稳信号，不同类型缺陷回波信号内各频带的能量分布也是不同的，因此可利用小波包变换将超声回波信号进行分解，把不同频带内的能量作为特征向量.由Parseval［4］恒等式，有

由式（1）可知，小波变换系数Cj，k是具有能量的量纲，可用于能量分析.利用小波包变换实现信号能量特征提取的步骤如下［5－6］：

1）信号分解.对回波信号进行去噪、截取处理，选择db10小波进行4层小波包分解，将信号分解成16个子带.再对16个子带的小波包分解系数进行重构，得到各频带范围内的信号.

2）求各频带信号能量.设各频带信号S4j（j＝0，1，…，15）对应的能量为E4j（j＝0，1，…，15），则有

其中，xjk（j＝0，1，…，15；k＝1，2，…，n）表示重构信号S4j的离散点的幅值.

3）求特征向量.采用各特征频带的能量作为特征向量，并归一化.信号总能量为

归一化求各频带能量组成的特征向量T为

2 BP神经网络

2.1 BP网络的结构

本文采用BP神经网络进行分类识别.BP神经网络是一种多层前馈神经网络，它由输入层、输出层和隐含层构成［7］.图1为一个典型的3层BP网络的拓扑结构，层与层之间采用全互连方式，同一层之间不存在相互连接，隐层可以有一层或多层.该网络的主要特点是信号前向传递，误差反向传播.在前向传递中，输入信号从输入层经隐含层逐层处理，直至输出层.每一层的神经元状态只影响下一层神经元状态.如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出［8］.

图1 BP神经网络结构

2.2 BP网络的学习

在确定了BP网络的结构后，要通过输入和输出样本集对网络的阈值和权值进行学习和修正，以使网络实现给定的输入输出映射关系［9］.BP网络的学习过程分为2个阶段：

1）正向传播过程.从训练样本集中取一个样本，作为输入向量送入网络，通过设置的网络结构和前一次迭代的权值和阈值，从网络的第一层向后计算各神经元的输出.把得到的输出样本与期望的输出比较，如有误差超出限定范围，则执行下一过程，否则循环本过程，输入下一个样本；

2）反向传播过程.从输出层反向计算到第一隐层，修正各神经元的连接权值，使误差减小到满足要求.

3 应用分析

3.1 信号采集

试验中准备3种常见缺陷（气孔、裂纹、未焊透）钢板试样，使用BSN60数字式超声波探伤仪、2.5 MHz斜探头、CSK－IIIA试块和探伤软件组成超声检测系统，耦合剂选为机油，设定初始声速值为3 230 m／s.信号采集系统如图2所示.

图2 超声信号采集系统

采集3种不同钢结构焊缝缺陷试样的超声回波信号样本，每类均采集20个样本，每个样本即为一个超声波回波信号，共计60个样本.3种焊接缺陷的典型超声回波信号波形图如图3所示.从图3可看出，不同类型焊接缺陷的超声回波信号波形特征不是很明显，因此，需对信号进一步处理，提取其特征信息.

图3 3种焊接缺陷的超声回波信号

3.2 特征提取

只有缺陷处的回波才能反映缺陷的类型，因此对样本进行截取，截取第51到215个采样点的数据.截取后利用小波包变换进行能量特征向量提取，首先选用db10小波对样本进行4层小波包分解，提取第4层16个频段（［4，0］，［4，1］，…，［4，15］）的小波包系数，然后根据式（2）计算每个频段的能量，最后利用式（3）和式（4）求出归一化能量.这样就得到了包含3种缺陷、60个样本的实验数据特征向量集，每个特征向量由16个特征组成.

图4所示是超声回波信号经小波包分解后提取出的特征能量谱直方图.从中看出，不同性质的缺陷回波信号经小波包分解后，其能量在各频带上的分布差别明显，这样可将其看作不同类型焊接缺陷的特征值，作为缺陷分类的依据.

图4 3种焊接缺陷各节点平均能量柱状图

3.3 缺陷识别

将上述得到的焊接缺陷实验数据集分为训练样本集和测试样本集，各包括30个样本.然后利用BP网络对其分类测试.过程如下：

1）BP神经网络参数设定.隐含层单元数的确定可参考式（5）［10］：

式中，f为隐含层单元数，n为输人单元数，k为输出单元数，a为［1，10］之间的常数.经计算，本试验隐含层单元数选为5.设定网络输出函数为tansig，训练函数为trainlm.将训练样本集作为输入神经元，输出神经元见表1，训练BP神经网络.

表1 BP网络的期望输出

图5为BP网络训练误差图.从图5可以看到，迭代52次之后训练误差数量级为10－11，说明BP网络在焊接缺陷定性试验中诊断性能较好，预测精度较高.

将30个测试样本输入到训练好的BP神经网络中，得到的结果见表2.限于篇幅，每类缺陷只列出了5组数据.

图5 BP网络训练误差图

表2 缺陷分类结果（部分）

经统计得，测试样本集所对应的分类结果中，30个样本判错了4个，分类准确率为86.7%，分类结果十分有效.

4 结 论

本文针对钢结构焊缝缺陷进行了定性研究.首先介绍了基于Matlab软件的小波包能量特征值提取方法，然后将得到的特征向量输入到BP神经网络中进行焊缝缺陷的定性，得到以下结论：

1）基于小波包变换和BP神经网络的钢结构焊缝缺陷定性准确率达到了86.7%，该方法是十分有效的.

2）小波包特别适用类似于超声这种瞬态信号分析处理的特点，小波包能量分解是一种有效的超声回波信号特征提取方法，信号在各频带上的能量构成可以很好地表征焊缝缺陷的类别.

3）将BP神经网络应用于超声回波识别，能较好地解决缺陷回波的模式识别问题.

［1］ 杜秀丽，沈 毅，王 艳，等.基于时频判别特征的焊缝超声检测缺陷分类［J］.焊接学报，2008，29（2）：89－92.

［2］ Kyungmi Lee.Feature Extraction Schemes for Ultrasonic Non－destructive Testing Inspections［J］.Advances in Information Sciences and Service Sciences，2011，3（3）：125－135.

［3］ Kyungmi Lee.Feature Extraction and Gating Techniques for Ultrasonic Shaft Signal Classification［J］.Applied Soft Computing，2007（7）：156－165.

［4］ 鲍泽富，徐李甲.基于小波包变换与神经网络的齿轮故障诊断方法［J］.机械研究与应用，2010（1）：21－24.

［5］ 陈 渊.基于小波包和概率神经网络的焊接缺陷识别［J］.仪表技术与传感器，2010（8）：89－92.

［6］ Yi Dun.A Novel Method for Feature Extraction of Multi－layered Structure Ultrasonic Echo Signals［C］.The Ninth International Conference on Electronic Measurement ＆Instruments，2009：1055－1059.

［7］ 李 萍，倪 军，李喜孟，等.神经网络在20钢时效组织状态无损识别中的应用［J］.机械工程材料，2006，30（12）：33－39.

［8］ 胡耀波，李 鹏，熊帏皓.BP神经网络的实现及应用［J］.机械工程材料，2002，26（6）：16－18.

［9］ 周开利，康耀红.神经网络模型及其MATLAB仿真程序设计［M］.北京：清华大学，2005.

［10］沈花玉，王兆霞，高成耀，等.BP神经网络隐含层单元数的确定［J］.天津理工大学学报，2008，24（5）：13－15.