專利名稱：超聲相控陣檢測油氣管道環(huán)焊縫缺陷類型自動識別方法
技術領域：
本發(fā)明涉及一種超聲相控陣檢測油氣管道環(huán)焊縫缺陷類型自動識別方法，特別是涉及一種支持向量機的超聲相控陣檢測油氣管道環(huán)焊縫缺陷類型自動識別方法，屬于管道環(huán)焊縫缺陷類型的識別技術。

背景技術：
大口徑長輸管道在焊接過程中可能會形成各種缺陷，給油氣資源的運輸帶來安全隱患。目前，在管道焊接完成后，普遍采用超聲相控陣探傷儀對環(huán)焊縫內(nèi)部的缺陷進行快速的定位和定量分析。中國發(fā)明專利申請?zhí)?3115222.8及01131937.2對相控陣超聲波無損檢測的系統(tǒng)結(jié)構(gòu)及其用于大口徑環(huán)焊縫缺陷檢測的原理作了詳盡的闡述。但是，系統(tǒng)只能檢測到缺陷的位置及其當量大小，不能識別缺陷的類型。由于不同類型的缺陷對管道環(huán)焊縫的安全影響不同，所以，缺陷類型判斷的準確率對于管輸?shù)陌踩\行非常重要。目前主要根據(jù)儀器采集到的超聲缺陷信號的形狀，依賴檢測人員的探傷經(jīng)驗進行人工判定。這樣會不可避免地引入誤差。
超聲相控陣探傷系統(tǒng)使用近似于δ函數(shù)的窄脈沖激勵相控陣換能器，所以發(fā)射聲波的頻譜相當豐富，可以看作是由無限多個頻率的諧波組成。而具有不同邊界條件的缺陷可以看作是不同的系統(tǒng)函數(shù)，對輸入超聲缺陷信號的各種特性有不同的抑制或增強作用。因此，本發(fā)明采用模式識別技術，提出一種缺陷類型自動識別的方法，主要由缺陷特征提取、特征優(yōu)化及缺陷類型識別三部分組成。其中，能否從超聲缺陷信號中提取出各種缺陷的代表性特征是影響最后識別準確率的重要因素之一。常用的特征提取方法有時域法、頻域法和聯(lián)合時頻分析法，特征量主要包括缺陷信號的振幅、相位、均方根、標準差、偏斜度、峭度及能量等。中國發(fā)明專利申請?zhí)?7109099.8采用傅立葉變換得到超聲缺陷信號的頻譜。中國發(fā)明專利申請?zhí)?00410011403.2通過提升小波包變換對超聲缺陷信號進行濾波，然后利用希爾伯特(Hilbert)變換和正交解調(diào)方法對濾波信號進行聯(lián)合時頻分析，提取缺陷信號在不同頻段中的能量特征。另外有文獻報道，采用小波變換的方法提取缺陷的能量特征，能在一定程度上解決缺陷分類難的問題。但是以上這些特征提取方法都是基于希爾伯特變換和傅立葉變換。所以，特征提取的速度慢。而超聲缺陷信號是一種非穩(wěn)態(tài)的時變信號，在數(shù)學上不滿足傅立葉分析的條件。因此，以上方法不能準確地反映缺陷信號的本質(zhì)特征。
如何從眾多特征量中提取最能代表缺陷本質(zhì)的特征作為識別依據(jù)也是一個難點。另外，模式識別方法中有很多種分類器，常用的是人工神經(jīng)網(wǎng)絡。但是，這類方法是建立在傳統(tǒng)統(tǒng)計學理論基礎上，當訓練樣本數(shù)目趨向于無窮大時才有很高的識別正確率。如何確定一種適合于具有有限樣本的管道環(huán)焊縫缺陷檢測的分類器是另一個難點。
因此，發(fā)明一種能快速、準確地進行缺陷自動識別的方法，將超聲缺陷信號的采集、分析與評價融為一體，有利于智能化超聲相控陣探傷儀的研制，可對均質(zhì)和非均質(zhì)的金屬和非金屬復合材料進行無損檢測，能廣泛應用于石油、航空航天、核電站及鐵路運輸?shù)汝P系到國民經(jīng)濟的眾多領域，具有重要的實用價值。


發(fā)明內(nèi)容
本發(fā)明目的在于提供一種超聲相控陣檢測油氣管道環(huán)焊縫缺陷類型自動識別方法，該方法具有識別速度快、準確率高的特點。
本發(fā)明是通過下述技術方案加以實現(xiàn)的，一種超聲相控陣檢測管道環(huán)焊縫缺陷類型自動識別方法。該方法所采用的超聲相控陣探傷儀其結(jié)構(gòu)包括相控陣探頭、爬行器械、下位機、上位機。其中相控陣探頭主要負責向被測物體內(nèi)發(fā)射超聲波、接收來自缺陷的超聲信號并轉(zhuǎn)換成電壓模擬信號。爬行器械是系統(tǒng)的動力機械部分，攜帶相控陣探頭沿管壁移動。下位機可接收上位機發(fā)射控制參數(shù)并控制相控陣探頭發(fā)射超聲波，同時將來自于相控陣探頭各通道的模擬電壓信號進行數(shù)字化處理和信號合成。上位機通過與下位機通信，顯示合成信號、進行缺陷類型的識別；另外采用人機交互界面，接受鍵盤輸入命令和系統(tǒng)參數(shù)，生成檢測方案傳送給下位機。其中所述管道環(huán)焊縫的缺陷類型包括未焊透、未熔合、縱向裂紋和氣孔。為了識別上述四類缺陷，用人工缺陷方槽、平底孔、通孔和圓孔分別模擬環(huán)焊縫中的未焊透、未熔合、縱向裂紋和氣孔。自動識別管道環(huán)焊縫缺陷類型的方法，其特征在于包括以下過程 (一)支持向量機模型的建立 1、將超聲相控陣探傷儀下位機采集的四類人工缺陷信號中的每一個缺陷信號定義為f(t)＝{x0，x1，...，xM-1}，其中M為缺陷信號長度。對每一個缺陷信號均采用下述步驟2和步驟3的信號處理方法。
2、利用提升小波變換(LWT)對缺陷信號f(t)進行多層提升小波分解，設置小波分解層數(shù)R。其步驟如下 1)選擇有限緊支集、光滑正交且數(shù)據(jù)冗余最小的db4小波基作為提升小波變換時使用的小波基，其濾波器組的表達式為 其中，濾波器組的系數(shù)為 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)根據(jù)式(1)，將db4小波基用多相矩陣P(z)表示，并用歐幾里德算法分解多相矩陣P(z)。任何由有限長度的濾波器構(gòu)成的小波變換都能分解成一系列提升步驟 依據(jù)互補濾波器的定義 可求得其對偶矩陣
這樣，就確定了提升參數(shù)K、和m。
3)對缺陷信號f(t)進行奇偶分割，形成奇序列dl0與偶序列sl0 l＝0，1，...，(M/2-1) (5) 4)基于式(2)和式(4)，對sl0和dl0進行m次提升和對偶提升，經(jīng)過比例變換后，得到低頻信號slm和高頻信號dlm，實現(xiàn)一級小波變換； 5)對取得的slm重復步驟4)，直到完成l＝R的計算。此時，完成了該缺陷信號的提升小波分解，得到各尺度低頻信號s1～sm及各尺度高頻信號d1～dm，其中sm和dm分別表示被分解缺陷信號的最高尺度的低頻信號和高頻信號； 3、基于上述的s1～sm、d1～dm及缺陷信號f(t)，提取某個缺陷信號的各種特征 1)提取f(t)的常規(guī)特征 形狀系數(shù)特征 式中，L為缺陷信號f(t)的包絡線長度，S為包絡線所包圍的面積。
2)提取sm及f(t)的常規(guī)特征 a.均方根特征 b.標準差特征 c.偏斜度特征 d.峭度特征 式中，xi為sm或f(t)的離散點的幅值，n為sm或f(t)的離散點的個數(shù)。
3)提取s1～sm、d1～dm的能量特征Elj(j＝0，1，......，2l-1)其中，xjk表示各頻帶內(nèi)信號離散點的幅值。將特征進行歸一化處理，即 4)分形特征的提取 a.設管道環(huán)焊縫缺陷信號經(jīng)提升小波分解后，最高尺度上的低頻信號為sm，在XOY平面內(nèi)的圖形為F。采用網(wǎng)格法確定sm的無標度區(qū)間。在平面內(nèi)作長度為δ的方格網(wǎng)，則F與方格網(wǎng)相交的方格數(shù)Nδ(F)是圖形F在標度(分辨率)δ下的盒子數(shù)，表明缺陷波形在標度δ下的不規(guī)則性或復雜性。對現(xiàn)實的不規(guī)則分形而言，如果在一個標度范圍(δ1，δ2)內(nèi)，Nδ(F)與δ的雙對數(shù)曲線1og2Nδ(F)～log2δ保持大約恒定的斜率，也就是信號保持自相似性，則(δ1，δ2)為無標度區(qū)。
b.采用盒維數(shù)作為分形維數(shù)，即分形特征。盒維數(shù)定義為 由式(12)可知，盒維數(shù)實際上就是在無標度區(qū)間內(nèi)，當δ→0時，Nδ(F)增加的對數(shù)速率，可以由函數(shù)log2Nδ(F)相對于log2δ的斜率值來估計，負號表示雙對數(shù)圖像是下降的。采用最小二乘法將無標度區(qū)間內(nèi)的散點擬合成直線，求出sm的盒維數(shù)，即分形特征Fn。
5)將所有特征聯(lián)合，得到一個組合特征Ln 式中，SCoeff為形狀系數(shù)特征，En為能量特征，F(xiàn)n為分形特征，Kurtsi和Kurtdi分別為si及di，i＝1，...，m的峭度特征，skewsi和為skewdi分別為si及di，i＝1，...，m的偏斜度特征，σf為原始缺陷信號的標準差特征，σsm為sm的標準差特征，ψf為原始缺陷信號的均方根特征，ψsm為sm的均方根特征。
4、采用步驟(一)中的步驟2和步驟3的方法提取所有缺陷信號的組合特征，并用基本遺傳算法進行組合特征優(yōu)化。將所有缺陷信號的組合特征作為遺傳算法的輸入，設定迭代次數(shù)為N。
1)確定遺傳算法中的基因個數(shù)及其特征含義遺傳算法中采用的基因數(shù)為19個，即每個基因?qū)髯缘奶卣髁浚浜x如表1所示，基因的個數(shù)為特征總個數(shù)。
表1基因的特征含義 2)確定遺傳算法中的適應度函數(shù)基于前述的組合特征Ln，其特征的各種任意組合為特征子集X，包含的特征總數(shù)n，即為該缺陷信號的特征維數(shù)。則特征子集X的適應度函數(shù)定義為 其中，α為罰系數(shù)，以衡量可分性測度與特征個數(shù)之間的取舍，α＝0.01；n為特征總個數(shù)，即遺傳算法中基因的總個數(shù)。k為任意組合的特征子集X包含的特征個數(shù)。

為所選特征子集的平均可分性測度，定義為其中m為采集缺陷信號的類別個數(shù)，Cm2為組合數(shù)，Jij為第i(1≤i≤m)類缺陷與第j(1≤j≤m)類缺陷之間的可分性測度，即其中，dij為第i類缺陷與第j類缺陷特征之間的類間距，定義為其中，Mik為第i類缺陷的特征向量的第k(1≤k≤n)維分量的平均值，定義為K為第i類缺陷包含的樣本數(shù)，F(xiàn)ick為第i類缺陷特征向量第c(1≤c≤K)個樣本的第k(1≤k≤n)維數(shù)量。σi為第i類缺陷的特征向量的第k維數(shù)量的標準差，定義為 3)確定遺傳算法的輸入方式，即編碼方式編碼采用二進制編碼方式。設問題域中的一個特征量為P＝[P1，P2，...，Pi，...，Pn]，其中，n為初始特征量的維數(shù)，Pi(i＝1，...，n)表示一個特征。對P進行編碼，用一個二進制向量Q＝[q1，q2，...，qi，...，qn]來表示。qi的取值為0表明向量P中相應位置的特征未被選中，1則表明選中了。例如Q＝[1，1，0，...0]表示選擇的特征子集為[P1，P2]。
4)確定遺傳算法中的選擇算子選擇算子采用輪盤賭算子，即 5)確定遺傳算法中的交叉算子交叉算子采用單點交叉；變異算子則以一定的概率挑選種群中個體的某一個基因變異，如果原來的基因值為1，則變異后的基因值為0，反之亦然。
6)經(jīng)過遺傳算法的計算，最后得到最優(yōu)特征子集的編碼為{0110000000000000000}，根據(jù)表1進行解碼，可知最優(yōu)特征子集為{能量，分形}。
5、建立支持向量機模型 1)提取所有缺陷信號的優(yōu)化特征，構(gòu)成支持向量機的缺陷特征訓練庫； 2)采用二進制編碼方法，定義支持向量機的輸出，即表示缺陷類型，如下表所示 表2支持向量機的輸出定義 將上述兩部分內(nèi)容作為支持向量機的輸入，建立適合于管道環(huán)焊縫缺陷識別的支持向量機模型。
(二)對未知類型的缺陷進行識別 用超聲相控陣探傷儀采集未知類型缺陷的超聲缺陷信號，按照步驟(一)中的步驟2和步驟3僅提取該缺陷信號的優(yōu)化特征作為支持向量機模型的輸入，支持向量機的輸出結(jié)果以二進制編碼方式表示，根據(jù)表2即可知道未知缺陷信號的缺陷類型。
本發(fā)明的優(yōu)點在于 1、利用提升小波變換本身的特性缺陷信號的小波分解完全在空域中實現(xiàn)，運算速度快，提高了缺陷特征提取的速度；能進行原位計算，降低了計算對內(nèi)存的需要；編程實現(xiàn)簡單，易于在DSP等硬件中實現(xiàn)。在相同硬件條件下，對同一個缺陷信號提取能量特征，采用提升小波變換比采用傳統(tǒng)小波包變換的特征提取速度快一倍。另外，利用提升小波變換將缺陷信號正交地分解到不同頻帶區(qū)間內(nèi)，可實現(xiàn)對缺陷信號的濾波。由于噪聲信號一般位于高頻區(qū)間內(nèi)，所以，對最高尺度上的低頻段信號提取特征，相當于對濾波后的缺陷信號進行特征提取。
2、本發(fā)明的另一個亮點是將提升小波變換與分形技術相結(jié)合。利用提升小波變換對缺陷信號局部放大的功能，采用網(wǎng)格法求出缺陷信號的分形特征，能反映出不規(guī)則超聲缺陷信號中的自相似特性，有利于提高缺陷自動分類的準確率。
3、本發(fā)明采用一種專門針對小樣本、基于統(tǒng)計學習理論的方法，支持向量機(SVM)作為分類器，提高了識別速度和識別準確率，識別正確率約為85.71％。實驗證明，在相同條件下，SVM需要的時間僅比與RBF神經(jīng)網(wǎng)絡慢6.3％，不過準確率提高了26.3％。BP神經(jīng)網(wǎng)絡算法的運算時間最長，識別正確率比SVM低9.1％。



圖1實現(xiàn)本發(fā)明的裝置結(jié)構(gòu)框圖； 圖2四類人工缺陷中的一類缺陷的一個缺陷信號的所有特征的提取過程的流程圖； 圖3基于遺傳算法的四類人工缺陷信號特征優(yōu)化的流程圖； 圖4基于支持向量機(SVM)的管道環(huán)焊縫缺陷識別流程圖； 圖5方槽的7個訓練樣本缺陷信號圖； 圖中X軸表示聲程，Y軸表示超聲信號的波幅比； 圖6平底孔的12個訓練樣本缺陷信號圖； 圖中X軸表示聲程，Y軸表示超聲信號的波幅比； 圖7通孔的2個訓練樣本缺陷信號圖； 圖中X軸表示聲程，Y軸表示超聲信號的波幅比； 圖8圓孔的9個訓練樣本缺陷信號圖； 圖中X軸表示聲程，Y軸表示超聲信號的波幅比； 圖9基于基本遺傳算法的缺陷特征優(yōu)選結(jié)果輸出顯示； 圖10實施例1人工缺陷信號波形圖； 圖中X軸表示聲程，Y軸表示超聲信號的波幅比； 圖11對實施例1缺陷信號進行db4提升小波3層分解得到的3個低頻信號s1～s3和3個高頻信號d1～d3； 圖12對于實施例1缺陷信號的能量特征圖； 圖13對于實施例1缺陷信號的無標度區(qū)間的雙對數(shù)圖，即分形特征； 圖14對實施例1缺陷信號的識別結(jié)果顯示圖； 圖15實施例2人工缺陷信號波形圖； 圖中X軸表示聲程，Y軸表示超聲信號的波幅比； 圖16對實施例2缺陷信號進行db4提升小波3層分解得到的3個低頻信號s1～s3和3個高頻信號d1～d3； 圖17對于實施例2缺陷信號的能量特征圖； 圖18對于實施例2缺陷信號的的無標度區(qū)間的雙對數(shù)圖； 圖19對實施例2缺陷信號的識別結(jié)果顯示圖； 圖20實施例3人工缺陷信號波形圖； 圖中X軸表示聲程，Y軸表示超聲信號的波幅比； 圖21對實施例3缺陷信號進行db4提升小波3層分解得到的3個低頻信號s1～s3和3個高頻信號d1～d3； 圖22對于實施例3缺陷信號的能量特征圖； 圖23對于實施例3缺陷信號的無標度區(qū)間的雙對數(shù)圖； 圖24對實施例3缺陷信號的識別結(jié)果顯示圖； 圖25實施例4人工缺陷信號波形圖； 圖中X軸表示聲程，Y軸表示超聲信號的波幅比； 圖26對實施例4缺陷信號進行db4提升小波3層分解得到的3個低頻信號s1～s3和3個高頻信號d1～d3； 圖27對于實施例4缺陷信號的能量特征圖； 圖28對于實施例4缺陷信號的無標度區(qū)間的雙對數(shù)圖； 圖29對實施例4缺陷信號的識別結(jié)果顯示圖。

具體實施例方式 下面結(jié)合附圖對油氣管道環(huán)焊縫試塊中加工的四類人工缺陷進行自動識別，進一步闡述本發(fā)明。
超聲相控陣探傷專用試塊是根據(jù)“西氣東輸”工程中采用的Q/SY XQ7-2001標準，采用了山東濟寧模具廠生產(chǎn)的管道對接環(huán)焊縫全自動超聲波檢測試塊V型坡口φ1016×14.6，其內(nèi)部有方槽、平底孔、通孔和圓孔四類人工缺陷。
在實測過程中，采用加拿大R/D TECH公司生產(chǎn)的OmniScanTM PA超聲相控陣探傷儀，包括超聲相控陣探頭、爬行器械、下位機和上位機，其中，超聲相控陣探頭裝載在爬行器械上，共采集了方槽的7個缺陷信號、平底孔的12個缺陷信號、通孔的2個缺陷信號和圓孔的9個缺陷信號，存儲這些超聲缺陷信號并進行預處理，得到方槽、平底孔、通孔和圓孔四類缺陷的缺陷信號圖(有關試塊中的人工缺陷圖詳見實審參考材料)。
將上述得到的缺陷信號按照步驟(一)中的步驟1～5進行支持向量機的訓練，以建立適合于環(huán)焊縫缺陷類型識別的支持向量機模型。以該支持向量機模型對未知類型的缺陷信號進行識別。
1、實施例1 由超聲相控陣采集到的人工缺陷信號圖像如圖10所示。按照步驟(一)中的步驟2進行db4提升小波的3層分解后，得到3層低頻信號s1～s3和3層高頻信號d1～d3，如圖11所示。對低頻信號和高頻信號按照步驟(一)中的步驟3中的第2小步驟和第3小步驟的計算方法提取優(yōu)選特征其中，提取的能量特征如圖12所示，提取的分形特征的無標度區(qū)間的雙對數(shù)圖如圖13所示，采用最小二乘法將圖13中的散點擬合成直線，其斜率的絕對值即為該缺陷信號的分形特征。將上述提取的能量特征和分形特征作為支持向量機的輸入量，進行識別，支持向量機的輸出結(jié)果為
，如圖14所示。根據(jù)表2的定義可知，支持向量機的輸出結(jié)果表示該缺陷信號為方槽缺陷信號，表明焊縫缺陷類型為未焊透缺陷。
2、實施例2 由超聲相控陣采集到的人工缺陷信號圖像如圖15所示。按照步驟(一)中的步驟2進行db4提升小波的3層分解后，得到3層低頻信號s1～s3和3層高頻信號d1～d3，如圖16所示。對低頻信號和高頻信號按照步驟(一)中的步驟3中的第2小步驟和第3小步驟的計算方法提取優(yōu)選特征其中，提取的能量特征如圖17所示，提取的分形特征的無標度區(qū)間的雙對數(shù)圖如圖18所示，采用最小二乘法將圖18中的散點擬合成直線，其斜率的絕對值即為該缺陷信號的分形特征。將上述提取的能量特征和分形特征作為支持向量機的輸入量，進行識別，支持向量機的輸出結(jié)果為
，如圖19所示。根據(jù)表2的定義可知，支持向量機的輸出結(jié)果表示輸入的缺陷信號為平底孔缺陷，表明焊縫缺陷類型為未熔合缺陷。
3、實施例3 由超聲相控陣采集到的人工缺陷信號圖像如圖20所示。按照步驟(一)中的步驟2進行db4提升小波的3層分解后，得到3層低頻信號s1～s3和3層高頻信號d1～d3，如圖21所示。對低頻信號和高頻信號按照步驟(一)中的步驟3中的第2小步驟和第3小步驟的計算方法提取優(yōu)選特征其中，提取的能量特征如圖22所示，提取的分形特征的無標度區(qū)間的雙對數(shù)圖如圖23所示，采用最小二乘法將圖23中的散點擬合成直線，其斜率的絕對值即為該缺陷信號的分形特征。將上述提取的能量特征和分形特征作為支持向量機的輸入量，進行識別，支持向量機的輸出結(jié)果為[1，0]，如圖24所示。根據(jù)表2的定義可知，支持向量機的輸出結(jié)果表示輸入的缺陷信號為通孔缺陷，表明焊縫缺陷類型為縱向裂紋缺陷。
4、實施例4 由超聲相控陣采集到的人工缺陷信號圖像如圖25所示。按照步驟(一)中的步驟2進行db4提升小波的3層分解后，得到3層低頻信號s1～s3和3層高頻信號d1～d3，如圖26所示。對低頻信號和高頻信號按照步驟(一)中的步驟3中的第2小步驟和第3小步驟的計算方法提取優(yōu)選特征其中，提取的能量特征如圖27所示，提取的分形特征的無標度區(qū)間的雙對數(shù)圖如圖28所示，采用最小二乘法將圖28中的散點擬合成直線，其斜率的絕對值即為該缺陷信號的分形特征。將上述提取的能量特征和分形特征作為支持向量機的輸入量，進行識別，支持向量機的輸出結(jié)果為[1，1]，如圖29所示。根據(jù)表2的定義可知，支持向量機的輸出結(jié)果表示輸入的缺陷信號為圓孔缺陷，表明焊縫缺陷類型為氣孔缺陷。
權(quán)利要求
1.一種超聲相控陣檢測油氣管道環(huán)焊縫缺陷類型自動識別方法，該方法所采用的超聲相控陣探傷儀其結(jié)構(gòu)包括相控陣探頭、爬行器械、下位機、上位機，其中相控陣探頭主要負責向被測物體內(nèi)發(fā)射超聲波、接收來自缺陷的超聲信號并轉(zhuǎn)換成電壓模擬信號；爬行器械是系統(tǒng)的動力機械部分，攜帶相控陣探頭沿管壁移動；下位機接收上位機發(fā)射控制參數(shù)并控制相控陣探頭發(fā)射超聲波，同時將來自于相控陣探頭各通道的模擬電壓信號進行數(shù)字化處理和信號合成；上位機通過與下位機通信，顯示合成信號、進行缺陷類型的識別；另外采用人機交互界面，接受鍵盤輸入命令和系統(tǒng)參數(shù)，生成檢測方案傳送給下位機；其中所述油氣管道環(huán)焊縫的缺陷類型包括未焊透、未熔合、縱向裂紋和氣孔；為了識別上述四類缺陷，用人工缺陷方槽、平底孔、通孔和圓孔分別模擬環(huán)焊縫中的未焊透、未熔合、縱向裂紋和氣孔；自動識別油氣管道環(huán)焊縫缺陷類型的方法，其特征在于包括以下過程
(一)支持向量機模型的建立
1)將超聲相控陣探傷儀下位機采集的四類人工缺陷信號中的每一個缺陷信號定義為
f(t)＝{x0，x1，...，xM-1}，其中M為缺陷信號長度；對每一個缺陷信號均采用下述步驟2)和步驟3)的信號處理方法；
2)利用提升小波變換對缺陷信號f(t)進行多層提升小波分解，設置小波分解層數(shù)R，其步驟如下
(1)選擇有限緊支集、光滑正交且數(shù)據(jù)冗余最小的db4小波基作為提升小波變換時使用的小波基，其濾波器組的表達式為
式1
其中，濾波器組的系數(shù)為
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)根據(jù)式1，將db4小波基用多相矩陣P(z)表示，并用歐幾里德算法分解多相矩陣P(z)，任何由有限長度的濾波器構(gòu)成的小波變換都能分解成一系列提升步驟
式2
依據(jù)互補濾波器的定義式3
可求得其對偶矩陣
式4
這樣，就得到了提升參數(shù)K、和m；
(3)對缺陷信號f(t)進行奇偶分割，形成奇序列dl0與偶序列sl0
l＝0，1，...，(M/2-1)式5
(4)基于式2和式4，對sl0和dl0進行m次提升和對偶提升，經(jīng)過比例變換后，得到低頻信號slm和高頻信號dlm，實現(xiàn)一級小波變換
式6
(5)對取得的slm重復步驟(4)，直到完成l＝R的計算；此時，完成了缺陷信號f(t)的提升小波分解，得到各尺度低頻信號s1～sm及各尺度高頻信號d1～dm，其中sm和dm分別表示被分解缺陷信號的最高尺度的低頻信號和高頻信號；
3)基于s1～sm、d1～dm及f(t)，提取一個缺陷信號的各種特征
(1)提取f(t)的常規(guī)特征
形狀系數(shù)特征式7
式中，L為缺陷信號f(t)的包絡線長度，S為包絡線所包圍的面積；
(2)提取sm及f(t)的常規(guī)特征
a.均方根特征式8
b.標準差特征式9
c.偏斜度特征式10
e.峭度特征式11
式中，xi為sm或f(t)的離散點的幅值，n為sm或f(t)的離散點的個數(shù)；
(3)提取s1～sm、d1～dm的能量特征Elj(j＝0，1，......，2l-1)其中，xjk表示各頻帶內(nèi)信號離散點的幅值；將特征進行歸一化處理，即
(4)提取分形特征
a. 設油氣管道環(huán)焊縫缺陷信號經(jīng)提升小波分解后，最高尺度上的低頻信號為sm，在XOY平面內(nèi)的圖形為F；采用網(wǎng)格法確定sm的無標度區(qū)間在平面內(nèi)作長度為δ的方格網(wǎng)，則F與方格網(wǎng)相交的方格數(shù)Nδ是圖形F在標度δ下的盒子數(shù)，表明缺陷波形在標度δ下的不規(guī)則性或復雜性；對現(xiàn)實的不規(guī)則分形而言，如果在一個標度范圍(δ1，δ2)內(nèi)，Nδ與δ的雙對數(shù)曲線log2Nδ～log2δ保持大約恒定的斜率，也就是信號保持自相似性，則(δ1，δ2)為無標度區(qū)；
b.采用盒維數(shù)作為分形維數(shù)，即分形特征；盒維數(shù)定義為
式12
由式12可知，盒維數(shù)實際上就是在無標度區(qū)間內(nèi)，當δ→0時，Nδ增加的對數(shù)速率，可以由函數(shù)log2Nδ相對于log2δ的斜率值來估計，負號表示雙對數(shù)圖像是下降的；采用最小二乘法將無標度區(qū)間內(nèi)的散點擬合成直線，求出sm的盒維數(shù)，即分形特征Fn；
(5)將所有特征聯(lián)合，得到一個組合特征Ln
式13
式中，SCoeff為形狀系數(shù)特征，En為能量特征，F(xiàn)n為分形特征，Kurtsi和Kurtdi分別為si及di，i＝1，...，m的峭度特征，skewsi和為skewdi分別為si及di，i＝1，...，m的偏斜度特征，σf為原始缺陷信號的標準差特征，σsm為sm的標準差特征，ψf為原始缺陷信號的均方根特征，ψsm為sm的均方根特征；
4)采用步驟(一)中的步驟2)和步驟3)的方法提取所有缺陷信號的組合特征，并用基本遺傳算法進行組合特征優(yōu)化；將所有缺陷信號的組合特征作為遺傳算法的輸入，設定迭代次數(shù)為N
(1)確定遺傳算法中的基因個數(shù)及其特征含義遺傳算法中采用的基因數(shù)為19個，即每個基因?qū)髯缘奶卣髁?，其含義如表1所示，基因的個數(shù)為特征總個數(shù)；
表1 基因的特征含義
(2)確定遺傳算法中的適應度函數(shù)基于前述的組合特征Ln，其特征的各種任意組合為特征子集X，包含的特征總數(shù)n，即為該缺陷信號的特征維數(shù)；則特征子集X的適應度函數(shù)定義為
式14
其中，α為罰系數(shù)，以衡量可分性測度與特征個數(shù)之間的取舍，α＝0.01；n為特征總個數(shù)，即遺傳算法中基因的總個數(shù)；k為任意組合的特征子集X包含的特征個數(shù)；
為所選特征子集的平均可分性測度，定義為其中m為采集缺陷信號的類別個數(shù)，Cm2為組合數(shù)，Jij為第i(1≤i≤m)類缺陷與第j(1≤j≤m)類缺陷之間的可分性測度，即其中dij為第i類缺陷與第j類缺陷特征之間的類間距，定義為其中，Mik為第i類缺陷的特征向量的第k(1≤k≤n)維分量的平均值，定義為K為第i類缺陷包含的樣本數(shù)，F(xiàn)ick為第i類缺陷特征向量第c(1≤c≤K)個樣本的第k(1≤k≤n)維數(shù)量；σi為第i類缺陷的特征向量的第k維數(shù)量的標準差，定義為
(3)確定遺傳算法的輸入方式，即編碼方式編碼采用二進制編碼方式；設問題域中的一個特征量為P＝[P1，P2，...，Pi，...Pn]，其中，n為初始特征量的維數(shù)，Pi(i＝1...n)表示一個特征；對P進行編碼，用一個二進制向量Q＝[q1，q2，...qi，...qn]來表示；qi的取值為0表明向量P中相應位置的特征未被選中，1則表明選中了；例如Q＝[1，1，...，0]表示選擇的特征子集為[P1，P2]；
(4)確定遺傳算法中的選擇算子選擇算子采用輪盤賭算子，即
(5)確定遺傳算法中的交叉算子交叉算子采用單點交叉；變異算子則以一定的概率挑選種群中個體的某一個基因變異，如果原來的基因值為1，則變異后的基因值為0，反之亦然；
(6)經(jīng)過遺傳算法的計算，最后得到最優(yōu)特征子集的編碼為
，根據(jù)表1進行解碼，可知最優(yōu)特征子集為[能量，分形]；
5)建立支持向量機模型
(1)提取所有缺陷信號的優(yōu)化特征，構(gòu)成支持向量機的缺陷特征訓練庫；
(2)采用二進制編碼方法，定義支持向量機的輸出，即表示缺陷類型，如下表所示；
表2 支持向量即的輸出定義
將上述提取的缺陷信號的優(yōu)化特征作為支持向量機的輸入，建立適合于油氣管道環(huán)焊縫缺陷識別的支持向量機模型；
(二)對未知類型的缺陷進行識別
用超聲相控陣探傷儀采集未知類型缺陷的超聲缺陷信號，按照步驟(一)中的步驟2)和步驟3)僅提取該缺陷信號的優(yōu)化特征作為支持向量機模型的輸入，支持向量機的輸出結(jié)果以二進制編碼方式表示，根據(jù)表2即可知道未知缺陷信號的缺陷類型。
全文摘要
本發(fā)明公開了一種超聲相控陣檢測油氣管道環(huán)焊縫缺陷類型自動識別方法，特別是涉及一種支持向量機的超聲相控陣檢測油氣管道環(huán)焊縫缺陷類型自動識別方法，屬于管道環(huán)焊縫缺陷類型的識別技術。所述的識別方法包括支持向量機模型的建立和環(huán)焊縫中未知缺陷類型的自動識別兩部分。其中支持向量機模型的建立包括以下步驟人工缺陷信號的提取、提升小波分解、特征提取、特征優(yōu)化及支持向量機模型的訓練；環(huán)焊縫中未知缺陷類型的識別包括以下步驟缺陷信號的提取、優(yōu)化特征的計算和基于支持向量機的自動識別。本發(fā)明將提升小波變換與分形技術相結(jié)合，具有識別的準確率高、速度快的優(yōu)點，能實現(xiàn)缺陷類型的自動識別。
文檔編號G06F17/00GK101122585SQ20071005957
公開日2008年2月13日 申請日期2007年9月12日 優(yōu)先權(quán)日2007年9月12日
發(fā)明者健 李, 詹湘琳, 曾周末, 靳世久 申請人:天津大學