基于GA-BP神经网络的微裂纹漏磁检测定量化评价

邱忠超,张卫民,果　艳,刘　金,成明明

(1.北京理工大学 机械与车辆学院, 北京100081;2.北京理工大学 宇航学院, 北京 100081)



基于GA-BP神经网络的微裂纹漏磁检测定量化评价

邱忠超1,张卫民1,果艳1,刘金2,成明明2

(1.北京理工大学 机械与车辆学院, 北京100081;2.北京理工大学 宇航学院, 北京 100081)

摘要：介绍了利用遗传算法优化BP神经网络，实现金属中微细裂纹漏磁检测定量化评价的基本原理。将遗传算法和人工神经网络有机结合，进行漏磁定量化检测，既提高了算法的全局搜索性，又良好地适应于非线性问题。试验结果表明，将该人工智能算法应用于工程实际，能有效实现基于漏磁检测信号的金属中微细裂纹定量化评价。

关键词：GA-BP神经网络;微裂纹;漏磁检测;定量化

金属中的微裂纹是指宽、深尺寸同时小于0.5 mm的裂纹。漏磁检测是基于金属漏磁效应发现裂纹的一种方法。研究发现，漏磁检测信号和金属裂纹几何参数之间有较明确的对应关系，故漏磁检测是一种可实现缺陷定量化评估的检测方法。

笔者在前期研制的模块组合漏磁传感器阵列的基础上[1]，利用遗传算法优化BP神经网络的方法，较好地实现了金属中微裂纹宽度、深度的定量识别。由于传感器设计的原因，漏磁检测切向分量最为灵敏，最有利于实现裂纹的定量化评估，故笔者采用漏磁检测切向分量及其特征对金属中微裂纹进行定量识别。

1神经网络算法

金属中的裂纹检测的定量化评估也称裂纹的反演，是根据漏磁检测信号推导出裂纹几何参数的方法[2]。裂纹的反演技术一般通过人工智能技术实现，这是因为,虽然漏磁信号和裂纹缺陷几何参数之间有明确的对应关系，但这种关系往往是非线性、非一一对应的关系，故不能直接利用漏磁检测信号及其特征去判别缺陷几何特征[3]。

人工智能算法中使用最多的是人工神经网络，在众多人工神经网络算法中，BP(Back Propagation，BP)推理过程严谨、算法收敛速度快，网络模型具有结构简单及易于处理分类问题等优点。BP神经网络一般包括输入层、隐含层和输出层，结构示意如图1所示，其神经元个数、学习速度等参数可灵活设定。一次完整的训练过程可分为初始化网络、计算隐含层输出、计算输出层输出、计算误差、更新权值和更新阈值几个步骤[4]。

图1　BP网络结构示意

传统BP 神经网络按照梯度下降的方式修正网络权值和阈值，容易陷入局部极值，因此需要与遗传算法结合，以搜寻到全局最优解[5]。

2遗传算法的应用

遗传算法于1975年由美国Michigan大学的John Holland教授首先提出，因其操作类似于自然界的优胜劣汰机制而得名[6]。遗传算法是模拟生物进化过程的一种寻优算法。其对问题的一定数量的可能解进行编码作为初始种群，按照遗传学方法进行选择、交叉和变异。即，对复杂问题建立合适的种群模型，从初始种群开始，进行选择，在此过程中，计算每个个体适应度，按照优胜劣汰原则，将比较优异的个体传给下一代或通过配对交叉，再遗传给下一代；在遗传过程中，可能发生变异，变异是某些个体的部分基因发生变动，与之前基因不一样了。总而言之，该算法完全模仿了生物进化过程中的遗传规律。

利用遗传算法优化神经网络，主要是利用遗传算法的搜索不依赖梯度信息的能力，只需求解函数在约束条件下的可行解，对目标函数的适用条件很低，无论目标函数是否具有连续线性皆可适用，且算法的全局性搜索强，易得到最优解。因此遗传算法与神经网络相结合，可以充分利用二者的优点，使新算法既有神经网络的学习能力和鲁棒性，又具有遗传算法的很强的全局搜索能力。笔者主要是利用遗传算法优化BP网络权值和阈值，经选择、交叉、变异操作后，得到BP神经网络最优权值和阈值[7]。

3基于GA-BP神经网络的微裂纹定量模型构建

漏磁信号切向分量的峰谷值(信号幅度)随矩形缺陷深度的增加而明显增加，呈很好的线性比例关系，且切向信号分量的波形宽度(信号宽度)与缺陷宽度也成近似的正比关系；另外,信号的波形面积、一阶微分峰谷值也能很好地描述缺陷的深度、宽度。基于上述原因,故选用信号切向分量的峰谷值、间距、波形面积、一阶微分峰谷值这4个对缺陷形状有决定性作用的特征量，来评价缺陷尺寸[8]。特征向量为模式识别网络的输入向量，一个特征向量对应一个输入节点，因此该网络输入层节点数为4；将缺陷的深度、宽度作为网络训练的输出向量，因此输出节点数为2。

使用遗传算法从全局寻找最优权值和阈值，优化BP神经网络。用遗传算法训练神经网络可采用二进制编码或实数编码。编码串由四部分组成：隐含层与输入层连接权值、输出层与隐含层连接权值、隐含层阈值、输出层阈值。具体操作的时候，将网络的权值和阈值按一定的顺序级联起来，形成一个实数数组，作为遗传算法的一个染色体。遗传操作在这样的染色体群中进行。根据文章的三层BP神经网络结构，编码的长度为32。在进化搜索后采用将均方误差MSE的倒数作为适应度函数，该适应度函数值最大时BP网络的权重和阈值得到优化。计算时，其根据每个个体适应度值的大小，由小到大排列，最小适应度值的个体对应的序号为1，最大适应度值的个体对应的序号为M；然后根据每个个体的相对适应度值，计算选择概率和当前群体中每个染色体的适应度值，找出当前最优适应度值的个体，反复迭代，直到满足条件为止；若达不到条件，则以指定的最大遗传代数为终止计算准则。经过遗传运算，就得到了BP神经网络误差最小的一组完整初始权值和阈值，整个网络模型的计算过程见图2。

图2　遗传算法优化BP 神经网络计算过程示意

4缺陷样本库的构建

为了实现磁场信号三维分量的同时测量，采用一个HMC1021传感器和一个HMC1022传感器组成的标准检测单元模块，传感器和磁场的位置关系如图3(a)所示。其中，HMC1021为单轴传感器，拾取z方向磁场分量；HMC1022为双轴传感器，拾取x、y方向磁场分量。将16个单元模块通过安装槽组装成一个4×4阵列结构，如图3(b)所示。由图3(a)可知，试验时即使将探头与待测试件接触，拾取z轴分量的HMC1021传感器与试件仍然有约2 mm的提离值，而导致难以有效采集微弱的漏磁信号，因此重点分析漏磁检测的切向分量及其特征。

图3　传感器和磁场的位置关系示意及三维阵列探头实物图片

采用电火花加工方法，在16MnR钢板上制作宽度、深度分别为0.10,0.15,0.20,0.25,0.30 mm，长度均为10 mm的微裂纹，一共预制了25个样本，上述几何尺寸的缺陷为人工方法能够可靠设置的最小裂纹。

漏磁检测试验数据是由AMR探头沿裂纹宽度方向以等空间间隔采集的，信号含有较多的背景噪声，在定量化分析之前，需要对信号预处理。检测信号预处理主要包括剔除信号奇异点，消除信号趋势项以及滤波消噪三部分。结果如图4所示，由图可知，信号预处理对噪声具有很强的抑制能力，不仅剔除了信号中的噪声，而且保留了原始信号中的细节。

图4　原始信号与预处理后信号的波形

对预处理后的信号提取四个特征值：信号波形的峰谷值Y，波形面积S，信号波形的能量Ew与一阶微分峰谷值Yd，所构建的缺陷样本库如表1所示。

5结果与讨论

以四个特征值作为网络的输入向量，将模型中缺陷的深度、宽度作为网络训练的目标向量。根据深度、宽度取不同数值，预制了25组试验样本，但从人工智能技术角度讲，上述样本量仍然偏少。为了获得足够数量的样本，采用数值拟合方法，补充了56组样本，最后获得的试验样本为81组。选取81组试验样本中的72组作为训练数据，对BP神经网络进行训练，使之收敛。表2是另外9组作为测试数据的识别结果。

由表2可知，预测结果的准确率均达到82%以上；其中，深度的预测结果误差较小，最大为10.51%；宽度的预测结果稍大，最大误差为17.3%。由此可知，该预测结果基本能够反映缺陷的尺寸，即GA-BP神经网络基本可以定量识别人工微裂纹缺陷。

表1　缺陷样本库的特征值数据

表2　其他9组试验数据的识别结果

6结论

通过漏磁检测试验构建微裂纹缺陷样本库，并将GA-BP神经网络应用到漏磁微裂纹缺陷的定量识别中，缺陷尺寸预测结果的准确率达到82%以上。数据表明：将遗传算法和人工神经网络有机结合，既提高了算法的全局搜索性，又对非线性问题保持了良好的适应性;该算法能够有效地定量识别人工微裂纹缺陷的尺寸，为裂纹发展阶段的早期定量识别评价技术提供了基础。

参考文献:

[1]杨秀江. 模块组合式三维电磁检测阵列传感器设计与研究[D]. 北京：北京理工大学，2014.

[2]王长龙，陈自立，马晓琳，等. 漏磁检测的缺陷可视化技术[M]. 北京：国防工业出版社，2014.

[3]刘斌，付英，于慧，等.基于GGA算法磁记忆检测模型的研究[J].仪器仪表学报，2014，35 (10)：2200-2207.

[4]桂延宁，焦李威，张福顺.基于小波和BP神经网络的无线电探测目标识别技术[J].电子学报，2003，31(12)：1811-1814.

[5]雷英杰，张善文.MATLAB遗传算法工具箱及应用[M].西安：西安电子科技大学出版社，2005.

[6]孙洁娣，温江涛，靳世久.基于改进BP网络的管道安全检测技术研究[J].仪器仪表学报，2006，27(6)：1647-1649.

[7]种向婷. 基于GA-BP 神经网络的结构损伤识别研究[D]. 北京：华北电力大学，2014.

[8]史金阳.管道漏磁检测缺陷识别方法的研究[D]. 沈阳：沈阳工业大学，2009.

Evaluation on Quantitative Recognition of Micro Cracks by Magnetic Leakage Test Based on GA-BP Neural Network

QIU Zhong-chao1, ZHANG Wei-min1, GUO Yan1, LIU Jin2, CHENG Ming-ming2

(1.School of Mechanical Engineering, Beijing Institute of Technology, Beijing 100081, China;

2.School of Aerospace Engineering,Beijing Institute of Technology, Beijing 100081, China)

Abstract：The basic principle of realizing quantitative evaluation of metal micro crack detection with using BP neural network optimized by genetic algorithm is introduced. Organic combination of genetic algorithm and artificial neural network not only improves global search performance, but also maintains good adaptability to nonlinear problems during magnetic flux leakage detection. Final experimental results show that the artificial intelligence algorithm applied in practical engineering can realize quantitative assessment of metal micro cracks based on magnetic leakage signals.

Key words:GA-BP neural network; Micro crack; Magnetic flux leakage detection; Quantitative identification

中图分类号：TG115.28

文献标志码：A

文章编号：1000-6656(2016)02-0001-04

DOI:10.11973/wsjc201602001

作者简介：邱忠超(1987-),男，博士研究生，主要研究方向为金属磁记忆、漏磁检测等电磁无损检测技术。

收稿日期：2015-07-13