楊 茂，張 洪，周建庭，劉人銘，陳 軍

(1. 重慶交通大學(xué) 土木工程學(xué)院，重慶 400074； 2. 重慶三峽學(xué)院 土木工程學(xué)院，重慶 404100)

0 引 言

金屬磁記憶檢測技術(shù)誕生于1997年，由A.A.DOUBOV在第50屆國際焊接學(xué)術(shù)會議上正式提出[1]，可檢測鐵磁構(gòu)件的應(yīng)力集中及宏觀缺陷。鐵磁材料具有磁疇結(jié)構(gòu)和自發(fā)磁化的特點(diǎn)，在荷載和環(huán)境磁場的聯(lián)合作用下，磁疇形態(tài)、分布發(fā)生改變，宏觀表現(xiàn)為應(yīng)力集中或微觀缺陷部位的局部磁場增強(qiáng)，并在工作載荷消除后仍然保留[1-2]。磁記憶檢測技術(shù)無需外在激勵，以地磁場為激勵源，能夠?qū)﹁F磁材料的應(yīng)力集中、早期損傷及損傷程度等進(jìn)行評估，防止構(gòu)件的突發(fā)性失效[3-5]。目前在石油化工、能源、航空等各領(lǐng)域進(jìn)行了實(shí)際應(yīng)用，并取得了較好的應(yīng)用效果[6-8]。然而在具體的試驗(yàn)及現(xiàn)場應(yīng)用過程中，大量的檢測數(shù)據(jù)具有一定的離散性和非線性，磁記憶的精細(xì)化、定量化檢測面臨著發(fā)展瓶頸。

機(jī)器學(xué)習(xí)源于人工智能和統(tǒng)計學(xué)，是對能通過經(jīng)驗(yàn)自動改進(jìn)的計算機(jī)算法的研究，特別適用于對大量磁記憶檢測數(shù)據(jù)的分析。通俗地講，機(jī)器學(xué)習(xí)就是讓計算機(jī)從數(shù)據(jù)中進(jìn)行自動學(xué)習(xí)，從大量的數(shù)據(jù)中發(fā)現(xiàn)規(guī)律，并利用此規(guī)律對未知數(shù)據(jù)進(jìn)行預(yù)測的算法[9-10]，它是數(shù)據(jù)驅(qū)動的，用于對數(shù)據(jù)間的內(nèi)部關(guān)系進(jìn)行建模[11]。機(jī)器學(xué)習(xí)是一門多學(xué)科交叉專業(yè)，涵蓋計算機(jī)科學(xué)、概率論、統(tǒng)計學(xué)、近似理論和復(fù)雜算法等知識，大致可分為監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)兩類，常用的監(jiān)督學(xué)習(xí)有支持向量機(jī)，人工神經(jīng)網(wǎng)絡(luò)，隨機(jī)森林等，無監(jiān)督學(xué)習(xí)主要是各種聚類算法和主成分分析(PCA)[12-15]。

將機(jī)器學(xué)習(xí)用于對磁記憶檢測數(shù)據(jù)的深入分析是實(shí)現(xiàn)缺陷精準(zhǔn)定位和定量檢測的新思路，主要綜述了各種機(jī)器學(xué)習(xí)算法在磁記憶無損檢測領(lǐng)域的應(yīng)用現(xiàn)狀，主要包括在焊縫、管道等構(gòu)件缺陷檢測中的應(yīng)用和發(fā)展，并結(jié)合磁記憶無損檢測技術(shù)的發(fā)展難題，展望了機(jī)器學(xué)習(xí)在該領(lǐng)域的應(yīng)用前景，進(jìn)一步考慮將機(jī)器學(xué)習(xí)應(yīng)用于橋梁內(nèi)部鋼筋損傷的磁記憶檢測當(dāng)中。

1 焊縫缺陷的磁記憶定量化識別

焊縫作為金屬構(gòu)件中的薄弱部位，在施焊過程中存在未焊透、夾渣等現(xiàn)象，在后期工作中極易發(fā)生應(yīng)力集中和破壞，故磁記憶無損檢測法非常適用于焊縫缺陷檢測，在焊縫缺陷磁記憶定量化識別領(lǐng)域，東北石油大學(xué)的邢海燕團(tuán)隊(duì)將一系列的機(jī)器學(xué)習(xí)算法應(yīng)用到其中[16-21]。在不同循環(huán)加載周次下，未焊透和夾渣焊縫出現(xiàn)不同程度的缺陷，用常規(guī)的X射線法將焊縫缺陷分為4類：正常狀態(tài)、隱性損傷(隱性裂紋長為2～4 mm)、裂紋未穿透、裂紋穿透。對照常規(guī)定量檢測方法，獲取不同狀態(tài)下的磁記憶特征并分析，結(jié)果表明依靠傳統(tǒng)的磁記憶判據(jù)無法識別焊縫的損傷狀態(tài)，如圖1，試件在檢測過程中受到外界干擾，磁信號會出現(xiàn)模糊性和分散性的問題，只有在裂紋穿透階段，磁記憶信號切向分量會達(dá)到極值，法向分量過零點(diǎn)，而在其他損傷階段，相應(yīng)信號并沒有出現(xiàn)明顯的判據(jù)特征。

圖1 不同損傷程度下未焊透試件的磁場強(qiáng)度分布[21]Fig. 1 The distribution of magnetic field intensity of incompletepenetration test pieces under different damage degrees [21]

因此，對損傷更為敏感的磁參數(shù)以及對分散數(shù)據(jù)具有強(qiáng)大處理能力的機(jī)器學(xué)習(xí)算法被引入到焊縫缺陷的磁記憶定量檢測中。具體的機(jī)器學(xué)習(xí)算法和應(yīng)用情況如表1。

遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法首先被引入到焊縫缺陷的磁記憶定量檢測當(dāng)中[16-17]。由于采用隨機(jī)的權(quán)值和閾值，BP神經(jīng)網(wǎng)絡(luò)多次計算的結(jié)果不同，可重復(fù)性較差。遺傳算法是一種全局優(yōu)化算法，具有計算方法簡單、優(yōu)化效果好、處理組合優(yōu)化問題能力強(qiáng)等優(yōu)點(diǎn)[9]。于是采用遺傳算法對其進(jìn)行優(yōu)化，可得到最優(yōu)權(quán)值和閾值，獲得較快的收斂速度和計算精度，圖2為誤差隨遺傳代數(shù)增加的變化趨勢，優(yōu)化后的算法使樣本誤差大大減小，預(yù)測效果更穩(wěn)定、更準(zhǔn)確。

圖2 誤差隨遺傳代數(shù)的變化趨勢[16]Fig. 2 Variation trend of error changing with genetic algebra [16]

邢海燕等[18]提出對焊縫損傷更加敏感的磁特征指標(biāo)Kr，引入無偏灰色預(yù)測理論與模糊隸屬度函數(shù)，在此基礎(chǔ)上建立模糊加權(quán)的馬爾科夫鏈預(yù)測模型。對22組試驗(yàn)數(shù)據(jù)進(jìn)行建模分析，如圖3，結(jié)果表明采用模糊加權(quán)馬爾科夫鏈定量預(yù)測模型的預(yù)測結(jié)果更接近于真實(shí)值，相對于無偏GM(1,1)預(yù)測模型而言，其最大相對誤差從38.49%降到5.05%，對Kr值預(yù)測結(jié)果準(zhǔn)確性得到了較大的提高。

圖3 不同模型的預(yù)測效果[18]Fig. 3 The predictive effects of different models[18]

基于磁信號的模糊性和分散性，模糊c均值聚類算法被用于磁記憶檢測數(shù)據(jù)的處理中[19-20]，模糊c均值聚類融合了模糊理論的精髓，相較于k-MEANS的硬聚類，提供了更加靈活的聚類結(jié)果。因?yàn)榇蟛糠智闆r下，數(shù)據(jù)集中的對象不能劃分成為明顯分離的簇，指派一個對象到一個特定的簇有些生硬，也可能會出錯。故對每個對象和每個簇賦予一個權(quán)值，指明對象屬于該簇的程度。邢海燕等[19]和喻正帥[20]對不同損傷階段的信號進(jìn)行定量識別，通過訓(xùn)練樣本提取最優(yōu)模糊加權(quán)指數(shù)m，如圖4，當(dāng)m為2.0時，可獲得最大準(zhǔn)確率，建立預(yù)測模型，對54組樣本數(shù)據(jù)進(jìn)行建模與預(yù)測，準(zhǔn)確率可達(dá)90%。邢海燕等[21]結(jié)合免疫優(yōu)化和動態(tài)模糊聚類算法，通過建立模糊相似關(guān)系，確定樣本集合的親疏程度，使樣本的分類走向定量化，并采用免疫算法來解決聚類算法易陷入局部最優(yōu)值的問題。通過試驗(yàn)和實(shí)際工程應(yīng)用表明，該模型預(yù)測損傷等級準(zhǔn)確率達(dá)90%，可以較好的區(qū)分焊縫的正常狀態(tài)、隱性損傷萌生、未穿透性裂紋等階段。

圖4 最優(yōu)模糊加權(quán)指數(shù)m的確定[19]Fig. 4 Determination of the optimal fuzzy weighting index m[19]

由以上研究可知，磁記憶法的傳統(tǒng)判據(jù)無法識別焊縫的缺陷等級，在裂紋未穿透時，切向分量和法向分量曲線具有分散性和不確定性，必須采用機(jī)器學(xué)習(xí)算法對數(shù)據(jù)進(jìn)行深入分析。神經(jīng)網(wǎng)絡(luò)、遺傳算法、聚類算法等在焊縫缺陷的定量識別中得到成功應(yīng)用，對于一定的數(shù)據(jù)樣本，單一算法具有較大的局限性，建立的模型通常得不到較高的準(zhǔn)確率，需采用其余的算法對參數(shù)進(jìn)行優(yōu)化，多種算法結(jié)合可獲得較高的預(yù)測準(zhǔn)確率。

2 管道缺陷的磁記憶定量化識別

石油、天然氣等金屬管道在世界范圍內(nèi)具有龐大的體量，在長期使用過程中易發(fā)生損傷，引發(fā)巨大的安全事故，故實(shí)現(xiàn)管道缺陷的磁記憶定量檢測具有十分重大的意義。以實(shí)現(xiàn)管道缺陷等級識別為目的，將機(jī)器學(xué)習(xí)算法引入到磁記憶數(shù)據(jù)的處理當(dāng)中，目前應(yīng)用較多的為支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)算法，以及在它們的基礎(chǔ)上提出的優(yōu)化算法，具體應(yīng)用情況如表2。

表2 機(jī)器學(xué)習(xí)算法在管道缺陷磁記憶檢測的應(yīng)用Table 2 Application of machine learning algorithms in magneticmemory detection of pipeline defect

支持向量機(jī)算法具有強(qiáng)大的分類功能，且在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢，因而成為機(jī)器學(xué)習(xí)中應(yīng)用最為廣泛的算法之一。易方等[22]提出了一種基于模糊核支持向量機(jī)的缺陷識別方法。將管道狀態(tài)劃分為應(yīng)力集中、微觀缺陷和宏觀缺陷3個等級。構(gòu)造了五維磁特征指標(biāo)，對32組鋼管道進(jìn)行了缺陷識別試驗(yàn)，識別準(zhǔn)確度達(dá)到100%，與傳統(tǒng)線性核和多項(xiàng)式核函數(shù)比較，識別精度得到提高。LIU Zhilin等[23]利用支持向量機(jī)實(shí)現(xiàn)了對油井套管危險程度的磁記憶定量評價，將12組油井套管的危險程度分為4個等級，采取其磁記憶信號，對降噪處理后的磁信號進(jìn)行特征值提取，采用支持向量機(jī)來建立磁特征指標(biāo)和管道危險程度之間的關(guān)系模型，該模型的準(zhǔn)確率可達(dá)100%。GONG Lihong等[24]結(jié)合自適應(yīng)遺傳算法與支持向量機(jī)算法建立了管道缺陷的定量識別模型，可識別管道是否處于正常、應(yīng)力集中或者裂紋狀態(tài)，并比較了支持向量機(jī)4個核函數(shù)的診斷結(jié)果，其中，徑向基函數(shù)(RBF)核在模擬中表現(xiàn)最好，準(zhǔn)確率達(dá)到95.52%。

人工神經(jīng)網(wǎng)絡(luò)是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法，具有較強(qiáng)的自學(xué)習(xí)和自適應(yīng)能力。龔利紅等[25]分別將線性感知器神經(jīng)網(wǎng)絡(luò)和非線性感知器神經(jīng)網(wǎng)絡(luò)應(yīng)用到了管道的磁記憶定量檢測當(dāng)中，選取40組處于應(yīng)力集中或者宏觀缺陷的鋼管作為試驗(yàn)樣本，進(jìn)一步優(yōu)化磁特征指標(biāo)，作100次計算機(jī)診斷模擬，結(jié)果表明：線性感知器神經(jīng)網(wǎng)絡(luò)平均準(zhǔn)確率為71.2%，而非線性感知神經(jīng)網(wǎng)絡(luò)模型的平均診斷正確率可達(dá)90.7%，有顯著提高。劉書俊等[26]提取五維磁特征參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)，建立了BP神經(jīng)網(wǎng)絡(luò)的磁記憶識別模型，對600組管道樣本進(jìn)行了檢測試驗(yàn)，測試樣本識別正確率為97.5%。

支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)及其衍生出的優(yōu)化算法具有較高的識別準(zhǔn)確率，當(dāng)然在應(yīng)用過程中，預(yù)測準(zhǔn)確率和樣本本身的磁特征指標(biāo)也具有很強(qiáng)的相關(guān)性，故在優(yōu)化算法的同時，需提高樣本磁特征指標(biāo)的準(zhǔn)確度和可靠度，結(jié)合多方面因素提高模型的準(zhǔn)確率。

3 其他鋼試件的缺陷定量化識別

磁記憶檢測技術(shù)在焊縫和管道中的應(yīng)用較為成熟，隨著該技術(shù)的發(fā)展，其應(yīng)用領(lǐng)域也逐漸擴(kuò)展到鋼繩芯輸送帶、鋼軌、再造抽油桿等鋼構(gòu)件缺陷的定量識別當(dāng)中，機(jī)器學(xué)習(xí)也隨之應(yīng)用到更多種類的鋼試件磁記憶檢測當(dāng)中，具體應(yīng)用情況如表3。

表3 機(jī)器學(xué)習(xí)在其他鋼試件磁記憶檢測的應(yīng)用Table 3 Application of machine learning in magnetic memory testing of other steel specimens

免疫算法可找到樣本組的聚類中心，模糊聚類算法可對樣本進(jìn)行分類。李遠(yuǎn)利等[27]將模糊聚類算法的隸屬度概念引入免疫算法中，通過試驗(yàn)制備正常狀態(tài)、應(yīng)力集中及宏觀缺陷幾個不同狀態(tài)的鋼試件，對其進(jìn)行檢測并提取四維磁信號特征值，通過訓(xùn)練組的180個樣本建立模型，對測試組的60個樣本進(jìn)行狀態(tài)預(yù)測，最終結(jié)果表明：此算法建立的模型預(yù)測準(zhǔn)確率達(dá)到96.67%，同等條件下，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測準(zhǔn)確率為83.33%，故通過該算法建立的模型的識別正確率相比于BP神經(jīng)網(wǎng)絡(luò)模型有了較大的提高。

鋼繩芯輸送帶內(nèi)部的鋼絲繩因繡燭、高負(fù)荷運(yùn)轉(zhuǎn)、長期反復(fù)彎曲等因素而產(chǎn)生局部應(yīng)力集中和微裂紋等隱性故障，往往不易被人們發(fā)現(xiàn)，李效露[28]將BP神經(jīng)網(wǎng)絡(luò)引入到鋼繩芯輸送帶的磁記憶定量檢測當(dāng)中，試驗(yàn)制備分別處于正常、應(yīng)力集中、宏觀缺陷3種不同狀態(tài)的鋼繩芯輸送帶，通過檢測的磁記憶特征值和BP神經(jīng)網(wǎng)絡(luò)模型對其進(jìn)行定量識別，結(jié)果表明該模型的識別成功率可達(dá)到83.33%。王慧鵬等[29]將BP神經(jīng)網(wǎng)絡(luò)用到了鋼試件的應(yīng)力集中系數(shù)評定當(dāng)中，將試件的應(yīng)力集中系數(shù)K分為4類，通過提取不同應(yīng)力集中程度的鋼試樣的磁記憶信號特征值，建立BP神經(jīng)網(wǎng)絡(luò)對其應(yīng)力集中程度進(jìn)行量化識別，對54組測試樣本進(jìn)行應(yīng)力集中系數(shù)的預(yù)測，識別準(zhǔn)確率達(dá)到92.6%。

為了得到連續(xù)焊接鋼軌的無應(yīng)力溫度，支持向量機(jī)回歸算法被用來計算連續(xù)焊接鋼軌的熱應(yīng)力[30]，基于磁記憶和磁巴豪森聯(lián)合檢測系統(tǒng)采集到的磁信號特征，通過支持向量機(jī)算法建立了特征值和熱應(yīng)力之間的非線性關(guān)系式，將自制測量系統(tǒng)測得的熱應(yīng)力值與理論值進(jìn)行比較，相對誤差小于4.78%。邢海燕等[31]將磁記憶技術(shù)應(yīng)用到再造抽油桿損傷等級定量評價中，結(jié)合支持向量機(jī)的小樣本優(yōu)勢和KNN隸屬度將分散性和模糊性加以量化的優(yōu)勢，建立了基于KNN和支持向量機(jī)的再造抽油桿磁記憶定量檢測模型。對32組試驗(yàn)樣本進(jìn)行了檢測試驗(yàn)，提取五維磁記憶檢測特征值，結(jié)果表明：該模型準(zhǔn)確率可達(dá)91.67%，可以用于再造抽油桿的磁記憶定量識別當(dāng)中。

磁記憶檢測技術(shù)主要針對各種鐵磁構(gòu)件，檢測對象的多樣性和復(fù)雜性給磁記憶的量化評估帶來較大困難，針對不同的檢測對象和缺陷類型，應(yīng)結(jié)合具體情況分別提取各自的磁特征指標(biāo)，根據(jù)指標(biāo)特點(diǎn)選擇對應(yīng)的機(jī)器學(xué)習(xí)算法，建立針對不同對象和缺陷類型的磁記憶量化評估體系。

4 鋼構(gòu)件缺陷尺寸的反演及其他

上述定量化檢測主要是將不同鐵磁構(gòu)件的缺陷按照損傷程度劃分為幾個等級，基于機(jī)器學(xué)習(xí)算法，建立磁特征指標(biāo)和缺陷等級之間的相關(guān)性模型，最終實(shí)現(xiàn)缺陷等級的預(yù)測。另一種定量檢測是根據(jù)磁特征指標(biāo)實(shí)現(xiàn)缺陷尺寸的反演，預(yù)測構(gòu)件缺陷的長度、寬度、深度。表4為機(jī)器學(xué)習(xí)在焊縫、管道等構(gòu)件的缺陷尺寸反演，以及對構(gòu)件各部位缺陷的區(qū)分、剩余壽命的預(yù)測等領(lǐng)域的相關(guān)應(yīng)用。

表4 機(jī)器學(xué)習(xí)在缺陷尺寸的磁記憶反演及其他領(lǐng)域的應(yīng)用Table 4 Application of machine learning in magnetic memory inversion of defect size and other fields

在構(gòu)件缺陷尺寸的定量化反演領(lǐng)域，李思岐等[32]將模擬退火算法和支持向量機(jī)回歸算法引入到焊縫缺陷尺寸反演中，通過試驗(yàn)設(shè)計了未焊透和夾渣兩種類型缺陷的焊縫試件，利用金屬磁記憶檢測儀對焊縫試件進(jìn)行磁記憶檢測，基于48個樣本建立了退火支持向量機(jī)回歸模型，對其中的10個樣本進(jìn)行缺陷尺寸反演，預(yù)測結(jié)果的相對誤差為0.27%～7.96%，預(yù)測精度較高。李立剛[33]將磁記憶檢測技術(shù)和支持向量機(jī)算法引入到了管道腐蝕缺陷深度的定量化反演當(dāng)中。制造了帶腐蝕缺陷的管道測試件，用磁記憶檢測設(shè)備獲取其信號特征值，建立了管道缺陷深度的支持向量機(jī)反演模型，經(jīng)驗(yàn)證，模型可以有效預(yù)測1～15 mm孔深的腐蝕缺陷，平均誤差為2.398 mm。王帥等[34]通過試驗(yàn)建立了鋼板的不同尺寸缺陷磁記憶信號樣本庫，提取每個缺陷處的8個磁記憶特征參數(shù)，采用主成分分析法(PCA)與遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)法(GA-BP)有機(jī)結(jié)合對數(shù)據(jù)處理，試驗(yàn)結(jié)果如圖5，該算法對缺陷深度的預(yù)測精度最高。

圖5 PCA優(yōu)化的GA-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果[34]Fig. 5 The prediction results of the GA-BP neural network model optimized by PCA[34]

對于識別同一構(gòu)件上不同部位及不同缺陷類型的問題，王宇等[35]針對金屬管道腐蝕缺陷和應(yīng)力集中缺陷的區(qū)分和識別問題，自制了5根帶缺陷管道試件，基于其形態(tài)、時域、頻域磁記憶信號特征，建立了多種極限學(xué)習(xí)機(jī)管道缺陷分類模型，并將該模型用于現(xiàn)場管道的測試當(dāng)中，極限學(xué)習(xí)機(jī)缺陷分類模型的平均正確識別率均在70%以上，可較好的區(qū)分管道的腐蝕和應(yīng)力集中缺陷。史小東等[36]為了區(qū)分管道母材及焊縫處不同損傷形式磁記憶信號，開展了相關(guān)試驗(yàn)研究，結(jié)果表明，不同損傷部位及形式的試件，其磁信號也有較大差異，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對管道缺陷檢測信號的模式進(jìn)行識別。通過對試驗(yàn)和有限元建模數(shù)據(jù)的處理與驗(yàn)證，結(jié)果表明通過BP神經(jīng)網(wǎng)絡(luò)可對管道的不同部位，例如母材、焊縫正面和焊縫背面有、無裂紋進(jìn)行準(zhǔn)確判別和區(qū)分。

采用網(wǎng)格搜索、粒子群和遺傳算法3種方法對模型進(jìn)行了參數(shù)優(yōu)化，結(jié)果表明：采用遺傳算法作為參數(shù)優(yōu)化方法，該模型具有較好的精度。該模型為螺栓剩余疲勞壽命的預(yù)測提供了一種有效的方法。GAO Yatian[37]針對現(xiàn)有抽油桿疲勞損傷評估和剩余壽命預(yù)測方法的不足，也提出了一種基于金屬磁記憶的最優(yōu)支持向量機(jī)模型預(yù)測抽油桿疲勞損傷的新方法，同樣用遺傳算法(GA)，粒子群優(yōu)化算法和網(wǎng)格搜索優(yōu)化(GSO)分別對其進(jìn)行優(yōu)化。結(jié)果表明，此處采用粒子群優(yōu)化的支持向量機(jī)模型的預(yù)測精度更加穩(wěn)定和準(zhǔn)確。由此可見，對于不同的測試樣本和數(shù)據(jù)，各優(yōu)化算法得到的效果不盡相同，算法的應(yīng)用應(yīng)根據(jù)實(shí)際數(shù)據(jù)樣本進(jìn)行選擇和調(diào)整。

綜上所述，機(jī)器學(xué)習(xí)具有強(qiáng)大的學(xué)習(xí)能力和良好的非線性擬合能力，對于大量數(shù)據(jù)的處理有明顯的優(yōu)勢，支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、聚類算法等已經(jīng)被廣泛應(yīng)用到磁記憶檢測的試驗(yàn)研究和現(xiàn)場工程當(dāng)中。支持向量機(jī)的核心思想是將原始的數(shù)據(jù)通過某種非線性映射到多維空間中，然后再利用線性分類器進(jìn)行處理，具有模型簡單，解釋性強(qiáng)的特點(diǎn)，更重要的是其回歸分類性能比最早提出的神經(jīng)網(wǎng)絡(luò)更優(yōu)[38]。但若樣本過多時，由于數(shù)據(jù)敏感度的缺失而導(dǎo)致效率不是很高[39]。人工神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)，自學(xué)習(xí)的能力，但是為了訓(xùn)練自適應(yīng)系統(tǒng)，需要對少量的參數(shù)進(jìn)行優(yōu)化，易于過擬合。聚類算法訓(xùn)練時間短，但算法需要對均值給出定義，且對初始選值敏感，一些過大的異常值也會帶來很大的影響。因此，各種算法各有其優(yōu)缺點(diǎn)，沒有哪一種算法可以解決所有問題。在算法應(yīng)用過程中，對于固定樣本的磁特征指標(biāo)，通過相應(yīng)算法可得到較高的預(yù)測準(zhǔn)確率，但是模型的泛化能力差，故在實(shí)際應(yīng)用過程中，應(yīng)建立各種缺陷類型對應(yīng)的磁特征指標(biāo)數(shù)據(jù)庫，并在研究過程中不斷擴(kuò)展和完善該數(shù)據(jù)庫，從而優(yōu)化完善預(yù)測模型，提高模型適應(yīng)性。

5 結(jié)論及展望

多種機(jī)器學(xué)習(xí)算法被應(yīng)用到磁記憶無損檢測領(lǐng)域當(dāng)中，其中，支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)和聚類算法及其衍生出的優(yōu)化算法目前在磁記憶數(shù)據(jù)建模中應(yīng)用最為廣泛。主要的應(yīng)用領(lǐng)域包括：焊縫、管道及其余鋼試件缺陷的定量識別，缺陷類型的區(qū)分及剩余壽命的預(yù)測等。雖然機(jī)器學(xué)習(xí)在目前的磁記憶檢測試驗(yàn)研究和現(xiàn)場工程中取得了良好的應(yīng)用效果，但是仍停留在簡單的結(jié)構(gòu)和工況上，機(jī)器學(xué)習(xí)作為高效有力的數(shù)據(jù)處理技術(shù)，在磁記憶無損檢測領(lǐng)域中具有更為廣闊的應(yīng)用前景。結(jié)合磁記憶無損檢測技術(shù)的發(fā)展趨勢，考慮將機(jī)器學(xué)習(xí)應(yīng)用于橋梁內(nèi)部鋼筋損傷的無損檢測當(dāng)中。

1)橋梁鋼筋的無損檢測具有結(jié)構(gòu)和環(huán)境的復(fù)雜性，影響因素較多，不同的材料成分、荷載形式、初始磁場等都會給檢測帶來較大的干擾，磁特征指標(biāo)與缺陷之間不具有簡單的線性關(guān)系?？紤]各種因素下的磁信號數(shù)據(jù)必然具有明顯的離散性和非線性，故在檢測過程中需解決各種因素對磁記憶檢測信號的干擾問題，目前的研究主要集中在建立缺陷和磁特征指標(biāo)之間的關(guān)系，忽略了影響因素與磁特征指標(biāo)的關(guān)系，故應(yīng)采用機(jī)器學(xué)習(xí)建立各種影響因素與磁信號之間的關(guān)系模型，逐一排除干擾磁信號，提高檢測精度。

2)機(jī)器學(xué)習(xí)算法種類頗多，各種算法有其獨(dú)特的優(yōu)勢和適用范圍，同時也有無法克服的缺陷，多種算法互相優(yōu)化，取長補(bǔ)短可獲得更好的預(yù)測效果，多種算法結(jié)合將對提高模型的適應(yīng)能力和識別準(zhǔn)確率有很大的幫助，也是機(jī)器學(xué)習(xí)未來發(fā)展的趨勢。

3)目前，機(jī)器學(xué)習(xí)在磁記憶檢測領(lǐng)域中的應(yīng)用多為分類問題，即是將缺陷劃分為多個級別，通過機(jī)器學(xué)習(xí)建立磁特征指標(biāo)與缺陷等級之間的關(guān)系模型，進(jìn)一步的研究可擴(kuò)展到回歸問題，對試件的損傷程度做出更為具體的定義，通過機(jī)器學(xué)習(xí)中的回歸算法建立缺陷程度和磁特征指標(biāo)之間的函數(shù)關(guān)系式，更加精確地表征構(gòu)件的缺陷程度。