李 偉, 袁新安, 曲 萌, 陳國明, 葛玖浩, 孔慶曉, 張雨田, 吳衍運

(中國石油大學海洋油氣裝備與安全技術研究中心,山東青島 266580)

?

一基于GA-BP神經網(wǎng)絡的ACFM實時高精度裂紋反演算法

李 偉, 袁新安, 曲 萌, 陳國明, 葛玖浩, 孔慶曉, 張雨田, 吳衍運

(中國石油大學海洋油氣裝備與安全技術研究中心,山東青島 266580)

針對傳統(tǒng)交流電磁場檢測(ACFM)特征信號難以實現(xiàn)缺陷高精度實時反演的問題,在電磁耦合ACFM探頭有限元模型分析的基礎上,引入能量譜和相位閾值判定方法實時獲取裂紋特征信號,建立裂紋實時反演實驗系統(tǒng)并進行裂紋檢測實驗,基于加入遺傳算法的BP神經網(wǎng)絡(GA-BP)建立的ACFM實時高精度裂紋反演算法對實驗得到的裂紋特征信號進行長度和深度的反演。結果表明:電磁耦合ACFM探頭有限元模型可較好地仿真裂紋特征信號;采用能量譜和相位閾值判定方法能夠實時獲取裂紋特征信號;GA-BP神經網(wǎng)絡能夠實現(xiàn)裂紋長度和深度的反演,反演精度誤差不超過10%。

ACFM; 實時; 高精度; 裂紋反演算法; 遺傳算法; BP神經網(wǎng)絡

交流電磁場檢測(ACFM)技術最早應用于海洋鉆井平臺焊縫檢測,由于非接觸測量、無須標定、提離效應小、數(shù)學模型精確等特點,已經廣泛應用于石油化工、鐵路運輸、核能等領域[1-3]。ACFM技術利用激勵線圈在工件表面感應出勻強電流場,當電流垂直穿過缺陷時,電流會從缺陷兩端和底部繞過,引起周圍空間磁場發(fā)生畸變。X方向磁通密度產生波谷,波谷深度可反映缺陷深度。Z方向磁通密度產生波峰和波谷,峰谷之間距離可反映缺陷長度[4-5]。在無損檢測領域中,由缺陷得到特征信號稱之為正演模型,反之,由特征信號得到缺陷形狀,稱之為反演模型[6]。通常由缺陷得到特征信號容易實現(xiàn),由特征信號反演缺陷形狀較為復雜,但缺陷形狀信息能夠反映結構的破壞程度,是結構評估十分關心的問題[7]。ACFM技術數(shù)學模型精確,其特征信號Bz反映裂紋長度信息,Bx包含裂紋深度信息,具有良好的缺陷剖面(長度和深度)反演條件。傳統(tǒng)ACFM插值反演算法相對簡單,但精度低且實時性差[8-9];利用特征信號的反演算法,對樣本數(shù)據(jù)庫有較高的要求,特征信號之間的相互影響造成反演過程復雜,必須完成缺陷掃描后進行特征信號分析或蝶形圖判定,難以實現(xiàn)實時判定和反演[10]。針對這些問題,筆者建立ACFM探頭電磁耦合仿真模型,通過能量譜和相位閾值判定方法實時獲取裂紋反演特征信號樣本數(shù)據(jù)庫,引入反向傳播(BP)神經網(wǎng)絡和遺傳算法(GA)實現(xiàn)ACFM裂紋長度和深度的高精度反演。

1 電磁耦合ACFM探頭仿真模型

選擇ANSYS中的三維電路耦合絞線圈CIRCU124,根據(jù)需要設置其選項使其成為電源,將其K節(jié)點與探頭模型需要結合的位置上的節(jié)點用E命令生成一個耦合單元。由于絞線圈中的電流和通過線圈終端的電勢降是唯一的,所以將線圈每匝電流(CURR)自由度和通過線圈終端的電勢降(EMF)自由度分別耦合在一起。建立如圖1所示的三維ACFM探頭電磁耦合運動仿真模型。

模型中激勵探頭為U型載流線圈[11-12],線圈下方設有提取感應磁場電壓的X線圈(提取X方向磁場的感應電壓)和Z線圈(提取Z方向磁場的感應電壓)。仿真模型中裂紋長15 mm,寬0.8 mm,深5 mm,加載激勵電壓為1 V,頻率為6 kHz,檢測線圈提離高度為2 mm。選擇諧波求解器,沿著裂紋上方建立一條路徑,分別提取路徑上方X、Z方向線圈內的電壓值Ex和Ez,如圖2所示。

圖1 電磁耦合ACFM探頭仿真模型

圖2 裂紋特征信號仿真結果

特征信號Ex在非裂紋區(qū)保持一定數(shù)值,當進入裂紋區(qū)(14～29 mm)后X方向磁通密度減小導致Ex出現(xiàn)波谷。由于提取的感應電動勢均為正值,因此Ez在未進入裂紋區(qū)基本為0,在裂紋兩端(14 mm和29 mm)聚集區(qū)出現(xiàn)兩個峰值。Ex和Ez規(guī)律與ACFM原理一致,驗證所建立的電磁耦合ACFM探頭仿真模型的正確性。

2 缺陷特征信號實時判定方法

傳統(tǒng)ACFM技術常采用特征識別方法,即根據(jù)Ex和Ez的特征或者由Ex和Ez組成的蝶形圖來判別[13]。由于基于特征信號或蝶形圖的判別方法需要在探頭完全掃過裂紋后依據(jù)獲取信號的特征進行判別,難以實現(xiàn)缺陷特征信號的實時數(shù)據(jù)存儲與處理。采用能量譜和相位閾值判別方法,可依據(jù)閾值實時保存缺陷有效信號特征值,為缺陷的實時、高精度反演奠定基礎。

如圖2所示,由于Ex的峰值之間距離(16 mm)大于Ez峰峰距離(14 mm),也大于裂紋長度(15 mm),因此Ex包含更多缺陷信息(深度及長度,特別是長度估算有安全余量)。

將X線圈的電動勢Ex通過傅里葉變換的平方換算得能量譜(QEx),如圖3所示。在Ex的峰峰間距內(虛線范圍),取能量譜QEx的最大值Q,以Q數(shù)值畫一條水平線,該水平線與Ex能量譜的交點位置(實線區(qū)域)明顯大于Ex峰值,則位于Q以下的能量譜信息包含裂紋全部長度和深度信息。選定Ex能量譜的峰值Q作為裂紋實時判定的閾值。

圖3 Ex能量譜曲線

由于裂紋區(qū)兩側Z方向的磁通密度相反,當檢測線圈進入缺陷時Ez的相位會發(fā)生變化,如圖4所示。在裂紋區(qū)(14～29 mm)處,Ez的相位有突變，Ez相位導數(shù)在裂紋區(qū)域出現(xiàn)明顯的峰值。選定Ez相位的導數(shù)作為裂紋實時判定的另一依據(jù)。依據(jù)Ex能量譜和Ez相位閾值實時判定方法能夠實時獲取裂紋特征信號,所設計裂紋特征信號實時判定法如圖5所示。主要步驟如下:

(1)對采集到的Ex、Ez和激勵信號進行鎖相放大和數(shù)據(jù)處理,得到Ex能量譜QEx和Ez相位φZ。

圖4 Ez相位變化關系

圖5 缺陷特征信號實時判定方法

(2)判斷QEx與閾值大小關系。若QEx小于等于Q,則保存數(shù)據(jù)。若QEx大于Q,則舍棄該數(shù)據(jù)。

(3)對Ez相位求導得到Dz。判斷Dz是否滿足要求(本文中相位判斷設有余量,Ez相位導數(shù)閾值設為180)。Dz大于等于180則視為有效數(shù)據(jù),將保存的數(shù)據(jù)作為缺陷特征信號樣本數(shù)據(jù)庫;若Dz小于180則遞增閾值Q并清空保存的缺陷數(shù)據(jù),并繼續(xù)進行閾值判定。

該算法實時更新閾值可有效避免裂紋特征信號的誤判,可在檢測線圈進入裂紋區(qū)時及時有效保存裂紋特征信號,無須完全掃過裂紋進行缺陷的判斷,達到裂紋實時判定的目的。

3 裂紋實時反演實驗

3.1 檢測系統(tǒng)設計

依據(jù)ACFM技術原理,設計裂紋實時反演實驗系統(tǒng),如圖6所示。ACFM激勵探頭選用U型載流線圈,利用直徑為0.5 mm的漆包線在錳鋅鐵氧體磁芯橫梁上纏繞500圈。檢測線圈采用線圈式傳感器,利用直徑為0.15 mm的漆包線在矩形小磁芯上纏繞兩個方向相互垂直的小線圈,分別用于拾取X方向磁通密度Bx和Z方向磁通密度Bz。

圖6 裂紋實時反演ACFM檢測系統(tǒng)設計

信號發(fā)生器產生幅值為1 V,頻率為6 kHz的正弦激勵信號,經過功率放大輸送給激勵線圈。激勵線圈在試件表面產生均勻激勵電流區(qū)域,電流經過缺陷引起空間磁場畸變。檢測線圈拾取Bx和Bz信息并轉化為電信號Ex和Ez。Ex和Ez經過調理電路(放大和濾波),由采集系統(tǒng)傳輸至計算機。計算機內部基于Ex能量譜和Ez相位閾值缺陷特征信號實時判定軟件可實時獲取缺陷特征信號。最終搭建的裂紋實時反演檢測系統(tǒng)實物如圖6所示。

試件為低碳鋼板,鋼板上采用電火花技術刻有不同尺寸的矩形人工裂紋。利用PLC控制掃描臺架帶動ACFM探頭(激勵和檢測線圈)沿著其中一條裂紋(長40 mm,深6 mm)進行勻速掃描,掃描速度為3 mm/s,測控軟件采集Ex、Ez和探頭的位置信息,得到的缺陷特征信號如圖7所示。

為了實現(xiàn)缺陷的實時、高精度反演量化,引入靈敏度作為缺陷尺寸反演的特征量[14]:

式中,Ex0為遠離裂紋處Ex分量信號幅值;Exmin為Ex信號幅值最小值;Ezmax為Ez信號畸變最大幅值。

圖7 裂紋檢測特征信號

對獲取的裂紋特征信號進行實時分析,得到Ex靈敏度Sx為9.2%,Ez靈敏度Sz為26.63%,Ez峰值之間距離Lz為38.46 mm。同時,對不同深度和長度裂紋進行檢測,得到不同裂紋尺寸的信號特征量如表1所示。

3.2 基于GA-BP的缺陷反演算法

如圖8所示,利用MATLAB中的newff函數(shù)創(chuàng)建4層BP神經網(wǎng)絡,默認缺省initnw初始化權重與偏置[15]。initnw方法雖然使得每層神經元的活動區(qū)域能大致平坦地分布在輸入空間,但是由此訓練所得的網(wǎng)絡存在網(wǎng)絡結構不確定問題,即初始權重與偏置的取值是隨機的。由此可見,BP算法存在收斂速度慢、不能保證收斂到全局最小點、網(wǎng)絡結構不易確定等特點[16]。

遺傳算法具有很好的收斂性和魯棒性,在較高計算精度時,計算時間少[17-18]。在BP網(wǎng)絡訓練之前增加一步遺傳算法優(yōu)化神經網(wǎng)絡的權重和偏置(GA-BP神經網(wǎng)絡模型),以便確定一組最優(yōu)的初始化權重與偏置,從而優(yōu)化BP人工神經網(wǎng)絡的結構[19-21]。

表1 不同尺寸裂紋特征信號數(shù)據(jù)庫

圖8 4層BP神經網(wǎng)絡模型

在缺陷反演GA-BP神經網(wǎng)絡中,輸入向量包括Ex靈敏度和Ez靈敏度以及Ez分量波形峰谷間距3個特征量,輸出向量為缺陷長度和深度兩個特征量,由此建立的4層BP網(wǎng)絡模型的神經元矩陣為[5,6,2]。以表1中的1～16組作為訓練樣本,17～19組作為測試樣本。由于缺陷尺寸取值范圍也有較大差異,為了提高預測精度,需要在訓練前對表1中的樣本數(shù)據(jù)進行[-1,1]區(qū)間內的歸一化處理。遺傳算法求解BP神經網(wǎng)絡權重和偏置過程如圖9(a)所示,BP神經網(wǎng)絡訓練過程如圖9(b)所示。

對建立的GA-BP神經網(wǎng)絡進行學習,并對樣本數(shù)據(jù)庫內的第17組裂紋(長43 mm,深 5 mm)進行樣本預測,得到裂紋預測結果如圖10所示。反演結果顯示第17組裂紋尺寸:長度為40.70 mm,深度為4.72 mm,長度誤差為5.35%,深度誤差為5.60%。

同樣地利用GA-BP神經網(wǎng)絡對18組和19組樣本裂紋進行反演,反演結果見表2。

圖9 GA-BP神經網(wǎng)絡模型訓練過程

圖10 GA-BP網(wǎng)絡對第17組裂紋反演結果

表2 基于GA-BP神經網(wǎng)絡的測試樣本預測結果

第18、19組樣本裂紋長度反演誤差分別為6.12%和9.40%,深度反演誤差分別為7.00%和8.50%。由表2可以看出,基于GA-BP神經網(wǎng)絡對于較淺裂紋、較長裂紋具有更好的預測能力。與裂紋實際尺寸相比,基于GA-BP神經網(wǎng)絡預測裂紋尺寸相對誤差不超過10%,滿足工程實際要求。

4 結論

(1)建立的電磁耦合ACFM仿真模型能夠準確獲取裂紋上方X線圈和Z線圈內部的電壓Ex和Ez。

(2)基于Ex能量譜和Ez相位導數(shù)的閾值判定方法可實時獲取裂紋特征信號。

(3)基于GA-BP神經網(wǎng)絡的裂紋反演算法可有效地預測缺陷長度和深度,預測誤差不超過10%,滿足工程實際要求。

[1] LUGG M C. The first 20 years of the A.C. field measurementtechnique:18th World Conference on Non-Destructive Testing (WCNDT)[C]. South Africa,2012:16-20.

[2] 李偉,袁新安,陳國明,等.基于外穿式交流電磁場檢測的鉆桿軸向裂紋在役檢測技術研究[J].機械工程學報,2015,51(12):8-15. LI Wei, YUAN Xinan, CHEN Guoming, et al. Research on in-service detection for axial cracks on drill pipe using the feed-through alternating current field measurement [J].Journal of Mechanical Engineering, 2015,51(12):8-15.

[3] NICHOLSON G L, DAVIS C L. Modelling of the response of an ACFM sensor to rail and rail wheel RCF cracks [J]. NDT & E International, 2012,46:107-114.

[4] LI W, YUAN X A, CHEN G M, et al. A feed-through ACFM probe with sensor array for pipe stringcracks inspection [J]. NDT & E International, 2014,67:17-23.

[5] 齊玉良,陳國明,張彥廷. 交流電磁場檢測數(shù)值仿真及其信號敏感性分析[J]. 石油大學學報(自然科學版),2004,28(3):65-68. QI Yuliang, CHEN Guoming, ZHANG Yanting. Numerical simulation on alternating current field measurement and sensitivity analysis of detected signal [J].Journal of the University of Petroleum, China (Edition of Natural Science),2004,28(3):65-68.

[6] RAMUHALLIP, UDPA L, UDPA S S. Electromagnetic NDE signal inversion by function-approximation neural networks [J]. IEEE Transactions on Magnetics, 2002,38(6):3633-3642.

[7] MAAZI M, BENZAIM O, GLAY D, et al. Detection and characterization of buried macroscopic cracks inside dielectric materials by microwave techniques and artificial neural networks [J]. IEEE Transactions on Instrumentation and Measurement, 2008,57(12):2819-2816.

[8] 李偉.基于交流電磁場的缺陷智能可視化檢測技術研究[D].青島:中國石油大學,2007. LI Wei. Research on ACFM based defect intelligent recognition and visualization technique [D].Qingdao: China University of Petroleum, 2007.

[9] 李偉,陳國明.基于雙U形激勵的交流電磁場檢測缺陷可視化技術[J].機械工程學報,2009,45(9):233-237. LI Wei, CHEN Guoming. Defect visualization for alternating current field measurement based on the double U-shape inducer array [J]. Journal of Mechanical Engineering, 2009,45(9):233-237.

[10] NOROOZI A, HASANZADEH R P R, RAVAN M. A fuzzy learning approach for identification of arbitrary crack profiles using ACFM technique [J]. IEEE Transactions on Magnetics, 2013,49(9):5016-5027.

[11] LI W, CHEN G M, YIN X K, et al. Analysis of the lift-off effect of a U-shaped ACFM system [J].NDT & E International, 2013,53:31-35.

[12] LI W, CHEN G M, LI W Y, et al. Analysis of the inducing frequency of a U-shaped ACFM system [J].NDT & E International, 2011,44:324-328.

[13] LUGG M, TOPP D. Recent developments and applications of the ACFM inspection method and ACSM stress measurement method:proceedings of ECNDT,2006 [C].Berlin:Germany, c2006.

[14] NICHOLSON G L, KOSTRYZHEV A G, HAO X J, et al. Modelling and experimental measurements of idealized and light-moderate RCF cracks in rails using an ACFM sensor [J]. NDT & E International, 2011,44:427-437.

[15] 李萍,曾令可,稅安澤,等.基于MATLAB的BP神經網(wǎng)絡預測系統(tǒng)的設計[J].計算機應用與軟件,2008,25(4):149-150. LI Ping, ZENG Lingke, SHUI Anze, et al. Design of forecast system of back propagation neural networks based on MATLAB [J].Computer Applications and Software, 2008,25(4):149-150.

[16] 李偉,陳國明,鄭賢斌. 基于廣義回歸神經網(wǎng)絡的交流電磁場檢測裂紋量化研究[J]. 中國石油大學學報(自然科學版), 2007,31(2):105-109. LI Wei, CHEN Guoming, ZHENG Xianbin. Crack sizing for alternating current field measurement based on GRNN [J].Journal of China University of Petroleum (Edition of Natural Science), 2007,31(2):105-109.

[17] 崔挺,孫元章,徐箭,等.基于改進小生境遺傳算法的電力系統(tǒng)無功優(yōu)化[J].中國電機工程學報,2011,31(19):43-50. CUI Ting, SUN Yuanzhang, XU Jian, et al. Reactive power optimization of power system based on improved niche genetic algorithm[J]. Proceedings of the CSEE,2011,31(19):43-50.

[18] 楊國軍,崔平遠,李琳琳.遺傳算法在神經網(wǎng)絡控制中的應用與實現(xiàn)[J].系統(tǒng)仿真學報,2001,13(5):567-570. YANG Guojun, CUI Pingyuan, LI Linlin. Applying and realizing of genetic algorithm in neural networks control [J]. Journal of System Simulation, 2001,13(5):567-570.

[19] 李偉超,宋大猛,陳斌.基于遺傳算法的人工神經網(wǎng)絡[J].計算機工程與設計,2006,27(2):316-318. LI Weichao, SONG Dameng, CHEN Bin. Artificial neural network based on genetic algorithm [J]. Computer Engineering and Design, 2006,27(2):316-318.

[20] 李松,劉力軍,解永樂.遺傳算法優(yōu)化BP神經網(wǎng)絡的短時交通流混沌預測[J].控制與決策,2011,26(10):1581-1585. LI Song, LIU Lijun, XIE Yongle. Chaotic prediction for short-term traffic flow of optimized BP neural network based on genetic algorithm [J]. Control and Decision, 2011,26(10):1581-1585.

[21] 李松,羅勇,張銘銳.遺傳算法優(yōu)化BP神經網(wǎng)絡的混沌時間序列預測[J].計算機工程與應用,2011,47(29):52-55. LI Song, LUO Yong, ZHANG Mingrui. Prediction method for chaotic time series of optimized BP neural network based on genetic algorithm [J].Computer Engineering and Applications,2011,47(29):52-55.

(編輯 沈玉英)

Real-time and high-precision cracks inversion algorithm for ACFM based on GA-BP neural network

LI Wei, YUAN Xinan, QU Meng, CHEN Guoming, GE Jiuhao,KONG Qingxiao, ZHANG Yutian, WU Yanyun

(CenterforOffshoreEquipmentandSafetyTechnologyinChinaUniversityofPetroleum,Qingdao266580,China)

It is hard to achieve a real-time and high-precision cracks inversion for alternating current field measurement(ACFM) based on traditional characteristic signals. In this paper, based on the finite element method (FEM) model of electromagnetic coupling ACFM probe, the energy spectrum and phase threshold determination methods were presented to obtain the crack characteristic signals in real time. The real-time and high-precision cracks inversion system for ACFM was set up and verified by artificial cracks experiment. The length and depth of cracks were calculated using the characteristic signals obtained from experiments based on the genetic algorithm and back propagation neural network(GA-BP) real-time and high-precision cracks inversion algorithm. The results show that the FEM model of electromagnetic coupling ACFM probe can simulate the characteristic signals perfectively, the energy spectrum and phase threshold determination method can obtain the crack characteristic signals in real time, the GA-BP neural network can realize the inversion of the length and depth of crack perfectly and the relative error of inversion accuracy is less than 10%.

alternating current field measurement(ACFM); real-time; high-precision; cracks inversion algorithm; genetic algorithm;BP neural network

2015-11-20

國家自然科學基金項目(51574276)；中央高?；究蒲袠I(yè)務費專項(15CX05024A)；山東省自然科學基金英才基金項目(ZR2015EM009)；青島市科技成果轉化引導計劃(青年專項)(14-2-4-49-jch)；中國石油大學(華東)研究生創(chuàng)新工程(YCX2015039)

李偉(1980-)，男，副教授，博士，研究方向為海洋油氣設備安全檢測技術、傳感器設計及其系統(tǒng)仿真。E-mail：liwei@upc.edu.cn。

袁新安(1990-)，男，博士研究生，研究方向為交流電磁場檢測技術和油氣管道無損檢測技術。E-mail：xinancom@163.com。

1673-5005(2016)05-0128-07

10.3969/j.issn.1673-5005.2016.05.016

O 346.1

:A

李偉, 袁新安,曲萌,等.基于GA-BP神經網(wǎng)絡的ACFM實時高精度裂紋反演算法[J]. 中國石油大學學報(自然科學版), 2016,40(5):128-134.