基于小波变换与RBF神经网络的焊缝缺陷智能化检测

魏明惠 武慧林 何思铭

摘  要：文章主要阐述了对船舶水下关键部位焊缝缺陷的一种智能化检测及识别方法。该方法基于小波变换与RBF神经网络理论。利用小波变换对回波信号进行预处理，提取出所需要的焊缝缺陷的特征信息。然后由RBF神经网络对特征信息进行学习训练，通过对神经网络输出值与焊缝缺陷类型输出代码进行比较后，最终得出焊缝缺陷类型的检测与识别结果。

关键词：小波变换;RBF神经网络;超声检测;缺陷识别

中图分类号：TP18          文献标志码：A       文章编号：2095-2945（2019）28-0035-02

Abstract： This paper mainly describes an intelligent detection and identification method for weld defects in key parts of ship underwater. This method is based on wavelet transform and RBF neural network theory. The wavelet transform is used to preprocess the echo signal， and the characteristic information of weld defects is extracted. Then the feature information is trained by RBF neural network， and the detection and recognition results of weld defect type are obtained by comparing the output value of neural network with the output code of weld defect type.

Keywords： wavelet transform; RBF neural network; ultrasonic testing; defect recognition

1 概述

由于材料性能及制造工艺等影响，焊缝缺陷常见于船舶制造。因此，对于船舶水下的关键部位进行焊缝缺陷检测显得很有必要。

国内外对于水下缺陷的无损检测方法有很多，例如水下射线检测、水下超声波探伤等。而超声检测凭借其灵敏度高、不对构件产生破坏等优点，在缺陷检测方面被国内外广泛采用。但是它的缺点也比较明显，受检测人员的影响程度较大，很难做出非常准确的检测。因此，目前传统的人工超声检测技术存在检测精度与效率不高等诸多问题。

国内外对于智能化超声检测的研究取得了一些成果。本文主要讨论的是在信号与数据采集后的处理问题。采集回的大量信号与数据不可能依靠检测人员去一一分析，检测结果同时也受检测人员个人影响，误差较大。因此，针对这一问题，国内外很多学者引入神经网络理论，以提高超声检测缺陷的识别率。同时将神经网络与其他方法相结合，如小波变换、混沌、证据理论等[1]，在缺陷检测方面开辟了新的途径，取得了很好的实际效果。

本文介绍了一种基于小波变换与RBF神经网络的对船舶水下关键部位焊缝缺陷进行智能化检测与识别的方法。首先，利用小波变换对回波信号进行预处理，提取出所需要的焊缝缺陷的特征信息。再经过RBF神经网络对特征信息进行学习训练，然后得出焊缝缺陷类型的检测与识别结果。

2 缺陷识别模型

本文构建的焊缝缺陷识别模型如图1所示。

该模型包括两个方面：（1）小波变换：对回波信号进行预处理，提取出焊缝缺陷的特征信息;（2）RBF神经网络：对处理得到的特征信息进行学习训练，得到焊缝缺陷识别结果。

3 小波变换

小波分析主要研究函数的表示。相比于Fourier，小波变换是一种时域与频域的局部变换，故能从信号中提取出所需信息。

4 RBF神经网络

神经网络对外来信号有很强的辨识能力。因此，在模式识别与智能检测领域应用十分廣泛。本文就是利用了它的这一巨大优势。目前，神经网络模型不下数十种。其中之一就是RBF神经网络，它特别适合解决智能检测等问题。故本文所述采用的就是RBF神经网络模型。

4.1 RBF神经网络的结构

本文建立了一个如图2所示三层的RBF神经网络。第一层为输入层：本文中输入特征信号;第二层为隐含层：可根据需要由自己定义;第三层为输出层：输出决策值。本模型有N个输入点，M个隐单元，L个输出点。X=[x1，x2，…，xN]为输入矩阵;φi（X），（i=1，2，…，M）为隐含层激活函数;W为输出权矩阵，其中wik（i=1，2，…，M;k=1，2，…，L）为权值;T=[T1，T2，…，TL]为输出层阈值矩阵;Y=[y1，y2，…，yL]为输出矩阵。

4.2 RBF神经网络的基本思想

用RBF函数作为隐含层的“基”。而输入层与隐含层之间的权值看成是1。这样，将低维空间的模式变换到高维空间的模式。由于隐含层输出到输出层是线性的，因此这里的权值可根据我们需要来调整[1]。

4.3 RBF神经网络的学习算法

根据xp与ci（k）之间的距离将xp划分到相似的集合中，从而将样本划分为h个子集：U1（k），U2（k），…，Uh（k），每个子集构成一个聚类域。

（3）重新计算聚类中心。

对每个样本取均值，得到新的聚类中心ci，如果新的聚类中心恒定，则所求取的ci即为RBF神经网络最终的聚类中心，否则重新计算。

（4）求解高斯函数的方差。

（5）利用最小二乘法计算权值。

根据本文建立的模型，通过MATLAB编程对模型进行检验，若期望值为E=[e1，e2，…，ej]，在MATLAB中不断循环计算后，满足输出要求后输出。E为焊缝缺陷类型的输出代码。本文中夹渣用[1，0，0，0，0]表示，凹坑用[0，1，0，0，0]表示，气孔用[0，0，1，0，0]表示，裂纹用[0，0，0，1，0]表示，无缺陷用[0，0，0，0，1]表示[3]。

5 结束语

本文提出的基于小波变换与RBF神经网络技术的船舶水下关键部位的焊缝缺陷智能检测与识别的方法，可以通过RBF神经网络自主学习并判别焊缝缺陷类型。相比于传统的人工检测方法，提高了检测的效率与准确度。当然，该方法的检测识别并不能完全消除误检率，有待进一步的研究与改进。

参考文献：

[1]刘冰，郭海霞.MATLAB神经网络超级学习手册[M].北京：人民邮电出版社，2014，5.

[2]姜爱萍.混沌时间序列的小波神经网络预测方法及其优化研究[M].上海：上海大学出版社，2014，1.

[3]孟雅俊，黄士涛，胡全义.基于小波包变换的径向基神经网络在故障诊断中的应用[J].噪声与振动控制，2006（06）：36-39.