[发明专利]超声相控阵检测油气管道环焊缝缺陷类型自动识别方法

摘要

本发明公开了一种超声相控阵检测油气管道环焊缝缺陷类型自动识别方法，特别是涉及一种支持向量机的超声相控阵检测油气管道环焊缝缺陷类型自动识别方法，属于管道环焊缝缺陷类型的识别技术。所述的识别方法包括支持向量机模型的建立和环焊缝中未知缺陷类型的自动识别两部分。其中支持向量机模型的建立包括以下步骤：人工缺陷信号的提取、提升小波分解、特征提取、特征优化及支持向量机模型的训练；环焊缝中未知缺陷类型的识别包括以下步骤：缺陷信号的提取、优化特征的计算和基于支持向量机的自动识别。本发明将提升小波变换与分形技术相结合，具有识别的准确率高、速度快的优点，能实现缺陷类型的自动识别。

主权项

1.一种超声相控阵检测油气管道环焊缝缺陷类型自动识别方法，该方法所采用的超声相控阵探伤仪其结构包括相控阵探头、爬行器械、下位机、上位机，其中相控阵探头主要负责向被测物体内发射超声波、接收来自缺陷的超声信号并转换成电压模拟信号；爬行器械是系统的动力机械部分，携带相控阵探头沿管壁移动；下位机接收上位机发射控制参数并控制相控阵探头发射超声波，同时将来自于相控阵探头各通道的模拟电压信号进行数字化处理和信号合成；上位机通过与下位机通信，显示合成信号、进行缺陷类型的识别；另外采用人机交互界面，接受键盘输入命令和系统参数，生成检测方案传送给下位机；其中所述油气管道环焊缝的缺陷类型包括未焊透、未熔合、纵向裂纹和气孔；为了识别上述四类缺陷，用人工缺陷方槽、平底孔、通孔和圆孔分别模拟环焊缝中的未焊透、未熔合、纵向裂纹和气孔；自动识别油气管道环焊缝缺陷类型的方法，其特征在于包括以下过程：(一)支持向量机模型的建立：1)将超声相控阵探伤仪下位机采集的四类人工缺陷信号中的每一个缺陷信号定义为：f(t)＝{x₀，x₁，...，x_M-1}，其中M为缺陷信号长度；对每一个缺陷信号均采用下述步骤2)和步骤3)的信号处理方法；2)利用提升小波变换对缺陷信号f(t)进行多层提升小波分解，设置小波分解层数R，其步骤如下：(1)选择有限紧支集、光滑正交且数据冗余最小的db4小波基作为提升小波变换时使用的小波基，其滤波器组的表达式为：$H_0\left(z\right)=h_0\left(0\right)+\underset{i=1}{\overset{7}{\mathrm{\Σ}}}{h}_0\left(i\right)z^{-i}$式1其中，滤波器组的系数为：h₀(0)＝0.2304，h₀(1)＝0.7148，h₀(2)＝0.6309，h₀(3)＝-0.2798，h₀(4)＝-0.1870，h₀(5)＝0.0308，h₀(6)＝0.3288，h₀(7)＝-0.0160(2)根据式1，将db4小波基用多相矩阵P(z)表示，并用欧几里德算法分解多相矩阵P(z)，任何由有限长度的滤波器构成的小波变换都能分解成一系列提升步骤：$P\left(z\right)=\left(\begin{array}{cc}K& 0\\ 0& 1/K\end{array}\right)\underset{i=1}{\overset{m}{\mathrm{\Π}}}\left\{\left(\begin{array}{cc}1& u_i\left(z\right)\\ 0& 1\end{array}\right)\left(\begin{array}{cc}1& 0\\ p_i\left(z\right)& 1\end{array}\right)\right\}$式2依据互补滤波器的定义：$P\left(z\right)\tilde{P}{\left(z^{-1}\right)}^t=I$式3可求得其对偶矩阵$\tilde{P}{\left(z^{-1}\right)}^t=\left(\begin{array}{cc}1/K& 0\\ 0& K\end{array}\right)\underset{i=1}{\overset{m}{\mathrm{\Π}}}\left\{\left(\begin{array}{cc}1& 0\\ -p_i\left(z\right)& 1\end{array}\right)\left(\begin{array}{cc}1& -u_i\left(z\right)\\ 0& 1\end{array}\right)\right\}$式4这样，就得到了提升参数：K、$p_i=\underset{k}{\mathrm{\Σ}}{p}_k^i{z}^{-k},$$u_i=\underset{k}{\mathrm{\Σ}}{u}_k^i{z}^{-k}$和m；(3)对缺陷信号f(t)进行奇偶分割，形成奇序列d_l⁰与偶序列s_l⁰：$s_l^0=x_{2l};$$d_l^0=x_{2l+1},$l＝0，1，...，(M/2-1)    式5(4)基于式2和式4，对s_l⁰和d_l⁰进行m次提升和对偶提升，经过比例变换后，得到低频信号s_l^m和高频信号d_l^m，实现一级小波变换：$s_l^i=s_l^{i-1}-\underset{k}{\mathrm{\Σ}}{u}_k^i{d}_{l-k}^{i-1};$$d_l^i=d_l^{i-1}-\underset{k}{\mathrm{\Σ}}{p}_k^i{s}_{l-k}^{i-1};$$s_l=s_l^m/K;$$d_l=K{d}_l^m$式6(5)对取得的s_l^m重复步骤(4)，直到完成l＝R的计算；此时，完成了缺陷信号f(t)的提升小波分解，得到各尺度低频信号s₁～s_m及各尺度高频信号d₁～d_m，其中s_m和d_m分别表示被分解缺陷信号的最高尺度的低频信号和高频信号；3)基于s₁～s_m、d₁～d_m及f(t)，提取一个缺陷信号的各种特征：(1)提取f(t)的常规特征：形状系数特征：$\mathrm{SCoeff}=\frac{L^2}{S}$式7式中，L为缺陷信号f(t)的包络线长度，S为包络线所包围的面积；(2)提取s_m及f(t)的常规特征：a.均方根特征：$\mathrm{\ψ}=[\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i^2{]}^{\frac{1}{2}}$式8b.标准差特征：$\mathrm{\σ}=[\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2{]}^{\frac{1}{2}}$式9c.偏斜度特征：$\mathrm{skew}=\frac{E{(x_i-\stackrel{\‾}{x})}^3}{{\mathrm{\σ}}^3}$式10e.峭度特征：$\mathrm{Kurt}\left(x\right)=\frac{{E(x_i-\stackrel{\‾}{x})}^4}{{\mathrm{\σ}}^4}$式11式中，x_i为s_m或f(t)的离散点的幅值，n为s_m或f(t)的离散点的个数；(3)提取s₁～s_m、d₁～d_m的能量特征E_lj(j＝0，1，......，2^l-1)：$E_{\mathrm{lj}}=\underset{k=1}{\mathrm{\Σ}}|x_{\mathrm{jk}}{|}^2,$其中，x_jk表示各频带内信号离散点的幅值；将特征进行归一化处理，即：$E_n=E_{\mathrm{lj}}/\underset{j=0}{\overset{2^l-1}{\mathrm{\Σ}}}{E}_{\mathrm{lj}};$(4)提取分形特征：a. 设油气管道环焊缝缺陷信号经提升小波分解后，最高尺度上的低频信号为s_m，在XOY平面内的图形为F；采用网格法确定s_m的无标度区间：在平面内作长度为δ的方格网，则F与方格网相交的方格数N_δ是图形F在标度δ下的盒子数，表明缺陷波形在标度δ下的不规则性或复杂性；对现实的不规则分形而言，如果在一个标度范围(δ₁，δ₂)内，N_δ与δ的双对数曲线log₂N_δ～log₂δ保持大约恒定的斜率，也就是信号保持自相似性，则(δ₁，δ₂)为无标度区；b.采用盒维数作为分形维数，即分形特征；盒维数定义为：${\mathrm{Dim}}_{B}F=\underset{\mathrm{\δ}\→0}{\lim }(-\frac{{\log }_2{N}_{\mathrm{\δ}}}{{\log }_2\mathrm{\δ}})$式12由式12可知，盒维数实际上就是在无标度区间内，当δ→0时，N_δ增加的对数速率，可以由函数log₂N_δ相对于log₂δ的斜率值来估计，负号表示双对数图像是下降的；采用最小二乘法将无标度区间内的散点拟合成直线，求出s_m的盒维数，即分形特征F_n；(5)将所有特征联合，得到一个组合特征L_n：$L_n=[\mathrm{SCoeff},E_n,F_n,K{\mathrm{urt}}_{s_i},K{\mathrm{urt}}_{d_i},\mathrm{ske}{w}_{s_i},s{\mathrm{kew}}_{d_i},{\mathrm{\σ}}_f,{\mathrm{\σ}}_{s_m},{\mathrm{\ψ}}_f,{\mathrm{\ψ}}_{s_m}]$式13式中，SCoeff为形状系数特征，E_n为能量特征，F_n为分形特征，Kurt_si和Kurt_di分别为s_i及d_i，i＝1，...，m的峭度特征，skew_si和为skew_di分别为s_i及d_i，i＝1，...，m的偏斜度特征，σ_f为原始缺陷信号的标准差特征，σ_sm为s_m的标准差特征，ψ_f为原始缺陷信号的均方根特征，ψ_sm为s_m的均方根特征；4)采用步骤(一)中的步骤2)和步骤3)的方法提取所有缺陷信号的组合特征，并用基本遗传算法进行组合特征优化；将所有缺陷信号的组合特征作为遗传算法的输入，设定迭代次数为N：(1)确定遗传算法中的基因个数及其特征含义：遗传算法中采用的基因数为19个，即每个基因对应着各自的特征量，其含义如表1所示，基因的个数为特征总个数；表1  基因的特征含义基因序号12  3  45特征含义形状系数能量  分形  s₃的峭度s₂的峭度基因序号67  8  910特征含义s₁的峭度d₃的峭度  d₂的峭度  d₁的峭度s₃的偏斜度基因序号1112  13  1415特征含义s₂的偏斜度s₁的偏斜度  d₁的偏斜  度  d₂的偏斜  度d₃的偏斜度基因序号1617  18  19特征含义原始缺陷信号的标准差s₃的标准差  原始缺陷  信号的均  方根  s₃的均方  根(2)确定遗传算法中的适应度函数：基于前述的组合特征L_n，其特征的各种任意组合为特征子集X，包含的特征总数n，即为该缺陷信号的特征维数；则特征子集X的适应度函数定义为：$\mathrm{fitness}\left(X\right)=(1-\mathrm{\α})\stackrel{\‾}{J\left(X\right)}+\mathrm{\α}*\left(\frac{n-k}{n}\right)$式14其中，α为罚系数，以衡量可分性测度与特征个数之间的取舍，α＝0.01；n为特征总个数，即遗传算法中基因的总个数；k为任意组合的特征子集X包含的特征个数；为所选特征子集的平均可分性测度，定义为$\stackrel{\‾}{J\left(X\right)}=\frac{\underset{i,j=1}{\overset{m}{\mathrm{\Σ}}}{J}_{\mathrm{ij}}}{C_m^2}(i\≠j),$其中m为采集缺陷信号的类别个数，C_m²为组合数，J_ij为第i(1≤i≤m)类缺陷与第j(1≤j≤m)类缺陷之间的可分性测度，即$J_{\mathrm{ij}}=\frac{d_{\mathrm{ij}}}{{\mathrm{\σ}}_i+{\mathrm{\σ}}_j},$其中d_ij为第i类缺陷与第j类缺陷特征之间的类间距，定义为$d_{\mathrm{ij}}=\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(M_{\mathrm{ik}}-M_{\mathrm{jk}})}^2},$其中，M_ik为第i类缺陷的特征向量的第k(1≤k≤n)维分量的平均值，定义为$M_{\mathrm{ik}}=\frac{1}{K}\underset{c=1}{\overset{K}{\mathrm{\Σ}}}{F}_{\mathrm{ick}},$K为第i类缺陷包含的样本数，F_ick为第i类缺陷特征向量第c(1≤c≤K)个样本的第k(1≤k≤n)维数量；σ_i为第i类缺陷的特征向量的第k维数量的标准差，定义为${\mathrm{\σ}}_i=\sqrt{\frac{1}{K-1}\underset{c=1}{\overset{K}{\mathrm{\Σ}}}\left[\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{(F_{\mathrm{ick}}-M_{\mathrm{ik}})}^2\right]};$(3)确定遗传算法的输入方式，即编码方式：编码采用二进制编码方式；设问题域中的一个特征量为P＝[P₁，P₂，...，P_i，...P_n]，其中，n为初始特征量的维数，P_i(i＝1...n)表示一个特征；对P进行编码，用一个二进制向量Q＝[q₁，q₂，...q_i，...q_n]来表示；q_i的取值为0表明向量P中相应位置的特征未被选中，1则表明选中了；例如Q＝[1，1，...，0]表示选择的特征子集为[P₁，P₂]；(4)确定遗传算法中的选择算子：选择算子采用轮盘赌算子，即    $S_{x_i}=\frac{\mathrm{fitness}\left(x_i\right)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{fitness}\left(x_i\right)}---\left(15\right)$(5)确定遗传算法中的交叉算子：交叉算子采用单点交叉；变异算子则以一定的概率挑选种群中个体的某一个基因变异，如果原来的基因值为1，则变异后的基因值为0，反之亦然；(6)经过遗传算法的计算，最后得到最优特征子集的编码为：[0110000000000000000]，根据表1进行解码，可知最优特征子集为[能量，分形]；5)建立支持向量机模型(1)提取所有缺陷信号的优化特征，构成支持向量机的缺陷特征训练库；(2)采用二进制编码方法，定义支持向量机的输出，即表示缺陷类型，如下表所示；表2  支持向量即的输出定义    缺陷类型    支持向量    机输出定义    实际缺陷  人工缺陷    未焊透  方槽(NOTCH)    0    0    未熔合  平底孔(FH)    0    1    纵向裂纹  通孔(TH)    1    0    气孔  圆孔(RH)    1    1将上述提取的缺陷信号的优化特征作为支持向量机的输入，建立适合于油气管道环焊缝缺陷识别的支持向量机模型；(二)对未知类型的缺陷进行识别：用超声相控阵探伤仪采集未知类型缺陷的超声缺陷信号，按照步骤(一)中的步骤2)和步骤3)仅提取该缺陷信号的优化特征作为支持向量机模型的输入，支持向量机的输出结果以二进制编码方式表示，根据表2即可知道未知缺陷信号的缺陷类型。