中心議題:
- ?多傳感器數據融合技術(shù)能對缺陷信號作智能化處理
- ?電磁感應式傳感器和霍爾傳感器的工作原理
- ?采用小波去噪的方法，并利用RBF神經(jīng)網(wǎng)絡(luò )的數據融合技術(shù)對缺陷信號進(jìn)行檢測處理并得出仿真結果
解決方案：
- ?采用漏磁傳感器陣列，提高檢測靈敏度，減小鋼管表面接觸噪聲和溫度影響
- ?對信號預處理，保證測試準確性
- ?選用RBF神經(jīng)網(wǎng)絡(luò )作為融合中心的特征層融合器
隨著(zhù)電子技術(shù)、神經(jīng)網(wǎng)絡(luò )和人工智能處理技術(shù)的發(fā)展，國內外都在開(kāi)展新的漏磁信號處理方法的研究。由于傳統方法受人為因素影響嚴重，容易產(chǎn)生漏檢誤檢，大大影響了檢測準確度，因此特別需要一種對缺陷信號的智能化處理方法。多傳感器數據融合技術(shù)是近年來(lái)形成和發(fā)展起來(lái)的一種自動(dòng)化信息綜合處理技術(shù)，它充分利用多源信息的互補性和計算機的高速運算能力來(lái)提高結果信息的質(zhì)量。由于多傳感器數據融合可以對來(lái)自多個(gè)傳感器的數據進(jìn)行多級別、多方面、多層次的處理,從而產(chǎn)生新的有意義的信息,而這種信息是任何單一傳感器所無(wú)法獲得的, 并且它還能有效地消除由于單一類(lèi)型傳感器失效而引起的誤差，因而多傳感器數據融合在信號處理領(lǐng)域得到了廣泛的關(guān)注[1]。本文利用小波閾值降噪算法來(lái)突出信號缺陷特征，并將處理后的信號送入RBF神經(jīng)網(wǎng)絡(luò )數據融合中心，利用兩類(lèi)傳感器之間的信息冗余來(lái)提高檢測精度，消除測量中的不確定性，獲得更準確可靠的測量結果。
數據融合傳感器陣列
多傳感器數據融合在運用過(guò)程的各階段(例如模型建立、特征提取、目標識別等)需要各種各樣的傳感器。由于沒(méi)有哪一類(lèi)傳感器的各種性能指標都絕對比其他類(lèi)型傳感器好，因此在一個(gè)系統中，需要同時(shí)采用多種類(lèi)型的傳感器，以提高系統檢測、識別、分類(lèi)和決策能力。本文根據系統的需要使用了兩類(lèi)傳感器：電磁感應式傳感器和霍爾傳感器，利用它們之間產(chǎn)生的冗余信息進(jìn)而檢測出缺陷信號。數據融合系統結構如圖1所示。
根據缺陷信號的特點(diǎn)以及環(huán)境要求，采用漏磁傳感器陣列進(jìn)行數據采集[2]。為提高檢測靈敏度，減小鋼管表面接觸噪聲和溫度影響,由32個(gè)傳感器組成的傳感器陣列，貼敷在與鋼管表面吻合的耐磨塊內，形成探頭。傳感器被分為兩組，每組16個(gè)。一組由16個(gè)電磁感應式傳感器組成，另一組由16個(gè)霍爾傳感器組成，兩組交替分配在探頭表面。傳感器陣列傳送出來(lái)的兩組32路信號經(jīng)過(guò)預處理之后被送到融合中心進(jìn)行數據融合。
電磁感應式傳感器
電磁感應式傳感器的工作原理是：當它貼著(zhù)鋼管表面掃查時(shí)，鋼管缺陷產(chǎn)生的漏磁場(chǎng)會(huì )引起穿過(guò)線(xiàn)圈的磁通量變化，從而使電磁線(xiàn)圈中產(chǎn)生感生電動(dòng)勢，形成缺陷信號。當檢測用的電磁線(xiàn)圈與鋼管做相對運動(dòng)時(shí)，檢測漏磁場(chǎng)的線(xiàn)圈所產(chǎn)生的感應電動(dòng)勢Uc為：
式中,n為線(xiàn)圈匝數，φ為線(xiàn)圈中通過(guò)的漏磁場(chǎng)磁通量；B為漏磁場(chǎng)的磁通量密度；S為線(xiàn)圈的橫截面積，t為線(xiàn)圈運動(dòng)時(shí)間。電磁感應式傳感器能夠在很大的溫度范圍中應用，且工作壽命長(cháng)、抗灰塵、抗水和抗油污的能力強，即能耐受各種環(huán)境條件及外部噪聲。
霍爾傳感器
霍爾傳感器檢測漏磁信號的工作原理是：當電流I沿與磁場(chǎng)B的垂直方向通過(guò)時(shí)，在與電流和磁場(chǎng)垂直的霍爾傳感器兩側便產(chǎn)生霍爾電勢Hr：
式中，RH為霍爾系數；KH為霍爾系數RH與霍爾傳感器厚度t之比，稱(chēng)為霍爾元件靈敏度。當霍爾系數RH與電流一定時(shí)，霍爾電勢Hr只取決于磁場(chǎng)B的強度而與漏磁場(chǎng)的運動(dòng)速度無(wú)關(guān)，因此，霍爾傳感器不會(huì )受到管線(xiàn)檢測的非勻速性的影響。
信號預處理
對于多傳感器測量的漏磁缺陷信號數據，為了保證測試的準確性，系統取得信號之后，首先要對信號進(jìn)行預處理，濾除各種外界干擾和各種噪聲，獲得正確的測量粗值。一般有兩種方法：一是進(jìn)行平滑處理，實(shí)際算法可通過(guò)滑動(dòng)中值平滑器來(lái)實(shí)現;二是剔除粗大誤差，可采取數據相關(guān)剔除法與信號平滑法同時(shí)進(jìn)行,將來(lái)自多傳感器具有相關(guān)性、互補性和冗余性的數據進(jìn)行數據融合。這種方法可以充分利用被測目標在時(shí)間與空間上的信息，對被測量進(jìn)行精確描述[4]。因此，多傳感器融合的結果比單個(gè)傳感器的測量值更為準確。
本文對漏磁缺陷信號使用小波降噪算法，該方法首先將每個(gè)傳感器的測量值用小波閾值的方法去噪，以減小噪聲對傳感器測量值的影響。為了更好地重建傳感器信號，可將各個(gè)傳感器測量值進(jìn)行歸一化處理，然后再送入RBF神經(jīng)網(wǎng)絡(luò )的數據融合中心進(jìn)行融合。對缺陷信號采取小波分析可以突出缺陷點(diǎn)，經(jīng)過(guò)小波分析后可將缺陷信號的局部模極大值及其位置以及漏磁信號的波形特征等作為特征信息，用來(lái)區分不同的缺陷。
信號模型
在漏磁信號采集過(guò)程中，假設有N個(gè)傳感器對同一缺陷的不同位置進(jìn)行測量，每個(gè)傳感器得到的漏磁信號測量值記為Xj(j=1,2,3...N)，在測量過(guò)程中存在內部和外部噪聲影響，測量值可以表示為：
式中，S(n)為真實(shí)的被測量值，ej(n)(j=1,2,3...N)為第j個(gè)傳感器在n時(shí)刻的加性噪聲，Xj(n)為第j個(gè)傳感器在n 時(shí)刻的實(shí)際測量值。由于每個(gè)傳感器受到噪聲干擾的程度不同，所以實(shí)際測量值偏離真實(shí)的被測量值的程度也是不同的。
小波閾值去噪
小波去噪的方法主要通過(guò)設置閾值來(lái)實(shí)現，對漏磁信號的離散小波變換，計算所有小波系數，剔除被認為與噪聲有關(guān)的小波系數，然后通過(guò)小波變換的逆變換得到信號。對于給定的信號，選取閾值的方法很多，本文使用的是基于Stein無(wú)偏風(fēng)險估計值最小化(SURE)的方法：
式中的閾值t，得到它的是似然函數，然后使似然函數最小化，得到所需閾值。在VISU的方法中閾值的選取固定不變，而在SURE方法中,閾值是自適應變化的，可以更好地降低噪聲對缺陷信號的影響[4]。根據經(jīng)過(guò)小波處理后的漏磁信號缺陷波形，可以提取出缺陷的特征向量，用以作為神經(jīng)網(wǎng)絡(luò )融合中心的輸入。數據融合可根據融合的層次和實(shí)際內容將其分成像素層融合、特征層融合和決策層融合。本文把經(jīng)過(guò)小波降噪處理后的信號通過(guò)RBF神經(jīng)網(wǎng)絡(luò )融合中心進(jìn)行特征級融合，以對信號進(jìn)行定量分析。
RBF神經(jīng)網(wǎng)絡(luò )融合算法
常用的數據融合方法包括神經(jīng)網(wǎng)絡(luò )、聚類(lèi)算法或模板法。其中,人工神經(jīng)網(wǎng)絡(luò )具有學(xué)習、記憶、聯(lián)想、容錯、并行處理等卓越功能,在拓撲結構、權重自適應等方面應用靈活,已在計量測試儀器標定、故障診斷中獲得廣泛應用。在多傳感器測量系統中，采用數據融合技術(shù)可為系統帶來(lái)多方面的益處[5]，如增強系統的穩定性、增加系統的可信度及提高系統的檢測能力。由于BP神經(jīng)網(wǎng)絡(luò )收斂速度慢,網(wǎng)絡(luò )訓練時(shí)間較長(cháng),且存在局部極小值的問(wèn)題，RBF神經(jīng)網(wǎng)絡(luò )比BP神經(jīng)網(wǎng)絡(luò )具有更快的學(xué)習特征，其逼近能力更強。因此，本系統選用RBF神經(jīng)網(wǎng)絡(luò )作為融合中心的特征層融合器進(jìn)行融合訓練。
RBF神經(jīng)網(wǎng)絡(luò )結構
RBF神經(jīng)網(wǎng)絡(luò )結構圖如圖2所示，第一層為輸入層，用作特征信息融合信息采集，構成輸入樣本空間X；第二層為隱含層，用作將輸入樣本空間映射為高維的徑向基函數空間，即對輸入信息空間X進(jìn)行特征提取。隱含層節點(diǎn)參數向量包括中心值Ci和標準偏差δi；第三層為輸出層，ωi為第i個(gè)基函數與輸出節點(diǎn)的連接權值，輸出為Y，徑向基函數選擇高斯函數，如下：
式中，m為隱含層節點(diǎn)數， ‖•‖為歐幾里德范數。
RBF神經(jīng)網(wǎng)絡(luò )學(xué)習過(guò)程分為兩個(gè)階段：第一階段，根據所有的輸入樣本確定徑向基函數及其參數，即確定隱含層各節點(diǎn)的高斯函數的中心值和標準偏差；第二階段，在確定隱含層各參數后，根據樣本，采用梯度下降算法，求出輸出層的權值。
RBF神經(jīng)網(wǎng)絡(luò )算法主要是通過(guò)調整連接權值，使輸出層與期望輸出逐漸趨于一致。根據最小均方差原理(MSE)，當誤差指標處于某一個(gè)范圍之內時(shí)，則可以停止運算，表示網(wǎng)絡(luò )訓練成功。
神經(jīng)RBF網(wǎng)絡(luò )參數選取及權值更新
在融合中心，RBF神經(jīng)網(wǎng)絡(luò )的結構參數有徑向基函數的隱含層節點(diǎn)數、中心值和標準偏差。節點(diǎn)數越多，學(xué)習能力越強，合理的節點(diǎn)數可通過(guò)訓練得到最佳值。確定中心值和標準偏差可采用簡(jiǎn)單有效的聚類(lèi)算法K-均值聚類(lèi)算法。該方法具有實(shí)現簡(jiǎn)便、運算量較小、抗噪聲能力強以及識別率高等優(yōu)點(diǎn)，可以很好地解決建模樣本分布不合理的問(wèn)題。標準偏差的大小影響徑向基函數對輸入的響應，標準偏差太小則基函數只能對輸入數據附近的很小區域做出響應，標準偏差過(guò)大則可能丟失固有的局部信息，模型精度也較差，因此標準偏差的選取應在一個(gè)穩定區間內進(jìn)行。
本文利用梯度下降算法確定連接權值。假設總誤差為：
式中，p(xj)為第j個(gè)訓練樣本的期望輸出；y(xj)為網(wǎng)絡(luò )實(shí)際輸出，n為訓練樣本總數。
式中，Yi(xj)為隱含層第i個(gè)基函數的輸出； 為連接權值ωi的更新值；η為學(xué)習步長(cháng)，一般為在0.2～0.9之間選取[7]。
實(shí)驗仿真分析
本文采用MATLAB軟件進(jìn)行仿真實(shí)驗，通過(guò)提供的40組人工裂縫的樣本，對RBF神經(jīng)網(wǎng)絡(luò )系統進(jìn)行訓練學(xué)習和模式識別，并在學(xué)習初期對輸入數據進(jìn)行了預處理，通過(guò)樣本訓練逐漸生成最佳的RBF期網(wǎng)絡(luò )[8]。另取10組測試樣本數據作為輸入，用MATLAB軟件進(jìn)行模擬仿真，同時(shí)利用RBF神經(jīng)網(wǎng)絡(luò )對其進(jìn)行深度評估，并與常規BP神經(jīng)網(wǎng)絡(luò )進(jìn)行對比，其實(shí)驗仿真結果如表1所示。
仿真實(shí)驗結果表明：利用RBF神經(jīng)網(wǎng)絡(luò )融合能比較精確地檢測到信號缺陷深度，在學(xué)習能力和檢測精度上，RBF神經(jīng)網(wǎng)絡(luò )均優(yōu)于常規BP神經(jīng)網(wǎng)絡(luò )，該方法的平均絕對誤差一般為2.69％，而常規BP神經(jīng)網(wǎng)絡(luò )的平均絕對誤差為5.47％?？梢?jiàn)，前者檢測效果明顯好于后者。
在漏磁缺陷信號中，利用小波降噪預處理可以在有效降低噪聲影響的同時(shí)，最大程度上保留了缺陷的特征信息；采用漏磁傳感器陣列,一定程度上克服了原有單傳感器系統的檢測誤差；基于RBF神經(jīng)網(wǎng)絡(luò )的漏磁信號數據融合處理，可對裂紋深度檢測的同時(shí)進(jìn)行定量分析。實(shí)驗結果表明，RBF 神經(jīng)網(wǎng)絡(luò )不僅具有很快的學(xué)習速度, 而且能夠有效地提高檢測的精度和準確率，消除信息的不確定性，提高傳感器的可靠性。
