劉半藤,陳友榮,楊海波,王章權(quán)

(1.浙江樹人大學信息工程學院,杭州 310015;2.浙江大學控制工程學院,杭州 310058)

一種多傳感器云融合技術(shù)的亞面表缺陷深度檢測算法研究*

劉半藤1,2*,陳友榮1,楊海波1,王章權(quán)1

(1.浙江樹人大學信息工程學院,杭州 310015;2.浙江大學控制工程學院,杭州 310058)

針對未知深度的亞表面缺陷檢測,各種傳感器產(chǎn)生的特征信息難以直接應(yīng)用的難題,提出了一種多傳感器云融合技術(shù)的亞表面缺陷深度檢測算法。首先,本文簡要介紹渦流檢測與超聲檢測兩種經(jīng)典無損檢測模式;然后,在已知缺陷深度的樣本集上建立云滴數(shù)學模型獲取單一測量模式下缺陷深度的隸屬度分布函數(shù);最后,提出了一種D-S+PCR信息融合算法將不同傳感器獲取的隸屬度分布轉(zhuǎn)化為概率分布進行數(shù)據(jù)融合,以高斯擬合的方式實現(xiàn)亞表面缺陷深度的檢測估計。實驗結(jié)果顯示:對比傳統(tǒng)Bayes變換的D-S證據(jù)融合檢測技術(shù)與單傳感檢測技術(shù),本文提出的檢測算法對亞表面缺陷深度檢測具有較高的識別準確率。

亞表面缺陷;無損檢測;云滴模型;D-S證據(jù);PCR融合

大型構(gòu)件導電結(jié)構(gòu)件的亞表面缺陷(諸如扣件或搭接部位下的疲勞裂紋、應(yīng)力腐蝕等弊病)的定量化無損檢測,一直是航空航天、軌道交通、加工制造等重要領(lǐng)域需要研究解決的一類課題[1]。作為檢測技術(shù)的一個重要組成部分,無損檢測是指在不損傷檢測對象的條件下,對檢測對象自身的物理或結(jié)構(gòu)特性進行檢測、探傷和評估等一系列環(huán)節(jié)的綜合性過程[2-3]。其對于控制和改進產(chǎn)品質(zhì)量以及保證材料、零件、產(chǎn)品和設(shè)備的可靠性起著關(guān)鍵的作用,是現(xiàn)代工業(yè)生產(chǎn)不可分割的重要組成部分。

近年來,隨著航空航天、交通、核電等重要行業(yè)的迅速發(fā)展,亞表面缺陷檢測已然成為行業(yè)亟需解決的重要問題。無損檢測作為一種安全性高、完整性強的技術(shù),也成為國內(nèi)外專業(yè)學者研究的熱點領(lǐng)域[4-7]。文獻[4]中作者結(jié)合渦流效應(yīng)與法拉第光電效應(yīng)提出了磁光成像傳感器檢測亞表面缺陷形狀的方法,該方法具有快速、實時、大面積和可視化等優(yōu)勢。文獻[5]中作者研究了基于水浸超聲傳感器的曲面構(gòu)件缺陷檢測定量方法,并對凹、凸兩種曲面內(nèi)的缺陷回波進行有效性驗證,該方法克服了傳統(tǒng)檢測方法成本高以及適用性較差等問題。文獻[6]中作者提出了一種步驟簡單、實用性強、效率高的無損探傷方法,在高速動車組列車車體運用滲透法檢測焊接缺陷。文獻[7]中作者研究了脈沖渦流傳感器進行亞表面缺陷檢測,并利用有限元分析方法驗證該技術(shù)的有效性。該技術(shù)可以同時檢測部件中不同深度的缺陷,獲得更多的缺陷信息。

由于單一傳感器檢測具有各自的特點和有限的適用范圍,無法全面地檢測各類亞表面缺陷。因此,多傳感器復合無損檢測技術(shù)應(yīng)運而生?；诙鄠鞲衅鲝秃蠠o損檢測的技術(shù)主要涉及信號處理分析、數(shù)值建模、數(shù)據(jù)融合以及反演分析等學科領(lǐng)域,屬于新型檢測技術(shù)的研究范疇[8-9]。多傳感器復合無損檢測理論與技術(shù)的基礎(chǔ)研究與集成應(yīng)用已成為美國、英國、俄羅斯等國家無損檢測研究領(lǐng)域的一個重要研究方向。在國內(nèi),隨著重點航空飛行器的研制和航空產(chǎn)品進入批量制造階段、軌道交通、核電事業(yè)的蓬勃發(fā)展,重大裝備快速可靠復合式無損檢測需求日益迫切。

針對亞表面缺陷深度的檢測,不同傳感器產(chǎn)生的各種特征信息難以直接應(yīng)用的難題,本文提出了一種基于多傳感器云融合技術(shù)的亞表面缺陷深度檢測算法。多傳感器融合技術(shù)起源于20世紀70年代,被廣泛地應(yīng)用于各種智能平臺以及許多民事領(lǐng)域。多傳感器信息融合實際上是對人腦綜合處理復雜問題的一種功能模擬。與單一傳感器檢測相比,運用多傳感器信息融合技術(shù)在解決探測、跟蹤和目標識別等問題方面,能夠增強系統(tǒng)生存能力,提高整個系統(tǒng)的可靠性和健壯性。作為多傳感器融合的研究熱點之一,國內(nèi)外專家已經(jīng)進行了大量的研究,提出了許多信息融合技術(shù)[10-11]。目前,多傳感器數(shù)據(jù)融合的不同層次對應(yīng)不同的算法,包括加權(quán)平均融合、卡爾曼濾波法、Bayes估計、統(tǒng)計決策理論、概率論方法、模糊邏輯推理、人工神經(jīng)網(wǎng)絡(luò)、D-S證據(jù)理論等。文獻[10]中作者提出了利用各數(shù)據(jù)源有效像元所占的比例來確定其對應(yīng)權(quán)值的加權(quán)平均融合算法,降低數(shù)據(jù)源噪聲,提高數(shù)據(jù)空間覆蓋率與置信度。文獻[11]中作者提出了多傳感器卡爾曼濾波融合算法,具有較高的濾波精度,且能夠成功消除測量系統(tǒng)誤差。文獻[12]中作者在D-S證據(jù)理論的基礎(chǔ)上提出了電子電路故障定位的多傳感器融合算法,說明多傳感器融合計算方法的優(yōu)越性。文獻[13]中作者利用數(shù)據(jù)融合原理,將神經(jīng)網(wǎng)絡(luò)和證據(jù)理論進行有機融合,提出了多神經(jīng)網(wǎng)絡(luò)與證據(jù)理論融合的變壓器故障綜合診斷方法。

但是,傳統(tǒng)數(shù)據(jù)融合方法無法處理大量實驗數(shù)據(jù)產(chǎn)生的模糊隸屬度函數(shù),且為了提高傳統(tǒng)數(shù)據(jù)融合方法的計算精度,本文提出了一種多傳感器云融合技術(shù)的亞表面缺陷深度檢測算法,克服單一傳感器檢測的局限性。對于渦流檢測與超聲檢測兩類傳感器提取的特征信息,引用云滴數(shù)學模型獲取各種傳感器測量下各類缺陷的隸屬度分布,并在此基礎(chǔ)上提出了一種D-S+PCR信息融合算法對不同傳感器獲取的信息進行融合,以實現(xiàn)檢測亞表面缺陷深度的目的。

1 基于云滴的隸屬度計算模型

通過文獻分析[4-13],發(fā)現(xiàn)超聲傳感器檢測與渦流傳感器檢測是無損檢測的兩種典型方法。本文利用此兩種傳感器對亞表面缺陷深度進行檢測。相比傳統(tǒng)的擬合方法和Bayes變換方法來獲取BPA分布,云滴模型汲取了自然語言的優(yōu)點,能在數(shù)據(jù)挖掘中兼顧隨機性和模糊性,合理構(gòu)建其定性概念與定量表示之間的相互映射關(guān)系,在本文通過將單個傳感器獲得的數(shù)據(jù)轉(zhuǎn)化為各類缺陷深度的隸屬度分布,進一步求取更準確獲得量化BPA;并且云滴模型可以降低實驗樣本的需求,適合于構(gòu)建小樣本檢測模型。

首先,本文簡要地介紹云滴數(shù)學模型的一些基本概念。一維正態(tài)云滴模型可以用期望E,熵En,超熵He 3個數(shù)字特征來反映。設(shè)U是一個用精確數(shù)值表示的一維定量論域,T是論域U上的定性概念,x是定義于U上的隨機變量X的一次實現(xiàn)。若x滿足:x～N(Ex,En′2),En′～N(En,He2),且x對T的隸屬度是有穩(wěn)定傾向的隨機變量,x在論域U上的分布就叫做一維正態(tài)云,其中每一個x稱為一個云滴。隸屬度分布函數(shù)如下所示:

(1)

以矩形缺陷為例,本文采用多頻電渦流檢測試驗系統(tǒng)測量缺陷的幅度信息,超聲波檢測系統(tǒng)測量缺陷的回波時間信息。為獲得不同亞表面缺陷深度的期望、熵、超熵,對已知深度為1 mm～4.5 mm的亞表面缺陷每隔0.5 mm各采樣100組數(shù)據(jù),獲得幅度數(shù)據(jù)為W=(wij)100×8,回波時間數(shù)據(jù)為C=(cij)100×8。通過樣本數(shù)據(jù),利用一階絕對中心矩理論可以對云滴模型的期望E、熵En、超熵He進行參數(shù)估計。估計方法如下:

(2)

(3)

2 D-S+PCR多傳感融合模型

獲得未知深度的待檢驗亞表面缺陷樣本t的各類隸屬度后,需將渦流傳感器與超聲傳感器的數(shù)據(jù)進行融合。20世紀60年代美國哈佛大學數(shù)學家Dempster在利用上、下限概率解決多值映射問題時,提出了著名的D-S證據(jù)理論以及對應(yīng)的數(shù)據(jù)融合方法[14]。

(4)

引入PCR理論[15-17]對經(jīng)典D-S正交融合進行改進,得到新的融合規(guī)則如下所示:

(5)

(6)

通過式(6)可以計算得到待檢測樣本t屬于第i類深度的概率ni(t)。綜上所示,基于多傳感器云融合技術(shù)的亞表面缺陷深度檢測算法過程如圖1所示。

圖1 基于多傳感器云融合技術(shù)的亞表面缺陷深度檢測算法流程圖

由于待檢驗樣本的缺陷深度未知,且并不一定嚴格屬于上述的八類缺陷深度。因此,獲得待檢測樣本t屬于第i類缺陷深度的概率ni(t)后,并非采用最大概率對缺陷深度進行定量化估計,而是將概率分布(di,ni(t))進行高斯函數(shù)擬合。其中,di表示第i類缺陷深度的數(shù)值。擬合方程中的期望即為樣本t的缺陷深度檢測估計。高斯擬合方程式如下所示:

d=a×e[-(n-b)/c]2

(7)

式中:a、b、c表示待擬合的參量。

3 仿真實驗

本文設(shè)計實驗對比經(jīng)典Bayes變換的D-S融合檢測算法、單傳感器檢測算法與多傳感器云融合技術(shù)的檢測算法,分別檢測不同深度的亞表面缺陷來驗證本文算法的有效性。本文設(shè)計的渦流檢測系統(tǒng)與超聲檢測系統(tǒng)如圖2所示。

圖2 渦流檢測系統(tǒng)

圖3 超聲波檢測儀

渦流檢測設(shè)備由探頭、激勵信號產(chǎn)生電路、檢測信號調(diào)理電路、數(shù)據(jù)采集卡、計算機以及兩軸運動平臺組成。其中探頭分為檢測探頭和參考探頭,探頭同時包含了激勵線圈和檢測線圈,檢測探頭置于試件之上,參考探頭一般置于參考試件上或簡單懸空,本設(shè)計中將參考探頭懸空,檢測探頭信號和參考探頭信號進行差分得到有用信號;激勵信號產(chǎn)生電路用來產(chǎn)生不同頻率的電渦流激勵信號;檢測信號調(diào)理電路用于對探頭的輸出信號進行硬件處理,通常包括濾波、放大和檢波等電路環(huán)節(jié);信號調(diào)理單元的輸出信號由NI的數(shù)據(jù)采集卡進行A/D轉(zhuǎn)換并采集到計算機中,用Labview軟件在計算機中編寫相應(yīng)上位機程序,對采集信號進一步進行軟件濾波,去噪等信號預(yù)處理,通過上位機可以控制激勵信號產(chǎn)生電路產(chǎn)生不同頻率的電渦流激勵信號和運動平臺根據(jù)需求拖動試件;運動平臺采用固高公司的兩軸伺服機構(gòu)。

實驗時試件在運動平臺的拖動下移動,檢測探頭掛在被測試件上方,試件拖動的速度為0.02 m/s,由于運動平臺的抖動性,使得探頭的提離在0.1 mm～0.5 mm之間隨機變化,渦流信號的激勵頻率采用250 Hz,每種試件在不同提離的條件下各掃描100次。

本文設(shè)計導電結(jié)構(gòu)體背面缺陷的檢測實驗,被測缺陷深度存在較小的區(qū)別,旨在通過實驗檢測和數(shù)據(jù)分析,對缺陷深度做出定量化估計。實驗采用超聲檢測設(shè)備是上材電磁的UTA-3062E型雙通道超聲檢測儀,主要由超聲檢測探頭、內(nèi)置的數(shù)據(jù)采集卡以及工控機組成。

實驗采用食用油作為耦合劑,使超聲波探頭和被測試件緊密黏合,將超聲波探頭移動至試件背面有缺陷的位置處(提前標出),觀察在上位機上顯示的超聲波波形,待波形穩(wěn)定后,存儲超對應(yīng)的波形數(shù)據(jù),如此反復測試。

為此,對已知深度為1 mm～4.5 mm的亞表面缺陷每隔0.5 mm分別采用渦流傳感器與超聲傳感器各采樣100組數(shù)據(jù),估算云滴模型的期望、熵、超熵,如表1和表2所示。

表1 渦流傳感器采集幅度數(shù)據(jù)的云滴模型數(shù)字特征

表2 超聲傳感器采集回波時間數(shù)據(jù)的云滴模型數(shù)字特征

通過參數(shù)繪制了4.5 mm、4 mm以及3.5 mm三類深度缺陷的渦流傳感器隸屬度函數(shù)曲線與超聲傳感器隸屬度函數(shù)曲線,如圖4和圖5所示。

圖4 渦流傳感器獲得的幅值隸屬度曲線

圖5 超聲傳感器獲得的回波時間隸屬度曲線

從圖4和圖5中可以看出:每類缺陷深度隸屬度曲線都呈現(xiàn)清晰的高斯分布特性;且不同的缺陷深度隸屬度函數(shù)有重疊區(qū)域,說明采用單一的測量方法易出現(xiàn)誤判現(xiàn)象。

通過表1和表2獲得的數(shù)字特征建立的云滴數(shù)學模型,對未知深度的20個缺陷樣本進行檢測,計算缺陷深度估計值與真實值的誤差。運用式(4)～式(7),計算出此20個樣本的缺陷深度估計值。對比經(jīng)典Bayes變換的D-S融合檢測算法與多傳感器云融合技術(shù)的檢測算法,20個未知深度的缺陷樣本檢測誤差如圖6所示。對比多傳感器云融合技術(shù)的檢測算法與超聲檢測、渦流檢測等單一傳感器檢測算法,20個未知深度的缺陷樣本檢測誤差如圖7所示。

圖6 兩種融合算法檢測誤差對比圖

實驗結(jié)果顯示:對比傳統(tǒng)Bayes變換下的D-S證據(jù)融合檢測技術(shù)與單傳感器檢測技術(shù),本文提出多傳感云融合技術(shù)的檢測算法具有較高的識別準確率。

圖7 多傳感融合算法與單傳感器檢測算法誤差對比圖

4 結(jié)束語

為檢測亞表面缺陷的深度,本文提出了一種多傳感器云融合技術(shù)的檢測算法。通過超聲傳感器與渦流傳感器兩種方法檢測亞表面缺陷的深度,提取回波時間信息與幅度信息。在已知缺陷深度的樣本集中,引入云滴模型估算數(shù)字特征,獲取待檢測樣本單一測量模式下缺陷深度的隸屬度分布函數(shù)。在此基礎(chǔ)上,提出了一種D-S+PCR信息融合算法將不同傳感器獲取的隸屬度分布轉(zhuǎn)化為概率分布進行數(shù)據(jù)融合,以實現(xiàn)亞表面缺陷深度檢測的目的。

[1] Wang Quanlong,Bai Qingshun,Chen Jiaxuan,et al. Subsurface Defects Structural Evolution in Nano-Cutting of Single Crystal Copper[J]. Applied Surface Science,2015,344:38-46.

[2] Arjun V,Sasi B,Purna Chandra Rao B,et al. Optimisation of Pulsed Eddy Current Probe for Detection of Sub-Surface Defects in Stainless Steel Plates[J]. Sensors and Actuators A:Physical,2015,226:69-75.

[3] Grys S,Vokorokos L,Borowik L. Size Determination of Subsurface Defect by Active Thermography-Simulation Research[J]. Infrared Physics and Technology,2014,62:147-153.

[4] 熊新. 鐵磁材料表面缺陷的磁光成像檢測方法研究[D]. 成都:電子科技大學,2014.

[5] 胡宏偉,彭凌興,周正干,等. 曲面構(gòu)件水浸超聲檢測缺陷定量研究[J]. 航空學報,2014,35(11):3166-3173.

[6] 褚宏宇,于玉杰. 滲透檢測在鋁合金車體中的實際應(yīng)用[J]. 焊接,2015(1):61-63.

[7] 李巖松. 脈沖渦流檢測頻域特征提取與缺陷表征研究[D]. 廈門:廈門大學,2014.

[8] 司學慧,李小兵,張彥,等. 基于平方根UKF的多傳感器融合再入段目標跟蹤研究[J]. 系統(tǒng)工程與電子技術(shù),2012,34(2):303-306.

[9] 郭忠文,王璽,胡乃軍,等. 一種多傳感器融合事件識別算法[J]. 中國海洋大學學報(自然科學版),2014,44(10):155-160.

[10] 陳蕓芝,汪小欽.基于自適應(yīng)加權(quán)平均的水色遙感數(shù)據(jù)融合[J]. 遙感技術(shù)與應(yīng)用,2012,27(3):333-338.

[11] 馬麗麗,張曼,陳金廣. 多傳感器集中式增量卡爾曼濾波融合算法[J]. 計算機工程與應(yīng)用,2014(11):229-232.

[12] 朱大奇. 基于D-S證據(jù)理論的數(shù)據(jù)融合算法及其在電路故障診斷中的應(yīng)用[J]. 電子學報,2002,30(2):153-155.

[13] 廖瑞金,廖玉祥,楊麗君,等. 多神經(jīng)網(wǎng)絡(luò)與證據(jù)理論融合的變壓器故障綜合診斷方法研究[J]. 中國電機工程學報,2006,26(3):119-124.

[14] Si Lei,Wang Zhongbin,Tan Chao,et al. A Novel Approach for Coal Seam Terrain Prediction Through Information Fusion of Improved D-S Evidence Theory and Neural Network[J]. Measurement,2014,54:140-151.

[15] Li Bo,Pang Fuwen. An Approach of Vessel Collision Risk Assessment Based on the D-S Evidence Theory[J]. Ocean Engineering,2013,74:16-21.

[16] Guo Kaihong,Li Wenli. Combination Rule of D-S Evidence Theory Based on the Strategy of Cross Merging Between Evidences[J]. Expert Systems with Applications,2011,38:13360-13366.

[17] Dong Qianjin,Liu Xia. Risk Assessment of Water Security in Haihe River Basin during Drought Periods Based on D-S Evidence Theory[J]. Water Science and Engineering,2014,7:119-132.

ResearchonMulti-SensorsRecognitionAlgorithmBasedonCloudFusionTechnologyforSubsurfaceDefectDepth*

LIUBanteng1,2*,CHENYourong1,YANGHaibo1,WANGZhangquan1

(1.College of Information engineering,Zhejiang Shuren University,Hangzhou 310015,China;2.College of Mechanical Engineering,Zhejiang University,Hangzhou 310058,China)

In consideration of the difficulty of directly using the multi-sensor detecting features information for the defect identification. The paper proposes an improved multi-sensors recognition algorithm based on cloud-fusion technology for subsurface defect depth evaluation. At first,two common nondestructive testing technologies such as ultrasonic testing(UT),eddy current testing(ECT)are introduced;at second the cloud model to calculate the probability distribution of single detecting method is carried out;then a fusion algorithm based on D-S and PCR theory is improved and used to fuse the probability from transformation the membership of multi-sensors,at last Gaussian fitting method is taken to evaluate the subsurface defects depth. The experimental result shows that the improved algorithm is superior to the existing algorithm;it can achieve better synthesis results and improve the correct target recognition rate.

subsurface defects;nondestructive testing;cloud model;D-S fusion;PCR fusion

10.3969/j.issn.1004-1699.2017.12.020

項目來源:浙江省公益性技術(shù)應(yīng)用研究項目(2016C33038);浙江省科技廳重大科技專項項目(2015C01033);浙江樹人大學中青年學術(shù)團隊項目;浙江省基礎(chǔ)公益研究項目(LGF18F010005)

2017-03-26修改日期2017-08-17

TP393

A

1004-1699(2017)12-1900-06

劉半藤(1984-),男,浙江余姚人,浙江大學控制科學與工程博士,浙江樹人大學信息科技學院,主要從事無損檢測技術(shù)、異源數(shù)據(jù)融合技術(shù)方面的研究。